CN107909200A - 一种高效的集装箱码头装卸调度装置 - Google Patents

Abstract

本发明公开了一种高效的集装箱码头装卸调度装置，该装置由装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块组成。该系统应用基于变邻域搜索算法的群智能优化方法对集装箱码头装卸过程进行优化调度，在萤火虫算法中引入了包含5种领域结构的变领域搜索算法，增加了种群的多样性，加强了算法的局部搜索能力，提升算法的搜索精度，并且提出了一种工作调整规则，加快算法的收敛速度，使得本方法能高效地生成最优调度方案。能够高效地生成最优调度方案。本发明能够有效缩短集装箱码头装卸过程的总时间，减少码头作业时间，提高港口物流运作效率。

Description

一种高效的集装箱码头装卸调度装置

技术领域

本发明涉及物流领域，具体地，涉及一种高效的集装箱码头装卸调度装置。

背景技术

随着国际间贸易日益活跃，集装箱化运输逐渐成为世界范围内主要的物流运输手段。与之相适应，集装箱港口也迫切需要提高其集装箱作业能力，以形成流畅的集装箱进出港运输链。从世界范围来看，码头的运作效率很大程度上取决于码头装卸系统的作业效率，对集装箱码头装卸设备调度进行优化，从而缩短对船作业时间，一方面可以减少集装箱船舶的滞港时间，提高码头的作业效率和竞争力；另一方面可以提高集装箱船舶的周转率，有助于船公司降低运营成本，因而良好的调度计划对集装箱码头而言至关重要。

截至目前，国内外对于集装箱码头装卸系统的调度决策优化已经有了一定的研究。但是随着港口贸易不断扩大，集装箱码头也面对着日益复杂的调度问题，已有的集装箱码头装卸调度策略在调度方案实时性和最优性上面临着巨大的考验。

发明内容

为了克服目前集装箱码头装卸调度实时性和最优性方面的不足，合理优化码头资源配置，本发明提出了一种高效的集装箱码头装卸调度装置。

本发明解决其技术问题所采用的技术方案是：一种高效的集装箱码头装卸调度装置，该装置由装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块组成。四个模块依次连接，以装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块的顺序进行数据传输。

该装置将集装箱码头装卸过程做出以下假设：

1.对于每艘轮船，只有完成卸货之后才能进行装货。

2.每艘轮船，可由一个或多个装卸设备同时装卸货物。

3.每个装卸设备有相同的装卸能力，且只能同时在一艘轮船上进行装卸作业。

4.装卸设备变换的等待时间包括在装卸时间之内。

此时，将该问题视为多处理机任务混合流水车间调度，本发明采用基于变邻域搜索算法的群智能优化方法，生成最优调度方案，整个装置运行具体包括以下几个步骤：

1)n艘轮船同时到达码头，记做集合J＝{1,2,…,n}，每艘轮船都要完成卸货、装货两个阶段，卸货阶段有m₁台卸货设备，装货阶段有m₂台装货设备。已知size_1j与p_1j分别表示轮船j在卸货阶段需要的卸货设备与卸货时间；size_2j与p_2j分别表示轮船j在装货阶段需要的装货设备与装货时间。已知轮船的装卸设备及对应时间信息，数据上传至装卸信息输入模块。

2)参数设置，种群个体数N、最大迭代次数t_max、随机参数α、个体吸引力β₀、介质吸收率γ；其中令N＝20，t_max＝500，α＝0.5，β₀＝0.2，γ＝1。

3)种群个体初始化。

生成种群X＝(x₁,x₂,…,x_N)，种群中的第s个个体x_s＝(x_s1,…,x_sn)，x_sj为0～n之间的实数，s∈{1,2,…,N}，j∈{1,2}。由于个体x_s的坐标是连续的实数，而工作序列是离散的整数序列，用最小排序方法将连续坐标转化为工作序列，即将个体x_s＝(x_s1,…,x_sn)的各个维度从小到大排序，排序的序号构成的整数序列作为卸货阶段的工作序列π₁。

4)计算每个个体对应的装卸完成时间C_max。

萤火虫算法的目标函数为序列对应的装卸完成时间C_max。本发明基于先到先得的原则，根据各轮船卸货完成时间顺序构造装货序列，然后根据一定规则对生成的装货序列进行适当调整，灵活地进行装货排序，减少装货过程的空闲时间，最终得到最优的装卸调度方案及装卸完成时间C_max。

4.1)根据构造出卸货阶段的调度方案。其中h∈J，π₁(h)表示序列π₁中第h个元素对应的轮船，表示第π₁(h)艘轮船所需的卸货设备数量。

4.2)在装货时，将轮船卸货完成时间进行非递减顺序排序，得到装货的调度顺序π₂。对于任意的π₁(h)和π₁(l)，h,l∈J，当且h<l时，进行π₂排序时假定然后根据π₂(h)对应轮船的装货设备数量构造出装货过程的具体调度方案。

4.3)令j＝1，根据适当规则调整序列π₂中第j和j+1艘轮船的次序。

对于装货过程中相邻的三艘轮船A,B,C，A＝π_2,p，B＝π_2,p+1，C＝π_2,p+2。根据ST_2A与ST_2B的关系，可分别提出以下规则来得到更优的处理序列。

a.ST_2A>ST_2B

规则1-i，若size_2B+size_2C>m₂，size_2A+size_2C>m₂，则交换A与B的处理顺序。

规则1-ii，若size_2B+size_2C≤m₂，size_2A+size_2C>m₂，size_2A+size_2B>m₂，且max{{ST_2B+p_2B,ST_2A}+p_2A,ST_2C}<max{ST_2A+p_2A+p_2B,ST_2C+p_2C}，则交换A与B的处理顺序。

规则1-iii，若size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

规则1-iv，若size_2B+size_2C≤m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

b.ST_2A＝ST_2B

规则2，若size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

c.ST_2A<ST_2B

规则3，若ST_2A+p_2A>ST_2B，size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

其中，ST_2A、ST_2B、ST_2C分别表示轮船A、B、C的最早装货开始时间，size_2A、size_2B、size_2C分别表示轮船A、B、C需要的装货设备，p_2A、p_2B、p_2C分别表示轮船A、B、C的装货时间，m₂表示装货设备总数。

4.4)若j＝n-2计算π₂中各轮船的装货完成时间，即目标函数装卸完成时间C_max，继续；否则i＝i+1，转至步骤4.3)。

4.5)将该个体C_max与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体的装卸调度序列π₁和π₂。

5)设计了5种产生最优解邻域的方法，对个体进行变邻域搜索。变邻域搜索可以提高算法局部搜索能力，避免陷入局部最优。在求解大规模问题时，良好的邻域结构集设计可以大大提升算法的全局收敛性。

5.1)确定五种邻域结构N_num，num＝1,2,3,4,5，初始化参数P＝20，count＝0，令V＝π₁，BV＝V。五种邻域结构如下：

a.两点交换。随机产生两个交换位置，交换两个位置上的元素。

b.插入。随机产生两个元素位置，将大位置处的元素插入小位置处的元素前面，小位置及其之后的元素按顺序向后顺延。

c.反转逆序。随机产生两个元素位置，将两点之间的元素逆序排列。

d.打乱互换。随机产生一些元素位置，打乱这些元素的顺序。

e.NEH插入，随机产生一个元素位置，在原有序列中将该元素删去。针对每一个可插入位置，假设将该元素插入后，计算目前整个排序的完成时间，选择能使完成时间最小的位置。

5.2)如果count<P，则令num＝1；否则，结束变邻域搜索，并将BV对应的C_max与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体的装卸调度序列π₁和π₂。

5.3)按照邻域结构N_num随机产生一个新解V'，比较新解V'与初始解V对应的适应度值，即序列对应的C_max。

5.4)若f(V')>f(V)，则令BV＝V'，适应度值更大的新解代替初始解，继续在邻域结构N_num内搜索；否则，num＝num+1。

5.5)若num>5，则count＝count+1，返回步骤5.2)；否则，返回步骤5.3)，进入下一个邻域结构搜索。

6)对于每个个体，如在种群中有装卸完成时间更小的个体，则按照下式向该个体移动：

其中，x_s与x_b为两个体的位置，r_sb为两个体之间的欧几里德距离。β₀为距离为0时的吸引力，常数γ为介质的吸收率，α为[0,1]间的值，R为[0,1]间的随机数，使个体在向更亮个体移动的同时存在一定的随机移动。

7)迭代次数达到t_max，调度方案输出模块显示G_best和调度方案和否则转至步骤4)。

本发明的技术构思为：利用基于变邻域搜索算法的群智能优化方法对集装箱码头装卸调度过程进行优化，合理设计调度方案的邻域结构，提升算法的全局收敛性能。

本发明的有益效果主要表现在：所述的高效的集装箱码头装卸调度装置，在萤火虫算法中引入了包含5种领域结构的变领域搜索算法，增加了种群的多样性，加强了算法的局部搜索能力，提升算法的搜索精度，并且提出了一种工作调整规则，加快算法的收敛速度，能够高效地生成最优调度方案。能够迅速高效地生成集装箱码头装卸的最优调度方案，缩短船舶在港时间，提高港口物流运作效率。

附图说明

图1是本发明的结构示意图；

图2是本发明的流程图；

图3是根据技术方案4.3)中规则1-i交换工作A，B的示意图；

图4是根据技术方案4.3)中规则1-ii交换工作A，B的示意图；

图5是根据技术方案4.3)中规则2交换工作A，B的示意图；

图6是根据技术方案4.3)中规则2交换工作A，B的示意图；

图7是根据技术方案4.3)中规则3交换工作A，B的示意图；

图8是根据技术方案4.3)中规则3调整调度方案的示意图；

图9是变邻域搜索算法的流程图；

图10是示例的装卸数据；

图11是示例的装卸调度结果甘特图。

具体实施方式

参照图1，一种高效的集装箱码头装卸调度装置，包括四个模块：装卸信息输入模块1、装卸方案生成模块2、装卸过程寻优模块3和调度方案输出模块4。四个模块依次连接，以装卸信息输入模块1、装卸方案生成模块2、装卸过程寻优模块3和调度方案输出模块4的顺序进行数据传输。

9艘轮船同时到达码头，记做集合J＝{1,2,…,9}，每艘轮船都要完成卸货、装货两个阶段，各轮船装卸阶段需要的设备数量和装卸过程时间参照图10。

参照图2。装置流程包括以下几个步骤：

1)参照图10将轮船的装卸设备及对应时间信息上传至装卸信息输入模块。

2)参数设置，种群个体数N、最大迭代次数t_max、随机参数α、个体吸引力β₀、介质吸收率γ；其中令N＝20，t_max＝500，α＝0.5，β₀＝0.2，γ＝1。

3)种群个体初始化。

生成种群X＝(x₁,x₂,…,x_N)，种群中的第s个个体x_s＝(x_s1,…,x_s9)，x_sj为0～n之间的实数，s∈{1,2,…,N}，j∈{1,2,…,9}。由于个体x_s的坐标是连续的实数，而工作序列是离散的整数序列，用最小排序方法将连续坐标转化为工作序列，即将个体x_s＝(x_s1,…,x_s9)的各个维度从小到大排序，排序的序号构成的整数序列作为卸货阶段的工作序列π₁。以表1为例，来说明π₁：

表1：最小排序方法示例

根据表1所示的最小排序方法，得到卸货阶段的工作序列π₁＝(231476589)。

4)计算每个个体对应的装卸完成时间C_max，整个过程参照图11。

萤火虫算法的目标函数为序列对应的装卸完成时间C_max。本发明基于先到先得的原则，根据各轮船卸货完成时间顺序构造装货序列，然后根据一定规则对生成的装货序列进行适当调整，灵活地进行装货排序，减少装货过程的空闲时间，最终得到最优的装卸调度方案及装卸完成时间C_max。

4.1)根据构造出卸货阶段的调度方案。其中h∈J，π₁(h)表示序列π₁中第h个元素对应的轮船，表示第π₁(h)艘轮船所需的卸货设备数量。根据π₁＝(231476589)和相应的卸货设备数量要求从0时刻开始分配任务，整个过程保证调度方案不违背序列π₁的先后关系，最后得到所有轮船的卸货调度方案，参照图11。

4.2)在装货时，将轮船卸货完成时间进行非递减顺序排序，得到装货的调度顺序π₂＝(213764859)。

4.3)设j＝1，根据规则开始调整序列π₂中第j和j+1艘轮船的次序

调整过程中发现，对于任意相邻的三艘轮船A,B,C，都有ST_2A<ST_2B。对照规则3，只有j＝5时满足条件，交换A与B的处理顺序可得到π₂＝(213746859)。具体过程如图3-8所示。

4.4)若j＝7计算π₂＝(213746859)中各轮船的装卸完成时间C_max，调度方案参照图11，继续；否则j＝j+1，转至步骤4.3)。

4.5)将该个体C_max＝20与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体装卸阶段的调度序列π₁和π₂。

5)对个体进行变邻域搜索。

5.1)确定五种邻域结构N_num，num＝1,2,3,4,5，初始化参数P＝20，count＝0，令V＝π₁，BV＝V。五种邻域结构如下：

a.两点交换。随机产生两个交换位置，交换两个位置上的元素。例如，对于个体“231476589”，随机产生两个交换位置2和8，交换两个位置上的元素得到序列“281476539”。

b.插入。随机产生两个元素位置，将大位置处的元素插入小位置处的元素前面，小位置及其之后的元素按顺序向后顺延。例如，对于个体“231476589”，随机产生两个元素位置3和7，执行插入操作后可以得到新序列为“235147689”。

c.反转逆序。随机产生两个元素位置，将两点之间的元素逆序排列。例如，对于个体“231476589”，随机产生两个元素位置3和7，执行反转逆序操作后可以得到新序列为“235674189”。

d.打乱互换。随机产生一些元素位置，打乱这些元素的顺序。例如，对于个体“231476589”，随机产生四个元素位置1、5、7、8，元素顺序为“2758”，随机打乱元素顺序得到“5872”，最终新序列为“531486729”。

e.NEH插入，随机产生一个元素位置，在原有序列中将该元素删去。针对每一个可插入位置，假设将该元素插入后，计算目前整个排序的完成时间，选择能使完成时间最小的位置。

5.2)如果count<P，则令num＝1；否则，结束变邻域搜索，并将BV对应的C_max与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体的装卸调度序列π₁和π₂。

5.3)按照邻域结构N_num随机产生一个新解V'，比较新解V'与初始解V对应的适应度值，即序列对应的C_max。

5.4)若f(V')<f(V)，则令BV＝V'，适应度值更小的新解代替初始解，继续在邻域结构N_num内搜索；否则，num＝num+1。

5.5)若num>5，则count＝count+1，返回步骤5.2)；否则，返回步骤5.3)，进入下一个邻域结构搜索。

6)对于每个个体，如在种群中有装卸完成时间更小的个体，则按照下式向该个体移动：

其中，x_s与x_b为两个体的位置，r_sb为两个体之间的欧几里德距离。β₀为距离为0时的吸引力，常数γ为介质的吸收率，α为[0,1]间的值，R为[0,1]间的随机数，使个体在向更亮个体移动的同时存在一定的随机移动。

7)迭代次数达到t_max，调度方案输出模块显示G_best和调度方案和否则转至步骤4)。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种高效的集装箱码头装卸调度装置。其特征是：该装置由装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块组成。四个模块依次连接，以装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块的顺序进行数据传输。

该装置将集装箱码头装卸过程做出以下假设：

1.对于每艘轮船，只有完成卸货之后才能进行装货。

2.每艘轮船，可由一个或多个装卸设备同时装卸货物。

3.每个装卸设备有相同的装卸能力，且只能同时在一艘轮船上进行装卸作业。

4.装卸设备变换的等待时间包括在装卸时间之内。

此时，将该问题视为多处理机任务混合流水车间调度，本发明采用基于变邻域搜索算法的群智能优化方法，生成最优调度方案，整个装置运行具体包括以下几个步骤：

1)n艘轮船同时到达码头，记做集合J＝{1,2,…,n}，每艘轮船都要完成卸货、装货两个阶段，卸货阶段有m₁台卸货设备，装货阶段有m₂台装货设备。已知size_1j与p_1j分别表示轮船j在卸货阶段需要的卸货设备与卸货时间；size_2j与p_2j分别表示轮船j在装货阶段需要的装货设备与装货时间。已知轮船的装卸设备及对应时间信息，数据上传至装卸信息输入模块。

2)参数设置，种群个体数N、最大迭代次数t_max、随机参数α、个体吸引力β₀、介质吸收率γ；其中令N＝20，t_max＝500，α＝0.5，β₀＝0.2，γ＝1。

3)种群个体初始化。

生成种群X＝(x₁,x₂,…,x_N)，种群中的第s个个体x_s＝(x_s1,…,x_sn)，x_sj为0～n之间的实数，s∈{1,2,…,N}，j∈{1,2}。由于个体x_s的坐标是连续的实数，而工作序列是离散的整数序列，用最小排序方法将连续坐标转化为工作序列，即将个体x_s＝(x_s1,…,x_sn)的各个维度从小到大排序，排序的序号构成的整数序列作为卸货阶段的工作序列π₁。

4)计算每个个体对应的装卸完成时间C_max。

萤火虫算法的目标函数为序列对应的装卸完成时间C_max。本发明基于先到先得的原则，根据各轮船卸货完成时间顺序构造装货序列，然后根据一定规则对生成的装货序列进行适当调整，灵活地进行装货排序，减少装货过程的空闲时间，最终得到最优的装卸调度方案及装卸完成时间C_max。

4.1)根据构造出卸货阶段的调度方案。其中h∈J，π₁(h)表示序列π₁中第h个元素对应的轮船，表示第π₁(h)艘轮船所需的卸货设备数量。

4.2)在装货时，将轮船卸货完成时间进行非递减顺序排序，得到装货的调度顺序π₂。对于任意的π₁(h)和π₁(l)，h,l∈J，当且h<l时，进行π₂排序时假定然后根据π₂(h)对应轮船的装货设备数量构造出装货过程的具体调度方案。

4.3)令j＝1，根据适当规则调整序列π₂中第j和j+1艘轮船的次序。

对于装货过程中相邻的三艘轮船A,B,C，A＝π_2,p，B＝π_2,p+1，C＝π_2,p+2。根据ST_2A与ST_2B的关系，可分别提出以下规则来得到更优的处理序列。

a.ST_2A>ST_2B

规则1-i，若size_2B+size_2C>m₂，size_2A+size_2C>m₂，则交换A与B的处理顺序。

规则1-ii，若size_2B+size_2C≤m₂，size_2A+size_2C>m₂，size_2A+size_2B>m₂，且max{{ST_2B+p_2B,ST_2A}+p_2A,ST_2C}<max{ST_2A+p_2A+p_2B,ST_2C+p_2C}，则交换A与B的处理顺序。

规则1-iii，若size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

规则1-iv，若size_2B+size_2C≤m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

b.ST_2A＝ST_2B

规则2，若size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

c.ST_2A<ST_2B

规则3，若ST_2A+p_2A>ST_2B，size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

其中，ST_2A、ST_2B、ST_2C分别表示轮船A、B、C的最早装货开始时间，size_2A、size_2B、size_2C分别表示轮船A、B、C需要的装货设备，p_2A、p_2B、p_2C分别表示轮船A、B、C的装货时间，m₂表示装货设备总数。

4.4)若j＝n-2计算π₂中各轮船的装货完成时间，即目标函数装卸完成时间C_max，继续；否则j＝j+1，转至步骤4.3)。

4.5)将该个体i完工时间C_max,i与全局最优值G_best进行比较，其中G_best＝max(C_max,i),i＝1,2,…,N，若C_max,i<G_best，则令G_best＝C_max,i，同时记录该个体的装卸调度序列π₁和π₂。

5)设计了5种产生最优解邻域的方法，对个体进行变邻域搜索。变邻域搜索可以提高算法局部搜索能力，避免陷入局部最优。在求解大规模问题时，良好的邻域结构集设计可以大大提升算法的全局收敛性。

5.1)确定五种邻域结构N_num，num＝1,2,3,4,5，初始化参数P＝20，count＝0，令V＝π₁，BV＝V。五种邻域结构如下：

a.两点交换。随机产生两个交换位置，交换两个位置上的元素。例如，对于个体“231476589”，随机产生两个交换位置2和8，交换两个位置上的元素得到序列“281476539”。

b.插入。随机产生两个元素位置，将大位置处的元素插入小位置处的元素前面，小位置及其之后的元素按顺序向后顺延。例如，对于个体“231476589”，随机产生两个元素位置3和7，执行插入操作后可以得到新序列为“235147689”。

c.反转逆序。随机产生两个元素位置，将两点之间的元素逆序排列。例如，对于个体“231476589”，随机产生两个元素位置3和7，执行反转逆序操作后可以得到新序列为“235674189”。

d.打乱互换。随机产生一些元素位置，打乱这些元素的顺序。例如，对于个体“231476589”，随机产生四个元素位置1、5、7、8，元素顺序为“2758”，随机打乱元素顺序得到“5872”，最终新序列为“531486729”。

e.NEH插入，随机产生一个元素位置，在原有序列中将该元素删去。针对每一个可插入位置，假设将该元素插入后，计算目前整个排序的完成时间，选择能使完成时间最小的位置。

5.2)如果count<P，则令num＝1；否则，结束变邻域搜索，并将BV对应的C_max与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体的装卸调度序列π₁和π₂。

5.3)按照邻域结构N_num随机产生一个新解V'，比较新解V'与初始解V对应的适应度值，即序列对应的C_max。

5.4)若f(V')<f(V)，则令BV＝V'，适应度值更小的新解代替初始解，继续在邻域结构N_num内搜索；否则，num＝num+1。

5.5)若num>5，则count＝count+1，返回步骤5.2)；否则，返回步骤5.3)，进入下一个邻域结构搜索。

6)对于每个个体，如在种群中有装卸完成时间更小的个体，则按照下式向该个体移动：

<mrow> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>=</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>+</mo> <msub> <mi>&amp;beta;</mi> <mn>0</mn> </msub> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <msub> <mi>&amp;gamma;r</mi> <mrow> <mi>s</mi> <mi>b</mi> </mrow> </msub> <mn>2</mn> </msup> </mrow> </msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>b</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>s</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;alpha;</mi> <mrow> <mo>(</mo> <mi>R</mi> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> </mrow>

其中，x_s与x_b为两个体的位置，r_sb为两个体之间的欧几里德距离。β₀为距离为0时的吸引力，常数γ为介质的吸收率，α为[0,1]间的值，R为[0,1]间的随机数，使个体在向更亮个体移动的同时存在一定的随机移动。

7)迭代次数达到t_max，调度方案输出模块显示G_best和调度方案和否则转至步骤4)。