CN111754041B - 一种港口泊位分配方法 - Google Patents

一种港口泊位分配方法 Download PDF

Info

Publication number
CN111754041B
CN111754041B CN202010595898.7A CN202010595898A CN111754041B CN 111754041 B CN111754041 B CN 111754041B CN 202010595898 A CN202010595898 A CN 202010595898A CN 111754041 B CN111754041 B CN 111754041B
Authority
CN
China
Prior art keywords
ship
port
time
bridge
channel
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.)
Active
Application number
CN202010595898.7A
Other languages
English (en)
Other versions
CN111754041A (zh
Inventor
吕长虹
宣国宝
张小强
张小锐
杨立光
石甘泉
王晓辉
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Normal University
Tangshan Port Group Co Ltd
Original Assignee
East China Normal University
Tangshan Port Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Normal University, Tangshan Port Group Co Ltd filed Critical East China Normal University
Priority to CN202010595898.7A priority Critical patent/CN111754041B/zh
Publication of CN111754041A publication Critical patent/CN111754041A/zh
Application granted granted Critical
Publication of CN111754041B publication Critical patent/CN111754041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种港口泊位分配方法，包括以下步骤：港口信息获取；获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，预设条件包括：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件；求解所述目标模型，得到港口泊位分配方案的最优解，方案的构成要素包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况；在考虑潮汐影响和航道可通行性之外，在为每艘船只分配泊位的同时，将一定数量的桥机按对应的规则指派给特定船只，使得作业计划更加精确，作业效率提高。

Description

一种港口泊位分配方法
技术领域
本发明涉及港口管理技术领域，尤其涉及一种港口泊位分配方法。
背景技术
在经济全球化的背景下，物流运输在过去几十年中快速发展。其中集装箱运输业已成为运输和物流的支柱产业，在全球运输网络中发挥着不可或缺的作用。泊位分配问题(Berth Allocation Problem,简称BAP)和桥机指派问题(Quay Crane AssignmentProblem,简称QCAP)是集装箱码头中的重要问题，直接决定了未来一定时期内所有船只、桥机的排班信息。现有的技术方案存在以下几个缺点：
(1)缺乏自动化智能化算法优化计划：现今大多数港口采用的是人工排班方法来安排船舶泊位与桥机。人工排班的弊端是该方式依赖人为决策，往往着眼于短期便利，缺乏对整个港口进行统筹规划，较难得到最优排班计划。
(2)未考虑航道与潮汐约束：在某些港口中，航道连接着船舶等待区与泊位。航道的宽窄直接会影响单位时间内船舶的通行效率。同时航道的水深会受潮汐因素影响，例如在落潮期间，吃水深度较大的船舶会无法通过航道。
(3)未考虑桥机分配：在过去一些研究中，研究人员往往单独着眼于泊位分配问题，将船只的作业时间理想化和简单化，并不引入桥机分配问题统筹考虑。然而在实际作业中，船只的作业效率实际上是由分配给该船只的桥机数量决定的，这直接影响到船只的作业时间。
发明内容
鉴于目前存在的上述不足，本发明提供一种港口泊位分配方法，能够在考虑潮汐影响和航道可通行性之外，在为每艘船只分配泊位的同时，将一定数量的桥机按对应的规则指派给特定船只，使得作业计划更加精确，从而使码头整体作业效率提高。
为达到上述目的，本发明的实施例采用如下技术方案：
一种港口泊位分配方法，所述港口泊位分配方法包括以下步骤：
港口信息获取；
获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，其中，所述预设条件至少包括以下因素：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件；
求解所述目标模型，得到港口泊位分配方案的最优解，其中，所述港口泊位分配方案的构成要素至少包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况。
依照本发明的一个方面，所述港口信息获取包括：
根据港口实际情况得到码头的桥机数Q，同时根据泊位分配问题精度要求将岸线分为B节；
将需要规划的船只集合I分为两类，分别为Itide和Ifree；
根据当地潮汐情况得出高低水位持续的时间V；
根据港口信息化系统得到船只预计到达等待区时间ai、船只长度li以及船只装卸货物量ci，以及在每个时间步内最多和最少分配的桥机数量和
根据港口航道长度与船只平均行驶速度得出船只驶入驶出航道所需的平均时间C；
其中，将需要规划的船只集合I分为Itide和Ifree两类的依据为：若某一船只的吃水深度大于港口落潮时的最低水位，则为Itide；否则为Ifree。
依照本发明的一个方面，所述根据获取的港口信息采用混合整数线性规划方法，以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，具体包括：
1)进行模型假设；
假设1：规划时间与岸线被离散化为T个时间步与B个单位长度，桥机的工作效率由集装箱数来衡量；假设2：根据船只大小将分为大(jumbo)中(medium)小(feeder)三个类型，同时根据潮汐因素所有船只被分为tide、free两个类型；假设3：高低水位相互交替，每个高水位或者低水位持续6小时，并且假设从高水位开始交替。tide类船只只能够在高水位期间进出航道，free类船只没有限制；假设4：桥机沿轨道的移动时间忽略不计，桥机之间的相对位置不变；假设5：船只驶入航道后不允许等待，立刻进行停泊作业；假设6：船只间的安全距离已包含在船只长度中；假设7：进出航道时间为1个单位时间，即1小时。
2)给出已知变量表和决策变量表；
3)给出整个模型的目标函数与约束条件；
依照本发明的一个方面，所述与潮汐因素有关联的约束条件具体可包括以下内容：
约束3.1至3.4为常规约束，其余约束则限制了Itide类船只驶入驶出航道的时刻；约束3.1保证了船只驶入航道时间一定大于或者等于船只到港时间；约束3.2指出船只驶入航道后立刻开始作业；约束3.3说明了船只驶出航道时间必须在结束作业之后；约束3.4保证了船只驶出航道后立刻驶离港口；约束3.5至3.6表明一艘船只能选择在一个高水位期驶入或者驶出航道；约束3.7至3.8保证了Itide类船只一定是在高水位时间段内驶入或者驶出航道。
依照本发明的一个方面，所述泊位分配的约束条件具体为：
约束3.9至3.10指出开始作业与结束作业时间点只能有一个；约束3.11至约束3.13将辅助0-1决策变量与对应的决策变量联系起来；约束3.14指出船只从结束作业与开始作业的时间差为作业时间；约束3.15和约束3.16限制了船只在停靠作业之前和结束作业之后不能处于作业状态；约束3.17要求船只一停靠立即作业；约束3.18保证了船只作业不会被打断；约束3.19表明船只作业时，其船头一定停靠在岸线的某一节中；约束3.20和3.21决定了船只作业停靠位置；约束3.22和3.23保证了船只作业时停靠位置保持不变；约束3.24保证船只停靠位置不超过岸线范围；约束3.25表明正在作业船只的长度不能超过岸线长度；约束3.26解决了任意两艘船只占用同一节岸线的冲突情况；约束3.27任意两艘船只停泊的相对位置与岸线节数编号保持一致；约束3.28和3.29保证了船只的相对位置不会发生错乱。
依照本发明的一个方面，所述桥机分配的约束条件具体为：
约束3.30指出任意时刻的被指派的总桥机数不能超过总桥机数；约束3.31保证了每艘船必须完成其工作计划；约束3.32指出任一桥机在任一时间步只能服务一艘船；约束3.33和约束3.34要求分配给船只的桥机数要在最小桥机数与最大桥机数的范围内；约束3.35要求任意桥机不能指派给未开始作业的船只；约束3.36指出若第q+1个桥机和第q-1个桥机被指派给某一船只，则第q个桥机必然也被指派给同一船只；约束3.37指出桥机的相对位置与船只相对位置要保持一致；约束3.38和3.39保证了在连续两个时间步内，指派给同一艘船的桥机数量之差不能超过1；最后约束3.40和3.41给出了决策变量与辅助决策变量的取值范围。
4)采用混合整数线性规划方法建立目标模型。
依照本发明的一个方面，求解所述目标模型，得到港口泊位分配方案的最优解，具体包括：
使用遗传算法、模拟退火算法和粒子群算法求解模型，其中，设定三种算法均采用相同的编码方式；
三种算法均采用相同的编码方式，即整数的编码方式。现假设船只数量为|I|，一个可行解的编码方案可看作一个3×|I|的矩阵：第一行是1,…,|I|的一种排列方式，每一个数字代表着船只索引；第二行是船只船头停靠位置；第三行代表船只的作业时间。在初始化初始解时，第一行的值可通过排列方案得到，第二行中每一列的数值可取[0,B-li]区间内的任意整数，第三行中每一列的数值可取区间内的任意整数。例如在此可行解编码中，船3停靠在岸线第1节，作业时间为2个单位时间。
选择最优解后采用两步解码方式得出每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况。
可行解的适应度评估扮演着非常重要的角色，它意味着可行解通过适应度函数完成了从解空间到实数空间的一个映射，决定了可行解质量的好坏。有了适应度函数，不同算法才可以不断地迭代寻优。但是，不同的问题或者即便是同一个问题不同的编码方式会有完全不同的解码方式，这就需要我们对特定的问题以及特定的编码方式针对性设计不同的解码策略。
在采用以上的编码方式下，我们采取两步解码的方式，针对泊位-桥机联合分配问题的特征，首先通过算法3.1决定每艘船的开始作业时间，然后再通过算法3.2为每一艘船分配桥机，同时调整每艘船的作业时间。在算法3.1中，第2行至第14行先决定了船i的驶入航道时间：若船i是tide类船并且它的到达时间在低水位期，则它需要等待下一个高水位期再驶入。函数InHighWater(x)就是用来判断输入x是否处于高水位期，同时第一个返回值代表下一个高水位期的最早时刻，第二个返回值返回一个决定输入x是否在高水位期的布尔变量。第15行至26行首先通过检测当前船i在二维图中表示的矩形是否与已有rect集合内的矩形重叠，以及tide类船只驶入航道的水位要求。若不满足要求则推后其驶入航道以及开始作业的时间，直至满足。函数NotOverlap(x)通过两矩形的重心在x轴与y轴上的投影距离来判断两矩形是否重叠。算法结束后返回rect，其中第2列的数值也就代表了船只开始作业时间。至此为止，我们已经可以得到如算法3.1的泊位停靠方案。
接下来我们通过算法3.2来分配桥机。第1行至第7行统计了当前方案的作业情况。其中set1(t,i)储存了在储存在t时刻正在作业的船只索引，set2(t)储存了t时刻正在作业的船只数量。第10至18行统计了在t时刻为止每艘船有多少装卸货物量需要作业remaimsum(i)，同时记录了每艘船的剩余作业时间remain time(i)，由此可以计算出当前t时刻平均需要完成多少工作量avg(j)。接着按照每艘船当前时刻t所需完成工作量占总工作量的比例来分配桥机。第32行和第33行更新了剩余工作量和剩余时间。第27行使分配的桥机数满足最大与最小桥机数限制，同时也满足了约束3.40、3.41。由于船只作业时间一开始是在区间内随机产生的，因此实际分配桥机工作时需要进一步调整。第28行至第31行表明当当前时刻分配给某一船的桥机数大于剩余工作量，则调整分配给该船桥机数以及减少其作业时间；第34行至36行指出当没有剩余时间但还有剩余工作量时，需要将其作业时间增加1，使剩余工作量在下一时间步内得以处理。最后桥机分配方案可以通过set3集合得到。当固定某一t时刻，set3(t,1,i)表示了t时刻正在作业的船只索引，set3(t,2,i)直接可以获得指派给对应船只的桥机数。在计算适应度值时，对于tide类船只，只需用InHighWater函数判断其结束作业时间是否在高水位期，最后计算出模型目标函数，并取其倒数作为个体的适应度值。到此为止，我们完成了适应度评估函数Fitness(x)的说明。
算法3.1和算法3.2如下：
依照本发明的一个方面，所述使用遗传算法求解模型具体可为：根据上述编码方式初始化若干个种群；用适应度函数评估每一个个体；使用选择交叉变异操作对该种群进行操作，得到新的下一代种群；重新评估每一个个体，同时重复前一步骤若干次，达到迭代条件后输出最优个体s1。
采用的交叉操作如下:
Step 1:现已有两个体P1,P2,随机产生两个交叉点pos1,pos2,使得1≤pos1≤pos2≤|I|；
Step 2:将P1个体位于两交叉点之间(包括pos1,pos2)的所有基因复制到O1,并保证列位置不变；同时将缺失的基因从P2个体中按从左往右的顺序补齐；
Step 3:将P2个体位于两交叉点之间(包括pos1,pos2)的所有基因复制到O2,并保证列位置不变；同时将缺失的基因从P1个体中按从左往右的顺序补齐。
依照本发明的一个方面，所述使用模拟退火算法求解模型具体可为：根据上述编码方式随机初始化解；用变异算子扰动产生新解；若新解好于旧解，接受新解；若新解差于旧解，则以一定概率接受新解；迭代若干步，达到迭代次数后返回最优解s2。
采用的变异算子扰动操作描述如下：对于可行解矩阵的第一行，随机取两个变异点pos1,pos2，将其代表的船只索引进行对换，但不改变第二行与第三行的值；对于第二第三行，用初始化可行解的策略重新分配新的停靠位置与作业时间。
依照本发明的一个方面，所述使用粒子群算法求解模型具体可为：根据上述编码方式随机初始化若干个粒子；用上述适应度函数评估每一个粒子；使用上述策略更新粒子的速度与位置，同时更新每个粒子的适应度值，调整个体极值与群体极值；最终迭代若干步，达到终止条件后输出最优粒子s3。
更新位置与速度策略如下：
Vid＝ωVid+C1random(0，1)(Pid-Xid)+C2random(0，1)(Pgd-Xid)
Xid＝Xid+Vid
Step 1:对应Xid的船只索引，利用上式首先得到更新之后Vid。
Step 2:通过第二个式子更新Xid。
Step 3:对更新后的Xid越界检测，若船i的停靠位置bi＞B-li，则bi对B-li进行取余操作；接着若bi＜0,则-bi对B-li进行取余操作；最后对bi向下取整。
Step 4:若船i的作业时间则ρi对进行取余操作；接着若直接令最后对ρi向下取整。
本发明实施的优点：本发明所述的港口泊位分配方法，包括以下步骤：港口信息获取；获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，其中，所述预设条件至少包括以下因素：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件；求解所述目标模型，得到港口泊位分配方案的最优解，其中，所述港口泊位分配方案的构成要素至少包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况；通过以上步骤，统筹考虑了航道潮汐因素和不同船舶的吃水深度，优化了船舶的进出港时间与停靠位置，使得建立的模型更加贴近实际；考虑了桥机对作业时间的影响，将泊位分配问题和桥机指派问题看作一个桥机-泊位联合分配问题；提出了一个能够替代人工排班方式的模型。在此基础上，我们提出了3种启发式算法用于求解该模型，使得求解效率能够达到实际作业要求，帮助港口工作人员做出较优决策。考虑带有航道和潮汐因素影响的混合型泊位-桥机联合分配问题，也就是说在考虑潮汐影响和航道可通行性之外，在为每艘船只分配泊位的同时，将一定数量的桥机按对应的规则指派给特定船只，使得作业计划更加精确，从而使码头整体作业效率提高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的港口泊位分配方法示意图；
图2为本发明所述的编码策略示意图；
图3为本发明所述的交叉操作示意图；
图4为本发明所述的变异操作示意图；
图5为本发明所述的更新位置与速度策略示意图；
图6为本发明所述的模拟退火算法执行示意图；
图7为本发明所述的粒子群算法执行示意图。
图8为本发明所述的粒子群算法的求解模型示意图。
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。
如图1所示，一种港口泊位分配方法，所述港口泊位分配方法包括以下步骤：
步骤S1：港口信息获取；
所述港口信息获取包括：
根据港口实际情况得到码头的桥机数Q，同时根据泊位分配问题精度要求将岸线分为B节。将需要规划的船只集合I分为两类，分别为Itide,Ifree。划分依据为：若某一船只的吃水深度大于港口落潮时的最低水位，则为Itide；否则为Ifree。根据当地潮汐情况得出高低水位持续的时间V。根据港口信息化系统得到船只预计到达等待区时间ai、船只长度li以及船只装卸货物量ci，以及在每个时间步内最多和最少分配的桥机数量和根据港口航道长度与船只平均行驶速度得出船只驶入驶出航道所需的平均时间C。
步骤S2：获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，其中，所述预设条件至少包括以下因素：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件；
所述根据获取的港口信息采用混合整数线性规划方法，以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，具体包括：
1)进行模型假设；
假设1：规划时间与岸线被离散化为T个时间步与B个单位长度，桥机的工作效率由集装箱数来衡量；假设2：根据船只大小将分为大(jumbo)中(medium)小(feeder)三个类型，同时根据潮汐因素所有船只被分为tide、free两个类型；假设3：高低水位相互交替，每个高水位或者低水位持续6小时，并且假设从高水位开始交替。tide类船只只能够在高水位期间进出航道，free类船只没有限制；假设4：桥机沿轨道的移动时间忽略不计，桥机之间的相对位置不变；假设5：船只驶入航道后不允许等待，立刻进行停泊作业；假设6：船只间的安全距离已包含在船只长度中；假设7：进出航道时间为1个单位时间，即1小时。
2)给出已知变量表和决策变量表；
3)给出整个模型的目标函数与约束条件；
依照本发明的一个方面，所述与潮汐因素有关联的约束条件具体可包括以下内容：
约束3.1至3.4为常规约束，其余约束则限制了Itide类船只驶入驶出航道的时刻；约束3.1保证了船只驶入航道时间一定大于或者等于船只到港时间；约束3.2指出船只驶入航道后立刻开始作业；约束3.3说明了船只驶出航道时间必须在结束作业之后；约束3.4保证了船只驶出航道后立刻驶离港口；约束3.5至3.6表明一艘船只能选择在一个高水位期驶入或者驶出航道；约束3.7至3.8保证了Itide类船只一定是在高水位时间段内驶入或者驶出航道。
依照本发明的一个方面，所述泊位分配的约束条件具体为：
约束3.9至3.10指出开始作业与结束作业时间点只能有一个；约束3.11至约束3.13将辅助0-1决策变量与对应的决策变量联系起来；约束3.14指出船只从结束作业与开始作业的时间差为作业时间；约束3.15和约束3.16限制了船只在停靠作业之前和结束作业之后不能处于作业状态；约束3.17要求船只一停靠立即作业；约束3.18保证了船只作业不会被打断；约束3.19表明船只作业时，其船头一定停靠在岸线的某一节中；约束3.20和3.21决定了船只作业停靠位置；约束3.22和3.23保证了船只作业时停靠位置保持不变；约束3.24保证船只停靠位置不超过岸线范围；约束3.25表明正在作业船只的长度不能超过岸线长度；约束3.26解决了任意两艘船只占用同一节岸线的冲突情况；约束3.27任意两艘船只停泊的相对位置与岸线节数编号保持一致；约束3.28和3.29保证了船只的相对位置不会发生错乱。
依照本发明的一个方面，所述桥机分配的约束条件具体为：
约束3.30指出任意时刻的被指派的总桥机数不能超过总桥机数；约束3.31保证了每艘船必须完成其工作计划；约束3.32指出任一桥机在任一时间步只能服务一艘船；约束3.33和约束3.34要求分配给船只的桥机数要在最小桥机数与最大桥机数的范围内；约束3.35要求任意桥机不能指派给未开始作业的船只；约束3.36指出若第q+1个桥机和第q-1个桥机被指派给某一船只，则第q个桥机必然也被指派给同一船只；约束3.37指出桥机的相对位置与船只相对位置要保持一致；约束3.38和3.39保证了在连续两个时间步内，指派给同一艘船的桥机数量之差不能超过1；最后约束3.40和3.41给出了决策变量与辅助决策变量的取值范围。
4)采用混合整数线性规划方法建立目标模型。
步骤S3：求解所述目标模型，得到港口泊位分配方案的最优解，其中，所述港口泊位分配方案的构成要素至少包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况。
求解所述目标模型，得到港口泊位分配方案的最优解，具体包括：
使用遗传算法、模拟退火算法和粒子群算法求解模型，其中，设定三种算法均采用相同的编码方式；
三种算法均采用相同的编码方式，即整数的编码方式。现假设船只数量为|I|，一个可行解的编码方案可看作一个3×|I|的矩阵：第一行是1,…,|I|的一种排列方式，每一个数字代表着船只索引；第二行是船只船头停靠位置；第三行代表船只的作业时间。在初始化初始解时，第一行的值可通过排列方案得到，第二行中每一列的数值可取[0,B-li]区间内的任意整数，第三行中每一列的数值可取区间内的任意整数。如图2所示，例如在此可行解编码中，船3停靠在岸线第1节，作业时间为2个单位时间。
选择最优解后采用两步解码方式得出每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况。
可行解的适应度评估扮演着非常重要的角色，它意味着可行解通过适应度函数完成了从解空间到实数空间的一个映射，决定了可行解质量的好坏。有了适应度函数，不同算法才可以不断地迭代寻优。但是，不同的问题或者即便是同一个问题不同的编码方式会有完全不同的解码方式，这就需要我们对特定的问题以及特定的编码方式针对性设计不同的解码策略。
在采用以上的编码方式下，我们采取两步解码的方式，针对泊位-桥机联合分配问题的特征，首先通过算法3.1决定每艘船的开始作业时间，然后再通过算法3.2为每一艘船分配桥机，同时调整每艘船的作业时间。
在算法3.1中，第2行至第14行先决定了船i的驶入航道时间：若船i是tide类船并且它的到达时间在低水位期，则它需要等待下一个高水位期再驶入。函数InHighWater(x)就是用来判断输入x是否处于高水位期，同时第一个返回值代表下一个高水位期的最早时刻，第二个返回值返回一个决定输入x是否在高水位期的布尔变量。第15行至26行首先通过检测当前船i在二维图中表示的矩形是否与已有rect集合内的矩形重叠，以及tide类船只驶入航道的水位要求。若不满足要求则推后其驶入航道以及开始作业的时间，直至满足。函数NotOverlap(x)通过两矩形的重心在x轴与y轴上的投影距离来判断两矩形是否重叠。算法结束后返回rect，其中第2列的数值也就代表了船只开始作业时间。至此为止，我们已经可以得到如算法3.1的泊位停靠方案。
接下来我们通过算法3.2来分配桥机。第1行至第7行统计了当前方案的作业情况。其中set1(t,i)储存了在储存在t时刻正在作业的船只索引，set2(t)储存了t时刻正在作业的船只数量。第10至18行统计了在t时刻为止每艘船有多少装卸货物量需要作业remaimsum(i)，同时记录了每艘船的剩余作业时间remain time(i)，由此可以计算出当前t时刻平均需要完成多少工作量avg(j)。接着按照每艘船当前时刻t所需完成工作量占总工作量的比例来分配桥机。第32行和第33行更新了剩余工作量和剩余时间。第27行使分配的桥机数满足最大与最小桥机数限制，同时也满足了约束3.40、3.41。由于船只作业时间一开始是在区间内随机产生的，因此实际分配桥机工作时需要进一步调整。第28行至第31行表明当当前时刻分配给某一船的桥机数大于剩余工作量，则调整分配给该船桥机数以及减少其作业时间；第34行至36行指出当没有剩余时间但还有剩余工作量时，需要将其作业时间增加1，使剩余工作量在下一时间步内得以处理。最后桥机分配方案可以通过set3集合得到。当固定某一t时刻，set3(t,1,i)表示了t时刻正在作业的船只索引，set3(t,2,i)直接可以获得指派给对应船只的桥机数。在计算适应度值时，对于tide类船只，只需用InHighWater函数判断其结束作业时间是否在高水位期，最后计算出模型目标函数，并取其倒数作为个体的适应度值。到此为止，我们完成了适应度评估函数Fitness(x)的说明。
算法3.1和算法3.2如下：
如图6所示，所述使用遗传算法求解模型具体可为：根据上述编码方式初始化若干个种群；用适应度函数评估每一个个体；使用选择交叉变异操作对该种群进行操作，得到新的下一代种群；重新评估每一个个体，同时重复前一步骤若干次，达到迭代条件后输出最优个体s1。
如图3所示，采用的交叉操作如下:
Step 1:现已有两个体P1,P2,随机产生两个交叉点pos1,pos2,使得1≤pos1≤pos2≤|I|；
Step 2:将P1个体位于两交叉点之间(包括pos1,pos2)的所有基因复制到O1,并保证列位置不变；同时将缺失的基因从P2个体中按从左往右的顺序补齐；
Step 3:将P2个体位于两交叉点之间(包括pos1,pos2)的所有基因复制到O2,并保证列位置不变；同时将缺失的基因从P1个体中按从左往右的顺序补齐。
如图7所示，所述使用模拟退火算法求解模型具体可为：根据上述编码方式随机初始化解；用变异算子扰动产生新解；若新解好于旧解，接受新解；若新解差于旧解，则以一定概率接受新解；迭代若干步，达到迭代次数后返回最优解s2。
如图4所示，采用的变异算子扰动操作描述如下：对于可行解矩阵的第一行，随机取两个变异点pos1,pos2，将其代表的船只索引进行对换，但不改变第二行与第三行的值；对于第二第三行，用初始化可行解的策略重新分配新的停靠位置与作业时间。
如图8所示，所述使用粒子群算法求解模型具体可为：根据上述编码方式随机初始化若干个粒子；用上述适应度函数评估每一个粒子；使用上述策略更新粒子的速度与位置，同时更新每个粒子的适应度值，调整个体极值与群体极值；最终迭代若干步，达到终止条件后输出最优粒子s3。
如图5所示，更新位置与速度策略如下：
Vid＝ωVid+C1random(0，1)(Pid-Xid)+C2random(0，1)(Pgd-Yid)
Xid＝Xid+Vid
Step 1:对应Xid的船只索引，利用上式首先得到更新之后Vid。
Step 2:通过第二个式子更新Xid。
Step 3:对更新后的Xid越界检测，若船i的停靠位置bi＞B-li，则bi对B-li进行取余操作；接着若bi＜0,则-bi对B-li进行取余操作；最后对bi向下取整。
Step 4:若船i的作业时间则ρi对进行取余操作；接着若直接令最后对ρi向下取整。
本发明实施的优点：本发明所述的港口泊位分配方法，包括以下步骤：港口信息获取；获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，其中，所述预设条件至少包括以下因素：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件；求解所述目标模型，得到港口泊位分配方案的最优解，其中，所述港口泊位分配方案的构成要素至少包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况；通过以上步骤，统筹考虑了航道潮汐因素和不同船舶的吃水深度，优化了船舶的进出港时间与停靠位置，使得建立的模型更加贴近实际；考虑了桥机对作业时间的影响，将泊位分配问题和桥机指派问题看作一个桥机-泊位联合分配问题；提出了一个能够替代人工排班方式的模型。在此基础上，我们提出了3种启发式算法用于求解该模型，使得求解效率能够达到实际作业要求，帮助港口工作人员做出较优决策。考虑带有航道和潮汐因素影响的混合型泊位-桥机联合分配问题，也就是说在考虑潮汐影响和航道可通行性之外，在为每艘船只分配泊位的同时，将一定数量的桥机按对应的规则指派给特定船只，使得作业计划更加精确，从而使码头整体作业效率提高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域技术的技术人员在本发明公开的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (4)

1.一种港口泊位分配方法，其特征在于，所述港口泊位分配方法包括以下步骤：
港口信息获取，包括：根据港口实际情况得到码头的桥机数Q，同时根据泊位分配问题精度要求将岸线分为B节；将需要规划的船只集合I分为两类，分别为和；根据当地潮汐情况得出高低水位持续的时间V；根据港口信息化系统得到船只预计到达等待区时间、船只长度以及船只装卸货物量，以及在每个时间步内最多和最少分配的桥机数量和；根据港口航道长度与船只平均行驶速度得出船只驶入驶出航道所需的平均时间C；其中，将需要规划的船只集合I分为和两类的依据为：若某一船只的吃水深度大于港口落潮时的最低水位，则为；否则为；
获取的港口信息用于建立混合整数线性规划方法，该方法以所有船只在港时间之和为目标函数，并以预设条件为约束条件，建立目标模型，其中，所述预设条件至少包括以下因素：桥机分配的约束条件、泊位分配的约束条件和与潮汐因素有关联的约束条件，所述建立目标模型具体包括：进行模型假设；给出已知变量表和决策变量表；给出整个模型的目标函数与约束条件；采用混合整数线性规划方法建立目标模型；
求解所述目标模型，得到港口泊位分配方案的最优解，具体包括使用遗传算法、模拟退火算法和粒子群算法求解模型，其中，设定三种算法均采用相同的编码方式；所述相同的编码方式为整数的编码方式，将船只数量设为|I|，可行解的编码方案为3×|I|的矩阵，第一行是1,…,|I|的一种排列方式，每一个数字代表着船只索引；第二行是船只船头停靠位置；第三行代表船只的作业时间；初始化初始解时，第一行的值通过排列方案得到，第二行中每一列的数值取 区间内的任意整数，第三行中每一列的数值取区间内的任意整数，其中为船只长度；
所述使用遗传算法求解模型具体为：根据上述编码方式初始化若干个种群；用适应度函数评估每一个个体；使用选择交叉变异操作对该种群进行操作，得到新的下一代种群；重新评估每一个个体，同时重复前一步骤若干次，达到迭代条件后输出最优个体s1；
采用的交叉操作包括：step1，现已有两个体P1，P2,随机产生两个交叉点pos1，pos2，使得1≤pos1≤pos2≤|I|；step2，将P1个体位于两交叉点之间（包括pos1，pos2）的所有基因复制到O1，并保证列位置不变，同时将缺失的基因从P2个体中按从左往右的顺序补齐；step3，将P2个体位于两交叉点之间（包括pos1，pos2）的所有基因复制到O2，并保证列位置不变，同时将缺失的基因从P1个体中按从左往右的顺序补齐；
所述使用模拟退火算法求解模型具体为：根据上述编码方式随机初始化解；用变异算子扰动产生新解；若新解好于旧解，接受新解；若新解差于旧解，则以一定概率接受新解；迭代若干步，达到迭代次数后返回最优解s2；
采用的变异算子扰动操作描述如下：对于可行解矩阵的第一行，随机取两个变异点pos1，pos2，将其代表的船只索引进行对换，但不改变第二行与第三行的值，对于第二行和第三行，用初始化可行解的策略重新分配新的停靠位置与作业时间；
所述使用粒子群算法求解模型具体为：根据上述编码方式随机初始化若干个粒子；用上述适应度函数评估每一个粒子；使用上述策略更新粒子的速度与位置，同时更新每个粒子的适应度值，调整个体极值与群体极值；最终迭代若干步，达到终止条件后输出最优粒子s3；
所述更新位置与速度策略如下：
其中，==1.5，ω=0.8，random=0.5，为粒子的位置，为粒子的速度，为粒子的速度，为个体极值，为群体极值；
Step 1: 对应的船只索引，利用上式首先得到更新之后；
Step 2: 通过第二个式子更新；
Step 3: 对更新后的越界检测，若船i 的停靠位置，则对进行取余操作；接着若, 则对进行取余操作; 最后对向下取整，为船只船头的停靠位置；
Step 4: 若船i 的作业时间, 则对进行取余操作；接着若，直接令；最后对向下取整，为船只的作业时间，选择最优解后采用两步解码方式得出港口泊位分配方案，所述港口泊位分配方案的构成要素至少包括：每一艘船只的停靠位置、驶入航道时刻、开始作业时刻、结束作业时刻、驶出航道时刻、驶离港口时刻、作业时间以及每一个桥机的作业排班情况。
2.根据权利要求1所述的港口泊位分配方法，其特征在于，所述与潮汐因素有关联的约束条件具体可包括以下内容：
保证了船只驶入航道时间一定大于或者等于船只到港时间；指出船只驶入航道后立刻开始作业；说明了船只驶出航道时间必须在结束作业之后；保证了船只驶出航道后立刻驶离港口；表明一艘船只能选择在一个高水位期驶入或者驶出航道；保证了类船只一定是在高水位时间段内驶入或者驶出航道。
3.根据权利要求1所述的港口泊位分配方法，其特征在于，所述泊位分配的约束条件具体可包括以下内容：
指出开始作业与结束作业时间点只能有一个；将辅助0-1决策变量与对应的决策变量联系起来；指出船只从结束作业与开始作业的时间差为作业时间；限制了船只在停靠作业之前和结束作业之后不能处于作业状态；要求船只一停靠立即作业；保证了船只作业不会被打断；表明船只作业时，其船头一定停靠在岸线的某一节中；决定了船只作业停靠位置；保证了船只作业时停靠位置保持不变；保证船只停靠位置不超过岸线范围；表明正在作业船只的长度不能超过岸线长度；解决了任意两艘船只占用同一节岸线的冲突情况；任意两艘船只停泊的相对位置与岸线节数编号保持一致；保证了船只的相对位置不会发生错乱。
4.根据权利要求1所述的港口泊位分配方法，其特征在于，所述桥机分配的约束条件具体可包括以下内容：
指出任意时刻的被指派的总桥机数不能超过总桥机数；保证了每艘船必须完成其工作计划；指出任一桥机在任一时间步只能服务一艘船；要求分配给船只的桥机数要在最小桥机数与最大桥机数的范围内；要求任意桥机不能指派给未开始作业的船只；指出若第q+1个桥机和第q−1个桥机被指派给某一船只，则第q 个桥机必然也被指派给同一船只；指出桥机的相对位置与船只相对位置要保持一致；保证了在连续两个时间步内，指派给同一艘船的桥机数量之差不能超过1；给出了决策变量与辅助决策变量的取值范围。
CN202010595898.7A 2020-06-27 2020-06-27 一种港口泊位分配方法 Active CN111754041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010595898.7A CN111754041B (zh) 2020-06-27 2020-06-27 一种港口泊位分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010595898.7A CN111754041B (zh) 2020-06-27 2020-06-27 一种港口泊位分配方法

Publications (2)

Publication Number Publication Date
CN111754041A CN111754041A (zh) 2020-10-09
CN111754041B true CN111754041B (zh) 2024-06-04

Family

ID=72677472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010595898.7A Active CN111754041B (zh) 2020-06-27 2020-06-27 一种港口泊位分配方法

Country Status (1)

Country Link
CN (1) CN111754041B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700086A (zh) * 2020-12-09 2021-04-23 浙江中控技术股份有限公司 一种基于分层约束条件的炼厂泊位调度方法及装置
CN114154823B (zh) * 2021-11-23 2022-12-13 江苏海洋大学 一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法
CN116090668A (zh) * 2023-03-23 2023-05-09 青岛杰瑞工控技术有限公司 一种基于二维装箱问题的港口泊位分配方法
CN116993104A (zh) * 2023-08-11 2023-11-03 西安电子科技大学广州研究院 集装箱码头泊位与岸桥分配的通用性优化方法及应用
CN117252341B (zh) * 2023-09-27 2024-04-05 江苏泓鑫科技有限公司 一种智慧港口环境设备数据管理系统和方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782984A (zh) * 2009-07-14 2010-07-21 上海海事大学 一种基于整数线性规划模型的连续泊位分派方法
CN101782985A (zh) * 2009-07-21 2010-07-21 上海海事大学 一种基于非线性规划模型与进化算法的连续泊位分派方法
CN101789093A (zh) * 2009-07-21 2010-07-28 上海海事大学 一种集装箱码头泊位与岸桥分配方法
CN101986313A (zh) * 2010-11-03 2011-03-16 上海海事大学 基于知识的集装箱码头泊位与岸桥调度方法
CN105844363A (zh) * 2016-04-01 2016-08-10 河海大学 一种减少油码头主航道通过成本的方法
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
CN107480830A (zh) * 2017-08-28 2017-12-15 河海大学 基于港口‑航道‑锚地复合系统仿真的锚位数优化方法
CN109829582A (zh) * 2019-01-29 2019-05-31 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） 航线航速优化方法及系统
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、系统及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782984A (zh) * 2009-07-14 2010-07-21 上海海事大学 一种基于整数线性规划模型的连续泊位分派方法
CN101782985A (zh) * 2009-07-21 2010-07-21 上海海事大学 一种基于非线性规划模型与进化算法的连续泊位分派方法
CN101789093A (zh) * 2009-07-21 2010-07-28 上海海事大学 一种集装箱码头泊位与岸桥分配方法
CN101986313A (zh) * 2010-11-03 2011-03-16 上海海事大学 基于知识的集装箱码头泊位与岸桥调度方法
CN105844363A (zh) * 2016-04-01 2016-08-10 河海大学 一种减少油码头主航道通过成本的方法
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
CN107480830A (zh) * 2017-08-28 2017-12-15 河海大学 基于港口‑航道‑锚地复合系统仿真的锚位数优化方法
CN109829582A (zh) * 2019-01-29 2019-05-31 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） 航线航速优化方法及系统
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、系统及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《潮汐影响下泊位和岸桥双目标联合调度仿真》;焦小刚等;《计算机仿真》;第37卷(第2期);403-410 *

Also Published As

Publication number Publication date
CN111754041A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111754041B (zh) 一种港口泊位分配方法
Verstichel et al. The generalized lock scheduling problem: An exact approach
Fagerholt et al. A combined ship scheduling and allocation problem
Xie et al. Optimal planning for container prestaging, discharging, and loading processes at seaport rail terminals with uncertainty
CN101789093A (zh) 一种集装箱码头泊位与岸桥分配方法
Duinkerken et al. A simulation model for automated container terminals
CN110599000A (zh) 自动化码头翻箱评估方法、箱位分配方法及相关装置
Wang et al. Key influencing factors on improving the waterway through capacity of coastal ports
CN114021885B (zh) 一种托盘四向穿梭车系统的提升机调度方法及装置
Guo et al. An integrated model for vessel traffic and deballasting scheduling in coal export terminals
CN112396362A (zh) 行驶目的地的确定方法、装置及存储介质
CN115239181A (zh) 一种单向航道船舶靠离泊规划算法
CN114881327B (zh) 一种油港资源优化调度方法
CN115713170A (zh) 自动化集装箱码头泊位和岸桥优化分配方法
CN115965146A (zh) 一种多种类型泊位智能指泊方法
Van Hee et al. PORTPLAN, decision support system for port terminals
CN114662740A (zh) 一种智能排船算法
Mengjue et al. Storage allocation in automated container terminals: the upper level
Kemme State-of-the-art yard crane scheduling and stacking
Lu et al. Simultaneous berth and quay crane allocation problem in container terminal
CN111461586B (zh) 运输成本与运输时间的双目标优化方法、装置以及介质
CN118569606A (zh) 一种沿江港口散杂货装卸船舶智能调度方法
Bondarenko et al. Effectiveness and optimization of harbour tug fleet
CN114194872B (zh) 一种基于双缓冲模型的自动化码头岸桥作业方法
KR101084944B1 (ko) 안벽 자동배치시스템 및 이를 이용한 안벽 자동배치방법

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