基于遺傳算法優(yōu)化的虛擬機(jī)艙協(xié)作智能評估

段尊雷， 任光， 曹輝， 姚文龍

(1.大連海事大學(xué) 輪機(jī)工程學(xué)院，遼寧 大連 116026; 2.遼寧海事局 船員考試中心，遼寧 大連 116001; 3.青島科技大學(xué) 自動化學(xué)院，山東 青島 266041)

?

基于遺傳算法優(yōu)化的虛擬機(jī)艙協(xié)作智能評估

段尊雷1，2， 任光1， 曹輝1， 姚文龍3

(1.大連海事大學(xué) 輪機(jī)工程學(xué)院，遼寧 大連 116026; 2.遼寧海事局 船員考試中心，遼寧 大連 116001; 3.青島科技大學(xué) 自動化學(xué)院，山東 青島 266041)

為滿足機(jī)艙資源管理的特殊要求，針對傳統(tǒng)的輪機(jī)模擬器存在的問題，提出了任務(wù)型協(xié)作訓(xùn)練模式和基于遺傳算法優(yōu)化的智能評估方法。該方法包括建立駕機(jī)聯(lián)動模擬的評估知識庫；構(gòu)造評估指標(biāo)隸屬度函數(shù)庫和不同需求下的優(yōu)化目標(biāo)函數(shù)；采用熵權(quán)法和歷史評估數(shù)據(jù)動態(tài)調(diào)整評估指標(biāo)的權(quán)重并利用遺傳算法優(yōu)化；根據(jù)實時的系統(tǒng)參數(shù)檢測結(jié)果和隸屬度函數(shù)得出模糊關(guān)系矩陣；經(jīng)多重模糊綜合評判得出評估結(jié)果。在實例中對遺傳算法優(yōu)化的效果進(jìn)行了對比分析。結(jié)果表明：評估結(jié)果比較客觀，誤差最小；提出的訓(xùn)練模式和評估方法科學(xué)合理，尤其是對于缺少實船服務(wù)經(jīng)歷的學(xué)員具有一定的實用價值。

遺傳算法；機(jī)艙；資源管理；協(xié)作；智能評估；隸屬度函數(shù)；機(jī)艙資源

機(jī)艙資源管理期望成為解決機(jī)艙人為失誤、減少海上安全事故的重要途徑。在《STCW公約馬尼拉修正案》中，機(jī)艙資源管理是船舶值班標(biāo)準(zhǔn)中值班應(yīng)遵循的一般原則，且明確成為輪機(jī)部高級船員的強(qiáng)制性適任標(biāo)準(zhǔn)并體現(xiàn)在“保持安全的輪機(jī)值班”(操作級)和“領(lǐng)導(dǎo)力和管理技能的使用”(管理級)等適任能力中[1]。目前我國的船員適任能力評估仍然采用人工評估的模式，具有較強(qiáng)的主觀性。結(jié)合輪機(jī)模擬器和專家系統(tǒng)的智能評估能夠?qū)崿F(xiàn)智能評判和回放操作過程等功能，實現(xiàn)評估的客觀化，進(jìn)一步排除人為因素、提高評估的公正性[2]。近幾年相關(guān)專家提出了基于輪機(jī)模擬器的自動評估，但在權(quán)重確定等方面仍具有較大的主觀性，并且僅限于單人評估，不能滿足機(jī)艙資源管理協(xié)作訓(xùn)練和評估的特殊需求。本文結(jié)合輪機(jī)模擬器評估系統(tǒng)的建設(shè)，提出任務(wù)型協(xié)作訓(xùn)練模式和基于遺傳算法優(yōu)化的機(jī)艙協(xié)作智能評估方法。

1 任務(wù)型虛擬機(jī)艙協(xié)作訓(xùn)練

通過完成不同的機(jī)艙協(xié)作訓(xùn)練任務(wù)，開展與航海模擬器聯(lián)動模式的任務(wù)型協(xié)作訓(xùn)練，使船員提高資源管理能力，降低發(fā)生人為事故的概率。機(jī)艙資源大致分為人力資源、能耗類資源、設(shè)備及系統(tǒng)類資源、信息類資源和環(huán)境資源等[3]。船員是否嚴(yán)格按規(guī)程操作并及時維護(hù)、保養(yǎng)船舶營運及人員生活需要的各種機(jī)艙設(shè)備和系統(tǒng)，是否能夠合理配置管理船舶航行所需的油、水、氣、電等能耗類資源，是否能實現(xiàn)機(jī)艙人員以及甲板部人員的有效溝通和協(xié)作，是否能夠及時傳遞并有效應(yīng)用數(shù)據(jù)、資料等信息類資源，特殊水域以及惡劣海況下的航行環(huán)境是否能被有效應(yīng)對，這些都能對船舶的運營的效率甚至航行安全產(chǎn)生較大的影響。

機(jī)艙資源管理側(cè)重于團(tuán)隊協(xié)作和管理，而傳統(tǒng)的輪機(jī)模擬器在團(tuán)隊協(xié)作訓(xùn)練、機(jī)艙環(huán)境的逼真度和實訓(xùn)規(guī)模等方面存在欠缺，不利于培養(yǎng)學(xué)員的情景意識和應(yīng)急管理能力，學(xué)員的角色扮演式協(xié)作訓(xùn)練在一定程度上依賴于背“腳本”。特別是缺乏實船工作經(jīng)驗的航海院校學(xué)生，訓(xùn)練的效果不夠理想。大連海事大學(xué)設(shè)計開發(fā)了更加逼真的DMS-2015系列網(wǎng)絡(luò)版三維模擬器，實現(xiàn)了機(jī)艙虛擬漫游和設(shè)

備的虛擬交互操作[4]。多名學(xué)員能夠在不同的地點通過不同的網(wǎng)絡(luò)終端登錄模擬器訓(xùn)練系統(tǒng)，選擇某項訓(xùn)練情景，組成一個團(tuán)隊進(jìn)行多角色網(wǎng)上協(xié)作訓(xùn)練，分別完成相應(yīng)的任務(wù)。這突破了必須在模擬器實訓(xùn)室輪流訓(xùn)練的限制，也節(jié)省了訓(xùn)練成本。主機(jī)艙虛擬漫游如圖1所示。

圖1 主機(jī)艙虛擬漫游Fig.1 Virtual roaming in the main engine-room

2 虛擬機(jī)艙協(xié)作智能評估

2.1 智能評估流程

智能評估首先生成評估情景知識庫和任務(wù)知識庫，特定的情景和任務(wù)確定了一個船員實操評估項目。再提取評估規(guī)則并生成規(guī)則知識庫，每一條規(guī)則都對應(yīng)著一組模擬器的狀態(tài)和操作數(shù)據(jù)。構(gòu)造評估指標(biāo)隸屬度函數(shù)庫和不同需求下的優(yōu)化目標(biāo)函數(shù)，采用熵權(quán)法和歷史評估數(shù)據(jù)動態(tài)調(diào)整評估指標(biāo)的權(quán)重并利用遺傳算法優(yōu)化。在協(xié)作訓(xùn)練過程中，實時記錄并檢測每一位學(xué)員的操作步驟和模擬器的狀態(tài)變量等相關(guān)的參數(shù)數(shù)據(jù)，并解釋相應(yīng)的評估規(guī)則，經(jīng)多重模糊綜合評判計算評估結(jié)果[5]。評估數(shù)據(jù)可用于數(shù)據(jù)挖掘和評估過程回放，實現(xiàn)評估結(jié)果的可追溯性。智能評估流程如圖2所示。

圖2 智能評估流程Fig.2 The intelligent assessment processes

2.2 駕機(jī)聯(lián)動模擬協(xié)作評估知識庫

按照公約和海船船員適任評估規(guī)范，結(jié)合專家經(jīng)驗建立了分層的樹狀結(jié)構(gòu)的機(jī)艙協(xié)作評估知識庫[6]。評估情景知識庫又分為應(yīng)急情況下協(xié)作、常規(guī)工況下協(xié)作和檢修工作中協(xié)作三個子集。除了機(jī)艙人員的協(xié)作情景，情景知識庫還包含了備車與完車、機(jī)動航行、正常航行、錨泊、靠港作業(yè)、惡劣海況、擱淺、碰撞、機(jī)艙火災(zāi)、主機(jī)故障、全船失電、舵機(jī)失靈、機(jī)艙進(jìn)水、海盜襲擊和溢油等駕機(jī)聯(lián)動模擬協(xié)作訓(xùn)練的情景。評估任務(wù)知識庫分為主機(jī)備車子集、船舶電站手動并電子集、機(jī)旁操作子集等。評估規(guī)則知識庫按機(jī)艙協(xié)作的系統(tǒng)模塊分為主機(jī)操作子集、船舶電站操作子集和燃油系統(tǒng)操作子集等。每一個訓(xùn)練情景和任務(wù)都盡可能融入情景意識保持和團(tuán)隊協(xié)作等各項要求。

評估規(guī)則是判斷評估結(jié)果的依據(jù)，由前件和后件構(gòu)成。每一條機(jī)艙協(xié)作評估規(guī)則都至少包含一個操作或一個性能參數(shù)變量。操作是學(xué)員實施任務(wù)時按照規(guī)程控制特定系統(tǒng)和設(shè)備所需的步驟，有的操作存在先后順序的要求。性能參數(shù)是操作系統(tǒng)和設(shè)備觸發(fā)事件后可能發(fā)生變化的狀態(tài)參數(shù)，每一個狀態(tài)參數(shù)都對應(yīng)一組數(shù)值或者區(qū)間，狀態(tài)參數(shù)可以預(yù)設(shè)也可以由管理人員修正設(shè)置。系統(tǒng)實時記錄學(xué)員的實際操作和系統(tǒng)的參數(shù)變化并自動檢測，根據(jù)評估規(guī)則判斷操作的符合性和準(zhǔn)確性。例如，系統(tǒng)檢測到船舶電站手動準(zhǔn)同步并車操作時未及時關(guān)閉同步表，則得出不符合操作要求的評判結(jié)果，得不到相應(yīng)的分?jǐn)?shù)。目前輪機(jī)協(xié)作訓(xùn)練相關(guān)的操作變量和性能參數(shù)變量已多達(dá)39 068個，滿足機(jī)艙協(xié)作智能評估的基本要求，能夠達(dá)到比較理想的效果。

2.3 機(jī)艙協(xié)作多重模糊綜合評判

機(jī)艙協(xié)作評估比較復(fù)雜，評估結(jié)果具有模糊性，采用模糊綜合評判法可以較好的處理模糊性的問題，得到量化的評估結(jié)果。該方法的主要步驟如下[7]：

1)構(gòu)建多層次評估指標(biāo)集。

根據(jù)協(xié)作訓(xùn)練的情景、任務(wù)和評估規(guī)則的前件確定評估指標(biāo)集U，由k個指標(biāo)組成，U=(u1，u2，…，uk)。針對一些較為復(fù)雜的過程進(jìn)行評估時，一般采用分層處理的方式將操作過程進(jìn)行再分解，形成多個相對簡單且獨立的評估過程。每一個獨立的評估過程對應(yīng)的一個評判因素子集合up(p=1，2，…，k)由q個因素組成，up=(up1，up2，…，upq)。最終的評估結(jié)果采用對多個獨立過程的評估結(jié)果的多層次加權(quán)匯總。

2)建立評估結(jié)果集。

針對評估指標(biāo)集，根據(jù)評估規(guī)則的后件建立評估結(jié)果集V=(v1，v2，…，vl)，l為評語的數(shù)量。評估的結(jié)果可以用定量的百分制評分表示，也可以用“優(yōu)、良、中、差”等定性的評語表示。

3)計算底層模糊關(guān)系矩陣。

根據(jù)隸屬度確定最底層的評估指標(biāo)集up到評估結(jié)果集上的模糊關(guān)系矩陣Rp=(rij)q×l，矩陣內(nèi)的元素均在[0，1]閉區(qū)間內(nèi)取值，表示指標(biāo)upi對結(jié)果vj的隸屬度。

4)計算和優(yōu)化指標(biāo)權(quán)重。

指標(biāo)權(quán)重是影響評估結(jié)果的重要因素，也是評估的核心步驟。根據(jù)評估指標(biāo)集U中元素的相對重要程度和評估結(jié)果數(shù)據(jù)，逐層計算各評估指標(biāo)的權(quán)重，并進(jìn)行智能優(yōu)化，得到優(yōu)化后的權(quán)重集W=(w1，w2，…，wk)，且wp=(wp1，wp2，…，wpq)。

5)單層次模糊綜合評判。

采用加權(quán)平均法即矩陣的乘法作為模糊合成運算模型，計算底層的模糊評判結(jié)果Bp=wp×Rp。如果評估的結(jié)果用定量的百分制評分表示，則底層的模糊評判結(jié)果Bp=100wp×Rp。系統(tǒng)根據(jù)操作過程和系統(tǒng)參數(shù)的檢測結(jié)果，結(jié)合相應(yīng)的隸屬度函數(shù)得出模糊關(guān)系矩陣，再采用加權(quán)平均法進(jìn)行單層次模糊綜合評判得出每個評估過程的評估結(jié)果。

6)多重模糊綜合評判。

采用加權(quán)平均法逐層對多個評判結(jié)果進(jìn)行加權(quán)匯總得出最后的評判結(jié)果S=W×BΤ，其中B=(B1，B2，…，Bk)。

2.4 構(gòu)造評估隸屬函數(shù)庫

本文主要采用專家經(jīng)驗法和模糊分布法設(shè)計了機(jī)艙協(xié)作評估的隸屬函數(shù)，有布爾型函數(shù)、嶺形函數(shù)和梯形函數(shù)等，評估結(jié)果采用百分制評分表示。

對于操作類和開關(guān)類狀態(tài)變量采用布爾型隸屬函數(shù)計算評估結(jié)果隸屬度，這類變量包括海水弦外排出閥、應(yīng)急艙底水吸入閥和主機(jī)燃油回路三通閥等各類閥門的開關(guān)狀態(tài)，燃油粘度控制模式、滑油溫度控制模式和分油機(jī)操作模式等是否選擇自動模式，燃油泵、滑油泵和分油機(jī)等是否啟動，配電板的開關(guān)是否閉合，以及是否關(guān)閉同步表等操作。隸屬函數(shù)為

(1)

式中a是狀態(tài)參數(shù)變量的期望值。

在機(jī)艙協(xié)作過程中，某些操作類和開關(guān)類狀態(tài)的變化會觸發(fā)相關(guān)參數(shù)變量的數(shù)值變化，這類運行參數(shù)變量采用升半嶺形隸屬函數(shù)計算評估結(jié)果隸屬度。比如發(fā)電機(jī)燃油入口壓力、發(fā)電機(jī)啟動空氣入口壓力和主機(jī)空氣冷卻器淡水流量等采用式(2)計算隸屬度。

A(x)=

(2)

評估操作的持續(xù)時間是每一個評估任務(wù)都有的一個特殊的評估指標(biāo)。評估操作的持續(xù)時間、燃燒室壓力、淡水發(fā)生器的壓力和艙底污水水位等變量的分布是降半嶺形分布，隸屬度表示為

A(x)=

(3)

為保證系統(tǒng)和設(shè)備的安全，大部分運行參數(shù)都有一個理想的上限和下限，高于上限值或低于下限值都不能得到最好的評估結(jié)果。這類變量的分布是中間型的梯形分布，比如船舶電站的電壓、頻率和相位，以及燃油粘度、滑油冷卻溫度和燃油泵出口壓力等，隸屬度可表示為

(4)

式中：a1、a2、a3和a4是參數(shù)變量的關(guān)鍵值，可由專家配置。

3 機(jī)艙協(xié)作評估權(quán)重的智能優(yōu)化

3.1 基于熵權(quán)法的權(quán)重向量計算

熵可以用來度量信息量的大小。熵值越小，表示指標(biāo)的變異程度越大，則該指標(biāo)攜帶和傳輸?shù)男畔⒘烤驮蕉啵瑢Q策的影響也就越大。熵權(quán)來自于評價對象集的各種評價指標(biāo)值具體的評價數(shù)據(jù)，利用機(jī)艙協(xié)作評估的大量歷史數(shù)據(jù)計算評估指標(biāo)的熵權(quán)，進(jìn)而求得權(quán)重，并可根據(jù)數(shù)據(jù)的變化對權(quán)重進(jìn)行動態(tài)調(diào)整。采用向量規(guī)范法對數(shù)據(jù)進(jìn)行無量綱化處理[8]。設(shè)評價體系有n個評價對象，每個評價對象包含m個評價指標(biāo)，該指標(biāo)體系的原始數(shù)據(jù)經(jīng)無量綱化處理后的矩陣Y=(yij)n×m?；陟貦?quán)法的權(quán)重計算步驟如下：

1)對矩陣進(jìn)行歸一化處理，歸一化的結(jié)果是Y矩陣中的列向量yij與該矩陣中所有元素之和的比值，其計算公式如下

式中：zij為歸一化后矩陣中的元素。

2)計算各評價指標(biāo)的熵值。本文采用的計算公式如下

式中：k為調(diào)節(jié)系數(shù)，k=1/lnn，因此k=0.256 9；zij為第i個評價對象第j個指標(biāo)的標(biāo)準(zhǔn)化值。

3)將評價指標(biāo)的熵值轉(zhuǎn)化為權(quán)重值：

(5)

至此，得到權(quán)重值。

3.2 基于遺傳算法的權(quán)重優(yōu)化

常用的權(quán)重確定方法有主觀賦權(quán)法和客觀賦權(quán)法兩類。指標(biāo)的權(quán)重對機(jī)艙協(xié)作的評估成績有著較大的影響，在實際的機(jī)艙協(xié)作評估中，應(yīng)根據(jù)歷史數(shù)據(jù)動態(tài)的調(diào)整指標(biāo)權(quán)重，并進(jìn)行智能優(yōu)化。權(quán)重的智能優(yōu)化步驟如下：

1)確定主觀權(quán)重向量Ws=(ws1，ws2，…，wsm)。

2)確定客觀權(quán)重向量Wo=(wo1，wo2，…，wom)。

3)根據(jù)需要采用遺傳算法優(yōu)化權(quán)重。

適任能力評估對船員的任職資格和職務(wù)晉升有著非常關(guān)鍵的影響。本文通過遺傳算法進(jìn)行非線性尋優(yōu)，采用成績的區(qū)分度來表示離差程度，通過提取最優(yōu)化目標(biāo)函數(shù)，找到離差化最小的權(quán)重，從而使得評價結(jié)果離差最小。采用主客觀偏差最小化的權(quán)重組合，可避免單一的主客觀權(quán)重影響評估結(jié)果的公平性。優(yōu)化的目標(biāo)函數(shù)F為

(6)

我國已經(jīng)舉辦了多屆中國海員技能大比武，基于輪機(jī)模擬器的癱船啟動是團(tuán)隊協(xié)作比賽項目之一，要求參賽團(tuán)隊在規(guī)定時間內(nèi)恢復(fù)主推進(jìn)裝置、鍋爐和輔機(jī)正常運轉(zhuǎn)并分析排除設(shè)置的故障。針對此類比賽性質(zhì)的評估，本文提出評估結(jié)果差異最大化的權(quán)重優(yōu)化方法，拉開評估結(jié)果的檔次。用遺傳算法進(jìn)行尋優(yōu)的目標(biāo)函數(shù)F′如下式：

(7)

0≤xj≤1

4 實例驗證及分析

以船舶離港備車這一評估情景為例，船舶即將離港，機(jī)艙值班人員接到駕駛臺要求備車的通知，輪機(jī)部團(tuán)隊人員進(jìn)入機(jī)艙備車。團(tuán)隊要完成的主要任務(wù)有與駕駛臺溝通并核對時鐘和車鐘、操作船舶電站并正常供電、舵機(jī)的檢查和對舵、滑油系統(tǒng)的檢查和操作、燃油系統(tǒng)的檢查和操作、氣動系統(tǒng)的檢查和操作、冷卻水系統(tǒng)的檢查和操作以及盤車、沖車和試車等8項任務(wù)，每一項任務(wù)又都包含一系列邏輯相關(guān)的操作過程。船舶離港備車屬于常規(guī)協(xié)作的情景之一，主要評估船舶離港備車情景下輪機(jī)部團(tuán)隊的協(xié)作、資源的分配、任務(wù)的分派和優(yōu)先排序等能力，以及團(tuán)隊人員的情景意識和實操技能。實例中的船舶離港備車評估指標(biāo)集U由8個評估指標(biāo)子集組成，U=(u1，u2，…，u8)。每一個評估指標(biāo)子集由若干個單因素組成，構(gòu)成了多級評估指標(biāo)集。隨機(jī)抽取7個協(xié)作訓(xùn)練團(tuán)隊，每一個團(tuán)隊由5名人員組成，通過虛擬機(jī)艙協(xié)作完成案例中的8個任務(wù)。采用傳統(tǒng)的百分制評分來表示評估結(jié)果，系統(tǒng)通過單層次模糊評判分別計算出7個團(tuán)隊每個任務(wù)的評分如表1所示。

表1 船舶離港備車各任務(wù)評分

由層次分析法確定船舶離港備車各任務(wù)評判的主觀權(quán)重向量，根據(jù) 3.1節(jié)中的熵權(quán)法和歷史數(shù)據(jù)庫中的數(shù)據(jù)確定客觀權(quán)重向量。采用遺傳算法分別優(yōu)化主客觀偏差最小化的組合權(quán)重和評估結(jié)果差異最大化的權(quán)重。式(6)是有約束的函數(shù)極小值尋優(yōu)問題，將其直接作為主客觀偏差最小化尋優(yōu)的適應(yīng)度函數(shù)。式(7)是有約束的函數(shù)極大值尋優(yōu)問題，將其倒數(shù)作為評估結(jié)果差異最大化尋優(yōu)的適應(yīng)度函數(shù)。遺傳算法的種群規(guī)模選擇100，交叉概率設(shè)為0.007，變異概率設(shè)為0.003，經(jīng)過500代進(jìn)化后得出優(yōu)化后的權(quán)重比例向量，進(jìn)而求得經(jīng)遺傳算法優(yōu)化后的權(quán)重[9]。評估結(jié)果主客觀偏差最小化和評估結(jié)果差異最大化尋優(yōu)的適應(yīng)度變化曲線分別如圖3和圖4所示，可知實例中遺傳算法收斂性較好，取得了較好的優(yōu)化效果。

圖3 主客觀偏差最小化適應(yīng)度曲線Fig.3 Fitness curve of minimization of subjective and objective deviation

圖4 評估結(jié)果差異最大化適應(yīng)度曲線Fig.4 Fitness curve of maximization of evaluation results deviation

評估員和教練員可以通過管理平臺選擇設(shè)置不同的賦權(quán)方法，不同賦權(quán)方法下各任務(wù)權(quán)重如表2所示。各團(tuán)隊不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估結(jié)果如表3所示，結(jié)果對比曲線如圖5所示。以不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估結(jié)果的均值作為理想值，各種方法評估結(jié)果的誤差[10]如表4所示。

分析圖5、表3和表4可知，不同權(quán)重下多重模糊綜合智能評估結(jié)果和評估員人工評估的結(jié)果對比曲線的趨勢基本一致，數(shù)據(jù)偏差也不大，說明基于專家系統(tǒng)且融合了大量專家經(jīng)驗的評估知識庫和多重模糊綜合評判模型是有效的。從各類誤差的對比可知，基于遺傳算法優(yōu)化的智能評估誤差最小，熵權(quán)法和層次分析法的誤差較大，人工評估的誤差最大。

表2 不同賦權(quán)方法下的指標(biāo)權(quán)重

表3 不同賦權(quán)方法下的智能評估結(jié)果和人工評估結(jié)果

Table 3 Results of intelligent assessment and manual assessment in different weighting method

團(tuán)隊層次分析法熵權(quán)法主客觀偏差最小化優(yōu)化評估結(jié)果差異最大化優(yōu)化人工評估182.81085.03583.55083.65788279.35678.48579.53479.69880357.07762.46759.62258.67156487.72186.61487.25287.02293561.25559.43559.79660.38563682.51583.63982.95183.22784781.72281.97582.47080.94783

表4 四種賦權(quán)方法的智能評估和人工評估誤差

Table 4 Deviation of intelligent assessment in four weighting methods and manual assessment

誤差層次分析法熵權(quán)法主客觀偏差最小化優(yōu)化評估結(jié)果差異最大化優(yōu)化人工評估平均絕對誤差0.8121.2170.6920.5912.194平均相對誤差1.1371.7620.9480.7392.877均方誤差1.0251.6730.7810.7562.614

人工評估結(jié)果存在較強(qiáng)的主觀性，相對較優(yōu)團(tuán)隊的人工評估結(jié)果明顯比系統(tǒng)智能評估的結(jié)果更好，而相對較差團(tuán)隊的人工評估結(jié)果卻比系統(tǒng)智能評估的結(jié)果更差，這可能是由于人工評估憑主觀印象放大了兩個極端結(jié)果(較好和較差)的原因。層次分析法和熵權(quán)法的部分評估結(jié)果差異較大，最大的分值差達(dá)到5.39分。單一的主觀權(quán)重難免具有一定的主觀隨意性，而單一的客觀權(quán)重又忽視了評價專家的主觀經(jīng)驗信息，都有一定的局限性?；谶z傳算法主客觀偏差最小化優(yōu)化和評估結(jié)果差異最大化優(yōu)化的兩種方法的評估結(jié)果誤差最小。經(jīng)過基于遺傳算法的主客觀偏差最小化優(yōu)化，團(tuán)隊3和團(tuán)隊5以及團(tuán)隊6和團(tuán)隊7的評估結(jié)果差異都小于0.5分。而經(jīng)過基于遺傳算法的評估結(jié)果差異最大化優(yōu)化，團(tuán)隊3和團(tuán)隊5以及團(tuán)隊6和團(tuán)隊7的評估結(jié)果差異都大于1.7分，驗證了遺傳算法優(yōu)化的有效性，這種方法更加適合用于大比武等各類比賽。

圖5 不同權(quán)重下智能評估結(jié)果和人工評估的結(jié)果對比Fig.5 Result contrast between intelligent system and manual assessment

5 結(jié)論

1)根據(jù)數(shù)據(jù)分析驗證和專家意見，本文提出的基于遺傳算法優(yōu)化的機(jī)艙協(xié)作智能評估方法比較合理，評估結(jié)果的誤差最小?？蓸?gòu)造不同需求下的優(yōu)化目標(biāo)函數(shù)并采用熵權(quán)法動態(tài)調(diào)整評估指標(biāo)的權(quán)重，應(yīng)用智能算法優(yōu)化進(jìn)一步改進(jìn)了基于輪機(jī)模擬器的評估方法。機(jī)艙協(xié)作智能評估符合機(jī)艙資源管理評估的特殊要求，可用于虛擬仿真系統(tǒng)和半實物模擬機(jī)艙的協(xié)作訓(xùn)練評估。

2)任務(wù)型虛擬協(xié)作訓(xùn)練模式和駕機(jī)聯(lián)動模擬訓(xùn)練彌補了傳統(tǒng)的輪機(jī)模擬器用于機(jī)艙資源管理培訓(xùn)的不足，對于缺少實船服務(wù)經(jīng)歷的航海院校學(xué)生具有較大的實用價值。經(jīng)參加培訓(xùn)的輪機(jī)部高級船員在局域網(wǎng)環(huán)境下使用，采用該訓(xùn)練模式和訓(xùn)練系統(tǒng)取得了比較理想的效果。這種訓(xùn)練模式得到了業(yè)內(nèi)專家的認(rèn)可，將進(jìn)一步完善后進(jìn)行推廣應(yīng)用。

3)需根據(jù)實船操作情景進(jìn)一步驗證并完善智能評估隸屬度函數(shù)，提高駕機(jī)聯(lián)動模擬訓(xùn)練情景的逼真度，提升系統(tǒng)的性能和訓(xùn)練實效。將結(jié)合應(yīng)用實踐開發(fā)駕機(jī)聯(lián)動訓(xùn)練仿真平臺，并建立基于云服務(wù)的訓(xùn)練中心，為廣大船員提供便利的協(xié)作訓(xùn)練考核和評估服務(wù)，促進(jìn)船員實操技能的交流和素質(zhì)的提高，從而促進(jìn)航運的安全、高效。

[1]中華人民共和國海事局.1978年海員培訓(xùn)、發(fā)證和值班標(biāo)準(zhǔn)國際公約馬尼拉修正案[S].大連:大連海事大學(xué)，2010.

[2]張桂臣.船舶電站實操考試自動評分系統(tǒng)的設(shè)計與實現(xiàn)[J].中國航海，2010，33(3): 27-30.

ZHANG Guichen. Design and implementation of an automatic grading system for practical examination in marine power station[J]. Navigation of China， 2010，33(3): 27-30.

[3]蔣德志，趙曉玲.基于輪機(jī)模擬器的機(jī)艙資源管理研究與實踐[J].中國航海，2011，34(1): 22-25.

JIANG Dezhi， ZHAO Xiaoling. Engine room resource management using engine room simulator[J]. Navigation of China， 2011， 34(1): 22-25.

[4]曾鴻，張均東，任光，等.船舶機(jī)艙三維視景仿真系統(tǒng)設(shè)計與實現(xiàn)[J].系統(tǒng)仿真學(xué)報，2014，26(2): 363-368.

ZENG Hong， ZHANG Jundong， REN Guang， et al. Design and implementation of marine engine room three-dimensional visual simulation system[J]. Journal of system simulation，2014， 26(2): 363-368.

[5]張巧芬，孫建波，史成軍.新型輪機(jī)仿真平臺實操考試自動評估算法[J].哈爾濱工程大學(xué)學(xué)報，2014，35(6): 725-730.

ZHANG Qiaofen， SUN Jianbo， SHI Chengjun， et al. An automatic-evaluation algorithm for the operation examination of the novel marine engine simulation platform[J]. Journal of Harbin Engineering University， 2014， 35(6): 725-730.

[6]曹輝，馬玉鑫，賈寶柱.基于模糊綜合評判的輪機(jī)模擬器智能評估系統(tǒng)[J].大連海事大學(xué)學(xué)報，2015，41(1): 104-108.

CAO Hui， MA Yuxin， JIA Baozhu. Intelligent assessment system of engine-room simulator based on fuzzy comprehensive assessment[J]. Journal of Dalian Maritime University， 2015， 41(1): 104-108.

[7]段尊雷，任光，張均東，等.船舶機(jī)艙協(xié)作式模擬訓(xùn)練智能評估[J].交通運輸工程學(xué)報，2016，16(06): 82-90.

DUAN Zunlei， REN Guang， ZHANG Jundong， et al. Intelligent assessment for collaborative simulation training in ship engine room[J].Journal of traffic and transportation engineering，2016，16(06): 82-90.

[8]張占安，蔡興國.采用熵理論確定抽水蓄能容量[J].電機(jī)與控制學(xué)報，2014，18(3): 34-38.

ZHANG Zhan′an， CAI Xingguo. Determination of pumped storage capacity based on entropy[J]. Electric machines and control， 2014，18(3): 34-38.

[9]何燕平，何輝，張筱磊.遺傳算法中群體多樣性評價指標(biāo)的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報，2009，41(3): 67-70.

HE Yanping， HE Hui， ZHANG Xiaolei. Evaluation index of population diversity in genetic algorithm[J].Journal of Harbin Institute of Technology， 2009， 41(3): 67-70.

[10]閆濱.大壩安全監(jiān)控及評價的智能神經(jīng)網(wǎng)絡(luò)模型研究[D].大連理工大學(xué)，2006:31-32. YAN Bin. Study of intelligent neural network model for dam safety monitoring and safety evaluation[D]. Dalian :Dalian University of Technology， 2006:31-32.

Intelligent assessment of virtual engine room collaboration based on genetic algorithm optimization

DUAN Zunlei1，2， REN Guang1， CAO Hui1， YAO Wenlong3

(1. School of Marine Engineering， Dalian Maritime University， Dalian 116026， China; 2. Seafarers Examination Center, Liaoning Maritime Safety Administration, Dalian 116001, China; 3. School of Automation， Qingdao University of Science and Technology， Qingdao 266041， China)

To meet the special requirements of engine room resource management and address the deficiencies of the traditional engine room simulator， we propose a mission-based collaborative training mode and an intelligent assessment method based on genetic algorithm. The proposed method involves building the assessment knowledge base of linkage simulation between the ship bridge and the engine room， constructing an evaluation index membership function library and the optimization target functions for different requirements， and dynamically adjusting weights using the entropy weight method and the historical assessment data. The weights are then optimized with genetic algorithm. In addition， this method obtains the fuzzy relationship matrix based on the checking results of the system parameters in real time， as well as the membership functions， and obtains assessment results by multiple fuzzy comprehensive evaluations. We comparatively analyzed the effect of this genetic algorithm optimization in an example and confirmed the assessment results to be objective and having the least error. The proposed training mode and assessment method are scientific and reasonable， and they have practical value for marine college students， especially for those who lack seagoing service experience.

genetic algorithm; engine room; resource management; collaboration; intelligent assessment; membership functions; engine room resource

2015-12-04.

日期：2017-03-17.

國家自然科學(xué)基金項目(51479017); 中央高?；究蒲袠I(yè)務(wù)費專項資金項目(3132016316).

段尊雷(1981-)，男，博士研究生； 任光(1952-)，男，教授，博士生導(dǎo)師．

段尊雷，E-mail：admudzl@163.com.

10.11990/jheu.201512044

U676.2

A

1006-7043(2017)04-0514-07

段尊雷， 任光， 曹輝，等.基于遺傳算法優(yōu)化的虛擬機(jī)艙協(xié)作智能評估[J]. 哈爾濱工程大學(xué)學(xué)報， 2017， 38(4): 514-520.

DUAN Zunlei， REN Guang， CAO Hui， et al.Intelligent assessment of virtual engine room collaboration based on genetic algorithm optimization[J]. Journal of Harbin Engineering University， 2017， 38(4): 514-520.

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/23.1390.u.20170317.1938.022.html