基于知识驱动的稀疏A?算法的船舶发动机舱管道布局优化

《Ocean Engineering》：Ship engine room pipe layout optimization based on a knowledge-driven sparse A? algorithm

　　刘德晨|余彦云|张宏硕|刘翔|门奇|林燕
大连理工大学工业设备结构分析、优化与CAE软件国家重点实验室，中国大连116024

**摘要**
为了解决船舶机舱管道布局中庞大的搜索空间和未量化的工程约束问题，本文提出了一种基于知识的稀疏A?（KD-SA?）算法。首先，建立了一个与工程知识相映射的拓扑生成机制。与穷举的基于网格的搜索方法不同，本研究将施工规范和制造约束转化为几何指导标准。通过光线投影触发碰撞反馈后，通过纵向和横向扩展动态构建初始的逃逸种子集合。在此基础上，结合了一个六方向正交探索策略（受最小直线段长度限制）和拓扑闭合机制，从而实现了从离散节点到具有曼哈顿特征的稀疏拓扑子图的演变，显著降低了计算维度，同时确保了解空间的完整性。其次，开发了一个多目标评估函数，以实现路径长度、弯头数量和规则遵从性的深度解耦和权重优化。最后，对三个代表性的机舱案例进行的实验表明，KD-SA?在规则遵从性方面表现出色。其效率和路径质量显著优于主流算法，证明了其在实际船舶建造应用中的稳健性。所提出的KD-SA?为向自主船舶设计和智能工程自动化转型提供了坚实的技术基础，为船舶建造中的复杂数字设计工作流程提供了可扩展的解决方案。

**引言**
船舶管道路径设计（SPRD）是详细船舶设计中一个关键且劳动密集型的阶段。在机舱这一空间中，管道系统规模庞大，且几何拓扑结构不规则。必须在遵守复杂的工程标准（如避免碰撞、分组排列和维护可访问性）的同时实现最优路径规划。
历史上，该领域严重依赖经验丰富的工程师在CAD环境中的手动干预。然而，面对大规模管道网络和高密度布局时，传统的手动设计效率低下，难以在高维解空间中识别全局最优解。随着海事行业向数字化和智能化转型，迫切需要具有高计算效率和深厚工程专业知识的自动化路径规划算法。在更广泛的航运脱碳背景下，智能优化已成为提高运营可持续性的关键。Li等人（2025b）对海洋替代燃料技术及其应用挑战进行了全面分析。在能源消耗方面，Li等人（2025a）使用GA-CNN-LSTM框架开发了一种先进的能源消耗预测模型。此外，Li等人（2024）和Liu等人（2025）研究了航行路线、速度和 trim 的协同优化，以实现协同能源效率。这些进展表明，自动化管道路径规划不再是一个孤立的几何任务，而是未来低碳船舶所需集成智能设计工作流程的关键组成部分。

为了解决SPRD问题，研究人员建立了两条主要的技术路线：确定性算法和非确定性算法。确定性算法通过严格的数学逻辑在离散空间中检索最优解，提供高路径完整性和稳定结果。Dijkstra（2022）奠定了图搜索理论的基础。在此基础上，Hart等人（1968）将启发式信息引入搜索过程，并提出了A?算法，显著提高了搜索效率。另外，Rubin（1974）提出的迷宫算法（也称为Lee算法）因其能够处理任意形状的障碍物而在早期路径规划中被广泛采用。
近年来，确定性算法针对特定工程需求进行了改进。Nguyen等人（2016）实现了弯头数量和分支连接的联合优化。Dong和Lin（2016）将改进的Lee算法与禁忌搜索（TS）结合，以加快三维环境中的收敛速度。在效率方面，Min等人（2020）引入了跳点搜索（JPS）机制，通过识别关键跳点并减少节点扩展来显著加速路径寻找。Bian等人（2022）针对多管道干扰场景提出了基于阻塞迭代策略的改进A?算法。尽管取得了这些进展，但这些算法的性能仍受到环境建模网格精度的影响。正如Yan等人（2024）所指出的，高分辨率网格导致随着空间规模的扩大计算复杂性呈指数级增加，而稀疏网格则常会导致关键障碍物细节的丢失。
非确定性算法通过模拟自然界中的集体行为来识别最优解。Fan等人（2007）率先将蚁群优化（ACO）应用于这一领域，为管道设计中的群体智能奠定了基础。随后，Jiang等人（2014）提出了一种将粒子群优化（PSO）与ACO结合的混合优化方法用于机舱布局。这项工作进一步发展为基于共同进化机制的多蚁群算法（Jiang等人，2015）。此外，Niu等人（2016）通过将迷宫算法与NSGA-II结合，探索了在复杂约束下的综合解决方案。为克服局部最优解的挑战，Wang等人（2018）通过结合设计师的专业知识改进了ACO。Dong和Bian（2020）提出了一种将A?与遗传算法（GA）结合的混合策略，而Wang等人（2021）将GA操作符集成到PSO中以增强解决方案多样性。最近的突破包括Dong等人（2022）开发的多目标ACO。Lin等人（2022, 2024）分别通过预选路径策略和混合离散进化算法提高了环境鲁棒性。此外，Zhang等人（2024, 2026）探索了在超高维空间中智能应用多智能体强化学习（MARL）和深度强化学习的方法。
近年来，SPRD的研究重点从纯粹的路径优化转向了基于知识的工程设计。Wu和Shaw（2011）提出的基于知识的工程（KBE）模型提高了设计的复用性和推理灵活性。Yang等人（2012, 2014）和Guan与Yang（2018）的研究表明，KBE在减少对手动经验的依赖和缩短建模周期方面发挥了重要作用。
为了确保生成解决方案的技术可行性，Li和Wang（2018, 2019）构建了集成专家经验和设计代码的知识库系统，从而确保了合规性和轻量化设计。Ha等人（2023）将专家系统与启发式算法结合，开发了一个自动化布置评估模型。现代研究，如Wang等人（2024）提出的将KBE与模拟退火结合的框架，以及Zhang等人（2023a, 2023b）提出的基于知识的数字孪生框架，表明管道设计正朝着领域知识和算法逻辑的深度融合发展。虽然经典的确定性路由算法（如A?）在路径完整性方面具有固有优势，但在高度紧凑和几何结构复杂的船舶机舱中仍面临重大挑战（Yan等人，2024）。这些限制主要涉及大规模网格环境导致的计算冗余和效率瓶颈，以及纯几何优化与实际工程可行性之间的根本脱节。
为了解决这些问题，本文提出了一种基于知识的稀疏A?算法（KD-SA?）用于船舶机舱管道布局。该方法旨在通过几项关键创新超越传统基于网格方法的固有范式。首先，通过打破全空间离散化的约束，仅在使用正交逃逸向量的障碍物边界和关键转折点动态生成路径节点，从而构建了一个高精度的稀疏拓扑，从根本上消除了之字形效应，并大幅降低了搜索空间的维度。其次，将工程约束转化为成本函数中的正则化项，实现了算法逻辑与人类工程专业知识的深度融合。第三，引入了一种自适应动态边界机制来修剪冗余搜索空间，专注于有效进化区域，从而显著提高了收敛速度和计算效率。

本文的其余部分安排如下：第2节描述了SPRD问题的预处理和工程规则的建模。第3节详细介绍了KD-SA?算法的原理和实现。第4节通过多个实验案例验证和分析了所提出策略的有效性。第5节总结了本文并讨论了未来研究方向。

**工程知识映射用于船舶管道布局**
船舶管道布局的工程知识映射是物理空间表示与优化算法逻辑之间的关键链接。这种映射的准确性和底层表示逻辑直接决定了算法的搜索效率和收敛可行性。从数学角度看，管道布局优化是一个特征性高维、非凸的约束优化问题，其目标是提取最优的拓扑轨迹。

**基于知识的稀疏A?算法（KD-SA?）**
基于第2章中开发的几何机舱模型和基于工程知识的成本量化模型，管道布局问题被构建为一个数学优化任务，以识别多约束非凸空间内的最优轨迹。然而，由于环境空间的连续性和优化算法的离散性之间的内在矛盾，解决这一问题仍然具有挑战性。

**实验模拟与分析**
在提出的KD-SA?算法中，路径质量通过一个全面的评估函数来量化。为了平衡全局优化效率和工程可行性，权重系数通过分层偏好框架确定。具体而言，整体几何最优性和工程合规性被赋予了0.5:0.5的相等权重比。在几何标准中，路径长度和弯头数量的权重分别设置为0.5和50。

**结论**
为了解决当前船舶机舱布局设计方法在处理复杂约束和搜索效率方面的瓶颈，本研究提出了一种创新的KD-SA?算法。通过将工程经验与高效的拓扑搜索相结合，该方法实现了从纯粹的几何最优性到工程可行性的关键演变。主要贡献如下：
1. 一个包含五个工程语义操作符（C1?C5）的成本评估系统……

**作者贡献声明**
刘德晨：撰写——原始草案、软件、方法论、形式分析、数据整理、概念化。
余彦云：撰写——审阅与编辑、资源管理、项目管理、资金获取。
张宏硕：验证、监督、软件。
刘翔：可视化、软件、调查。
门奇：调查。
林燕：可视化。

**利益冲突声明**
作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

**致谢**
本工作得到了绿色建筑科学和技术实验室（CNNC）发展基金的支持，项目编号为CNNC-STGCL-KFKT-2022-001。