CN104239974B - 基于分布估计改进离散粒子群算法的引航员指派方法 - Google Patents

Abstract

本发明公开了一种基于分布估计改进离散粒子群算法的引航员指派方法，从安全、公平、效益三个角度出发首先对引航员指派问题建立切实的数学建模，可扩展性强，可作为求解引航员指派的通用模型，在求解最优引航员指派模型的算法选择上采用了基于分布估计的改进离散粒子群算法，通过对种群的评估，构造最优粒子子群，并基于最优粒子子群中引航员的分布信息建立引航员指派概率分布模型，依据概率分布模型通过轮盘赌方法进行粒子采样学习，求解引航员指派问题，求解精度高，建立的引航员指派问题模型是有效的、所提求解方法是高效的，避免资源配置浪费，效率高，降低成本，具有良好的应用前景。

Description

基于分布估计改进离散粒子群算法的引航员指派方法

技术领域

本发明涉及一种基于分布估计改进离散粒子群算法的引航员指派方法，属于引航调度技术领域。

背景技术

我国是一个港口大国，然而，在港口迅猛发展的同时，港口在引航调度效率上相对落后，严重制约了港口的核心竞争力，也造成了一定的资源浪费。为提高港口的竞争力，优化资源配置，提高引航信息化势在必行。

引航员资源是港口的核心资源之一，在引航船舶过程中发挥着至关重要的作用，由于港口规模的扩大，引航员数量也在递增。在指派引航员过程中，我们通常要考虑引航员的等级与船舶等级是否匹配，是否存在疲劳驾驶，以及所有引航员的工作量是否相对均衡等诸多因素，因此，仅依据引航员的筹次表指派引航员已越来越不能满足现实生产要求，且主观的指派难免有失偏颇。目前，引航员指派方法存在以下问题，

(1)现有方法在指派引航员时主要是根据引航员的筹次信息，容易忽视工作量均衡等重要条件，比如，若指派结果欠佳，则在资源配置上存在浪费；

(2)现有方法在解决实际问题时缺少一个切实的数学模型来描述引航员指派问题，造成效率低下，错误率高。

发明内容

本发明的目的是为了克服现有方法指派引航员中存在的问题。本发明的基于分布估计改进离散粒子群算法的引航员指派方法，从安全、公平、效益三个角度出发，采用该方法求解引航员指派问题，求解精度高，避免资源配置浪费，效率高，降低成本，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：包括以下步骤，

步骤(A)，建立本地数据库，进行合同收池；

步骤(B)，从池中选出待指派引航员和待引航船舶，建立引航员指派问题模型；

步骤(C)，基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划；

步骤(D)，根据确定的最优引航员指派计划进行引航员指派。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：步骤(B)建立引航员指派问题模型的过程，包括以下步骤，

(B1)，根据引航任务表中船舶的长度、吨位、类型、所载物品信息将船舶进行等级划分；

(B2)，根据引航员的能力及工作经验，对引航员进行等级划分；

(B3)，根据船舶等级，确定每个引航任务所需引航员的最低等级及人数，统计当天各引航任务所需引航员总人数Pilot_Need；

(B4)，根据前一天引航员的作息情况对其疲劳程度进行等级划分；

(B5)，统计当月引航员已工作时间以及可参与指派的引航员总人数Pilot_No；

(B6)，根据引航员指派过程中等级分配情况，建立引航员指派等级分配的过高费用数学模型和过低费用数学模型；

(B7)，根据引航员指派过程中引航员的疲劳程度，建立引航员指派疲劳程度数学模型；

(B8)，根据引航员指派过程中引航员工作时间差异，建立引航员工作时间均衡程度数学模型；

(B9)，根据(B6)、(B7)、(B8)建立各数学模型，建立引航员指派问题模型。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：

(B1)，根据引航任务表中船舶的长度、吨位、类型、所载物品信息将船舶进行等级划分的方法为，

将船舶划分为5个等级，船舶等级ship_di定义如下，ship_di∈{1,2,3,4,5}，其中，1，2，3，4，5为具体船舶等级，对应如下：

1为超甲类，吃水>＝13m或船长>＝250m或船长>＝180m客船或船长>＝168m进出狭窄航道或靠离油轮；

2为甲类，12m＝<吃水<13m或船长<168m进出狭窄航道或船长>＝168m油轮或吃水>＝10m油轮；

3为乙类，10m＝<吃水<12m；

4为丙类，8.5m＝<吃水<10m；

5为丁类，吃水<8.5m；

(B2)，根据引航员的能力及工作经验，对引航员进行等级划分的方法为，

将引航员划分为5个等级，引航员等级pilot_di定义如下，pilot_di∈{1,2,3,4,5}，其中1，2，3，4，5为具体引航员等级，对应如下：

1为高级引航员，具有国家一级引航员适任证书的引航员；

2为一级引航员，具有国家二级引航员适任证书的引航员；

3为二级引航员，具有国家三级引航员适任证书且引航资历>＝24个月的引航员；

4为三级引航员，具有国家三级引航员适任证书且引航资历<24个月的引航员；

5为四级引航员，具有国家四级引航员适任证书的引航员；

(B3)，根据船舶等级，确定每个引航任务所需引航员的最低等级及人数，如表1所示，

表1

(B4)，根据前一天引航员的作息情况对其疲劳程度进行等级划分的方法为，

将引航员疲劳程度划分为5个等级，航员疲劳程度等级tired_di定义如下，tired_di∈{1,2,3,4,5}，其中1，2，3，4，5为引航员疲劳程度等级，对应如下，1为引航员前一天未工作；2为引航员前一天上午工作，下午未工作；3为引航员前一天下午工作，上午未工作；4为引航员前一天上、下午都工作；5为引航员前一天22：00点之前在工作，疲劳程度从1到5依次递增，5为最疲劳等级；

(B6)，建立引航员指派等级分配的过高费用数学模型，如公式(1)所示，

其中，d_i为被指派引航员等级；d_need为对应船舶所需引航员最低等级；c₁，c₂，c₃，c₄为引航员等级分配过高费用权值；cost_od为引航员等级分配过高费用函数；

建立引航员指派等级分配的过低费用数学模型，如公式(2)所示，

其中，d_i为被指派引航员等级，d_need为对应船舶所需引航员最低等级，c₅，c₆，c₇，c₈为引航员等级分配过低费用权值；cost_ud为引航员等级分配过低费用函数；

(B7)，建立引航员指派疲劳程度数学模型，如公式(3)所示，

其中，td_i为被指派引航员的疲劳程度等级；c₉，c₁₀，c₁₁为引航员疲劳程度等级费用权值；cost_td为引航员的疲劳程度费用函数；

(B8)，建立引航员工作时间均衡程度数学模型，如公式(4)所示，

其中，T_i为被指派引航员的工作时间；为可参与指派引航员工作时间的平均值，cost_wd为引航员工作时间差异产生的费用；

T_i的计算方法，根据公式(5)所示，

T_i＝T_i-1+t_i (5)

T_i-1为当日引航员指派之前当月已工作时间之和；t_i为当日工作所需时间；

的计算方法，根据公式(6)所示，

(B9)建立引航员指派问题模型，根据公式(7)所示，

P＝w_o*cost_o+w_u*cost_u+w_t*cost_t+w_wd*cost_wd (7)

其中，P为引航员指派问题模型；cost_o为等级分配过高费用；cost_u为等级分配过低费用；cost_t为疲劳程度产生的费用；w_o、w_u、w_t、w_wd为各数学模型的权值。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：

根据公式(8)，计算得到等级分配过高费用cost_o，

其中，cost_odi为被选中编号为i的引航员等级分配过高产生的花费；

根据公式(9)，计算得到等级分配过低费用cost_u，

其中，cost_udi为被选中编号为i的引航员等级分配过低产生的花费；

根据公式(10)，计算得疲劳程度产生的费用cost_t，

其中，cost_tdi为被选中编号为i的引航员的疲劳程度产生的费用。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：步骤(C)所述基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划的方法，包括以下步骤，

(C1)，初始化参数，设置种群大小popsize，运行总代数gen，变异概率p_m；

(C2)，初始化种群，运行代数g置1，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复，其中：Pilot_No为可参与指派的引航员总人数；

(C3)，计算粒子适应度，根据适应度函数计算每个粒子适应度值并求得每个粒子的个体极值p_best及整个种群的全局极值g_best；

(C4)，将所有个体极值进行排序，以比率γ选择较优个体极值的粒子组成最优粒子子群；

(C5)，根据最优粒子子群中各序列元素所代表的引航员分布信息构建引航员指派概率分布模型；

(C6)，每个粒子根据引航员指派概率分布模型执行采样学习过程；

(C7)，对学习后的粒子计算适应度值，若该值小于学习前的适应度值，则更新当前粒子；否则，随机产生一(0,1)间实数p_x，如p_x≤变异概率p_m，则对当前粒子执行变异操作；

(C8)，运行代数g加1，若g≤gen，则执行(C3)，直到g>gen，执行(C9)；

(C9)，输出全局极值g_best及全局最优粒子。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C3)，计算粒子适应度的方法，包括以下步骤，

(C31)获得的引航任务所需引航员总人数Pilot_Need、可参与指派引航员总人数Pilot_No，根据确定的种群大小popsize，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复；

(C32)，定义序列位1至Pilot_Need与引航任务所需的Pilot_Need个引航员的最低等级一一对应，序列元素值为被指派引航员编号；

(C33)，从序列第1位开始，到序列第Pilot_Need位为止，根据公式(1)、公式(2)计算被指派引航员的等级与对应引航任务所需最低等级之间差异所产生的费用；

(C34)，根据公式(3)，计算序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用；

(C35)，根据公式(4)、公式(5)、公式(6)，计算序列第1到第Pilot_No位上被指派引航员工作时间差异产生的费用；

(C36)，根据公式(7)计算粒子适应度。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C4)组成最优粒子子群的方法，包括以下步骤，

(C41)，将所有粒子的个体极值由小到大进行排序；

(C42)，根据比率γ和种群大小popsize依次选择适应度值较小的[γ*popsize+0.5]个粒子组成最优粒子子群，其中[γ*popsize+0.5]代表对r*poposize+0.5取整计算。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C5)根据最优粒子子群中各序列元素所代表的引航员分布信息构建引航员指派概率分布模型，包括以下步骤，

(C51)，统计最优粒子子群中，引航员j在粒子序列i上出现的次数N_ij，根据公式(11)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (11)

其中，

(C52)，构建引航员指派概率模型，引航员j在粒子序列i上出现的概率P_ij，根据公式(13)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (13)

(C53)，构建引航员指派概率分布模型，引航员j在粒子序列i上的概率分布F_ij，根据公式(14)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (14)。

前述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C6)每个粒子根据引航员指派概率分布模型执行采样学习过程，包括以下步骤，

(C61)，随机产生两个粒子位X₁、X₂，保持粒子中粒子位X₁、X₂之间的序列不变，其余粒子位置空；

(C62)，对于剩余粒子位的元素值，采用轮盘赌方法，采样引航员指派概率分布模型，得到新粒子。

本发明的有益效果是：本发明的基于分布估计改进离散粒子群算法的引航员指派方法，从安全、公平、效益三个角度出发首先对引航员指派问题建立切实的数学建模，该数学模型可扩展性强，可作为求解引航员指派的通用模型，在求解最优引航员指派模型的算法选择上采用了基于分布估计的改进离散粒子群算法，该方法通过对种群的评估，构造最优粒子子群，并基于最优粒子子群中引航员的分布信息建立引航员指派概率分布模型，依据概率分布模型通过轮盘赌方法进行粒子采样学习，求解引航员指派问题，求解精度高，建立的引航员指派问题模型是有效的、所提求解方法是高效的，避免资源配置浪费，效率高，降低成本，具有良好的应用前景。

附图说明

图1是本发明的基于分布估计改进离散粒子群算法的引航员指派方法的流程图。

图2是本发明的基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解的流程图。

具体实施方式

下面将结合说明书附图，对本发明作进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的基于分布估计改进离散粒子群算法的引航员指派方法，从安全、公平、效益三个角度出发首先对引航员指派问题建立切实的数学建模，该数学模型可扩展性强，可作为求解引航员指派的通用模型，在求解最优引航员指派模型的算法选择上采用了基于分布估计的改进离散粒子群算法，该方法通过对种群的评估，构造最优粒子子群，并基于最优粒子子群中引航员的分布信息建立引航员指派概率分布模型，依据概率分布模型通过轮盘赌方法进行粒子采样学习，求解引航员指派问题，求解精度高，建立的引航员指派问题模型是有效的、所提求解方法是高效的，避免资源配置浪费，效率高，降低成本，如图1所示，具体包括以下步骤，

步骤(A)，建立本地数据库，进行合同收池；

步骤(B)，从池中选出待指派引航员和待引航船舶，建立引航员指派问题模型；

步骤(C)，基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划；

步骤(D)，根据确定的最优引航员指派计划进行引航员指派。

所述步骤(B)建立引航员指派问题模型的过程，包括以下步骤，

(B1)，根据引航任务表中船舶的长度、吨位、类型、所载物品信息将船舶进行等级划分，将船舶划分为5个等级，船舶等级ship_di定义如下，ship_di∈{1,2,3,4,5}，其中，1，2，3，4，5为具体船舶等级，对应如下：

1为超甲类，吃水>＝13m或船长>＝250m或船长>＝180m客船或船长>＝168m进出狭窄航道或靠离油轮；

2为甲类，12m＝<吃水<13m或船长<168m进出狭窄航道或船长>＝168m油轮或吃水>＝10m油轮；

3为乙类，10m＝<吃水<12m；

4为丙类，8.5m＝<吃水<10m；

5为丁类，吃水<8.5m；

(B2)，根据引航员的能力及工作经验，对引航员进行等级划分，将引航员划分为5个等级，引航员等级pilot_di定义如下，pilot_di∈{1,2,3,4,5}，其中1，2，3，4，5为具体引航员等级，对应如下：

1为高级引航员，具有国家一级引航员适任证书的引航员；

2为一级引航员，具有国家二级引航员适任证书的引航员；

3为二级引航员，具有国家三级引航员适任证书且引航资历>＝24个月的引航员；

4为三级引航员，具有国家三级引航员适任证书且引航资历<24个月的引航员；

5为四级引航员，具有国家四级引航员适任证书的引航员；

(B3)，根据船舶等级，确定每个引航任务所需引航员的最低等级及人数，统计当天各引航任务所需引航员总人数Pilot_Need，确定每个引航任务所需引航员的最低等级及人数，如表1所示，

表1

(B4)，根据前一天引航员的作息情况对其疲劳程度进行等级划分，将引航员疲劳程度划分为5个等级，航员疲劳程度等级tired_di定义如下，tired_di∈{1,2,3,4,5}，其中1，2，3，4，5为引航员疲劳程度等级，对应如下，1为引航员前一天未工作；2为引航员前一天上午工作，下午未工作；3为引航员前一天下午工作，上午未工作；4为引航员前一天上、下午都工作；5为引航员前一天22：00点之前在工作，疲劳程度从1到5依次递增，5为最疲劳等级；

(B5)，统计当月引航员已工作时间以及可参与指派的引航员总人数Pilot_No；

(B6)，根据引航员指派过程中等级分配情况，建立引航员指派等级分配的过高费用数学模型和过低费用数学模型，

建立引航员指派等级分配的过高费用数学模型，如公式(1)所示，

其中，d_i为被指派引航员等级；d_need为对应船舶所需引航员最低等级；c₁，c₂，c₃，c₄为引航员等级分配过高费用权值，优选为20，40，70，150；cost_od为引航员等级分配过高费用函数；

建立引航员指派等级分配的过低费用数学模型，如公式(2)所示，

其中，d_i为被指派引航员等级，d_need为对应船舶所需引航员最低等级，c₅，c₆，c₇，c₈为引航员等级分配过低费用权值，优选为50，200，500，1500；cost_ud为引航员等级分配过低费用函数；

(B7)，根据引航员指派过程中引航员的疲劳程度，建立引航员指派疲劳程度数学模型，如公式(3)所示，

其中，td_i为被指派引航员的疲劳程度等级；c₉，c₁₀，c₁₁为引航员疲劳程度等级费用权值，优选为2，5，16；cost_td为引航员的疲劳程度费用函数；

(B8)，根据引航员指派过程中引航员工作时间差异，建立引航员工作时间均衡程度数学模型，如公式(4)所示，

其中，T_i为被指派引航员的工作时间；为可参与指派引航员工作时间的平均值，cost_wd为引航员工作时间差异产生的费用；

T_i的计算方法，根据公式(5)所示，

T_i＝T_i-1+t_i (5)

T_i-1为当日引航员指派之前当月已工作时间之和；t_i为当日工作所需时间；

的计算方法，根据公式(6)所示，

(B9)，根据(B6)、(B7)、(B8)建立各数学模型，建立引航员指派问题模型，根据公式(7)所示，

P＝w_o*cost_o+w_u*cost_u+w_t*cost_t+w_wd*cost_wd (7)

其中，P为引航员指派问题模型；cost_o为等级分配过高费用；cost_u为等级分配过低费用；cost_t为疲劳程度产生的费用；w_o、w_u、w_t、w_wd为各数学模型的权值，优选为10，20，500，1，

根据公式(8)，计算得到等级分配过高费用cost_o，

其中，cost_odi为被选中编号为i的引航员等级分配过高产生的花费；

根据公式(9)，计算得到等级分配过低费用cost_u，

其中，cost_udi为被选中编号为i的引航员等级分配过低产生的花费；

根据公式(10)，计算得疲劳程度产生的费用cost_t，

其中，cost_tdi为被选中编号为i的引航员的疲劳程度产生的费用；

步骤(C)所述基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划的方法，包括以下步骤，

(C1)，初始化参数，设置种群大小popsize(优选为Pilot_No的2至4倍)，运行总代数gen(优选为1000)，变异概率p_m(优选为0.2)；

(C2)，初始化种群，运行代数g置1，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复，其中：Pilot_No为可参与指派的引航员总人数；

(C3)，计算粒子适应度，根据适应度函数计算每个粒子适应度值并求得每个粒子的个体极值p_best及整个种群的全局极值g_best，计算粒子适应度包括以下步骤，

(C31)获得的引航任务所需引航员总人数Pilot_Need、可参与指派引航员总人数Pilot_No，根据确定的种群大小popsize，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复；

(C32)，定义序列位1至Pilot_Need与引航任务所需的Pilot_Need个引航员的最低等级一一对应，序列元素值为被指派引航员编号；

(C33)，从序列第1位开始，到序列第Pilot_Need位为止，根据公式(1)、公式(2)计算被指派引航员的等级与对应引航任务所需最低等级之间差异所产生的费用；

(C34)，根据公式(3)，计算序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用；

(C35)，根据公式(4)、公式(5)、公式(6)，计算序列第1到第Pilot_No位上被指派引航员工作时间差异产生的费用；

(C36)，根据公式(7)计算粒子适应度；

(C4)，将所有个体极值进行排序，以比率γ(优选为0.4)选择较优个体极值的粒子组成最优粒子子群，组成最优粒子子群的方法，包括以下步骤，

(C41)，将所有粒子的个体极值由小到大进行排序；

(C42)，根据比率γ和种群大小popsize依次选择适应度值较小的[γ*popsize+0.5]个粒子组成最优粒子子群，其中[γ*popsize+0.5]代表对r*poposize+0.5取整计算；

(C5)，根据最优粒子子群中各序列元素所代表的引航员分布信息构建引航员指派概率分布模型，包括以下步骤，

(C51)，统计最优粒子子群中，引航员j在粒子序列i上出现的次数N_ij，根据公式(11)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (11)

其中，

(C52)，构建引航员指派概率模型，引航员j在粒子序列i上出现的概率P_ij，根据公式(13)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (13)

(C53)，构建引航员指派概率分布模型，引航员j在粒子序列i上的概率分布F_ij，根据公式(14)得到，

0＜i＜Pilot_Need，0＜j＜Pilot_No (14)；

(C6)，每个粒子根据引航员指派概率分布模型执行采样学习过程，包括以下步骤，

(C61)，随机产生两个粒子位X₁、X₂，保持粒子中粒子位X₁、X₂之间的序列不变，其余粒子位置空；

(C62)，对于剩余粒子位的元素值，采用轮盘赌方法，采样引航员指派概率分布模型，得到新粒子；

(C7)，对学习后的粒子计算适应度值，若该值小于学习前的适应度值，则更新当前粒子；否则，随机产生一(0,1)间实数p_x，若p_x≤变异概率p_m，则对当前粒子执行变异操作；

(C8)，运行代数g加1，若g≤gen，则执行(C3)，直到g>gen，执行(C9)；

(C9)，输出全局极值g_best及全局最优粒子。

以上显示和描述了本发明的基本原理、主要特征及优点。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 (7)

1.基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：包括以下步骤，

步骤(A)，建立本地数据库，进行合同收池；

步骤(B)，从池中选出待指派引航员和待引航船舶，建立引航员指派问题模型；

步骤(C)，基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划；

步骤(D)，根据确定的最优引航员指派计划进行引航员指派；

所述步骤(B)建立引航员指派问题模型的过程，包括以下步骤，

(B1)，根据引航任务表中船舶的长度、吨位、类型、所载物品信息将船舶进行等级划分；

(B2)，根据引航员的能力及工作经验，对引航员进行等级划分；

(B3)，根据船舶等级，确定每个引航任务所需引航员的最低等级及人数，统计当天各引航任务所需引航员总人数Pilot_Need；

(B4)，根据前一天引航员的作息情况对其疲劳程度进行等级划分；

(B5)，统计当月引航员已工作时间以及可参与指派的引航员总人数Pilot_No；

(B6)，根据引航员指派过程中等级分配情况，建立引航员指派等级分配的过高费用数学模型和过低费用数学模型；

(B7)，根据引航员指派过程中引航员的疲劳程度，建立引航员指派疲劳程度数学模型；

(B8)，根据引航员指派过程中引航员工作时间差异，建立引航员工作时间均衡程度数学模型；

(B9)，根据(B6)、(B7)、(B8)建立各数学模型，建立引航员指派问题模型；

所述步骤(C)基于分布估计改进离散粒子群算法对建立的引航员指派问题模型进行求解，找出最优引航员指派计划的方法，包括以下步骤，

(C1)，初始化参数，设置种群大小popsize，运行总代数gen，变异概率p_m；

(C2)，初始化种群，运行代数g置1，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复，其中：Pilot_No为可参与指派的引航员总人数；

(C3)，计算粒子适应度，根据适应度函数计算每个粒子适应度值并求得每个粒子的个体极值p_best及整个种群的全局极值g_best；

(C4)，将所有个体极值进行排序，以比率γ选择较优个体极值的粒子组成最优粒子子群；

(C5)，根据最优粒子子群中各序列元素所代表的引航员分布信息构建引航员指派概率分布模型；

(C6)，每个粒子根据引航员指派概率分布模型执行采样学习过程；

(C7)，对学习后的粒子计算适应度值，若该值小于学习前的适应度值，则更新当前粒子；否则，随机产生一(0,1)间实数p_x，若p_x≤变异概率p_m，则对当前粒子执行变异操作；

(C8)，运行代数g加1，若g≤gen，则执行(C3)，直到g>gen，执行(C9)；

(C9)，输出全局极值g_best及全局最优粒子。

2.根据权利要求1所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：

(B1)，根据引航任务表中船舶的长度、吨位、类型、所载物品信息将船舶进行等级划分的方法为，

将船舶划分为5个等级，船舶等级ship_di定义如下，ship_di∈{1,2,3,4,5}，其中，1，2，3，4，5为具体船舶等级，对应如下：

1为超甲类，吃水>＝13m或船长>＝250m或船长>＝180m客船或船长>＝168m进出狭窄航道或靠离油轮；

2为甲类，12m＝<吃水<13m或船长<168m进出狭窄航道或船长>＝168m油轮或吃水>＝10m油轮；

3为乙类，10m＝<吃水<12m；

4为丙类，8.5m＝<吃水<10m；

5为丁类，吃水<8.5m；

(B2)，根据引航员的能力及工作经验，对引航员进行等级划分的方法为，

将引航员划分为5个等级，引航员等级pilot_di定义如下，pilot_di∈{1,2,3,4,5}，其中1，2，3，4，5为具体引航员等级，对应如下：

1为高级引航员，具有国家一级引航员适任证书的引航员；

2为一级引航员，具有国家二级引航员适任证书的引航员；

3为二级引航员，具有国家三级引航员适任证书且引航资历>＝24个月的引航员；

4为三级引航员，具有国家三级引航员适任证书且引航资历<24个月的引航员；

5为四级引航员，具有国家四级引航员适任证书的引航员；

(B3)，根据船舶等级，确定每个引航任务所需引航员的最低等级及人数，

若船舶等级为超甲类，所需引航员人数为两个，所述引航员最低等级要求为一个高级引航员、一个二级引航员；

若船舶等级为甲类，所需引航员人数为两个，所述引航员最低等级要求为为一个一级引航员、一个二级引航员；

若船舶等级为乙类，所需引航员人数为一个，所述引航员最低等级要求为为一个二级引航员；

若船舶等级为丙类，所需引航员人数为一个，所述引航员最低等级要求为为一个三级引航员；

若船舶等级为丁类，所需引航员人数为一个，所述引航员最低等级要求为为一个四级引航员；

(B4)，根据前一天引航员的作息情况对其疲劳程度进行等级划分的方法为，

将引航员疲劳程度划分为5个等级，航员疲劳程度等级tired_di定义如下，tired_di∈{1,2,3,4,5}，其中1，2，3，4，5为引航员疲劳程度等级，对应如下，1为引航员前一天未工作；2为引航员前一天上午工作，下午未工作；3为引航员前一天下午工作，上午未工作；4为引航员前一天上、下午都工作；5为引航员前一天22：00点之前在工作，疲劳程度从1到5依次递增，5为最疲劳等级；

(B6)，建立引航员指派等级分配的过高费用数学模型，如公式(1)所示，

其中，d_i为被指派引航员等级；d_need为对应船舶所需引航员最低等级；c₁，c₂，c₃，c₄为引航员等级分配过高费用权值；cost_od为引航员等级分配过高费用函数；

建立引航员指派等级分配的过低费用数学模型，如公式(2)所示，

其中，d_i为被指派引航员等级，d_need为对应船舶所需引航员最低等级，c₅，c₆，c₇，c₈为引航员等级分配过低费用权值；cost_ud为引航员等级分配过低费用函数；

(B7)，建立引航员指派疲劳程度数学模型，如公式(3)所示，

<mrow> <msub> <mi>cost</mi> <mrow> <mi>t</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>td</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>c</mi> <mn>9</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>td</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>2</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>c</mi> <mn>10</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>td</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>3</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <msub> <mi>c</mi> <mn>11</mn> </msub> </mtd> <mtd> <mrow> <msub> <mi>td</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>4</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mi>&amp;infin;</mi> </mtd> <mtd> <mrow> <msub> <mi>td</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>5</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

其中，td_i为被指派引航员的疲劳程度等级；c₉，c₁₀，c₁₁为引航员疲劳程度等级费用权值；cost_td为引航员的疲劳程度费用函数；

(B8)，建立引航员工作时间均衡程度数学模型，如公式(4)所示，

<mrow> <msub> <mi>cost</mi> <mrow> <mi>w</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mover> <mi>T</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

其中，T_i为被指派引航员的工作时间；为可参与指派引航员工作时间的平均值，cost_wd为引航员工作时间差异产生的费用；

T_i的计算方法，根据公式(5)所示，

T_i＝T_i-1+t_i (5)

T_i-1为当日引航员指派之前当月已工作时间之和；t_i为当日工作所需时间；

的计算方法，根据公式(6)所示，

<mrow> <msub> <mover> <mi>T</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>-</mo> <mi>N</mi> <mi>o</mi> </mrow> </munderover> <msub> <mi>T</mi> <mi>i</mi> </msub> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

(B9)建立引航员指派问题模型，根据公式(7)所示，

P＝w_o*cost_o+w_u*cost_u+w_t*cost_t+w_wd*cost_wd (7)

其中，P为引航员指派问题模型；cost_o为等级分配过高费用；cost_u为等级分配过低费用；cost_t为疲劳程度产生的费用；w_o、w_u、w_t、w_wd为各数学模型的权值。

3.根据权利要求2所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：

根据公式(8)，计算得到等级分配过高费用cost_o，

<mrow> <msub> <mi>cost</mi> <mi>o</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> </mrow> </munderover> <msub> <mi>cost</mi> <mrow> <mi>o</mi> <mi>d</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

其中，cost_odi为被选中编号为i的引航员等级分配过高产生的花费；

根据公式(9)，计算得到等级分配过低费用cost_u，

<mrow> <msub> <mi>cost</mi> <mi>u</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> </mrow> </munderover> <msub> <mi>cost</mi> <mrow> <mi>u</mi> <mi>d</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

其中，cost_udi为被选中编号为i的引航员等级分配过低产生的花费；

根据公式(10)，计算得疲劳程度产生的费用cost_t，

<mrow> <msub> <mi>cost</mi> <mi>t</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> </mrow> </munderover> <msub> <mi>cost</mi> <mrow> <mi>t</mi> <mi>d</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

其中，cost_tdi为被选中编号为i的引航员的疲劳程度产生的费用。

4.根据权利要求2所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C3)，计算粒子适应度的方法，包括以下步骤，

(C31)获得的引航任务所需引航员总人数Pilot_Need、可参与指派引航员总人数Pilot_No，根据确定的种群大小popsize，随机产生popsize个粒子，每个粒子为一具有Pilot_No个元素的整数序列，粒子中的各元素从集合{1，2，…，Pilot_No}中取值且互不重复；

(C32)，定义序列位1至Pilot_Need与引航任务所需的Pilot_Need个引航员的最低等级一一对应，序列元素值为被指派引航员编号；

(C33)，从序列第1位开始，到序列第Pilot_Need位为止，根据公式(1)、公式(2)计算被指派引航员的等级与对应引航任务所需最低等级之间差异所产生的费用；

(C34)，根据公式(3)，计算序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用；

(C35)，根据公式(4)、公式(5)、公式(6)，计算序列第1到第Pilot_No位上被指派引航员工作时间差异产生的费用；

(C36)，根据公式(7)计算粒子适应度。

5.根据权利要求1所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C4)组成最优粒子子群的方法，包括以下步骤，

(C41)，将所有粒子的个体极值由小到大进行排序；

(C42)，根据比率γ和种群大小popsize依次选择适应度值较小的[γ^*popsize+0.5]个粒子组成最优粒子子群，其中[γ^*popsize+0.5]代表对r^*poposize+0.5取整计算。

6.根据权利要求1所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C5)根据最优粒子子群中各序列元素所代表的引航员分布信息构建引航员指派概率分布模型，包括以下步骤，

(C51)，统计最优粒子子群中，引航员j在粒子序列i上出现的次数N_ij，根据公式(11)得到，

<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>p</mi> <mi>o</mi> <mi>p</mi> <mi>s</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> </mrow> </munderover> <msub> <mi>n</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&lt;</mo> <mi>i</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> <mo>,</mo> <mn>0</mn> <mo>&lt;</mo> <mi>j</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>

其中，

(C52)，构建引航员指派概率模型，引航员j在粒子序列i上出现的概率P_ij，根据公式(13)得到，

<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <msub> <mi>i</mi> <mi>j</mi> </msub> </msub> <mo>=</mo> <mfrac> <msub> <mi>N</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mrow> <mi>p</mi> <mi>o</mi> <mi>p</mi> <mi>s</mi> <mi>i</mi> <mi>z</mi> <mi>e</mi> </mrow> </mfrac> </mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&lt;</mo> <mi>i</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> <mo>,</mo> <mn>0</mn> <mo>&lt;</mo> <mi>j</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

(C53)，构建引航员指派概率分布模型，引航员j在粒子序列i上的概率分布F_ij，根据公式(14)得到，

<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>F</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>j</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <mn>0</mn> <mo>&lt;</mo> <mi>i</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>e</mi> <mi>e</mi> <mi>d</mi> <mo>,</mo> <mn>0</mn> <mo>&lt;</mo> <mi>j</mi> <mo>&lt;</mo> <mi>P</mi> <mi>i</mi> <mi>l</mi> <mi>o</mi> <mi>t</mi> <mo>_</mo> <mi>N</mi> <mi>o</mi> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>

7.根据权利要求1所述的基于分布估计改进离散粒子群算法的引航员指派方法，其特征在于：(C6)每个粒子根据引航员指派概率分布模型执行采样学习过程，包括以下步骤，

(C61)，随机产生两个粒子位X₁、X₂，保持粒子中粒子位X₁、X₂之间的序列不变，其余粒子位置空；

(C62)，对于剩余粒子位的元素值，采用轮盘赌方法，采样引航员指派概率分布模型，得到新粒子。