CN109740828A - 船舶航行路径规划方法、系统、介质和设备 - Google Patents
船舶航行路径规划方法、系统、介质和设备 Download PDFInfo
- Publication number
- CN109740828A CN109740828A CN201910151047.0A CN201910151047A CN109740828A CN 109740828 A CN109740828 A CN 109740828A CN 201910151047 A CN201910151047 A CN 201910151047A CN 109740828 A CN109740828 A CN 109740828A
- Authority
- CN
- China
- Prior art keywords
- ship
- harbour
- path
- navigation
- ant
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种船舶航行路径规划方法、系统、介质和设备,该方法包括:建立海上物流情况模型,根据船舶航行计划、海上气候环境及路线中地形地貌的变化情况确定船舶航行区域的港口数量和船舶载重量,确定需要调度的船舶数量;对需要调度的船舶在不同港口之间的路径构造最优路径的目标函数及约束条件;建立船舶航行路径优化模型;结合船舶航行计划的历史数据,采用蚁群算法计算最优航行路径:将定义的参数初始化,将港口坐标信息转换为港口间的距离矩阵,利用蚂蚁寻访不同港口之间的路径,根据路径长度记录迭代次数和更新信息素浓度,达到最大迭代次数后输出最优路径。本发明减少海上物流所消耗的经济成本及船舶的无效行驶,实现经济效益的提升。
Description
技术领域
本发明涉及海上物流及船舶路径优化智能化研究领域,具体涉及一种船舶航行路径规划方法、系统、介质和设备。
背景技术
随着社会和科技的发展,各国之间的海上贸易也愈加频繁,带动了航运业的蓬勃发展。海上物流的经济性及安全性成为各国当前重视的重要因素。
各国各港口的船舶调度及航海频率愈加频繁,如何降低船舶航行路径的成本成为各航运公司的关键竞争点,合理规划船舶航运任务中最佳的调度策略、最优的运输路径,可减少海上物流中所消耗的经济成本及船舶的无效行驶,实现经济效益的提升。
根据国际海事组织备案的近十年的世界海难纪录表明,发生遇难的船只中,船舶之间及船舶与固定物之间发生碰撞导致事故的占46.23%。统计其原因表明,人为操作失误导致的碰撞事故占80%。而且,有些任务或环境条件不适合有人船工作,而水面无人船更适合应对海上的恶劣及复杂环境,已成为了国内外智能装备的热门研究方向之一。无人船在布雷、排雷等军事领域,以及海洋勘探、海域测绘、水中搜救等科研民用领域,都具有广泛应用前景。对于有人船与无人船来说,合理的路径规划都是实现船舶安全航行的必不可少的关键技术。
船舶的路径规划方法现有技术采用经典方法,经典方法使用几何或代数方法求解最优路径,由于海上环境的复杂情况难以估计,使用经典方法的局限性较大,在实际应用中难以实现合理的路径规划。
因此,如何解决船舶航行最优路径规划的问题,是本领域技术人员所关注的重点问题。
发明内容
为了克服现有技术的缺陷,本发明提供一种船舶航行路径规划方法、船舶航行路径规划装置、存储介质和计算设备,通过访问船舶航行计划历史数据库,读取所有船舶的航行路径记录数据信息,搜索最优路径,解决最优路径规划问题,在保证船舶航行安全的情况下减少海上物流中所消耗的经济成本及船舶的无效行驶,实现经济效益的提升。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种船舶航行路径规划方法,包括如下步骤:
S1:建立海上物流情况模型:根据船舶航行计划及海上气候环境及路线中地形地貌的变化情况确定船舶航行区域的港口数量和船舶载重量,确定需要调度的船舶数量;
S2:对需要调度的船舶在不同港口之间的路径构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
S3:结合船舶航行计划的历史数据,采用蚁群算法计算船舶的最优航行路径。
作为优选的技术方案,步骤S1中所述的确定需要调度的船舶数量,具体计算公式如下所述:
设港口数量为m,第i个港口所需的货物总量为gi,每只船舶的载重量为p,需要调度的船舶数量k表示为:
k=[∑gi/bp]+1
其中,b为航行路径规划的约束条件,0<b<1、0<i<m且gi>p。
作为优选的技术方案,步骤S2中所述的对需要调度的船舶在不同港口之间建立最优路径的目标函数及约束条件,具体计算公式如下所述:
设单只船舶从第i个港口航行至第j个港口所需成本为Cij,i,j=1,2…m,m为港口数量,xijs表示货物是否从i港口运输至j港口,yijs表示货物是否由船舶s运输,表示为:
船舶航行路径优化模型的目标函数为:
约束条件包括对船舶载重和每次调度的船舶数量的约束,分别表示为:
其中,k表示需要调度的船舶数量。
作为优选的技术方案,步骤S3中所述采用蚁群算法计算船舶的最佳航行路径,具体步骤如下所述:
S31:参数初始化和坐标数据预处理:参数包括蚁群规模num、信息素因子a、启发函数因子b、信息素挥发因子v、信息素常数Q、最大迭代次数iter_max;将港口的坐标信息转换为港口间的距离矩阵;
设第一港口坐标为(x1,y1),第二港口坐标为(x2,y2),第一港口和第二港口之间的距离为:
港口的坐标信息转换成港口间的距离矩阵为:
S32:随机将蚂蚁放在不同港口出发点,对每个蚂蚁r计算下个应到达的港口,直到有蚂蚁访问完所有港口;
S33:计算各蚂蚁经过的路径长度Lr,记录当前迭代次数最优解,同时对路径上的信息素浓度进行更新,
S34:判断是否达到设定的最大迭代次数,若还未达到,返回步骤S32继续执行;若达到最大迭代次数,执行下一步骤;
S35:确定最优路径值后记录结果,同时根据需要输出寻优过程中的相关指标。
作为优选的技术方案,步骤S35中所述同时根据需要输出寻优过程中的相关指标,相关指标包括运行时间和收敛迭代次数。
作为优选的技术方案,步骤S33中所述的同时对路径上的信息素浓度进行更新,采用一种限定范围的实时更新策略,具体步骤如下所述:
初始状态信息素浓度没有进行更新时,表示为当前时刻的最优解,确定信息素浓度的限定范围:
其中,ρ表示信息素的挥发系数,表示当前迭代次数下对应的最优路径长度,τmax(t)表示信息素浓度最大值,τmin(t)表示信息素浓度最小值,
参数初始化结束后,在蚂蚁经过的每一步路径中寻找信息素的最大值,具体表示为:
本发明还提供一种船舶航行路径规划系统,包括:
海上物流情况模型构建模块,用于根据船舶航行计划确定船舶航行区域的港口数量和船舶载重量,根据海上气候环境和路线地形地貌,确定调度船舶数量;
船舶航行路径优化模型构建模块,用于对需要调度的船舶在不同港口之间构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
最优航行路径规划获取模块,采用蚁群算法获得最优航行路线。
作为优选的技术方案,所述最优航行路径规划获取模块包括:
初始化单元,用于将定义的参数初始化,将港口坐标信息转换为港口间的距离矩阵;
蚂蚁路径遍寻单元,用于利用蚂蚁寻访不同港口之间的路径;
迭代更新单元,用于根据路径长度,记录迭代次数和更新信息素浓度;
判断单元,用于判断是否达到最大迭代次数;
路径输出单元,用于将最优路径输出,以及输出寻优过程的相关指标。
本发明还提供一种存储介质,存储有程序,所述程序被处理器执行时实现上述船舶航行路径规划方法。
本发明还提供一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述船舶航行路径规划方法。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明通过访问船舶航行计划历史数据库,读取所有船舶的航行路径记录数据信息,通过蚁群算法对建立的路径规划问题求解,求出船舶航行的最优路径,在保证船舶航行安全的情况下减少海上物流中所消耗的经济成本及船舶的无效行驶,实现经济效益的提升。
(2)本发明对海上物流情况建立数学模型及对船舶航行路径的规划建立求解模型,将蚁群算法中蚂蚁根据信息素浓度寻找最优路径的思想用于船舶航行路径的求解,相较于经典方法来说适用性更好,能更灵活地解决不同情况下船舶的路径规划问题,求出航行的最优路径。
附图说明
图1为本发明的船舶路径规划方法流程图;
图2为本发明的船舶路径规划系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图1所示,本实施例提供一种船舶路径规划方法,具体步骤如下所述:
S1:对海上物流情况建立数学模型,由船舶航行计划及海上气候环境及路线中地形地貌的变化情况确定船舶航行区域的港口数量及船舶载重量,,确定航行计划下路径优化问题中所调度的船舶数量的数学表达式;
在本实施例中,步骤S1中的海上物流情况的数学模型,设港口数量为m,若第i个港口(0<i<m)所需的货物总量为gi,每只船舶的载重量为p,则对于船舶路径规划的问题,需要调度的船舶数量k表示为:
k=[∑gi/bp]+1
其中,b(0<b<1)为路径规划中的约束条件,如货物的装配卸载情况、海上气候环境以及路线中经过地区的地形地貌的量化值,且有gi>p。
S2:对单只船只从不同港口出发到另一个港口之间的路径构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
在本实施例中,对单只船只不同港口之间的建立最优路径的目标函数及约束条件,设某船只从第i个港口航行至第j个港口所需成本为Cij(i,j=1,2…m),m为港口数量。xijs表示货物是否从i港口运输至j港口,yijs表示货物是否由船舶s运输,二者均为二值函数。对调度中心的港口编号为0,它们的之间的关系,可表示如下:
船舶路径优化模型的目标函数表示如下式:
约束条件为:
其中,上述两式分别是对船舶载重和每次调度的船舶数量的约束。
S3:结合船舶航行计划的历史数据,将蚁群算法中蚂蚁根据路径信息素浓度寻找最优路径的思想引入船舶航行路径规划中,以寻找船舶的最佳航行路径。
S31:参数初始化:包括蚁群规模num、信息素因子a、启发函数因子b、信息素挥发因子v、信息素常数Q、最大迭代次数iter_max(初始值为1)等,以及对数据进行预处理:将港口的坐标信息转换为港口间的距离矩阵。
设某港口1坐标为(x1,y1),港口2坐标为(x2,y2),港口1、2之间的距离为:
则港口的坐标信息可转换成港口间的距离矩阵如(8):
S32:随机将蚂蚁放于不同出发点,在此处蚂蚁可理解为船舶,不同出发点即为不同港口,对每个蚂蚁r(r=1,2,3…num)计算其下个应到达的港口,直到有蚂蚁访问完所有港口;
S33:计算各蚂蚁经过的路径长度Lr(r=1,2,3…num),记录当前迭代次数最优解(最优路径),同时对路径上的信息素浓度进行更新,采用一种限定范围的实时更新策略,分为以下两个步骤:
在初始没有进行信息素更新时假设表示当前时刻的最优解,首先确定信息素浓度的限定范围:
初始化结束后,每一步路径中寻找信息素的最大值,定义为:
S34:判断是否达到最大迭代次数,若还未达到,返回至步骤S32继续执行;若达到最大迭代次数,结束。
(3-5)找出最优路径值后输出结果,同时根据需要输出寻优过程中的相关指标,如运行时间time、收敛迭代次数iter等。
以下表中的各项参数为算例,执行上述步骤。算例中的参数如表1所示:
表1各项参数及取值
各项参数 | 数值 |
港口数量:m | 50 |
各港口所需货物总量:g<sub>i</sub> | [2500T,200000T] |
港口间航行成本:C<sub>ij</sub> | 随机生成序列 |
单只船载重量:p | 600T |
每次调度的船舶数量:k | 依照公式求解出 |
约束条件量化值:b | (0,1)区间的随机数 |
货物是否从i港口运输至j港口:x<sub>ijs</sub> | 随机二进制序列 |
货物是否由船舶s运输:y<sub>ijs</sub> | 随机二进制序列 |
本算例中对蚁群算法的各项参数设置如表2所示:
表2蚁群算法各项参数及取值
如图2所示,本实施例还提供了一种船舶航行路径规划系统,该系统包括:
海上物流情况模型构建模块,用于根据船舶航行计划确定船舶航行区域的港口数量和船舶载重量,根据海上气候环境和路线地形地貌,确定调度船舶数量;
船舶航行路径优化模型构建模块,用于对需要调度的船舶在不同港口之间构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
最优航行路径规划获取模块,采用蚁群算法获得最优航行路线,具体地,
所述最优航行路径规划获取模块包括:
初始化单元,用于将定义的参数初始化,将港口坐标信息转换为港口间的距离矩阵;
蚂蚁路径遍寻单元,用于利用蚂蚁寻访不同港口之间的路径;
迭代更新单元,用于根据路径长度,记录迭代次数和更新信息素浓度;
判断单元,用于判断是否达到最大迭代次数;
路径输出单元,用于将最优路径输出,以及输出寻优过程的相关指标。
本实施例还提供一种存储介质,该存储介质存储有一个或多个程序,所述程序被处理器执行时,实现上述船舶航行路径规划方法,存储介质可以是ROM、RAM、磁盘、光盘等储存介质。
本实施例还提供一种计算设备,该计算设备包括该计算设备包括处理器和存储器,存储器存储有一个或多个程序,处理器执行存储器存储的程序时,实现上述船舶航行路径规划方法,所述的计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑或其他具有显示功能的终端设备。
本实施例将蚁群算法中蚂蚁根据信息素浓度寻找最短路径的思想引入航行路径规划中,求解船舶航行的最佳路径,通过获取船舶航行计划的历史数据及船舶实时采集的环境数据,船舶采用启发式算法搜索最优路径,从而进行相关决策,可以减少海上物流中所消耗的经济成本及船舶的无效行驶,同时还能保证船舶的安全航行,降低发生海上事故的风险。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种船舶航行路径规划方法,其特征在于,包括如下步骤:
S1:建立海上物流情况模型:根据船舶航行计划及海上气候环境及路线中地形地貌的变化情况确定船舶航行区域的港口数量和船舶载重量,确定需要调度的船舶数量;
S2:对需要调度的船舶在不同港口之间的路径构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
S3:结合船舶航行计划的历史数据,采用蚁群算法计算船舶的最优航行路径。
2.根据权利要求1所述的船舶航行路径规划方法,其特征在于,步骤S1中所述的确定需要调度的船舶数量,具体计算公式如下所述:
设港口数量为m,第i个港口所需的货物总量为gi,每只船舶的载重量为p,需要调度的船舶数量k表示为:
k=[∑gi/bp]+1
其中,b为航行路径规划的约束条件,0<b<1、0<i<m且gi>p。
3.根据权利要求1所述的船舶航行路径规划方法,其特征在于,步骤S2中所述的对需要调度的船舶在不同港口之间建立最优路径的目标函数及约束条件,具体计算公式如下所述:
设单只船舶从第i个港口航行至第j个港口所需成本为Cij,i,j=1,2…m,m为港口数量,xijs表示货物是否从i港口运输至j港口,yijs表示货物是否由船舶s运输,表示为:
船舶航行路径优化模型的目标函数为:
约束条件包括对船舶载重和每次调度的船舶数量的约束,分别表示为:
其中,k表示需要调度的船舶数量。
4.根据权利要求1所述的船舶航行路径规划方法,其特征在于,步骤S3中所述采用蚁群算法计算船舶的最佳航行路径,具体步骤如下所述:
S31:参数初始化和坐标数据预处理:参数包括蚁群规模num、信息素因子a、启发函数因子b、信息素挥发因子v、信息素常数Q、最大迭代次数iter_max;将港口的坐标信息转换为港口间的距离矩阵;
设第一港口坐标为(x1,y1),第二港口坐标为(x2,y2),第一港口和第二港口之间的距离为:
港口的坐标信息转换成港口间的距离矩阵为:
S32:随机将蚂蚁放在不同港口出发点,对每个蚂蚁r计算下个应到达的港口,直到有蚂蚁访问完所有港口;
S33:计算各蚂蚁经过的路径长度Lr,记录当前迭代次数最优解,同时对路径上的信息素浓度进行更新,
S34:判断是否达到设定的最大迭代次数,若还未达到,返回步骤S32继续执行;若达到最大迭代次数,执行下一步骤;
S35:确定最优路径值后记录结果,同时根据需要输出寻优过程中的相关指标。
5.根据权利要求4所述的船舶航行路径规划方法,其特征在于,步骤S35中所述同时根据需要输出寻优过程中的相关指标,相关指标包括运行时间和收敛迭代次数。
6.根据权利要求4所述的船舶航行路径规划方法,其特征在于,步骤S33中所述的同时对路径上的信息素浓度进行更新,采用一种限定范围的实时更新策略,具体步骤如下所述:
初始状态信息素浓度没有进行更新时,表示为当前时刻的最优解,确定信息素浓度的限定范围:
其中,ρ表示信息素的挥发系数,表示当前迭代次数下对应的最优路径长度,τmax(t)表示信息素浓度最大值,τmin(t)表示信息素浓度最小值,
参数初始化结束后,在蚂蚁经过的每一步路径中寻找信息素的最大值,具体表示为:
7.一种船舶航行路径规划系统,其特征在于,包括:
海上物流情况模型构建模块,用于根据船舶航行计划确定船舶航行区域的港口数量和船舶载重量,根据海上气候环境和路线地形地貌,确定调度船舶数量;
船舶航行路径优化模型构建模块,用于对需要调度的船舶在不同港口之间构造最优路径的目标函数及约束条件,建立船舶航行路径优化模型;
最优航行路径规划获取模块,采用蚁群算法获得最优航行路线。
8.根据权利要求7所述的船舶航行路径规划系统,其特征在于,所述最优航行路径规划获取模块包括:
初始化单元,用于将定义的参数初始化,将港口坐标信息转换为港口间的距离矩阵;
蚂蚁路径遍寻单元,用于利用蚂蚁寻访不同港口之间的路径;
迭代更新单元,用于根据路径长度,记录迭代次数和更新信息素浓度;
判断单元,用于判断是否达到最大迭代次数;
路径输出单元,用于将最优路径输出,以及输出寻优过程的相关指标。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6任一项所述的船舶航行路径规划方法。
10.一种计算设备,包括处理器和用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-6任一项所述的船舶航行路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151047.0A CN109740828B (zh) | 2019-02-28 | 2019-02-28 | 船舶航行路径规划方法、系统、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910151047.0A CN109740828B (zh) | 2019-02-28 | 2019-02-28 | 船舶航行路径规划方法、系统、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740828A true CN109740828A (zh) | 2019-05-10 |
CN109740828B CN109740828B (zh) | 2021-07-30 |
Family
ID=66368879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910151047.0A Active CN109740828B (zh) | 2019-02-28 | 2019-02-28 | 船舶航行路径规划方法、系统、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740828B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503252A (zh) * | 2019-08-11 | 2019-11-26 | 安徽神海港航数据服务有限公司 | 基于运力需求分布的航运调度系统和方法 |
CN110909927A (zh) * | 2019-11-18 | 2020-03-24 | 江苏物润船联网络股份有限公司 | 一种目的港口的预测方法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111428916A (zh) * | 2020-03-12 | 2020-07-17 | 南京大学 | 一种海上救援船舶巡航路径规划方法 |
CN111562786A (zh) * | 2020-05-19 | 2020-08-21 | 智慧航海(青岛)科技有限公司 | 多级优化的无人船舶路径规划方法及装置 |
CN112819255A (zh) * | 2021-03-08 | 2021-05-18 | 吉林大学 | 基于粒子群-遗传算法的多准则船舶航线确定方法、装置、计算机设备及可存储介质 |
CN112862156A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
CN112929105A (zh) * | 2021-01-22 | 2021-06-08 | 中国铁塔股份有限公司 | 信号源间距确定方法、装置和电子设备 |
CN112990785A (zh) * | 2021-05-08 | 2021-06-18 | 亿海蓝(北京)数据技术股份公司 | 影响范围及影响程度的评估方法、装置和可读存储介质 |
CN113074738A (zh) * | 2021-04-06 | 2021-07-06 | 武汉理工大学 | 一种基于Dyna框架的混合智能路径规划方法及装置 |
CN113095753A (zh) * | 2021-04-06 | 2021-07-09 | 江苏省港口集团信息科技有限公司 | 一种基于集装箱智能管理派位的无人集卡调度方法 |
CN113222520A (zh) * | 2021-06-16 | 2021-08-06 | 江苏佳利达国际物流股份有限公司 | 一种基于蚁群算法的货物优化配送方法及系统 |
CN113361765A (zh) * | 2021-05-31 | 2021-09-07 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
CN113435639A (zh) * | 2021-06-23 | 2021-09-24 | 交通运输部规划研究院 | 一种融合ais数据挖掘的港口水域规划方法及系统 |
CN113626440A (zh) * | 2021-08-18 | 2021-11-09 | 南京邮电大学 | 一种海洋灾害区域的船舶预警模型的构建方法、系统、装置及存储介质 |
CN114066354A (zh) * | 2021-11-12 | 2022-02-18 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN115186234A (zh) * | 2022-09-13 | 2022-10-14 | 交通运输部科学研究院 | 港口距离矩阵的计算方法、装置、电子设备及存储介质 |
CN116542592A (zh) * | 2023-07-03 | 2023-08-04 | 深圳市华运国际物流有限公司 | 一种国际物流运输路径分析评定系统 |
CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130104860A (ko) * | 2012-03-15 | 2013-09-25 | 삼성중공업 주식회사 | 선박 네비게이션시스템 및 상기 선박 네비게이션시스템의 경로제어방법 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN105787596A (zh) * | 2016-02-29 | 2016-07-20 | 泰华智慧产业集团股份有限公司 | 一种基于改进蚁群算法的应急物流路径优化方法 |
CN107816999A (zh) * | 2017-09-25 | 2018-03-20 | 华南理工大学 | 一种基于蚁群算法的无人船航行路径自主规划方法 |
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
-
2019
- 2019-02-28 CN CN201910151047.0A patent/CN109740828B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130104860A (ko) * | 2012-03-15 | 2013-09-25 | 삼성중공업 주식회사 | 선박 네비게이션시스템 및 상기 선박 네비게이션시스템의 경로제어방법 |
CN104951850A (zh) * | 2015-06-25 | 2015-09-30 | 广东工业大学 | 一种求解多配送中心物流运输车辆路径问题的方法 |
CN105787596A (zh) * | 2016-02-29 | 2016-07-20 | 泰华智慧产业集团股份有限公司 | 一种基于改进蚁群算法的应急物流路径优化方法 |
CN107816999A (zh) * | 2017-09-25 | 2018-03-20 | 华南理工大学 | 一种基于蚁群算法的无人船航行路径自主规划方法 |
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503252A (zh) * | 2019-08-11 | 2019-11-26 | 安徽神海港航数据服务有限公司 | 基于运力需求分布的航运调度系统和方法 |
CN110503252B (zh) * | 2019-08-11 | 2022-12-09 | 安徽港航大数据服务有限公司 | 基于运力需求分布的航运调度系统和方法 |
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN110928295B (zh) * | 2019-10-16 | 2022-08-23 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN110909927A (zh) * | 2019-11-18 | 2020-03-24 | 江苏物润船联网络股份有限公司 | 一种目的港口的预测方法 |
CN111428916A (zh) * | 2020-03-12 | 2020-07-17 | 南京大学 | 一种海上救援船舶巡航路径规划方法 |
CN111428916B (zh) * | 2020-03-12 | 2023-04-07 | 南京大学 | 一种海上救援船舶巡航路径规划方法 |
CN111562786A (zh) * | 2020-05-19 | 2020-08-21 | 智慧航海(青岛)科技有限公司 | 多级优化的无人船舶路径规划方法及装置 |
CN111562786B (zh) * | 2020-05-19 | 2023-03-28 | 智慧航海(青岛)科技有限公司 | 多级优化的无人船舶路径规划方法及装置 |
CN112862156A (zh) * | 2021-01-08 | 2021-05-28 | 北京工业大学 | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 |
CN112929105A (zh) * | 2021-01-22 | 2021-06-08 | 中国铁塔股份有限公司 | 信号源间距确定方法、装置和电子设备 |
CN112929105B (zh) * | 2021-01-22 | 2022-05-13 | 中国铁塔股份有限公司 | 信号源间距确定方法、装置和电子设备 |
CN112819255A (zh) * | 2021-03-08 | 2021-05-18 | 吉林大学 | 基于粒子群-遗传算法的多准则船舶航线确定方法、装置、计算机设备及可存储介质 |
CN112819255B (zh) * | 2021-03-08 | 2022-11-08 | 吉林大学 | 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 |
CN113074738A (zh) * | 2021-04-06 | 2021-07-06 | 武汉理工大学 | 一种基于Dyna框架的混合智能路径规划方法及装置 |
CN113095753A (zh) * | 2021-04-06 | 2021-07-09 | 江苏省港口集团信息科技有限公司 | 一种基于集装箱智能管理派位的无人集卡调度方法 |
CN112990785A (zh) * | 2021-05-08 | 2021-06-18 | 亿海蓝(北京)数据技术股份公司 | 影响范围及影响程度的评估方法、装置和可读存储介质 |
CN112990785B (zh) * | 2021-05-08 | 2021-08-20 | 亿海蓝(北京)数据技术股份公司 | 影响范围及影响程度的评估方法、装置和可读存储介质 |
CN113361765A (zh) * | 2021-05-31 | 2021-09-07 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
CN113361765B (zh) * | 2021-05-31 | 2023-12-12 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
CN113222520A (zh) * | 2021-06-16 | 2021-08-06 | 江苏佳利达国际物流股份有限公司 | 一种基于蚁群算法的货物优化配送方法及系统 |
CN113435639A (zh) * | 2021-06-23 | 2021-09-24 | 交通运输部规划研究院 | 一种融合ais数据挖掘的港口水域规划方法及系统 |
CN113435639B (zh) * | 2021-06-23 | 2022-04-15 | 交通运输部规划研究院 | 一种融合ais数据挖掘的港口水域规划方法及系统 |
CN113626440A (zh) * | 2021-08-18 | 2021-11-09 | 南京邮电大学 | 一种海洋灾害区域的船舶预警模型的构建方法、系统、装置及存储介质 |
CN113626440B (zh) * | 2021-08-18 | 2024-02-23 | 南京邮电大学 | 一种海洋灾害区域的船舶预警模型的构建方法、系统、装置及存储介质 |
CN114066354B (zh) * | 2021-11-12 | 2023-10-31 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN114066354A (zh) * | 2021-11-12 | 2022-02-18 | 中远海运科技股份有限公司 | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 |
CN115186234B (zh) * | 2022-09-13 | 2022-12-06 | 交通运输部科学研究院 | 港口距离矩阵的计算方法、装置、电子设备及存储介质 |
CN115186234A (zh) * | 2022-09-13 | 2022-10-14 | 交通运输部科学研究院 | 港口距离矩阵的计算方法、装置、电子设备及存储介质 |
CN116542592A (zh) * | 2023-07-03 | 2023-08-04 | 深圳市华运国际物流有限公司 | 一种国际物流运输路径分析评定系统 |
CN116542592B (zh) * | 2023-07-03 | 2023-10-10 | 深圳市华运国际物流有限公司 | 一种国际物流运输路径分析评定系统 |
CN116562598A (zh) * | 2023-07-07 | 2023-08-08 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109740828B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740828A (zh) | 船舶航行路径规划方法、系统、介质和设备 | |
CN108459503B (zh) | 一种基于量子蚁群算法的无人水面艇航迹规划方法 | |
CN104635704B (zh) | 基于模糊聚类和遗传算法的船舶能效管理控制平台及方法 | |
Zhang et al. | Application of improved multi-objective ant colony optimization algorithm in ship weather routing | |
CN112819255B (zh) | 多准则船舶航线确定方法、装置、计算机设备及可读存储介质 | |
CN101685016B (zh) | 基于矢量电子海图的二维航迹规划方法 | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
CN109489672A (zh) | 考虑海流与无人艇动力学影响的节能a星路径规划方法 | |
CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
CN110969289B (zh) | 一种无人船气象航线连续动态优化方法和系统 | |
CN113238232A (zh) | 面向海洋静态目标的自主水下航行器系统目标搜索方法 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
Gao et al. | An improved genetic algorithm for island route planning | |
Gao et al. | An Optimized Path Planning Method for Container Ships in Bohai Bay Based on Improved Deep Q-Learning | |
Zhang et al. | Optimising feeder routing for container ships through an electronic chart display and information system | |
CN116430875A (zh) | 海洋牧场无人机无人船协同巡逻路径规划算法 | |
Han et al. | Whale optimization algorithm for ship path optimization in large-scale complex marine environment | |
CN110503234A (zh) | 一种物流运输调度的方法、系统及设备 | |
CN112712251B (zh) | 一种应用于驳船管理系统中的船舶智能调度方法 | |
Li et al. | Optimization approach of berth-quay crane-truck allocation by the tide, environment and uncertainty factors based on chaos quantum adaptive seagull optimization algorithm | |
WO2022162092A1 (en) | A method for optimizing a shipping route and related electronic device | |
Zhou et al. | Ship weather routing based on hybrid genetic algorithm under complicated sea conditions | |
CN110658833B (zh) | 一种水下环境中多auv实时营救任务分配算法 | |
Song et al. | A novel path planning algorithm for ships in dynamic current environments | |
Shen et al. | Ship Fuel Consumption Prediction under Various Weather Condition Based on DBN |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |