CN104268640A - 一种引航员指派方法 - Google Patents
一种引航员指派方法 Download PDFInfo
- Publication number
- CN104268640A CN104268640A CN201410465080.8A CN201410465080A CN104268640A CN 104268640 A CN104268640 A CN 104268640A CN 201410465080 A CN201410465080 A CN 201410465080A CN 104268640 A CN104268640 A CN 104268640A
- Authority
- CN
- China
- Prior art keywords
- pilot
- cost
- grade
- class
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种引航员指派方法,包括如下步骤:建立本地数据库,进行合同收池;从池中选出待指派引航员和待引航船舶,建立引航员指派模型;基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划;根据确定的最优引航员指派计划进行引航员指派。本发明对引航员指派建立了数学建模,具有较强的扩展性,可作为求解引航员指派的通用模型,较好地解决了引航员指派问题,具有求解精度高、求解时间短、资源分配合理、利用率高的优点;在求解最优引航员指派模型的算法选择上采用了基于动态子种群改进遗传算法,该改进算法具有交叉概率随动态子种群变化的特点。
Description
技术领域
本发明涉及一种引航员指派方法,属于引航技术领域。
背景技术
中国是一个港口大国,在2013年全球前十大港口排名中,中国占有8席。港口事业的飞速发展为中国各大港口送来了机遇,同时也提出了挑战。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因素。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,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。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种引航员指派方法,解决现有技术中引航员指派不合理、资源配置浪费的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:一种引航员指派方法,包括以下步骤:
步骤(1a):建立本地数据库,进行合同收池;
步骤(1b):从池中选出待指派引航员和待引航船舶,建立引航员指派模型;
步骤(1c):基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划;
步骤(1d):根据确定的最优引航员指派计划进行引航员指派。
所述引航员指派模型的建立步骤如下:
步骤(2a):对船舶、引航员分别进行等级划分;
步骤(2b):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;
步骤(2c):根据引航员前一天的作息情况对其疲劳程度进行等级划分;
步骤(2d):统计当月引航员已工作时间及可参与指派的引航员总人数Pilot_No;
步骤(2e):根据引航员指派过程中等级分配情况,建立引航员等级分配过高费用函数costod数学模型与引航员等级分配过低费用函数costud数学模型;
步骤(2f):根据引航员指派过程中引航员的疲劳程度,建立引航员的疲劳程度费用函数costtd数学模型;
步骤(2g):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费用函数costwd数学模型;
步骤(2h):根据步骤(2e)、(2f)、(2g),建立引航员指派模型的费用函数:
P=wo*costo+wu*costu+wt*costt+wwd*costwd (1)
costo为等级分配过高费用,costo计算公式如下:
其中:costodi为被选中编号为i的引航员等级分配过高产生的花费;
costu为等级分配过低费用,costu计算公式如下:
其中:costudi为被选中编号为i的引航员等级分配过低产生的花费;
costt为疲劳程度产生的费用,costt计算公式如下:
其中:costtdi为被选中编号为i的引航员的疲劳程度产生的费用;
costwd为引航员工作时间均衡程度费用,costwd计算公式如下:
其中:Ti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;
Ti计算方法如下:
Ti=Ti-1+ti (6)
Ti-1为当日引航员指派之前当月已工作时间之和,ti为当日工作所需时间;
计算方法如下:
wo、wu、wt、wwd为权值。
所述船舶等级由高到低划分为5个等级:超甲类、甲类、乙类、丙类、丁类,船舶等级shipdi定义如下:
shipdi∈{1,2,3,4,5}
1,2,3,4,5为具体船舶等级,对应如下:
1:超甲类:吃水>=13m或船长>=250m或船长>=180m的客船或船长>=168m进出狭窄航道或靠离油轮;
2: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:乙类:10m=<吃水<12m;
4:丙类:8.5m=<吃水<10m;
5:丁类:吃水<8.5m。
所述引航员等级由高到低划分为5个等级:高级引航员、一级引航员、二级引航员、三级引航员、四级引航员,引航员等级pilotdi定义如下:
pilotdi∈{1,2,3,4,5}
1,2,3,4,5为具体引航员等级,含义如下:
1:高级引航员:具有国家一级引航员适任证书的引航员;
2:一级引航员:具有国家二级引航员适任证书的引航员;
3:二级引航员: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;
4:三级引航员: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;
5:四级引航员:具有国家四级引航员适任证书的引航员。
根据船舶的等级,不同等级船舶所需的引航员人数及最低等级要求如表1所示:
表1:
船舶等级 | 所需引航员人数 | 引航员最低等级要求 |
超甲类 | 两个引航员 | 高级引航员、二级引航员 |
甲类 | 两个引航员 | 一级引航员、二级引航员 |
乙类 | 一个引航员 | 二级引航员 |
丙类 | 一个引航员 | 三级引航员 |
丁类 | 一个引航员 | 四级引航员 |
所述引航员等级分配过高费用函数costod数学模型设计如下:
di为被指派引航员等级,dneed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。
所述引航员等级分配过低费用函数costud数学模型设计如下:
di为被指派引航员等级,dneed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。
所述引航员疲劳程度划分为5个等级,疲劳程度等级tireddi定义如下:
tireddi∈{1,2,3,4,5}
1,2,3,4,5为引航员疲劳程度等级,对应如下:
1:引航员昨天未工作;
2:引航员昨天上午工作,下午未工作;
3:引航员昨天下午工作,上午未工作;
4:引航员昨天上、下午都工作;
5:引航员昨天22:00点之前在工作;
其中,疲劳程度从1到5依次递增,5为最疲劳等级。
所述引航员的疲劳程度费用函数costtd数学模型设计如下:
tdi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。
所述步骤(1c)基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划,具体步骤如下:
步骤(10a):初始化参数:设置种群大小popsize、总运行代数gen、运行次数g=1,变异概率pm;
步骤(10b):初始化种群:随机产生popsize个个体,每个个体为一具有Pilot_No个元素的整数序列,个体中的各元素从集合{1,2,…,Pilot_No}中取值且互不重复;
步骤(10c):计算个体适应度:根据适应度函数计算个体适应度,并求得最优个体及其适应度,其中,适应度函数采用公式(1)所述的引航员指派模型的费用函数;
步骤(10d):适应度排序:将个体按适应度由小到大顺序进行排序;
步骤(10e):计算当前种群pop的适应度平均值avg1并选择所有适应度小于avg1的个体,得到子种群subpop1,记subpop1种群大小为popsize1;
步骤(10f):计算子种群subpop1的适应度平均值avg2并选择所有适应度小于avg2的个体,得到子种群subpop2,记subpop2种群大小为popsize2;
步骤(10g):从种群中选择一个体进行动态子种群交叉;
步骤(10h):对交叉后的个体进行适应度计算,如果该值小于交叉前适应度,则更新当前个体;否则,产生一(0,1)间随机实数r1,如r1不大于变异概率pm,则对当前个体执行变异操作;
步骤(10i):如果运行次数g小于总运行代数gen,则g=g+1,转步骤(10c),否则,将当前个体作为最优个体输出。
对于步骤(10c),个体适应度计算的具体步骤如下:
步骤(11a):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;
步骤(11b):从序列第1位开始,到序列第Pilot_Need位为止,按公式(8)、(9)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;
步骤(11c):按公式(10)统计序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用;
步骤(11d):按公式(6)、(7)统计序列第1到第Pilot_Need位上被指派引航员工作时间差异产生的费用;
步骤(11e):按公式(1)计算个体适应度。
所述步骤(10g),从种群中选择一个体进行动态子种群交叉的具体步骤如下:
步骤(12a):由步骤(10a)所得popsize、步骤(10e)所得popsize1、步骤(10f)所得popsize2求得动态交叉概率ps1,ps2,ps1,ps2由以下公式求得:
步骤(12b):随机产生一个(0,1)间实数r;
步骤(12c):如果r≤ps2,则从子种群subpop2中随机选择一个个体作为交叉对象;如果ps2<r≤ps1,则从子种群subpop1中随机选择一个个体作为交叉对象;如果r>ps1,则从种群pop中随机选择一个个体作为交叉对象;当前个体与所选交叉对象进行交叉操作。
本发明所达到的有益效果:本发明提出了一种引航员指派方法,该方法从安全、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动态子种群改进遗传算法,该改进算法具有交叉概率随动态子种群变化的特点,在引航任务数较多,引航员情况较复杂的情况下,相比一般算法具有更优的寻优能力;该方法考虑了引航员的工作量均衡等重要条件,较好地解决了引航员指派问题,具有求解精度高、求解时间短、资源分配合理、利用率高的优点。
附图说明
图1是基于动态子种群改进遗传算法求解引航员指派模型的程序流程图。
具体实施方式
下面结合附图对本发明作进一步描述。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。
一种引航员指派方法,包括以下步骤:
步骤(1a):建立本地数据库,进行合同收池。
步骤(1b):从池中选出待指派引航员和待引航船舶,建立引航员指派模型。
步骤(1c):基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划。
步骤(1d):根据确定的最优引航员指派计划进行引航员指派。
对于步骤(1b)所述的引航员指派模型的建立步骤如下:
步骤(2a):将船舶由高到低划分为5个等级:超甲类、甲类、乙类、丙类、丁类,船舶等级shipdi定义如下:
shipdi∈{1,2,3,4,5}
1,2,3,4,5为具体船舶等级,对应如下:
1:超甲类:吃水>=13m或船长>=250m或船长>=180m的客船或船长>=168m进出狭窄航道或靠离油轮;
2: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:乙类:10m=<吃水<12m;
4:丙类:8.5m=<吃水<10m;
5:丁类:吃水<8.5m。
将引航员由高到低划分为5个等级:高级引航员、一级引航员、二级引航员、三级引航员、四级引航员,引航员等级pilotdi定义如下:
pilotdi∈{1,2,3,4,5}
1,2,3,4,5为具体引航员等级,含义如下:
1:高级引航员:具有国家一级引航员适任证书的引航员;
2:一级引航员:具有国家二级引航员适任证书的引航员;
3:二级引航员: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;
4:三级引航员: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;
5:四级引航员:具有国家四级引航员适任证书的引航员。
步骤(2b):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;
根据船舶的等级,不同等级船舶所需的引航员人数及最低等级要求如表1所示:
表1:
船舶等级 | 所需引航员人数 | 引航员最低等级要求 |
超甲类 | 两个引航员 | 高级引航员、二级引航员 |
甲类 | 两个引航员 | 一级引航员、二级引航员 |
乙类 | 一个引航员 | 二级引航员 |
丙类 | 一个引航员 | 三级引航员 |
丁类 | 一个引航员 | 四级引航员 |
步骤(2c):根据引航员前一天的作息情况对其疲劳程度划分为5个等级,疲劳程度等级tireddi定义如下:
tireddi∈{1,2,3,4,5}
1,2,3,4,5为引航员疲劳程度等级,对应如下:
1:引航员昨天未工作;
2:引航员昨天上午工作,下午未工作;
3:引航员昨天下午工作,上午未工作;
4:引航员昨天上、下午都工作;
5:引航员昨天22:00点之前在工作;
其中,疲劳程度从1到5依次递增,5为最疲劳等级。
步骤(2d):统计当月引航员已工作时间及可参与指派的引航员总人数Pilot_No;
步骤(2e):根据引航员指派过程中等级分配情况,建立引航员等级分配过高费用函数costod数学模型与引航员等级分配过低费用函数costud数学模型:
引航员等级分配过高费用函数costod数学模型设计如下:
di为被指派引航员等级,dneed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,c1的取值范围是15~25,优选20;c2的取值范围是35~45,优选40;c3的取值范围是60~80,优选70;c4的取值范围是130~170,优选150。
引航员等级分配过低费用函数costud数学模型设计如下:
di为被指派引航员等级,dneed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,c5的取值范围是45~55,优选50;c6的取值范围是180~220,优选200;c7的取值范围是450~550,优选500;c8的取值范围是1200~1700,优选1500。
步骤(2f):根据引航员指派过程中引航员的疲劳程度,建立引航员的疲劳程度费用函数costtd数学模型,根据步骤(2c)划分的引航员疲劳程度,设计引航员的疲劳程度费用函数costtd数学模型:
tdi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,c9的取值范围是1.8~2.2,优选2;c10的取值范围是4.6~5.4,优选5;c11的取值范围是15~17,优选16。
步骤(2g):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费用函数costwd数学模型;
costwd计算公式如下:
其中:Ti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;
Ti计算方法如下:
Ti=Ti-1+ti (6)
Ti-1为当日引航员指派之前当月已工作时间之和,ti为当日工作所需时间;
计算方法如下:
wo、wu、wt、wwd为权值。wo的取值范围是9.5~10.5,优选10;wu的取值范围是19~21,优选20;wt的取值范围是450~550,优选500;wwd的取值范围是0.9~1.1,优选1。
步骤(2h):根据步骤(2e)、(2f)、(2g),建立引航员指派模型的费用函数:
P=wo*costo+wu*costu+wt*costt+wwd*costwd (1)
costo为等级分配过高费用,costo计算公式如下:
其中:costodi为被选中编号为i的引航员等级分配过高产生的花费;
costu为等级分配过低费用,costu计算公式如下:
其中:costudi为被选中编号为i的引航员等级分配过低产生的花费;
costt为疲劳程度产生的费用,costt计算公式如下:
其中:costtdi为被选中编号为i的引航员的疲劳程度产生的费用。
对于步骤(1c),基于动态子种群改进遗传算法对引航员指派模型进行求解,
找出最优引航员指派计划,如图1所示,具体步骤如下:
步骤(10a):初始化参数:设置种群大小popsize、总运行代数gen、运行次数g=1,变异概率pm;
步骤(10b):初始化种群:随机产生popsize个个体,每个个体为一具有Pilot_No个元素的整数序列,个体中的各元素从集合{1,2,…,Pilot_No}中取值且互不重复;
步骤(10c):计算个体适应度:根据适应度函数计算个体适应度,并求得最优个体及其适应度,其中,适应度函数采用公式(1)所述的引航员指派模型的费用函数;个体适应度计算的具体步骤如下:
步骤(11a):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;
步骤(11b):从序列第1位开始,到序列第Pilot_Need位为止,按公式(8)、(9)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;
步骤(11c):按公式(10)统计序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用;
步骤(11d):按公式(6)、(7)统计序列第1到第Pilot_Need位上被指派引航员工作时间差异产生的费用;
步骤(11e):按公式(1)计算个体适应度。
步骤(10d):适应度排序:将个体按适应度由小到大顺序进行排序;
步骤(10e):计算当前种群pop的适应度平均值avg1并选择所有适应度小于avg1的个体,得到子种群subpop1,记subpop1种群大小为popsize1;
步骤(10f):计算子种群subpop1的适应度平均值avg2并选择所有适应度小于avg2的个体,得到子种群subpop2,记subpop2种群大小为popsize2;
步骤(10g):从种群中选择一个体进行动态子种群交叉,具体步骤如下:
步骤(12a):由步骤(10a)所得popsize、步骤(10e)所得popsize1、步骤(10f)所得popsize2求得动态交叉概率ps1,ps2,ps1,ps2由以下公式求得:
步骤(12b):随机产生一个(0,1)间实数r;
步骤(12c):如果r≤ps2,则从子种群subpop2中随机选择一个个体作为交叉对象;如果ps2<r≤ps1,则从子种群subpop1中随机选择一个个体作为交叉对象;如果r>ps1,则从种群pop中随机选择一个个体作为交叉对象;当前个体与所选交叉对象进行交叉操作。
步骤(10h):对交叉后的个体进行适应度计算,如果该值小于交叉前适应度,则更新当前个体;否则,产生一(0,1)间随机实数r1,如r1不大于变异概率pm,则对当前个体执行变异操作;
步骤(10i):如果运行次数g小于总运行代数gen,则g=g+1,转步骤(10c),否则,将当前个体作为最优个体输出。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (12)
1.一种引航员指派方法,其特征在于,包括以下步骤:
步骤(1a):建立本地数据库,进行合同收池;
步骤(1b):从池中选出待指派引航员和待引航船舶,建立引航员指派模型;
步骤(1c):基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划;
步骤(1d):根据确定的最优引航员指派计划进行引航员指派。
2.根据权利要求1所述的引航员指派方法,其特征在于,所述引航员指派模型的建立步骤如下:
步骤(2a):对船舶、引航员分别进行等级划分;
步骤(2b):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;
步骤(2c):根据引航员前一天的作息情况对其疲劳程度进行等级划分;
步骤(2d):统计当月引航员已工作时间及可参与指派的引航员总人数Pilot_No;
步骤(2e):根据引航员指派过程中等级分配情况,建立引航员等级分配过高费用函数costod数学模型与引航员等级分配过低费用函数costud数学模型;
步骤(2f):根据引航员指派过程中引航员的疲劳程度,建立引航员的疲劳程度费用函数costtd数学模型;
步骤(2g):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费用函数costwd数学模型;
步骤(2h):根据步骤(2e)、(2f)、(2g),建立引航员指派模型的费用函数:
P=wo*costo+wu*costu+wt*costt+wwd*costwd (1)
costo为等级分配过高费用,costo计算公式如下:
其中:costodi为被选中编号为i的引航员等级分配过高产生的花费;
costu为等级分配过低费用,costu计算公式如下:
其中:costudi为被选中编号为i的引航员等级分配过低产生的花费;
costt为疲劳程度产生的费用,costt计算公式如下:
其中:costtdi为被选中编号为i的引航员的疲劳程度产生的费用;
costwd为引航员工作时间均衡程度费用,costwd计算公式如下:
其中:Ti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;
Ti计算方法如下:
Ti=Ti-1+ti (6)
Ti-1为当日引航员指派之前当月已工作时间之和,ti为当日工作所需时间;
计算方法如下:
wo、wu、wt、wwd为权值。
3.根据权利要求2所述的引航员指派方法,其特征在于,所述船舶等级由高到低划分为5个等级:超甲类、甲类、乙类、丙类、丁类,船舶等级shipdi定义如下:
shipdi∈{1,2,3,4,5}
1,2,3,4,5为具体船舶等级,对应如下:
1:超甲类:吃水>=13m或船长>=250m或船长>=180m的客船或船长>=168m进出狭窄航道或靠离油轮;
2: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:乙类:10m=<吃水<12m;
4:丙类:8.5m=<吃水<10m;
5:丁类:吃水<8.5m。
4.根据权利要求3所述的引航员指派方法,其特征在于,所述引航员等级由高到低划分为5个等级:高级引航员、一级引航员、二级引航员、三级引航员、四级引航员,引航员等级pilotdi定义如下:
pilotdi∈{1,2,3,4,5}
1,2,3,4,5为具体引航员等级,含义如下:
1:高级引航员:具有国家一级引航员适任证书的引航员;
2:一级引航员:具有国家二级引航员适任证书的引航员;
3:二级引航员: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;
4:三级引航员: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;
5:四级引航员:具有国家四级引航员适任证书的引航员。
5.根据权利要求4所述的引航员指派方法,其特征在于,根据船舶的等级,不同等级船舶所需的引航员人数及最低等级要求如表1所示:
表1:
6.根据权利要求5所述的引航员指派方法,其特征在于,所述引航员等级分配过高费用函数costod数学模型设计如下:
di为被指派引航员等级,dneed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。
7.根据权利要求6所述的引航员指派方法,其特征在于,所述引航员等级分配过低费用函数costud数学模型设计如下:
di为被指派引航员等级,dneed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。
8.根据权利要求7所述的引航员指派方法,其特征在于,所述引航员疲劳程度划分为5个等级,疲劳程度等级tireddi定义如下:
tireddi∈{1,2,3,4,5}
1,2,3,4,5为引航员疲劳程度等级,对应如下:
1:引航员昨天未工作;
2:引航员昨天上午工作,下午未工作;
3:引航员昨天下午工作,上午未工作;
4:引航员昨天上、下午都工作;
5:引航员昨天22:00点之前在工作;
其中,疲劳程度从1到5依次递增,5为最疲劳等级。
9.根据权利要求8所述的引航员指派方法,其特征在于,所述引航员的疲劳程度费用函数costtd数学模型设计如下:
tdi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。
10.根据权利要求9所述的引航员指派方法,其特征在于,所述步骤(1c)基于动态子种群改进遗传算法对引航员指派模型进行求解,找出最优引航员指派计划,具体步骤如下:
步骤(10a):初始化参数:设置种群大小popsize、总运行代数gen、运行次数g=1,变异概率pm;步骤(10b):初始化种群:随机产生popsize个个体,每个个体为一具有Pilot_No个元素的整数序列,个体中的各元素从集合{1,2,…,Pilot_No}中取值且互不重复;
步骤(10c):计算个体适应度:根据适应度函数计算个体适应度,并求得最优个体及其适应度,其中,适应度函数采用公式(1)所述的引航员指派模型的费用函数;
步骤(10d):适应度排序:将个体按适应度由小到大顺序进行排序;
步骤(10e):计算当前种群pop的适应度平均值avg1并选择所有适应度小于avg1的个体,得到子种群subpop1,记subpop1种群大小为popsize1;
步骤(10f):计算子种群subpop1的适应度平均值avg2并选择所有适应度小于avg2的个体,得到子种群subpop2,记subpop2种群大小为popsize2;
步骤(10g):从种群中选择一个体进行动态子种群交叉;
步骤(10h):对交叉后的个体进行适应度计算,如果该值小于交叉前适应度,则更新当前个体;否则,产生一(0,1)间随机实数r1,如r1不大于变异概率pm,则对当前个体执行变异操作;
步骤(10i):如果运行次数g小于总运行代数gen,则g=g+1,转步骤(10c),否则,将当前个体作为最优个体输出。
11.根据权利要求10所述的引航员指派方法,其特征在于,对于步骤(10c),个体适应度计算的具体步骤如下:
步骤(11a):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;
步骤(11b):从序列第1位开始,到序列第Pilot_Need位为止,按公式(8)、(9)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;
步骤(11c):按公式(10)统计序列第1到第Pilot_Need位上被指派引航员的疲劳程度产生的费用;
步骤(11d):按公式(6)、(7)统计序列第1到第Pilot_Need位上被指派引航员工作时间差异产生的费用;
步骤(11e):按公式(1)计算个体适应度。
12.根据权利要求10所述的引航员指派方法,其特征在于,所述步骤(10g),从种群中选择一个体进行动态子种群交叉的具体步骤如下:
步骤(12a):由步骤(10a)所得popsize、步骤(10e)所得popsize1、步骤(10f)所得popsize2求得动态交叉概率ps1,ps2,ps1,ps2由以下公式求得:
步骤(12b):随机产生一个(0,1)间实数r;
步骤(12c):如果r≤ps2,则从子种群subpop2中随机选择一个个体作为交叉对象;如果ps2<r≤ps1,则从子种群subpop1中随机选择一个个体作为交叉对象;如果r>ps1,则从种群pop中随机选择一个个体作为交叉对象;当前个体与所选交叉对象进行交叉操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410465080.8A CN104268640B (zh) | 2014-09-12 | 2014-09-12 | 一种引航员指派方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410465080.8A CN104268640B (zh) | 2014-09-12 | 2014-09-12 | 一种引航员指派方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268640A true CN104268640A (zh) | 2015-01-07 |
CN104268640B CN104268640B (zh) | 2017-10-20 |
Family
ID=52160160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410465080.8A Active CN104268640B (zh) | 2014-09-12 | 2014-09-12 | 一种引航员指派方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268640B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523151A (zh) * | 2018-11-09 | 2019-03-26 | 上海港引航站 | 一种基于数据驱动的港口船舶引航智能调度方法 |
CN111008788A (zh) * | 2019-12-17 | 2020-04-14 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
CN111027877A (zh) * | 2019-12-17 | 2020-04-17 | 河海大学常州校区 | 一种基于改进智能水滴算法的引航员指派方法和装置 |
CN111105088A (zh) * | 2019-12-17 | 2020-05-05 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的船舶引航排班方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7257459B1 (en) * | 2006-12-27 | 2007-08-14 | Advanced Micro Devices, Inc. | Method and apparatus for scheduling pilot lots |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
US20100318495A1 (en) * | 2009-06-12 | 2010-12-16 | Sap Ag | Correlation aware synchronization for near real-time decision support |
CN103400251A (zh) * | 2013-08-02 | 2013-11-20 | 天津港中煤华能煤码头有限公司 | 基于遗传算法的散货码头泊位快速分配系统及方法 |
CN103473616A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 用于处理多品种物资仓储的动态货位分配规划方法与系统 |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
-
2014
- 2014-09-12 CN CN201410465080.8A patent/CN104268640B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7257459B1 (en) * | 2006-12-27 | 2007-08-14 | Advanced Micro Devices, Inc. | Method and apparatus for scheduling pilot lots |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
US20100318495A1 (en) * | 2009-06-12 | 2010-12-16 | Sap Ag | Correlation aware synchronization for near real-time decision support |
CN103400251A (zh) * | 2013-08-02 | 2013-11-20 | 天津港中煤华能煤码头有限公司 | 基于遗传算法的散货码头泊位快速分配系统及方法 |
CN103473616A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 用于处理多品种物资仓储的动态货位分配规划方法与系统 |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
Non-Patent Citations (1)
Title |
---|
吴祖新: ""基于模拟退火算法的引航排班系统的研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523151A (zh) * | 2018-11-09 | 2019-03-26 | 上海港引航站 | 一种基于数据驱动的港口船舶引航智能调度方法 |
CN111008788A (zh) * | 2019-12-17 | 2020-04-14 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
CN111027877A (zh) * | 2019-12-17 | 2020-04-17 | 河海大学常州校区 | 一种基于改进智能水滴算法的引航员指派方法和装置 |
CN111105088A (zh) * | 2019-12-17 | 2020-05-05 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的船舶引航排班方法 |
CN111027877B (zh) * | 2019-12-17 | 2022-07-22 | 河海大学常州校区 | 一种基于改进智能水滴算法的引航员指派方法和装置 |
CN111008788B (zh) * | 2019-12-17 | 2022-07-26 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的引航员指派方法 |
CN111105088B (zh) * | 2019-12-17 | 2022-07-26 | 河海大学常州校区 | 一种基于改进离散头脑风暴优化算法的船舶引航排班方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104268640B (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268640A (zh) | 一种引航员指派方法 | |
CN106779372B (zh) | 基于改进免疫禁忌算法的农机调度方法 | |
CN105911867B (zh) | 基于nsga-ii算法的船舶推力分配方法 | |
CN110286588B (zh) | 一种考虑能耗的装配线再平衡优化方法 | |
CN103676902A (zh) | 一种流水车间重调度方法 | |
CN105488562A (zh) | 一种基于多因子粒子群算法的不规则件排样方法 | |
CN104616215A (zh) | 一种火电厂能效综合评价方法 | |
CN105956663A (zh) | 异形零件下料的并行排样优化方法 | |
CN104182853B (zh) | 一种引航员指派模型建立及其求解方法 | |
CN103440525A (zh) | 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法 | |
CN109193807A (zh) | 一种电力系统经济调度方法及系统 | |
CN105913134A (zh) | 一种城市产业布局空间优化分析的soa技术方法 | |
CN105578472B (zh) | 一种基于免疫原理的无线传感网络性能在线优化规划方法 | |
CN104217118B (zh) | 一种船舶引航排班问题模型与求解方法 | |
CN102799151B (zh) | 一种基于统计分类的冶金煤气系统实时平衡调整方法 | |
CN106960101A (zh) | 一种基于质量损失和成本最小化的装配公差优化方法 | |
Hu et al. | Optimization and evaluation of environmental operations for three gorges reservoir | |
CN104239975B (zh) | 基于改进离散粒子群算法的船舶引航排班方法 | |
CN105956741A (zh) | 一种基于trl的智能电网技术成熟度评估方法 | |
CN105512726B (zh) | 基于免疫遗传优化的可靠性分配方法及装置 | |
CN104239974B (zh) | 基于分布估计改进离散粒子群算法的引航员指派方法 | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
CN105701569A (zh) | 基于改进差分进化算法的作业路径动态优化方法 | |
CN104268639A (zh) | 一种基于森林模型与改进遗传算法的船舶引航排班方法 | |
CN104679988A (zh) | 一种基于云topsis的多属性决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |