CN112052991A - 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法 - Google Patents

一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法 Download PDF

Info

Publication number
CN112052991A
CN112052991A CN202010859690.1A CN202010859690A CN112052991A CN 112052991 A CN112052991 A CN 112052991A CN 202010859690 A CN202010859690 A CN 202010859690A CN 112052991 A CN112052991 A CN 112052991A
Authority
CN
China
Prior art keywords
agv
task
alpha
sequence
buffer area
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
Application number
CN202010859690.1A
Other languages
English (en)
Other versions
CN112052991B (zh
Inventor
亓亮
徐艺翔
张福新
马慧娟
栾文静
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202010859690.1A priority Critical patent/CN112052991B/zh
Publication of CN112052991A publication Critical patent/CN112052991A/zh
Application granted granted Critical
Publication of CN112052991B publication Critical patent/CN112052991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G67/00—Loading or unloading vehicles
    • B65G67/60—Loading or unloading ships
    • B65G67/603—Loading or unloading ships using devices specially adapted for articles
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Game Theory and Decision Science (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

本发明公开了一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法。该方法通过增加岸桥缓冲区，以实现岸桥装卸箱工作与AGV运输之间的低耦合，消除两者的制约关系，由于增加了上述岸桥缓冲区，使得本发明方法无需考虑港口中每个集装箱在装卸时的先后顺序，进而构建了海侧AGV重进重出模型，重进重出的AGV调度模式提供了岸桥和堆场的双向集装箱运载，有效地减少集装箱运载过程中AGV空载的现象，提高了AGV的工作效率。此外，本发明使用相关算法能够较好地对问题模型进行求解。从实验结果来看，对于一系列已知的任务，本发明方法能够有效地求解出满足重进重出的调度过程，便于在最短时间内完成所有集装箱的运输工作，从而提高码头运输环节的效率。

Description

一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径 规划方法
技术领域
本发明涉及一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法。
背景技术
在自动化集装箱码头领域，AGV(Automatic Guided Vehicle)自动引导小车负责船舶装卸区和堆场区之间的集装箱运输工作，在实现码头自动化过程中发挥关键性作用。
通常将集装箱从船舶停靠区域运输到堆场的工作为：AGV小车于岸桥装卸区装载集装箱，通过规划路径运输到堆场交换区，由龙门起重机装卸集装箱到堆场。
相应的，将集装箱从堆场运输到船舶是一个相反的过程：AGV小车于堆场交换区装载集装箱，通过规划路径运输到岸桥装卸区，由起重机采取某种调度策略装上船舶。
路径规划是指根据堆场海侧交换区的任务节点，使用智能优化算法或者混合算法，规划出一条较优路线，作为AGV的任务路线(即规划路径)，以满足系统的任务目标。
然而，现在港口的业务流程大都是单提单集的，即：
AGV小车在一次场桥卸箱完成之后，空车驶离堆场，再进行下一次岸桥装箱操作，或者在一次岸桥卸箱完成之后，AGV小车空车驶离岸桥再进行下一次场桥装箱操作。
与单提单集业务流程对应的是重进重出模式，即AGV提供岸桥-堆场的双向集装箱运载。
国内外学者对于AGV重进重出模式的研究并不多见。面对日益庞大的吞吐量，单提单集作业模式会造成时间和资源的浪费，使得岸桥-水平运输区-场桥整个运输环节受到影响。
发明内容
本发明的目的在于提出一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，该方法增加了岸桥缓冲区，在此基础上构建了AGV重进重出调度模型，以提供岸桥与堆场之间的双向集装箱运载，避免AGV空载现象，进而提高码头运输环节的效率。
本发明为了实现上述目的，采用如下技术方案：
一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，包括如下步骤：
I.建立岸桥缓冲区，其中，建立的岸桥缓冲区包括装箱缓冲区以及卸箱缓冲区；
在装箱缓冲区内设有可左右横移的第一轨道；在第一轨道上方设有AGV车厢，在AGV车厢上存放待运载集装箱，这些待运载集装箱是由岸桥分配到装箱缓冲区的；
当AGV车厢沿着第一轨道左右移动时，AGV车厢上的待运载集装箱实现左右横移；
在卸箱缓冲区内设有可左右横移的第二轨道；在第二轨道上方设有AGV车厢，在AGV车厢上存放卸载后的集装箱，这些卸载后的集装箱是由堆场运输至卸箱缓冲区的；
当AGV车厢沿着第二轨道左右移动时，AGV车厢上的集装箱实现左右横移；
其中，AGV车头与AGV车厢采用可分离式结构，且当AGV车头在卸箱缓冲区与AGV车厢分离后，AGV车头到达装箱缓冲区，完成集装箱装载后驶离装箱缓冲区；
II.构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型；
首先给出与自动化集装箱码头AGV重进重出调度模型相关的参数定义，分别如下：
Figure BDA0002647650530000021
表示自然数的集合，
Figure BDA0002647650530000022
为所有AGV数量，
Figure BDA0002647650530000023
S*表示集合S上的多重集，|S|表示集合S中元素的个数；
V＝{v0；v1,v2,…,vn}是一个任务点的集合；
其中，v0表示岸桥缓冲区，vi表示堆场的第i个位置，
Figure BDA0002647650530000024
Figure BDA0002647650530000025
V(vi)表示由vi构成的多重集{vi}*中的一个子集，V(vi)∈{vi}*，
Figure BDA0002647650530000026
X∈{V-{v0}}*表示一个任务点集合，即从船上卸载的集装箱存放到任务点集合X中堆场；
Y∈{V-{v0}}*表示一个任务点集合，即将任务点集合Y中堆场的集装箱装载到船上；
{v0}表示只含有岸桥缓冲区v0的集合，{V-{v0}}*表示删除了v0后V的多重集；
c表示每个AGV最大承载集装箱数量；
Figure BDA0002647650530000027
表示第k辆AGV的编号；
dij表示任务点vi到任务点vj的距离；
ηk表示第k辆AGV一次运输过程中所经过的任务点，ηk＝v1′v2′…vj′；
Figure BDA0002647650530000028
为了方便表达，记vi′∈ηk；
Qk＝∑i,jdij表示第k辆AGV的行驶距离，其中，vi,vj是ηk中的连续任务点；
li k表示ηk中第k辆AGV在任务点vi装箱数量，li k∈{0,1,…,c}；
ui k表示ηk中第k辆AGV在任务点vi卸箱数量，ui k∈{0,1,…,c}；
ni k表示ηk中在任务点vi装卸前，第k辆AGV上的集装箱数量，ni k∈{0,1,…,c}；
构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型，该AGV重进重出调度模型的目标函数为最短调度距离，即求ηk，使得满足如下目标函数：
Figure BDA0002647650530000029
其中，Z表示所有AGV的行驶距离之和；minZ表示目标函数为所有AGV的行驶距离之和最小；该目标函数的约束条件为：
Figure BDA00026476505300000210
公式(2)规定了第k辆AGV进出岸桥缓冲区v0装箱和卸箱的数量都是AGV的容量c，即满足重进重出的AGV满载要求；
Figure BDA0002647650530000031
公式(3)规定了AGV的最大承载量不超过c；
Figure BDA0002647650530000032
Figure BDA0002647650530000033
公式(4)和公式(5)对AGV每次装卸箱的数量进行了限制；
Figure BDA0002647650530000034
公式(6)禁止任务点运输过程中既不卸箱也不装箱的非法操作；
Figure BDA0002647650530000035
公式(7)规定对于每一个卸箱任务点都会被满足运输任务；
Figure BDA0002647650530000036
公式(8)规定对于每一个装箱任务点的运输任务都会被满足；
III.生成初始解；首先给出与生成初始解相关的定义，分别如下：
F(v)表示任务点v的映射，将一个任务点映射为一个整数，
Figure BDA0002647650530000037
F-1(v)＝v，将一个整数映射回一个任务点，F-1(v)∈V；
CX表示X中重复任务点的集合；
CY表示Y中重复任务点的集合；
C表示除去重复元素后的X、Y中相同任务点后的任务点集；
α表示染色体序列，αi表示染色体中的第i段，i∈{1,2,3}；
α1＝v1′v2′…vj′表示一辆AGV一次合法装卸过程经过的任务点序列为v1′v2′…vj′；
α2表示染色体中每辆AGV行驶序列的起始点；
α3＝x1x2…xj，xi＝1,2，用于记录每一次合法运输的装卸次序组合；xi＝1时，表示vi′为卸箱->卸箱->装箱->装箱；xi＝2时，表示vi′为卸箱->装箱->卸箱->装箱，
Figure BDA0002647650530000038
则生成初始解过程如下：
III.1.筛选重复任务点；
为了减少初始解空间的大小，事先将在同一堆场的连续操作组合在一起；
若c＝1，从任务点集合X、Y中筛选相同元素组成任务点集C，并将X在任务点集C中出现的任务点去除构成集合X′，将Y在任务点集C中出现的任务点去除构成集合Y′；
若c＝2，当X中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CX，当Y中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CY；
根据重复任务点的集合CX和重复任务点的集合CY对X、Y中的元素进行去重操作产生X′和Y′，从X′、Y′中筛选相同元素组成C，并将X′、Y′在C中出现的任务点去除；
III.2.个体编码；
将X′，Y′，CX，CY，C中的任务点v映射为F(v)，将F(v)编码成α；
若c＝1，则α＝α1α2；否则，α＝α1α2α3；
IV.利用遗传算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型求解；
首先给出与遗传算法相关的参数的定义，分别如下：
αx表示α中的卸箱序列；
αy表示α中的装箱序列；
p表示遗传算法初始种群数量，
Figure BDA0002647650530000041
p′表示遗传算法进化种群数量，
Figure BDA0002647650530000042
t表示当前迭代次数，
Figure BDA0002647650530000043
tmax表示最大迭代次数；
fitness(α)表示α的适应度；
利用遗传算法对自动化集装箱码头AGV重进重出调度模型求解的具体过程如下：
IV.1.计算适应度，选择进化个体；
若为初次迭代，则设置迭代次数t＝1；
对于每一个α，根据计算适应度fitness(α)值，选择适应度高的p′个个体进入第t次迭代；
其中，fitness(α)值的计算公式如下：
Figure BDA0002647650530000044
IV.2.染色体拆分；
将每个α1中的卸箱任务点组成序列αx，装箱任务点组成序列αy；
IV.3.交叉算子；
采用两点交叉的方式，将序列αx和序列αy每两个分成一组，对于每组选择两个交叉点，对交叉点内部的序列进行交叉；
IV.4.变异、逆转算子；
对于序列αx和序列αy选择两个任务点进行交换，再选择一段序列进行逆转反置；
IV.5.染色体合并；
若c＝1，根据序列αx和序列αy合并成α1，生成新个体α′；否则，根据序列αx、序列αy和α3合并成α1，生成新个体α′；
IV.6.精英保留；
计算新个体的适应度fitness(α′)值；
在新个体α′和原个体α中选择适应度值最高的p个个体作为新种群；
IV.7.若t<tmax，t＝t+1，返回步骤IV.1；
否则遗传算法结束，将α映射回任务点F-1(v)的序列，输出种群中最优解的行驶距离Z。
本发明具有如下优点：
如上所示，本发明公开了一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法。该方法通过增加岸桥缓冲区，以实现岸桥装卸箱工作与AGV运输之间的低耦合，消除两者的制约关系，由于增加了上述岸桥缓冲区，使得本发明方法无需考虑港口中每个集装箱在装卸时的先后顺序，进而构建了海侧AGV重进重出模型，重进重出的AGV调度模式提供了岸桥和堆场的双向集装箱运载，有效地减少集装箱运载过程中AGV空载的现象，提高了AGV的工作效率。此外，本发明使用相关算法，能够较好地对问题模型进行求解。从实验结果来看，对于一系列已知的任务，本发明方法能够有效地求解出满足重进重出的调度过程，便于在最短时间内完成所有集装箱的运输工作，从而提高码头运输环节的效率。
附图说明
图1为本发明实施例1中一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法的流程示意图；
图2为本发明实施例1中重进重出模式示意图。
图3为本发明实施例1中建立的装箱缓冲区的结构示意图。
图4为本发明实施例1中两段式个体编码的示意图。
图5为本发明实施例2中一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法的流程示意图。
图6为本发明实施例3中一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法的流程示意图。
图7为本发明实施例中提出的三种算法优化对比示意图，其中X、Y＝16。
图8为本发明实施例中提出的三种算法优化对比示意图，其中X、Y＝20。
图9为本发明实施例中遗传算法在不同任务点个数下的迭代情况示意图。
图10为本发明实施例中混合粒子群算法在不同任务点个数下的迭代情况示意图。
图11为本发明实施例中模拟退火算法在不同任务点个数下的迭代情况示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
实施例1
如图1所示，本实施例1提出了一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，该方法是针对单一货船多AGV重进重出的路径优化方法。
在集装箱码头，AGV的任务是从岸桥侧运载集装箱到堆场区，卸载集装箱后返回岸桥，或从岸桥驶往堆场后，装载集装箱运载回岸桥。
本实施例1提出的重进重出模式是指AGV在每次卸箱完成后随即再装载集装箱，实现岸桥与堆场之间的双向集装箱运载，如图2所示。
本实施例路径优化方法的目标是在最短距离内，通过重进重出方式完成所有集装箱运输工作，即使所有AGV小车行驶的总距离最短。
本实施例1通过增加岸桥缓冲区，利于实现岸桥工作与AGV路径规划之间的低耦合，消除两者的制约关系，从而提高港口的工作效率。
本实施例中建立的岸桥缓冲区包括装箱缓冲区以及卸箱缓冲区。
以装箱缓冲区的装箱过程为例，如图3所示：
在装箱缓冲区内设有可左右横移的第一轨道；在第一轨道上方设有AGV车厢，在AGV车厢上存放待运载集装箱，这些待运载集装箱是由桥吊分配到AGV车厢的。
当AGV车厢沿着第一轨道左右移动时，AGV车厢上的待运载集装箱实现左右横移，使得AGV运输过程中对集装箱先后顺序没有要求。
本实施例1中的AGV车头与AGV车厢采用可分离式结构。当AGV车头在卸箱缓冲区与AGV车厢分离后，AGV车头到达装箱缓冲区，完成集装箱装载后驶离装箱缓冲区。
同理，卸箱缓冲区具有与装箱缓冲区类似的结构，例如：
在卸箱缓冲区内设有可左右横移的第二轨道；在第二轨道上方设有AGV车厢，在AGV车厢上存放卸载后的集装箱，这些卸载后的集装箱是由堆场运输至卸箱缓冲区的；
当AGV车厢沿着第二轨道左右移动时，AGV车厢上的集装箱实现左右横移。
针对本实施例构建的AGV重进重出模型，进行了如下假设：
1)货船数量为1，AGV数量多个，待运载集装箱多个；
2)每辆AGV运载集装箱的数量上限c＝1,2，集装箱从岸桥运往堆场和从堆场运回岸桥；
3)每次运输过程中AGV均满载进出岸桥，即不存在空进重出或重进空出，且要求每次进出岸桥，AGV运载集装箱的数量为c；
4)岸桥缓冲区分别实现岸桥和AGV装卸箱的不间断工作。
一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，包括如下步骤：
I.建立岸桥缓冲区，包括装箱缓冲区以及卸箱缓冲区，以实现岸桥装卸箱工作与AGV运输之间的低耦合，消除岸桥装卸箱工作与AGV运输之间的制约关系。
由于增加了岸桥缓冲区，使得本发明无需考虑港口中每个集装箱在装卸时的先后顺序。
II.构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型。
首先给出与自动化集装箱码头AGV重进重出调度模型相关的参数定义，分别如下：
Figure BDA0002647650530000071
表示自然数的集合，
Figure BDA0002647650530000072
为所有AGV数量，
Figure BDA0002647650530000073
S*表示集合S上的多重集，|S|表示集合S中元素的个数；
V＝{v0；v1,v2,…,vn}是一个任务点的集合，其中，v0表示岸桥缓冲区，vi表示堆场的第i个位置，
Figure BDA0002647650530000074
V(vi)表示由vi构成的多重集{vi}*中的一个子集，V(vi)∈{vi}*，
Figure BDA0002647650530000075
X∈{V-{v0}}*表示一个任务点集合，即从船上卸载的集装箱存放到任务点集合X中堆场；
Y∈{V-{v0}}*表示一个任务点集合，即将任务点集合Y中堆场的集装箱装载到船上；
{v0}表示只含有岸桥缓冲区v0的集合，{V-{v0}}*表示删除了v0后V的多重集；
c表示每个AGV最大承载集装箱数量；
Figure BDA0002647650530000076
表示第k辆AGV的编号；
dij表示任务点vi到任务点vj的距离；
ηk表示第k辆AGV一次运输过程中所经过的任务点，ηk＝v1′v2′…vj′；
Figure BDA0002647650530000077
为了方便表达，记vi′∈ηk；
Qk＝∑i,jdij表示第k辆AGV的行驶距离，其中，vi,vj是ηk中的连续任务点；
li k表示ηk中第k辆AGV在任务点vi装箱数量，li k∈{0,1,…,c}；
ui k表示ηk中第k辆AGV在任务点vi卸箱数量，ui k∈{0,1,…,c}；
ni k表示ηk中在任务点vi装卸前，第k辆AGV上的集装箱数量，ni k∈{0,1,…,c}。
构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型，该AGV重进重出调度模型的目标函数为最短调度距离，即求ηk，使得满足如下目标函数：
Figure BDA0002647650530000078
其中，Z表示所有AGV的行驶距离之和；minZ表示目标函数为所有AGV的行驶距离之和最小；该目标函数的约束条件为：
Figure BDA0002647650530000079
公式(2)规定了第k辆AGV进出岸桥缓冲区v0装箱和卸箱的数量都是AGV的容量c，即满足重进重出的AGV满载要求；
Figure BDA00026476505300000710
公式(3)规定了AGV的最大承载量不超过c；
Figure BDA0002647650530000081
Figure BDA0002647650530000082
公式(4)和公式(5)对AGV每次装卸箱的数量进行了限制；
Figure BDA0002647650530000083
公式(6)禁止任务点运输过程中既不卸箱也不装箱的非法操作；
Figure BDA0002647650530000084
公式(7)规定对于每一个卸箱任务点都会被满足运输任务；
Figure BDA0002647650530000085
公式(8)规定对于每一个装箱任务点的运输任务都会被满足；
首先分析穷举法求解在本问题中不同情况的时间复杂度。
考虑c＝1，X＝Y＝n的情况，AGV每次运输过程为“卸箱->装箱”，因集装箱在调度过程中无先后顺序，故卸箱的排列有n！种，装箱的排列有n！种。
再将集装箱划分给m辆相同AGV，运输方式有
Figure BDA0002647650530000086
种，故时间复杂度为
Figure BDA0002647650530000087
当c＝2，X＝Y＝n时，小车每次运输过程为“卸->装->卸->装”或“卸->卸->装->装”两种情况之一，设小车运输次数为t，则
Figure BDA0002647650530000088
总共有2t种运输方式。
对于每种运输方式，其卸箱排列有n！种，装箱排列有n！种，将集装箱划分给m辆相同小车，则运输方式有
Figure BDA0002647650530000089
种，故时间复杂度为
Figure BDA00026476505300000810
可见穷举法求解该问题的时间复杂度级别为O(n！)，当问题规模变大时，传统算法在可接受的时间内无法求解，因此，本实施例1给出了遗传算法进行求解。
III.生成初始解。
该步骤III能够为遗传算法构造基本的解空间，是遗传算法后续搜索过程的基础。
为了使遗传算法具有良好的收敛性同时又防止陷入局部最优，在构建初始种群时，通过在生成初始解的过程中筛选相同任务点，以减少算法搜索的解空间规模，来优化算法。
在求解多旅行商问题时，多数学者都会采用两段式个体编码方案，即：
将一个个体的编码分作为两部分，第一部分是一串整数序列，表示旅行商们遍历的任务点次序，第二部分表示旅行商各自遍历的任务点数目。如图3为两段式个体编码方案示例。
本实施例1在结合重进重出模式的多AGV运输和两段式编码的思想下，采取了一种编码分解和合并的策略，以使得遗传算法在产生随机解时仍能符合重进重出的要求。
首先给出与生成初始解相关的定义，分别如下：
F(v)表示任务点v的映射，将一个任务点映射为一个整数，
Figure BDA0002647650530000091
F-1(v)＝v，将一个整数映射回一个任务点，F-1(v)∈V；
CX表示X中重复任务点的集合；
CY表示Y中重复任务点的集合；
C表示除去重复元素后的X、Y中相同任务点后的任务点集；
α表示染色体序列，αi表示染色体中的第i段，i∈{1,2,3}；
α1＝v1′v2′…vj′表示一辆AGV一次合法装卸过程经过的任务点序列为v1′v2′…vj′；
α2表示染色体中每辆AGV行驶序列的起始点；
α3＝x1x2…xj，xi＝1,2，用于记录每一次合法运输的装卸次序组合；xi＝1时，表示vi′为卸箱->卸箱->装箱->装箱；xi＝2时，表示vi′为卸箱->装箱->卸箱->装箱，
Figure BDA0002647650530000092
则生成初始解过程如下：
III.1.筛选重复任务点；
为了减少初始解空间的大小，事先将在同一堆场的连续操作组合在一起；
若c＝1，从任务点集合X、Y中筛选相同元素组成任务点集C，并将X在任务点集C中出现的任务点去除构成集合X′，将Y在任务点集C中出现的任务点去除构成集合Y′；
若c＝2，当X中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CX，当Y中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CY；
根据重复任务点的集合CX和重复任务点的集合CY对X、Y中的元素进行去重操作产生X′和Y′，从X′、Y′中筛选相同元素组成C，并将X′、Y′在C中出现的任务点去除。
以c＝2为例，假设有卸箱任务X＝{2,2,3,4}，装箱任务Y＝{3,3,3,5}。
首先筛选X中两两重复任务点，构成连续的卸箱序列CX＝{2,2}，再筛选Y中两两重复任务点，构成连续的装箱序列CY＝{3,3}。对X、Y从CX、CY中去重产生X′＝{3,4}和Y′＝{3,5}，从中筛选重复任务点组成卸装序列C＝{3,3}，再次对X、Y从C去重产生X′＝{4}和Y′＝{5}。
III.2.个体编码；
将X′，Y′，CX，CY，C中的任务点v映射为F(v)，将F(v)编码成α；
若c＝1，则α＝α1α2；否则，α＝α1α2α3。
本实施例1在生成初始解的过程中通过采取筛选任务点的策略，能够帮助减少初始解空间的规模，避免遗传算法盲目搜索，使得能更加快速的搜索出最优解。
IV.利用遗传算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型求解。该算法具有广泛的搜索能力和较好的收敛性，能在可接受的时间范围内寻找出最优解。
首先给出与遗传算法相关的参数的定义，分别如下：
αx表示α中的卸箱序列；
αy表示α中的装箱序列；
p表示遗传算法初始种群数量，p∈N；p′表示遗传算法进化种群数量，
Figure BDA0002647650530000101
t表示当前迭代次数，
Figure BDA0002647650530000102
tmax表示最大迭代次数；
fitness(α)表示α的适应度。
利用遗传算法对自动化集装箱码头AGV重进重出调度模型求解的具体过程如下：
IV.1.计算适应度，选择进化个体；
若为初次迭代，则设置迭代次数t＝1；
对于每一个α，根据计算适应度fitness(α)值，选择适应度高的p′个个体进入第t次迭代；
其中，fitness(α)值的计算公式如下：
Figure BDA0002647650530000103
IV.2.染色体拆分；
将每个α1中的卸箱任务点组成序列αx，装箱任务点组成序列αy；
IV.3.交叉算子；
采用两点交叉的方式，将序列αx和序列αy每两个分成一组，对于每组选择两个交叉点，对交叉点内部的序列进行交叉；
IV.4.变异、逆转算子；
对于序列αx和序列αy选择两个任务点进行交换，再选择一段序列进行逆转反置；
IV.5.染色体合并；
若c＝1，根据序列αx和序列αy合并成α1，生成新个体α′；否则，根据序列αx、序列αy和α3合并成α1，生成新个体α′；
IV.6.精英保留；
计算新个体的适应度fitness(α′)值；
在新个体α′和原个体α中选择适应度值最高的p个个体作为新种群；
IV.7.若t<tmax，t＝t+1，返回步骤IV.1；
否则遗传算法结束，将α映射回任务点F-1(v)的序列，输出种群中最优解的行驶距离Z。
以上步骤IV.2以及步骤IV.5体现了编码分解与合并的策略，通过以上编码分解和合并的策略，使得遗传算法在产生随机解时仍能符合重进重出的要求。
本实施例1利用遗传算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出模型进行求解，能够求解得到满足重进重出要求的规划路径，以提高码头运输环节效率。
下面举例说明利用个体编码拆分和合并策略产生符合重进重出的随机解的过程。
由于遗传算法在求解过程中会对个体编码进行变异、交叉和逆转操作，这使得操作后会有非法解产生。举例来说：假设c＝1，岸桥任务点为1，堆场中卸箱任务点为5和4，装箱任务点为3和6，[1 5 3 1 4 6 1]是第一段个体中的序列(表示从岸桥装载一个集装箱出发，前往堆场中5号任务点卸箱，再从3号任务点装箱，然后返回岸桥卸箱。再次从岸桥装载一个集装箱出发，前往堆场中4号任务点卸箱，再从6号任务点装箱，然后返回岸桥卸箱)。
在进行变异操作时，选择个体中2号和3号位置，变异后的个体为[1 3 5 1 4 61]，这时对于序列[1 3 5 1]就是一段非法序列，出现了满载时先装箱再卸箱的非法情况。
为了解决上述情况，采取个体分离和合并的方式，固定个体中每一个位置的操作(事实上，对于c＝1的情况，第一段个体中每一个位置的操作是固定的，但是这个位置对应的任务点是不确定的，也就是说，例子中的个体2号位置只能是卸箱操作，但是2号位置的任务点可能是5也有可能是4)。首先，根据个体序列分离出卸箱序列[5 4]和装箱序列[3 6]，再分别对两个序列进行变异、逆转运算，假设经操作后两个序列为[4 5]和[3 6]，再将两个序列合并回第一段个体，生成[1 4 3 1 5 6 1]，解决了在进行变异或逆转时产生非法解的问题。
当考虑c＝2的情况，小车一次运输存在两种情况：“卸->卸->装->装”和“卸->装->卸->装”。此时个体在进行交叉时也会产生不符合重进重出的解，例如：存在两个个体，其个体分别为[1 2 3 4 5 1][1]和[1 2 5 3 4 1][2](例子中第一段表示小车的调度序列，第二段中1表示小车在本次运输中运输策略为“卸->卸->装->装”，2表示运输策略为“卸->装->卸->装”)，其中岸桥任务点为1，堆场中卸箱任务点为2、3，装箱任务点为4、5。在进行交叉操作时，假设选择了个体3号位置，交叉后的个体为[1 2 5 4 5 1][1]和[1 2 3 3 4 1][2]，采用部分映射的方式消除冲突后产生[1 2 5 4 3 1][1]和[1 2 3 5 4 1][2]，此时第一个个体产生了“卸->装->装->卸”的非法序列。
为了解决上述情况，依旧采取个体分离和合并的方式，即根据个体序列分离出卸箱序列[2 3][2 3]和装箱[4 5][5 4]，在对每组序列进行交叉操作，假设经操作后两组序列为[2 3][2 3]和[5 4][4 5]，再根据个体中的运输策略合成新的解[1 2 3 5 4 1][1]和[1 2 4 3 5 1][2]，解决了交叉时产生非法解的问题。通过以上举例不难看出，本实施例1通过编码分解和合并的策略，能够使得遗传算法在产生随机解时仍能符合重进重出的要求。
实施例2
如图5所示，本实施例2也述及了一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，该方法包括如下步骤：
I.建立岸桥缓冲区，其包括装箱缓冲区以及卸箱缓冲区。
II.构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型。
III.生成初始解，在生成初始解的过程中通过筛选相同任务点，以减少混合粒子群算法搜索的解空间规模，来优化混合粒子群算法。
IV.利用混合粒子群算法对自动化集装箱码头AGV重进重出调度模型求解。
需要说明的是，本实施例2中步骤I-III的过程与上述实施例1步骤I-III完全相同，本实施例2不再展开叙述，下面对本实施例2中混合粒子群算法的求解过程进行详细说明。
标准粒子群算法是通过模拟一群鸟觅食的过程而发展出来的群体协作的随机搜索算法。该算法用一种粒子来模拟鸟类个体，每个粒子仅有两个属性：速度和位置。
速度代表移动的快慢，位置代表移动的方向。
每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新速度和位置。最终得到满足终止条件的最优解。
标准粒子群具有易陷入局部解的情况，本实施例中混合粒子群算法摒弃了传统粒子群算法中的通过跟踪极值来更新粒子位置的方法，而是引入了遗传算法中的交叉和变异操作，通过粒子同个体极值和群体极值的交叉以及粒子自身变异的方式来搜索最优解。
在介绍本实施例2混合粒子群算法对模型求解过程之前，先给出如下定义：
A表示当前粒子群中的适应度最小粒子；
αbest表示当前个体的适应度最小粒子。
利用混合粒子群算法对自动化集装箱码头AGV重进重出路径规划方法的求解过程如下：
IV.1.计算适应度，更新粒子个体；
若为初次迭代，设置迭代次数t＝1；
对于每一个α，αbest＝α，由计算适应度fitness(α)值，选择适应度最高的粒子作为A；
其中，fitness(α)值的计算公式如下：
Figure BDA0002647650530000121
IV.2.编码拆分；
将每个α1中的卸箱任务点组成序列αx，装箱任务点组成序列αy。
IV.3.交叉算子；
对于每一个粒子，从αbest中的序列αx、αy选择一段序列，替换掉当前α中序列αx、αy相同位置的序列，若替换后存在相同编号，则用粒子中未重复的编号代替重复的编号；
使用A重复上述操作。
IV.4.变异算子；
对每个序列αx和序列αy选择两个任务点进行交换。
IV.5.编码合并；
若c＝1，根据序列αx和序列αy合并成α1，生成新个体α′；否则，根据序列αx、序列αy和α3合并成α1，生成新个体α′；
IV.6.计算适应度，更新粒子个体；
计算适应度fitness(α′)值，fitness(α′)的计算方式与步骤IV.1中fitness(α)的计算方式相同，若新个体适应度高于最优个体适应度，αbest＝α′，同时选择适应度最高的粒子作为A。
IV.7.若t<tmax，t＝t+1，返回步骤IV.2；
否则混合粒子群算法结束，将A映射回任务点F-1(v)的序列，输出行驶距离Z。
以上步骤IV.2以及步骤IV.5体现了编码分解与合并的策略，通过以上编码分解和合并的策略，使得混合粒子群算法在产生随机解时仍能符合重进重出的要求。
本实施例2利用混合粒子群算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出模型进行求解，同样能够求解得到满足重进重出要求的规划路径，以提高码头运输环节效率。
实施例3
如图6所示，本实施例3也述及了一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，该方法包括如下步骤：
I.建立岸桥缓冲区，包括装箱缓冲区以及卸箱缓冲区。
II.构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型。
III.生成初始解，在生成初始解的过程中通过筛选相同任务点，以减少模拟退火算法搜索的解空间规模，来优化模拟退火算法。
IV.利用模拟退火算法对自动化集装箱码头AGV重进重出调度模型求解。
需要说明的是，本实施例3中步骤I-III的过程与上述实施例1步骤I-III完全相同，本实施例3不再展开叙述，下面对本实施例3中模拟退火算法的求解过程进行详细说明。
模拟退火算法的出发点是基于物理中固体物质的退火过程与一般的组合优化问题之间的相似性。模拟退火法是一种通用的优化算法，其物理退火过程由以下三部分组成：
1)加温过程。其目的是增强粒子的热运动，使其偏离平衡位置。当温度足够高时，固体将熔为液体，从而消除系统原先存在的非均匀状态。
2)等温过程。对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行的，当自由能达到最小时，系统达到平衡状态。
3)冷却过程。使粒子热运动减弱，系统能量下降，得到晶体结构。
其中，加温过程对应算法的设定初温，等温过程对应算法的Metropolis抽样过程，冷却过程对应控制参数的下降。这里能量的变化就是目标函数，要得到的最优解就是能量最低态。
模拟退火算法解决TSP的步骤为：1)构造初始解；2)对旧解随机扰动产生新解；3)计算新、旧解的差值；4)根据Metropolis法则和差值更新解；5)迭代或输出。
在介绍利用模拟退火算法求解问题模型之前，首先给出模拟退火算法中的符号和公式：
T0表示初始温度，
Figure BDA0002647650530000141
Tend表示终止温度，
Figure BDA0002647650530000142
Tv表示降温速率，0≤Tv≤1；
L表示链长，每个T温度下的迭代次数，
Figure BDA0002647650530000143
l表示当前链长，
Figure BDA0002647650530000144
Pathlength(α)表示α的行驶距离。
则利用模拟退火算法求解自动化集装箱码头AGV重进重出路径规划方法的过程如下：
IV.1.编码拆分，设置链长初值；
将α1中的卸箱和装箱任务点组成序列αx和αy，令l＝1，αbest＝α。
IV.2.扰动产生新解；
在序列αx、序列αy中随机选择两个点进行交换，产生新解。
IV.3.判断是否接受新解；
将序列αx、序列αy合并成新解α′，令dp＝Pathlength(α′)-Pathlength(α)，若dp<0，α＝α′，否则以-dp/c的概率，α＝α′；若αbest>α，αbest＝α；
其中，Pathlength(α)＝∑i,jdij,vi,vj∈α1。
IV.4.若l<L，l＝l+1，返回步骤IV.2，否则进入步骤IV.5。
IV.5.降温；令T0＝T0*Tv，若T0<Tend，返回步骤IV.1；
否则模拟退火算法结束，将αbest映射回任务点F-1(v)的序列，输出行驶距离Z。
以上步骤IV.1以及步骤IV.3体现了编码分解与合并的策略，通过以上编码分解和合并的策略，使得模拟退火算法在产生随机解时仍能符合重进重出的要求。
本实施例3利用模拟退火算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出模型进行求解，同样能够求解得到满足重进重出要求的规划路径，以提高码头运输环节效率。
下面对利用遗传算法、混合粒子群算法以及模拟退火算法在求解本发明中带有岸桥缓冲区的自动化集装箱码头AGV重进重出路模型的有效性进行验证。
为测试重进重出模式在港口运输过程对工作效率的提升情况，实验分别在X、Y＝8,12,16,20时，设定初始值c＝2,m＝2,tmax＝100,T0＝1000,Tend＝100,Tv＝0.9,p＝100,p′＝90,L＝100进行重进重出模式与单提单集模式的对比。实验中通过重进重出模式与单提单集模式运输的总路程进行比较，则运输效率的增量程度＝(单提单集路程-重进重出路程)/单提单集路程。
实验结果如表1所示，三种算法的平均提升效率为43.56％、31.00％和45.18％，说明重进重出模式相对传统的单提单集模式在运输效率上能够提高30％以上。
表1重进重出模式效率提升情况
任务数 遗传算法 混合粒子群算法 模拟退火算法
16 47.36％ 36.11％ 47.12％
24 33.33％ 33.33％ 46.27％
32 45.83％ 26.86％ 44.15％
40 47.70％ 27.71％ 45.18％
为测定模型寻优能力，令c＝1,2，针对X、Y＝4,5,6,7总共8种情况，设定初始值m＝2,tmax＝100,T0＝1000,Tend＝100,Tv＝0.9,p＝100,p′＝90,L＝100进行穷举搜索和三种算法的比较。
具体实验结果如表2-5所示，在小规模任务点范围内，三种算法的寻优精度均在90％以上，随着问题规模的增大，三种算法在求解问题时可以显著减少问题求解所需的时间。
当任务点规模继续增大时，在可接受的时间内无法通过穷举搜索得出结果，此时三种算法仍能在短时间内寻找到一条符合重进重出模式的优良解，体现了模型良好的寻优能力。
表2算法结果比较(c＝1)
任务数 穷举搜索 遗传算法 混合粒子群算法 模拟退火算法
4 400 400 400 400
5 520 520 520 520
6 480 500 520 480
7 580 620 580 580
表3算法运行时间比较(秒)(c＝1)
任务数 穷举搜索 遗传算法 混合粒子群算法 模拟退火算法
4 0.6 1.91 2.52 1.46
5 1.22 2.01 2.7 1.67
6 23.73 2.14 3.07 2.13
7 1479.7 2.28 3.35 2.17
表4算法结果比较(c＝2)
任务数 穷举搜索 遗传算法 混合粒子群算法 模拟退火算法
4 300 300 300 300
6 340 340 360 340
表5算法运行时间比较(秒)(c＝2)
Figure BDA0002647650530000151
Figure BDA0002647650530000161
按照本发明实施例中提出的模型和算法优化过程，分别在X、Y＝16和20时，设置初始参数：m＝3,c＝2,tmax＝300,T0＝2000,Tend＝0.001,Tv＝0.95,p＝100,p′＝90,L＝100。
进行三种算法的对比试验，实验结果如图7和图8所示。由图7和图8不难看出：
模拟退火算法和遗传算法的寻优能力要强于混合粒子群算法，遗传算法虽然具有较快的收敛性但容易陷入局部最优，模拟退火寻找最优解的效果最好，但是收敛速度较慢。
为进一步测定本发明中算法的寻优性能，在X、Y＝8,12,16,20时对比分析三种算法的进化过程。设定参数初始值为m＝2,c＝2,tmax＝300,T0＝2000,Tend＝0.001,Tv＝0.95,p＝100,p′＝90,L＝100。
实验结果如表6以及图9-图11所示。
表6算法运行结果比较
任务数 遗传算法 混合粒子群算法 模拟退火算法
16 420 480 420
24 640 700 580
32 920 1080 900
40 980 1180 980
由表6以及图9-图11得知，遗传算法分别在12代、34代、75代和124代时收敛，混合粒子群算法分别在63代、115代、220代和203代时收敛，模拟退火算法分别在88代、212代、219代和229代时收敛，三种算法的平均迭代次数为61.25、150.25和187。
在进一步验证上述结论的同时，能够看出本实施例中的遗传算法、混合粒子群算法以及模拟退火算法均有随着问题规模的增大其迭代收敛的次数增加的趋势，但三种算法仍能在短时间内收敛并求解出重进重出模型问题的解，说明了三种算法在该问题上的适用性。
从实验结果来看，对于一系列已知的任务，本发明能够有效地求解出满足重进重出的调度过程，便于在最短时间内完成所有集装箱的运输工作，从而提高码头运输环节的效率。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (1)

1.一种带有岸桥缓冲区的自动化集装箱码头AGV重进重出路径规划方法，其特征在于，
包括如下步骤：
I.建立岸桥缓冲区，其中，建立的岸桥缓冲区包括装箱缓冲区以及卸箱缓冲区；
在装箱缓冲区内设有可左右横移的第一轨道；在第一轨道上方设有AGV车厢，在AGV车厢上存放待运载集装箱，这些待运载集装箱是由岸桥分配到装箱缓冲区的；
当AGV车厢沿着第一轨道左右移动时，AGV车厢上的待运载集装箱实现左右横移；
在卸箱缓冲区内设有可左右横移的第二轨道；在第二轨道上方设有AGV车厢，在AGV车厢上存放卸载后的集装箱，这些卸载后的集装箱是由堆场运输至卸箱缓冲区的；
当AGV车厢沿着第二轨道左右移动时，AGV车厢上的集装箱实现左右横移；
其中，AGV车头与AGV车厢采用可分离式结构，且当AGV车头在卸箱缓冲区与AGV车厢分离后，AGV车头到达装箱缓冲区，完成集装箱装载后驶离装箱缓冲区；
II.构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型；
首先给出与自动化集装箱码头AGV重进重出调度模型相关的参数定义，分别如下：
Figure FDA0002647650520000011
表示自然数的集合，
Figure FDA0002647650520000012
为所有AGV数量，
Figure FDA0002647650520000013
S*表示集合S上的多重集，|S|表示集合S中元素的个数；
V＝{v0；v1,v2,…,vn}是一个任务点的集合；
其中，v0表示岸桥缓冲区，vi表示堆场的第i个位置，
Figure FDA0002647650520000014
V(vi)表示由vi构成的多重集{vi}*中的一个子集，
Figure FDA0002647650520000015
X∈{V-{v0}}*表示一个任务点集合，即从船上卸载的集装箱存放到任务点集合X中堆场；
Y∈{V-{v0}}*表示一个任务点集合，即将任务点集合Y中堆场的集装箱装载到船上；
其中，{v0}表示只含有岸桥缓冲区v0的集合，{V-{v0}}*表示删除了v0后V的多重集；
c表示每个AGV最大承载集装箱数量；
Figure FDA0002647650520000016
表示第k辆AGV的编号；
dij表示任务点vi到任务点vj的距离；
ηk表示第k辆AGV一次运输过程中所经过的任务点，ηk＝v1′v2′…vj′；
Figure FDA0002647650520000017
为了方便表达，记vi′∈ηk；
Qk＝∑i,jdij表示第k辆AGV的行驶距离，其中，vi,vj是ηk中的连续任务点；
li k表示ηk中第k辆AGV在任务点vi装箱数量，li k∈{0,1,…,c}；
ui k表示ηk中第k辆AGV在任务点vi卸箱数量，ui k∈{0,1,…,c}；
ni k表示ηk中在任务点vi装卸前，第k辆AGV上的集装箱数量，ni k∈{0,1,…,c}；
构建带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型，该AGV重进重出调度模型的目标函数为最短调度距离，即求ηk，使得满足如下目标函数：
Figure FDA0002647650520000021
其中，Z表示所有AGV的行驶距离之和；minZ表示目标函数为所有AGV的行驶距离之和最小；目标函数的约束条件为：
Figure FDA0002647650520000022
公式(2)规定了第k辆AGV进出岸桥缓冲区v0装箱和卸箱的数量都是AGV的容量c，即满足重进重出的AGV满载要求；
Figure FDA0002647650520000023
公式(3)规定了AGV的最大承载量不超过c；
Figure FDA0002647650520000024
Figure FDA0002647650520000025
公式(4)和公式(5)对AGV每次装卸箱的数量进行了限制；
Figure FDA0002647650520000026
公式(6)禁止任务点运输过程中既不卸箱也不装箱的非法操作；
Figure FDA0002647650520000027
公式(7)规定对于每一个卸箱任务点都会被满足运输任务；
Figure FDA0002647650520000028
公式(8)规定对于每一个装箱任务点的运输任务都会被满足；
III.生成初始解；首先给出与生成初始解相关的定义，分别如下：
F(v)表示任务点v的映射，将一个任务点映射为一个整数，
Figure FDA0002647650520000029
F-1(v)＝v，将一个整数映射回一个任务点，F-1(v)∈V；
CX表示X中重复任务点的集合；
CY表示Y中重复任务点的集合；
C表示除去重复元素后的X、Y中相同任务点后的任务点集；
α表示染色体序列，αi表示染色体中的第i段，i∈{1,2,3}；
α1＝v1′v2′…vj′表示一辆AGV一次合法装卸过程经过的任务点序列为v1′v2′…vj′；
α2表示染色体中每辆AGV行驶序列的起始点；
α3＝x1x2…xj，xi＝1,2，用于记录每一次合法运输的装卸次序组合；xi＝1时，表示vi′为卸箱->卸箱->装箱->装箱；xi＝2时，表示vi′为卸箱->装箱->卸箱->装箱，
Figure FDA0002647650520000031
则生成初始解过程如下：
III.1.筛选重复任务点；
为了减少初始解空间的大小，事先将在同一堆场的连续操作组合在一起；
若c＝1，从任务点集合X、Y中筛选相同元素组成任务点集C，并将X在任务点集C中出现的任务点去除构成集合X′，将Y在任务点集C中出现的任务点去除构成集合Y′；
若c＝2，当X中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CX，当Y中每有两个相同的任务点，将这两个任务点筛选出放入重复任务点的集合CY；
根据重复任务点的集合CX和重复任务点的集合CY对X、Y中的元素进行去重操作产生X′和Y′，从X′、Y′中筛选相同元素组成C，并将X′、Y′在C中出现的任务点去除；
III.2.个体编码；
将X′，Y′，CX，CY，C中的任务点v映射为F(v)，将F(v)编码成α；
若c＝1，则α＝α1α2；否则，α＝α1α2α3；
IV.利用遗传算法对带有岸桥缓冲区的自动化集装箱码头AGV重进重出调度模型求解；
首先给出与遗传算法相关的参数的定义，分别如下：
αx表示α中的卸箱序列；
αy表示α中的装箱序列；
p表示遗传算法初始种群数量，
Figure FDA0002647650520000032
p′表示遗传算法进化种群数量，
Figure FDA0002647650520000033
t表示当前迭代次数，
Figure FDA0002647650520000034
tmax表示最大迭代次数；
fitness(α)表示α的适应度；
利用遗传算法对自动化集装箱码头AGV重进重出调度模型求解的具体过程如下：
IV.1.计算适应度，选择进化个体；
若为初次迭代，则设置迭代次数t＝1；
对于每一个α，根据计算适应度fitness(α)值，选择适应度高的p′个个体进入第t次迭代；
其中，fitness(α)值的计算公式如下：
Figure FDA0002647650520000035
IV.2.染色体拆分；
将每个α1中的卸箱任务点组成序列αx，装箱任务点组成序列αy；
IV.3.交叉算子；
采用两点交叉的方式，将序列αx和序列αy每两个分成一组，对于每组选择两个交叉点，对交叉点内部的序列进行交叉；
IV.4.变异、逆转算子；
对于序列αx和序列αy选择两个任务点进行交换，再选择一段序列进行逆转反置；
IV.5.染色体合并；
若c＝1，根据序列αx和序列αy合并成α1，生成新个体α′；否则，根据序列αx、序列αy和α3合并成α1，生成新个体α′；
IV.6.精英保留；
计算新个体的适应度fitness(α′)值；
在新个体α′和原个体α中选择适应度值最高的p个个体作为新种群；
IV.7.若t<tmax，t＝t+1，返回步骤IV.1；
否则遗传算法结束，将α映射回任务点F-1(v)的序列，输出种群中最优解的行驶距离Z。
CN202010859690.1A 2020-08-24 2020-08-24 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法 Active CN112052991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859690.1A CN112052991B (zh) 2020-08-24 2020-08-24 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859690.1A CN112052991B (zh) 2020-08-24 2020-08-24 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法

Publications (2)

Publication Number Publication Date
CN112052991A true CN112052991A (zh) 2020-12-08
CN112052991B CN112052991B (zh) 2022-03-11

Family

ID=73600953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859690.1A Active CN112052991B (zh) 2020-08-24 2020-08-24 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法

Country Status (1)

Country Link
CN (1) CN112052991B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598316A (zh) * 2020-12-30 2021-04-02 杭州电子科技大学 一种同轨双agv的物料分配及协同调度方法
CN113120633A (zh) * 2021-04-20 2021-07-16 上海海事大学 一种边装边卸模式下u型自动化集装箱码头集成调度优化方法
CN113792990A (zh) * 2021-08-24 2021-12-14 天津港第二集装箱码头有限公司 一种考虑前置和后置缓冲区的地面锁站智能动态布置方法
CN114194872A (zh) * 2021-12-20 2022-03-18 中国海洋大学 一种基于双缓冲模型的自动化码头岸桥作业方法
CN114241799A (zh) * 2021-12-30 2022-03-25 北京经纬恒润科技股份有限公司 车辆调度方法及装置
CN114326623A (zh) * 2021-12-28 2022-04-12 青岛港国际股份有限公司 用于自动化码头岸桥下agv作业的调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784547A (zh) * 2018-12-27 2019-05-21 浙江工业大学 一种码头岸桥与场桥协同优化调度方法
CN110516976A (zh) * 2019-08-30 2019-11-29 大连海事大学 一种可选择装卸完工时间的自动化集装箱码头agv调度方法
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
CN111091238A (zh) * 2019-12-03 2020-05-01 青岛港国际股份有限公司 一种自动化集装箱码头agv智能化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784547A (zh) * 2018-12-27 2019-05-21 浙江工业大学 一种码头岸桥与场桥协同优化调度方法
CN110516976A (zh) * 2019-08-30 2019-11-29 大连海事大学 一种可选择装卸完工时间的自动化集装箱码头agv调度方法
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
CN111091238A (zh) * 2019-12-03 2020-05-01 青岛港国际股份有限公司 一种自动化集装箱码头agv智能化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄泽乾 等: "自动化集装箱码头ＡＧＶ调度研究", 《武汉理工大学学报（交通科学与工程版）》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598316A (zh) * 2020-12-30 2021-04-02 杭州电子科技大学 一种同轨双agv的物料分配及协同调度方法
CN112598316B (zh) * 2020-12-30 2023-10-13 杭州电子科技大学 一种同轨双agv的物料分配及协同调度方法
CN113120633A (zh) * 2021-04-20 2021-07-16 上海海事大学 一种边装边卸模式下u型自动化集装箱码头集成调度优化方法
CN113792990A (zh) * 2021-08-24 2021-12-14 天津港第二集装箱码头有限公司 一种考虑前置和后置缓冲区的地面锁站智能动态布置方法
CN113792990B (zh) * 2021-08-24 2024-03-29 天津港第二集装箱码头有限公司 一种考虑前置和后置缓冲区的地面锁站智能动态布置方法
CN114194872A (zh) * 2021-12-20 2022-03-18 中国海洋大学 一种基于双缓冲模型的自动化码头岸桥作业方法
CN114326623A (zh) * 2021-12-28 2022-04-12 青岛港国际股份有限公司 用于自动化码头岸桥下agv作业的调度方法
CN114241799A (zh) * 2021-12-30 2022-03-25 北京经纬恒润科技股份有限公司 车辆调度方法及装置
CN114241799B (zh) * 2021-12-30 2022-12-20 北京经纬恒润科技股份有限公司 车辆调度方法及装置

Also Published As

Publication number Publication date
CN112052991B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN112052991B (zh) 一种带有岸桥缓冲区的自动化集装箱码头agv重进重出路径规划方法
Dubrovsky et al. A genetic algorithm with a compact solution encoding for the container ship stowage problem
CN101585453B (zh) 集装箱码头出口箱堆场自动分配方法
CN110189077B (zh) 一种考虑三维装载约束的多阶段车货匹配方法
Wijayaningrum et al. Optimization of ship’s route scheduling using genetic algorithm
CN111861205B (zh) 一种自动化集装箱码头出口箱空间分配方法
CN113689037B (zh) 一种散货港口生产调度优化方法
CN111091238A (zh) 一种自动化集装箱码头agv智能化调度方法
Ting et al. Multi-vehicle selective pickup and delivery using metaheuristic algorithms
Xu et al. Load-in-load-out AGV route planning in automatic container terminal
Ayachi et al. A Genetic algorithm to solve the container storage space allocation problem
CN109840615B (zh) 基于免疫克隆算法的重载铁路装车区车流组织的优化方法
Lu The three-stage integrated optimization of automated container terminal scheduling based on improved genetic algorithm
Xin et al. Mixed-integer nonlinear programming for energy-efficient container handling: Formulation and customized genetic algorithm
Mahmoudinazlou et al. A hybrid genetic algorithm with type-aware chromosomes for traveling salesman problems with drone
Guo et al. A bi-population immune algorithm for weapon transportation support scheduling problem with pickup and delivery on aircraft carrier deck
WO2024032376A1 (zh) 基于混合遗传算法的车辆路径优化方法及应用
Zhong et al. Energy-aware Integrated Scheduling for Container Terminals with Conflict-free AGVs
Siswanto et al. Multi-heuristics based genetic algorithm for solving maritime inventory routing problem
CN112053046B (zh) 一种带有时间窗的自动化集装箱码头agv重进重出路径规划方法
Liang et al. Multi-objective green multimodal transport path optimization with the participation of high-speed railway
Han et al. An Improved Artificial Bee Colony Algorithm to Port L-AGV Scheduling Problems
Ivanov et al. Stochastic optimization model of locomotive assignment to freight trains
Ma et al. Container swap trailer transportation routing problem based on genetic algorithm
Guo et al. Unmanned surface vehicles (USVs) scheduling method by a bi-level mission planning and path control

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