CN109118011A - 码头堆场的智能调度方法和系统 - Google Patents

Abstract

本申请涉及一种码头堆场的智能调度方法和系统；所述方法包括：获取输入数据，并根据调度经验预测所有的粗糙解；迭代寻找粗糙解附近的最优解，得到多个可选的精确解；将多个可选的精确解代入目标函数，计算得出全局最优解。本申请的调度方法基于经验求解，允许为码头堆场调度问题构建足够精确复杂的模型，而不用担心问题的可解性；能够提高码头堆场垛位利用效率，降低货物装载卸载保存中转成本，最大化经济效益。

Description

码头堆场的智能调度方法和系统

技术领域

本申请涉及港口物流调度技术领域，具体涉及一种码头堆场的智能调度方法和系统。

背景技术

在码头堆场的调度过程中，人工操作非常依赖于经验，且往往难以最大化堆场利用效率。换用机器操作的挑战在于，算法模型与堆场实际状况的偏差、算法的解与其真正最优解的偏差，可能导致堆场运行秩序混乱甚至崩溃。降低前一种偏差，需要高精度的模型，堆场理货模型涉及排队论、图论、库存论和规划论，以及场地内的各种要素。降低后一种偏差，需要在足够短的时间内求解出模型最优或足够好的解。然而，二者又是一组矛盾，即越精确的模型越难求解。相比之下，工人依据主观经验虽然无法实现最优操作，但可以迅速做出比较合理的调度、也基本不会导致堆场运行秩序崩溃。

相关技术中，码头堆场的自动化调度方案，思路大都是分析并抽取码头堆场的相关设备要素、货物调度要素后，构建得到目标函数，然后针对该目标函数进行优化。考虑到堆场的复杂性抑或目标函数的复杂度，要放弃不重要的要素，从而保证目标函数最优化问题的可解性。求解方法往往是是启发式优化中的遗传算法、蚁群算法、粒子群算法、人工蜂群算法等等。这些求解算法需要精心设计求解过程，有时还要对目标函数作适当改造。这样就会导致问题模型与现实的偏差、求解结果与全局最优值的偏差，从而导致自动化调度过程对异常极端情况的鲁棒性不足。所以，能够迅速求解高精度模型的方法才是实现码头堆场自动化的关键。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种码头堆场的智能调度方法和系统。

根据本申请实施例的第一方面，提供一种码头堆场的智能调度方法，包括：

获取输入数据，并根据调度经验预测所有的粗糙解；

迭代寻找粗糙解附近的最优解，得到多个可选的精确解；

将多个可选的精确解代入目标函数，计算得出全局最优解。

进一步地，所述方法还包括：

记录人工操作过程，并将人工操作的步骤作为学习样本进行在线学习，获取调度经验。

进一步地，所述迭代寻找粗糙解附近的最优解，包括：

使用梯度下降算法并行地迭代寻找粗糙解附近的最优解。

进一步地，所述计算得出最优解，包括：

计算多个可选的精确解各自所对应的价值，价值最大的精确解即为最优解；

如果价值最大的精确解不止一个，则其中重复出现的精确解为最优解。

进一步地，所述方法还包括：

将最优解输出，并等待接收输入指令；

如果输入指令中包含对最优解的修改，则执行修改后的最优解；

如果输入指令没有修改最优解，则直接执行最优解。

进一步地，所述方法还包括：

记录最终执行的解并对其进行学习，以迭代升级调度经验；

如果最终执行的解是修改后的最优解，则为该次学习赋予较大的权重。

根据本申请实施例的第二方面，提供一种码头堆场的智能调度系统，包括：

传感执行模块，用于采集码头堆场的多种现场信息，作为计算调度方案的参考信息，并执行最终确定的调度方案；

数据支撑模块，对应所述调度系统的数据库部分，为调度方案的计算提供支撑数据；

方案计算模块，能够从所述传感执行模块获取码头堆场的当前运行状态和条件信息，从所述数据支撑模块获取支撑数据，并进行调度方案的规划和生成；

用户接口模块，用于为用户介入调度方案的生成和执行提供接口。

进一步地，所述传感执行模块包括码头堆场的传感器和执行器；

所述传感器用于获取计算调度方案所需要的信息；所述执行器用于执行最终确定的调度方案；

所述数据支撑模块中存储的支撑数据是无法由传感执行模块从堆场即时获取的信息。

进一步地，所述方案计算模块包括预测器、搜索器和比较器；

所述预测器，能够借助机器学习算法，根据历史记录学习调度经验，再基于调度经验自动根据当前堆场状态和条件来预测出多个粗糙解；

所述搜索器，用于从所述预测器给出的多个粗糙解出发，分别寻找其附近的精确解；

所述比较器，根据目标函数分别计算所述搜索器计算得到的精确解，然后取出全局最优解，通过所述用户接口模块输出。

进一步地，所述用户接口模块包括方案选择器和目标更新器；

所述方案选择器，在所述方案计算模块给出多个价值接近的全局最优解时，将多个结果输出，并等待接收输入指令以选择最终执行解；或者，在多个全局最优解中随机选择一个作为最终执行解；

所述目标更新器，用于更新目标函数以及相关的传感控制条件。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请的调度方法基于经验求解，允许为码头堆场调度问题构建足够精确复杂的模型，而不用担心问题的可解性；其核心算法能够根据人工调度的调度经验不断演进，并取得优于仅人工操作的效果。能够提高码头堆场垛位利用效率，降低货物装载卸载保存中转成本，最大化经济效益。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据一示例性实施例示出的一种码头堆场的智能调度方法的流程图。

图2(a)是已有最优化算法求解原理示意图。

图2(b)是本发明的基于经验的求解原理示意图。

图3是根据一示例性实施例示出的一种码头堆场的智能调度系统的逻辑结构图。

图4是某码头堆场的平面示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种码头堆场的智能调度方法的流程图。如图所示，该方法包括以下步骤：

获取输入数据，并根据调度经验预测所有的粗糙解；

迭代寻找粗糙解附近的最优解，得到多个可选的精确解；

将多个可选的精确解代入目标函数，计算得出全局最优解。

本发明面向复杂的码头堆场调度问题，提供一种借助经验加速复杂模型求解的方法，使得针对堆场的目标函数可以以灵活精确的方式实现，而不必担心可解性。应用本发明的方法，码头堆场有望实现高鲁棒性的自动化的生产调度。

本申请的方法基于一项已获得验证的原理，即对于复杂的堆场调度任务模型所属的高维曲面，操作员基于经验的调度操作往往落在该高维曲面的局部最优解附近。求解这类高维最优化问题，常见的方法包括梯度下降法、牛顿法(拟牛顿法)、共轭梯度法、启发式优化、拉格朗日乘数法等。以往方法如图2(a)所示，都是没有借助经验，而是直接求解，这要面临很大的不确定性所带来的繁重的计算量。而本申请所提出的基于经验的求解方法，如图2(b)所示，可以很好的由多个可能的全局最优解(实际上为局部最优解)位置出发，排除大量不必要的运算、快速求解复杂模型。

一些实施例中，所述方法还包括：

记录人工操作过程，并将人工操作的步骤作为学习样本进行在线学习，获取调度经验。

一些实施例中，所述迭代寻找粗糙解附近的最优解，包括：

使用梯度下降算法并行地迭代寻找粗糙解附近的最优解。

一些实施例中，所述计算得出最优解，包括：

计算多个可选的精确解各自所对应的价值，价值最大的精确解即为最优解；

如果价值最大的精确解不止一个，则其中重复出现的精确解为最优解。

一些实施例中，所述方法还包括：

将最优解输出，并等待接收输入指令；

如果输入指令中包含对最优解的修改，则执行修改后的最优解；

如果输入指令没有修改最优解，则直接执行最优解。

一些实施例中，所述方法还包括：

记录最终执行的解并对其进行学习，以迭代升级调度经验；

如果最终执行的解是修改后的最优解，则为该次学习赋予较大的权重。

如图3所示，本申请还提供一种码头堆场的智能调度系统，包括：

传感执行模块，用于采集码头堆场的多种现场信息，作为计算调度方案的参考信息，并执行最终确定的调度方案；

数据支撑模块，对应所述调度系统的数据库部分，为调度方案的计算提供支撑数据；

方案计算模块，能够从所述传感执行模块获取码头堆场的当前运行状态和条件信息，从所述数据支撑模块获取支撑数据，并进行调度方案的规划和生成；

用户接口模块，用于为用户介入调度方案的生成和执行提供接口。

本申请的系统围绕散杂货堆场管理的核心要素：堆场、货物、机械、运输车辆等的安全管理需求，建立了以堆场图形管理为基础，融合装卸机械作业调度、堆场作业监控、货物管理为一体的信息系统管理模型，并提出一套智能化的堆场可视化管理系统，有效提升堆场的精细化管理水平。

传感执行模块包含码头堆场的大量传感器和执行器；有些设备复杂，可以分解成逻辑上的传感器和执行器。该模块为码头操作方案的计算提供必需的参考信息。调度方案的规划完全取决于堆场的当前状态和条件，传感器获取计算堆场调度操作方案所必需的信息。传感器完全反映当前堆场的运行状态的货物流转条件。执行器则是执行堆场调度方案的设备或设备功能的抽象。传感执行模块为方案计算模块提供方案计算所需的数据和计算好的方案执行所需的设备。

数据支撑模块则对应用于码头调度系统的数据库部分，为方案计算模块的方案计算提供必要的支撑数据。这些支撑数据也就是装载和卸载于码头堆场的各种散杂货的价格、储藏条件、买卖家需求等等信息。这些信息无法由传感执行模块从堆场即时获取，而二者只能是互为补充。这些数据的更新和维护，由码头的数据系统来完成，是比较缓慢变化的。

一些实施例中，所述传感执行模块包括码头堆场的传感器和执行器；

所述传感器用于获取计算调度方案所需要的信息；所述执行器用于执行最终确定的调度方案；

所述数据支撑模块中存储的支撑数据是无法由传感执行模块从堆场即时获取的信息。

方案计算模块，根据从传感执行模块获取的当前堆场的运行状态和条件信息，进行调度方案的规划和生成。有些数据要从数据支撑模块中获取，比如各类货物的价格等浮动因素。生成调度方案后，可能要先经过操作者的修改，也可能直接执行，交给传感执行模块中的执行器去执行，比如(具体实施方案中介绍)。方案计算模块包括预测器、搜索器、比较器。预测器借助机器学习算法，学习历史调度经验，自动根据当前堆场状态和条件来预测出多个可能的主因素组合的方案。该预测器会不断从历史数据中进行学习经验、根据操作者介入的情况调整学习的经验，从而做出更可靠的预测。此处有一假设：根据经验预测的主要因素组合的操作方案，往往是高维空间的诸多极小值附近的点，而且最小值也包含在其中——但它是非常粗糙的，需要精确化。预测器根据经验，在这些极小值附近搜索局部最小值，可以大大提升模型的可解性，避免在无穷无尽的高维空间中浪费时间。搜索器因为有了预测器的辅助，而不必针对具体问题设计具体精妙但复杂而且可解性很差的求解算法，如遗传算法、粒子群算法、人工蜂群算法等，只需采用简单而高效的梯度下降算法，如Adam。搜索器并行工作，从预测器给出的多个粗糙解出发，分别寻找其附近的局部最优值。比较器根据目标函数，分别计算搜索器计算得到的值，然后取其中最优者，通过用户接口模块呈献给用户，供用户微调或者直接送给传感执行模块中的执行器执行。

算法运行于方案计算模块中，包括预测器中的神经网络经验学习算法、搜索器中的目标函数梯度下降算法和比较器中的目标函数比较算法。

神经网络学习算法：将目标函数中考虑到的所有输入因素、输出因素、状态因素映射到连续正整数，然后通过神经网络进行分类。其中有多套神经网络，接受共同的训练，但会学习到不同的特征集合。从而在预测时能给出不同的方案组合。

目标函数梯度下降算法：梯度下降算法在最优化中是比较简单高效的求解方法。有大量优秀的方案可供选择。梯度下降需要反复迭代，有时非常耗时；但此处从预测器提供的粗糙方案出发，极为复杂的高维空间可以大大降维，用梯度下降可以快速收敛。

目标函数比较算法：最为简单，即将搜索器提供的精确方案数据值代入目标函数，计算其价值，然后作比较，取其最优者对应的精确方案，而后提供给操作者。

一些实施例中，所述方案计算模块包括预测器、搜索器和比较器；

所述预测器，能够借助机器学习算法，根据历史记录学习调度经验，再基于调度经验自动根据当前堆场状态和条件来预测出多个粗糙解；

所述搜索器，用于从所述预测器给出的多个粗糙解出发，分别寻找其附近的精确解；

所述比较器，根据目标函数分别计算所述搜索器计算得到的精确解，然后取出全局最优解，通过所述用户接口模块输出。

用户接口模块，为用户介入/掌控调度方案的生成和执行提供接口。其包括方案选择修改器，以及目标更新器。方案选择器工作于方案计算模块的比较器给出多个价值接近的解的时候，系统把决定权交给用户。当然也可以设定为自动工作模式，允许无人值守的工作情形。这时候，系统自动选择其中最优者或者随机选择多个同等最优者中的一个去执行。

一些实施例中，所述用户接口模块包括方案选择器和目标更新器；

所述方案选择器，在所述方案计算模块给出多个价值接近的全局最优解时，将多个结果输出，并等待接收输入指令以选择最终执行解；或者，在多个全局最优解中随机选择一个作为最终执行解；

所述目标更新器，用于更新目标函数以及相关的传感控制条件。因为传感执行模块中的设备可能会增减、升级，影响最终的解。

为进一步详述本专利，介绍本申请的具体应用步骤为：

(1)构建目标函数。

由图4所示的一例码头堆场平面图可知，该调度系统可以分为客户需求部分、中转载具部分和堆场库存部分。

其中客户需求即前来堆场装载卸载的火车或轮船，可以用运筹学中的排队论进行刻画，此处简记为f(·)；中转载具为导轨上运行的堆取料机和卡车，他们以最短路径往返于垛堆和客户之间，可以使用运筹学中的图论进行刻画，此处简记为g(·)；堆场库存即一个个堆放货物的垛堆，需要考虑货物贮存成本，可以使用运筹学中的库存论进行刻画，此处简记为h(·)。

所以目标函数需要同时考虑这三个部分，此处简记为V(f,g,h)，码头堆场调度问题表示为使得该目标函数的价值最大化。

(2)构建神经网络。

方案计算模块中的预测器要借助神经网络对码头堆场中的可操作要素进行评分组合。这里需要多个神经网络，从而可以得到多组可选的粗糙解组合。

预测器神经网络的架构为多个全连接层叠加的支持向量机(SVM，Support VectorMachine)，Input-[FC-FC-FC]-Output。码头堆场中的传感器和执行器以及货物流转条件作为该神经网络的输入，所有执行器对应的操作作为输出。

该神经网络根据输入对可选的输出要素进行评分，取评分最高的前几名，作为粗糙解。这样的神经网络有多个，能够在对经验的学习中提取不同的特征集，从而能够给出不同的预测集合，此处简记为{P}。

(3)实现梯度下降算法。

梯度下降算法对于高维优化问题的求解非常易于实现，不会像其他算法那样要对求解过程作精妙的设计。

目前梯度下降算法有诸多选择，其中Adam是最受欢迎者之一。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率α更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。该实施例以Adam为例。

(3.1)确定参数学习率α，Adam算法的累积器系数β₁、β₂，以及随机化的目标函数V(f,g,h)；

(3.2)初始化参数向量、一阶矩向量、二阶矩向量和时间步，θ₀、m₀、v₀和t。

(3.3)然后当参数θ没有收敛时，循环迭代地更新各个部分。

即时间步t加1、更新目标函数在该时间步上对参数θ所求的梯度、更新偏差的一阶矩估计和二阶原始矩估计，再计算偏差修正的一阶矩估计和偏差修正的二阶矩估计，然后再用以上计算出来的值更新模型的参数θ。

(3.4)最后当θ收敛之后，结束循环，返回最终的参数θ_t。

至此，可以得到该发所述系统的方案计算模块，以及其中的预测器、搜索器和比较器。

(4)构建传感执行模块。

码头堆场的自动化有赖于全面的传感数据的获取以准确掌握堆场的运行状态，以及充分的调控以对堆场的各种设备进行全方位的调度。

传感器和执行器包括堆场中每个垛堆的监测设备，如温度、湿度传感器，垛堆货位三维模型重建设备等；包括载具搭载的或配套的RFID标签和读写器、车载和手持终端、GPS移动站和基准站等；包括堆取料机自动机械臂的配套设备，如传送带、双目摄像头等。

垛堆上的传感器和执行器确保操作员对每个垛堆占用情况和货物状态进行实时精确的监控，以及后续货物流转的安排。载具相关的传感器和执行器确保往返运转货物的卡车能够以最短路径最短时间疏通货物。堆取料机相关的传感器和执行器使得操作员可以远程精确监控和下达自动控制命令，实现每个垛堆的自动化货物装载和卸载。

(5)构建支撑数据模块

支撑数据模块核心为堆场专属的数据库，存储堆场调度所需的各种关键数据。当码头基础设备、硬件设备，以及货物客户信息发生变化时，数据库要能够更新并记录。当码头堆场需要进行调度时，为方案计算模块提供所需信息，也为操作员、管理员提供介入自动化进程提供依据。

(6)构建用户接口模块。

用户接口模块为用户介入/掌控调度方案的生成和执行提供接口。用户接口模块要与方案计算模块、支撑数据模块和传感执行模块进行交互。

该模块包括方案选择修改器，以及目标更新器。方案选择器工作于方案计算模块的比较器给出多个价值接近的解的时候，系统把决定权交给用户。当然也可以设定为自动工作模式，允许无人值守的工作情形。这时候，系统自动选择其中最优者或者随机选择多个同等最优者中的一个去执行。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种码头堆场的智能调度方法，其特征在于，包括：

获取输入数据，并根据调度经验预测所有的粗糙解；

迭代寻找粗糙解附近的最优解，得到多个可选的精确解；

将多个可选的精确解代入目标函数，计算得出全局最优解。

2.根据权利要求1所述的方法，其特征在于，还包括：

记录人工操作过程，并将人工操作的步骤作为学习样本进行在线学习，获取调度经验。

3.根据权利要求1所述的方法，其特征在于，所述迭代寻找粗糙解附近的最优解，包括：

使用梯度下降算法并行地迭代寻找粗糙解附近的最优解。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述计算得出最优解，包括：

计算多个可选的精确解各自所对应的价值，价值最大的精确解即为最优解；

如果价值最大的精确解不止一个，则其中重复出现的精确解为最优解。

5.根据权利要求4所述的方法，其特征在于，还包括：

将最优解输出，并等待接收输入指令；

如果输入指令中包含对最优解的修改，则执行修改后的最优解；

如果输入指令没有修改最优解，则直接执行最优解。

6.根据权利要求5所述的方法，其特征在于，还包括：

记录最终执行的解并对其进行学习，以迭代升级调度经验；

如果最终执行的解是修改后的最优解，则为该次学习赋予较大的权重。

7.一种码头堆场的智能调度系统，其特征在于，包括：

传感执行模块，用于采集码头堆场的多种现场信息，作为计算调度方案的参考信息，并执行最终确定的调度方案；

数据支撑模块，对应所述调度系统的数据库部分，为调度方案的计算提供支撑数据；

方案计算模块，能够从所述传感执行模块获取码头堆场的当前运行状态和条件信息，从所述数据支撑模块获取支撑数据，并进行调度方案的规划和生成；

用户接口模块，用于为用户介入调度方案的生成和执行提供接口。

8.根据权利要求7所述的系统，其特征在于：所述传感执行模块包括码头堆场的传感器和执行器；

所述传感器用于获取计算调度方案所需要的信息；所述执行器用于执行最终确定的调度方案；

所述数据支撑模块中存储的支撑数据是无法由传感执行模块从堆场即时获取的信息。

9.根据权利要求7所述的系统，其特征在于：所述方案计算模块包括预测器、搜索器和比较器；

所述预测器，能够借助机器学习算法，根据历史记录学习调度经验，再基于调度经验自动根据当前堆场状态和条件来预测出多个粗糙解；

所述搜索器，用于从所述预测器给出的多个粗糙解出发，分别寻找其附近的精确解；

所述比较器，根据目标函数分别计算所述搜索器计算得到的精确解，然后取出全局最优解，通过所述用户接口模块输出。

10.根据权利要求7所述的系统，其特征在于，所述用户接口模块包括方案选择器和目标更新器；

所述方案选择器，在所述方案计算模块给出多个价值接近的全局最优解时，将多个结果输出，并等待接收输入指令以选择最终执行解；或者，在多个全局最优解中随机选择一个作为最终执行解；

所述目标更新器，用于更新目标函数以及相关的传感控制条件。