PRACE WYDZIAŁU NAWIGACYJNEGO nr 22 AKADEMII MORSKIEJ W GDYNI 2008 JOANNA SZŁAPCZYŃSKA Akademia Morska w Gdyni Katedra Nawigacji ZASTOSOWANIE METOD SZTUCZNEJ INTELIGENCJI W NAWIGACJI METEOROLOGICZNEJ STATKÓW Z NAPĘDEM HYBRYDOWYM Idea statku z napędem hybrydowym zakłada połączenie klasycznego napędu silnikowego z dodatkowym pędnikiem wiatrowym. Dzięki zastosowaniu takiego podejścia możliwe jest zwiększenie prędkości statku dla żeglugi przy sprzyjających wiatrach. Ponadto możliwe jest również zmniejszenie zużycia paliwa, które w głównej mierze wynika ze skrócenia trasy statku. Jednak kryterium zapewnienia należytego bezpieczeństwa często stoi w sprzeczności z wcześniej wspomnianymi celami, stąd też konieczna jest optymalizacja drogi morskiej pod kątem ustalonego zbioru kryteriów. W artykule opisano zastosowanie wielokryterialnych algorytmów ewolucyjnych jako nowoczesnej metody sztucznej inteligencji służącej do optymalizacji trasy w procesie nawigacji meteorologicznej statków. WPROWADZENIE W ostatnich latach, głównie za sprawą globalnego kryzysu paliwowego oraz rosnących standardów ochrony środowiska, powraca się do dyskusji, czy napęd hybrydowy, a więc tradycyjny silnik wspomagany przez dodatkowy pędnik wiatrowy, jest korzystnym rozwiązaniem dla statków, szczególnie tych pływających w żegludze oceanicznej. Historia badań nad hybrydowym napędem statku sięga przełomu lat siedemdziesiątych i osiemdziesiątych XX wieku, stanowiącego okres poprzedniego kryzysu paliwowego na świecie. W owym czasie badania naukowe w Japonii (Tokio) oraz Holandii (Delft) zaowocowały wieloma raportami badawczymi oraz publikacjami. Co więcej, na przełomie lat 70/80 w Japonii skonstruowano tankowiec z napędem hybrydowym Shin Aitoku Maru (rys.1), który był przez pewien czas wykorzystywany komercyjnie [12]. Minimalizacja zużycia paliwa oraz redukcja emitowanych zanieczyszczeń stanowią niepodważalne zalety statków z tradycyjnym napędem, wyposa- 114
żonych w dodatkowy pędnik wiatrowy. Niestety, modernizacja istniejącej floty związana jest z dużymi kosztami, co w połączeniu ze znaczącymi kosztami eksploatacji napędu hybrydowego powoduje, że tego typu rozwiązania są stosunkowo rzadko wdrażane i do niedawna pozostawały jedynie w sferze planów. Rys. 1. Shin Aitoku Maru Pod koniec lat dziewięćdziesiątych ubiegłego stulecia badania nad wykorzystaniem napędu hybrydowego dla statków znów nabrały tempa, głównie za sprawą rosnących cen paliw. Wśród aktualnie wdrażanych projektów europejskich można wymienić duński projekt Windship 2000 ([10]) oraz rozwiązanie komercyjne proponowane przez niemiecką firmę Sky Sails [11]. Rys. 2. Sky Sails Rys. 3. Windship 2000 Dotychczas powstałe opracowania dotyczące nawigacji meteorologicznej dla statków z napędem hybrydowym ([1] i [4]) nie wykorzystują mechanizmów ewolucyjnych, dlatego też postanowiono opracować nowe rozwiązanie z wykorzystaniem wielokryterialnych algorytmów ewolucyjnych [5]. W kolejnych rozdziałach przedstawiono: zdefiniowanie problemu optymalizacji trasy statku z napędem hybrydowym, proponowane rozwiązanie 115
opisujące zarówno przyjęty do badań model statku jak i główny algorytm. Prezentowany artykuł zamyka podsumowanie omawianej problematyki. 1. DEFINICJA PROBLEMU Definiując problem poszukiwania trasy przejścia statku przyjęto kinematyczny model ruchu wraz z elementami dynamiki związanymi z fizycznym przeprowadzeniem manewru. W tym przypadku wartościami poszukiwanymi są współrzędne geograficzne punktów zwrotu oraz wartości prędkości statku na odcinkach trasy miedzy kolejnymi punktami zwrotu. Kryteria stanowiące podstawę procesu optymalizacji podzielono na dwie zasadnicze grupy: kryteria ekonomiczne, kryteria związane z bezpieczeństwem ruchu statku. W skład grupy kryteriów ekonomicznych wchodzi zużycie paliwa oraz czas potrzebny na pokonanie danej trasy. Grupę kryteriów związanych z bezpieczeństwem stanowią stopień natężenia ruchu innych jednostek oraz stopień naruszenia zadanych ograniczeń nawigacyjnych. Dla tak ustalonych kryteriów optymalizacyjnych przyjęto funkcję celu w postaci: f ( t, v r = { f paliwo ekonomia, i ( t, v r ruch _ statkow paliwo ), f, r) = bezpieczenstwo ( i ruch _ statkow, r)} min (1) f t, v ) = { f ( t ), f ( v )} (2) ekonomia( r paliwo czas _ przejscia r zuzycie _ paliwa paliwo fbezpieczen stwo( iruch _ statkow, r) = { fruch _ statkow( iruch _ statkow), fnaruszenie _ ograniczen( r)} (3) f = czas _ przejscia( tr ) = tr; f zuzycie _ paliwa ( vpaliwo) vpaliwo (4) f i ) = i ; f ( r) = p r (5) ruch _ statkow( ruch _ statkow ruch _ statkow naruszenie _ ograniczen gdzie: t r czas przejścia danej trasy przez wybrany model statku [h], v paliwo całkowite zużycie paliwa na danej trasie dla wybranego modelu statku [t], i ruch_statkow stopień natężenia ruchu innych jednostek jako wartość z zakresu <0;1>; im większa wartość miary tym większe spodziewane natężenie ruchu [bezwymiarowe], r funkcja kary za naruszenie ograniczeń [bezwymiarowe], i i i 116
p i r i kara nałożona za niespełnienie i-tego ograniczenia [bezwymiarowe], dla ograniczeń rozmytych: wartość z zakresu <0;1> wskazująca stopień naruszenia i-tego ograniczenia; dla ograniczeń ostrych: wartość logiczna wskazująca czy i-te ograniczenie zostało naruszone [bezwymiarowe]. W procesie poszukiwania trasy przejścia statku ograniczeniami będą: lądy (ląd stały, wyspy) w obszarze poszukiwania trasy, płycizny oraz obszary niedostępne dla założonej głębokości zanurzenia statku w obszarze poszukiwania trasy, zjawiska lodowe, których pojawienie się jest przewidywane w obszarze poszukiwania trasy w rozpatrywanym okresie czasu, cyklony tropikalne, których pojawienie się jest przewidywane w obszarze poszukiwania trasy w rozpatrywanym okresie czasu. 2. PROPONOWANY WIELOKRYTERIALNY EWOLUCYJNY ALGORYTM NAWIGACJI METEOROLOGICZNEJ DLA STATKU Z NAPĘDEM HYBRYDOWYM Dla przedstawionej wcześniej definicji problemu wyboru trasy przejścia statku, proponowany jest algorytm bazujący na podejściu wielokryterialnym oraz schemacie algorytmów ewolucyjnych. Kolejne punkty opisują model statku przyjęty do badań oraz ogólny opis komponentów proponowanego algorytmu. 2.1. Przyjęty model statku Do badań przyjęto model statku o napędzie hybrydowym opracowany na Wydziale Oceanotechniki i Okrętownictwa Politechniki Gdańskiej [3], oparty na masowcu B-470 oraz ożaglowaniu statku Oceania, opisany szczegółowo w [6]. Dla przyjętego modelu statku oraz pędnika wiatrowego opracowano procedury [6] służące do określenia: charakterystyki prędkościowej modelu w zależności od prognozowanej siły i kierunku wiatru, zużycia paliwa dla prognozowanej siły i kierunku wiatru oraz parametrów ruchu statku. 117
2.2. Wielokryterialny algorytm ewolucyjny Wielokryterialne algorytmy ewolucyjne należą do tej klasy metod, dla których do działania algorytmu nie jest konieczna wiedza o wzajemnych preferencjach użytkownika wobec przyjętego zbioru kryteriów. Algorytmy te operują na tzw. zbiorach Pareto-optymalnych, tj. takich do których należą rozwiązania niezdominowane w ramach danego zbioru kryteriów. Szczegółowy mechanizm działania wielokryterialnych algorytmów ewolucyjnych został już opisany, m.in. w pracy [5]. Poniżej opisano elementy algorytmu ewolucyjnego zaprojektowanego w celu realizacji procesu nawigacji meteorologicznej statku z napędem hybrydowym. Struktura chromosomu W rozważanym problemie ewolucyjnym osobnikiem, czy też rozwiązaniem, jest trasa przejścia statku, natomiast wartościami poszukiwanymi są parametry tej trasy, takie jak współrzędne geograficzne punktów zwrotu oraz czasy osiągnięcia tych punktów. Stąd też proponowana struktura chromosomu składa się z uporządkowanego zbioru wartości (x i, y i, t i ) odpowiadających odpowiednio: x i długości geograficznej i-tego punktu zwrotu, y i szerokości geograficznej i-tego punktu zwrotu, t i czasowi osiągnięcia i-tego punktu zwrotu. Prędkość statku zakładana jest jako wartość stała pomiędzy dwoma sąsiadującymi punktami zwrotu, wyznaczana bezpośrednio na podstawie charakterystyki prędkościowej statku ([8] i [9]) oraz prognozowanej siły i kierunku wiatru. Populacja początkowa W celu określenia populacji początkowej osobników (w rozważanym przypadku tras), w pierwszej kolejności dla danych punktów początkowego i końcowego wyznaczane są tzw. trasy bazowe. Zbiór ten zawiera: trasę ortodromiczną, trasę loksodromiczną, trasę wyznaczoną przez metodę izochronową. Na podstawie tras bazowych tworzone są ich losowe modyfikacje, dając w rezultacie zbiór osobników tworzący populację początkową. 118
Operatory specjalizowane W celu zapewnienia prawidłowego działania rozważanego algorytmu ewolucyjnego, niezbędne jest wyposażenie go w specjalizowane operatory dostosowane do proponowanej struktury chromosomu. Bazując na znanych rozwiązaniach w zakresie algorytmów ewolucyjnych znajdujących trasy przejścia robotów [2], proponowane są następujące operatory ewolucyjne: mutacja, krzyżowanie, wstawienie punktu zwrotu, usunięcie punktu zwrotu, wygładzanie trasy, wymiana podtras. Warunek stopu W końcowym etapie procesu generacji kolejnego pokolenia osobników następuje określenie wartości funkcji przystosowania (fitness) dla każdego z osobników. Szacowany jest również ogólny stopień przyrostu wartości funkcji przystosowania w danym pokoleniu. Jeżeli przyrost ten będzie mniejszy niż z góry zadana wartość ε, to proces ewolucyjny zostanie zakończony. Dodatkowe elementy typowe dla wielokryterialnych algorytmów ewolucyjnych Zgodnie z wnioskami z przeglądu dostępnych technik dla wielokryterialnych algorytmów ewolucyjnych przedstawionych w [5], w proponowanym rozwiązaniu uwzględniono następujące techniki: populację dodatkową wraz z podstawową strategią wstawiania osobników, ranking wielokryterialny wykorzystujący dane z populacji dodatkowej, współdzielenie wartości przystosowania w przestrzeni kryteriów. 119
Wielokryterialny ewolucyjny algorytm pogodowego prowadzenia statku Generacja populacji początkowej Modyfikacja za pomocą operatorów specjalizowanych Określenie wartości funkcji przystosowania (ranking wielokryterialny i niszowanie) Selekcja warunek stopu spełniony warunek stopu niespełniony Określenie dominacji pomiędzy osobnikami i aktualizacja populacji dodatkowej Utworzenie końcowego rankingu (Fuzzy TOPSIS) Rys. 4. Schemat blokowy wielokryterialnego ewolucyjnego algorytmu pogodowego prowadzenia statku (opracowanie własne) Proponowany algorytm wykorzystuje opisany wcześniej mechanizm wielokryterialnego algorytmu ewolucyjnego oraz wielokryterialną metodę rankingową Fuzzy TOPSIS [7]. W ogólności, algorytm ewolucyjny odpowiada tu za iteracyjny proces rozwoju kolejnych pokoleń osobników, natomiast metoda rankingowa służy do ustawienia kolejności ostatecznej grupy rozwiązań Pareto-optymalnych. Ma to na celu ułatwienie wyboru ostatecznej trasy do rekomendacji. Rysunek 4 prezentuje schemat blokowy proponowanego algorytmu. 3. PODSUMOWANIE Niniejszy artykuł przedstawia zastosowanie wielokryterialnych algorytmów ewolucyjnych w procesie nawigacji meteorologicznej statku z napędem hybrydowym. Zaprezentowano w nim założenia dotyczące definicji problemu optymalizacyjnego oraz proponowane rozwiązanie. W skład rozwiązania wchodzi przyjęty model statku z pędnikiem wiatrowym oraz wielokryterialny algorytm ewolucyjny nawigacji meteorologicznej statku. Obecnie prace autorki obejmują implementację jądra docelowego środowiska programistycznego (Delphi 7.0 i MS Visual C++ 6.0) oraz generację populacji początkowej (rys. 5). W najbliższym czasie planowana jest implementacja pozostałych elementów proponowanego algorytmu. 120
Rys. 5. Rzut ekranu aplikacji implementującej wielokryterialny ewolucyjny algorytm pogodowego prowadzenia statku, populacja początkowa dla trasy Plymouth Nowy Jork (opracowanie własne) Badania nad zastosowaniem metod sztucznej inteligencji w procesie nawigacji meteorologicznej statku z napędem hybrydowym zostały sfinansowane w 2007 roku ze środków pochodzących z grantu wewnątrzuczelnianego nr: 663/BW/GU/2007. LITERATURA 1. Hagiwara H., Weather routing of (sail-assisted) motor vessels, PhD Thesis, Technical University of Delft, 1989. 2. Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, Warszawa 2003. 3. Oleksiewicz B., Motor-sailer A hybrid Propulsion for Commercial Vessels. The case study, Polish Maritime Research (w przygotowaniu). 4. Spaans J. A., Windship routeing, Technical University of Delft, 1986. 5. Szłapczyńska J., Śmierzchalski R., An Analysis of MultiObjective Evolutionary Techniques Applicable to Weather Routing, Evolutionary Computation and Global Optimization 2007, Prace Naukowe Politechniki Warszawskiej, Elektronika, z. 160, s. 277-284, Warszawa 2007. 6. Szłapczyńska J., Śmierzchalski R., Multiobjective Evolutionary Approach to Weather Routing For Vessels with Hybrid Propulsion, Konferencja ACS, Międzyzdroje 2007. 7. Szłapczyńska J., Fuzzy TOPSIS jako metoda rozwiązywania wielokryterialnych problemów decyzyjnych w zastosowaniach nawigacyjnych, Prace Wydziału Nawigacyjnego Akademii Morskiej w Gdyni, z. 17, Gdynia 2005. 121
8. Szłapczyńska J., Wyniki badań charakterystyki prędkościowej modelu statku z napędem hybrydowym, Prace Wydziału Nawigacyjnego Akademii Morskiej w Gdyni (w przygotowaniu). 9. Wiśniewski B., Problemy wyboru drogi morskiej statku, Wydawnictwo Morskie, Gdańsk 1991. 10. www: http://www.mst.dk/udgiv/publications 11. www: http://www.skysails.info 12. Yoshimura Y., A Prospect of Sail-Assisted Fishing Boats, Proceedings of International Commemorative Symposium 70th Anniversary of the Japanese Society of Fisheries Science, October 1-5, Yokohama 2001. ARTIFICIAL INTELLIGENCE APPLIED TO WEATHER ROUTING FOR HYBRID PROPULSION SHIPS (Summary) Hybrid propulsion ships combine motor engine with additional sails. When sailing in favorable winds, this results in increased speed of the ship. Moreover, it is possible to reduce total fuel consumption of the ship, which is related mainly to the shortened passage time. Unfortunately, ship s safety criterion often remains in opposition to the previously mentioned economical criteria. Thus an optimization procedure is required here, taking into account a predefined criteria set. The paper presents a proposal a multiobjective evolutionary algorithm applied to the weather routing of ships with hybrid propulsion. 122