CN105608548A - 一种散货船配载仪的自动配载方法 - Google Patents

Abstract

本发明公开了一种散货船配载仪的自动配载方法，包括如下步骤：将初始数据输入到配载仪中；根据浮态方程组确定自动配载的目标函数、设计变量及约束条件；使用差分进化算法对上述目标函数进行求解、寻优；遍历符合条件的个体集合，筛选出符合要求的个体；使用快速非支配排序算法对筛选出的个体集合进行剪力、弯矩排序，找出第一个非支配解集并输出。由于本发明采用差分进化算法进行模型的寻优求解，并使用快速非支配排序算法对符合条件的结果进行排序，无需建立知识库，有效减少了人为的不确定因素，使配载结果更加合理。不仅可以找到合理的配载方案使船舶达到符合约束条件的状态，而且能够找到使船舶的剪力和弯矩达到最佳或最优状态的配载方案。

Description

一种散货船配载仪的自动配载方法

技术领域

本发明涉及一种散货船配载仪，特别是一种散货船配载仪的自动配载方法。

背景技术

在散货船的货物装载、运输和卸载过程中，保障船舶及货物的安全是一项重要的工作。导致散货船不安全的因素有很多，其中配载不合理是一个重要原因。为保障散货船运输的安全性,IMO(国际海事组织)规定自1998年7月1日起，所有新建造的及现有的总长超过150m的散货船和符合船级社规范所定义的甲板大开口船必须装备配载仪，该配载仪应能提供规定的船体的剪力和弯矩资料。

在计算机广泛应用之前，船舶驾驶员需要根据装载手册，花费大量时间去查阅装载手册中的图表、曲线，计算校核修正稳性、浮态、强度等，并需要多次修改来制定配载方案，计算过程复杂并且易错。随着信息技术的发展，出现了在确定船舶载重量后在计算机上通过手动完成船舶配载的计算软件，但仍需要驾驶员多次调整计算得出合理的配载方案，智能化程度还不是很高。随着计算机技术和人工智能的不断发展，人工智能在船舶上的应用越来越广泛，散货船自动配载就是人工智能的应用之一，是配载仪的发展方向。

目前散货船自动配载大多采用专家系统理论，专家系统的设计方法如下：

知识+推理＝系统

专家系统的主要内容包括：知识库、数据库和推理机。其基本步骤如下：

首先，按照舱容比进行货物的初始配载，并确定货物调整时的效能矩阵或货物移动方向；然后，采用效能矩阵或根据配载人员经验逐次对首尾货舱、次首尾货舱进行货物的调整。

2000年，邢向辉根据货量、吃水差或最大吃水要求，首先为保证船舶的纵向强度，按各货舱舱容比分配货物重量；然后根据船舶原理的相关知识，计算调整货物重量，先对前后舱进行货物的调整；若货物不能装下，再向次前舱和次后舱进行货物调整，重复进行直到符合吃水、稳性和强度的要求。

2004年，杜嘉立、杨盐生和张义军等人开发出了散货船自动配载仪。该配载仪根据船舶载货量、积载因数、吃水等要求，自动确定船舶的配载方案，并给出满足相关规范、公约要求的船舶稳性、浮态、强度等指标的计算结果，并在自动配载的基础上增加了手动微调的功能，使得程序更加合理、实用，从而提高了船舶的配载效率，为保证船舶的安全卸载提供了理论依据。

2004年，杨军采用VisualBasic及MS-Access数据库开发出一套散货船自动配载原型系统，给出了利用专家系统理论设计散货船自动配载的思路，并联系实际情况给出了散货船配载专家系统知识库+推理机的设计方案，同时提出了利用效能矩阵实现货物自动调整的方法。

2006年，朴占锋采用VisualC++和MS-ACCESS数据库设计并开发了固体散装船智能装载系统。借助专家系统的观点和原理，进行了散装船装载系统推理机的研究，设计了散装船自动配载的程序流程。

但上述方法仍存在如下缺点：

1、专家系统知识库的建立需要有丰富经验的大副或船长的参与，增加了人为不确定因素。

2、知识库中的知识不够完善，容易出现不完整和不一致的情况。

3、由于每个货舱的形状各不相同，导致很难设定效能矩阵中合理有效的效用值，在货物调整中容易出现调整不合理的情况。

4、现有方法给出的配载方案只能保证船舶的状态达到合理状态，而无法给出散货船的最佳或最优配载方案。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能够给出散货船的最佳或最优配载方案的散货船配载仪的自动配载方法。

为了实现上述目的，本发明的技术方案如下：一种散货船配载仪的自动配载方法，包括如下步骤：

A、将下述数据输入到配载仪中：在船舶每个舱无货情况下，自动配载前船舶总的排水量M₀、重心的纵向坐标重心的横向坐标和重心的垂向坐标自动配载后船舶总的排水量浮心的纵向坐标浮心的横向坐标和浮心的垂向坐标

B、根据下述浮态方程组确定自动配载的目标函数、设计变量及约束条件：

船舶平衡时所确定的浮态方程组为：

其中：Δ为船舶排水量，ρ为水的密度，▽为船舶的排水体积；x_G、y_G、z_G分别为船舶重心的纵向坐标、横向坐标及垂向坐标；x_B、y_B、z_B分别为船舶浮心的纵向坐标、横向坐标及垂向坐标；θ和分别为船舶的纵倾角和横倾角。

B1、设定目标函数：

目标函数

$\min f\left(P\right)=|\underset{i=1}{\overset{n}{\Σ}}{p}_i-(M_{last}-M_0)|$

其中：P为设计变量，n为船舶的货舱总数，p_i为第i个货舱装载的货物重量。

B2、确定设计变量：

由目标函数确定设计变量为P＝(p₁,p₂,...p_n)。

B3、确定约束条件：

根据船舶平衡时所确定的浮态方程、每个舱室允许装载的最大装货重量和最小装货重量，得到约束条件如下：

其中p_iMax为第i个货舱的最大装货重量，和为自动配载前除货舱外船舶重心的纵向坐标、横向坐标和垂向坐标；和分别为第i个货舱重心的纵向坐标、横向坐标和垂向坐标；和分别为自动配载后所需要的船舶浮心的纵向坐标、横向坐标和垂向坐标。

C、使用差分进化算法对上述目标函数进行求解、寻优：

C1、初始化差分进化算法所需的进化种群。

C11、设定种群大小为NP，NP取值范围为40-60；

C12、随机生成NP个种群个体，即设计变量，每个个体xtj的每一维生成方法如下：

$p_i=p_i^{\min }+\mathrm{rand}\left(\mathrm{0,1}\right)\×(p_i^{\max }-p_i^{\min })$

其中，表示第t代中第j个个体，这里t＝1；

rand(0,1)表示一个位于0到1之间的满足均匀分布的随机数；分别表示初始化要调整舱中第i个货舱的重量时选取的货舱载重量最大值和最小值，对于不同的解向量，它的每一维元素值都是独立生成的。

C13、计算每个个体的目标函数值，其中根据“船舶舱容表”计算货舱任意装货体积下与之对应重心的纵向坐标、横向坐标和垂向坐标值。计算方法如下：

目标函数值：

$\left(x_j^t\right)=\left|\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_i(M_{\mathrm{last}}-M_0)\right|$

根据舱容表计算货舱任意装货体积Vnet下与之对应的重心的纵向坐标Xg、横向坐标Yg、垂向坐标Zg的值。每个货舱的数据是按照Vnet递增顺序存储的，有：

Vnet_min＝Vnet₁，Vnet_max＝Vnet_last

Vnet_min、Vnet_max、Vnet₁、Vnet_last分别表示货舱装载货物净体积的最小值、净体积最大值、存储的首个值和存储的末尾值。以下分三种情况计算Xg和Zg的值：

C131、当Vnet_min≤Vnet≤Vnet_max时，即Vnet在净体积的最小值、最大值之间，选择与之相邻的Vnet_k-1和Vnet_k进行插值求得Xg、Yg和Zg的值。具体方法如下：

$\mathrm{Xg}=\frac{{\mathrm{Xg}}_k-{\mathrm{Xg}}_{k-1}}{{\mathrm{Wnet}}_k-{\mathrm{Vnet}}_{k-1}}(\mathrm{Vnet}-{\mathrm{Vnet}}_{k-1})+{\mathrm{Xg}}_{k-1}$

$Yg=\frac{{\mathrm{Yg}}_k-{\mathrm{Yg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Yg}}_{k-1}$

$Zg=\frac{{\mathrm{Zg}}_k-{\mathrm{Zg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Zg}}_{k-1}$

其中：Vnet_k-1≤Vnet≤Vnet_k2≤k≤last

C132、当Vnet<Vnet_min时，即Vnet小于净体积的最小值，选择最小的两个体积值Vnet₁和Vnet₂进行插值求得Xg、Yg和Zg的值。具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_2-{\mathrm{Xg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Xg}}_1$

$Yg=\frac{{\mathrm{Yg}}_2-{\mathrm{Yg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Yg}}_1$

$Zg=\frac{{\mathrm{Zg}}_2-{\mathrm{Zg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Zg}}_1$

C133、当Vnet＞Vnet_max时，即Vnet大于净体积最大值，选择最大的两个体积值Vnet_last和Vnet_last-1进行插值求得Xg、Yg和Zg的值。具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_{last}-{\mathrm{Xg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Xg}}_{last-1}$

$Yg=\frac{{\mathrm{Yg}}_{last}-{\mathrm{Yg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Yg}}_{last-1}$

$Zg=\frac{{\mathrm{Zg}}_{last}-{\mathrm{Zg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Zg}}_{last-1}$

C14、计算每个个体的违反约束值，将约束条件改写成如下形式：

$\left\{\begin{array}{cc}{g}_r\left(x_j^t\right)\&le;0,& r=1,...,q\\ h_r\left(x_j^t\right)=0,& r=q+1,...,m\end{array}\right.$

分别表示不等式约束和等式约束；q、m-q分别表示不等式约束的数量和等式约束的数量，这里q＝2n，m＝2n+2。

个体违反第r个约束的值的表示方法如下：

$G_r\left(x_j^t\right)=\left\{\begin{array}{cc}max\{0,g_r\left(x_j^t\right)\}& 1\&le;r\&le;q\\ max\{0,|h_r\left(x_j^t\right)|-\mathrm{\&delta;}\}& q+1\&le;r\&le;m\end{array}\right.$

δ为等式约束的容许误差，δ取值范围为0.001-0.01。

则个体的违反约束值为：

$G\left(x_j^t\right)=\underset{r=1}{\overset{m}{\&Sigma;}}{G}_r\left(x_j^t\right)$

并将符合下述条件的个体记录在集合List_0中：

并且

其中表示的违反约束值。

C2、计算种群中符合约束的个体占总个体的比例，即可行率，用rate表示，计算方法如下：

C3、设定缩放因子F和交叉概率因子CR的值：

$F=\frac{(0.9-0.4)(T-t)}{T}+0.4;$

$CR=\frac{(0.9-0.3)*t}{T}+0.3;$

其中T为最大进化代数，t为当前代数。

C4、用差分进化算法进行变异、交叉和选择操作，并令j＝1；

C41、变异操作，按照如下方式进行：

$m_j^t=x_{r_1}^t+F(x_{r_2}^t-x_{r_3}^t)$

这里r₁,r₂,r₃是区间[1，NP]内与j不等的随机整数，且满足两两互不相等；表示产生的第t代第j个变异个体。

C42、交叉操作，按照如下方式进行：

$u_{j,i}^t=\left\{\begin{array}{cc}{m}_{j,i}^t& if\left(rand\right(0,1)\&le;Cr)or(i=sn)\\ x_{j,i}^t& otherwise\end{array}\right.$

其中表示第t代第j个实验个体；sn是一个随机整数，满足sn∈[1,2,…,n]；i表示第i维；

C43、选择操作：

计算实验个体和目标个体的修正目标函数值，计算方法如下：

C431、标准化目标函数值：

$f_{max}^t=\max f\left(x_j^t\right),j=1,...,NP,f_{min}^t=\min f\left(x_j^t\right),j=1,...,NP$

其中：分别表示第t代种群中最大目标函数值和最小目标函数值。当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{min}^t}{f_{max}^t-f_{\min }^t}$

$\tilde{f}\left(u_j^t\right)=\frac{f\left(u_j^t\right)-f_{\min }^t}{f_{max}^t-f_{\min }^t}$

当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f\left(u_j^t\right)}{f_{max}^t-f\left(u_j^t\right)}$

$\tilde{f}\left(u_j^t\right)=0$

当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{min}^t}{f\left(u_j^t\right)-f_{\min }^t}$

$\tilde{f}\left(u_j^t\right)=1$

C432、标准化违反约束值为：

$G_{max}^t=\max G\left(x_j^t\right),j=1,...,NP,G_{min}^t=\min G\left(x_j^t\right),j=1,...,NP$

其中分别表示第t代种群中最大违反约束值和最小违反约束值。当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{min}^t}{G_{\max }^t-G_{\min }^t}$

$\tilde{G}\left(u_j^t\right)=\frac{G\left(u_j^t\right)-G_{min}^t}{G_{\max }^t-G_{\min }^t}$

当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G\left(u_j^t\right)}{G_{max}^t-G\left(u_j^t\right)}$

$\tilde{G}\left(u_j^t\right)=0$

当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{min}^t}{G\left(u_j^t\right)-G_{min}^t}$

$\tilde{G}\left(u_j^t\right)=1$

C433、计算个体距离与值，方法如下：

$d\left(x_j^t\right)=\left\{\begin{array}{cc}\tilde{G}\left(x_j^t\right)& if(rate=0)\\ \sqrt{\tilde{f}{\left(x_j^t\right)}^2+\tilde{G}{\left(x_j^t\right)}^2}& otherwise\end{array}\right.$

$d\left(u_j^t\right)=\left\{\begin{array}{cc}\tilde{G}\left(u_j^t\right)& if(rate=0)\\ \sqrt{\tilde{f}{\left(u_j^t\right)}^2+\tilde{G}{\left(u_j^t\right)}^2}& otherwise\end{array}\right.$

C434、计算惩罚项，方法如下：

$X\left(x_j^t\right)=\left\{\begin{array}{cc}0& if(rate=0)\\ \tilde{G}\left(x_j^t\right)& otherwise\end{array}\right.$

$X\left(u_j^t\right)=\left\{\begin{array}{cc}0& if(rate=0)\\ \tilde{G}\left(u_j^t\right)& otherwise\end{array}\right.$

惩罚项与为：

$p\left(x_j^t\right)=(1-rate)*X\left(x_j^t\right)+rate*Y\left(x_j^t\right)$

$p\left(u_j^t\right)=(1-rate)*X\left(u_j^t\right)+rate*Y\left(u_j^t\right)$

C435、修正目标函数值，计算方法如下：

$F\left(x_j^t\right)=d\left(x_j^t\right)+p\left(x_j^t\right)$

$F\left(u_j^t\right)=d\left(u_j^t\right)+p\left(u_j^t\right)$

C436、选择方法如下：

$x_j^{t+1}=\left\{\begin{array}{cc}{u}_j^t& if\left(F\right(u_j^t)\&le;F(x_j^t\left)\right)\\ x_j^t& otherwise\end{array}\right.$

其中表示被选中的个体，替换原种群中的并将符合下述条件的个体记录在集合List_0中。

并且

C44、如果j<NP+1，令j＝j+1，转步骤C41；否则转步骤C5。

C5、当t＜T+1或没有找到最优解时，令t＝t+1，转步骤C2；当找到最优解或循环T次后停止循环，这里T＝1000；转步骤D；若无个体被记录下来，则无法找到可行方案，给出提示，并返回步骤A；

D、遍历符合条件的个体集合List_0，对每个个体的初稳性高度GM、局部强度、剪力及弯矩进行校核，筛选出符合要求的个体，记录在集合List_1；转步骤E；若List_1为空，则无法找到可行方案，给出提示，并返回步骤A；

E、使用快速非支配排序算法对筛选出的个体集合List_1进行剪力、弯矩排序，找出第一个非支配解集F₀。F₀中的个体即为将要输出的结果，将其输出。

快速非支配排序算法如下，其中S_P为P的支配集，n_P为支配P的个体数，n_L为支配L的个体数，F_i为第i层非支配集，H为个体集合：

E1、对每一个个体P∈list_1

对每一个个体L∈list_1

E11、如果P支配L，那么执行S_P＝S_P∪{L}

否则，如果L支配P,则n_P＝n_P+1

E12、如果n_P＝0，F₀＝F₀∪{P}

E2、i＝0

E3、当时

E31、

E32、对于每一个P∈F_i

对于每一个L∈S_P

令n_L＝n_L-1，如果n_L＝0，那么H＝H∪{L}

E33、i＝i+1

E34、形成下一非支配集F_i＝H

E4、返回非支配解集F_i。

与现有技术相比，本发明具有以下有益效果：

1、由于本发明基于船舶平衡时所确定的浮态方程组，使用差分进化算法寻优求解得到散货船的最优配载方案，无需建立知识库，有效减少了人为的不确定因素，使配载结果更加合理。

2、由于本发明采用根据舱容表计算货舱任意装货体积下与之对应重心的纵向坐标、垂向坐标值的方法，提高了计算准确性。

3、由于本发明采用差分进化算法进行模型的寻优求解，并使用快速非支配排序算法对符合条件的结果进行排序，不仅可以找到合理的配载方案使船舶达到符合约束条件的状态，而且能够找到使船舶的剪力和弯矩达到最佳或最优状态的配载方案。

4、由于采用对船舶强度和稳性最后进行校验的方法，可提高计算效率，减少计算时间。

附图说明

本发明共有附图7张，其中：

图1为本发明的方案流程图。

图2为本发明中差分进化算法流程图。

图3为List_0中所有配载方案的剪力和弯矩的分布图。

图4为筛选后List_1中所有配载方案的剪力和弯矩的分布图。

图5为对List_1中所有配载方案的剪力和弯矩进行快速非支配排序后第0层的分布图。

图6为对List_1中所有配载方案的剪力和弯矩进行快速非支配排序后第33层的分布图。

图7为对List_1中所有配载方案的剪力和弯矩进行快速非支配排序后第62层的分布图。

具体实施方式

下面结合附图对本发明进行进一步地描述。一种散货船配载仪的自动配载方法的流程图如图1-2所示，下面通过具体的实例进行说明，步骤D11中的NP取值为50；步骤D14中的δ取值为0.005。

实例：下面以38000吨级散货船“DOLCEVITA”为例进行实例计算。该船主尺度：垂线间长L_PP＝177m，型宽B＝32m，型深D＝15m，设计型吃水T＝9.5m。全船共有5个货舱，从船首开始依次为1舱2舱…5舱，RHO＝0.8543t/m³。

自动配载前后船舶的状态如表1所示；自动配载前船舶各个舱室的载货量如表2所示；使用差分进化算法计算出配载方案，共950个，这里仅列出前20个如表3所示；各个校核结果如表4所示，N为不合格；List_0中所有配载方案的剪力、弯矩的分布情况如图3所示；校核筛选后List_1中配载方案的剪力、弯矩的分布情况如图4所示；对所有合格方案进行快速非支配排序后第0层、33层以及62层的分布情况如图5、图6和图7所示；最后确定的配载方案集合F₀如表5所示；F₀中配载方案的误差如表6所示。

本发明基于船舶浮态方程根据舱容数据进行计算，只需在开始阶段输入少量的数据，如表1所示，可以有效的减少人为因素，提高计算准确性；通过实例计算分析，本发明不仅可以找到合理的配载方案使船舶达到符合约束条件的状态，而且能够找到使船舶的剪力和弯矩达到最佳或最优状态的配载方案，如表3、表5所示；由表6的误差分析可知，本发明计算出的配载方案，具有较小的误差。

表1自动配载前、后船舶初始状态和预期最终状态

	平均吃水(m)	吃水差(m)	横倾角(deg)	排水量(t)	重心/浮心
						船舶初始状态	2.772	-4.277	-0.1	10179	重心(79.95,0.05,10.13)
预期最终状态	7.261	-1.74	-0.095	31901.41	浮心(91.277,-0.022,3.863)

表2自动配载前船舶各个舱的载货量

1舱(t)	2舱(t)	3舱(t)	4舱(t)	5舱(t)
					0	0	0	0	0

表3集合List_0记录的配载方案

编号	1舱(t)	2舱(t)	3舱(t)	4舱(t)	5舱(t)
						1	5353.386	2171.437	4533.192	4860.413	4803.242
2	4282.915	1745.905	7245.517	4917.804	3529.757
						3	3731.852	3038.619	7004.558	3679.014	4268.432
4	4536.253	2712.072	5445.361	4621.742	4407.3299 -->
						5	5787.353	1103.52	5547.927	4330.673	4953.779
6	271.1893	8268.016	6064.171	3434.075	3683.98
						7	3782.369	2749.03	7760.69	2836.399	4594.499
8	3580.839	6418.558	1359.636	5421.008	4942.689
						9	4217.898	2854.871	6045.103	4241.339	4362.769
10	5147.073	2862.76	3543.557	5579.105	4589.351
						11	2933.046	6873.123	2474.467	4364.524	5077.435
12	1104.864	7943.669	4560.968	4148.822	3963.824
						13	490.058	9173.437	3496.063	5005.727	3558.036
14	4874.795	4563.24	1490.887	5654.977	5138.004
						15	2622.654	4327.668	7669.133	2828.632	4274.231
16	1875.663	5346.078	7186.926	3671.989	3642.149
						17	3866.492	3986.801	4586.122	5143.178	4140.562
18	3707.299	5807.344	1926.593	5625.212	4656.711
						19	3697.025	4497.682	4624.638	4194.569	4707.966
20	2679.257	6499.196	3293.809	4840.997	4409.314
						…	…	…	…	…	…

表4List_0中每个配载方案局部强度、初稳性高度GM、剪力以及弯矩的校核结果(Y表示合格，N不合格)

表5非支配解集F₀中的配载方案

编号	1舱(t)	2舱(t)	3舱(t)	4舱(t)	5舱(t)
						1	4266.66	3763.068	3521.098	6380.981	3791.398
2	2425.589	5984.433	5127.288	3709.225	4475.846
						3	2539.014	5666.897	4055.356	6380.377	3080.767
4	2989.295	5441.975	4244.548	4895.375	4151.218
						5	3395.484	5016.58	3804.463	5461.282	4044.601
6	3230.449	4837.888	5357.335	3535.198	4761.54
						7	2894.262	4476.538	6029.774	4596.512	3725.324
8	2977.081	5370.733	4002.324	5645.44	3726.832

表6F₀中配载方案的误差

Claims (1)

1.一种散货船配载仪的自动配载方法，其特征在于：包括如下步骤：

A、将下述数据输入到配载仪中：在船舶每个舱无货情况下，自动配载前船舶总的排水量M₀、重心的纵向坐标重心的横向坐标和重心的垂向坐标自动配载后船舶总的排水量M_last、浮心的纵向坐标浮心的横向坐标和浮心的垂向坐标

B、根据下述浮态方程组确定自动配载的目标函数、设计变量及约束条件：

船舶平衡时所确定的浮态方程组为：

其中：Δ为船舶排水量，ρ为水的密度，▽为船舶的排水体积；x_G、y_G、z_G分别为船舶重心的纵向坐标、横向坐标及垂向坐标；x_B、y_B、z_B分别为船舶浮心的纵向坐标、横向坐标及垂向坐标；θ和分别为船舶的纵倾角和横倾角；

B1、设定目标函数：

目标函数

$\min f\left(P\right)=|\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i-(M_{last}-M_0)|$

其中：P为设计变量，n为船舶的货舱总数，p_i为第i个货舱装载的货物重量；

B2、确定设计变量：

由目标函数确定设计变量为P＝(p₁,p₂,...p_n)；

B3、确定约束条件：

根据船舶平衡时所确定的浮态方程、每个舱室允许装载的最大装货重量和最小装货重量，得到约束条件如下：

其中p_iMax为第i个货舱的最大装货重量，和为自动配载前除货舱外船舶重心的纵向坐标、横向坐标和垂向坐标；和分别为第i个货舱重心的纵向坐标、横向坐标和垂向坐标；和分别为自动配载后所需要的船舶浮心的纵向坐标、横向坐标和垂向坐标；

C、使用差分进化算法对上述目标函数进行求解、寻优：

C1、初始化差分进化算法所需的进化种群；

C11、设定种群大小为NP，NP取值范围为40-60；

C12、随机生成NP个种群个体，即设计变量，每个个体的每一维生成方法如下：

$p_i=p_i^{\min }+rand(0,1)\&times;(p_i^{\max }-p_i^{\min })$

其中，表示第t代中第j个个体，这里t＝1；

rand(0,1)表示一个位于0到1之间的满足均匀分布的随机数；分别表示初始化要调整舱中第i个货舱的重量时选取的货舱载重量最大值和最小值，对于不同的解向量，它的每一维元素值都是独立生成的；

C13、计算每个个体的目标函数值，其中根据“船舶舱容表”计算货舱任意装货体积下与之对应重心的纵向坐标、横向坐标和垂向坐标值；计算方法如下：

目标函数值：

$f\left(x_j^t\right)=|\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i-(M_{last}-M_0)|$

根据舱容表计算货舱任意装货体积Vnet下与之对应的重心的纵向坐标Xg、横向坐标Yg、垂向坐标Zg的值；每个货舱的数据是按照Vnet递增顺序存储的，有：

Vnet_min＝Vnet₁，Vnet_max＝Vnet_last

Vnet_min、Vnet_max、Vnet₁、Vnet_last分别表示货舱装载货物净体积的最小值、净体积最大值、存储的首个值和存储的末尾值；以下分三种情况计算Xg和Zg的值：

C131、当Vnet_min≤Vnet≤Vnet_max时，即Vnet在净体积的最小值、最大值之间，选择与之相邻的Vnet_k-1和Vnet_k进行插值求得Xg、Yg和Zg的值；具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_k-{\mathrm{Xg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Xg}}_{k-1}$

$Yg=\frac{{\mathrm{Yg}}_k-{\mathrm{Yg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Yg}}_{k-1}$

$Zg=\frac{{\mathrm{Zg}}_k-{\mathrm{Zg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Zg}}_{k-1}$

其中：Vnet_k-1≤Vnet≤Vnet_k2≤k≤last

C132、当Vnet<Vnet_min时，即Vnet小于净体积的最小值，选择最小的两个体积值Vnet₁和Vnet₂进行插值求得Xg、Yg和Zg的值；具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_2-{\mathrm{Xg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Xg}}_1$

$Yg=\frac{{\mathrm{Yg}}_2-{\mathrm{Yg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Yg}}_1$

$Zg=\frac{{\mathrm{Zg}}_2-{\mathrm{Zg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Zg}}_1$

C133、当Vnet＞Vnet_max时，即Vnet大于净体积最大值，选择最大的两个体积值Vnet_last和Vnet_last-1进行插值求得Xg、Yg和Zg的值；具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_{last}-{\mathrm{Xg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Xg}}_{last-1}$

$Yg=\frac{{\mathrm{Yg}}_{last}-{\mathrm{Yg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Yg}}_{last-1}$

$Zg=\frac{{\mathrm{Zg}}_{last}-{\mathrm{Zg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Zg}}_{last-1}$

C14、计算每个个体的违反约束值，将约束条件改写成如下形式：

$\left\{\begin{array}{cc}{g}_r\left(x_j^t\right)\&le;0,& r=1,...,q\\ h_r\left(x_j^t\right)=0,& r=q+1,...,m\end{array}\right.$

分别表示不等式约束和等式约束；q、m-q分别表示不等式约束的数量和等式约束的数量，这里q＝2n，m＝2n+2；

个体违反第r个约束的值的表示方法如下：

$G_r\left(x_j^t\right)=\left\{\begin{array}{cc}max\{0,g_r\left(x_j^t\right)\}& 1\&le;r\&le;q\\ max\{0,|h_r\left(x_j^t\right)|-\mathrm{\&delta;}\}& q+1\&le;r\&le;m\end{array}\right.$

δ为等式约束的容许误差，δ取值范围为0.001-0.01；

则个体的违反约束值为：

$G\left(x_j^t\right)=\underset{r=1}{\overset{m}{\&Sigma;}}{G}_r\left(x_j^t\right)$

并将符合下述条件的个体记录在集合List_0中：

$f\left(x_j^{t+1}\right)<5$ 并且 $G\left(x_j^t\right)=0$

其中表示的违反约束值；

C2、计算种群中符合约束的个体占总个体的比例，即可行率，用rate表示，计算方法如下：

C3、设定缩放因子F和交叉概率因子CR的值：

$F=\frac{(0.9-0.4)(T-t)}{T}+0.4;$

$CR=\frac{(0.9-0.3)*t}{T}+0.3;$

其中T为最大进化代数，t为当前代数；

C4、用差分进化算法进行变异、交叉和选择操作，并令j＝1；

C41、变异操作，按照如下方式进行：

$m_j^t=x_{r_1}^t+F(x_{r_2}^t-x_{r_3}^t)$

这里r₁,r₂,r₃是区间[1，NP]内与j不等的随机整数，且满足两两互不相等；表示产生的第t代第j个变异个体；

C42、交叉操作，按照如下方式进行：

$u_{j,i}^t=\left\{\begin{array}{cc}{m}_{j,i}^t& if\left(rand\right(0,1)\&le;Cr)or(i=sn)\\ x_{j,i}^t& otherwise\end{array}\right.$

其中表示第t代第j个实验个体；sn是一个随机整数，满足sn∈[1,2,...,n]；i表示第i维；

C43、选择操作：

计算实验个体和目标个体的修正目标函数值，计算方法如下：

C431、标准化目标函数值：

$f_{max}^t=\max f\left(x_j^t\right),j=1,...,NP,$ $f_{min}^t=\min f\left(x_j^t\right),j=1,...,NP$

其中：分别表示第t代种群中最大目标函数值和最小目标函数值；

当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{min}^t}{f_{max}^t-f_{\min }^t}$

$\tilde{f}\left(u_j^t\right)=\frac{f\left(u_j^t\right)-f_{min}^t}{f_{max}^t-f_{\min }^t}$

当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f\left(u_j^t\right)}{f_{max}^t-f\left(u_j^t\right)}$

$\tilde{f}\left(u_j^t\right)=0$

当时，标准化目标函数值为：

$\tilde{f}\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{min}^t}{f\left(u_j^t\right)-f_{min}^t}$

$\tilde{f}\left(u_j^t\right)=1$

C432、标准化违反约束值为：

$G_{max}^t=\max G\left(x_j^t\right),j=1,...,NP,$ $G_{min}^t=\min G\left(x_j^t\right),j=1,...,NP$

其中分别表示第t代种群中最大违反约束值和最小违反约束值；

当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{min}^t}{G_{\max }^t-G_{\min }^t}$

$\tilde{G}\left(u_j^t\right)=\frac{G\left(u_j^t\right)-G_{min}^t}{G_{\max }^t-G_{\min }^t}$

当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G\left(u_j^t\right)}{G_{\max }^t-G\left(u_j^t\right)}$

$\tilde{G}\left(u_j^t\right)=0$

当时，标准化违反约束值为：

$\tilde{G}\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{min}^t}{G\left(u_j^t\right)-G_{\min }^t}$

$\tilde{G}\left(u_j^t\right)=1$

C433、计算个体距离与值，方法如下：

$d\left(x_j^t\right)=\left\{\begin{array}{cc}\tilde{G}\left(x_j^i\right)& if(rate=0)\\ \sqrt{\tilde{f}{\left(x_j^t\right)}^2+\tilde{G}{\left(x_j^t\right)}^2}& otherwise\end{array}\right.$

$d\left(u_j^t\right)=\left\{\begin{array}{cc}\tilde{G}\left(u_j^i\right)& if(rate=0)\\ \sqrt{\tilde{f}{\left(u_j^t\right)}^2+\tilde{G}{\left(u_j^t\right)}^2}& otherwise\end{array}\right.$

C434、计算惩罚项，方法如下：

$X\left(x_j^t\right)=\left\{\begin{array}{cc}0& if(rate=0)\\ \tilde{G}\left(x_j^t\right)& otherwise\end{array}\right.$

$X\left(u_j^t\right)=\left\{\begin{array}{cc}0& if(rate=0)\\ \tilde{G}\left(u_j^t\right)& otherwise\end{array}\right.$

惩罚项与为：

$p\left(x_j^t\right)=(1-rate)*X\left(x_j^t\right)+rate*Y\left(x_j^t\right)$

$p\left(u_j^t\right)=(1-rate)*X\left(u_j^t\right)+rate*Y\left(u_j^t\right)$

C435、修正目标函数值，计算方法如下：

$F\left(x_j^t\right)=d\left(x_j^t\right)+p\left(x_j^t\right)$

$F\left(u_j^t\right)=d\left(u_j^t\right)+p\left(u_j^t\right)$

C436、选择方法如下：

$x_j^{t+1}=\left\{\begin{array}{cc}{u}_j^t& if\left(F\right(u_j^t)\&le;F(x_j^t\left)\right)\\ x_j^t& otherwise\end{array}\right.$

其中表示被选中的个体，替换原种群中的并将符合下述条件的个体记录在集合List_0中；

$f\left(x_j^{t+1}\right)<5$ 并且 $G\left(x_j^{t+1}\right)=0$

C44、如果j<NP+1，令j＝j+1，转步骤C41；否则转步骤C5；

C5、当t＜T+1或没有找到最优解时，令t＝t+1，转步骤C2；当找到最优解或循环T次后停止循环，这里T＝1000；转步骤D；若无个体被记录下来，则无法找到可行方案，给出提示，并返回步骤A；

D、遍历符合条件的个体集合List_0，对每个个体的初稳性高度GM、局部强度、剪力及弯矩进行校核，筛选出符合要求的个体，记录在集合List_1；转步骤E；若List_1为空，则无法找到可行方案，给出提示，并返回步骤A；

E、使用快速非支配排序算法对筛选出的个体集合List_1进行剪力、弯矩排序，找出第一个非支配解集F₀；F₀中的个体即为将要输出的结果，将其输出；

快速非支配排序算法如下，其中S_P为P的支配集，n_P为支配P的个体数，n_L为支配L的个体数，F_i为第i层非支配集，H为个体集合：

E1、对每一个个体P∈list_1

对每一个个体L∈list_1

E11、如果P支配L，那么执行S_P＝S_P∪{L}

否则，如果L支配P,则n_P＝n_P+1

E12、如果n_P＝0，F₀＝F₀∪{P}

E2、i＝0

E3、当时

E31、

E32、对于每一个P∈F_i

对于每一个L∈S_P

令n_L＝n_L-1，如果n_L＝0，那么H＝H∪{L}

E33、i＝i+1

E34、形成下一非支配集F_i＝H

E4、返回非支配解集F_i。