CN109345008A - 自动排船方法 - Google Patents
自动排船方法 Download PDFInfo
- Publication number
- CN109345008A CN109345008A CN201811072495.3A CN201811072495A CN109345008A CN 109345008 A CN109345008 A CN 109345008A CN 201811072495 A CN201811072495 A CN 201811072495A CN 109345008 A CN109345008 A CN 109345008A
- Authority
- CN
- China
- Prior art keywords
- ant
- ship
- parameter
- iteration
- 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 47
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims description 52
- 239000002245 particle Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 14
- 230000014759 maintenance of location Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000007480 spreading Effects 0.000 claims description 10
- 238000003892 spreading Methods 0.000 claims description 10
- 229920002678 cellulose Polymers 0.000 claims description 8
- 239000001913 cellulose Substances 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012800 visualization 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (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
本申请涉及一种自动排船方法，包括：获取各个泊位上的作业机器的能力参数；获取待泊船只的需求参数；根据所述能力参数和所述需求参数求解最优组合排船计划；将所述最优组合排船计划发送给执行机构。本申请基于对于码头泊位业务的理解对其建立了目标数学模型，使用本申请设计的优化算法对目标模型进行优化，获取泊位安排问题的最优解；采用本申请的方法计算排船计划，不需要人工干预，因而效率高且不容易出错，保证了泊位的最大利用率。
Description
技术领域
本申请涉及码头的船舶动态调度技术领域，具体涉及一种自动排船方法。
背景技术
目前，码头的船舶动态计划都是调度人员根据以往的经验和目前的泊位状况手动计算出来的。在计算过程中，有很多因素会导致人工计算出来的动态存在偏差，比如机器的作业效率、船舶的特殊要求、天气原因、货主要求等。当每次条件发生变化时，调度人员都需要手动去排动态，又要根据这一堆条件去计算船舶的进离港时间，这样不仅效率不高，容易出错，并且没法保证泊位的最大利用率。
码头自动排船问题归根到底其实就是组合优化问题，但是随着这种问题的规模的增大，普通的规划算法由于计算量会出现爆炸式增长而无法实用化。 20世纪50年代中期创立的仿生学使得人们可以从生物进化以及智能体的行为表现中去寻找求解大规模组合优化问题的方法，其中表现比较优异的智能算法包括遗传算法、蚁群算法、粒子群算法等。三种智能优化算法都是随机搜索算法，因此收敛过程都具有不确定性，均具有一定的避免局部最优的能力。所有这些智能算法都是针对某个目标模型函数进行优化，来让函数尽量达到全局最优值，而这个全局最优值也就是组合优化问题的近似最终解。这些智能算法及其变型在解决组合优化问题时得到了较广泛的应用并取得了较好的实验效果，但是如何更高效地整合蚁群算法和粒子群算法的优势来获取更优解一直是智能算法要探索的问题。
蚁群算法(ACS)启发自对于真实蚂蚁群体运动的研究，在算法中引入了“信息素”的概念，用以模拟蚂蚁之间通过感知信息素来指导自己的运动方向的行为。蚁群算法具有较强的寻优能力、并行性强、收敛较快；但是在算法初期，由于初始信息素作用过强，会让蚂蚁聚集到局部最优路径中，使算法过早进入停滞状态，陷入局部最优。
粒子群算法(PSO)启发自对于鸟群的觅食行为研究，每个粒子都有各自的飞行速度和惯量，单个粒子会记下自己经历过的局部最优值，同时粒子群也会记忆当前全局最优流向位置和速度信息，在接下来的迭代中其余粒子会朝向最优粒子的方向搜索，从而能够发现更大范围更优的解情况。粒子群算法具有思路简洁和收敛速度快的优点，但同时也有容易早熟且容易陷入局部最优的缺陷。
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，本申请提供一种自动排船方法。
根据本申请的实施例，提供一种自动排船方法，包括：
获取各个泊位上的作业机器的能力参数；
获取待泊船只的需求参数；
根据所述能力参数和所述需求参数求解最优组合排船计划；
将所述最优组合排船计划发送给执行机构。
进一步地，所述获取各个泊位上的作业机器的能力参数，包括：
抓取各个泊位上的作业机器的作业历史信息；
对所述作业历史信息进行大数据分析，获取作业机器的工作效率的评估。
进一步地，所述需求参数包括如下项中的至少一项：配载吨位，船只长度，吃水深度，和/或，货物特性。
进一步地，所述根据所述能力参数和所述需求参数求解最优组合排船计划，包括：
将所述能力参数和所述需求参数输入算法模型；
算法模型计算出最优组合排船计划，并将计算结果输出。
进一步地，所述方法还包括：
对计算出的最优组合排船计划进行审核，判断是否满足约束条件；
如果满足约束条件，则直接将计算出的最优组合排船计划输出；
如果不满足约束条件，则调整算法模型的常量参数，并根据调整参数后的算法模型计算出新的最优组合排船计划。
进一步地，所述算法模型计算出最优组合排船计划，包括：
初始化所述算法模型中的常量参数和可调变量；
载入预设的目标函数和约束条件；
将所述能力参数和所述需求参数代入所述约束条件；
根据所述目标函数和所述约束条件，采用软启动蚁粒群优化算法计算出最优组合排船计划。
进一步地，所述软启动蚁粒群优化算法包括：
根据初始条件，进行一轮完整的迭代计算，得出当前轮迭代的最优路径，并获取迭代后的初始条件；
则根据迭代后的初始条件，再次进行一轮完整的迭代计算；
重复进行多次迭代计算，当迭代轮数达到预设的最大迭代值时，停止迭代计算，并将对应的当前轮迭代的最优路径作为结果进行输出。
进一步地，所述进行一轮完整的迭代计算之后，还包括：
判断当前的迭代轮数是否达到预设的最大迭代值；
如果达到，则停止迭代；
如果未达到，则判断是否陷入局部最优解；
当陷入局部最优解时，重置初始条件后，再进行下一轮迭代；
当未陷入局部最优解时，直接进行下一轮迭代。
进一步地，所述判断是否陷入局部最优解，包括：
检查是否存在连续若干轮迭代所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第一阈值，则判断陷入局部最优解；
或者，
检查连续的若干轮迭代中，是否存在某个蚂蚁所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第二阈值，则判断陷入局部最优解。
进一步地，所述进行一轮完整的迭代计算，包括：
对于每个位于节点i的蚂蚁k，根据预设的判断条件选择下一个要访问的节点j；
当所有的蚂蚁k都完成了对所有节点的遍历，获取所有蚂蚁k的访问路径Dk；
判断Dk是否小于蚂蚁k曾经所记录下的最优路径长度Pbestk；
如果Dk小于Pbestk，则更新蚂蚁k自身的信息素表；
判断Dk是否小于当前全局最优路径长度Gbest；
如果Dk小于Gbest，则更新全局最优信息素列表；
根据Gbest的效果计算扩展参数aug，并根据扩展参数aug对信息素留存量ρ进行自适应调整；
引入粒子群对于局域和全局最优信息素的记忆结果，对路径信息素含量τ进行更新计算；
更新单只蚂蚁k自身记录的节点i与j之间的最新信息素含量；
用计算出的最优蚂蚁的信息素表来替代全局信息素表。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请基于对于码头泊位业务的理解对其建立了目标数学模型，使用本申请设计的优化算法对目标模型进行优化，获取泊位安排问题的最优解；采用本申请的方法计算排船计划，不需要人工干预，因而效率高且不容易出错，保证了泊位的最大利用率。
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自动排船方法的流程图。
图2是根据一示例性实施例示出的一种码头泊位自动调度系统工作流程图。
图3是软启动蚁粒子群优化算法的流程图。
图4是根据一示例性实施例示出的一种配置场地和泊位的关系示意图。
图5是根据一示例性实施例示出的一种选择需要排动态的船舶的操作界面示意图。
图6是根据一示例性实施例示出的一种排船结果可视化界面示意图。
图7是根据一示例性实施例示出的一种船舶信息微调页面示意图。
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自动排船方法的流程图，如图所示，该方法包括以下步骤：
步骤101：获取各个泊位上的作业机器的能力参数；
步骤102：获取待泊船只的需求参数；
步骤103：根据所述能力参数和所述需求参数求解最优组合排船计划；
步骤104：将所述最优组合排船计划发送给执行机构。
步骤101中，作业机器主要包括用于卸货等工作的设备，能力参数包括卸货设备的工作效率，比如在单位时间内能够卸货的数量。步骤102中，需求参数主要包括待泊船只上需要卸下的货物数量、船的吃水深度、长度等。步骤104中，执行机构包括泊位上的作业机器、待泊船只上的接收设备、相关工作人员持有的接收设备等。
本申请的方法能够自动计算出码头的排船计划，以替代费时费力的手动排船的计算工作；本申请的方法不需要人工干预，效率高且不容易出错，保证了泊位的最大利用率。
一些实施例中，所述获取各个泊位上的作业机器的能力参数，包括：
抓取各个泊位上的作业机器的作业历史信息；
对所述作业历史信息进行大数据分析，获取作业机器的工作效率的评估。
一些实施例中，所述需求参数包括如下项中的至少一项：配载吨位，船只长度，吃水深度，和/或，货物特性。
一些实施例中，所述根据所述能力参数和所述需求参数求解最优组合排船计划，包括：
将所述能力参数和所述需求参数输入算法模型；
算法模型计算出最优组合排船计划，并将计算结果输出。
一些实施例中，所述方法还包括：
对计算出的最优组合排船计划进行审核，判断是否满足约束条件；
如果满足约束条件，则直接将计算出的最优组合排船计划输出；
如果不满足约束条件，则调整算法模型的常量参数，并根据调整参数后的算法模型计算出新的最优组合排船计划。
其中，约束条件是指待泊船只的实际情况需要符合码头的实际条件。比如，待泊船只的长度不能超过码头上泊位的长度，待泊船只的吃水深度不能超过泊位的深度，等等。
为了让散杂货码头的泊位调度更加智能化，本申请基于对码头业务的了解和对于群体智能算法的掌握，将二者进行了整合。为了更高效地找到近优解，本申请在对散杂货码头的泊位调度算法进行建模的同时，也在融合蚁群算法与粒子群算法时进行了许多创新。最终本申请的散杂货码头自动调度方法的总体流程如图2所示，共分为八个步骤：
第一步：首先抓取各泊位作业机器的作业历史信息并进行大数据分析，从而获取到泊位作业机器的工作效率的评估；
第二步：获取待泊船只的配载吨位、船只长度、吃水深度及其能载运的货物特性、煤种特点和货主要求等其他条件参数；
第三步：依据系统要求将前两步收集到的参数信息录入自动泊位安排系统；
第四步：系统会自动根据录入的参数信息使用本申请设计的软启动蚁粒群优化算法(图中使用了简称S2-APSO)获取当前最优组合排船结果；
第五步：对于系统给出的泊位安排结果进行审核，若符合码头的所有条件(即码头的约束条件)即可进入第七步，否则可以跳到第六步进行重排操作；
第六步：若系统给出的排船效果不够理想，可以在本步骤中重新调整常量参数，并重新使用软启动蚁粒群优化算法生成其他的排船方案以供选择；
第七步：对于系统给出的满足条件的泊船计划，自动将其下发给各待泊船只和码头设备处，便于指导相关方的进一步协同工作；
第八步：将最终的泊位安排结果展示在本申请的自动排船系统界面中，完成自动泊船系统的闭环控制。
第四步中使用的软启动蚁粒群优化算法，主要是将传统的蚁群算法和粒子群算法进行了融合。蚂蚁粒子(蚁粒子)间主要通过信息素进行信息共享，信息素自身具有一定的挥发性，某些最优解的附近的信息素浓度会高于其他地方从而使得算法逐渐收敛。借鉴于粒子群算法，本申请的软启动蚁粒群算法中的蚁粒子个体还具有局部记忆功能，蚁粒子个体会记录下自身经历过的最优路径，蚁粒群之间每轮都会选出当前轮最优解来更新全局最优解，蚁粒子之间也通过这样的方式进行信息的沟通。蚁群算法和粒子群算法都是随机搜索算法，同时存在末期停滞于局部最优解的情形，为了改善这种情况，本申请为蚁群算法中的信息素留存率设定了自适应规则，让信息素的留存率具有波动性为问题的解提供更多的可能。在算法后期，本申请还进一步为路径寻优引入了有条件的信息素重置操作，从而让算法能有更多的能力跳出局部最优解的情形。
为了更清楚地说明本申请的软启动蚁粒群优化算法的基本思想，此处将模型方法应用于著名的旅行商问题(TSP，Travelling salesman problem)进行详细阐述。TSP问题是指给定N个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。其图论描述为：给定图G＝(V,E)，其中V为顶点集，E为各顶点相互连接组成的边集，已知各顶点间的边接距离，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短回路。对于其他的NP难问题，只需要更换问题的目标方程和限制条件即可迁移到其他问题中，在TSP问题中本算法整体流程如图3所示，具体包括以下步骤：
第01步：初始化算法中的常量参数，包括问题规模、蚁粒子数量，以及信息素最小/最大留存比例：ρmin、ρmax，最大迭代次数max_iter等；此处假设在TSP中的城市规模和蚁粒个体的数量均为N，两个不同城市i与j(i≠j) 之间的路径使用dij(i,j＝1,2,...,N)来表示，则TSP问题的目标函数为：
其中，A1,A2,...,AN为城市C＝{C1,C2,C3,...,CN}的全排列。
第02步：初始化算法相关的可调变量；蚂蚁在初次寻找路径时是随机的，且在经过的路径上会释放等量的信息素，若使用τij(t)表示城市i与城市j连线上在t时刻残留的信息素含量，则初始时刻各路径上的信息素含量可设为τij(0)＝τ0(τ0为常数，此处设置为0.5)，为了防止蚂蚁k(k＝1,2,...,N) 在爬行中走重复的路径，使用禁忌表tabuk来记录蚂蚁k已经遍历过的城市，使用allowedk来表示蚂蚁k接下来可以选择的城市，因此：
C＝{tabuk∪allowedk}。
另外还需要初始化的变量包括全局最优路径、局部最优路径，以及蚁粒子当前的信息素表{Gτ,Pτk,τk}、全局最优路径长度Gbest、局部最优路径长度Pbest等。
第03步：对于每个位于城市i的蚂蚁k依据公式1.1选择下一个要访问的城市j，完成一步路径搜寻操作：
其中，为信息素重要程度的启发因子；q为介于0～1之间的随机数，q0为概率阈值。
当随机值q小于阈值时，v将直接选择信息量最大的那个j作为下一个访问的城市v，否则的话以Pij的概率选择j为下一个要访问的城市v。对于已经访问过的城市j，将其从蚂蚁k的allowedk移出到tabuk中。
第04步：判断是否所有的蚂蚁k都完成了对所有城市的遍历，若存在蚂蚁未完成路径的遍历则重复第03步的行为，直到所有k只蚂蚁都探索到了自己的路径。
第05步：获取所有蚂蚁k的访问路径Dk，每只蚂蚁在结束了第03步和第04步的循环后都会得到自己的一个城市访问列表，对这些访问列表进行如下分析：
第06步：对于每只蚂蚁k的访问路径Dk，首先判断Dk是否小于蚂蚁k 曾经所记录下的最优路径长度Pbestk；若Dk的长度优于Pbestk则执行第07步，否则执行第10步。
第07步：当Dk的长度优于Pbestk时，算法会使用公式1.2更新蚂蚁k自身的信息素表：
其中表示第k只蚂蚁在城市i到城市j之间的路径上留存的信息素增量，其计算可使用公式1.3完成：
其中，Lk代表的是蚂蚁k的最优路径的路径长度，Q指每轮迭代中蚂蚁k 释放的总信息素量；
第08步：若算法执行了第07步则Dk的长度就有可能会比当前全局最优路径长度Gbest更优秀，因而此处进一步判断蚂蚁k在当前轮迭代中得到的最优路径Dk是否优于Gbest，若优于Gbest则执行第09步，否则跳过第09步直接执行第10步。
第09步：在满足Dk优于Gbest的情况下，使用公式1.4更新全局最优信息素列表：
Gτij＝ρ×τij+(1-ρ)×Δτij (1.4)
其中的Δτij为出现在城市i到j的路径上的所有蚂蚁k遗留下的信息素的累积：
第10步：为了解决窄启动问题，本申请的算法对信息素的留存率进行了约束，此处根据Gbest的效果计算自适应信息素留存量变化扩展参数，计算方式如公式1.6所示：
本式中Gbest为软启动蚁粒群优化算法中的全局路径极小值，N为粒子群规模大小，C2＞C1＞0为可控参数，1＞l1,l2＞0为调整参数。
第11步：对于每一轮次的信息素留存率，基于第10步计算出的扩展参数，使用公式1.7将先前蚁群算法中的固定的信息素留存率ρ修改为自适应变化策略：
式中的ρmin、ρmax分别为信息素留存率的最低值和最大值，max_t为算法的最大迭代次数。基于公式1.7以及公式1.6的规约可以发现，对于Gbest越大扩展参数aug越大，当Gbest达到某一阈值区间后扩展参数aug就不再起作用，而公式1.7中对于ρ的更新会随着迭代次数的增加而稳定增加，因此信息素会由开始的极小附着率逐渐增大直到算法末期的波动状态。
观察公式1.7可以知道，在软启动蚁粒群算法的启动阶段，由于起始ρ值为最小值，因此虽然aug大于1但是信息素留存率依然较低；从而给予初期蚁群以更多的路径选择，但是随着迭代的增加，留存率ρ自身会逐步增加，从而让更重要的路径附着有更多的信息素，实现更优路径的筛选。
第12步：对于软启动蚁粒群优化算法，信息素更新原则不再沿用蚁群算法的更新法则，而是引入了粒子群对于局域和全局最优信息素的记忆结果，从而能够实现更快速的求解，路径信息素含量更新计算方法使用公式2.1进行：
式中使用单粒子对于本轮最优路径信息素Pbestk以及全局最优信息素 Gbest的记忆列表的共同作用替代了原始蚁群算法中的Δτij来引导粒子运动，进而加速了蚁群算法的收敛速度。
第13步：使用公式2.2更新单只蚂蚁k自身记录的城市i与j之间的最新信息素含量：
该公式来自粒子群算法中对于粒子运动的描述，此处将之与蚁群算法中的信息素进行了联系，毕竟在蚁群算法中信息素含量是改变蚂蚁运动倾向的重要因素，该式中共包含三个累加项：
第一项为城市i到j路径上的信息素衰减后的数量。
第二项为个体偏移量，由个体偏移量因子乘以在城市i到j间的单只蚂蚁局部最优路线信息素减去本轮更新后的差值而来；其中为本轮更新后的在城市i与j之间的信息素残留，其计算公式如公式2.3所示：
其中Δτij为所有蚂蚁在城市i到城市j的路径上遗留的信息素总和。
第三项为全局偏移量，也就是使用全局偏移量因子乘以全局最优路径的信息素分布于本轮更新后的信息素含量的差值而来。
第14步：使用公式2.2计算出的τk*中的最优蚂蚁k的信息素表来替代全局信息素表τ，完成这一步后一轮完整的路径寻优和参数调整才真正完成一个闭环。
第15步：判断当前迭代次数iter是否达到预设的最大迭代值max_iter，若已经超过则完成整个计算过程，进入第18步，否则进入第16步。
第16步：为了防止算法沉陷与局部最优结果，此处判断Gbest的值是否持续30轮未发生变化，若未发生变化则意味着算法很有可能陷入了局部最优值，此时执行第17步的信息素重置，否则进入第03步的下一轮迭代。
第17步：执行信息素重置操作。为了防止算法陷入局部最优解，若出现连续30轮Gbest无变化或15轮某蚂蚁的Pbest无变化则分别重置τ和τk，由于每个蚂蚁先前保存的自身的信息素表以及全局最优信息素列表Gτij仍然起作用，因此算法会更快收敛。
第18步：当迭代次数达到设定的上限max_iter时终止程序运行，保存在 Gbest中的路径即最终的解。
在自动排船问题的应用中，需要适应性地建立相关数学模型，使其能够应用粒子群优化算法进行求解。
散货码头装卸作业是采用机械化、大规模生产方式进行的，要求各项作业密切配合实现装卸工艺系统的高效化。这就要求码头各子系统有机联系起来，形成一个各项作业协调一致、相互配合的有机整体，形成高效率、完善的作业流程,以缩短车、船在码头的停留时间，加速其周转，降低运输成本和装卸成本，实现最佳的经济效益。由于船舶停泊在不同泊位上，所分配的设备类型和数目将会不一样，对于大量船舶压港的情形不同的泊位安排将带来不同的经济效果。比如，在现实中通常优先安排远洋干线大船的停泊，然后再安排近洋和沿海支线，最后再安排驳船入泊位。对于不同种泊位分配方案，如何使船舶的总在港时间以及总船舶服务时间最短是本申请要解决的最终问题。在本申请的方案中，可以将问题简化为：
T码头有B个泊位，某天共有V条船舶到港，船舶停靠需要满足：
船舶只能停泊在长度超过船身且水深超过船舶吃水深度的泊位中；
每个泊位上一次只能停靠一条船，每条船必须且仅服务一次。
为了编制最优化的码头泊位靠泊计划，使得所有到港船舶的在港时间最短，假设船舶Sj在时间Aj到达港口，其靠泊在码头泊位i上，在时间bj开始装卸作业，完成全部装卸总的作业时间为Cij，每条船的在港时间等于船舶等泊时间和装卸总时间之和，而等泊时间等于其开始被服务的时刻减去它的到港的时刻也就是bj-Aj+Cij，则要优化的目标函数以及约束条件如下：
(1)目标函数
Min∑i∈B∑j∈V(bj-Aj+Cij)Xij (3.1)
(2)约束条件
∑j∈VSj＝S (3.4)
其中，限制条件式3.2用于保证船舶作业服务在到港事件之后。式3.3中 Dj表示船j的吃水深，Wi表示泊位i的水深，保证船舶j到港吃水深小于靠泊泊位i的水深；Xij的取值为：当船j停泊在泊位i并进行卸货时为1，否则取 0。式3.4保证了所有到港船舶都被安排靠泊服务。式3.5可以保证一条船舶只安排靠泊服务一次。最后，式3.6表示泊位i的长度Pi要大于船j的船长Lj。
泊位分配过程是一个离散且动态变化的随机过程，问题中三个变量：(1) 船舶到港时间Aj；(2)船舶靠泊的泊位位置；(3)在码头泊位开始作业的时间bj；均为随机动态变量，更重要的是码头泊位作业时间Cij还与散货分布位置、泊位机器的分配策略以及作业安排顺序等动态因素相关联，因此对于目标模型 3.1的优化使用一般的优化方法无法进行求解，而可将该模型带入软启动蚁粒群优化算法中进行求解。
一些实施例中，所述算法模型计算出最优组合排船计划，包括：
初始化所述算法模型中的常量参数和可调变量；
载入预设的目标函数和约束条件；
将所述能力参数和所述需求参数代入所述约束条件；
根据所述目标函数和所述约束条件，采用软启动蚁粒群优化算法计算出最优组合排船计划。
一些实施例中，所述软启动蚁粒群优化算法包括：
根据初始条件，进行一轮完整的迭代计算，得出当前轮迭代的最优路径，并获取迭代后的初始条件；
则根据迭代后的初始条件，再次进行一轮完整的迭代计算；
重复进行多次迭代计算，当迭代轮数达到预设的最大迭代值时，停止迭代计算，并将对应的当前轮迭代的最优路径作为结果进行输出。
一些实施例中，所述进行一轮完整的迭代计算之后，还包括：
判断当前的迭代轮数是否达到预设的最大迭代值；
如果达到，则停止迭代；
如果未达到，则判断是否陷入局部最优解；
当陷入局部最优解时，重置初始条件后，再进行下一轮迭代；
当未陷入局部最优解时，直接进行下一轮迭代。
一些实施例中，所述判断是否陷入局部最优解，包括：
检查是否存在连续若干轮迭代所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第一阈值，则判断陷入局部最优解；
或者，
检查连续的若干轮迭代中，是否存在某个蚂蚁所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第二阈值，则判断陷入局部最优解。
一些实施例中，所述进行一轮完整的迭代计算，包括：
对于每个位于节点i的蚂蚁k，根据预设的判断条件选择下一个要访问的节点j；
当所有的蚂蚁k都完成了对所有节点的遍历，获取所有蚂蚁k的访问路径Dk；
判断Dk是否小于蚂蚁k曾经所记录下的最优路径长度Pbestk；
如果Dk小于Pbestk，则更新蚂蚁k自身的信息素表；
判断Dk是否小于当前全局最优路径长度Gbest；
如果Dk小于Gbest，则更新全局最优信息素列表；
根据Gbest的效果计算扩展参数aug，并根据扩展参数aug对信息素留存量ρ进行自适应调整；
引入粒子群对于局域和全局最优信息素的记忆结果，对路径信息素含量τ进行更新计算；
更新单只蚂蚁k自身记录的节点i与j之间的最新信息素含量；
用计算出的最优蚂蚁的信息素表来替代全局信息素表。
基于本申请的自动排船方法，还设计了相应的自动排船系统。整个系统以BS(Browser-Server)方式部署，客户直接在浏览器中输入指定网址和用户名以及密码就可以在任意平台或位置访问本申请的码头自动排船系统，该系统除了具有最核心的泊位自动排船功能外还提供了场地与泊位映射关系管理功能、煤种与泊位映射关系管理功能、船舶信息管理功能等。图4展示了泊位和场地映射关系的管理界面中的场地增加功能，由于本系统在实际应用中面对的是天津某港口的部分管理任务，因此此处的泊位只有两个大的单位，分别是南七八和南九十，然后可以进一步具体的场地名称信息，添加后的效果如图4下侧所示，类似的还有煤种与场地的映射管理，此处不再赘述。接下来可以将请求停泊的船舶加入到图5所示的需要自动安排泊位信息的船舶列表中，然后使用系统的自动排船功能就可以得到图6所示的泊位排船效果，当然，如果对于自动排船的效果满意，还可以手动直接拖动船舶位置实现手动调整；更进一步，若在自动排船过程中发现船舶信息有误，可以使用图7所示的修改界面直接对待泊船只信息进行修正，然后重新进行自动泊位安排。
本申请首先基于对于码头泊位业务的理解对其建立了目标数学模型，然后使用本申请所设计的软启动蚁粒群优化算法对目标模型进行优化，获取泊位安排问题的最优解。
软启动蚁粒群优化算法中，在融合了粒子群算法的快速迭代的优点、蚁群算法的优秀寻优路径的优点的同时，还针对蚁群算法中初始信息素作用过强导致的易于陷入局部最优的情形使用自适应信息素留存率；为了在模型优化后期尽量跳出局部最优解，本申请也为算法引入了热还原策略，进一步增强了算法求解的健壮性。
最后，本申请把建立的码头泊船模型使用软启动蚁粒群优化算法进行了整合，并形成了最终的码头自动排船系统。
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)
1.一种自动排船方法，其特征在于，包括：
获取各个泊位上的作业机器的能力参数；
获取待泊船只的需求参数；
根据所述能力参数和所述需求参数求解最优组合排船计划；
将所述最优组合排船计划发送给执行机构。
2.根据权利要求1所述的方法，其特征在于，所述获取各个泊位上的作业机器的能力参数，包括：
抓取各个泊位上的作业机器的作业历史信息；
对所述作业历史信息进行大数据分析，获取作业机器的工作效率的评估。
3.根据权利要求1所述的方法，其特征在于，所述需求参数包括如下项中的至少一项：配载吨位，船只长度，吃水深度，和/或，货物特性。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述能力参数和所述需求参数求解最优组合排船计划，包括：
将所述能力参数和所述需求参数输入算法模型；
算法模型计算出最优组合排船计划，并将计算结果输出。
5.根据权利要求4所述的方法，其特征在于，还包括：
对计算出的最优组合排船计划进行审核，判断是否满足约束条件；
如果满足约束条件，则直接将计算出的最优组合排船计划输出；
如果不满足约束条件，则调整算法模型的常量参数，并根据调整参数后的算法模型计算出新的最优组合排船计划。
6.根据权利要求4所述的方法，其特征在于，所述算法模型计算出最优组合排船计划，包括：
初始化所述算法模型中的常量参数和可调变量；
载入预设的目标函数和约束条件；
将所述能力参数和所述需求参数代入所述约束条件；
根据所述目标函数和所述约束条件，采用软启动蚁粒群优化算法计算出最优组合排船计划。
7.根据权利要求6所述的方法，其特征在于，所述软启动蚁粒群优化算法包括：
根据初始条件，进行一轮完整的迭代计算，得出当前轮迭代的最优路径，并获取迭代后的初始条件；
则根据迭代后的初始条件，再次进行一轮完整的迭代计算；
重复进行多次迭代计算，当迭代轮数达到预设的最大迭代值时，停止迭代计算，并将对应的当前轮迭代的最优路径作为结果进行输出。
8.根据权利要求7所述的方法，其特征在于，所述进行一轮完整的迭代计算之后，还包括：
判断当前的迭代轮数是否达到预设的最大迭代值；
如果达到，则停止迭代；
如果未达到，则判断是否陷入局部最优解；
当陷入局部最优解时，重置初始条件后，再进行下一轮迭代；
当未陷入局部最优解时，直接进行下一轮迭代。
9.根据权利要求8所述的方法，其特征在于，所述判断是否陷入局部最优解，包括：
检查是否存在连续若干轮迭代所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第一阈值，则判断陷入局部最优解；
或者，
检查连续的若干轮迭代中，是否存在某个蚂蚁所对应的最优路径均未发生变化；
如果存在且连续的轮数达到预设的第二阈值，则判断陷入局部最优解。
10.根据权利要求7所述的方法，其特征在于，所述进行一轮完整的迭代计算，包括：
对于每个位于节点i的蚂蚁k，根据预设的判断条件选择下一个要访问的节点j；
当所有的蚂蚁k都完成了对所有节点的遍历，获取所有蚂蚁k的访问路径Dk；
判断Dk是否小于蚂蚁k曾经所记录下的最优路径长度Pbestk；
如果Dk小于Pbestk，则更新蚂蚁k自身的信息素表；
判断Dk是否小于当前全局最优路径长度Gbest；
如果Dk小于Gbest，则更新全局最优信息素列表；
根据Gbest的效果计算扩展参数aug，并根据扩展参数aug对信息素留存量ρ进行自适应调整；
引入粒子群对于局域和全局最优信息素的记忆结果，对路径信息素含量τ进行更新计算；
更新单只蚂蚁k自身记录的节点i与j之间的最新信息素含量；
用计算出的最优蚂蚁的信息素表来替代全局信息素表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811072495.3A CN109345008A (zh) | 2018-09-17 | 2018-09-17 | 自动排船方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811072495.3A CN109345008A (zh) | 2018-09-17 | 2018-09-17 | 自动排船方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109345008A true CN109345008A (zh) | 2019-02-15 |
Family
ID=65305216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811072495.3A Pending CN109345008A (zh) | 2018-09-17 | 2018-09-17 | 自动排船方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345008A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402636A (zh) * | 2020-06-05 | 2020-07-10 | 江苏海事职业技术学院 | 一种基于大数据的船舶停靠指挥方法及系统 |
| CN112183710A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
| CN115907415A (zh) * | 2022-12-19 | 2023-04-04 | 海南港航通用码头有限公司 | 基于散杂货码头智能调度系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1501284A (zh) * | 2002-05-31 | 2004-06-02 | 株式会社日立制作所 | 最优组合决定方法以及装置 |
| CN103699940A (zh) * | 2013-11-27 | 2014-04-02 | 中国科学院大学 | 一种基于情景的空间分区多目标优化决策方法 |
| CN104834968A (zh) * | 2015-04-29 | 2015-08-12 | 国家电网公司 | 一种实时电网经济运行评估火电子优化算法 |
| CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
| CN107423840A (zh) * | 2017-04-24 | 2017-12-01 | 徐怡博 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
| CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
-
2018
- 2018-09-17 CN CN201811072495.3A patent/CN109345008A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1501284A (zh) * | 2002-05-31 | 2004-06-02 | 株式会社日立制作所 | 最优组合决定方法以及装置 |
| CN103699940A (zh) * | 2013-11-27 | 2014-04-02 | 中国科学院大学 | 一种基于情景的空间分区多目标优化决策方法 |
| CN104834968A (zh) * | 2015-04-29 | 2015-08-12 | 国家电网公司 | 一种实时电网经济运行评估火电子优化算法 |
| CN107423840A (zh) * | 2017-04-24 | 2017-12-01 | 徐怡博 | 一种基于蚁群粒子群算法的机器人路径规划融合算法 |
| CN107330561A (zh) * | 2017-07-05 | 2017-11-07 | 青岛大学附属医院 | 一种基于蚁群算法的多目标岸桥‑泊位调度优化方法 |
| CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙凯等: "蚁群与粒子群混合算法求解TSP问题", 《计算机工程与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402636A (zh) * | 2020-06-05 | 2020-07-10 | 江苏海事职业技术学院 | 一种基于大数据的船舶停靠指挥方法及系统 |
| CN112183710A (zh) * | 2020-10-22 | 2021-01-05 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
| CN112183710B (zh) * | 2020-10-22 | 2023-11-24 | 中国联合网络通信集团有限公司 | 确定路径的方法及装置 |
| CN115907415A (zh) * | 2022-12-19 | 2023-04-04 | 海南港航通用码头有限公司 | 基于散杂货码头智能调度系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teymourian et al. | Enhanced intelligent water drops and cuckoo search algorithms for solving the capacitated vehicle routing problem | |
| Cattaruzza et al. | Vehicle routing problems with multiple trips | |
| Nguyen et al. | The min-cost parallel drone scheduling vehicle routing problem | |
| Dechampai et al. | A differential evolution algorithm for the capacitated VRP with flexibility of mixing pickup and delivery services and the maximum duration of a route in poultry industry | |
| WO2022021119A1 (zh) | 一种集装箱码头间全自主水上运输调度方法及系统 | |
| CN109345008A (zh) | 自动排船方法 | |
| Li et al. | Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm | |
| De la Cruz et al. | A two-pheromone trail ant colony system—tabu search approach for the heterogeneous vehicle routing problem with time windows and multiple products | |
| CN109034468A (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
| CN107798423A (zh) | 基于多种智能算法的车辆路径规划仿真实验平台 | |
| CN111861205A (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
| Wang et al. | Tree based searching approaches for integrated vehicle dispatching and container allocation in a transshipment hub | |
| Eltoukhy et al. | Heuristic approaches for operational aircraft maintenance routing problem with maximum flying hours and man-power availability considerations | |
| Liu et al. | A scheduling decision support model for minimizing the number of drones with dynamic package arrivals and personalized deadlines | |
| CN110472792A (zh) | 一种基于离散蝙蝠算法的物流配送车辆路径优化方法 | |
| CN115907415A (zh) | 基于散杂货码头智能调度系统 | |
| CN110490503A (zh) | 一种基于海量数据的物流配送车辆优化调度方法 | |
| Jin et al. | Container port truck dispatching optimization using Real2Sim based deep reinforcement learning | |
| Dornemann et al. | Artificial intelligence and operations research in maritime logistics | |
| Rouky et al. | A robust metaheuristic for the rail shuttle routing problem with uncertainty: a real case study in the Le Havre Port | |
| Booyavi et al. | An improved optimization method based on the intelligent water drops algorithm for the vehicle routing problem | |
| Maroof et al. | Logistics optimization using hybrid genetic algorithm (hga): a solution to the vehicle routing problem with time windows (vrptw) | |
| CN101782988A (zh) | 基于知识工程的集装箱码头场桥调度方法 | |
| Lajjam et al. | A new approach for sequencing loading and unloading operations in the seaside area of a container terminal | |
| Ji et al. | Integrated optimization of feeder routing and stowage planning for containerships |
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: 20190215 |