現(xiàn)有的艦艇智能輔助決策系統(tǒng)在依據(jù)引導報文,計劃引導中存在人工干預,使得艦艇在多目標會遇情況下存在碰撞危險。為此,設計基于人工智能的艦艇智能輔助決策系統(tǒng)。引用Agent智能體作為主體,通過UM2455和MC9S12NE64實現(xiàn)與其他Agent的交互。在硬件設計的基礎上,建立決策模型,計算各決策方案綜合評分,依據(jù)評分高低篩選出最佳方案,通過Agent執(zhí)行,達到智能輔助決策的目的。實驗結(jié)果表明,與傳統(tǒng)的艦艇智能輔助決策系統(tǒng)相比,設計的基于人工智能的決策系統(tǒng)綜合碰撞危險度為0,說明在多目標會遇情況下艦艇發(fā)生碰撞危險的概率極低。 

【文章來源】：艦船科學技術. 2020,42(14)北大核心

【文章頁數(shù)】：3 頁

【部分圖文】：

Agent內(nèi)部結(jié)構(gòu)示意圖Fig.1SchematicdiagramoftheinternalstructureofAgent

處理后，表示為，即X=X11X12...X1nX21X22...X2n............Xm1Xm2...Xmn，(3)則規(guī)范化決策矩陣的下級矩陣為：Xij=x11x12...x1nx21x22...x2n............xm1xm2...xmn。(4)以上矩陣中Xij為方案集的屬性，根據(jù)得到的規(guī)范化矩陣，計算各決策方案的多目標綜合評價值，按照分值高低排序，得到最佳方案，通過智能體Agent執(zhí)行最佳方案。圖2MC9S12NE64內(nèi)部結(jié)構(gòu)示意圖Fig.2MC9S12NE64internalstructurediagram第42卷何水靜：基于人工智能的艦艇智能輔助決策系統(tǒng)·71·

椋?ü?掄婕鍬際?蕕惱?硨頭?析，對比不同智能輔助決策系統(tǒng)的實際性能。當1艘與2艘或2艘以上的艦艇相遇，將構(gòu)成碰撞危險，正確地確定重點避讓艦艇是智能輔助決策的基矗為此，本文利用綜合碰撞危險度R模型，判斷目標艦艇下一步行動的難易程度。綜合碰撞危險度包括潛在碰撞危險度κ與幾何碰撞危險度α，其中，潛在碰撞危險度κ表示為行駛員駕駛艦艇負擔的大小，而幾何碰撞危險度α表示為通過幾何角度驗證將來可能碰撞的程度，多艦艇會遇局面仿真實例的航行態(tài)勢如圖3所示。圖3多艦艇會遇局面仿真航行態(tài)勢圖Fig.3Multi-shipencountersituationsimulationnavigationsituationdiagram圖中，Warship1位置為122°08"41.9""，61°12"13.7""，航向為180°，Warship2的位置為102°12"23.6""、60°10"43.8""，航向為245°，Warship3的位置在127°09"12.3""，41°08"42.8""，航向為349°，Warship4位置為107°04"36.7""，51°12"03.6""，航向為100°。以War-ship4為本艦艇，其他3個為目標艦艇分析，使用不同的智能輔助決策系統(tǒng)仿真運動，獲得本艦艇與目標艦艇之間的會遇參數(shù)�；贕IS的決策系統(tǒng)實驗結(jié)果如表1所示�；贓JB組件的決策系統(tǒng)實驗結(jié)果如表2所示。設計的基于人工智能的決策系統(tǒng)實驗結(jié)果如表3所示。對比觀察3組實驗結(jié)果，可以看出，本艦艇與3艘目標艦艇構(gòu)成交叉相遇的局面，表1結(jié)果顯示綜合碰撞危險度較高，表2綜合碰撞危險度結(jié)果雖然低于表1結(jié)果，但是依然存在碰撞危險，而表3結(jié)果顯示，綜合碰撞危險度為0.0。通過上述仿真實例的驗證及數(shù)據(jù)分析，可以得出設計

【參考文獻】：
期刊論文
[1]戰(zhàn)機自主作戰(zhàn)機動雙網(wǎng)絡智能決策方法[J]. 潘耀宗,張健,楊海濤,袁春慧,趙洪利.  哈爾濱工業(yè)大學學報. 2019(11)
[2]基于MVC模式的水庫施工期防洪度汛決策支持系統(tǒng)設計與開發(fā)[J]. 趙喬,望建成,范正行,艾顯明,徐俊,王琦.  水力發(fā)電. 2019(09)
[3]基于全維度的電力變壓器智能決策支持系統(tǒng)研究[J]. 張珂斐,郭江,陳紅坤.  電測與儀表. 2019(13)
[4]基于深度學習的人工智能設計決策模型[J]. 王亞輝,余隋懷,陳登凱,初建杰,劉卓,王金磊,馬寧.  計算機集成制造系統(tǒng). 2019(10)



本文編號：3623950