1.基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，该方法包含一种改进的蚁群算法—惩罚信息素蚁群算法，具体包含以下步骤：T1：采用强化学习原理对船舶进行惩罚信息素策略：每只船舶在栅格地图上从起始点出发，依据当前信息素浓度选择下一步移动的位置；若船舶遇到不可行路径或死胡同时，记录此路径，并在该路径上释放惩罚信息素，数量根据设定的惩罚强度而定；更新地图信息，将惩罚信息素的影响反映在船舶未来的路径选择中；

T2：设计并应用三种启发函数：距离启发式函数，计算每个可选路径节点至目标节点的直线距离，作为选择该节点的依据；变向启发函数，依据船舶当前航向与选择路径节点后新航向的夹角，计算转向成本，优先选择转向成本较低的路径；风险启发函数，检查每个可选路径节点周围的障碍物数量，优先选择障碍物较少的路径；

T3：对模拟海洋环境中的中尺度涡旋和流体动力环境因素进行建模，将这些模型整合到启发函数中，每次船舶在选择下一步行动时，综合考虑这些环境因素对路径的影响；

T4：执行全局信息素更新机制：在每次迭代结束后，根据本次迭代中所有船舶的路径选择情况，更新引导信息素，增加指向优质路径的信息素浓度，减少指向较差路径的信息素浓度；对于标记有惩罚信息素的路径，增加其信息素浓度，以反映这些路径的不可行性或低效率；

T5：更新状态转移规则，具体为：根据当前节点的信息素浓度及启发函数值计算船舶从当前节点移动到每一个可能节点的概率；对每一只船舶，基于上述计算的概率随机选择下一步移动的节点；此状态转移规则考虑了引导信息素和惩罚信息素，以及距离、变向和风险启发函数的影响，确保船舶在搜索过程中能够更有效率地找到优质路径，并避免不可行或低效率路径。

2.根据权利要求1所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T2中所述的距离启发式函数的具体计算公式为：其中，ηij为当前节点到下一步可选点之间的距离的倒数，dij为当前节点i到可选节点j的距离，dje为可选节点j到目标点e的距离，x和y代表节点的坐标。

3.根据权利要求2所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T2中所述的变向启发函数用于减少船舶变向以节省油量的方法，具体包括以下属性：W1：在船舶行驶过程中，通过控制船舶行驶方向以减少变向次数，保证船舶尽可能地在一条直线上行驶，从而减少因频繁改变航向而增加的油量消耗；

W2：在栅格地图中定义船舶的行驶方向为8个方向，船舶在栅格地图中移动变化的方向角度包括0°、45°、90°、135°；

W3：变向启发函数的计算公式为：

其中，η变向(t)为变向启发函数，θ为节点i移动到节点j时的角度差值；

W4：该变向启发函数用于优化船舶的行驶路径，通过减少船舶航向的大幅度变化，以实现油量消耗的减少和航行效率的提高。

4.根据权利要求3所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T2中所述的风险启发函数用于规避障碍物，具体包括以下属性：U1：在船舶行驶过程中，通过评估并避免路径上的障碍物，确保船舶尽可能地在开阔的水域中进行行驶，从而提高航行的安全性；

U2：当船舶在栅格地图中运行过程时，需要评估其周围8个栅格中的危险区域数量和位置；

U3：风险启发函数为：

U4：通过该风险启发函数，算法能够有效地识别并避免路径上的障碍物，优化航线选择，以减少潜在的碰撞风险，提高航行的安全性和效率。

5.根据权利要求4所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T3中所述的中尺度涡旋效应采用构建旋转速度场的方式来表示涡旋，其计算公式为：ε＝1e‑6    (8)

其中，η涡旋(t)为中尺度涡旋启发函数，Qs为涡旋因子，dis为船舶当前位置与涡旋中心的位置，ε表示为一个极小的正值，xi和yi为当前节点的横坐标和纵坐标，xs和ys为涡旋中心的横坐标和纵坐标。

6.根据权利要求5所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T3中所述流体动力环境的影响具体包含以下步骤：S1：在水池条件下对流体动力环境因素进行模拟计算，计算函数为：其中，τcurrent为船舶受流体动力干扰力矢量，ρo为海水密度，AFC和ALc分别为水下流体的正投影和侧投影面积，CXc和CYc分别为流体动力沿X方向和Y方向的负荷系数，γrc为流体运动方向与船舶夹角，Vrc为流体对于船舶的相对速度；

S2：计算船舶所受的流体合力：

S3：船舶失速矢量与流体动力的关系为：

其中，Mship为船舶的质量， 表示船舶在流体动力影响下产生的失速矢量；

S4：船舶为了避免失速，需要尽可能与流体动力方向一致，失速启发函数为：其中，η失速(t)为失速启发函数，V为海流速度，V′为船舶速度， 为海流与船舶航向间的夹角， 为失速矢量的最大值；

S5：最终得到的算法启发式函数为：

其中：

αm+βm＝1    (15)

其中，αm与βm为权重因子，ω1‑ω4为阈值。

7.根据权利要求1所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T4中所述全局信息素的计算公式为：引导信息素为：

τij(t+1)＝(1‑ρ)·τij(t)+ρ·Δτij(r)    (16)惩罚信息素的计算公式为：

根据引导信息素和惩罚信息素的定义，全局信息素的计算公式为：其中，ρ为信息素蒸发系数，Δτij(t)为在i点到j点上释放出的信息素的和， 为i点到j点上的信息素增量，Lk为船舶k经过的路径长度，Q为信息素增量系数， 为惩罚信息素。

8.根据权利要求2所述的基于惩罚信息素蚁群算法的船舶路径规划方法，其特征在于，步骤T5中状态转移规则更新为：其中， 为船舶k从栅格i移动到栅格j的概率，α为信息素启发因子，β为启发函数因子，Nk为船舶下一步可到达的点的集合。