CN107992967A - 基于改进多目标遗传算法的船闸调度方法 - Google Patents
基于改进多目标遗传算法的船闸调度方法 Download PDFInfo
- Publication number
- CN107992967A CN107992967A CN201711214483.5A CN201711214483A CN107992967A CN 107992967 A CN107992967 A CN 107992967A CN 201711214483 A CN201711214483 A CN 201711214483A CN 107992967 A CN107992967 A CN 107992967A
- Authority
- CN
- China
- Prior art keywords
- ship
- lock
- mrow
- msub
- row
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 18
- 210000000349 chromosome Anatomy 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000006978 adaptation Effects 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000022339 metaphase plate congression Effects 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000000205 computational method Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 241001415395 Spea Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进多目标遗传算法的船闸调度方法，包括：借鉴生物进化过程，将船闸排档结果定义为进化对象的个体，进行染色体编码和种群初始化；根据不同调度指标构建目标函数，对初始种群进行个体适应度计算；反复按序进行选择操作、交叉操作和变异操作，从全局的角度进行评估决策，输出满足调度需求的最优排档方案。本发明从全局的角度进行评估决策，有利于更加合理高效的获得全局最优解，考虑多种调度指标，建立多个目标函数，提高了决策辅助价值，并且对适应度计算方法进行改进，提高了算法计算的时间效率，满足船闸智能调度排档的需求。
Description
技术领域
本发明涉及一种基于改进多目标遗传算法的船闸调度方法，属于水运交通智能管理技术领域。
背景技术
当前我国水路运输不断发展，长江水运通道也超过密西西比河和莱茵河，成为世界上最繁忙、运量最大的内河运输通道。水路运输作为我国综合运输体系的重要组成部分，虽然承担了49.77％的货物周转量，但是与发达国家的75％相比，相差悬殊。船闸通航能力成为制约水路运输效率的突出问题，解决船闸调度过程中船舶待闸时间长、闸室利用率低等问题是提高船闸通航能力的关键。目前内河航运主要采用人工编排调度计划的调度方式，调度过程慢、调度水平低、缺乏科学性。因此，采用科学有效的智能排船调度方法成为提高船闸通航能力的关键。
在闸室编排过程中，既要实现闸室利用率最大，又要保证航道畅通。但是在实际情况中，闸室利用率过高会导致船舶进出闸过程时间变长，增加航道拥堵程度。人工排船时通常选择减少单次过闸船数、降低闸室利用率的情况来缓解过闸等待时间长的问题。因此，综合考虑提升船闸通航能力的众多影响因素，给出科学高效的船闸调度方案具有实际的指导意义。但人工排档方法太过依赖人为决策，对决策者个人的经验、知识、能力等要求很高，而且决策的个人主观性较强，对经验不足的个人很难做出正确的选择，决策的科学性较低。
船舶调度问题是在特定时间段内，有若干船舶提出通过船闸的申请，在船闸空间有限的前提下，合理为每一条船舶安排过闸的时间和空间，达到减少船舶等候时间和提高船闸利用效率等目标。闸室编排根据船舶报到时间和优先级别，将船舶排入闸室内，可以用二维空间上的装箱模型来描述，是一个典型的NP完全问题(多项式复杂程度的非确定性问题)。若仅考虑闸室编排面积利用率或者单船过闸效率，则该问题属于一个单目标的决策问题。将船闸简化为一个大的矩形，每条船舶简化成一个小的矩形，船舶排档过程就简化成一个小矩形填充大矩形的过程。目前以二维装箱模型解决船闸排档问题常见的方法是采用贪婪算法。贪婪算法一般将求解过程分为若干个步骤，在每个步骤都应用贪心原则，选取当前状态下最好或者最优的选择，并以此希望最后堆叠出最优结果。在船舶排档过程中，往往将待闸船舶按权重降序排列，依次选择至闸室填满。贪婪算法运行速度快，在大多数情况下能取得较高的闸室利用率，但是贪婪算法在进行船闸排档过程中只注重局部最优选择，不进行回溯处理，不从整体上考虑其他各种可能的情况，很容易错过真正的最优选择，得不到最合适的排档方结果。
此外，内河航道上过往的船舶类型多样，安排船舶过闸不仅需要考虑先到先过的原则来减少通航时间，也需要尽可能提高闸室利用率，还需要保证部分船舶优先过闸。目前现有的排档算法目标函数单一，对于不同类型的调度指标，不能同时考虑船闸运行过程中的协调性、平衡性和大小船舶兼顾的协同调度原则，决策辅助价值较低。
普通的多目标遗传算法，针对相互接近而又不具有Pareto支配关系的个体，SPEA很难有效地区分它们的适应度，容易产生适应度相同的个体，导致算法计算效率低下。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于改进多目标遗传算法的船闸调度方法，解决现有船闸调度过程中船舶待闸时间长、闸室利用率低的技术问题。
为解决上述技术问题，本发明所采用的技术方案是：基于改进多目标遗传算法的船闸调度方法，包括如下步骤：
借鉴生物进化过程，将排船方式定义为进化对象的个体，进行染色体编码和种群初始化；
根据不同调度指标构建目标函数，对初始种群进行个体适应度计算；
对初始种群反复按序进行选择操作、交叉操作和变异操作，从全局的角度进行评估决策，输出满足调度需求的最优排船方式。
染色体编码的具体方法如下：
假设船闸中有M艘待闸船舶，用M艘待闸船舶表示染色体内所包含的M组基因，基因内ji表示第i艘船舶被调度的闸次，xi,fi和yi,fi分别表示第i艘船舶安排于船闸中的X、Y坐标，其中i∈R，i＝[1,M]，则染色体编码的编码公式如下：
s＝[(j1,x1,f1,y1,f1),(j2,x2,f2,y2,f2),…,(jM,xM,fM,yM,fM)]
其中：s表示船闸中M艘船舶的一种排船方式。
种群初始化的具体方法如下：
S1：从待闸船舶中随机选择一条船放入闸室；
S2：在闸次集合中随机选择一个闸次对该船舶进行排闸；
S3：判断该船舶能否排进该闸次，如果能排进该闸次，则更新染色体及待闸船舶，返回步骤S1，直至待闸船舶列表为空；否则，更新闸次集合，重新进入步骤S3，直至闸次集合为空，并将基因更新为(-1,-1,-1)；
上述过程反复执行N次，即可得到N组满足目标解的染色体集合，即初始种群，也就是船闸中M艘船舶的N种排船方式。
所述目标函数包括：根据船舶等待调度时间最短为调度指标构建的目标函数F1和根据每一闸室内所有船舶占用总面积最大为调度指标构建的目标函数F2；
其中：M表示船闸中的待闸船舶数；i表示船舶序号，i∈R，i＝[1,M]；T1表示船舶报到时间；T0表示船舶过闸时间；flagi表示第i艘船舶能否排进该闸次，能则为1，否则为0；Si表示第i艘船舶的面积；A表示该闸次的闸室面积。
所述个体适应度的计算公式如下：
其中：xm表示船闸中M艘船舶的第m种排船方式，即个体m；Fitness(xm)是个体的适应度，SumMation(xm)是Pareto支配xm的个体的强度和，S(xm)是xm的强度，SET(xm)是所有xm与具有相同个体的强度和的集合；xn表示船闸中M艘船舶的第n种排船方式，即个体n；S(xn)是xn的强度。
所述选择操作采用比例选择的思路设计选择算子，排船方式被选择的概率如下：
其中：Pm表示个体被选中的概率，即该种排船方式能被选中遗传给下一代的概率；Fitness(xm)是个体m的适应度值；N表示初始种群的数量，即N种排船方式。
所述交叉操作的具体方法如下：随机选择两种排船方式，从M条船中随机选择一条作为交叉点，将两种排船方式在交叉点之后进行排船方式交换。
所述变异操作的具体方法是：随机选择一种排船方式，从M条船中随机选择一条进行变异操作，若该船舶能排入该闸次，则变异成1，否则变异成0。
与现有技术相比，本发明所达到的有益效果是：
1、本发明是一种基于多目标遗传算法的新型船闸智能调度方法，是一种借鉴生物进化过程的启发式搜索算法，不依赖人为因素，排档过程更加科学；
2、通过对若干个体组成的种群进行选择、交叉和变异处理，从全局的角度进行评估决策，能够获取全局最优解，排档结果可信度更高；
3、船闸调度过程中，将约束条件和调度指标量化成数学模型，完成多重指标下的船舶排档，具有更实际的决策辅助功能；
4、对遗传算法适应度计算方法进行改进，提高了算法计算的时间效率，满足船闸智能调度排档的需求。
附图说明
图1是本发明的流程图；
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。
如图1所示，是本发明的流程图，图中：G表示当前遗传的代数；GEN表示预设的代数，即GEN次遗传操作之后停止，具体步骤如下：
步骤一：借鉴生物进化过程，将船闸排档结果定义为进化对象的个体，进行染色体编码；
染色体编码的具体方法如下：
假设船闸中有M艘待闸船舶，用M艘待闸船舶表示染色体内所包含的M组基因，基因内ji表示第i艘船舶被调度的闸次，xi,fi和yi,fi分别表示第i艘船舶安排于船闸中的X、Y坐标，其中i∈R，i＝[1,M]，则染色体编码的编码公式如下：
s＝[(j1,x1,f1,y1,f1),(j2,x2,f2,y2,f2),…,(jM,xM,fM,yM,fM)]
其中：s表示船闸中M艘船舶的一种排船方式。
步骤二：种群初始化；
在初始化种群时，要求生成一组满足目标解的染色体，并且这些解尽量具有较高的指标。本发明采用贪婪算法的思想进行种群初始化，具体如下：
S1：从待闸船舶中随机选择一条船放入闸室；
S2：在闸次集合中随机选择一个闸次对该船舶进行排闸；
S3：判断该船舶能否排进该闸次，如果能，进入步骤S4，如果不能，进入步骤S5；
S4：更新染色体，更新待闸船舶，进入步骤S1，直至待闸船舶列表为空；
S5：则更新闸次集合，重新进入S3，直至闸次集合为空，并将基因更新为(-1,-1,-1)；
上述过程反复执行N次，即可得到N组满足目标解的染色体集合，即初始种群，也就是船闸中M艘船舶的N种排船方式。种群规模越大越可能找到全局解，但运行时间也相对较长，一般N在40-100之间取值。
步骤三：根据不同调度指标构建目标函数；
船闸调度过程中主要考虑两个调度指标，一个是从船主角度出发，要求船舶的等待调度时间最短，另一个是从船闸管理的角度出发，要求每一闸室内所有船舶占用总面积最大。因此，构建两个目标函数，包括：根据船舶等待调度时间最短为调度指标构建的目标函数F1和根据每一闸室内所有船舶占用总面积最大为调度指标构建的目标函数F2；
其中：M表示船闸中的待闸船舶数；i表示船舶序号，i∈R，i＝[1,M]；T1表示船舶报到时间；T0表示船舶过闸时间；flagi表示第i艘船舶能否排进该闸次，能则为1，否则为0；Si表示第i艘船舶的面积；A表示该闸次的闸室面积。
步骤四：对初始种群进行个体适应度计算；
个体适应度的计算公式如下：
其中：xm表示船闸中M艘船舶的第m种排船方式，即个体m；Fitness(xm)是个体的适应度，SumMation(xm)是Pareto支配xm的个体的强度和，S(xm)是xm的强度，SET(xm)是所有xm与具有相同个体的强度和的集合；xn表示船闸中M艘船舶的第n种排船方式，即个体n；S(xn)是xn的强度。
遗传算法中个体适应度用于计算被选择的概率，遗传结束后，适应度最高的个体将作为最优解。选择操作是按计算的概率随机选择的。
步骤五：对选择出的个体组成的种群反复按序进行选择操作、交叉操作和变异操作，从全局的角度进行评估决策，输出满足调度需求的最优排档方案。
遗传算法的操作算子主要有选择、交叉和变异三种，分别模拟了自然界的生物繁衍、交配和基因突变。
选择算子的作用就是从群体中选出比较适应环境的个体繁殖到下一代，选择算子计算的基础是个体的适应度评价值。本发明中采用比例选择的思路设计选择算子，个体被选择的概率如下：
其中：Pm表示个体被选中的概率，即该种排船方式能被选中遗传给下一代的概率；Fitness(xm)是个体m的适应度值；N表示初始种群的数量，即N种排船方式。
交叉算子是将两个个体的基因的一部分片段互相交换，从而产生两个新的个体，其过程：按照选择算子随机从初始化的种群中选择两个父代个体，在随机产生的交叉点处，进行两个个体的交叉操作，产生两个新的个体。本发明中交叉操作的具体方法如下：随机选择两种排船方式，从M条船中随机选择一条作为交叉点，将两种排船方式在交叉点之后进行排船方式交换。
变异算子是随机选择个体和个体的某一位进行变异操作。本发明中变异操作的具体方法是：随机选择一种排船方式，从M条船中随机选择一条进行变异操作，若该船舶能排入该闸次，则变异成1，否则变异成0。
当遗传操作GEN次之后，即进化GEN代之后，则将进化过程中所得到的具有最大适应度个体作为最优解输出，得到最优排船方法，终止计算。
下面结合具体实施例对本发明的有益效果进行对比说明。
以长洲船闸2017年6月每天船舶过闸数据资料为例，利用本发明的方法进行闸室编排，并与目前采用的人工编排方式进行闸室利用率和平均待闸时间的比较。结果如下：
表1长洲船闸三号闸室6月份平均闸室利用率
| 日期 | 人工编排 | 遗传算法 | 日期 | 人工编排 | 遗传算法 | 日期 | 人工编排 | 遗传算法 |
| 1 | 76.24％ | 77.28％ | 11 | 76.25％ | 76.97％ | 21 | 65.91％ | 67.52％ |
| 2 | 75.51％ | 77.66％ | 12 | 75.80％ | 79.59％ | 22 | 78.47％ | 82.95％ |
| 3 | 74.66％ | 74.92％ | 13 | 75.98％ | 80.13％ | 23 | 78.87％ | 83.18％ |
| 4 | 78.01％ | 82.14％ | 14 | 76.54％ | 80.70％ | 24 | 77.33％ | 80.19％ |
| 5 | 77.82％ | 81.65％ | 15 | 75.91％ | 77.39％ | 25 | 76.44％ | 80.89％ |
| 6 | 77.98％ | 80.49％ | 16 | 81.88％ | 85.67％ | 26 | 75.86％ | 77.16％ |
| 7 | 79.50％ | 82.24％ | 17 | 78.59％ | 80.06％ | 27 | 78.03％ | 81.94％ |
| 8 | 77.75％ | 78.39％ | 18 | 69.11％ | 69.80％ | 28 | 68.53％ | 69.17％ |
| 9 | 73.85％ | 77.59％ | 19 | 60.61％ | 63.26％ | 29 | 78.77％ | 79.44％ |
| 10 | 78.42％ | 80.87％ | 20 | 63.92％ | 65.85％ | 30 | 74.46％ | 78.49％ |
表2长洲船闸三号闸室6月份平均待闸时间单位：分钟
| 日期 | 人工编排 | 遗传算法 | 日期 | 人工编排 | 遗传算法 | 日期 | 人工编排 | 遗传算法 |
| 1 | 258 | 231 | 11 | 416 | 361 | 21 | 215 | 160 |
| 2 | 323 | 301 | 12 | 261 | 236 | 22 | 209 | 167 |
| 3 | 677 | 628 | 13 | 258 | 230 | 23 | 231 | 215 |
| 4 | 940 | 882 | 14 | 231 | 212 | 24 | 245 | 199 |
| 5 | 338 | 289 | 15 | 296 | 236 | 25 | 283 | 262 |
| 6 | 351 | 324 | 16 | 267 | 215 | 26 | 316 | 292 |
| 7 | 429 | 386 | 17 | 236 | 176 | 27 | 282 | 246 |
| 8 | 288 | 279 | 18 | 230 | 217 | 28 | 305 | 293 |
| 9 | 312 | 308 | 19 | 329 | 308 | 29 | 276 | 227 |
| 10 | 315 | 313 | 20 | 277 | 226 | 30 | 350 | 300 |
由表1和表2可见，利用本发明的改进多目标遗传算法的船闸智能调度方法进行船闸排档调度相比传统的人工编排的方法，闸室利用率从75.23％提高到78.00％，船舶平均待闸时间缩短28分钟。
本发明从全局的角度进行评估决策，有利于更加合理高效的获得全局最优解，考虑多种调度指标，建立多个目标函数，提高了决策辅助价值，并且对适应度计算方法进行改进，提高了算法计算的时间效率，能够满足船闸智能调度排档的需求。
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 (8)
1.基于改进多目标遗传算法的船闸调度方法，其特征在于，包括如下步骤：
借鉴生物进化过程，将排船方式定义为进化对象的个体，进行染色体编码和种群初始化；
根据不同调度指标构建目标函数，对初始种群进行个体适应度计算；
对初始种群反复按序进行选择操作、交叉操作和变异操作，从全局的角度进行评估决策，输出满足调度需求的最优排船方式。
2.根据权利要求1所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，染色体编码的具体方法如下：
假设船闸中有M艘待闸船舶，用M艘待闸船舶表示染色体内所包含的M组基因，基因内ji表示第i艘船舶被调度的闸次，xi,fi和yi,fi分别表示第i艘船舶安排于船闸中的X、Y坐标，其中i∈R，i＝[1,M]，则染色体编码的编码公式如下：
s＝[(j1,x1,f1,y1,f1),(j2,x2,f2,y2,f2),…,(jM,xM,fM,yM,fM)]
其中：s表示船闸中M艘船舶的一种排船方式。
3.根据权利要求1所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，种群初始化的具体方法如下：
S1：从待闸船舶中随机选择一条船放入闸室；
S2：在闸次集合中随机选择一个闸次对该船舶进行排闸；
S3：判断该船舶能否排进该闸次，如果能排进该闸次，则更新染色体及待闸船舶，返回步骤S1，直至待闸船舶列表为空；否则，更新闸次集合，重新进入步骤S3，直至闸次集合为空，并将基因更新为(-1,-1,-1)；
上述过程反复执行N次，即可得到N组满足目标解的染色体集合，即初始种群，也就是船闸中M艘船舶的N种排船方式。
4.根据权利要求1所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，所述目标函数包括：根据船舶等待调度时间最短为调度指标构建的目标函数F1和根据每一闸室内所有船舶占用总面积最大为调度指标构建的目标函数F2；
目标函数
目标函数
其中：M表示船闸中的待闸船舶数；i表示船舶序号，i∈R，i＝[1,M]；T1表示船舶报到时间；T0表示船舶过闸时间；flagi表示第i艘船舶能否排进该闸次，能则为1，否则为0；Si表示第i艘船舶的面积；A表示该闸次的闸室面积。
5.根据权利要求1所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，所述个体适应度的计算公式如下：
<mrow>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>S</mi>
<mi>u</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mi>i</mi>
<mi>o</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>&Element;</mo>
<mi>S</mi>
<mi>E</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中：xm表示船闸中M艘船舶的第m种排船方式，即个体m；Fitness(xm)是个体的适应度，SumMation(xm)是Pareto支配xm的个体的强度和，S(xm)是xm的强度，SET(xm)是所有xm与具有相同个体的强度和的集合；xn表示船闸中M艘船舶的第n种排船方式，即个体n；S(xn)是xn的强度。
6.根据权利要求1所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，所述选择操作采用比例选择的思路设计选择算子，排船方式被选择的概率如下：
<mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>F</mi>
<mi>i</mi>
<mi>t</mi>
<mi>n</mi>
<mi>e</mi>
<mi>s</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中：Pm表示个体被选中的概率，即该种排船方式能被选中遗传给下一代的概率；Fitness(xm)是个体m的适应度；N表示初始种群的数量，即N种排船方式。
7.根据权利要求6所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，所述交叉操作的具体方法如下：随机选择两种排船方式，从M条船中随机选择一条作为交叉点，将两种排船方式在交叉点之后进行排船方式交换。
8.根据权利要求7所述的基于改进多目标遗传算法的船闸调度方法，其特征在于，所述变异操作的具体方法是：随机选择一种排船方式，从M条船中随机选择一条进行变异操作，若该船舶能排入该闸次，则变异成1，否则变异成0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711214483.5A CN107992967A (zh) | 2017-11-28 | 2017-11-28 | 基于改进多目标遗传算法的船闸调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711214483.5A CN107992967A (zh) | 2017-11-28 | 2017-11-28 | 基于改进多目标遗传算法的船闸调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107992967A true CN107992967A (zh) | 2018-05-04 |
Family
ID=62033642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711214483.5A Pending CN107992967A (zh) | 2017-11-28 | 2017-11-28 | 基于改进多目标遗传算法的船闸调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992967A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681607A (zh) * | 2020-08-17 | 2020-09-18 | 武汉精立电子技术有限公司 | 一种基于遗传算法的Gamma调节方法及系统 |
| CN113268928A (zh) * | 2021-05-27 | 2021-08-17 | 西南交通大学 | 一种基于随机资源受限多项目调度的遗传规划方法 |
| CN114219236A (zh) * | 2021-11-29 | 2022-03-22 | 长江三峡通航管理局 | 一种梯级枢纽通航联合调度方法 |
| CN114566001A (zh) * | 2022-04-29 | 2022-05-31 | 安徽博微广成信息科技有限公司 | 船舶过闸的排队方法、系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657538A (zh) * | 2015-01-04 | 2015-05-27 | 河海大学 | 一种多节点航道调度的仿真方法 |
| CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
-
2017
- 2017-11-28 CN CN201711214483.5A patent/CN107992967A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657538A (zh) * | 2015-01-04 | 2015-05-27 | 河海大学 | 一种多节点航道调度的仿真方法 |
| CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 冯明波: "基于改进多目标遗传算法的船闸调度方法", 《江苏船舶》 * |
| 邓伟等: "基于遗传算法的三峡-葛洲坝船闸闸室编排算法", 《人民长江》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681607A (zh) * | 2020-08-17 | 2020-09-18 | 武汉精立电子技术有限公司 | 一种基于遗传算法的Gamma调节方法及系统 |
| CN113268928A (zh) * | 2021-05-27 | 2021-08-17 | 西南交通大学 | 一种基于随机资源受限多项目调度的遗传规划方法 |
| CN113268928B (zh) * | 2021-05-27 | 2022-07-19 | 西南交通大学 | 一种基于随机资源受限多项目调度的遗传规划方法 |
| CN114219236A (zh) * | 2021-11-29 | 2022-03-22 | 长江三峡通航管理局 | 一种梯级枢纽通航联合调度方法 |
| CN114566001A (zh) * | 2022-04-29 | 2022-05-31 | 安徽博微广成信息科技有限公司 | 船舶过闸的排队方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992967A (zh) | 基于改进多目标遗传算法的船闸调度方法 | |
| CN104504229B (zh) | 一种基于混合启发式算法的智能公交调度方法 | |
| CN107330561A (zh) | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 | |
| CN106599995A (zh) | 一种根据海洋气象信息预测船舶航行气象因子的方法 | |
| CN106203712A (zh) | 基于大数据的优化决策导排系统 | |
| CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
| CN106845712B (zh) | 面向大系统水库群的聚合分解调度规则的提取方法 | |
| Kim et al. | A probability matrix based particle swarm optimization for the capacitated vehicle routing problem | |
| CN106600025A (zh) | 基于多目标混合遗传算法的多层次城市污水再生回用配置数据动态处理方法 | |
| CN114912736A (zh) | 一种电动公交协调优化调度方法 | |
| CN103246941A (zh) | 一种出口集装箱码头堆存空间调度方法 | |
| CN101231720A (zh) | 基于遗传算法的企业过程模型多目标参数优化方法 | |
| CN106354014A (zh) | 一种基于多目标差分进化算法的污水处理优化控制方法 | |
| CN107748944A (zh) | 一种售电侧放开环境下用户侧需求响应方法 | |
| CN101694586A (zh) | 基于混沌优化的支持向量机预测污水处理节能控制系统 | |
| CN104536831B (zh) | 一种基于多目标优化的多核SoC软件映射方法 | |
| CN107832983A (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
| CN108734378A (zh) | 一种不完全信息条件下的水库调度风险型群决策方法 | |
| CN106845696A (zh) | 一种智能优化水资源配置方法 | |
| Garrido-Baserba et al. | A knowledge management methodology for the integrated assessment of WWTP configurations during conceptual design | |
| Luhua et al. | Study on method of bus service frequency optimal ModelBased on genetic algorithm | |
| CN109102203A (zh) | 一种基于多串染色体遗传算法的目标分配优化方法 | |
| CN104268639B (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 | |
| Zheng et al. | Solving energy-efficient lock group co-scheduling problem with ship lift and approach channel using a collaborative adaptive multi-objective algorithm | |
| JP4327013B2 (ja) | プラントワイド最適プロセス制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |