CN101789093A - 一种集装箱码头泊位与岸桥分配方法 - Google Patents

Abstract

本发明提供一种集装箱码头泊位与岸桥分配方法，采用滚动式计划的分配方法，构建了基于多目标规划的泊位与岸桥分配模型，模型以连续岸壁线为基础，使其更加接近码头实际的泊位情况；采用基于启发式算法和并行遗传算法相结合的混合算法，通过一个集装箱码头泊位与岸桥分配仿真系统评估混合算法的性能，当产生一种泊位与岸桥分配方案后，仿真系统对其进行模拟，并得出相应的性能指标，并与别的方案比较，以确定该方案是否较优；采用仿真和基因修复技术相结合的方法，用于修复不可行的方案，有利于降低船舶在港时间、装卸船时的水平运输距离、岸桥能耗，以及码头赔付给船方的罚款，进而降低码头装卸成本，提高码头服务质量，实现本发明的目的。

Description

一种集装箱码头泊位与岸桥分配方法

技术领域

本发明涉及一种集装箱码头泊位与岸桥分配方法，特别涉及一种通过建立集装箱码头泊位与岸桥分配模型和优化算法实现集装箱码头泊位与岸桥分配的方法。

背景技术

随着经济全球化进程的加快，越来越多的生产经营活动和资源配置过程在整个世界范围内进行，现代港口在社会经济发展中的作用与地位也由此发生了深刻的变化，港口成为一个国家经济能否有效地参与经济全球化并保持在国际竞争中主导地位的重要依托。

港口作为物流系统中的重要节点，是远洋、内河船舶以及内陆运输(卡车和火车)的枢纽。港口地区汇集有货主、货运代理、船东、船舶代理、商品批发零售、包装公司、陆上运输公司、海关、商检等各种机构。港口不仅是不同运输方式汇集的关键节点，而且也是各种信息、经济和技术的汇集点。现代集装箱码头已从纯粹的运输中心(运输+转运+存储)发展为配送中心(运输+转运+存储+拆装箱+仓储管理+加工)，再发展为如今的综合物流中心(运输+转运+存储+拆装箱+仓储管理+加工十信息处理)。现在集装箱码头已经成为一个集商品流、资金流、技术流、信息流、人才流于一体物流中心。

凭借规模化的集散能力，集装箱码头最有可能成为整个物流链的枢纽和增值服务中心。集装箱码头物流是海洋运输的起点与终点，是海陆货物运输的重要节点，在整个运输链中是货物最大的集散地。集装箱码头是国际贸易中的服务基地和货物物流的分配中心，是货物和航运业的信息中心。集装箱码头地理位置得天独厚，通常位于经济、贸易、金融、信息较为发达的城市，为综合物流的大量生成与发展提供了有利支撑。

近年来，我国集装箱码头伴随着集装箱运量的增加，其吞吐量也得到了较快地增长，取得了骄人的成绩，但其生产组织技术与吞吐量增加的矛盾日益突出，主要表现如下：

(1)码头通过能力不足；由于土地资源越来越昂贵，码头不可能无限制的扩大占地面积，因此在现有的码头土地规模下，随着集装箱运量的日益增加，其设计的通过能力就显得愈发不足。

(2)码头管理水平较低；我国集装箱码头堆场管理大部分还是属于经验管理，但随着码头吞吐量的增加和到港船舶数量的增加，以及到港船舶的大型化趋势，以前的经验管理方式许多已不适用。

(3)码头装卸成本较高；由于我国集装箱码头基本上还是靠人工管理，集装箱在堆场中的位置并不是最佳，且设备调度可能不合理，从而导致集装箱装卸作业时，设备移动距离较长，翻箱率较高，从而导致了码头装卸成本较高。

(4)计算机自动决策水平较低；我国集装箱码头中堆场计划、道口选位、船舶配载、作业线调度等需要决策的功能基本都是靠人工来完成的，计算机在其中只起到了辅助管理的作用，这在吞吐量较低，来港船舶的较少的情况下，还能适应，但随着吞吐量和来港船舶的增加，以及港船舶的大型化趋势下，再用人工方式将可能导致决策时间较长、决策结果不佳等问题，从而造成船舶在港时间较长，码头服务质量不高等问题。

在集装箱码头，现实中的经济原因引发许多重要的决策问题，这些决策问题可以被区分为三个层面：战略层面、战术层面和操作层面。战略层面主要是决定集装箱码头的位置、规划和建筑；这个层面的决策计划范围可以跨越几十年，这些决策将直接决定一个港口的成败。战术层面的决策将决定许多约束条件(例如设备类型和数量，堆存策略)；这些决策反过来也将约束短期操作层面的问题(例如到达船舶泊位分配)。集装箱码头的战略计划是非常重要且具有长远意义，但是决策的质量常取决于很多不确定因素，例如经济发展，地理环境，战争和技术进步。因此，对操作层面的研究在目前来讲是比较有实用价值的。泊位分配问题是在船舶达到港口后遇到的一个非常重要的计划问题，它对整个码头的操作效率和吞吐量都起着非常重要的影响。

到目前为止，许多国内外的研究者已经提出了许多解决集装箱码头泊位与岸桥分配问题的策略。在泊位分配方面，Imai等人在2001年探求了1种基于离散泊位的动态泊位分配方法，以减小船舶接受服务的时间；2005年，Imai等人探求了1种基于连续泊位的动态泊位分配方法；2007年，Imai等人又采用线性规划的方法探求了针对大型集装箱船舶的泊位分配方法；2008年，Imai等人还研究了有限岸桥能力的情况下，多用户集装箱码头的泊位分配问题。相似的，Park等人、Kim等人和Dai等人分别在2002、2003和2004年用模拟退火算法研究了使船舶离港被耽搁时间最短的泊位分配方法。他们2人还在2002年共同采用亚梯度算法，研究了相应的泊位分配方法。Guan等人在2002年设计了1种启发式算法来处理泊位分配问题，以使船舶在港时间最短。苌道方等人在2008年设计了1种启发式和仿真相结合的方法，来求解堆场与泊位分配相结合的问题。另外，2001年，Legato等人采用排队论，研究了船舶到达、靠泊和离开的问题。

在泊位与岸桥分配相结合方面，Peterkofsky等人在1990年，提出了1种静态岸桥调度策略，以使船舶到港和离港耽搁成本最小。2003年，Park等人，综合研究了泊位和岸桥分配的问题，以使船舶耽搁成本最小。更进一步，Lee等人在2006年采用遗传算法，在考虑岸桥效率的基础上，研究了离散泊位的分配问题。相似的，zhou等人在2008年研究了一种在随机环境下的泊位与岸桥分配模型，以最小化船舶在港等待时间。Liang等人在2009年采用进化算法研究了泊位计划中的岸桥调度问题。同时，Meisel等人研究了2种亚启发式算法，解决在考虑岸桥效率情况下的泊位分配问题。

从以上分析可以看出，这些研究都有存在着一些缺陷，如下所示：

1、大量的研究都是从效率的角度出发，未将能耗最小化作为优化的目标；

2、由于泊位与岸桥分配问题的NP性，这些研究中仍然缺乏有效的求解方法。

发明内容

本发明的目的在于提供一种集装箱码头泊位与岸桥分配方法，针对上述现有技术中所存在的问题和需要解决的问题，为每条船安排靠泊位置、靠泊时间、岸桥配置数量和每台岸桥的装卸量，能够很好降低码头能耗和成本，提高服务质量。

本发明所解决的技术问题可以采用以下技术方案来实现：

一种集装箱码头泊位与岸桥分配方法，其特征在于，它包括如下步骤：

(1)通过滚动式计划的分配方式构建基于多目标规划的集装箱码头泊位与岸桥的分配模型；

(2)采用基于启发式算法和并行遗传算法相结合的混合算法产生集装箱码头泊位与岸桥的分配模型中相应的集装箱码头泊位与岸桥的分配方案；

(3)通过仿真系统对混合算法产生的相应的集装箱码头泊位与岸桥的分配方案进行模拟，得出相应的性能指标，并与产生的其他方案进行比较，得出最优的分配方案。

在本发明的一个实施例中，所述仿真系统通过仿真和基因修复技术相结合的方法修复混合算法产生的不可行的集装箱码头泊位与岸桥的分配方案。

在本发明的一个实施例中，所述滚动式计划的分配方式综合考虑了未来连续几天的船舶到港信息，所述滚动式计划的分配方式的分配周期为3天，共6个时段，每个时段为12小时。

进一步，所述时段的具体时间为9:00～21:00，21:00～9:00。

在本发明的一个实施例中，所述多目标规划包括最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和、最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和及最小化整个决策周期内所有船舶的岸桥装卸能耗总和。

进一步，所述最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和的目标函数为

$f_1=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}|x_{\mathrm{it}}-x_{\mathrm{it}}^{*}|$

式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，x_it为时段t内的船舶i的靠泊位置，x_it ^*为时段t内的船舶i的最佳考泊位置。

进一步，所述最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和的目标函数为

$f_2=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(\begin{array}{c}{C}_{\mathrm{it}}^a\·\mathrm{Max}(0,y_{\mathrm{it}}-{\mathrm{AT}}_{\mathrm{it}})+\\ C_{\mathrm{it}}^d\·\mathrm{Max}(0,y_{\mathrm{it}}+\underset{\{k=\mathrm{1,2}...,q\}}{\mathrm{Max}}({A_k}^{\mathrm{it}}\·{{\mathrm{qs}}_k}^{\mathrm{it}}/\mathrm{\η}+{{\mathrm{qn}}_k}^{\mathrm{it}}/\mathrm{\η})-{\mathrm{DT}}_{\mathrm{it}})\end{array}\right)$

其中，公式是分配给时段t内的船舶i的岸桥的最晚完成时间；式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，C_it ^a为时段t内的船舶i的靠泊耽搁成本，C_it ^d为时段t内的船舶i的离港耽搁成本，y_it为时段t内的船舶i的靠泊时间，AT_it为时段t内的船舶i的预计到港时间，qs_k ^it为岸桥k在y_it时刻的剩余装卸量，qn_k ^it为时段t内的船舶i分配给岸桥k的装卸量，η为每台岸桥的生产效率，即完成1次装卸所需的时间，DT_it为时段t内的船舶i的预计离港时间，

进一步，所述最小化整个决策周期内所有船舶的岸桥装卸能耗总和的目标函数为

$f_3=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\underset{k=1}{\overset{q}{\mathrm{\Σ}}}({{\mathrm{qn}}_k}^{\mathrm{it}}\·(\mathrm{\η}/{\left(q_{\mathrm{it}}\right)}^g)\·C_{\mathrm{qe}}^w)$

其中，

式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，q为码头内的实际岸桥数，qn_k ^it为时段t内的船舶i分配给岸桥k的装卸量，q_it ^*为时段t内的船舶i的最佳岸桥分配数，g为多台岸桥同时装卸同一条船时的相互干扰系数，C_qe ^w为每台岸桥单位时间内的能耗。

进一步，所述多目标规划的多目标函数为

f₄＝Min{ω₁·f₁，ω₂·f₂，ω₃·f₃}

式中，ω1、ω2和ω3分别是最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和、最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和及最小化整个决策周期内所有船舶的岸桥装卸能耗总和的目标函数的权重。

在本发明的一个实施例中，所述启发式算法包括如下步骤：

(1)更新当前决策周期DP，设t＝1；

(2)如果t≤DP，进入步骤(3)；否则，结束计算；

(3)获取时段t内的所有船舶，并将其按到港顺序排序；N_t是这些船舶的数量，i表示每一条船，设i＝1；

(4)如果i≤N_t，进入步骤(5)；否则令t＝t+1，再进入步骤(2)；

(5)如果存在空闲的泊位，且长度大于等于l_it(l_it包括了船舶本身的长度和与相邻船舶的安全距离)，进入步骤(6)；否则，进入步骤(7)；

(6)求解公式Min|x_it-x_it ^*|为时段t内的船舶i分配到其最佳考泊位置的泊位，进而进入步骤(8)；

(7)为时段t内的船舶i随机分配靠泊位置x_it，再进入步骤(8)；

(8)为时段t内的船舶i随机计划靠泊时间，靠泊时间必须大于AT_it(AT_it是时段t内的船舶i的预计到港时间)，且当该船的考泊位置与别的船舶的考泊位置交叉时，其靠泊时间不能交叉；

(9)计算公式

计算时段t内的船舶i所需的岸桥数q_it；

(10)计算每台岸桥的剩余装卸量qs_k ^it，其中qs_k ^it是y_it时刻岸桥k的剩余装卸量；为时段t内的船舶i分配q_it台岸桥，这些岸桥不能与别的船舶的岸桥交叉，且这些岸桥的剩余工作量要小于那些不交叉又未被安排给船舶i的岸桥的剩余工作量；如果岸桥k被选中，A_k ^it＝1；否则A_k ^it＝0；

(11)计算公式

为时段t内的船舶i的岸桥k分配装卸量；

(12)令i＝i+1，再进入步骤(4)。

在本发明的一个实施例中，所述并行遗传算法的编码方式为采用不同的染色体代表分配周期内的不同计划时段。

在本发明的一个实施例中，所述基因修复技术包括如下：

(1)如果时段t内的船舶i的靠泊位置可行，但靠泊时间超出了[AT_it，DT_it]的范围，则采用启发式算法予以修复，从而产生1个可行的靠泊时间；

(2)如果时段t内的船舶i的靠泊时间可行，但靠泊位置超出了[l_it/2，L-l_it/2]的范围，则采用启发式算法中予以修复，进而产生可行的靠泊位置；

(3)如果时段t内的船舶i的靠泊位置与靠泊时间与别的船舶重叠，则计算重叠位置处，最晚离开船舶的离泊时间。如果该时间超过时段t内的船舶i的靠泊时间1/10PT_it，则采用启发式算法予以修复，进而产生可行的靠泊位置与靠泊时间；否则采用启发式算法的步骤8赖调整靠泊时间。其中PT_it＝DT_it-AT_it；

(4)如果时段t内的船舶i的所分配的岸桥数不可行，则采用启发式算法予以修复，进而产生可行的岸桥分配数。

在本发明的一个实施例中，所述仿真系统为采用eM-Plant^TM仿真软件构建的集装箱码头仿真模型，它由输入模块、控制模块、评价模块、优化模块和输出模块构成，所述控制模块嵌入所述集装箱码头泊位与岸桥的分配模型，所述优化模块嵌入基于启发式算法和并行遗传算法相结合的混合算法，产生泊位与岸桥分配的方案。

本发明的集装箱码头泊位与岸桥分配方法具有如下特点：

1.与传统的泊位与岸桥分配方式相比，本发明设计了一种滚动式计划的技术，该技术综合考虑了未来几天将到港船舶的信息，因此该方法更加系统，对于全局优化更有利；

2.与传统的泊位与岸桥分配方式相比，本发明将减小岸桥装卸能耗作为优化目标之一，符合国家节能减排的方针；

3.与传统的泊位与岸桥分配方式相比，本发明将启发式算法和并行遗传算法相结合，其优化结果更好；

4.与传统的泊位与岸桥分配方式相比，本发明构建了一种仿真模型，并嵌入了设计的泊位与岸桥分配模型和算法，用于评价HPGA的性能；

5.与传统的泊位与岸桥分配方式相比，本发明设计了修复不可行各体的基因修复技术，并与仿真相结合，在仿真过程中修复HPGA产生的不可行各体。

本发明的集装箱码头泊位与岸桥分配方法，采用滚动式计划的分配方法，构建了基于多目标规划的泊位与岸桥分配模型，模型以连续岸壁线为基础，使其更加接近码头实际的泊位情况，以船舶靠泊位置与最优位置的偏离程度、岸桥装卸船舶的能耗、以及码头由于船舶在港时间超出预定范围承担的罚款数最小为目标；采用基于启发式算法和并行遗传算法(PGA)相结合的混合算法(HPGA)，通过一个集装箱码头泊位与岸桥分配仿真系统评估该HPGA的性能，并将HPGA嵌入到该系统，当产生一种泊位与岸桥分配方案后，仿真系统对其进行模拟，并得出相应的性能指标，并与别的方案比较，以确定该方案是否较优；采用仿真和基因修复技术相结合的方法，用于修复不可行的方案。本发明有利于降低船舶在港时间、装卸船时的水平运输距离、岸桥能耗，以及码头赔付给船方的罚款，进而降低码头装卸成本，提高码头服务质量，实现本发明的目的。

附图说明

图1为本发明的集装箱码头泊位与岸桥分配方法的流程框图；

图2为本发明的船舶靠泊的过程示意图；

图3为本发明的集装箱码头前沿的示意图；

图4为本发明的集装箱码头泊位与岸桥分配方法的滚动式计划方式的示意图；

图5为本发明的染色体表示示例的示意图；

图6为本发明的不可行个体示例的示意图；

图7为本发明的交叉操作示例的示意图；

图8为本发明的变异操作示例的示意图；

图9为本发明的集装箱码头泊位与岸桥分配仿真模型的示意图；

图10为本发明的HPGA与仿真的框架示意图；

图11为本发明的HPGA与仿真的实施流程图；

图12为本发明的HPGA收敛的过程示意图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

如图1所示，本发明的集装箱码头泊位与岸桥分配方法，它包括如下步骤：

(1)通过滚动式计划的分配方式构建基于多目标规划的集装箱码头泊位与岸桥的分配模型；

(2)采用基于启发式算法和并行遗传算法相结合的混合算法产生集装箱码头泊位与岸桥的分配模型中相应的集装箱码头泊位与岸桥的分配方案；

(3)通过仿真系统对混合算法产生的相应的集装箱码头泊位与岸桥的分配方案进行模拟，得出相应的性能指标，并与产生的其他方案进行比较，得出最优的分配方案。

所述仿真系统通过仿真和基因修复技术相结合的方法修复混合算法产生的不可行的集装箱码头泊位与岸桥的分配方案。

当一组船舶到港时，码头将为船舶安排靠泊时间、位置和分配岸桥，以及岸桥的装卸量，船舶从靠泊到离港的整个过程如图2所示，该过程包括多个阶段，整个船舶在港逗留时间的所有阶段都包含在图2中。集装箱码头泊位分配是一个离散的动态随机过程，对整个码头的生产调度起着非常重要的作用。特别是，集装箱码头应为船舶安排一个合适的泊位，即不应与别的船舶冲突，且泊位长度应符合船舶的长度。当泊位长度与船舶长度匹配时，船舶可以靠泊，否则船舶将在锚地等待。另外，岸桥分配对船舶的装卸时间也有重要的影响。为了增加港口操作效率，吸引船舶靠码头，码头必须降低能耗和船舶耽搁成本。一方面，有效的泊位于岸桥分配能降低船舶在港时间，另一方面还能在满足装卸效率的情况下降低岸桥的装卸能耗。所以，集装箱码头与岸桥分配对船舶在港时间和装卸能耗有着重要的影响。

如图3所示，展示了集装箱码头的前沿情况。由于泊位连续性的情况，所以本发明所建立的模型也都以连续泊位为基础，从而使模型跟加接近实际。为了使泊位与岸桥分配的方案达到全局优化，本发明采用滚动式计划的分配方式，该分配方式综合考虑了未来连续几天的船舶到港信息。如果分配周期选取的太短，计算开销将较小，但全局优化性准确度就不高，反之，分配周期选取的太长，则计算开销将较大，且包含了更多的不确定信息；出于于问题的复杂性、计算的可行性和数据的可靠性考虑，且集装箱码头在一般情况下，每天分成2班，每班12小时，所以本发明的分配周期为3天，共6个时段，每个时段为12小时，所述时段的具体时间为9:00～21:00，21:00～9:00。在每个时段开始时刻，计算出未来6个时段的泊位与岸桥分配计划，但仅有第1个时段的计划被执行。在每个时段结束时刻，又开始准备计算下一个6个时段的计划，如此循环往复。滚动式计划的分配方式如图4所示。

在构建集装箱码头泊位与岸桥的分配模型时需要满足：

(1)所有船舶都有其最佳靠泊位置，如果实际的考泊位置与最佳位置越接近，则水平运输距离将越短，船舶装卸时间也将越小，进而装卸成本也将越低；

(2)用于水平运输的内集卡是足够的；

(3)船舶靠泊时间不受台风和潮汐的影响；

(4)所有岸桥的装卸效率都相同；

(5)分配给船舶的岸桥数不会超过船舶所需的最佳岸桥数。

本发明的基于多目标规划的集装箱码头泊位与岸桥的分配模型，所述多目标规划包括最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和、最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和及最小化整个决策周期内所有船舶的岸桥装卸能耗总和，具体目标函数如下：

$f_1=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}|x_{\mathrm{it}}-x_{\mathrm{it}}^{*}|---\left(1\right)$

公式(1)是第1个目标函数，用于最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和。

$f_2=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(\begin{array}{c}{C}_{\mathrm{it}}^a\·\mathrm{Max}(0,y_{\mathrm{it}}-{\mathrm{AT}}_{\mathrm{it}})+\\ C_{\mathrm{it}}^d\·\mathrm{Max}(0,y_{\mathrm{it}}+\underset{\{k=\mathrm{1,2}...,q\}}{\mathrm{Max}}({A_k}^{\mathrm{it}}\·{{\mathrm{qs}}_k}^{\mathrm{it}}/\mathrm{\η}+{{\mathrm{qn}}_k}^{\mathrm{it}}/\mathrm{\η})-{\mathrm{DT}}_{\mathrm{it}})\end{array}\right)---\left(2\right)$

公式(2)是第2个目标函数，用于最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和。公式是分配给时段t内的船舶i的岸桥的最晚完成时间。众所周知，最晚完成装卸的岸桥，决定了了整个船舶的装卸完成时间。

$f_3=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\underset{k=1}{\overset{q}{\mathrm{\Σ}}}({{\mathrm{qn}}_k}^{\mathrm{it}}\·(\mathrm{\η}/{\left(q_{\mathrm{it}}\right)}^g)\·C_{\mathrm{qe}}^w)---\left(3\right)$

其中

$q_{\mathrm{it}}=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{A}_k^{\mathrm{it}},$ $\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t).---\left(4\right)$

公式(3)是第3个目标函数，用于最小化整个决策周期内所有船舶的岸桥装卸能耗总和。

f₄＝Min{ω₁·f₁，ω₂·f₂，ω₃·f₃}(5)

公式(5)是基于公式(1)、(2)和(3)的多目标函数，其中ω₁，ω₂和ω₃分别是目标函数(1)、(2)和(3)的权重。

上述目标函数的约束条件为：

[(x_it+l_it/2)-(x_jt-l_jt/2)]·[(x_it-l_it/2)-(x_jt+l_jt/2)]·S_ijt≥0，(6)

$\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t),j=(\mathrm{1,2},\·\·\·,N_t),i\≠j$

公式(6)保证了当时段t内的船舶i与船舶j的靠泊时间交叉时，靠泊位置不交叉。

$y_{\mathrm{it}}-(y_{\mathrm{it}}+\underset{\{k=\mathrm{1,2}\·\·\·,q\}}{\mathrm{Max}}({A_k}^{\mathrm{jt}}\·{{\mathrm{qs}}_k}^{\mathrm{jt}}/\mathrm{\η}+{{\mathrm{qn}}_k}^{\mathrm{jt}}/\mathrm{\η}))].$

$y_{\mathrm{it}}-(y_{\mathrm{it}}+\underset{\{k=\mathrm{1,2}\·\·\·,q\}}{\mathrm{Max}}({A_k}^{\mathrm{it}}\·{{\mathrm{qs}}_k}^{\mathrm{it}}/\mathrm{\η}+{{\mathrm{qn}}_k}^{\mathrm{it}}/\mathrm{\η}))]\·P_{\mathrm{ijt}}\≥0,---\left(7\right)$

$\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t),j=(\mathrm{1,2},\·\·\·,N_t),i\≠j$

公式(7)保证了当时段t内的船舶i与船舶j的靠泊位置交叉时，靠泊时间不交叉。

$y_{\mathrm{it}}-A_{\mathrm{it}}\≥0,\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(8\right)$

公式(8)保证了时段t内的船舶i的靠泊时间必须在船舶到港之后。0≤(x_it-l_it/2)≤(x_it+l_it/2)≤L，

公式(9)保证了安排给时段t内的船舶i的靠泊位置不能超出码头岸壁线的边界。

$\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}{H}_{\mathrm{it}}=\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}{N}_t---\left(10\right)$

公式(10)保证了所有船舶到港后都将接受服务。

$Q_{\mathrm{it}}^{\mathrm{Min}}\≤\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{A}_k^{\mathrm{it}}\≤Q_{\mathrm{it}}^{\mathrm{Max}},\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(11\right)$

公式(11)保证了分配给时段t内的船舶i的岸桥数不超过最小可分配的岸桥与最多分配的岸桥数的范围。

$\underset{k\∈\left\{k\right|{A_k}^{\mathrm{it}}=1\}}{\mathrm{Max}\left(k\right)}-\underset{k\∈\{{k|A_k}^{\mathrm{it}}=1\}}{\mathrm{Min}\left(k\right)}=\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{A_k}^{\mathrm{it}},\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(12\right)$

公式(12)保证了分配给时段t内的船舶i的岸桥都是相邻的，从而保证这些岸桥不会与别的船舶的岸桥交叉。

$\underset{k=1}{\overset{q}{\mathrm{\Σ}}}{{\mathrm{qn}}_k}^{\mathrm{it}}={\mathrm{NC}}_{\mathrm{it}},\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(13\right)$

公式(13)保证了时段t内的船舶i的所有岸桥所分配装卸量之和与船舶的装卸量一致

${A_k}^{\mathrm{it}}=0\mathrm{or}1,\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t),k(\mathrm{1,2},\·\·\·,q)---\left(14\right)$

$H_{\mathrm{it}}=0\mathrm{or}1,\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(15\right)$

$S_{\mathrm{ijt}}=0\mathrm{or}1,\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(16\right)$

$S_{\mathrm{ijt}}=0\mathrm{or}1,\∀t=(\mathrm{1,2},\·\·\·,\mathrm{DP}),i=(\mathrm{1,2},\·\·\·,N_t)---\left(17\right)$

公式(12)、(13)、(14)、(15)和(16)为0-1约束。上诉公式中

上述目标函数的相关符号定义为：

DP   决策周期中的计划时段数，本发明中DP＝6。每个时段用t表示；

N_t   时段t内计划到港的船舶数量，每条船舶用i表示；

L    码头的岸线长度(单位：米)；

l_it  时段t内的船舶i的长度，该长度包括了船舶本身的长度和与相邻船舶的安全距离；

AT_it  时段t内的船舶i的预计到港时间；

DT_it  时段t内的船舶i的预计离港时间；

NC_it  时段t内的船舶i的装卸量(单位：TEU)；

x_it ^*  时段t内的船舶i的最佳考泊位置，该位置与分配给船舶的箱区之间的运输距离最近；

q_it ^*   时段t内的船舶i的最佳岸桥分配数；

q      码头内的实际岸桥数，每台岸桥用t表示；

qs_k ^it  岸桥k在y_it时刻的剩余装卸量(单位：TEU)；

η     每台岸桥的生产效率，即完成1次装卸所需的时间；

Q_it ^Max 时段t内的船舶i可分配的最大岸桥数；

Q_it ^Min 时段t内的船舶i可分配的最小岸桥数；

C_qe ^w   每台岸桥单位时间内的能耗(单位：千瓦时)；

C_it ^a   时段t内的船舶i的靠泊耽搁成本；

G_it ^d   时段t内的船舶i的离港耽搁成本；

g      多台岸桥同时装卸同一条船时的相互干扰系数；决策变量定义如下：

x_it    时段t内的船舶i的靠泊位置；

y_it    时段t内的船舶i的靠泊时间；

qn_k ^it  时段t内的船舶i分配给岸桥k的装卸量，如果qn_k ^itis为0，则表明岸桥k未分配给时段t内的船舶i；

由于泊位与岸桥分配问题的大规模性，本发明采用并行遗传算法与启发式算法相结合的混合算法，其中启发式算法用于减小可行解的范围，并行遗传算法用于获得全局近似最优解。

启发式算法用于产生并行遗传算法的初始可行种群和减小可行解的范围，该算法主要基于模型中的约束条件。

在本发明中，所述启发式算法包括如下步骤：

(1)更新当前决策周期DP，设t＝1；

(2)如果t≤DP，进入步骤(3)；否则，结束计算；

(3)获取时段t内的所有船舶，并将其按到港顺序排序；N_t是这些船舶的数量，i表示每一条船，设i＝1；

(4)如果i≤N_t，进入步骤(5)；否则令t＝t+1，再进入步骤(2)；

(5)如果存在空闲的泊位，且长度大于等于l_it(l_it包括了船舶本身的长度和与相邻船舶的安全距离)，进入步骤(6)；否则，进入步骤(7)；

(6)求解公式Min|x_it-x_it ^*|为时段t内的船舶i分配到其最佳考泊位置的泊位，进而进入步骤(8)；

(7)为时段t内的船舶i随机分配靠泊位置x_it，再进入步骤(8)；

(8)为时段t内的船舶i随机计划靠泊时间，靠泊时间必须大于AT_it(AT_it是时段t内的船舶i的预计到港时间)，且当该船的考泊位置与别的船舶的考泊位置交叉时，其靠泊时间不能交叉；

(9)计算公式

计算时段t内的船舶i所需的岸桥数q_it；

(10)计算每台岸桥的剩余装卸量qs_k ^it，其中qs_k ^it是y_it时刻岸桥k的剩余装卸量；为时段t内的船舶i分配q_it台岸桥，这些岸桥不能与别的船舶的岸桥交叉，且这些岸桥的剩余工作量要小于那些不交叉又未被安排给船舶i的岸桥的剩余工作量；如果岸桥k被选中，A_k ^it＝1；否则A_k ^it＝0；

(11)计算公式

为时段t内的船舶i的岸桥k分配装卸量；

(12)令i＝i+1，再进入步骤(4)。

在本发明中，采用并行遗传算法来求解泊位与岸桥分配这个NP完全问题，其原因如下：

1、众所周知，泊位与岸桥分配是NP完全问题，计算复杂程度较强，这就导致目前的精确求解技术在合理的时间内求解该问题非常困难。而遗传算法却能较好的解决这个问题。

2、遗传算法具有天然的并行性。并行遗传算法运行在多个处理器上，这能增加算法的搜索空间的范围，进而阻止陷入局部最优解，并且还能降低算法的执行时间。

并行遗传算法的细节如下。

编码方式

在本发明中，所述并行遗传算法的编码方式为采用不同的染色体代表分配周期内的不同计划时段。通过考虑本发明中模型的决策变量，每个染色体由船舶的到达顺序、靠泊位置、靠泊时间和分配的岸桥数量组成。“到达顺序”基因表示船舶到达码头的先后顺序，采用整数编码，该基因用于区别不同船舶。但该基因不用于遗传操作。“考泊位置”基因表示船舶所靠的岸壁线的中心位置，采用整数编码。“考泊时间”基因表示船舶靠泊的具体时间，采用字符串编码。“分配的岸桥数”基因采用整数编码。典型的基因编码方式如图5所示，其中，“基因11”表示为第1个时段内第1条到港船舶分配的泊位在x₁₁米处，靠泊时间位t₁₁，分配的岸桥数为q₁₁。

种群初始化与个体可行性判断

每个处理器的初始种群由启发式算法中的步骤1～9随机产生。种群规模设为n，处理器设为m。则子种群规模为n/m。将启发式算法运行n次，就会产生初始种群中的n个个体。

个体的可行性根据模型中的约束条件来判断。如果个体是可行的，则被保留；否则，采用基因修复技术将其修复成可行个体。如图6所示是1个编码表达示例，该示例中，“基因11”代表的船舶的长度和装卸量分别为200米和1796TEU，然而，“基因21”代表的船舶的长度和装卸量分别为150米和896TEU。根据计算，这两条船的装卸时间和考泊位置将会交叉，所以该个体不可行。

适应度评估

为了评估每个个体的适应度，本发明采用数学模型中的目标函数值作为标准。目标函数值越小，适应度函数值就越小，个体的适应度就越高。由于每个目标函数的量纲不同，这3个目标函数需要归一化。

1、令目标函数1归一化。设时段t内的船舶i所靠泊位与其最佳靠泊位置的最小和最大偏离分别为d_it ^Min和d_it ^Max。归一化后的公式如下所示。

$f_{1u}\frac{f_1-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(d_{\mathrm{it}}^{\mathrm{Min}}\right)}{\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(d_{\mathrm{it}}^{\mathrm{Max}}\right)-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(d_{\mathrm{it}}^{\mathrm{Min}}\right)}$

其中，d_it ^Min＝0，d_it ^Max＝Max(L-x_it ^*-l_it/2，x_it ^*-l_it/2)。

2、令目标函数2归一化。设时段t内的船舶i的最小与最大耽搁罚款成本分别为.p_it ^Min和p_it ^Max.归一化后的公式如下所示。

$f_{2u}\frac{f_2-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(p_{\mathrm{it}}^{\mathrm{Min}}\right)}{\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(p_{\mathrm{it}}^{\mathrm{Max}}\right)-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(p_{\mathrm{it}}^{\mathrm{Min}}\right)}$

其中，p_it ^Min＝0，p_it ^Max是时段t内的船舶i在该码头曾经发生过的最大耽搁罚款成本。

3、令目标函数3归一化。设时段t内的船舶i的最小与最大岸桥装卸能耗分别为e_it ^Min和e_it ^Max。归一化后的公式如下所示。

$f_{3u}\frac{f_3-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(e_{\mathrm{it}}^{\mathrm{Min}}\right)}{\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(e_{\mathrm{it}}^{\mathrm{Max}}\right)-\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_t}{\mathrm{\Σ}}}\left(e_{\mathrm{it}}^{\mathrm{Min}}\right)}$

其中， $e_{\mathrm{it}}^{\mathrm{Min}}=C_{\mathrm{qe}}^w\·(({\mathrm{NC}}_{\mathrm{it}}\·\mathrm{\η})/{\left(Q_{\mathrm{it}}^{\mathrm{Min}}\right)}^g)\·Q_{\mathrm{it}}^{\mathrm{Min}}=C_{\mathrm{qe}}^w\·({\mathrm{NC}}_{\mathrm{it}}\·\mathrm{\η})\·{\left(Q_{\mathrm{it}}^{\mathrm{Min}}\right)}^{1-g},$

$e_{\mathrm{it}}^{\mathrm{Max}}=C_{\mathrm{qe}}^w\·(({\mathrm{NC}}_{\mathrm{it}}\·\mathrm{\η})/{\left(Q_{\mathrm{it}}^{\mathrm{Max}}\right)}^g)\·Q_{\mathrm{it}}^{\mathrm{Max}}=C_{\mathrm{qe}}^w\·({\mathrm{NC}}_{\mathrm{it}}\·\mathrm{\η})\·{\left(Q_{\mathrm{it}}^{\mathrm{Max}}\right)}^{1-g},$

g是多台岸桥同时装卸同一条船时的相互干扰系数，其值应小于1。

4、归一化后的目标函数为f_u＝Min(ω₁·f_1u+ω₂·f_2u+ω₃·f_3u)。PGA的适应度函数为f＝ω₁·f_1u+ω₂·f_2u+ω₃·f_3u，其中ω₁，ω₂和ω₃分别设为0.4，0.3和0.3。

父代选择策略

父代选择在调节个体复制过程中的偏好具有重要作用。父代选择策略意思是怎样在当前种群中选择染色体去产生下一代。一般情况下，如果当前代中适应度越高的个体有更多的机会会被选中去繁殖下一代，情况将更好。本发明采用轮盘赌的方式从交配池中的选择父代，轮盘赌是一种经典的选择机制，每个个体都将获得轮盘中的一个片断，片断的大小与个体的适应度成正比。父代选择策略如下所示。

1、计算自种群的所有个体的适应度和，即

其中n is是子种群规模。

2、计算每个个体的选择概率，即

(j＝1，2，…，n)。

3、计算所有个体的累计概率。

4、产生n个0-1之间的随机数RM。

5、如果RM is在2个个体的累计概率之间，则其中累计概率较大的个体被选中。

遗传算子设计

交叉算子。本发明采用了2种交叉算子。对于基因“靠泊位置”和“分配岸桥数”，采用算术交叉算子；对于靠泊时间，采用单点交叉算子。

算术交叉算子根据2个父代的线性组合，产生下一代。算术交叉特别用于靠泊位置”和“分配岸桥数”，其公式如下所示。

Offspring＝λ×Parent 1+(1-λ)×Parent 2

其中λis是1个0-1之间的随机数。如果整数编码的基因在交叉后是实数，则需要四舍五入。

单点交叉主要用于基因“靠泊时间”。该算子首先选择1个父代个体中的1点，然后将该点左边的部分按顺序插入到第一个子代个体中，子代个体剩余的部分则由另一个父代个体填满，其基因则选自该个体中与子代中未填满的部分具有相同的位置的基因。

图7为1个典型的交叉过程，其中λ＝0.5。对于基因“靠泊时间”，交叉点选择为2，进而，子代1中的最开始得2个基因来自父代1，剩余的部分则来自父代2。

变异算子。变异算子用于维持连续多代种群的多样性和探寻解空间。变异通过算法设计人员自定义的变异率p_m调整1个基因的值，进而对染色体做出随机改变。在本发明中，需要产生1个0-1之间的随机数，如果该随机数小于p_m，则选择相应的基因进行变异操作。

本发明针对染色体中“靠泊位置”、“靠泊时间”和“分配的岸桥数”的变异，采用非均匀变异的方式。非均匀变异操作如下。

$\mathrm{Offspring}=\left\{\begin{array}{c}\mathrm{Parent}+(U-L)\&CenterDot;(1-r^{{(1-G/T)}^{-b}}),\mathrm{ifr}=\mathrm{random}\left(0.1\right)\&GreaterEqual;0.5\\ \mathrm{Parent}-(U-L)\&CenterDot;(1-r^{{(1-G/T)}^{-b}}),\mathrm{ifr}=\mathrm{random}\left(\mathrm{0,1}\right)<0.5\end{array}\right.$

其中，L和U分别为变异范围的最小值和最大值，r是0-1之间的随机数，G代表当前遗传代数，T代表最大遗传代数，b用于调整变异步长的参数。时段t内的船舶i的“靠泊位置”的变异范围是[l_it/2，L-l_it/2]，“靠泊时间”的变异范围是[AT_it，DT_it]，“岸桥分配数”的变异范围是a[Q_it ^Min，Min(q_it ^*，Q_it ^Max)]。

图8所示为一个典型的变异过程，其中“基因31”被选择进行变异操作。在该例子中，r，G，T，b，l_it，L，AT_it，DT_it，Q_it ^Min和Q_it ^Ma分别为4，24，40，0.3，200，1100，11:20，21:30，2和5。

基因修复技术

在完成交叉与变异后，如果子代不可行，则采用基因修复技术将其修复。基因修复技术如下所示。

(1)如果时段t内的船舶i的靠泊位置可行，但靠泊时间超出了[AT_it，DT_it]的范围，则采用启发式算法予以修复，从而产生1个可行的靠泊时间；

(2)如果时段t内的船舶i的靠泊时间可行，但靠泊位置超出了[l_it/2，L-l_it/2]的范围，则采用启发式算法中予以修复，进而产生可行的靠泊位置；

(3)如果时段t内的船舶i的靠泊位置与靠泊时间与别的船舶重叠，则计算重叠位置处，最晚离开船舶的离泊时间。如果该时间超过时段t内的船舶i的靠泊时间1/10PT_it，则采用启发式算法予以修复，进而产生可行的靠泊位置与靠泊时间；否则采用启发式算法的步骤8赖调整靠泊时间。其中PT_it＝DT_it-AT_it；

(4)如果时段t内的船舶i的所分配的岸桥数不可行，则采用启发式算法予以修复，进而产生可行的岸桥分配数。

子代接收策略

经过遗传操作后，需要确定保留哪些个体，其前提是保持种群规模不变。因此，首先根据适应度由小到大的顺序为每个个体排序。经过排序后，个体顺序超过种群规模的，则被淘汰。这种方式能降低计算时间，也能促进算法单调收敛。

移民操作

移民操作主要是确定移民数量、移民频率和种群间的拓扑关系。本发明中采用的拓扑关系为环状。因此，将通过移民操作，将个体放进父代交配池，进而产生子代。完成移民操作后，子种群得到进化。如果算法终止准则被满足，如已完成最大遗传代数，算法终止。

终止准则

本发明设定最大遗传代数作为算法终止条件，该条件通过多次试验确定。

为了评价本发明设计的泊位与岸桥分配策略，一种有效的评价方式是必须的。然而，用数学模型的方式去做评价却十分复杂。但是，仿真在评价复杂系统的性能中却是一种有效的工具。不过，仿真仅仅能用于评价已经存在的方案，而不能对方案进行优化。因此，本发明将仿真与优化技术相结合，用于泊位与岸桥分配。

更进一步，由于通过HPGA产生的个体可能是不可行的，因此必须采用基因修复技术。然而，通过直接编程来实现基因修复非常困难，因此本发明采用仿真的方式来执行基因修复技术。例如，在仿真过程中，如果根据HPGA产生的某船的靠泊位置与靠泊时间和别的在泊船舶交叉，仿真将执行基因修复技术去为该船寻找可行解。进而，仿真继续。

在本发明的仿真系统为采用eM-Plant^TM仿真软件构建的集装箱码头仿真模型(如图9所示)，如图10所示，它由输入模块、控制模块、评价模块、优化模块和输出模块构成，所述控制模块嵌入所述集装箱码头泊位与岸桥的分配模型，所述优化模块嵌入基于启发式算法和并行遗传算法相结合的混合算法，产生泊位与岸桥分配的方案。

当靠泊位置、靠泊时间和岸桥分配数需要优化时，优化模块首先创建一组初始方案，然后将该方案输入到输入模块，进而由控制模块调用该方案进行仿真；仿真完成后，由评价模块对仿真结果进行评价，同时将该结果反馈给优化模块，再由优化模块创建下一组方案。该过程一直循环到仿真终止条件被满足。最终输出最优化的方案和仿真结果。整个实施过程如图11所示。

在完成靠泊位置、靠泊时间和分配的岸桥数的决策后，各岸桥分配的装卸量通过启发式算法的步骤10至步骤11来决策。输入参数与统计指标

在本发明中，一些参数在仿真前需要初始化，其细节如下。

1、船舶参数，包括船长、装卸量、预计到港和离港时间、最佳靠泊位置，以及最佳分配岸桥数。

2、集装箱码头布局参数，包括岸壁线长度、水深、箱区数量、各箱区的倍、排、层数、各箱区的坐标、道路的坐标和长度，以及道口的坐标等。

3、机械(如岸桥、长桥、内集卡)相关参数，包括尺寸、位置和生产效率等。

在仿真过程中，需要获得的统计指标如下

1、每条船由HPGA产生的靠泊位置与最佳位置的偏离。

2、每条船的靠泊时间和离港时间延迟的船舶耽搁罚款成本。

3、每条船的在港逗留时间。

4、每条船所分配的岸桥的装卸能耗。

为了说明本发明设计的泊位与岸桥分配策略，首先以某实际码头进行了案例分析。该案例分析中使用的数据均采自该码头的实际数据。在完成案例的仿真后，对本发明所建议的方式同苌道方所建议的方式进行了比较。为了评价本发明所建议的方式的有效性和可靠性，进一步进行了不同规模的数字实验，并将其结果同Chang(Chang et al.，2008)所建议的方式进行了比较。这些数字实验都在1台Intel Core TM2 T8100@2.1GHz processors 1GB RAM的PC机上运行。

实施例

本实施例中的集装箱码头拥有11台岸桥、33台场桥、66台内集卡和56个箱区。岸桥平均装卸效率为88秒/move。码头拥有4个泊位，其岸壁线长为1100米。在案例中，采用了该码头某连续3天的数据，如表1所示。在该表中，到达时间的格式为“dd:hh:mm:ss”。由于延迟离港的船舶罚款成本为800$/小时。岸桥单位能耗为149.7Kwh/小时。

表1：连续3天到港船舶数据

通过多次的数字测试，HPGA的相关参数定义如下

1.目标函数的权重分别设为ω₁＝0.4，ω₂＝0.4和ω₃＝0.2。

2.种群和子种群的规模分别为100和50。

3.交叉概率为0.7。

4.变异概率为0.04。

5.最大遗传代数为40。

6.移民数量和频率分别为3和5。

HPGA的收敛过程如图12所示，其结果如表2所示。

表2：泊位与岸桥分配结果表

为了说明本发明设计的泊位与岸桥分配策略，案例分析将该策略的所有统计指标和计算时间与苌道方的策略进行了比较。比较结果如表3所示。表中，基于HPGA的靠泊位置的偏离总和、船舶耽搁罚款成本总和、船舶在港时间总和以及岸桥能耗总和均低于Chang所建议的方式的对应指标。更进一步，根据Chang的研究，他所建议的方式的各种指标均低于码头当前所采用的方式对应的指标，因此HPGA的这些指标比码头当前实际采用的方式的指标更低。虽然，在该案例中，HPGA的计算时间是247秒，比Chang的47秒长，但这个计算时间对码头来说是完全可以接受的。

表3：HPGA与Chang的方式的比较

为了验证本发明所设计的泊位与岸桥分配策略的有效性和可靠性，进行了多次不同规模的数字实验。这些不同规模的数字实验根据码头的岸壁线长度和连续3天的到港船舶的数量确定。在每个实验中，码头的岸桥数量等于1％岸壁线长度。在本发明中，共设定了3组岸壁线长度分别为800、1200和1600米的实验。800米岸壁线长度的实验包括3组到港船舶数量为10、20和30的测试，每组测试包括10个具体的实例。相似的，1200米岸壁线长度的实验包括3组到港船舶数量为15、25和35的测试，同样每组测试中包括10个具体的实例。1600米岸壁线长度的实验包括3组到港船舶数量为20、30和40的测试，每组测试中也包括10个具体的实例。最终采用每组测试中的10个实例的平均值来验证设计策略的有效性和可靠性。在这些实验中，表4为不同船型的船长、装卸量以及来港比例。每条船的装卸量服从表4中对应船型的装卸量范围的均匀分布。进一步，将该策略的所有统计指标和计算时间与苌道方的策略进行了比较。表5，6，7分别为800、1200、1600米岸壁线的实验结果比较。

表4：船舶相关信息

表5：800米岸壁线的实验比较

表6：1200米岸壁线的实验比较

表7：1600米岸壁线的实验比较

从表5，6和7中的比较结果可以看出，3组实验的所有指标，除计算时间外，本发明设计的泊位与岸桥分配策略均低于Chang设计的方式。然而，本发明所设计的策略的计算时间对码头来说，是完全可以接受的。这就表明本发明所设计的策略适用于不同规模的泊位与岸桥分配问题，进而验证了该策略的可靠性。

集装箱码头的效率取决于不同装卸阶段码头资源分配的合理性。由于码头管理的迅速发展，泊位与岸桥分配的对整个码头的效率有着重要的影响。有鉴于此，针对集装箱码头泊位与岸桥分配问题，本发明采用滚动式计划的分配方法，构建了基于多目标规划的泊位与岸桥分配模型，模型以连续岸壁线为基础，使其更加接近码头实际的泊位情况，以船舶靠泊位置与最优位置的偏离程度、岸桥装卸船舶的能耗、以及码头由于船舶在港时间超出预定范围承担的罚款数最小为目标；采用基于启发式算法和并行遗传算法(PGA)相结合的混合算法(HPGA)，通过一个集装箱码头泊位与岸桥分配仿真系统评估该HPGA的性能，并将HPGA嵌入到该系统，当产生一种泊位与岸桥分配方案后，仿真系统对其进行模拟，并得出相应的性能指标，并与别的方案比较，以确定该方案是否较优；采用仿真和基因修复技术相结合的方法，用于修复不可行的方案。本发明有利于降低船舶在港时间、装卸船时的水平运输距离、岸桥能耗，以及码头赔付给船方的罚款，进而降低码头装卸成本，提高码头服务质量。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (13)

1.一种集装箱码头泊位与岸桥分配方法，其特征在于，它包括如下步骤：

(1)通过滚动式计划的分配方式构建基于多目标规划的集装箱码头泊位与岸桥的分配模型；

(2)采用基于启发式算法和并行遗传算法相结合的混合算法产生集装箱码头泊位与岸桥的分配模型中相应的集装箱码头泊位与岸桥的分配方案；

(3)通过仿真系统对混合算法产生的相应的集装箱码头泊位与岸桥的分配方案进行模拟，得出相应的性能指标，并与产生的其他方案进行比较，得出最优的分配方案。

2.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述仿真系统通过仿真和基因修复技术相结合的方法修复混合算法产生的不可行的集装箱码头泊位与岸桥的分配方案。

3.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述滚动式计划的分配方式综合考虑了未来连续几天的船舶到港信息，所述滚动式计划的分配方式的分配周期为3天，共6个时段，每个时段为12小时。

4.如权利要求3所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述时段的具体时间为9:00～21:00，21:00～9:00。

5.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述多目标规划包括最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和、最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和及最小化整个决策周期内所有船舶的岸桥装卸能耗总和。

6.如权利要求5所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和的目标函数为

$f_1=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_t}{\mathrm{\&Sigma;}}}|x_{\mathrm{it}}-x_{\mathrm{it}}^{*}|$

式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，x_it为时段t内的船舶i的靠泊位置，x_it ^*为时段t内的船舶i的最佳考泊位置。

7.如权利要求5所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和的目标函数为

$f_2=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_t}{\mathrm{\&Sigma;}}}\left(\begin{array}{c}{C}_{\mathrm{it}}^a\&CenterDot;\mathrm{Max}(0,y_{\mathrm{it}}-{\mathrm{AT}}_{\mathrm{it}})+\\ C_{\mathrm{it}}^d\&CenterDot;\mathrm{Max}(0,y_{\mathrm{it}}+\underset{\{k=\mathrm{1,2}...,q\}}{\mathrm{Max}}({A_k}^{\mathrm{it}}\&CenterDot;{{\mathrm{qs}}_k}^{\mathrm{it}}/\mathrm{\&eta;}+{{\mathrm{qn}}_k}^{\mathrm{it}}/\mathrm{\&eta;})-{\mathrm{DT}}_{\mathrm{it}})\end{array}\right)$

其中，公式

是分配给时段t内的船舶i的岸桥的最晚完成时间；式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，C_it ^a为时段t内的船舶i的靠泊耽搁成本，C_it ^d为时段t内的船舶i的离港耽搁成本，y_it为时段t内的船舶i的靠泊时间，AT_it为时段t内的船舶i的预计到港时间，qs_k ^it为岸桥k在y_it时刻的剩余装卸量，qn_k ^it为时段t内的船舶i分配给岸桥k的装卸量，η为每台岸桥的生产效率，即完成1次装卸所需的时间，DT_it为时段t内的船舶i的预计离港时间，

8.如权利要求5所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述最小化整个决策周期内所有船舶的岸桥装卸能耗总和的目标函数为

$f_3=\mathrm{Min}\underset{t=1}{\overset{\mathrm{DP}}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{N_t}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{q}{\mathrm{\&Sigma;}}}({{\mathrm{qn}}_k}^{\mathrm{it}}\&CenterDot;(\mathrm{\&eta;}/{\left(q_{\mathrm{it}}\right)}^g)\&CenterDot;C_{\mathrm{qe}}^w)$

其中，

式中，DP为分配周期中的时段数，N_t为时段t内计划到港的船舶数量，q为码头内的实际岸桥数，qn_k ^it为时段t内的船舶i分配给岸桥k的装卸量，q_it ^*为时段t内的船舶i的最佳岸桥分配数，g为多台岸桥同时装卸同一条船时的相互干扰系数，C_qe ^w为每台岸桥单位时间内的能耗。

9.如权利要求5所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述多目标规划的多目标函数为

f₄＝Min{ω₁·f₁，ω₂·f₂，ω₃·f₃}

式中，ω1、ω2和ω3分别是最小化整个决策周期内所有船舶实际靠泊位置与最佳靠泊位置之间的偏离和、最小化整个决策周期内所有船舶靠泊耽搁和离港耽搁的罚款总和及最小化整个决策周期内所有船舶的岸桥装卸能耗总和的目标函数的权重。

10.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述启发式算法包括如下步骤：

(1)更新当前决策周期DP，设t＝1；

(2)如果t≤DP，进入步骤(3)；否则，结束计算；

(3)获取时段t内的所有船舶，并将其按到港顺序排序；N_t是这些船舶的数量，i表示每一条船，设i＝1；

(4)如果i≤N_t，进入步骤(5)；否则令t＝t+1，再进入步骤(2)；

(5)如果存在空闲的泊位，且长度大于等于l_it(l_it包括了船舶本身的长度和与相邻船舶的安全距离)，进入步骤(6)；否则，进入步骤(7)；

(6)求解公式Min|x_it-x_it ^*|为时段t内的船舶i分配到其最佳考泊位置的泊位，进而进入步骤(8)；

(7)为时段t内的船舶i随机分配靠泊位置x_it，再进入步骤(8)；

(8)为时段t内的船舶i随机计划靠泊时间，靠泊时间必须大于AT_it(AT_it是时段t内的船舶i的预计到港时间)，且当该船的考泊位置与别的船舶的考泊位置交叉时，其靠泊时间不能交叉；

(9)计算公式

计算时段t内的船舶i所需的岸桥数q_it；

(10)计算每台岸桥的剩余装卸量qs_k ^it，其中qs_k ^it是y_it时刻岸桥k的剩余装卸量；为时段t内的船舶i分配q_it台岸桥，这些岸桥不能与别的船舶的岸桥交叉，且这些岸桥的剩余工作量要小于那些不交叉又未被安排给船舶i的岸桥的剩余工作量；如果岸桥k被选中，A_k ^it＝1；否则A_k ^it＝0；

(11)计算公式

为时段t内的船舶i的岸桥k分配装卸量；

(12)令i＝i+1，再进入步骤(4)。

11.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述并行遗传算法的编码方式为采用不同的染色体代表分配周期内的不同计划时段。

12.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述基因修复技术包括如下：

(1)如果时段t内的船舶i的靠泊位置可行，但靠泊时间超出了[AT_it，DT_it]的范围，则采用启发式算法予以修复，从而产生1个可行的靠泊时间；

(2)如果时段t内的船舶i的靠泊时间可行，但靠泊位置超出了[l_it/2，L-l_it/2]的范围，则采用启发式算法中予以修复，进而产生可行的靠泊位置；

(3)如果时段t内的船舶i的靠泊位置与靠泊时间与别的船舶重叠，则计算重叠位置处，最晚离开船舶的离泊时间。如果该时间超过时段t内的船舶i的靠泊时间1/10PT_it，则采用启发式算法予以修复，进而产生可行的靠泊位置与靠泊时间；否则采用启发式算法的步骤8赖调整靠泊时间。其中PT_it＝DT_it-AT_it；

(4)如果时段t内的船舶i的所分配的岸桥数不可行，则采用启发式算法予以修复，进而产生可行的岸桥分配数。

13.如权利要求1所述的集装箱码头泊位与岸桥分配方法，其特征在于，所述仿真系统为采用eM-Plant^TM仿真软件构建的集装箱码头仿真模型，它由输入模块、控制模块、评价模块、优化模块和输出模块构成，所述控制模块嵌入所述集装箱码头泊位与岸桥的分配模型，所述优化模块嵌入基于启发式算法和并行遗传算法相结合的混合算法，产生泊位与岸桥分配的方案。

Images