CN110414119A - 一种基于改进演化算法的港口船舶贝位优化方法 - Google Patents
一种基于改进演化算法的港口船舶贝位优化方法 Download PDFInfo
- Publication number
- CN110414119A CN110414119A CN201910668202.6A CN201910668202A CN110414119A CN 110414119 A CN110414119 A CN 110414119A CN 201910668202 A CN201910668202 A CN 201910668202A CN 110414119 A CN110414119 A CN 110414119A
- Authority
- CN
- China
- Prior art keywords
- ship
- shellfish
- container
- hand component
- shellfish position
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于改进演化算法的港口船舶贝位优化方法。本发明建立各港口的待装集装箱数量模型,并分别建立船舶左边部分以及船舶右边部分贝位的容量模型;分别设置船舶左边部分贝位随机数以及船舶右边部分贝位随机数,分别根据随机数从小到大排序得到船舶左边部分贝位以及排序后船舶右边贝位;采用基于局部竞争机制的选择策略,对所产生的随机数集合进行选择和优化;分别对左边部分贝位和右边部分贝位进行集装箱装载,通过对各贝位以及各港口集装箱的判断选择合适的贝位装载合适的集装箱,同时判断船舶纵倾力矩是否满足条件,对贝位剩余容量以及集装箱剩余数量进行记录。本发明加入启发式算法保证了更好的寻优性能,提高了算法的搜索效率。
Description
技术领域
本发明属于船舶技术领域,尤其涉及一种基于改进演化算法的港口船舶贝位优化方法。
背景技术
集装箱船舶主贝计划(MBPP)是集装箱船舶配载计划的组成部分,主贝计划(MBPP),是将准备运输的集装箱按照计划分配到集装箱船舶的各个BAY位上,其目的是制定出尽量减少船舶在港停留时间的计划,而船舶在港停留时间与混装次数有着密切的联系。MBPP制定的合理,可以有效地减少集装箱的倒作业与船舶在岗停留时间,提高集装箱船舶的运输效率与全航线的安全性。目前,集装箱MBPP的配载问题多为人的经验加上计算机辅助完成,然而随着集装箱船舶的日益大型化,所解决的问题也越来越庞大,复杂。要解决该问题,根源要在理论上通过计算机实现主贝配载问题的智能化,因此,寻找能普遍解决该问题的有效方法是必要的研究之路。本文将针对船舶的MBPP,将船舶的列向贝位作为研究对象,实现所装载在贝位的集装箱与堆场相对应的集装箱合理匹配,对船舶主贝配载问题进行智能决策研究。
对于集装箱MBPP的研究,从方法上分可以分为随机模拟生成法,通过运用随机概率或者是模拟过程的方法进行计算,观察分析的手段使得模型答案等于所要求的问题的可行解.决策支持系统法,运用场景及案例分析问题模型,通过网络数据分析降低决策者失误率。数学建模法、使用数学公式,符号,图像,编程等方法对显示问题的属性进行抽象的刻画,提供最优或者较好的策略来控制事物的发展。启发式算法,通过生活中的经验或者是直观而形成的算法,在可以接受的时间或者空间上得出需要解决的问题的实例的可行解,但是这个可行解与最优解的差值是不能够预计的。提出使用不同规格集装箱分析问题,从大小,港口,类型,材质等方面作为约束,结合启发式算法通过生成器对所要求的最优值进行寻找。考虑到集装箱船舶的稳性,承受能力,吃水差等因素建立了数学模型,使用遗传算法求解得到较好的配载方案。将禁忌算法的思想融合到蚁群算法中建立了混合蚁群算法,提高了集装箱船载重量的利用率。运用粒子群算法和遗传算法进行模型的求解,将集装箱的配载分为主贝计划和贝内计划两部分,运用粒子群算法与遗传算法得出较优的配载方案。将集装箱的装船分为二维装船的问题和贝位优化的问题,用蚁群算法算法,采用权值分配的方法进行求解。运用组合优化原则对集装箱船舶装载问题进行分析,利用三维装箱问题来解决主贝计划决策,将最短装载时间看作是评价指标,从中选取最优方案。
综上所述,目前对于MBPP的研究中,多数学者以某一种算法进行研究,无法体现其算法的高效性与实际应用性。
发明内容
为了解决上述技术问题,本发明提出了一种基于改进演化算法的港口船舶贝位优化方法。
本发明的技术方案为一种基于改进演化算法的港口船舶贝位优化方法,其特征在于,包括以下步骤:
步骤1:建立各港口的待装集装箱数量模型,将船舶从船肿位置划分为左右两个部分,分别建立船舶左边部分以及船舶右边部分贝位的容量模型;
步骤2:分别设置船舶左边部分贝位随机数以及船舶右边部分贝位随机数,根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位,根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位;
步骤3:采用基于局部竞争机制的选择策略,对所产生的随机数集合进行选择和优化;
步骤4:分别对左边部分贝位和右边部分贝位进行集装箱装载,通过对各贝位以及各港口集装箱的判断选择合适的贝位装载合适的集装箱,同时判断船舶纵倾力矩是否满足条件,对贝位剩余容量以及集装箱剩余数量进行记录;
作为优选,步骤1中所述各港口待装集装箱数量模型为:
第x个港口的待装集装箱数量为Qx,Qx≥0
其中,x为港口序号,x∈[1,X],X为港口的数量,集装箱总量为Z,Z≥0;
步骤1中所述建立船舶左边部分贝位的容量模型为:
船舶左边部分第i个贝位的容量为KL,i,KL,i>0,i∈[1,N]
其中,N为船舶左边部分贝位的数量,i为船舶左边部分贝位的序号;
步骤1中所述建立船舶右边部分的贝位容量模型为:
船舶右边部分第j个贝位的容量为KR,j,KR,j>0,j∈[1,M]
其中,M为船舶右边部分贝位的数量,j为船舶右边部分贝位的序号;
设置船舶纵倾力矩为D;
作为优选,步骤2中所述设置船舶左边部分贝位随机数为:
取[-10,10]之间的随机数为TL,i对应船舶左边部分第i个贝位,i∈[1,N];
步骤2中所述设置船舶右边部分贝位随机数为:
取[-10,10]之间的随机数为TR,j对应船舶左边部分第j个贝位,j∈[1,M];
根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位为:
将TL,1,TL,2,…,TL,N从小到大进行排序得到排序后为TL,ip,即船舶左边部分第i个贝位排序后位于第ip个船舶左边贝位,其容量为KL,i;
根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位为:
将TR,1,TR,2,…,TR,N从小到大进行排序得到排序后为TR,jq,即船舶右边部分第j个贝位排序后位于第jq个船舶右边贝位,其容量为KR,j;
作为优选,步骤3中所述采用基于局部竞争机制的选择策略具体为:
先从集合为TL,i和TR,j(包括左边和右边贝位的随机数,i∈[1,N])的种群中分别随机选取个体通过重组和变异生成集合为TL,I,1(≥TL,i)个后代和TR,j,1(≥TR,j)个后代,然后再从集合TL,i+TL,I,1个后代中选取TL,i个最优的后代作为左边贝位新的一代种群;同理,从集合TR,j+TR,j,1个后代中选取TR,j个最优的后代作为右边贝位新的一代种群;
采用基于两点交叉互换的重组算子,对个体的粒子位置进行操作,随机选择两个父代个体重组生成两个新的子代个体;
采用个体内部服从正态分布的变异算子,对个体的粒子位置进行操作,设置一定的变异次数,对每个子代个体进行变异操作,变异后需对超出约束的子代个体进行修正;
最终形成新的容量为KL,i的左边贝位和容量为KR,j的右边贝位,进行接下来的装载工作;
作为优选,步骤4中所述分别对左边部分贝位和右边部分贝位进行集装箱装载具体为:
步骤4.1选择左边待装贝位Ni’,判断该贝位是否为空,如果是,进行步骤4.2,如果否,进行步骤4.7;
步骤4.2:判断是否有未进行装载过的港口Xx的集装箱QX,如果有,选择该港口待装集装箱QX进行装载,如果没有,进行步骤4.3;
步骤4.3:选择未装载完的港口的集装箱进行装载;
步骤4.4:记录该贝位中的港口编号Px
步骤4.5:该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.6:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.7:判断该贝位所装载的集装箱对应的港口是否全部装载完毕,如果是,选择其余港口集装箱进行装载,如果否,选择对应港口集装箱进行装载;
步骤4.8:更新该贝位中的港口编号Px,该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.9:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.10:i=i+1,每装载完一个集装箱都需要计算船舶的纵倾力矩,而且要判断集装箱待装载总量Z是否大于0。如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≤D,则继续在左贝位进行装载;如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≥D,则转到右贝位进行装载;
步骤4.11:进行步骤4.1,如果待装载的集装箱总量等于0,则所有集装箱装载完毕,输出主贝计划配载方案。得到当前最小混装数Zmin,其对应的船舶纵倾力矩为D1,D1≤D。
本发明保证了更好的寻优性能,提高了算法的搜索效率。
附图说明:
图1:基于两点交叉的重组算子;
图2:基于两点互换的变异算子;
图3:ES与PSO求得最优解平均迭代次数对比;
图4:三种算法纵倾力矩对比;
图5:三中算法求得贝位混装数对比;
图6:三中算法求解时间对比;
图7:本发明方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图,介绍本发明的具体实施方式为一种基于改进演化算法的港口船舶贝位优化方法,其特征在于,包括以下步骤:
步骤1:建立各港口的待装集装箱数量模型,将船舶从船肿位置划分为左右两个部分,分别建立船舶左边部分以及船舶右边部分贝位的容量模型;
步骤1中所述各港口待装集装箱数量模型为:
第x个港口的待装集装箱数量为Qx,Qx≥0
其中,x为港口序号,x∈[1,X],X为港口的数量,集装箱总量为Z,Z≥0;
步骤1中所述建立船舶左边部分贝位的容量模型为:
船舶左边部分第i个贝位的容量为KL,i,KL,i>0,i∈[1,N]
其中,N为船舶左边部分贝位的数量,i为船舶左边部分贝位的序号;
步骤1中所述建立船舶右边部分的贝位容量模型为:
船舶右边部分第j个贝位的容量为KR,j,KR,j>0,j∈[1,M]
其中,M为船舶右边部分贝位的数量,j为船舶右边部分贝位的序号;
设置船舶纵倾力矩为D;
步骤2:分别设置船舶左边部分贝位随机数以及船舶右边部分贝位随机数,根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位,根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位;
步骤2中所述设置船舶左边部分贝位随机数为:
取[-10,10]之间的随机数为TL,i对应船舶左边部分第i个贝位,i∈[1,N];
步骤2中所述设置船舶右边部分贝位随机数为:
取[-10,10]之间的随机数为TR,j对应船舶左边部分第j个贝位,j∈[1,M];
根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位为:
将TL,1,TL,2,…,TL,N从小到大进行排序得到排序后为TL,ip,即船舶左边部分第i个贝位排序后位于第ip个船舶左边贝位,其容量为KL,i;
根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位为:
将TR,1,TR,2,…,TR,N从小到大进行排序得到排序后为TR,jq,即船舶右边部分第j个贝位排序后位于第jq个船舶右边贝位,其容量为KR,j,详见表1至表3;
表1主贝计划编码方法
表2贝位粒子编码
表3粒子编码排序
步骤3:采用基于局部竞争机制的选择策略,对所产生的随机数集合进行选择和优化;
步骤3中所述采用基于局部竞争机制的选择策略具体为:
先从集合为TL,i和TR,j(包括左边和右边贝位的随机数,i∈[1,N])的种群中分别随机选取个体通过重组和变异生成集合为TL,I,1(≥TL,i)个后代和TR,j,1(≥TR,j)个后代,然后再从集合TL,i+TL,I,1个后代中选取TL,i个最优的后代作为左边贝位新的一代种群;同理,从集合TR,j+TR,j,1个后代中选取TR,j个最优的后代作为右边贝位新的一代种群;
采用基于两点交叉互换的重组算子,对个体的粒子位置进行操作,随机选择两个父代个体重组生成两个新的子代个体;
采用个体内部服从正态分布的变异算子,对个体的粒子位置进行操作,设置一定的变异次数,对每个子代个体进行变异操作,变异后需对超出约束的子代个体进行修正;
如图1以及图2所示,最终形成新的容量为KL,i的左边贝位和容量为KR,j的右边贝位,进行接下来的装载工作;
步骤4:分别对左边部分贝位和右边部分贝位进行集装箱装载,通过对各贝位以及各港口集装箱的判断选择合适的贝位装载合适的集装箱,同时判断船舶纵倾力矩是否满足条件,对贝位剩余容量以及集装箱剩余数量进行记录;
步骤4中所述分别对左边部分贝位和右边部分贝位进行集装箱装载具体为:
步骤4.1选择左边待装贝位Ni’,判断该贝位是否为空,如果是,进行步骤4.2,如果否,进行步骤4.7;
步骤4.2:判断是否有未进行装载过的港口Xx的集装箱QX,如果有,选择该港口待装集装箱QX进行装载,如果没有,进行步骤4.3;
步骤4.3:选择未装载完的港口的集装箱进行装载;
步骤4.4:记录该贝位中的港口编号Px
步骤4.5:该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.6:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.7:判断该贝位所装载的集装箱对应的港口是否全部装载完毕,如果是,选择其余港口集装箱进行装载,如果否,选择对应港口集装箱进行装载;
步骤4.8:更新该贝位中的港口编号Px,该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.9:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.10:i=i+1,每装载完一个集装箱都需要计算船舶的纵倾力矩,而且要判断集装箱待装载总量Z是否大于0。如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≤D,则继续在左贝位进行装载;如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≥D,则转到右贝位进行装载;
步骤4.11:进行步骤4.1,如果待装载的集装箱总量等于0,则所有集装箱装载完毕,输出主贝计划配载方案。得到当前最小混装数Zmin,其对应的船舶纵倾力矩为D1,D1≤D。
图3~图6为改进演化算法(ES)与粒子群算法(PSO)和启发式算法(HASR)采用多种算例得出结果对比图,由于装船时集装箱按照逐箱逐贝进行装载,且符合船舶基本约束条件,3种算法在进行求解优化时均找到了可行解.但在优化效率方面却呈现出较大差异性:在算例规模较小时,PSO与改进演化算法均找到船舶主贝混装数最小的结果,且寻到适应值的迭代次数相差较小,但是在运行时间上改进演化算法较优。在优化纵倾力矩方面,改进演化算法均最优.随着算例规模增大,求解难度也随之加大,在求解过程中发现,改进演化算法均能做到用时最少,求得的各贝位混装数最少,求得最优适应值的迭代次数最少。而PSO,无论在求解速度还是求解效果方面,都不太理想。而启发式算法由于主要采用规则来实现,求解速度非常快,但求解效果却远不如改进演化算法.因此,改进演化算法在求解MBPP时效率更高且更有效。
显然,当对MBPP问题进行求解时,理论最优值应为0,但是实际问题中几乎不可能达到理论最优值,而对比于其他两种算法,改进演化算法均找到了混装数的极小值,且极小值也是问题的满意解,改进演化算法在对纵倾力矩的求解过程中均能控制在给定力矩范围内。因此,从求解结果与理论最优值的对比和船舶航行安全性方面分析,也说明了改进演化算法求解MBPP问题的有效性与合理性。
本文结合集装箱船舶主贝装载各贝位混装数最小的目标与集装箱船舶基本约束条件,提出了主备计划(MBPP)优化方案,构建数学模型,并采用改进演化算法对所构建的模型进行不同算例的研究优化,将改进演化算法与常用的优化算法粒子群算法、基于实际装船规则的启发式算法等进行比对分析,验证了改进演化算法算法在求解过程中的可行性与高效性。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于改进演化算法的港口船舶贝位优化方法,其特征在于,包括以下步骤:
步骤1:建立各港口的待装集装箱数量模型,将船舶从船肿位置划分为左右两个部分,分别建立船舶左边部分以及船舶右边部分贝位的容量模型;
步骤2:分别设置船舶左边部分贝位随机数以及船舶右边部分贝位随机数,根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位,根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位;
步骤3:采用基于局部竞争机制的选择策略,对所产生的随机数集合进行选择和优化;
步骤4:分别对左边部分贝位和右边部分贝位进行集装箱装载,通过对各贝位以及各港口集装箱的判断选择合适的贝位装载合适的集装箱,同时判断船舶纵倾力矩是否满足条件,对贝位剩余容量以及集装箱剩余数量进行记录。
2.根据权利要求1所述的基于改进演化算法的港口船舶贝位优化方法,其特征在于:步骤1中所述各港口待装集装箱数量模型为:
第x个港口的待装集装箱数量为Qx,Qx≥0
其中,x为港口序号,x∈[1,X],X为港口的数量,集装箱总量为Z,Z≥0;
步骤1中所述建立船舶左边部分贝位的容量模型为:
船舶左边部分第i个贝位的容量为KL,i,KL,i>0,i∈[1,N]
其中,N为船舶左边部分贝位的数量,i为船舶左边部分贝位的序号;
步骤1中所述建立船舶右边部分的贝位容量模型为:
船舶右边部分第j个贝位的容量为KR,j,KR,j>0,j∈[1,M]
其中,M为船舶右边部分贝位的数量,j为船舶右边部分贝位的序号;
设置船舶纵倾力矩为D。
3.根据权利要求1所述的基于改进演化算法的港口船舶贝位优化方法,其特征在于:步骤2中所述设置船舶左边部分贝位随机数为:
取[-10,10]之间的随机数为TL,i对应船舶左边部分第i个贝位,i∈[1,N];
步骤2中所述设置船舶右边部分贝位随机数为:
取[-10,10]之间的随机数为TR,j对应船舶左边部分第j个贝位,j∈[1,M];
根据船舶左边部分随机数从小到大排序得到排序后船舶左边贝位为:
将TL,1,TL,2,…,TL,N从小到大进行排序得到排序后为即船舶左边部分第i个贝位排序后位于第ip个船舶左边贝位,其容量为KL,i;
根据船舶右边部分随机数从小到大排序得到排序后船舶右边贝位为:
将TR,1,TR,2,…,TR,N从小到大进行排序得到排序后为即船舶右边部分第j个贝位排序后位于第jq个船舶右边贝位,其容量为KR,j。
4.根据权利要求1所述的基于改进演化算法的港口船舶贝位优化方法,其特征在于:步骤3中所述采用基于局部竞争机制的选择策略具体为:
先从集合为TL,i和TR,j(包括左边和右边贝位的随机数,i∈[1,N])的种群中分别随机选取个体通过重组和变异生成集合为TL,I,1(≥TL,i)个后代和TR,j,1(≥TR,j)个后代,然后再从集合TL,i+TL,I,1个后代中选取TL,i个最优的后代作为左边贝位新的一代种群;同理,从集合TR,j+TR,j,1个后代中选取TR,j个最优的后代作为右边贝位新的一代种群;
采用基于两点交叉互换的重组算子,对个体的粒子位置进行操作,随机选择两个父代个体重组生成两个新的子代个体;
采用个体内部服从正态分布的变异算子,对个体的粒子位置进行操作,设置一定的变异次数,对每个子代个体进行变异操作,变异后需对超出约束的子代个体进行修正;
最终形成新的容量为KL,i的左边贝位和容量为KR,j的右边贝位,进行接下来的装载工作。
5.根据权利要求1所述的基于改进演化算法的港口船舶贝位优化方法,其特征在于:步骤4中所述分别对左边部分贝位和右边部分贝位进行集装箱装载具体为:
步骤4.1选择左边待装贝位Ni’,判断该贝位是否为空,如果是,进行步骤4.2,如果否,进行步骤4.7;
步骤4.2:判断是否有未进行装载过的港口Xx的集装箱QX,如果有,选择该港口待装集装箱QX进行装载,如果没有,进行步骤4.3;
步骤4.3:选择未装载完的港口的集装箱进行装载;
步骤4.4:记录该贝位中的港口编号Px
步骤4.5:该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.6:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.7:判断该贝位所装载的集装箱对应的港口是否全部装载完毕,如果是,选择其余港口集装箱进行装载,如果否,选择对应港口集装箱进行装载;
步骤4.8:更新该贝位中的港口编号Px,该贝位中集装箱数量+1,总集装箱数量Z-1,所装载的港口集装箱数QX-1,该贝位的贝位容量Ki-1;
步骤4.9:判断该贝位是否装满,即Ki是否=0,如果是,进行步骤4.10,如果否,进行步骤4.7;
步骤4.10:i=i+1,每装载完一个集装箱都需要计算船舶的纵倾力矩,而且要判断集装箱待装载总量Z是否大于0;如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≤D,则继续在左贝位进行装载;如果待装载的集装箱总量大于0,而且船舶的纵倾力矩≥D,则转到右贝位进行装载;
步骤4.11:进行步骤4.1,如果待装载的集装箱总量等于0,则所有集装箱装载完毕,输出主贝计划配载方案;得到当前最小混装数Zmin,其对应的船舶纵倾力矩为D1,D1≤D。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668202.6A CN110414119B (zh) | 2019-07-23 | 2019-07-23 | 一种基于改进演化算法的港口船舶贝位优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668202.6A CN110414119B (zh) | 2019-07-23 | 2019-07-23 | 一种基于改进演化算法的港口船舶贝位优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414119A true CN110414119A (zh) | 2019-11-05 |
CN110414119B CN110414119B (zh) | 2023-04-18 |
Family
ID=68362760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668202.6A Active CN110414119B (zh) | 2019-07-23 | 2019-07-23 | 一种基于改进演化算法的港口船舶贝位优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414119B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859806A (zh) * | 2020-07-22 | 2020-10-30 | 大连陆海科技股份有限公司 | 一种面向智能船舶的液舱配载方法及系统 |
CN113252046A (zh) * | 2021-06-29 | 2021-08-13 | 中移(上海)信息通信科技有限公司 | 港口信息的处理方法、装置及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173220A1 (en) * | 2006-03-17 | 2013-07-04 | Canberra Industries, Inc. | Radiation Analysis System and Method |
CN103544586A (zh) * | 2013-10-25 | 2014-01-29 | 东北大学 | 一种提高集装箱船舶稳定性和岸桥作业效率的配载方法 |
KR20180046361A (ko) * | 2016-10-27 | 2018-05-08 | 삼성에스디에스 주식회사 | 깊이 센서 기반의 적재 최적화 방법 및 시스템 |
-
2019
- 2019-07-23 CN CN201910668202.6A patent/CN110414119B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130173220A1 (en) * | 2006-03-17 | 2013-07-04 | Canberra Industries, Inc. | Radiation Analysis System and Method |
CN103544586A (zh) * | 2013-10-25 | 2014-01-29 | 东北大学 | 一种提高集装箱船舶稳定性和岸桥作业效率的配载方法 |
KR20180046361A (ko) * | 2016-10-27 | 2018-05-08 | 삼성에스디에스 주식회사 | 깊이 센서 기반의 적재 최적화 방법 및 시스템 |
Non-Patent Citations (2)
Title |
---|
QIWEI ZHANG等: "Research on Decision-making Optimization of Container MBPP Based on Evolutionary Strategy Algorithm", 《第31届中国控制与决策会议》 * |
王志明等: "基于遗传算法的集装箱后方堆场箱位分配策略", 《计算机应用研究》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111859806A (zh) * | 2020-07-22 | 2020-10-30 | 大连陆海科技股份有限公司 | 一种面向智能船舶的液舱配载方法及系统 |
CN111859806B (zh) * | 2020-07-22 | 2023-10-27 | 大连陆海科技股份有限公司 | 一种面向智能船舶的液舱配载方法及系统 |
CN113252046A (zh) * | 2021-06-29 | 2021-08-13 | 中移(上海)信息通信科技有限公司 | 港口信息的处理方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110414119B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
CN105098762A (zh) | 一种含分布式电源配电网的孤岛划分方法 | |
Haddad et al. | Honey-bee mating optimization (HBMO) algorithm in deriving optimal operation rules for reservoirs | |
CN105809279A (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN109886478A (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN104680237A (zh) | 一种多约束条件下三维装箱新型遗传算法模型 | |
CN107784396A (zh) | 一种自动化集装箱码头关键装卸资源集成调度方法 | |
CN107330214A (zh) | 基于离散化与启发式进化算法的空间布局优化方法 | |
CN110414119A (zh) | 一种基于改进演化算法的港口船舶贝位优化方法 | |
Shim et al. | A hybrid estimation of distribution algorithm for solving the multi-objective multiple traveling salesman problem | |
CN107358322A (zh) | 一种无人机快递自动投送最短路径规划方法 | |
CN107274085A (zh) | 一种双电型船舶的储能设备的优化管理方法 | |
CN104866924A (zh) | 主动配电网规划及运行联合优化方法 | |
CN108932366A (zh) | 煤炭码头卸车生产仿真智能调度方法及系统 | |
Herbert et al. | A family of genetic algorithms for the pallet loading problem | |
CN107451599A (zh) | 一种基于机器学习的综合模型的交通行为预测方法 | |
CN110598946B (zh) | 一种基于非支配人工蜂群的防汛物资救援分配方法 | |
Hakimi-Asiabar et al. | Multi-objective genetic local search algorithm using Kohonen’s neural map | |
Lee et al. | A hole-machining process planning system for marine engines | |
CN104836224B (zh) | 一种基于最大供电能力的配电网分区方法 | |
Varnamkhasti | Overview of the algorithms for solving the p-median facility location problems | |
CN109447233B (zh) | 电动汽车充放电调度方法及系统 | |
Gómez et al. | Building general hyper-heuristics for multi-objective cutting stock problem | |
CN115940275A (zh) | 一种不同功率缺额下分布式可控资源运行模式优化匹配与协调切换控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |