CN111861205A - 一种自动化集装箱码头出口箱空间分配方法 - Google Patents
一种自动化集装箱码头出口箱空间分配方法 Download PDFInfo
- Publication number
- CN111861205A CN111861205A CN202010697916.2A CN202010697916A CN111861205A CN 111861205 A CN111861205 A CN 111861205A CN 202010697916 A CN202010697916 A CN 202010697916A CN 111861205 A CN111861205 A CN 111861205A
- Authority
- CN
- China
- Prior art keywords
- box
- container
- containers
- belongs
- export
- 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
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动化集装箱码头出口箱空间分配方法。该方法包括:利用遗传算法求解出口集装箱空间分配问题,将染色体上每一个基因位代表可供选择的贝位,并基于出口箱装船周转时间设置优化目标函数,求出每个箱区中各贝位的分配量,在获知贝位分配量的前提下,模拟出该分配量下所有集装箱的集港序列,并依据设定的集装箱堆放规则输出所有集装箱的堆存状态信息。本发明基于遗传算法对出口箱空间分配问题进行优化,实现了更合理的空间分配,可以实现在船舶停靠泊位未知、集港序列随机等多种码头场景下的实际应用。
Description
技术领域
本发明涉及码头建设技术领域,更具体地,涉及一种自动化集装箱码头出口箱空间分配方法。
背景技术
目前,港口物流成为国家对外经济流通的重要参与者,港口码头的出口集装箱业务的数量也越来越大。港口码头是一个多元结合的复杂系统,整个码头的效率由前沿岸边物流子系统、堆场箱区子系统和陆侧物流子系统构成。与此同时,各大码头为了增强竞争力,以青岛港、上海洋山港、广州南沙港等高吞吐量的港口为例,在堆场和岸边之间逐步引入了自动化码头水平运输设备(Automated Guided Vehicle,简称AGV)以及轨道式自动堆垛起重机(简称场桥/ASC),通过码头内部集装箱作业的自动化、智能化来提高码头内部的运营效率。
常见的自动化集装箱码头布局如图1所示。在一个标准的自动化集装箱码头中,通常由多个集装箱区(Block)组成堆场,为需要在此码头周转的集装箱提供临时存放的场所,堆场堆放着大量的集装箱。自动化的箱区相比于传统码头的箱区减少了箱区两侧的缓冲区,设置了近水侧交接区和近陆侧交接区,显著减少了非储存性面积的使用。箱区内采用自动化的堆垛起重机负责集装箱存取;同时,内集卡也逐渐趋向于无人驾驶,主要是以自动化小车(AGV)负责集装箱从箱区到海边的运输交接,而班轮停靠泊位由码头海岸线决定。
对于出口集装箱而言,货主通过货代等中介公司预定好船舱,并获取货轮航号、交箱堆场、交箱时间等信息后,会在约定的提前期内(通常为装船前3-5天)通过外部集卡将集装箱运送到堆场进行临时存放。当目标船舶靠泊并且完成装船排班后,触发集装箱装船任务,此时堆场内部子系统系统、AGV调度系统、码头岸边前沿子系统开始协同工作;箱区中的自动堆垛起重机会自动检索目标集装箱,并且将箱子吊到箱区水侧交接区进行交接。然后,内部集卡自动运输器械AGV将箱子运输到指定的泊位岸边交接装船,当轮船停靠泊位的岸桥将箱子卸下,AGV即完成该箱子的运输工作。在上述操作流程中,集装箱放在堆场中哪个位置,箱子是否存在压箱直接决定了堆垛机的操作时间、AGV小车的运输时间等。数量庞大的出口集装箱的空间分配问题直接影响了船舶靠港的停留时间,如何分配合理的集装箱在堆场的位置是提高码头集装箱周转效率、处理好作业效率瓶颈、提高客户服务水平和满意度的关键。
在现有技术中,用于集装箱空间分配的方法主要有:
1)、动态规划法
为安排出口集装箱的堆放位置而建立一个动态规划模型,模型包含了重量和箱子移动距离等约束,并从最优方案中开发求解方法来支持堆场关于出口箱堆存的实时决策,动态规划法适用于理想状态下无翻箱的状态。
2)、两阶段优化法
针对出口箱的箱位分配问题,研究集中到达和分散到达两种进场模式,以最小化翻箱率为目标,建立两阶段分配模型。
3)、决策树方法
通过经验分布与场地面积的控制,在动态规划的基础上,加入实时信息,建立最少生成树,并以翻箱率最小为目标得到实时决策模型。
4)、启发式算法
利用常见的粒子群算法、模拟退火法、禁忌搜索、蚁群算法等启发式算法,对出口箱空间分配问题进行求解。
经过分析,现有的出口箱空间分配方法存主要存在以下缺陷:
1)、不确定性问题处理不够严谨
在出口集装箱的实际操作中,集装箱到港遵循分批到达的原则,同一个客户的集装箱属性也基本一致,同一批次集装箱装船顺序也有先后之分,但实际的装船时间和船舶最终停靠的泊位是码头在做集装箱空间分配决策时的一个不确定量。而在现有研究中往往在建模时候将船舶停靠作为一个确定性的变量去考虑。
2)、翻箱次数的估算
现有针对于集装箱翻箱次数的估算大多是利用公式推导,通过建立箱子数量与层数堆数之间的关系模型,然后利用数量进行反推计算;这种方法虽然方便快捷,但并不能反映出取箱时翻箱的状态,既无法比较翻箱规则的优劣性,也难以模拟出取箱和翻箱的动态性。
3)、细节处理过于理想化
当处理集装箱堆存问题时,很多时候只是按照一般常见的堆存规则去存放,例如,箱子到达,按目的地分堆存放或分贝位存放,但其实集装箱集港数量庞大,且到达时间几乎完全随机,分堆存放这种区分度高的堆存方法在后期容易出现可支配空堆或空贝不足,最后可能将无空间分配的集装箱以压箱方式放入其他堆位中。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种自动化集装箱码头出口箱空间分配方法。该方法考虑集装箱入港和船舶到岸的随机性,运用仿真模块与智能算法相结合的仿真优化方法,建立出口集装箱的堆存空间分配模型,以降低总装船周转时间为目标,提高了集装箱调配效率,为合理安排出口集装箱的箱位提供了一种新的解决思路。
本发明提供一种自动化集装箱码头出口箱空间分配方法,该方法包括以下步骤:
利用遗传算法求解出口箱空间分配问题,将染色体上每一个基因位代表可供选择的贝位,并基于出口箱装船周转时间设置优化目标函数,求出每个箱区中各贝位的分配量,在获知贝位分配量的前提下,模拟出该分配量下所有集装箱的集港序列,并依据设定的集装箱堆放规则输出所有集装箱的堆存状态信息。
在一个实施例中,所述目标函数包括以下项中一项或多项:
所有出口集装箱装船时的运输时间;
所有出口集装箱装船取箱时自动堆垛起重机在贝位之间的移动时间和取箱时的翻箱作业时间;
每个箱区存放出口集装箱数量的不均衡量。
在一个实施例中,所述目标函数表示为:
其中,I表示一个批次出口集装箱的数量,箱子的编号i∈{1,2,…,I};J表示堆场中用于存放该批次出口集装箱的箱区数目,箱区的编号j∈{1,2,…,J};K表示一个箱区中用于存放该批次出口集装箱的空贝位的数量,贝位的编号k∈{1,2,…,K};L表示码头岸线中停靠泊位的数量,泊位的编号l∈{1,2,…,L};M表示承运船舶的数量,船舶的编号m∈{1,2,…,M};djl表示从箱区j到泊位l之间的运输距离,j∈{1,2,…,J},l∈{1,2,…,L};v表示运输设备的平均行驶速度;μ表示自动堆垛起重机经过一个贝位的移动时间;r表示每次翻箱自动堆垛起重机所耗费的操作时间;bim表示负责承运出口箱i的船舶编号为m,i∈{1,2,…,I}m∈{1,2,…,M};pml表示编号为m的船舶停靠在泊位中的概率,pml∈[0,1];m∈{1,2,…,M},l∈{1,2,…,L};xijk=1时表示编号为i的集装箱,在箱位分配过程中分配到编号为j的箱区中的第k个贝位,否则xijk=0,i∈{1,2,…,I},j∈{1,2,…,J},k∈{1,2,…,K};qj表示箱位分配计划期间,第j个箱区中实际存放的出口集装箱数量,j∈{1,2,…,J};yjk表示箱位分配计划期间,箱区j中的第k个贝位实际存放该批次的出口集装箱数量,j∈{1,2,…,J},k∈{1,2,…,K};Rjk(·)表示将箱区j中的第k个贝位中存放的该批次所有箱子按顺序取走时所产生的翻箱次数,j∈{1,2,…,J},k∈{1,2,…,K};参数α,β分别表述对应项的权重。
在一个实施例中,在优化所述目标函数时设置如下约束条件:
在一个实施例中,根据以下步骤获得翻箱次数:
通过读取遗传算法中染色体的信息,获取每个贝位当中分配到的出口箱总数;
对该出口箱总数情况下的出口箱进行随机到港模拟,随机产生到港序列,并识别各出口箱的目的港属性值,依据设定的集装箱堆放规则将各出口箱一次放到贝内的每个栈堆中;
读取所有出口箱的堆存状态信息,依据编号取出所有集装箱,并记录取箱过程中的翻箱次数。
在一个实施例中,在利用遗传算法构建出口箱空间分配问题时,采用以下方式进行编码:
将染色体上每一个基因位代表可供选择的贝位,总基因位数是i*j*k;
以长度j*k位编码为一组表示每个出口箱的可选的所有贝位,代表所有可选箱区中的贝位序列;
在所有可选箱区中的贝位序列中,以长度k位编码为一个单位,一个单位用于代表一个箱区。
在一个实施例中,利用遗传算法求解出口箱空间分配问题包括以下步骤:
初始化种群,随机产生多个染色体,初始化每一个可用贝位初始状态为空贝,并检验每条染色体的合法性;
评估每条染色体所对应的个体适应度值;
基于所述适应度值,从种群中选择两个父代染色体A1和A2;
对于选出来的两个父代染色体A1和A2,在交叉过程中随机生成交叉位点c和交叉长度d,A1和A2个体彼此交换从基因位点c开始往后的d位基因,产生两个新的个体A1’和A2’;
对每一次迭代设计变异算子来保持物种多样性。
在一个实施例中,所述变异算子采用梯度变异概率的方法,在迭代过程中,依据物种多样性高低改变种群变异概率。
与现有技术相比,本发明的优点在于,针对出口箱空间分配的现实情况,增加目标船舶靠岸泊位的不确定性、集装箱区相互之间的存量平衡等现实约束;对翻箱次数采用仿真模块估算,仿真模块可独立于算法之外,在不同条件下可满足策略验算、目标反馈、过程模拟等不同需求,亦可进行取箱过程的翻箱次数估算;以遗传算法为主体的算法框架能在合理时间内求出满意解,具有普遍适用性,可满足不同规模的问题求解;针对堆存策略问题,采用目的港优先级与取箱顺序优先级相结合的方法,实现“箱-位呼应”,提高了存取效率,实现了更合理的空间分配。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1现有技术中自动化集装箱码头平面布局示意图;
图2是根据本发明一个实施例的集装箱堆存区俯视图和三维结构示意图;
图3根据本发明一个实施例的贝位内翻箱作业示意图;
图4根据本发明一个实施例的自动化集装箱码头出口箱空间分配方法的流程图;
图5根据本发明一个实施例的翻箱估算仿真模块示意图;
图6是根据本发明一个实施例的染色体编码示意图;
图7是根据本发明一个实施例的交叉算子示意图;
图8是根据本发明一个实施例的变异算子示意图;
图9是自动化集装箱码头出口箱业务工作场景示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明针对自动化集装箱码头出口箱空间分配问题,构建基于遗传算法的模型,将染色体上每一个基因位代表可供选择的贝位,并基于出口箱装船周转时间设置优化目标函数,求出每个箱区中各贝位的分配量,在获知贝位分配量的前提下,模拟出该分配量下所有集装箱的集港序列,并依据设定的集装箱堆放规则输出所有集装箱的堆存状态信息。以下将结合图9具体介绍针对自动化集装箱码头的问题描述,数学模型构建以及基于遗传算法的出口箱空间分配优化过程等各部分内容。
一、关于自动化集装箱码头的问题描述
自动化集装箱码头通常由码头前沿子系统和后方堆场子系统组成,后方堆场通常被划分成多个不同箱区,出口箱与进口箱不混堆。通常,在集装箱船离港前的3-5天,出口集装箱会陆续到达码头,在码头临时存放直到装船。出口集装箱所在位置(包括箱区位置、箱区内部贝位、与所需的装船泊位之间的距离等)直接关系到堆场内场桥起重机(ASC)的操作时间以及场内自动运输集卡(AGV)运输时间,一个出口集装箱在贝内的堆位影响到在装船提箱过程中是否可能出现翻箱作业,这几个因素与总的装船时间有着直接影响。对于堆场管理员来说,如何利用合适的方法,根据前端客户和后方船公司提供的信息,在集装箱到达堆场之前为其分配好合理的箱区和堆位至关重要。
集装箱码头中出口箱的堆位分配直接影响出口箱的装船作业效率,这主要包括以下几个因素:
1)、集装箱的交箱序列
码头一般允许客户将集装箱提前3到5天将货箱运送到堆场进行临时存放,集装箱码头堆场的空间是一个涉及多部门、多工种、多层次连续性的协调作业的物流空间。因而如何确定集装箱的交箱序列是非常重要的,这主要受目的地的远近、箱子重量属性等影响。集装箱交箱顺序在时间上主要受货物到达的时间、雨雪天气、路况等因素的影响,箱子集港顺序与船公司分配的货舱的装船顺序难以完全相互匹配。在目标集装箱随机到港的条件下,合理的集装箱临时堆存规则能够有效地减少ASC的移动距离以及翻箱时间损耗,但是每一个集装箱的集港时间是不确定的。现有技术在处理集装箱堆场的堆垛问题时,通常是假定一个确定的交箱序列,在确定的序列下进行分析研究。然而,由于集装箱交箱序列的动态不确定性,静态的、确定的集装箱交箱序列不能很好地反映问题的特点。
2)、提箱过程中的翻箱
翻箱作业是集装箱码头在进行装船作业、提箱作业和移箱作业中的一个环节。当目标箱子并非位于最上层时,极可能出现压箱情况,此时会导致额外的翻箱作业。对于船公司来说,集装箱的周转时间与翻箱率的高低有着密切的联系,尤其对起重机装卸效率和提箱效率的影响很大。例如,在进行装船作业时,如果翻箱率高,将会延长码头内的AGV的等待时间,使AGV等待队伍过长,增加岸桥检索集装箱的时间,影响装船效率。因此,翻箱率的降低能有效提高集装箱码头的运营效率,降低码头的装卸成本,提高码头企业的经济效益。移箱翻箱作业在集装箱码头中通常为常见事件,在移箱作业过程中会增加一定的无效作业时间。翻箱的主要成因与计算方法将在下文详细说明。
3)、自动堆垛机的操作
结合图2所示,码头堆场中通常将出口集装箱集中堆放在多个箱区(Block)中,箱区内部结构一般呈立体形状,主要分为贝(bay)、栈(stack)、层(tier)。在船舶靠泊以后统一装船,收到上船指令后,负责装船运输的AGV会到达箱区的近水侧交接区进行等待,此时箱区的自动堆垛起重机(ASC)开始工作,首先读取需要提取的箱子位置信息(如箱子编号、贝位号、堆位号和层高);然后会从初始位置(通常为交接处,出口箱交接处为近水侧,进口箱交接处为近陆侧)移动到目标位置。如图2所示的单个自动起重机的箱区,两端分别是近水侧交接区(Waterside)和近陆侧交接区(Landside),共有n个贝位。例如需要取走位于第5个贝位的集装箱,ASC会从1号贝位外侧以一定的速度向里行驶,行驶的距离为5个贝位,到达目标贝位。在目标贝位中放下垂吊开始进行翻箱(若需要),直到目标箱子位于顶层,此处,不考虑ASC垂吊的放下和收起的垂直移动时间。当吊起目标箱子后,ASC携带箱子原路返回到近水侧交接区并将箱子装载到正在交接区等待的运载设施AGV上面,此时该箱子箱区内的取箱操作完成,ASC通过类似方式依次取箱,直到该批次中存放在该箱区的所有出口集装箱均被交接。
4)、码头内集卡AGV的水平运输
码头AGV主要功能是在码头内部堆存箱区和泊位岸边岸桥操作区之间转运集装箱,一个AGV只能转运一个集装箱(此处不考虑集装箱属性),从箱区到岸边的路线行驶距离恒定,岸边岸桥起重机将AGV上的集装箱卸下,AGV即完成交接工作。因此,在空间分配过程中选择合理的箱区能够显著节省AGV的水平运输时间。由于AGV的工作是相互独立的,能够自动识别最佳路线,为避免装船时某一箱区箱量过大,造成AGV的拥堵,影响装船效率,因此本发明实施例在处理问题时候需要考虑同一批次中各箱区工作量的均衡。
二、针对出口箱空间分配问题构建数学模型
为了简化问题,本发明实施例作如下假设:集装箱码头堆场中拥有充足的空间以及AGV、ASC等设备服务于该批次出口箱的周转;班轮船舶以一定的概率停靠在某一个泊位中,该概率通过历史数据获得;假定该批次集装箱为统一尺寸,20尺标箱,同一箱区的所有集装箱尺寸唯一;进口集装箱与出口集装箱不混堆在同一箱区中;自动堆垛机ASC的初始位置为标记为No.0贝位。
为便于理解,首先说明所涉及的参数设置含义:
I:一批出口集装箱的数量,箱子的编号i∈{1,2,…,I};
J:堆场中用于存放出口集装箱的Block个数,Block的编号j∈{1,2,…,J};
K:一个block中可用于存放出口集装箱的空bay的数量,bay的编号k∈{1,2,…,K};
L:码头岸线中可停靠泊位的数量,泊位的编号l∈{1,2,…,L};
M:承运船舶的数量,船舶的编号m∈{1,2,…,M};
djl:从箱区j到泊位l之间的运输距离,j∈{1,2,…,J},l∈{1,2,…,L};
v:AGV小车的平均行驶速度;
μ:ASC经过一个贝位的移动时间,假设初始状态下ASC在交接区(0号贝位);
r:每次翻箱ASC所耗费的操作时间;
bim:负责承运出口箱i的船舶编号为m时,取值为1,否则取0;参数已知;i∈{1,2,…,I},m∈{1,2,…,M};
pml:编号为m的船舶停靠在泊位中的概率,通过历史数据获得,常量;pml∈[0,1];m∈{1,2,…,M},l∈{1,2,…,L};
决策变量包括:
xijk:如果编号为i的集装箱,在箱位分配过程中分配到编号为j的block中的第k个bay中,xijk取值为1,否则取0,i∈{1,2,…,I},j∈{1,2,…,J},k∈{1,2,…,K};
因变量包括:
qj:箱位分配计划期间,第j个block中实际存放的出口集装箱数量,j∈{1,2,…,J}
yjk:箱位分配计划期间,箱区j中的第k个bay实际存放的出口集装箱数量,j∈{1,2,…,J},k∈{1,2,…,K};
Rjk(·):将箱区j中的第k个bay中存放的箱子按一定顺序取走时所产生的翻箱次数,受yjk、集装箱的摆放位置、未来卸货港、出口箱集港顺序的影响,由仿真程序决定,Rjk(yjk,目的港,集港顺序,具体箱位)。
为了获得更合理的出口箱分配策略,本发明的优化问题,除了刻画出AGV送箱的时间,同时还考虑出口集装箱在箱区内部中ASC的操作以及可能产生的堆场内的作业量不平衡度。在一个实施例中,优化目标函数包括所有出口集装箱装船时候的AGV运输时间、所有出口集装箱装船取箱时ASC在贝位之间移动时间以及取箱时翻箱作业时间、每个箱区存放出口集装箱数量的不均衡量(箱区之间存放的数量差最小)等。
例如,将目标函数设置为:
约束条件:
xijk∈{0,1} 6)
目标函数(1)表示在做箱位分配决策时需要考虑出口集装箱上船时候的AGV运输时间以及ASC取箱、翻箱操作时间最小,同时应平衡每个箱区工作量;参数α,β是多目标转化时的目标权重,有α+β=1。
约束(2)任意一个集装箱只能选择其中一个箱区的一个贝位存放。
约束(3)定义了每个箱区对于该批出口集装箱的工作量,这里用装船时该箱区所有贝位中实际存放的出口箱数量作为评价指标。
约束(4)每个贝中实际存放的箱量等于实际分配的箱量。
约束(5)表示每个贝位堆放的最大集装箱量不得超过该贝位的容量。
约束(6)表示决策变量的取值范围。
在上述目标函数中,翻箱次数的函数R(·)的定义如下:
T:集装箱所对应的目的港编号集合,编号越大,该目的港越远,T={1,2,…,|T|};
ti:编号为i的集装箱的目的港,ti∈{1,2,…,|T|};
S:每个集装箱所对应的集港(到达码头)序列集合,编号越大,该箱子集港时间越晚,S={1,2,…,|I|};
si:编号为i的集装箱的集港序列,si∈{1,2,…,|I|};
其中,ti,si均可随机产生。
Rjk({t1,t2,…,tI},{s1,s2,…,sI},{x1jk,x2jk,…,xIjk})
根据堆场中出口集装箱的临时堆存规则,以及考虑在船上存放的操作简便性、航行稳定性等因素,在船舶上存放时一般为轻箱压重箱,短途箱压长途箱;所以在堆场中一般为长途箱和重箱先从箱区取走。据此,在处于同一个堆栈的任意两个箱子i,j之间,只有当ti<tj,si>sj同时成立时,才有可能出现翻箱。但对于堆场管理员来说,在客户或者货代提供箱子信息以后,可以提前对需要出口的所有集装箱按照上面的规则提前进行编号,装船时按照编号从小到大取箱,据此,判断一个箱子是否需要翻箱以及具体的翻箱Rjk(·)的统计方式参见图3所示。
目标函数公式(1)是一个非线性的公式,为了适应于后续所用到的算法,进一步地,可将其转换成线性形式,具体转换过程如下:
首先,引入两个新的变量G和H,将其分别定义为:
根据最大最小值函数的定义,又有:
所以,目标函数可以转换成如下式子:
综上,在该实施例中,优化模型的目标以装箱周转时间(内部AGV的运输时间、ASC取箱时间)最小化为主要规划目标,同时考虑堆场箱区箱量的平衡度最优。
三、基于遗传算法的出口箱空间分配优化过程
1)关于遗传算法
针对自动化集装箱码头的现实情况和特点,本发明将遗传算应用于出口箱空间搜索,以解决出口箱空间分配问题。遗传算法(GeneticAlgorithm)基于自然进化论和遗传变异理论进行全局随机搜索,模拟生物遗传进化过程,对搜索空间也没有特殊要求,在淘汰劣质解同时鼓励发展优质解,逐步提高解群体的质量,直至收敛。对于复杂的问题模型,遗传算法将决策变量的编码作为运算对象,将解的适应度作为求解信息,解空间中以概率搜索为主。
具体地,在出口箱空间分配问题中,先利用遗传算法求出每个箱区中每一个贝位的分配量,在获知贝位分配量的前提下,模拟出该分配量下所有箱子的集港序列,设置好集装箱堆放规则,并依据规则输出所有箱子的具体堆存状态信息。问题中涉及的后续取箱过程的翻箱问题,利用仿真的原理,计算翻箱时间对于目标函数值的影响。具体的算法思路框架如图4所示。
2)关于出口集装箱堆场翻箱作业仿真
在目标函数中,本发明实施例考虑了出口箱装船时ASC的翻箱时间,对于翻箱次数编写仿真程序进行估计。
参见图5所示,翻箱估算的具体步骤是:通过读取遗传算法中染色体的信息,获取每个贝位当中分配到的出口箱总数,对该数量的出口箱进行随机到港的模拟,随机产生到港序列,识别箱子的目的港属性值,依据一定的堆存规则将箱子一次放到贝内的每个栈堆中。读取所有箱子的堆存位置状态信息,依据编号取出所有集装箱,并记录取箱过程中的翻箱次数,为减少误差,设置一定的重复模拟条件,最终输出翻箱次数均值。
通过仿真模拟集装箱随机到港的不同序列,适用于各种可能出现的集装箱集港场景,并且能够比较多种堆场堆放规则对于未来装船取箱的影响,该仿真模块既可以嵌入到常用算法中也可以独立于算法之外作为码头模拟集装箱存取的翻箱工作量计算。
3)关于基于遗传算法进行出口箱空间分配的过程
简言之,利用遗传算法进行出口箱空间分配包括:寻找一种对该问题潜在解进行“数字化”编码的方案;初始化一个种群,种群里面的个体为这些数字化的编码;用适应度函数对每一个基因个体作一次适应度评估;用选择函数按照某种规定择优选择;让个体基因交叉、变异,产生子代。
例如,为了便于理解并考虑计算机运算的效率,在遗传算法中以采用0-1编码方式为例进行介绍。染色体上每一个基因位代表可供选择的贝位,则总基因位数是i*j*k;以长度j*k位编码为一组,即每个箱子的可选的所有贝位,代表所有可选择箱区中的贝位序列,在此序列中,再以长度k位编码为一个单位,一个单位代表一个箱区。参见图6所示,其中示意了2个箱区,每个箱区3个贝位。由图6可以解读出:基因位编码数字为1,即表明该箱子选择该贝位,如图6的X113=1,X212=1分别表示1号集装箱选择1号箱区的第3个贝位存放,2号集装箱选择1号箱区的第2个贝位存放。
具体地,利用遗传算法进行出口箱空间分配包括以下步骤:
步骤S110,初始化种群。
例如,随机产生多个染色体(种群标记为Npop),初始化每一个可用贝位初始状态为空贝,检验每条染色体的每一个选位中生成的0-1随机数中1的个数不大于贝位最大堆存量,若不超过,则所产生的染色体合法,可用于算法运算。此过程中,每一个箱子只能选择一次,其余没被选择的贝位均为0。
步骤S120,评估每条染色体所对应个体的适应度。
已知空间分配问题的目标函数是最小化出口箱装船周转时间,在本发明实施例的遗传算法中,通过设置目标函数倒数的形式将最小化问题转化成最大化问题,即:
其中Fitness(x)代表染色体解码后计算的适应度函数值,E(x)代表模型中的目标函数值(即公式(1)),当目标函数值越小是,遗传算法的适应度函数值越大,解的质量越好。
步骤S130,根据适应度函数从种群中选择父代染色体。
例如,在父代染色体选择中,采用遗传算法中效率较高的“轮盘赌”方法选择个体,对于规模为N-pop的种群中任意一个个体gi,其适应度函数值为Fitness(gi),Pr(gi)是它被选中的概率,则有以下式子:
步骤S140,通过交叉产生新的子代(交叉算子)。
参见图7所示,对于通过“轮盘赌”选出来的两个个体A1和A2,通过交叉可以产生新的个体,增加种群的多样性。在交叉过程中随机生成交叉位点c和交叉长度d,A1和A2个体彼此交换从基因位点c开始往后的d位基因,产生两个新的个体A1’和A2’。
步骤S150,设计变异算子保持物种多样性。
以上述编码方案为例,为了防止陷入到局部最优,本发明实施例对每一次迭代都设计了变异算子来保持物种多样性,参见图8所示。
然而,在变异算子过程中,如果种群中的变异概率过高,会容易丢失遗传算法的本质特性,为解决这个问题,在一个实施例中,增加了梯度变异概率,在迭代初期,物种多样性高,变异概率较低,在迭代后期,增加变异概率,鼓励新个体的产生,这样可以扩大搜索范围。随机选择染色体上的某一位,将1改0,或者0改1,编译后检验合法性,若不合法将同一组段的其余1改为0,直到合法,具体如下(Pmi为i个体的变异概率,G为最大迭代数):
本发明根据出口箱空间分配的特点,对遗传算法进行改进,通过设计出口箱分配问题的特定算子,既包含了常见的空间分配问题约束条件,又较好的反映了出口箱分配的现实问题,在保证算法计算时间满足用户需求的前提下,改善了出口箱空间分配的合理性。本发明针对出口箱空间分配问题,考虑了船舶停靠泊位的不确定性,通过引入概率变量的方法,以历史数据为参考,在集装箱到达码头前已做好应对不确定性情况的最优计划。利用基于仿真的遗传算法对出口箱空间分配问题进行优化以后,可以实现在船舶停靠泊位未知、集港序列随机等多种码头的实际应用。
综上所述,本发明在解决集装箱堆场中出口集装箱堆存问题时,添加了现实中的不确定性因素,例如承运班轮船舶靠泊位置的不确定性以及客户交货顺序的不确定性等,在考虑出口集装箱装船的内部运输路径最小的同时考虑ASC在提取目标箱子时候所产生的翻箱成本,使模型更贴近港口码头堆场现实运作,提高集装箱的流转效率,更加合理的分配资源。本发明通过将数学模型与智能算法相结合,设计不同的堆存策略,以遗传算法为主要的算法框架,通过创建接口嵌入堆场中每个贝位中的集装箱存取仿真模块,输出每个贝位的翻箱次数反馈到遗传算法的目标函数,继而通过算法求出满意解。本发明能够求解最合理、最贴近实际的出口集装箱空间堆存位置,算法也极大程度保留现实问题的完整性,且计算更准确、高效,在现实中能够降低堆场存储运作成本、人工成本与时间成本。
本发明至少解决了以下问题:
1)、解决了自动化集装箱码头堆场如何合理安排随机到达的出口箱的存放位置的问题,可快速求解结果,在集装箱集港之前即可生成一份合理的空间分配计划,为码头管理提供依据。
2)、针对集装箱空间分配时可能出现某个箱区“拥挤”情况,能够更好的平衡每一个堆存箱区的存放量,避免局部拥堵。
3)、仿真模拟最大程度模拟了集装箱在堆场贝位中的存取过程,更加贴近实际取箱过程中会出现的“翻箱”问题,同时在仿真模块分别模拟了实际码头中不同的堆存策略,准确计算翻箱次数,使算法优化效果更好。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种自动化集装箱码头出口箱空间分配方法,包括以下步骤:
利用遗传算法求解出口集装箱空间分配问题,将染色体上每一个基因位代表可供选择的贝位,并基于出口箱装船周转时间设置优化目标函数,求出每个箱区中各贝位的分配量,在获知贝位分配量的前提下,模拟出该分配量下所有集装箱的集港序列,并依据设定的集装箱堆放规则输出所有集装箱的堆存状态信息。
2.根据权利要求1所述的方法,其中,所述目标函数包括以下项中一项或多项:
所有出口集装箱装船时的运输时间;
所有出口集装箱装船取箱时自动堆垛起重机在贝位之间的移动时间和取箱时的翻箱作业时间;
每个箱区存放出口集装箱数量的不均衡量。
3.根据权利要求1所述的方法,其中,所述目标函数表示为:
其中,I表示一个批次出口集装箱的数量,箱子的编号i∈{1,2,...,I};J表示堆场中用于存放该批次出口集装箱的箱区数目,箱区的编号j∈{1,2,...,J};K表示一个箱区中用于存放该批次出口集装箱的空贝位的数量,贝位的编号k∈{1,2,...,K};L表示码头岸线中停靠泊位的数量,泊位的编号l∈{1,2,...,L};M表示承运船舶的数量,船舶的编号m∈{1,2,...,M};djl表示从箱区j到泊位l之间的运输距离,j∈{1,2,...,J},l∈{1,2,...,L};v表示运输设备的平均行驶速度;μ表示自动堆垛起重机经过一个贝位的移动时间;r表示每次翻箱自动堆垛起重机所耗费的操作时间;bim表示负责承运出口箱i的船舶编号为m,i∈{1,2,...,I}m∈{1,2,...,M};Pml表示编号为m的船舶停靠在泊位l中的概率,pml∈[0,1];m∈{1,2,...,M},l∈{1,2,...,L};xijk=1时表示编号为i的集装箱,在箱位分配过程中分配到编号为j的箱区中的第k个贝位,否则xijk=0,i∈{1,2,...,I},j∈{1,2,...,J},k∈{1,2,...,K};qj表示箱位分配计划期间,第j个箱区中实际存放的出口集装箱数量,j∈{1,2,...,J};yjk表示箱位分配计划期间,箱区j中的第k个贝位实际存放该批次的出口集装箱数量,j∈{1,2,...,J},k∈{1,2,...,K};Rjk(·)表示将箱区j中的第k个贝位中存放的该批次所有箱子按顺序取走时所产生的翻箱次数,j∈{1,2,...,J},k∈{1,2,...,K};参数α,β分别表述对应项的权重。
5.根据权利要求3所述的方法,其中,根据以下步骤获得翻箱次数:
通过读取遗传算法中染色体的信息,获取每个贝位当中分配到的出口箱总数;
对该出口箱总数情况下的出口箱进行随机到港模拟,随机产生到港序列,并识别各出口箱的目的港属性值,依据设定的集装箱堆放规则将各出口箱一次放到贝内的每个堆栈中;
读取所有出口箱的堆存位置状态信息,依据编号取出所有集装箱,并记录取箱过程中的翻箱次数。
6.根据权利要求3所述的方法,其中,在利用遗传算法构建出口箱空间分配问题时,采用以下方式进行编码:
将染色体上每一个基因位代表可供选择的贝位,总基因位数是i*j*k;
以长度j*k位编码为一组表示每个出口箱的可选的所有贝位,代表所有可选箱区中的贝位序列;
在所有可选箱区中的贝位序列中,以长度k位编码为一个单位,一个单位用于代表一个箱区;
其中,基因位编码位制为二进制编码,当位值为1时,表示该基因位对应的贝位被选择,位值为0时则不被选择。
7.根据权利要求1所述的方法,其中,利用遗传算法求解出口箱空间分配问题包括以下步骤:
初始化种群,随机产生多个染色体,初始化每一个可用贝位初始状态为空贝,并检验每条染色体的合法性;
评估每条染色体所对应的个体适应度值;
基于所述适应度值,从种群中选择两个父代染色体A1和A2;
对于选出来的两个父代染色体A1和A2,在交叉过程中随机生成交叉位点c和交叉长度d,A1和A2个体彼此交换从基因位点c开始往后的d位基因,产生两个新的个体A1’和A2’;
对每一次迭代设计变异算子来保持物种多样性。
8.根据权利要求7所述的方法,其中,所述变异算子采用梯度变异概率的方法,在迭代过程中,依据物种多样性高低改变种群变异概率。
9.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1所述的方法的步骤。
10.一种计算机设备,包括存储器和处理器,在所述存储器上存储有能够在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697916.2A CN111861205B (zh) | 2020-07-20 | 2020-07-20 | 一种自动化集装箱码头出口箱空间分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697916.2A CN111861205B (zh) | 2020-07-20 | 2020-07-20 | 一种自动化集装箱码头出口箱空间分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861205A true CN111861205A (zh) | 2020-10-30 |
CN111861205B CN111861205B (zh) | 2022-09-27 |
Family
ID=73001040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697916.2A Active CN111861205B (zh) | 2020-07-20 | 2020-07-20 | 一种自动化集装箱码头出口箱空间分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861205B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598255A (zh) * | 2020-12-17 | 2021-04-02 | 上海交通大学 | 基于超启发式算法的自动化码头出口箱箱位分配优化方法 |
CN112764044A (zh) * | 2020-12-21 | 2021-05-07 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡卸箱的精确对位方法 |
CN112764045A (zh) * | 2020-12-21 | 2021-05-07 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡装箱的精确对位方法 |
CN113602838A (zh) * | 2021-08-03 | 2021-11-05 | 山东京博物流股份有限公司 | 铁路集装箱堆存方法 |
CN114154823A (zh) * | 2021-11-23 | 2022-03-08 | 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 |
CN114394440A (zh) * | 2022-01-29 | 2022-04-26 | 北京百度网讯科技有限公司 | 集装箱的堆叠处理方法、装置、设备、存储介质及产品 |
CN114537747A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学广州研究院 | 基于自动化旋转和重组合策略的三维智能装箱方法和系统 |
CN115018392A (zh) * | 2022-08-08 | 2022-09-06 | 北京城建设计发展集团股份有限公司 | 一种用于航站楼行李集装箱的现场管理系统 |
CN115169640A (zh) * | 2022-06-02 | 2022-10-11 | 深圳大学 | 一种自动化集装箱码头进口箱箱位重排方法 |
CN117474297A (zh) * | 2023-12-27 | 2024-01-30 | 南京信息工程大学 | 一种面向自动化码头的船舶泊位和岸桥分配的优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09267918A (ja) * | 1996-03-29 | 1997-10-14 | Nkk Corp | コンテナターミナルにおける本船荷役計画作成方法及び装置 |
CN110175712A (zh) * | 2019-05-20 | 2019-08-27 | 武汉大学深圳研究院 | 一种港口出口集装箱堆存区域空间规划方法 |
CN110599000A (zh) * | 2019-08-21 | 2019-12-20 | 深圳大学 | 自动化码头翻箱评估方法、箱位分配方法及相关装置 |
CN110942203A (zh) * | 2019-12-03 | 2020-03-31 | 青岛港国际股份有限公司 | 一种自动化集装箱码头agv路径优化方法 |
-
2020
- 2020-07-20 CN CN202010697916.2A patent/CN111861205B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09267918A (ja) * | 1996-03-29 | 1997-10-14 | Nkk Corp | コンテナターミナルにおける本船荷役計画作成方法及び装置 |
CN110175712A (zh) * | 2019-05-20 | 2019-08-27 | 武汉大学深圳研究院 | 一种港口出口集装箱堆存区域空间规划方法 |
CN110599000A (zh) * | 2019-08-21 | 2019-12-20 | 深圳大学 | 自动化码头翻箱评估方法、箱位分配方法及相关装置 |
CN110942203A (zh) * | 2019-12-03 | 2020-03-31 | 青岛港国际股份有限公司 | 一种自动化集装箱码头agv路径优化方法 |
Non-Patent Citations (3)
Title |
---|
Z. ZHANG 等: "《Multiobjective Approaches for the Ship Stowage Planning Problem Considering Ship Stability and Container Rehandles》", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 * |
胡祥培 等: "《集装箱码头同贝同步装卸作业的序列优化模型》", 《系统工程理论与实践》 * |
范厚明 等: "《多场桥分区域平衡策划下的集装箱堆场箱位分配问题》", 《控制与决策》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598255A (zh) * | 2020-12-17 | 2021-04-02 | 上海交通大学 | 基于超启发式算法的自动化码头出口箱箱位分配优化方法 |
CN112764045B (zh) * | 2020-12-21 | 2023-11-24 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡装箱的精确对位方法 |
CN112764044A (zh) * | 2020-12-21 | 2021-05-07 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡卸箱的精确对位方法 |
CN112764045A (zh) * | 2020-12-21 | 2021-05-07 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡装箱的精确对位方法 |
CN112764044B (zh) * | 2020-12-21 | 2023-11-24 | 宁波大榭招商国际码头有限公司 | 一种基于激光雷达的无人驾驶集卡卸箱的精确对位方法 |
CN113602838A (zh) * | 2021-08-03 | 2021-11-05 | 山东京博物流股份有限公司 | 铁路集装箱堆存方法 |
CN114154823A (zh) * | 2021-11-23 | 2022-03-08 | 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 |
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 |
CN114394440A (zh) * | 2022-01-29 | 2022-04-26 | 北京百度网讯科技有限公司 | 集装箱的堆叠处理方法、装置、设备、存储介质及产品 |
CN114394440B (zh) * | 2022-01-29 | 2024-04-16 | 北京百度网讯科技有限公司 | 集装箱的堆叠处理方法、装置、设备、存储介质及产品 |
CN114537747A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学广州研究院 | 基于自动化旋转和重组合策略的三维智能装箱方法和系统 |
CN115169640A (zh) * | 2022-06-02 | 2022-10-11 | 深圳大学 | 一种自动化集装箱码头进口箱箱位重排方法 |
CN115169640B (zh) * | 2022-06-02 | 2023-09-26 | 深圳大学 | 一种自动化集装箱码头进口箱箱位重排方法 |
CN115018392A (zh) * | 2022-08-08 | 2022-09-06 | 北京城建设计发展集团股份有限公司 | 一种用于航站楼行李集装箱的现场管理系统 |
CN117474297A (zh) * | 2023-12-27 | 2024-01-30 | 南京信息工程大学 | 一种面向自动化码头的船舶泊位和岸桥分配的优化方法 |
CN117474297B (zh) * | 2023-12-27 | 2024-04-16 | 南京信息工程大学 | 一种面向自动化码头的船舶泊位和岸桥分配的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111861205B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861205B (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
CN101585453B (zh) | 集装箱码头出口箱堆场自动分配方法 | |
Liu et al. | Bi-objective optimization for the container terminal integrated planning | |
Kozan et al. | Genetic algorithms to schedule container transfers at multimodal terminals | |
Rashidi et al. | Novel constraints satisfaction models for optimization problems in container terminals | |
Yue et al. | Optimizing configuration and scheduling of double 40 ft dual-trolley quay cranes and AGVs for improving container terminal services | |
CN111498696B (zh) | 一种双吊具场桥调度优化方法及装置 | |
CN108845496B (zh) | 一种自动化码头agv调度方法及系统 | |
CN110599000B (zh) | 自动化码头翻箱评估方法、箱位分配方法及相关装置 | |
Hu et al. | Improved Benders decomposition for stochastic yard template planning in container terminals | |
Hu et al. | Optimal strategies for the yard truck scheduling in container terminal with the consideration of container clusters | |
Rashidi et al. | Vehicle scheduling in port automation: advanced algorithms for minimum cost flow problems | |
Zhao et al. | Simulation‐Based Optimization for Storage Allocation Problem of Outbound Containers in Automated Container Terminals | |
Yu et al. | The inbound container space allocation in the automated container terminals | |
CN116629424A (zh) | 新型集装箱堆场作业模式的自动化双场桥智能调度方法 | |
Homayouni et al. | Metaheuristics for maritime operations | |
Gudelj et al. | Models and methods for operations in port container terminals | |
Yu et al. | Yard template generation for automated container terminal based on bay sharing strategy | |
CN112926873A (zh) | 集装箱码头船舶配载深度学习混合训练系统 | |
Wang et al. | Container assignment optimization considering overlapping amount and operation distance in rail-road transshipment terminal | |
Gao et al. | A decision framework for decomposed stowage planning for containers | |
Gumus et al. | A multi-stage decomposition heuristic for the container stowage problem | |
Zhao et al. | Container ship stowage based on Monte Carlo tree search | |
CN115860161A (zh) | 一种进场集装箱选位方法、装置及可读介质 | |
Chen et al. | An integrating scheduling model for mixed cross-operation in container terminals |
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 |