CN112712288A - 一种内河码头干散货作业集成调度方法 - Google Patents
一种内河码头干散货作业集成调度方法 Download PDFInfo
- Publication number
- CN112712288A CN112712288A CN202110062799.7A CN202110062799A CN112712288A CN 112712288 A CN112712288 A CN 112712288A CN 202110062799 A CN202110062799 A CN 202110062799A CN 112712288 A CN112712288 A CN 112712288A
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- value
- wharf
- loader
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 47
- 108090000623 proteins and genes Proteins 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 14
- 230000035772 mutation Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 101150030531 POP3 gene Proteins 0.000 description 2
- 101100273030 Schizosaccharomyces pombe (strain 972 / ATCC 24843) caf1 gene Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ship Loading And Unloading (AREA)
Abstract
本发明公开了一种内河码头干散货作业集成调度方法,在内河航运独特的小吨位,大数量的背景下,对泊位分配、装船机调度、传送带分流决策进行集成优化,依托码头作业特点,形成模型各变量间的约束关系,构建禁忌遗传算法,获得船舶入泊时间、入泊位置、离泊时间;装船机移动轨迹、服务船舶编号;以及分流装置开闭时刻,确定码头作业集成调度的最优方案,减少船舶等待货物从堆场运至装船机的时间,提升内河码头干散货装运作业的效率。
Description
技术领域
本发明涉及码头作业技术领域,尤其涉及一种内河码头干散货作业集成调度方法。
背景技术
内河干散货矿石码头集成优化的本质是内河特性下船舶-装船机-传送带三者间的协同调度。目前学术界对于内河研究侧重于利用内河船舶吨位小的特点进行航线规划。对于码头集成调度则偏重于探讨集装箱码头船舶-装船机-集卡三者间的协同调度。对于干散货码头集成调度问题研究较少,且多侧重于讨论泊位与装船机间的影响关系。与集装箱码头不同,内河干散货矿石码头有着一套独有的作业设备和作业流程,以往研究没有全面的对这些设备进行集成调度优化。
目前,如洋山港、青岛港等集装箱码头依托标准化,单元化的作业流程和作业单元已初步实现自动化操作与自动化调度。但对于干散货码头而言,自动化调度仍处于摸索阶段。目前,国内新建的半自动干散货码头由于作业环节复杂、作业设备多样,仍处于人调度机器的阶段,调度方案的制定多依靠一线人员的经验。
发明内容
本发明提供一种内河码头干散货作业集成调度方法,以克服上述技术问题。
本发明一种内河码头干散货作业集成调度方法,包括:
构建码头作业调度模型;所述码头作业调度模型,包括:泊位分配模型、装船机调度模型、传送带调度模型、集成调度模型,以及以码头作业总时间最小为求解目标的目标函数;
根据所述码头作业调度模型设定模型假设和约束条件;
根据所述码头作业调度模型构建禁忌遗传算法;在所述禁忌遗传算法中设定船舶预计到港时间、船舶需求货物种类和需求量以及码头设备参数;
通过所述禁忌遗传算法计算得到船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻;
根据所述禁忌遗传算法的计算结果安排码头作业集成调度方案。
进一步地,所述目标函数表示为:
式中,eu为船舶u结束作业时间,u是变量,表示船舶编号。
进一步地,所述泊位分配模型,包括:
所述泊位分配模型由式(2)-(9)表示:
其中,式(2)中作业时间Tu为船舶u开始作业时间yu与结束作业时间eu的差值;式(3)中Tc是船舶从锚地到堆场花费的时间,Te是船舶离泊时间;表示当船舶u停靠泊位的编号小于船舶v停靠泊位的编号时值为1,否则为0,其中,x表示以岸线为横轴来判断船舶靠泊位置间的关系,u/v是变量,表示船舶编号;表示船舶u先于船舶v作业时值为1,否则为0,其中,y表示以时间为纵轴来判断船舶靠泊时间的关系,u船结束作业时间与v船开始作业时间相隔Tc+Te;式(4)-(5)表示u,v两艘船舶开始作业时间yu和yv的关系,当值为1时,yv大于yu,当值为0时yv小于等于yu;式(6)-(7)表示u,v两艘船靠泊的位置关系,当值为1时,v船泊位编号bv大于bu,当值为0时bv小于等于bu;式(8)用来确保船舶作业时间与位置不冲突,即u,v两艘船舶之间至少作业时间或停靠泊位不同;式(9)令u船开始作业的时间被安排在u船到达泊位之后;Au代表u船时间窗。
进一步地,所述装船机调度模型,包括:
所述装船机调度模型由式(10)-(15)表示:
式中,xuvk表示装船机k在服务完u船后,下一艘服务的船是v船时值为1,否则为0;0是虚拟点,表示装船机k均从这里出发,N+1亦为虚拟点,表示装船机k结束作业后均返回N+1处;公式(12)-(15)表示装船机k的移动轨迹是一条连续的路线流;式(15)用来消除局部闭环,表示对装船机k而言,后作业船v对应的辅助变量值一定大于先作业船u。
进一步地,所述传送带调度模型,包括:
所述传送带调度模型由式(16)-(21)表示:
式(16)-(17)用以判断u船作业开始和v船作业结束的时间间隔是否大于货物从堆场运至装船机的时间T1,若是,则辅助决策变量f2v值为0,否则f2v值为1;式(18)-(19)通过辅助决策变量f1v来判断船舶v在接受服务时是否具有从其他传送带分流货物的能力;式(20)-(21)用来判断能否通过传送带分流节约时间,当f1v值为1时,可以分流,分流决策变量值为0;当f1v值不为1时,不可以分流,分流决策变量值为1。
进一步地,所述集成调度模型,包括:
所述集成调度模型由式(22)-(28)表示:
式(22)-(24)用于判断船舶u与v作业时间是否发生交叉,当值为1且zuv值也为1时,u与v作业时间发生交叉;式(25)-(27)约束了装船机k与泊位编号bv间的关系,使装船机不能跨越相邻装船机作业;式(28)是所述集成调度模型的核心约束,表示船舶u和v先后被装船机k服务,若u和v在同一泊位作业,则两船相隔时间为若u和v不在同一泊位作业,则当值为0时,u和v作业时间间隔为装船机k移动时间T2|bu-bv|,当值为1时,u和v作业时间间隔为T2|bu-bv|+T1。
进一步地,所述模型假设,包括:
泊位为离散泊位,水深相同,一个泊位一次只能服务一艘船舶;
每艘船舶的预计到港时间已知,且船舶准时到港;
船舶装载量和需求货物种类已知,且每艘船只能装载一种货物;
每艘船只能被一个装船机所服务,装船机装卸速度恒定;
传送带必须在船舶进入泊位后再启动,货物从堆场到达装船机的时间为固定时间。
进一步地,所述通过所述禁忌遗传算法计算得到船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻,包括:
S81、利用贪婪算法构建具有三层染色体的初始种群,其中上层染色体代表装船机编号,中层染色体代表船舶靠泊优先级,下层染色体代表船舶靠泊泊位,基因在染色体的位置代表船舶编号;
S82、判断是否满足算法终止条件,若是,终止算法,若否,则继续下一步骤;
S83、通过所述码头作业调度模型中各变量的约束关系和染色体确定的变量值计算所述染色体的适应度;
S84、对当前种群进行选择、交叉、变异、种群修复操作;
S85、根据所述初始种群建立禁忌搜索算法候选集,并判断所述候选集是否为空;若为空转入S86,若不为空转入S87;
S86、判断是否满足禁忌搜索迭代次数10^m次,若满足,输出禁忌搜索得到的最优解,所有染色体经禁忌搜索求解后形成本次迭代的最优种群,转入S82,若不满足,转入S85;
S87、判断候选解是否满足藐视准则,若满足,将当前解替换为所述最优解,并转入S86,若不满足,转入S88;
S88、判断所述最优解是否属于禁忌表,若是删除当前最优解,转入S85判断所述候选集是否为空,若否,则将当前解替换为所述最优解转入S86。
进一步地,所述具有三层染色体的初始种群的结构为:
本发明在考虑内河船舶吨位小的特点的同时,对泊位分配、装船机调度、传送带分流决策进行集成优化,依托码头作业调度模型各变量间约束关系,构建禁忌遗传算法获得船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻,从而确定码头作业集成调度的最优方案,以减少船舶等待货物从堆场运至装船机的时间,提升内河码头干散货装运作业的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明中的码头干散货作业示意图;
图3为本发明中的禁忌遗传算法流程图;
图4为本发明中的三层染色体的可视化示意图;
图5为本发明中的禁忌遗传算法与码头作业调度模型的映射关系示意图;
图6为本发明中的禁忌遗传算法的求解结果的可视化图;
图7为本发明与现有技术的求解结果对比的可视化图;
图8为本发明与现有技术的作业效率对比图;
图9为仿真试验中设置五个场景的作业时间对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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,本实施例提供了一种内河码头干散货作业集成调度方法,包括:
101、构建码头作业调度模型;码头作业调度模型,包括:泊位分配模型、装船机调度模型、传送带调度模型、集成调度模型,以及以码头作业总时间最小为求解目标的目标函数;
具体而言,码头调度的过程如图2所示:装船机①移动至下一目标泊位前,传送带⑦的卸料口②自动调整卸货量;装船机①到达目标泊位后,传送带③开始从卸料口④接受船舶⑤所需货物,传送带③前端则立刻接收到传送带⑦通过分流器⑥送来的同种货物,待卸料口④送出的货物抵达分流器⑥后,分流器停止工作。内河干散货码头与沿海集装箱码头特点比较如表1所示。
表1
注:1:传送带上禁止存在货物是为了防止电机过载及残渣落入内河造成污染;
2:分流装置是一种具有多开口的漏斗状机器,可利用重力,将货物从较高处传送带运至其他较低处传送带(如图2所示);
3:卸料口是建设在堆场货物下方的漏斗状机器,可根据码头方的需要自动控制卸料量。
针对干散货码头特色设备,结合内河运输船舶吨位偏小特点,提出了一种对内河干散货码头作业环节进行集成调度方法,以提升码头作业效率,减少船舶等待时间。
首先需要构建码头作业调度模型;码头作业调度模型,包括:泊位分配模型、装船机调度模型、传送带调度模型、集成调度模型,以及目标函数;其中目标函数规定了模型的求解目标是码头运营总时间最小,泊位分配、装船机调度和传送带调度分别对该环节作业时长和作业方式进行了设定,集成调度模型对上述环节的决策变量(如:等)进行约束,理顺上述环节间的影响关系,确定各环节在集成调度下的作业时间和等待时间。
其中,目标函数多以成本核算的形式出现,如船舶偏离最佳停泊位置成本、装船机移动成本及运行损耗成本。但对于业务繁忙的内河码头而言,码头运营者的关注点更倾向于如何提升码头的整体运作效率。
(一)目标函数
目标函数由式(1)表示:
式中,eu为船舶u结束作业时间,u是变量,表示船舶编号。
(二)泊位分配模型
泊位分配模型由式(2)-(9)表示:
其中,式(2)中作业时间Tu为船舶u开始作业时间yu与结束作业时间eu的差值;式(3)中Tc是船舶从锚地到堆场花费的时间,Te是船舶离泊时间;表示当船舶u停靠泊位的编号小于船舶v停靠泊位的编号时值为1,否则为0,其中,x表示以岸线为横轴来判断船舶靠泊位置间的关系,u/v是变量,表示船舶编号;表示船舶u先于船舶v作业时值为1,否则为0,其中,y表示以时间为纵轴来判断船舶靠泊时间的关系,u船结束作业时间与v船开始作业时间相隔Tc+Te;式(4)-(5)表示u,v两艘船舶开始作业时间yu和yv的关系,当值为1时,yv大于yu,当值为0时yv小于等于yu;式(6)-(7)表示u,v两艘船靠泊的位置关系,当值为1时,v船泊位编号bv大于bu,当值为0时bv小于等于bu;式(8)用来确保船舶作业时间与位置不冲突,即u,v两艘船舶之间至少作业时间或停靠泊位不同;式(9)令u船开始作业的时间被安排在u船到达泊位之后;Au代表u船时间窗。
(三)装船机调度模型
装船机调度模型由式(10)-(15)表示:
式中,xuvk表示装船机k在服务完u船后,下一艘服务的船是v船时值为1,否则为0;0是虚拟点,表示装船机k均从这里出发,N+1亦为虚拟点,表示装船机k结束作业后均返回N+1处;公式(12)-(15)表示装船机k的移动轨迹是一条连续的路线流;式(15)用来消除局部闭环,表示对装船机k而言,后作业船v对应的辅助变量值一定大于先作业船u。
(四)传送带调度模型
传送带调度模型由式(16)-(21)表示:
式(16)-(17)用以判断u船作业开始和v船作业结束的时间间隔是否大于货物从堆场运至装船机的时间T1,若是,则辅助决策变量f2v值为0,否则f2v值为1;式(18)-(19)通过辅助决策变量f1v来判断船舶v在接受服务时是否具有从其他传送带分流货物的能力;式(20)-(21)用来判断能否通过传送带分流节约时间,当f1v值为1时,可以分流,分流决策变量值为0;当f1v值不为1时,不可以分流,分流决策变量值为1。
(五)集成调度模型
集成调度模型由式(22)-(28)表示:
式(22)-(24)用于判断船舶u与v作业时间是否发生交叉,当值为1且zuv值也为1时,u与v作业时间发生交叉;式(25)-(27)约束了装船机k与泊位编号bv间的关系,使装船机不能跨越相邻装船机作业;式(28)是所述集成调度模型的核心约束,表示船舶u和v先后被装船机k服务,若u和v在同一泊位作业,则两船相隔时间为若u和v不在同一泊位作业,则当值为0时,u和v作业时间间隔为装船机k移动时间T2|bu-bv|,当值为1时,u和v作业时间间隔为T2|bu-bv|+T1。
102、根据码头作业调度模型设定模型假设和约束条件;
具体而言:为了通过本发明的方法计算获得码头作业的最高效解,提出体现码头作业运行特定工况的模型假设,模型假设和假设与各模型之间的映射关系如下:
假设1.泊位为离散泊位,水深相同,一个泊位一次只能服务一艘船。此假设体现于泊位分配模型中的式(3)-(8),用于约束变量yu eu bv与决策变量的关系,具体表现为任一两艘船舶若作业泊位相同则值为0,若任一船舶u先于船舶v作业则值为1,若值为0则值必为1。
假设2.每艘船舶的预计到港时间已知,且船舶准时到港。此假设体现于泊位分配模型中的公式(9),用于约束变量Au与yu之间的关系。
假设3.船舶装载量和需求货物种类已知,且每艘船只能装载一种货物。此假设体现于传送带调度模型中的式(18)-(19),通过假设令Hu为已知值。
假设4.每艘船只能被1个装船机服务,装船机装卸速度恒定。此假设体现于装船机调度模型中的公式(12),通过约束决策变量xuvk形成装船机的移动轨迹。
假设5.传送带必须在船舶进入泊位后再启动,货物从堆场到达装船机的时间设为固定时间。此假设体现于传送带调度模型中的式(16)-(21),通过常量T1和决策变量f1v约束传送带作业时间,当f1v值为1时,T1可被缩减,反之,传送带作业需考虑运输时间T1。
其中假设1和假设2基于码头正常工况下的作业常识。而假设3-5则是基于内河干散货作业特性产生。其中假设3基于内河干散货船一般仅有一个货仓;假设4基于多装船机卸料会导致干散货船稳性下降;假设5是为了安全生产,防止矿渣掉入内河。假设6是基于干散货码头布局对问题做出简化。
103、根据码头作业调度模型构建禁忌遗传算法;在禁忌遗传算法中设定船舶预计到港时间、船舶需求货物种类和需求量以及码头设备参数;
104、通过禁忌遗传算法计算得到船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻;
105、根据禁忌遗传算法的计算结果安排码头作业集成调度方案。
如图3所示,步骤103-105是通过禁忌遗传算法优化码头作业调度模型的过程。
具体而言,
算法输入内容包括:
①船舶预计到港时间(用来确定船舶入泊时间)
②船舶需求货物种类和需求量(用来确定分流器开闭时间)
③码头设备参数(如装船机数量、泊位数量、堆存货物种类、传送带从堆场出发至装船机花费的时间、岸桥从当前泊位移至相邻泊位花费时间等)
算法输出内容包括:
①各船舶入泊时间及入泊位置
②各船离泊时间
③岸桥移动轨迹及服务对象(船舶)
④分流装置开闭时刻
禁忌遗传算法的步骤为:
S81、利用贪婪算法构建具有三层染色体的初始种群,其中上层染色体代表装船机编号,中层染色体代表船舶靠泊优先级,下层染色体代表船舶靠泊泊位,基因在染色体的位置代表船舶编号;
本步骤确定了模型变量xuvk和bu在算法中的表现形式,染色体确定时,xuvk、bu、等约束船舶靠泊位置、靠泊顺序、对应装船机编号等变量也随之确定,算法优化的本质就是通过改变染色体各基因的值(模型中各变量的值)来形成不同的优化方案。具有三层染色体的初始种群的结构为:
其中,为第k条染色体上层第i位基因,表示服务i船的装船机编号,取值范围是从1至装船机数量的最大值;为中层基因,表示i船的靠泊优先级,数值越小,优先级越高;为下层基因,表示i船的泊位编号,取值范围为从1至泊位数的最大值。染色体可视化后如图4所示。
S82、判断是否满足算法终止条件,若是,终止算法,若否,则继续下一步骤;
S83、通过所述码头作业调度模型中各变量的约束关系和染色体确定的变量值计算所述染色体的适应度;
S84、对当前种群进行选择、交叉、变异、种群修复操作;
S85、根据所述初始种群建立禁忌搜索算法候选集,并判断所述候选集是否为空;若为空转入S86,若不为空转入S87;
依靠替换pop2两个基因的位置产生候选集,这种方式比遗传算法的局部寻优能力更强。
S86、判断是否满足禁忌搜索迭代次数10^m次,若满足,输出禁忌搜索得到的最优解,所有染色体经禁忌搜索求解后形成本次迭代的最优种群,转入S82,若不满足,转入S85;
设混合算法的迭代次数为10^m次,当算法迭代相应的次数或重复得到m*10次相同迭代结果时,终止操作。
S87、判断候选解是否满足藐视准则,若满足,将当前解替换为所述最优解,并转入S86,若不满足,转入S88;
S88、判断所述最优解是否属于禁忌表,若是删除当前最优解,转入S85判断所述候选集是否为空,若否,则将当前解替换为所述最优解转入S86。对于步骤S85-S88,由于泊位与装船机间有隐形约束关系,因此将更易得到较优解的中层基因(靠泊优先级)交于禁忌搜索算法进行求解。中层基因是由各不相同的数字构成的,这些数字只能改变所处的位置不能改变大小,故中层基因的变化空间比数字可变的上层基因和下层基因小。基于上述特点,通过交换两个基因的位置来产生当前解的邻域;并将藐视准则设定为当某个基因移动后得到的邻域解优于当前最优解时,不论该基因移动是否处于禁忌状态,都接受该解作为新的当前解和当前最优解。
对于步骤S84中的交叉与变异操作,交叉与变异操作仅针对上层染色体(装船机编号)和下层染色体(泊位编号)。由于提供的初始种群据有较好的下界,大规模的交叉变异很难得到更优的解,故染色体的交叉策略采用单点交叉的方式,即随机选择父代染色体基因位点,与母代染色体任一基因位点进行交换。变异则采用单点变异的方式,在染色体任一基因点上进行合乎值域的随机变换。为了跳出局部最优,算法还规定了交叉变异概率会随着算法得到相同最优解次数的增加而增加。
对于步骤S84中的种群修复操作,由于交叉变异是随机产生的,故上层染色体与下层染色体在进行相应操作时有很大可能产生无效解,此时需要对无效染色体进行修复,过程如下:
Step1.判断发生交叉变异操作的是上层染色体还是下层染色体。
Step2.确认交叉变异操作的基因位点。
Step3.依照上一步得到的基因位点对没有进行交叉变异操作的另一层染色体进行赋值修改,修改后的染色体满足模型提出的各项约束。
算法根据目标函数引出的适应度函数为:
F(f1)=min(max(eu)) (30)
对于内河干散货码头而言,适应度函数最能体现其作业的独特性。模型中关于船舶靠泊离泊时间、装船机移动时间、传送带运输时间的约束都会直接决定码头作业时间max(eu)的大小。适应度函数不仅是算法的求解目标,更是模型中各决策约束条件的最终体现。
另外,在适应度函数中引入罚函数来处理船舶的时间窗约束、时空不重叠约束及分流约束。若某一装船机需要跨越另一工作中的装船机,则赋予该装船机一个罚函数,其值为工作中装船机完成工作并转移至不再阻挡被罚装船机的时间。同样的,对于无法使用分流策略的船舶,要赋予其一个等待传送带将货物运至码头的罚函数。对于装船机在不同泊位间移动所花费的时间,也有相应的罚函数。
算法的最大迭代次数与问题规模相关,问题规模越大,算法收敛时间越长,m与n的取值也应随之增加。以拥有5个泊位,3台装船机的码头及15条待装船舶的干散货码头为例,设装船机在相邻泊位移动时间设计为5分钟,货物从堆场到装船机的时间设计为15分钟,船舶从锚地到可以接受装船机作业的间隔设置为20分钟;传送带运输量约为30t/min;货物种类设计为3种。经过反复实验,遗传算法参数确定如下:种群规模为10,遗传算法迭代次数为100,交叉率为0.8,变异率为0.2。禁忌搜索算法参数确定如下:迭代次数为船舶数/3(不低于20次),禁忌表长度为INT{[船舶数×(船舶数-1)/2]^0.5}。求解结果如图6所示。
如图5所示,各模型与禁忌遗传算法的映射关系为:
泊位分配模型由pop2和pop3的编码规则、罚函数和种群修复算法共同体现,其中编码规则提供了泊位数量和靠泊顺序信息,罚函数通过引入泊位分配模型中各变量间的约束关系,尽力满足船舶时空不重叠约束,对于实在无法满足的种群,采用基因修复算法进行修复。
装船机调度模型由pop3的编码规则、罚函数和种群修复算法共同体现,其中编码规则提供了装船机服务对象的信息,罚函数通过引入装船机调度模型中各变量间的约束关系,求出装船机移动轨迹,并尽力满足装船机不跨越作业等约束,对于实在无法满足的种群,采用基因修复算法进行修复。
传送带调度模型由罚函数进行体现,通过引入模型中各变量间的约束,计算传送带应对不同货物需求的作业时间,以及分流操作节约的时间。
目标函数通过算法多次迭代取优获得,作为判断标准的适应度函数则通过对各环节罚函数与船舶装船时间进行累加得出。
仿真试验:
本试验设计了不考虑传送带因素的BACASP调度优化方案作为对比。通过测试两种优化方案在不同场景下的表现,验证本发明提出的集成调度方法的有效性。为了测试码头在两种优化方案下的极限运转效率,在试验中不考虑时间窗约束。各场景设备配置如表2所示。利用表2的设备配置,对不同规模的算例进行多次对比试验取平均值,运算结果如图7所示。从图7可以看出,本发明提出的集成调度方案要明显优于BACASP调度优化方案。
表2
场景 | 装船机数量 | 泊位数量 |
场景1 | 2 | 3 |
场景2 | 3 | 4 |
场景3 | 3 | 5 |
对图7的运算结果展开进一步分析,分析结果如图8所示。从图8可以发现,本发明与对照方案相比可提升75%左右的分流装置启用次数,减少50%左右的船舶在泊等待时间,节约15%左右的码头作业时间。
为了进一步验证本发明的适用范围和应用效果,针对传送带运力、船舶容量、货物从堆场至码头耗费时间设置了不同的情境进行求解。情境参数如表3所示。表3中,Vbelt表示传送带运力,Ttran表示货物从堆场至装船机需要的时间,Pboat为船舶载货量,Tberth为船的在泊时间,X为计算次数。情境1和情境2为了验证Vbelt与Pboat对码头的影响力可以转换为Tberth。情境3为了测试本文研究成果适用的Tberth范围。情境4和5则是探求Ttran对装船机闲置时间的影响,其中情境4使用的是内河常用吨位的船舶,情境5使用的是较大吨位的船舶。
表3
情境 | V<sub>belt</sub>(t/min) | T<sub>tran</sub>(min) | P<sub>boat</sub>(t) | T<sub>berth</sub>(min) |
情境1 | 30 | 15 | 3000 | 100 |
情境2 | 10 | 15 | 1000 | 100 |
情境3 | 30 | 15 | 1000~{1000+1000*(X)} | 1000/30~{1000+1000*(X)}/30 |
情境4 | 30 | 15+5*(X) | 1000~2000 | 33~67 |
情境5 | 30 | 15+5*(X) | 3000~5000 | 100~167 |
对于上述5个情境,得到结果如图9所示。
由图9可以看出,情境1和2的求解结果相同,故Vbelt与Pboat对码头的影响力可以转换为Tberth进行计算。情境3表明若Vbelt固定,则Pboat越大,码头对单个船舶作业时间越长,本文提出的集成调度方案对总作业时间的效果会越不明显,但减少在泊等待时间的效果基本维持不变。情境4和情境5表明,Ttran时间越长,集成调度优化效果越好,且内河常用船舶的优化效果明显好于大吨位船舶。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种内河码头干散货作业集成调度方法,其特征在于,包括:
构建码头作业调度模型;所述码头作业调度模型,包括:泊位分配模型、装船机调度模型、传送带调度模型、集成调度模型,以及以码头作业总时间最小为求解目标的目标函数;
根据所述码头作业调度模型设定模型假设和约束条件;
根据所述码头作业调度模型构建禁忌遗传算法;在所述禁忌遗传算法中设定船舶预计到港时间、船舶需求货物种类和需求量以及码头设备参数;
通过所述禁忌遗传算法计算得到船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻;
根据所述禁忌遗传算法的计算结果安排码头作业集成调度方案。
3.根据权利要求2所述的一种内河码头干散货作业集成调度方法,其特征在于,所述泊位分配模型,包括:
所述泊位分配模型由式(2)-(9)表示:
其中,式(2)中作业时间Tu为船舶u开始作业时间yu与结束作业时间eu的差值;式(3)中Tc是船舶从锚地到堆场花费的时间,Te是船舶离泊时间;表示当船舶u停靠泊位的编号小于船舶v停靠泊位的编号时值为1,否则为0,其中,x表示以岸线为横轴来判断船舶靠泊位置间的关系,u/v是变量,表示船舶编号;表示船舶u先于船舶v作业时值为1,否则为0,其中,y表示以时间为纵轴来判断船舶靠泊时间的关系,u船结束作业时间与v船开始作业时间相隔Tc+Te;式(4)-(5)表示u,v两艘船舶开始作业时间yu和yv的关系,当值为1时,yv大于yu,当值为0时yv小于等于yu;式(6)-(7)表示u,v两艘船靠泊的位置关系,当值为1时,v船泊位编号bv大于bu,当值为0时bv小于等于bu;式(8)用来确保船舶作业时间与位置不冲突,即u,v两艘船舶之间至少作业时间或停靠泊位不同;式(9)令u船开始作业的时间被安排在u船到达泊位之后;Au代表u船时间窗。
6.根据权利要求5所述的一种内河码头干散货作业集成调度方法,其特征在于,所述集成调度模型,包括:
所述集成调度模型由式(22)-(28)表示:
7.根据权利要求6所述的一种内河码头干散货作业集成调度方法,其特征在于,所述模型假设,包括:
泊位为离散泊位,水深相同,一个泊位一次只能服务一艘船舶;
每艘船舶的预计到港时间已知,且船舶准时到港;
船舶装载量和需求货物种类已知,且每艘船只能装载一种货物;
每艘船只能被一个装船机所服务,装船机装卸速度恒定;
传送带必须在船舶进入泊位后再启动,货物从堆场到达装船机的时间为固定时间。
8.根据权利要求1所述的一种内河码头干散货作业集成调度方法,其特征在于,所述通过所述禁忌遗传算法计算得到船舶入泊时间及入泊位置、船舶离泊时间、装船机移动轨迹及服务船舶以及分流装置开闭时刻,包括:
S81、利用贪婪算法构建具有三层染色体的初始种群,其中上层染色体代表装船机编号,中层染色体代表船舶靠泊优先级,下层染色体代表船舶靠泊泊位,基因在染色体的位置代表船舶编号;
S82、判断是否满足算法终止条件,若是,终止算法,若否,则继续下一步骤;
S83、通过所述码头作业调度模型中各变量的约束关系和染色体确定的变量值计算所述染色体的适应度;
S84、对当前种群进行选择、交叉、变异、种群修复操作;
S85、根据所述初始种群建立禁忌搜索算法候选集,并判断所述候选集是否为空;若为空转入S86,若不为空转入S87;
S86、判断是否满足禁忌搜索迭代次数10^m次,若满足,输出禁忌搜索得到的最优解,所有染色体经禁忌搜索求解后形成本次迭代的最优种群,转入S82,若不满足,转入S85;
S87、判断候选解是否满足藐视准则,若满足,将当前解替换为所述最优解,并转入S86,若不满足,转入S88;
S88、判断所述最优解是否属于禁忌表,若是删除当前最优解,转入S85判断所述候选集是否为空,若否,则将当前解替换为所述最优解转入S86。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062799.7A CN112712288B (zh) | 2021-01-18 | 2021-01-18 | 一种内河码头干散货作业集成调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062799.7A CN112712288B (zh) | 2021-01-18 | 2021-01-18 | 一种内河码头干散货作业集成调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712288A true CN112712288A (zh) | 2021-04-27 |
CN112712288B CN112712288B (zh) | 2023-12-19 |
Family
ID=75549306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062799.7A Active CN112712288B (zh) | 2021-01-18 | 2021-01-18 | 一种内河码头干散货作业集成调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712288B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689037A (zh) * | 2021-08-24 | 2021-11-23 | 大连海事大学 | 一种散货港口生产调度优化方法 |
CN114014038A (zh) * | 2021-11-23 | 2022-02-08 | 大连海事大学 | 一种散货码头装船作业优化方法 |
CN115375248A (zh) * | 2022-10-24 | 2022-11-22 | 济宁港航内河经济研究院有限公司 | 一种内河临港物流园区管理系统 |
CN117592703A (zh) * | 2023-11-17 | 2024-02-23 | 哪吒港航智慧科技(上海)有限公司 | 一种货主码头的船舶监控与作业方法、系统及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5222192A (en) * | 1988-02-17 | 1993-06-22 | The Rowland Institute For Science, Inc. | Optimization techniques using genetic algorithms |
US20120053973A1 (en) * | 2010-08-31 | 2012-03-01 | King Fahd University Of Petroleum And Minerals | Method of repairing financially infeasible genetic algorithm chromosome encoding activity start times in scheduling |
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
CN104361234A (zh) * | 2014-11-15 | 2015-02-18 | 北京理工大学 | 一种复杂约束条件下多星多任务观测调度优化方法 |
CN107784396A (zh) * | 2017-11-06 | 2018-03-09 | 上海海事大学 | 一种自动化集装箱码头关键装卸资源集成调度方法 |
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 |
CN111898859A (zh) * | 2020-06-23 | 2020-11-06 | 唐山港集团股份有限公司 | 一种多目标单向航道码头连续型泊位分配调度方法 |
-
2021
- 2021-01-18 CN CN202110062799.7A patent/CN112712288B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5222192A (en) * | 1988-02-17 | 1993-06-22 | The Rowland Institute For Science, Inc. | Optimization techniques using genetic algorithms |
US20120053973A1 (en) * | 2010-08-31 | 2012-03-01 | King Fahd University Of Petroleum And Minerals | Method of repairing financially infeasible genetic algorithm chromosome encoding activity start times in scheduling |
CN103984996A (zh) * | 2014-05-26 | 2014-08-13 | 北京工商大学 | 基于禁忌搜索和遗传算法的湖库藻类水华生成机理时变模型优化及预测方法 |
CN104361234A (zh) * | 2014-11-15 | 2015-02-18 | 北京理工大学 | 一种复杂约束条件下多星多任务观测调度优化方法 |
CN107784396A (zh) * | 2017-11-06 | 2018-03-09 | 上海海事大学 | 一种自动化集装箱码头关键装卸资源集成调度方法 |
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 |
CN111898859A (zh) * | 2020-06-23 | 2020-11-06 | 唐山港集团股份有限公司 | 一种多目标单向航道码头连续型泊位分配调度方法 |
Non-Patent Citations (2)
Title |
---|
QIN JIN: "Model and Algorithm for the Berth Allocation Problem with Time Windows", 2009 CHINESE CONTROL AND DECISION CONFERENCE, pages 4947 - 4950 * |
蔡芸: "基于量子遗传混合算法的泊位联合调度", 计算机应用, vol. 40, no. 3, pages 897 - 901 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689037A (zh) * | 2021-08-24 | 2021-11-23 | 大连海事大学 | 一种散货港口生产调度优化方法 |
CN113689037B (zh) * | 2021-08-24 | 2024-03-08 | 大连海事大学 | 一种散货港口生产调度优化方法 |
CN114014038A (zh) * | 2021-11-23 | 2022-02-08 | 大连海事大学 | 一种散货码头装船作业优化方法 |
CN115375248A (zh) * | 2022-10-24 | 2022-11-22 | 济宁港航内河经济研究院有限公司 | 一种内河临港物流园区管理系统 |
CN115375248B (zh) * | 2022-10-24 | 2023-01-24 | 济宁港航内河经济研究院有限公司 | 一种内河临港物流园区管理系统 |
CN117592703A (zh) * | 2023-11-17 | 2024-02-23 | 哪吒港航智慧科技(上海)有限公司 | 一种货主码头的船舶监控与作业方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112712288B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712288B (zh) | 一种内河码头干散货作业集成调度方法 | |
Yue et al. | Optimizing configuration and scheduling of double 40 ft dual-trolley quay cranes and AGVs for improving container terminal services | |
CN110516976B (zh) | 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 | |
CN101585453B (zh) | 集装箱码头出口箱堆场自动分配方法 | |
CN111091238A (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
CN113240234B (zh) | 煤炭港口装船设备分配与船舶交通组织协调优化方法 | |
CN113689037B (zh) | 一种散货港口生产调度优化方法 | |
CN108845496B (zh) | 一种自动化码头agv调度方法及系统 | |
CN111861205A (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
CN111498696B (zh) | 一种双吊具场桥调度优化方法及装置 | |
CN114118639B (zh) | 一种顺岸式边装卸自动化码头art动态调度方法 | |
CN107451720B (zh) | 面向自动化集装箱码头的船次作业计划评价方法 | |
Zhang et al. | Cooperative scheduling of AGV and ASC in automation container terminal relay operation mode | |
CN114626754A (zh) | 一种不确定环境下的多码头潮汐港泊位岸桥联合调度方法 | |
CN110942203A (zh) | 一种自动化集装箱码头agv路径优化方法 | |
Xin et al. | Mixed-integer nonlinear programming for energy-efficient container handling: Formulation and customized genetic algorithm | |
CN112926873A (zh) | 集装箱码头船舶配载深度学习混合训练系统 | |
Lu | The optimization of automated container terminal scheduling based on proportional fair priority | |
Carrese et al. | Optimizing the stacking of the Intermodal Transport Units in an inland terminal: an heuristic procedure | |
Homayouni et al. | Energy-Efficient Scheduling of Intraterminal Container Transport | |
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 | |
CN114781761A (zh) | 一种采用仿真预演的装卸船作业计划实时调整方法 | |
CN114742350A (zh) | 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 | |
Fu et al. | Berth and quay crane scheduling optimization based on improved genetic algorithm | |
CN114048996A (zh) | 一种考虑外集卡到达不确定的u型自动化码头绿色集成调度方法 |
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 |