摘 要

近年来，标志着国际航运业的经济性指标（BDI）不断下滑，全球国际航运贸易量的大为减少。为了适应当前的市场环境，航运公司越来越重视船舶的营运经济性问题。在货运量等相关条件已知的情况下，考虑货运市场、通航环境等相关影响因素，研究如何提供航速指导使得航次运输完成时达到经济效益最大化对航运企业运营具有重要实际指导意义。

本文以长江干线航运为研究对象。以一定时间间隔选取油耗数据和航程数据，计算单位时间的油耗和平均航速，利用神经网络曲线拟合的方法求取油耗、航速与转速关系，构建航速-转速-油耗预测模型，并探究船舶运营效益优化模型，利用模式搜索算法对模型进行优化求解，最终计算出最大收益和与之对应的理论营运航速。利用“新长江25012”轮第1906航次第6航段数据为基础训练得到油耗预测模型，对1818航次的库区航行油耗进行印证。通过油耗预测模型预测，在单右机722转每分下运行，每分钟油耗为0.761升，则预测总油耗为1571.49升，预测误差为2.9%。油耗预测模型结果良好。将1906航次报表数据带入优化模型进行计算，得到收益差约4万元。根据航次报表的数据，由于数据缺失造成的成本差约为3.5万元（包括900公里航行里程的燃料、润料成本、约6航行天的固定成本、港口费、税金等）。考虑到优化带来的效益提升和预测结果误差，0.5万元左右的差异在合理范围内，说明效益优化模型结果具有合理性。研究结果表明：优化后的理论最优航速符合实际，可有效增加营运航次收入，效益优化模型结果在一定误差范围内具有合理性。

本文所研究的船舶效益优化模型具有智能化、方便快捷和适用范围广等特点。可根据实船数据对某一船舶进行具体优化分析，提供理论最佳营运航速指导船舶生产，进而提高船舶航次收益。

关键词：内河航运；船舶效益；神经网络算法；模式搜索；航速优化

Abstract

In recent years, it has marked a decline in the economic indicators (BDI) of the international shipping industry, and the global international shipping trade has been greatly reduced. In order to adapt to the current market environment, shipping companies are paying more and more attention to the economics of ship operations. In the case of known conditions such as freight volume, considering the relevant influencing factors such as freight market and navigation environment, it is of great practical significance to study how to provide speed guidance to maximize the economic benefits when the voyage transportation is completed.

This paper takes the Yangtze River trunk shipping as the research object. The fuel consumption data and the voyage data are selected at regular intervals to calculate the fuel consumption per unit time and the average speed. The neural network curve fitting method is used to obtain the relationship between fuel consumption, speed and speed, and the speed-speed-fuel consumption prediction model is constructed, and the ship operation is explored. The benefit optimization model uses the pattern search algorithm to optimize the model, and finally calculates the maximum benefit and the corresponding theoretical operating speed. Based on the data of the 6th voyage of the 1906th voyage of the 'New Yangtze River 25012', the fuel consumption prediction model was obtained, and the fuel consumption of the 1818 voyage was verified. According to the fuel consumption prediction model, the fuel consumption per minute is 0.761 liters in a single right machine with 722 rpm, and the total fuel consumption is predicted to be 1571.49 liters with a prediction error of 2.9%. The fuel consumption prediction model has good results. The 1906 voyage report data was brought into the optimization model for calculation, and the difference in income was about 40,000 yuan. According to the data of the voyage report, the cost difference due to the lack of data is about 35,000 yuan (including fuel for 900 kilometers of sailing mileage, cost of lubricants, fixed cost of about 6 sailing days, port fees, taxes, etc.). Taking into account the benefits of optimization and the error of forecasting results, the difference of about 5,000 yuan is within a reasonable range, indicating that the results of the benefit optimization model are reasonable. The research results show that the optimized theoretical optimal speed is in line with the actual situation, which can effectively increase the operating voyage income, and the benefit optimization model results are reasonable within a certain error range.

The ship benefit optimization model studied in this paper is characterized by intelligence, convenience, and wide application range. According to the actual ship data, a specific optimization analysis can be carried out on a certain ship, and the theoretical optimal operating speed can be provided to guide the ship production, thereby improving the voyage revenue of the ship.

Key Words：Inland navigation; ship efficiency; neural network algorithm; pattern search; speed optimization

目 录

摘 要 I

Abstract II

目 录 IV

第1章 绪论 1

1.1 研究背景及目的意义 1

1.1.1 研究背景 1

1.1.2 研究目的和意义 2

1.2 国内外研究现状 2

1.2.1 经济航速分析研究 2

1.2.2 智能算法研究 3

1.3 研究内容 4

1.4 研究方法及技术路线 5

1.4.1 神经网络算法 6

1.4.2 模式搜索算法 6

第2章 构建基于BP神经网络算法的油耗预测模型 7

2.1 模型研究对象 7

2.2 构建基本求解方程 7

2.3 对原始数据进行预处理 8

2.4 计算单位时间内的耗油差 8

2.5 计算平均航速 9

2.6 构建基于BP神经网络的油耗模型 10

第3章 基于模式搜索算法的船舶营运效益优化 11

3.1 船舶营运效益优化分析 11

3.2 构建船舶营运效益优化模型 13

第4章 对模型的验证与分析 14

4.1油耗模型预测结果 14

4.1.1 “新长江25012”第1906航次概况 14

4.1.2 “新长江25012”第1906航次油耗建模 15

4.1.3 “新长江25012”第1906航次与第1818航次对比 20

4.2 效益模型优化结果 20

第5章 总结与展望 21

5.1 结论 21

5.2 不足与展望 22

5.2.1 现有模型的不足之处 22

5.2.2 后续工作重点 22

参考文献 23

致 谢 25

第1章 绪论

1.1 研究背景及目的意义

1.1.1 研究背景

航运界通常用波罗的海干散货运价指数（BDI）来衡量航运业市场行情的状况。受到2008年金融危机的影响，海上货运需求量大幅减少；同时造成国际油价大幅上涨，增加了船舶营运成本，使BDI指数在2008年5月20日达到最高值后斗转直下，跌至较低水平，至今仍处于相对低迷的状态（如图1.1）。

图1.1 波罗的海干散货运价指数（截止2019年5月20日）

图源:国际船舶网http://www.eworldship.com/app/data

在目前航运业整体不景气的环境下，诸多航运企业都在努力探寻能够有效降低经营成本、提高航次效益的方法，以提高经营利润，使公司在目前的环境下正常运转和盈利。

航运企业降低船舶营运成本，提高航次效益的方法主要有以下三种：（1）根据单船主机油耗和功率之间的关系，综合确定最优航速和较低油耗成本，以此作为经济航速指导船舶运行；（2）根据航次线路规划和挂靠港计划，来制定最优航线和航次计划，在有限的船舶数量下，提高利用率，增加营运收益；（3）在设计制造船舶过程中，通过科学合理的设计，减少船型阻力，进而减少油耗，降低营运成本。

1.1.2 研究目的和意义

船舶航行过程中，油耗成本占航次输成本的比例最大（约为5%-30%）。由于船舶航速与主机功率之间大致呈3次方关系，当船速提高时，主机功率增大大，燃油消耗量随之增加，进而增加了油耗成本。当运费率和航次计划确定时，航速是唯一可变量。因此船舶常常适当降低航行速度，从而减少油耗，降低油耗成本。

然而，由于降速航行会导致航行时间增加，可能无法及时到港，随之产生滞期费用等，增加运营成本，因此这一办法只适用于船期相对宽松的情况。同时，主机出厂时都有推荐转速区间，若航行速度过低，主机长期在较低转速下运行，会加剧主机损耗，产生维修费用，增加固定成本。

在已知航次安排和船舶运行状态的情况下，综合考虑航运市场、通航环境等影响因素，研究如何提供一种最佳营运航速，使得在该航速的指导下，航次营运收入实现最大化，对航运企业的经营具有重要意义。本文旨在研究一种航速优化方案，在速度和油耗之间找到一个合理的平衡点，以达到在不会影响船期的情况下，船舶使用该航速航行时，最大程度的降低燃油费，从而达到降低成本、提高航运公司利润的目的。

1.2 国内外研究现状

1.2.1 经济航速分析研究

国内外在较长一段时间内对经济航速研究较少，但自2008年波罗的海干散货运价指数大幅下跌，航运市场不景气以来，航运企业越来越重视船舶的营运效益优化，其中就包括通过优化营运航速来提高航次收益。同时，随着可持续发展战略的全面推动实施，船舶营运的环保性也越来越被重视。

蔡薇、万淑乔等^[1]结合海工辅助型船舶特征，综合考虑经济、环境和技术因素，采用多目标优化的方法求得经济航速。魏鹏^[2]在确定航行计划和连续航行的前提下，建立经济航速模型，并采用外惩罚函数和鲍威尔算法进行优化求解。陈璐^[3]以对深水环保船为研究对象,结合经济性、技术性和环境性，建立了一种多目标优化模型，确定船舶的推荐航速,并且通过开发经济航速计算软件,为实现船舶的智能化航行提供了有效的途径。徐延军、王敏建^[4]立了一个基于能效管理的船舶经济航速决策系统。于见海^[5]结合不定期船舶营运特点，在确定的航线和航速范围内，将航速离散化处理，建立了基于航速优化的不定期船舶调度模型，并采用启发式算法对模型进行求解。刘美坤^[6]结合灵便型船舶特征，在一定的航速范围内,建立在每个航次有多个航速可以选择的船舶调度模型，并采取模拟退火算法对模型进行求解。张贲^[7]以远洋船舶为研究对象，同时考虑经济性和节能性，采用数据挖掘技术和数据预处理技术得到有效实船数据，通过机器学习算法训练建立对应船舶的模型，通过新型演化算法对关系模型的结构参数进行寻优运算。沈文胜^[8]参考汽车油耗研究，建立了船舶理论油耗模型，对前人研究进行分析和优化，采用动态优化方法建立了长江船舶经济航速数学模型。Andrea Coraddu、Luca Oneto等^[9]比较了三种不同的燃料消耗预测方法，基于船载自动化系统测量的数据，研究了预测燃料消耗和为实际操作中船舶最优航速提供最佳价值的问题。Kjetil Fagerholt;、Marielle Christiansen等^[10]以不定期船为研究对象，采用蒙特卡罗仿真算法，构建了基于航速优化的决策支持系统，应用于短期航线的船舶调度问题。M. Wen、D. Pacino等^[11]研究了时间，成本和环境目标下的多船航线和速度优化问题，开发了一种分支和价格算法以及约束规划模型，该模型以燃料消耗作为有效载荷的函数，燃料价格和运费作为显式输入，替代目标函数是最小总行程持续时间，最小总成本和最小排放。阐明在操作层面上船速优化方面的一些重要问题，并为单船设置中的一系列路径场景开发优化船速的模型。Harilaos N. Psaraftis、Christos A. Kontovas^[12]阐明在操作层面上船速优化方面的一些重要问题，将一些基本参数和其他考虑因素纳入船东或承租人的速度决定及其路线决策中，为单船设置中的一系列路径场景开发问题建立了优化船速的模型。Zhijia Tan、Yadong Wang^[13]等结合非同一流量流速和不确定的大坝运输时间的影响，提出了单一内陆航运服务的联合船期表设计和航行速度优化问题，并针对所提出的问题开发了双目标规划模型，以同时满足最小化总燃料消耗和服务水平约束下的船舶往返时间要求。

可以看出，现有研究存在以下局限性：（1）多围绕海运班轮航线规划、航队规划、船队调度等传统问题开展，针对内河航运船舶的相关研究较少；（2）研究方法多采用传统的统计、优化、理论模型等方法展开，大数据、智能算法等先进方法的应用较少。

1.2.2 智能算法研究

本文主要运用了神经网络算法中的BP神经网络算法和启发式算法中的模式搜索算法。这两种智能算法的研究目前正处于不断地优化和完善过程中，现已取得一定的研究和应用成果。

侯秀颖^[14]结合HL项目的供应商特点，确定BP神经网络输入层评选指标和输出层数值，并对样本进行训练，建立了一个供应商评选模型，运用于HL项目供应商评选工作。王根深^[15]基于BP神经网络构建的叶绿素浓度反演模型，采用遗传算法对BP神经网络初始参数进行优化，为基于BP神经网络的水色遥感的研究提供了理论支持。李上潮^[16]建立了一套评价指标体系，并在此基础上构建了基于BP神经网络的综合型水利工程项目风险评价模型,进而对总体风险开展评价，为水利工程项目风险评价进一步提供了理论支持。余楚波^[17]系统分析了Map-Reduce框架的特征、工作流程和系统原理，并利用BP神经网络算法修改Map-Reduce的参数配置，以优化系统能耗。张小利^[18]在经典模式搜索及其子空间技巧的基础上，为充分的利用已有局部数据，引入参数M,并控制迭代后的延伸搜索，达到预期目标。张东升^[19]在模式搜索法和遗传算法的基础上，研究得到一种低维模式搜索进化算法，并运用到具有盒式约束的全局优化问题中。赵娜^[20]将在非线性的最小二乘问题和具有线性不等约束的极大、极小问题中应用了模式搜索算法。

1.3 研究内容

本文以长江干线航运为重点研究对象，利用智能算法求取油耗与航速（转速）关系，以此为基础构建内河船舶运营效益优化模型，并对模型进行求解，最后将“新长江06007”轮第1906航次相关的航行数据带入模型，求出理论结果，与实际情况进行对比验证。主要内容包括：

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：