CN113435722B - U型自动化码头多设备混合调度方法及电子设备 - Google Patents

U型自动化码头多设备混合调度方法及电子设备 Download PDF

Info

Publication number
CN113435722B
CN113435722B CN202110672954.7A CN202110672954A CN113435722B CN 113435722 B CN113435722 B CN 113435722B CN 202110672954 A CN202110672954 A CN 202110672954A CN 113435722 B CN113435722 B CN 113435722B
Authority
CN
China
Prior art keywords
task
representing
agv
container
particle
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
CN202110672954.7A
Other languages
English (en)
Other versions
CN113435722A (zh
Inventor
李军军
杨婧瑜
许波桅
杨勇生
吴华锋
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202110672954.7A priority Critical patent/CN113435722B/zh
Publication of CN113435722A publication Critical patent/CN113435722A/zh
Application granted granted Critical
Publication of CN113435722B publication Critical patent/CN113435722B/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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G06Q50/40—

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种U型自动化码头多设备混合调度方法及电子设备，所述方法包括：获取总任务信息；根据所述总任务信息对调度粒子群进行初始化；对进行初始化的所述调度粒子群进行CCSPO粒子群迭代处理；在迭代过程中对粒子进行速度控制；判断是否满足混沌条件，若满足混沌条件，则对所述调度粒子群采用混沌粒子群算法进行优化，并满足迭代结束条件时，得到调度结果。本发明考虑了AGV数量分配和AGV、ET路径约束的情况下，能够解决来自YC、AGV和ET三种类型的设备混合调度问题。

Description

U型自动化码头多设备混合调度方法及电子设备
技术领域
本发明涉及集装箱运输领域，特别涉及一种基于混沌粒子群优化的U型自动化码头多设备混合调度方法及电子设备。
背景技术
目前关于码头多设备调度的研究一般最多集中在两种设备之间的调度，如AGV&YC、AGV&QC、YC&内部卡车(IT)等。三种设备之间的调度一般仅涉及QC(岸桥)、AGV(自动化无人引导小车)和YC(场桥)。这三种设备调度问题中会有以下约束：如AGV，IT和ET(外集卡)等陆运运输设备的路径约束,QC或YC等堆场起重设备之间的无交叉约束。在以上问题的研究中，为了简化问题，一般会忽略一些约束，例如，如果只关注AGV、YC和QC的数量分配，一般不会考虑全部约束。因此，目前缺乏对三种以上设备调度的研究，同时考虑了设备的分布和约束条件。
发明内容
本发明的目的在于提供一种基于混沌粒子群优化的U型自动化码头多设备混合调度方法及电子设备，在考虑了AGV数量分配和AGV、ET路径约束的情况下，解决了来自YC、AGV和ET三种类型的设备混合调度问题。
为了解决以上问题，本发明通过以下技术方案实现：
一种U型自动化码头多设备混合调度方法，包括：步骤S1、获取总任务信息；步骤S2、根据所述总任务信息对调度粒子群进行初始化；步骤S3、对进行初始化的所述调度粒子群进行CCSPO粒子群迭代处理，进入步骤S5，步骤S5、判断是否满足混沌条件，若满足混沌条件，则进入步骤S4；
步骤S4、对所述调度粒子群进行粒子混沌处理，处理完所有粒子后进入步骤S6；
步骤S6、判断是否满足迭代结束条件，满足则得到调度结果，否则继续迭代。
优选地，所述总任务信息包括集装箱号、与集装箱对应的任务类型、集装箱在堆场的目标位置。
优选地，每个集装箱对应的任务类型为四种；
第一种任务类型是指集装箱被运出堆场，并依次通过YC和AGV；
第二种任务类型是指集装箱从AGV运输到堆场，再从YC运输到相应堆场的目标位置；
第三种任务类型是指集装箱被运出堆场，并依次通过YC和ET；
第四种任务类型是指集装箱从ET运输到堆场，再从YC运输到相应堆场的目标位置；
对于所述第一种任务类型和第三种任务类型，YC先跑到堆场的目标位置拿到集装箱，然后等待AGV或ET到达交接区域，在所述第一种任务类型和第三种任务类型中，YC在完成交接后完成当前任务；
对于所述第二种任务类型和所述第四种任务类型，YC先运行至与目标位置对应的交接bay位置，等待AGV或ET交接，然后YC仅需小车和吊具沿堆场row运动，将集装箱运输至堆场目标位置。
优选地，所述步骤S2包括：
步骤S2.1、生成所述调度粒子群；
所述调度粒子群包括三个子粒子群，其中第一子粒子群包括若干个YC粒子，第二子粒子群包括若干个AGV粒子，第三子粒子群包括若干个ET粒子；
步骤S2.2、初始化粒子群参数；
所述粒子群参数包括粒子群规模、粒子初始速度、局部历史最优位置、全局最优位置、局部历史最优值和全局最优值。
优选地，所述步骤S2.2包括：
步骤S2.2.1、生成初始粒子位置：
步骤S2.2.1.1、根据总任务信息确定当前运输设备的所有任务编号；
步骤S2.2.1.2、对所有所述任务编号进行随机排序得到初始位置值；
步骤S2.2.1.3、重复执行所述步骤S2.2.1.1直到生成AGV、YC及ET的一组任务序列，将此组任务序列作为粒子初始位置；
步骤S2.2.1.4、重复执行所述步骤S2.2.1.1直到生成粒子数满足粒子群规模；
步骤S2.2.2、设定粒子初速度，如下式：
v0＝pmax-p0+r0(pmax-pmin)
式中v0表示粒子初速度；pmax表示调度粒子群当前适应值的最大位置；p0表示粒子初始位置；r0表示在(0，1)之间生成的随机数；pmin表示调度粒子群当前最小适应值的对应粒子位置；
步骤S2.2.3、调用调度粒子模块以初始化调度粒子群中各粒子的适应值；
所述调度粒子模块中的调度参数包含决策变量，和对应此决策变量的适应值；所述决策变量为AGV、YC和ET的任务序列；决策变量对应于一种集装箱的调度顺序。当将粒子位置值赋给调度粒子模块时，每一所述粒子的适应值均通过以下过程计算：
步骤S2.2.3.1、对粒子位置进行离散化作为调度参数；
步骤S2.2.3.2、采用如下公式更新堆场内交互信息：
式中，ytij+1表示场桥i任务j+1的开始时间；表示集装箱yij的堆场bay位置；/>表示表示集装箱yij-1的堆场bay位置；/>表示集装箱yij-1的堆场row位置；/>表示集装箱yij的堆场row位置；ragv表示YC与AGV交接的row位置；ret表示YC与ET交接的row位置；/>表示运输集装箱yij的场桥吊具下落距离；f0表示场桥吊具在交接时的下降距离；/>表示集装箱yij的任务类型；
式中，表示场桥i当前任务的交接时间；j表示任务索引编号；/>表示编号i0的YC的集装箱任务集；yij表示场桥i任务j的集装箱编号；
式中，表示场桥i当前任务的交接时间；ytij表示场桥i任务j的开始时间；/>表示集装箱yij的堆场bay位置；/>表示集装箱yij-1的堆场bay位置；/>表示集装箱yij的堆场row位置；/>表示集装箱yij-1的堆场row位置；/>表示表示运输集装箱yij的场桥吊具下落距离；ret表示YC与ET交接的row位置；/>表示集装箱yij的任务类型；ragv表示YC与AGV交接的row位置；
式中，A表示AGV车道入口排队的集装箱编号；表示场桥i′0任务j′0的集装箱编号；i'0表示场桥编号；j'0表示场桥任务编号；
式中，aij表示AGV i任务j的集装箱编号；atij表示AGV i任务j的开始时间；At表示场区入口AGV队列中AGV的到达时间；表示场桥i′0任务j′0的集装箱编号；
式中，a表示堆场入口AGV排队次序，变量元素由AGV对应运输的集装箱编号构成，AGV和合作的YC越早到达入口和交接区，AGV的优先级越高。每当有AGV进入队列时，车场入口的AGV队列将按照上述优先级重新排列。表示调整a中的元素大小顺序，使之与/>中元素大小顺序对应；At表示场区入口AGV队列中AGV的到达时间；/>表示场桥i当前任务的交接时间；Yc表示场桥集；
式中，i1表示AGV编号；i表示变量；j1'表示AGV任务编号；j表示变量；aij表示AGV i任务j的集装箱编号；A0表示排在第一位的集装箱编号；
式中，j1表示AGV任务编号；j表示变量；表示AGVi1运输集装箱编号j的任务开始时间；
式中，表示AGV i1任务j的集装箱编号；A0表示排在第一位的集装箱编号；/>表示AGV i1任务j-1的集装箱编号；j1表示AGV任务编号；j1'表示AGV任务编号；/>表示AGVi1的总任务集；
式中，tenter表示AGV进入入口的时间；表示AGVi1任务j1的开始时间；/>表示AGV车道的场区入口的释放时间；
式中，thandover表示AGV与YC的交接时间；tenter表示AGV进入入口的时间；表示AGV车道β位的释放时间；Δt0表示防撞时间，为预先设定值；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV车道的场区入口的释放时间；thandover表示AGV与YC交接时间；
式中，i0表示YC编号；j0表示YC任务编号；yij表示场桥i任务j的集装箱编号，A0表示排在第一位的集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示AGV和YC交接时间，/>表示场桥i0当前任务的交接时间；
式中，twait表示AGV等待时间；thandover表示AGV和YC交接时间；表示场桥i0当前任务的交接时间；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示AGV离开时间；twait表示AGV等待时间；表示AGV车道β位的释放时间；Δt0表示防撞时间；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}，其中，-1表示场区入口；
式中，表示AGV车道β位的释放时间；tleave表示AGV离开堆场时间；β表示AGV车道第β位；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV i1任务j1+1的开始时间；tleave表示AGV离开堆场时间；Δt1表示防撞时间；
A＝A-{A0}
式中，A表示AGV车道入口排队的集装箱编号；A0表示排在第一位的集装箱编号；
式中，E表示ET车道入口排队的集装箱编号；表示场桥i'0任务j'0的集装箱编号；
式中，Et表示场区入口ET队列中ET的到达时间，etij表示ET i任务j的开始时间；eij表示外集卡i任务j的集装箱编号；表示场桥i'0任务j'0的集装箱编号；
式中，e表示堆场入口ET排队队列，变量元素由排队ET对应运输的集装箱编号构成，表示调整e中的元素大小顺序，使之与y中元素大小顺序对应/>中元素大小顺序对应；Et表示场区入口ET队列中ET的到达时间；/>表示场桥i当前任务的交接时间；
式中，i2表示ET编号；i表示变量；j'2表示ET任务编号；j表示变量；eij表示外集卡i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ET i2任务j-1的开始时间；/>表示ET i2任务j的开始时间；
式中，表示外集卡i2任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；/>表示外集卡i2任务j-1的集装箱编号；j'2表示ET任务编号；/>表示ETi2的任务集；i2表示ET编号；
式中，tenter表示ET进入堆场时间；表示ET i2任务j2的开始时间；/>表示场区入口的释放时间；
式中，thandover表示ET和YC交接时间；tenter表示ET进入堆场时间；表示ET车道β位的释放时间；Δt0表示防撞时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场区入口的释放时间；thandover表示ET和YC交接时间；
式中，i表示变量；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；j0表示ET任务编号；j表示变量；yij表示场桥i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示ET离开堆场时间；/>表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；
式中，twait表示ET等待时间；thandover表示ET和YC的交接时间；表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示ET离开堆场的时间；twait表示ET的等待时间；表示ET车道β位的释放时间；Δt0表示防撞时间；
式中，表示ET车道β位的释放时间；tleave表示ET离开堆场的时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ET i2任务j2+1的开始时间；tleave表示ET离开堆场时间；Δt1表示防撞时间；
E＝E-{E0}
式中，E表示ET车道入口排队的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
步骤S2.2.3.3、当YC任务跟踪指针全部指向YC最后虚拟结束任务位置时结束，否则返回步骤S2.2.3.2；
步骤S2.2.3.4、对所有粒子位置及粒子适应值进行更新；
步骤S2.2.3.5、连续化粒子值，将粒子适应值作为输入粒子的适应值参数。
优选地，所述步骤S2.2.3.5包括：令粒子位置为X，采用如下公式对式
中X进行连续化，此时X中元素为整数形式：
式中，θi表示变量X和i维轴向量之间的夹角；Ei表示单位矩阵E的i维向量；X表示粒子位置；E表示和变量X维数相同的单位矩阵；
当粒子位置X中的元素为连续形式时，采用如下公式对所述粒子位置进行离散化：
X＝sort(M,cosθi)
式中，M表示原始离散决策值，X表示粒子位置。
原始离散决策值M可以任意从可行的决策值中选择，当决策值由任务序列表示时，M即为一个任意可行的任务序列；一旦原始决策值选取后，将不再改变。
优选地，所述步骤S3包括：
步骤S3.1、输入粒子速度，并采用如下公式更新粒子速度；
vi+1＝wvi+c1r1(pbesti-pi)+c2r2(gbest-pi)
式中，vi表示在第i次迭代的粒子速度，vi+1表示第i+1次迭代的粒子速度；w表示权重；c1表示认知系数；c2表示社会系数；r1和r2表示在(0,1)中生成随机数,在每次速度迭代中皆会生成；pbesti表示在第i次迭代后的粒子局部最优值；gbest表示粒子群全局最优值；pi表示粒子在第i次迭代后的粒子位置；
步骤S3.2、输入粒子位置，并采用如下公式更新粒子位置；
pi+1＝pi+vi+1
式中，pi+1表示粒子在第i+1次迭代后的粒子位置；
步骤S3.3、将粒子的位置范围限制在
步骤S3.4、根据α判断是否进行速度控制，α采用如下公式计算；
式中，α表示vi+1方向与pi+1到全局最优位置方向的夹角；p表示粒子当前位置；
如果α＞0，则采用如下公式进行速度控制，如果α≤0，则进入步骤S3.5：
p′i+1＝p+v′i+1
式中，p′i+1表示经过速度控制后，pi+1的更新；v′i+1表示经过速度控制后，vi+1的更新；
步骤S3.5、更新粒子适应值；
步骤S3.6、更新粒子局部最优位置及粒子局部最优值；
步骤S3.7、遍历完粒子群中所有粒子时进入步骤S3.8，否则返回步骤S3.1；
步骤S3.8、更新粒子全局最优位置及全局最优适应值。
优选地，所述步骤S4包括：
步骤S4.1、在0～1之间生成一随机数p，p值在每次执行此步骤时需重新生成；并设置混沌pc的概率；
步骤S4.2、判断随机数p是否小于pc，若是，则进入步骤S4.3，若否，返回步骤S4.1；
步骤S4.3、当前粒子位置混沌映射时，混沌从粒子的第二个元素开始，基于以下公式得到粒子局部最优值；
x＝min(Pijk/0.5π+0.01,0.9)
y＝4x(1-x),x∈(0,1)
Pijk＝0.5πy
式中，Pijk表示粒子i中第j维的第k元素的值；x、y：表示过渡值；
步骤S4.4、判断是否对粒子所有维度进行遍历，若否，返回步骤S4.3；
步骤S4.5、判断是否遍历完粒子群中所有粒子，若否，返回步骤S4.1；
若是，则执行步骤S6。
优选地，所述步骤S5包括：
步骤S5.1、对群粒子迭代临时计数，每当群粒子完整迭代一次时计数加1，当全局最优适应值更新时，计数归0；
步骤S5.2、群粒子迭代临时计数值达到混沌设定值时，进入步骤S4
所述步骤S6包括：
步骤S6、对整体迭代次数进行计数，每当群粒子完整迭代一次时计数加1，当整体迭代次数达到迭代设定值时结束迭代，当前全局最优适应值为所求，否则返回步骤S3。
另一方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上文所述的方法。
本发明至少具有以下优点之一：
本发明通过对调度对象分层抽象，优化了现有调度模型架构，并提出一种动静态混合调度策略用于求解堆场作业最大完工时间。算法层面，基于混沌粒子群算法进行优化，采用混沌粒子策略和粒子迭代速度控制策略来寻找更优解，提出了带速度控制的混沌粒子群优化算法(CCPSO)。此外，提出了用于离散连续粒子和连续离散粒子的映射空间，从而对算法结果进一步优化。验证结果表明，与传统的粒子群优化算法(PSO)、自适应粒子群优化算法(APSO)和随机位置粒子群优化算法(RPPSO)相比，CCPSO在大规模问题中获得近优解的时间更短。
附图说明
图1a和图1b为本发明一实施例提供的U型自动化码头的示意图；
图2为本发明一实施例提供的一种U型自动化码头多设备混合调度方法的流程示意图；
图3为本发明一实施例提供的一种U型自动化码头多设备混合调度系统的结构示意图；
图4为本发明一实施例提供的动态信息交互的示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种U型自动化码头多设备混合调度方法及电子设备作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在传统码头布局中，堆场的端部专门设置了交接区，自动化无人引导小车(AGV)、外集卡(ET)和场桥(YC)在交接区进行对接，这种对接方式容易发生的情况是：(1)堆场YC长期处于长距离，重载搬运集装箱的状态；(2)堆场YC容易相互干涉，难以兼顾装卸船和集疏运作业；(3)AGV、ET运输道路没有完全分离，易造成拥堵；(4)ET进入堆场YC交接区时，需要倒车入库，操作难度大等等。新的U型自动化码头布局如图1a和1b所示，场区YC采用双悬臂结构，侧面交接模式，可以在车道上直接与AGV、ET交接。AGV沿专用车道直接进入场区内水平运输，避免了YC长距离、重载搬运集装箱。ET沿U型车道进入场区与YC交接，交接完后可以直接离港。依次相邻的两个堆场共用AGV或ET车道，使得堆场内YC可以分段负责堆场，不再需要考虑共轨运行时经常出现的干涉问题，这极大的提高了运输效率。因此U型布局通过优化YC与AGV、ET的交接模式，有效避免了以上这些问题：(1)AGV、集卡可以到达指定位置与YC交接，YC无需长距离运输集装箱到交接区进行交接；(2)AGV、集卡的运输道路完全分离，从此互不干涉；(3)YC采用双悬臂轨道吊，可以与AGV、ET直接进行交接，不再需要设置交接区，作业完后ET可以直接出港。
在U型自动化码头，集装箱堆场YC、AGV、ET的交接方式发生了变化。与传统交接不同的是，交接区的调度需要YC、AGV和ET的配合。这种混合调度问题可以描述为：考虑一组集装箱通过YC、AGV和ET在集装箱堆场装卸，每个集装箱必须从YC转移到AGV或ET，反之亦然。YC、AGV、ET在交接或者有路径干扰时会等待。我们假设YC和AGV服务于所有的集装箱，而每个ET仅服务于一个集装箱。当有路径干扰时，AGV或ET会在堆场入口外排队或在集装箱堆场等候。
在U型码头布局下，AGV和外集卡(ET)能够进入场区，场区内装卸搬运设备有YC、AGV和ET三种。如图1b所示，其为U型码头布局的堆场组合单元，每个单元包含2个堆场，每个堆场配备采用双悬臂结构的YC，负责与集装箱堆垛侧面经过的AGV和ET交接集装箱。AGV或ET进入堆场前需要排队依次等候，车道为单行道，每辆AGV或ET沿如图1b标示U型路线进出场区。
如图2所示，本实施例提供的一种U型自动化码头多设备混合调度方法，包括：
步骤S1、获取总任务信息；
步骤S2、根据所述总任务信息对调度粒子群进行初始化；
步骤S3、对进行初始化的所述调度粒子群进行CCSPO粒子群迭代处理，在迭代过程中对粒子进行速度控制；进入步骤S5，
步骤S5、判断是否满足混沌条件，若满足混沌条件，则进入步骤S4；
步骤S4、对所述调度粒子群进行粒子混沌处理，处理完所有粒子后进入步骤S6；
步骤S6、判断是否满足迭代结束条件，满足则得到调度结果，否则继续迭代。
所述总任务信息包括集装箱号、与集装箱对应的任务类型、集装箱在堆场的目标位置。
每个集装箱对应的任务类型为四种：第一种任务类型是指集装箱被运出堆场，并依次通过YC和AGV。
第二种任务类型是指集装箱从AGV运输到堆场，再从YC运输到相应堆场的目标位置。
第三种任务类型是指集装箱被运出堆场，并依次通过YC和ET。
第四中任务类型是指集装箱从ET运输到堆场，再从YC运输到相应堆场的目标位置。
对于所述第一任务类型和第三任务类型，YC先跑到堆场的目标位置拿到集装箱，然后等待AGV或ET到达交接区域，在所述第一任务类型和第三任务类型中，YC在完成交接后完成当前任务。
对于所述第二种任务类型和所述第四种任务类型，YC先运行至与目标位置对应的交接bay位置，等待AGV或ET交接，然后YC仅需小车和吊具沿堆场row运动，将集装箱运输至堆场目标位置。
具体的，所述步骤S2包括：步骤S2.1、生成所述调度粒子群；所述调度粒子群包括三个子粒子群，其中第一子粒子群包括若干个YC粒子，第二子粒子群包括若干个AGV粒子，第三子粒子群包括若干个ET粒子。
步骤S2.2、初始化粒子群参数；
所述粒子群参数包括粒子群规模、粒子初始速度、局部历史最优位置、全局最优位置、局部历史最优值和全局最优值。
具体的，所述步骤S2.2包括：
步骤S2.2.1、生成初始粒子位置：
步骤S2.2.1.1、根据总任务信息确定当前运输设备的所有任务编号；
步骤S2.2.1.2、对所有所述任务编号进行随机排序得到初始位置值；
步骤S2.2.1.3、执行步骤S2.2.1.1直到生成AGV、YC及ET的一组任务序列，将此组任务序列作为粒子初始位置。
步骤S2.2.1.4、执行步骤S2.2.1.1直到生成粒子数满足粒子群规模；
步骤S2.2.2、设定粒子初速度，如下式：
v0＝pmax-p0+r0(pmax-pmin) (1)
式中v0表示粒子初速度；pmax表示调度粒子群当前适应值的最大位置；p0表示粒子初始位置；r0表示在(0，1)之间生成的随机数；pmin表示调度粒子群当前最小适应值的对应粒子位置；
步骤S2.2.3、初始化调度粒子群中各粒子的适应值，具体过程是对调度粒子模块进行调用。
调度粒子模块调用过程如下：
调度粒子模块包含对每一粒子适应值的计算方法，将粒子适应值计算方法抽象成模块的作用是简化整体算法流程，也便于后续对算法进行优化。当需要计算某个粒子的适应值时，将粒子位置值赋给调度粒子模块即完成调用过程，调度粒子模块内部抽象化的参数，在有了赋值后变成实际值参与到适应值计算中，然后返回计算好的适应值。
调度模块中的调度参数包含AGV、YC和ET的任务序列(也称为决策变量)，和对应此决策变量的适应值。当粒子位置值赋给调度模块时，每一所述粒子的适应值均通过以下过程计算：
步骤S2.2.3.1、对粒子位置进行离散化作为调度参数；
步骤S2.2.3.2、采用如下公式更新堆场内交互信息：
式中，ytij+1表示场桥i任务j+1的开始时间；表示集装箱yij的堆场bay位置；/>表示表示集装箱yij-1的堆场bay位置；/>表示集装箱yij-1的堆场row位置；/>表示集装箱yij的堆场row位置；ragv表示YC与AGV交接的row位置；ret表示YC与ET交接的row位置；/>表示运输集装箱yij的场桥吊具下落距离；f0表示场桥吊具在交接时的下降距离；/>表示集装箱yij的任务类型；/>
式中，表示场桥i当前任务的交接时间；j表示任务索引编号；/>表示编号i0的YC的集装箱任务集；yij表示场桥i任务j的集装箱编号；
式中，表示场桥i当前任务的交接时间；ytij表示场桥i任务j的开始时间；/>表示集装箱yij的堆场bay位置；/>表示集装箱yij-1的堆场bay位置；/>表示集装箱yij的堆场row位置；/>表示集装箱yij-1的堆场row位置；/>表示表示运输集装箱yij的场桥吊具下落距离；ret表示YC与ET交接的row位置；/>表示集装箱yij的任务类型；ragv表示YC与AGV交接的row位置；
式中，A表示AGV车道入口排队的集装箱编号；表示场桥i′0任务j′0的集装箱编号；i'0表示场桥编号；j'0表示场桥任务编号；
式中，aij表示AGV i任务j的集装箱编号；atij表示AGV i任务j的开始时间；At表示场区入口AGV队列中AGV的到达时间；表示场桥i′0任务j′0的集装箱编号；
式中，a表示堆场入口AGV排队次序，变量元素由AGV对应运输的集装箱编号构成，AGV和合作的YC越早到达入口和交接区，AGV的优先级越高。每当有AGV进入队列时，车场入口的AGV队列将按照上述优先级重新排列。表示调整a中的元素大小顺序，使之与/>中元素大小顺序对应；At表示场区入口AGV队列中AGV的到达时间；/>表示场桥i当前任务的交接时间；Yc表示场桥集；/>
式中，i1表示AGV编号；i表示变量；j1'表示AGV任务编号；j表示变量；aij表示AGV i任务j的集装箱编号；A0表示排在第一位的集装箱编号；
式中，j1表示AGV任务编号；j表示变量；ati1j表示AGVi1运输集装箱编号j的任务开始时间；
式中，表示AGV i1任务j的集装箱编号；A0表示排在第一位的集装箱编号；/>表示AGV i1任务j-1的集装箱编号；j1表示AGV任务编号；j1'表示AGV任务编号；/>表示AGVi1的总任务集；
式中，tenter表示AGV进入入口的时间；表示AGV i1任务j1的开始时间；/>表示AGV车道的场区入口的释放时间；
式中，thandover表示AGV与YC的交接时间；tenter表示AGV进入入口的时间；表示AGV车道β位的释放时间；Δt0表示防撞时间，人为设定一个合理值即可；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV车道的场区入口的释放时间；thandover表示AGV与YC交接时间；
式中，i0表示YC编号；j0表示YC任务编号；yij表示场桥i任务j的集装箱编号，A0表示排在第一位的集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示AGV和YC交接时间，/>表示场桥i0当前任务的交接时间；
式中，twait表示AGV等待时间；thandover表示AGV和YC交接时间；表示场桥i0当前任务的交接时间；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示AGV离开时间；twait表示AGV等待时间；表示AGV车道β位的释放时间；Δt0表示防撞时间；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}，其中，-1表示场区入口；
式中，表示AGV车道β位的释放时间；tleave表示AGV离开堆场时间；β表示AGV车道第β位；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV i1任务j1+1的开始时间；tleave表示AGV离开堆场时间；Δt1表示防撞时间；
A＝A-{A0} (20)
式中，A表示AGV车道入口排队的集装箱编号；A0表示排在第一位的集装箱编号；
式中，E表示ET车道入口排队的集装箱编号；表示场桥i′0任务j′0的集装箱编号；
式中，Et表示场区入口ET队列中ET的到达时间，etij表示ET i任务j的开始时间；eij表示外集卡i任务j的集装箱编号；表示场桥i′0任务j′0的集装箱编号；
式中，e表示堆场入口ET排队队列，变量元素由排队ET对应运输的集装箱编号构成，表示调整e中的元素大小顺序，使之与y中元素大小顺序对应/>中元素大小顺序对应；Et表示场区入口ET队列中ET的到达时间；/>表示场桥i当前任务的交接时间；
式中，i2表示ET编号；i表示变量；j'2表示ET任务编号；j表示变量；eij表示外集卡i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ET i2任务j-1的开始时间；/>表示ET i2任务j的开始时间；/>
式中，表示外集卡i2任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；/>表示外集卡i2任务j-1的集装箱编号；j'2表示ET任务编号；/>表示ETi2的任务集；i2表示ET编号；
式中，tenter表示ET进入堆场时间；表示ET i2任务j2的开始时间；/>表示场区入口的释放时间；
式中，thandover表示ET和YC交接时间；tenter表示ET进入堆场时间；表示ET车道β位的释放时间；Δt0表示防撞时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场区入口的释放时间；thandover表示ET和YC交接时间；
式中，i表示变量；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；j0表示ET任务编号；j表示变量；yij表示场桥i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示ET离开堆场时间；/>表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；
式中，twait表示ET等待时间；thandover表示ET和YC的交接时间；表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示ET离开堆场的时间；twait表示ET的等待时间；表示ET车道β位的释放时间；Δt0表示防撞时间；
式中，表示ET车道β位的释放时间；tleave表示ET离开堆场的时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ET i2任务j2+1的开始时间；tleave表示ET离开堆场时间；Δt1表示防撞时间；
E＝E-{E0} (36)
式中，E表示ET车道入口排队的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
步骤S2.2.3.3、当YC任务跟踪指针全部指向YC最后虚拟结束任务位置时结束，否则返回步骤S2.2.3.2；
步骤S2.2.3.4、对所有粒子位置及粒子适应值进行更新；
步骤S2.2.3.5、连续化粒子值，将粒子适应值作为输入粒子的适应值参数。
YC任务跟踪指针：YC任务指针从YC任务序列首位开始指向当前YC待执行的任务，当当前YC任务完成时，YC指针向后指向下一个任务。通过YC指针可以知道当前YC待执行的任务
虚拟结束任务：虚拟结束和虚拟开始任务是为了便于逻辑循环，人为给定的虚拟任务，分别设置在实际任务的开始和末端，仅仅用于占位，本身不具备现实意义，因此叫做虚拟任务。
所述步骤S2.2.3.5包括：令粒子位置为X，采用如下公式对式中X进行
连续化，此时X中元素为整数形式：
式中，θi表示变量X和i维轴向量之间的夹角；Ei表示单位矩阵E的i维向量；X表示粒子位置；E表示和变量X维数相同的单位矩阵；
当粒子位置X中的元素为连续形式时，采用如下公式对所述粒子位置进行离散化：
X＝sort(M,cosθi) (38)
式中，M表示原始离散决策值，X表示粒子位置。
原始离散决策值M可以任意从可行的决策值中选择，当决策值由任务序列表示时，M即为一个任意可行的任务序列。一旦原始决策值选取后，将不再改变。
所述步骤S3包括：
步骤S3.1、输入粒子速度，并采用如下公式更新粒子速度；
vi+1＝wvi+c1r1(pbesti-pi)+c2r2(gbest-pi) (39)
式中，vi表示在第i次迭代的粒子速度，vi+1表示第i+1次迭代的粒子速度；w表示权重；c1表示认知系数；c2表示社会系数；r1和r2表示在(0,1)中生成随机数,在每次速度迭代中皆会生成；pbesti表示在第i次迭代后的粒子局部最优值；gbest表示粒子群全局最优值；pi表示粒子在第i次迭代后的粒子位置；
步骤S3.2、输入粒子位置，并采用如下公式更新粒子位置；
pi+1＝pi+vi+1 (40)
式中，pi+1表示粒子在第i+1次迭代后的粒子位置。
本实施例提供的混沌粒子群算法(CCPSO)模拟了鸟类群体在觅食过程中的社会行为。在每次迭代中，通过跟踪两个最佳值：局部最优值和全局最优值确定每个粒子当前的迭代速度，最终由粒子当前位置和速度确定新粒子位置。
步骤S3.3、将粒子的位置范围限制在
步骤S3.4、根据α判断是否进行速度控制，α采用如下公式计算；
式中，α表示vi+1方向与pi+1到全局最优位置方向的夹角；p表示粒子当前位置。
如果α＞0，则采用如下公式进行速度控制，如果α≤0，则进入步骤S3.5：
p′i+1＝p+v′i+1 (43)
式中，p′i+1表示经过速度控制后，pi+1的更新；v′i+1表示经过速度控制后，vi+1的更新。
CCPSO增加了粒子混沌优化，防止粒子陷入局部最优困境，可以通过提高粒子迭代收敛速度来改进算法。速度控制策略如下公式(41)～(43)。
步骤S3.5、更新粒子适应值；
步骤S3.6、更新粒子局部最优位置及粒子局部最优值；
步骤S3.7、遍历完粒子群中所有粒子时进入步骤S3.8，否则返回步骤S3.1；
步骤S3.8、更新粒子全局最优位置及全局最优适应值(粒子全局最优位置即全局最优适应值)。
所述步骤S4包括：
步骤S4.1、在0～1之间生成一随机数p，p值在每次执行此步骤时需重新生成；并设置混沌pc的概率；
步骤S4.2、判断随机数p是否小于pc，若是，则进入步骤S4.3，若否，返回步骤S4.1；
步骤S4.3、当前粒子位置混沌映射，具体的，混沌从粒子的第二个元素开始，基于以下公式得到粒子局部最优值；
x＝min(Pijk/0.5π+0.01,0.9) (44)
y＝4x(1-x),x∈(0,1) (45)
Pijk＝0.5πy (46)
式中，Pijk表示粒子i中第j维的第k元素的值；x、y：表示过渡值；
步骤S4.4、判断是否对粒子所有维度进行遍历，若否，返回步骤S4.3；
步骤S4.5、判断是否遍历完粒子群中所有粒子，若否，返回步骤S4.1；
若是，进入所述步骤S6。
步骤S5.1、对群粒子迭代临时计数，每当群粒子完整迭代一次时计数加1，当全局最优适应值更新时，计数归0；
步骤S5.2、群粒子迭代临时计数值达到混沌设定值时，进入步骤S4；
步骤S6、对整体迭代次数进行计数，每当群粒子完整迭代一次时计数加1，当整体迭代次数达到迭代设定值时结束迭代，当前全局最优适应值为所求，否则返回步骤S3。建立目标函数：
F表示最大完工时间，目标函数为最小化最大完工时间，而最大完工时间取决于最后完工的运输设备的完工时间
随着市场需求的增加，集装箱码头调度模型也变得越来越复杂。模型与算法相结合后，很难进行大的改变。当考虑的动态变量增加时，需要重新建立调度模型，这会带来工作量。此外，随着约束的增加，模型的阅读和理解将变得更加困难。
通过将调度问题抽象为子块，可将调度模型结构优化分层。在调度模型分层结构中，每一层由几个模块组成，每个模块又由几个抽象的子块组成。通过设置实值，抽象子块变成实体对象。模块之间的逻辑关系由最顶层的架构内容决定，因此模块内部的局部更改不会影响整体。如图3所示，将上述方法中涉及的算法可以进行抽象为子块，形成分层模型架构，包括初始化层、循环层、算法粒子模块层和调度粒子模块层。
首先将模型分为四个层次:初始化层、循环层、算法粒子模块层和调度粒子模块层。初始化层利用一般任务信息对循环体中的群粒子进行初始化，对抽象的群粒子模块进行对象化。在循环层中，算法粒子模块是算法粒子的抽象，循环体中包含了算法迭代逻辑，当进行到算法迭代部分时会调用算法粒子模块中已经定义好的算法参数迭代进化规则。初始化层和循环层都属于模型的外部框架。外部框架主要负责抽象模块的初始化，然后是迭代和计算的算法周期定义。
内部架构包括算法粒子模块层和调度粒子模块层。调度粒子模块层是算法的整体抽象。包括算法方法(图3中的粒子群迭代模型和混沌模型)、算法参数和调度粒子模块。粒子群参数一般包括粒子总数、每个粒子的初始速度、局部历史最优位置、全局最优位置、全局最优值和局部历史最优值。调度粒子模块属于调度问题单决策变量的抽象，它包括调度参数和自适应值求解模型。本文的调度参数包括适应值和决策变量(YC、AGV和ET调度安排)。模型初始化后，调度粒子模块的调度参数变为真实对象。当自适应值求解模型被外部结构调用时，采用车道占用信息动态跟踪模型、排队模型和时间更新模型求解当前决策变量的完成时间。求解值将分配给调度参数的自适应值。
请继续参考图2所示，该模块将整个过程分为三个部分:粒子初始化、粒子群迭代和粒子混沌。输入的整体任务信息包含任务类型和每个集装箱对应数量下的堆场位置。堆场的位置包括(Yard,bay,row)，表示堆场号、bay位置、row位置。由于本文的问题涉及到三种调度设备，所以在一个群粒子中有三个子群。初始调度粒子群包括粒子群大小、每个粒子的初始位置、每个粒子的初始速度、每个粒子的初始局部最优位置及其值、初始全局最优位置及其值。
目前的调度方法主要分为静态调度和动态调度两大类。静态调度在算法开始前作出决策，决策变量作为已知条件被应用于接下来的计算中。在动态调度中，决策变量在计算中是未知变量，在计算项目中生成许多并行策略，直到最后一个任务分配完成。在U型码头中，场桥采用悬臂结构，可以与AGV和ET同时进行交接。堆场起重机任务的完成时间取决于AGV或ET到达交接区域的时间。同时为了满足路径干扰约束，AGV或ET需要等待其路径上的其他AGV或ET离开。当AGV或ET到达交接区时，他们也应等待YC到达。因此，YC、AGV和ET构成了耦合关系，YC、AGV和ET的任务完成时间会共同影响，静态策略不能解决问题。本实施例提供的方法即是动静态混合调度方案，即将静态和动态策略相结合，在已知决策变量下跟踪道路占用信息，求解适应值。
例如决策变量表示如下，此时分配2辆AGV和4台YC，集装箱任务编号为1～5，0和0*表示虚拟开始和结束任务：
AGV0：0→1→0*
AGV1；0→3→2→0*
YC0：0→2→0*
YC1：0→3→0*
YC2：0→5→4→0*
YC3：0→1→0*
ET：0→5→4→0*。
其中，静态调度策略部分包括：算法循环是基于已知的决策变量。输入任务信息来初始化计算。任务信息包括集装箱号、与集装箱对应的任务类型、集装箱在堆场的目标位置。每个集装箱都有一个唯一的数字编号。每个集装箱对应的任务分为四种类型，如下表1所示。类型1是指集装箱被运出堆场，并依次通过YC和AGV。第二类是指集装箱从AGV运输到堆场，再从YC运输到相应堆场的目标位置。任务类型3和4运输模式类比类型1和2。对于任务类型1和任务类型3，YC先跑到堆场的目标位置拿到集装箱，然后等待AGV或ET到达交接区域，在任务类型1和任务类型3中，YC在完成交接后完成当前任务。对于任务类型2和任务类型4，YC小车先跑到目标隔间的交接排，等待AGV或ET交接，然后YC仅需小车和吊具运动，将集装箱运输至目标位置在当前堆场位置。
AGV或ET需要先在堆场入口处排队，在路径上没有其他AGV或ET时进入或离开。先在堆场场进行交接的车辆优先。在交接区域，YC、AGV或ET需要等待对应交接设备到达。一个集装箱任务的完成时间会受到其运输设备以及已完成任务的完成时间和交接时间的影响。因此，上述问题之间存在耦合关系，除了解决YC、AGV和ET的混合调度问题外，还需要实时访问YC、AGV和ET的状态。
表1集装箱任务类型
其中，动态调度策略包括：
由于场区与场区车道平行，场区位置可以一一对应场区车道坐标。通过对场区车道内各个位置的占用情况，实时跟踪AGV或ET进入场区的信息。如表2所示，AGV或ET能否移动取决于车道占用信息，如果车道坐标被释放，这意味着可以通过该位置。当一个AGV或ET在车道内等待时，相应坐标位置的释放时间将更新。
表2堆场车道占用状态信息
当决策变量的值初始化后，动态调度开始，直到求解适应值，然后更新决策变量直到满足所有约束(约束指的是上述公式(2)～(36))。
当前集装箱通过AGV运输时，其动态过程及过程中信息的更新如图4所示。在动态调度的每一次迭代中，将逐个遍历所有的堆场起重机任务。当堆场吊车的所有任务都完成后，堆场吊车将被跳过，动态过程将停止，直到所有堆场吊车任务都被搜索完。当一个YC任务被遍历时，运送同一集装箱的AGV将在AGV队列的入口处排队，队列中AGV的集装箱号和到达时间将被更新。排在队伍最前面的AGV到达后进入庭院，释放入口车道。通过道路占用信息，可以知道道路上是否还有其他AGV。一旦AGV到达、等待和离开，道路占用信息将会更新。在交接过程中，如果AGV晚了，YC任务的开始时间可能会更新。当AGV离开时，当前的YC任务指针将继续跟踪，直到所有的YC任务都完成。
对于约束(约束指的是上述公式(2)～(36))具体为约束(2)定义了不考虑AGV和ET干扰时YC任务的完成时间。在接下来的动态调度中，这些值将不断更新，直到满足所有的约束条件。
约束(3)到约束(4)定义当指针指向一个YC任务索引更新时，更新当前YC任务的容器号和切换时间。约束(3)定义了YC任务当前任务容器号的更新。当遍历所有的YC任务时，当前的YC容器号设置为0作为占位符。约束(4)定义了堆场起重机i到达交接区域的当前交接时间。
动态变量将由约束(4)进行初始化,此公式(4)处j为0,i∈{1,2,3,...,Yc}。然后通过场桥到达交接区域的响应时间，初始化AGV队列和ET队列。
约束(5)～约束(20)定义了场桥i′0的任务j′0对应的集装箱通过AGV运输时的动态更新过程。当一个新任务有YC，该任务的集装箱是由AGV负责时，入口车道上的AGV队列会将相应AGV的集装箱任务信息更新到队列中。约束(5)和约束(6)定义了堆场入口AGV队列信息的更新，包括集装箱号和相应的AGV到达时间(当AGV任务启动时，AGV到达入口车道)。新到达的AGV将处于AGV队列末尾。约束(7)和约束(8)定义了AGV的排队优先级，AGV及其对应的场桥越早到达入口处和交接区，AGV优先级越高。每次AGV进入队列，场区入口处的AGV队列将按照上述优先顺序重新排列。约束(9)定义了队列顶部AGV的设备号i1和任务号j1。每个集装箱与YC&AGV或YC&ET一一对应，可以通过集装箱号唯一确定其设备和任务号。由于重新排队后，AGV任务序列发生了变化，所以初始的AGV调度顺序也需要按照约束(10)的定义进行调整。约束(11)～约束(19)定义了AGVi1启动时间序列的更新、堆场起重机i0任务启动时间序列的更新、AGVi1切换车道位置的释放时间的更新。约束(11)、(12)和(17)定义了路径干扰(当路径上没有AGV或ET时，AGV或ET可以移动)。约束(11)定义了AGVi1进入场区入口的时间，该时间由入口AGV车道的释放时间和AGVi1的到达时间决定。约束(12)定义了AGVi1到达交接区域的时间，Δt0为常数系数，用于防撞。约束(13)定义AGV车道入口放行时间的更新。约束(14)定义了负责运输的YC设备号i0和任务号j0。YCi0任务开始时间将首先初始化。约束(15)定义了当YCi0需要在交接区等待AGVi1时，YCi0任务启动时间序列的更新。约束(16)定义了AGVi1在切换区域的等待时间。约束(17)定义了AGVi1离开堆场时间。约束(18)定义了AGVi1离开当前车道位置和院子的释放时间更新。约束(19)定义了更新AGVi1任务j1完成时间(任务的完成时间被定义为下一个任务的开始时间),Δt1是一个常数系数,用于描述自主移动小车将呆多久,直到它下一次到达场区入口。约束(20)定义了入口AGV车道队列的更新。
约束(21)～约束(36)定义了ET运输堆场吊车i′0、任务j′0集装箱时的动态更新过程，ET的更新过程与AGV基本相同。需要注意的是，只有ET的U型车道的前半段与YC相连，而AGV可以在AGV车道的前半段和后半段分别与不同车道的YC相连
对上述方法进行验证和结果分析；每个堆场大小设置：bay∈[0,7]，row∈[0,5]，fall∈[0,5](堆场比例参考了青岛新前湾自动化码头参数)。堆场数Yard∈{0,1}，默认每个堆场安排2个场桥，安排4辆AGV，ET数量最大饱和。粒子群大小设置为20。公式(49)～(50)权重w取0.729；认知系数和社会系数c1、c2取1.494；r1、r2取0和1之间随机数。混沌阈值nc取100，混沌概率pc取30％。
表3算例任务集
表4调度结果
首先用表3给出的包含20个集装箱的小规模算例验证本文模型和算法的可行性。算例任务集中，Number表示集装箱编号，Type表示当前集装箱所属任务类型，Yard表示集装箱在经转的堆场编号，Bay、Row、Fall表示集装箱经转的堆场Bay位、Row位和YC到达对应堆场位置时，YC吊具需要下降运输集装箱的距离。表4给出了YC、AGV和ET的最优调度安排，YC0～YC1为0#堆场场桥，YC2～YC3为1#堆场场桥，4台AGV平均分配任务数量后排序结果如AGV0～AGV3，每台ET只安排1个集装箱，表中ET集装箱安排顺序也为ET在堆场入口的排队顺序。
本发明另一实施例提供的一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述实施例所述的方法。
在本文研究中，我们将各种调度对象抽象成模块，然后将这些模块连接起来，最终形成分层模块模型的新架构。该架构对以往调度问题模型进行了改进，更方便对调度问题进行修改和优化，从而降低研究成本。同时，本文提出了一种动态和静态混合调度策略用于求解堆场任务的最大完工时间。理论上讲，混沌粒子群算法可以避免传统粒子群算法的早熟问题，本文首次将混沌粒子群优化方法应用于调度问题，并在此基础上对粒子群速度迭代法进行改进，使混沌部分与粒子群优化部分更好地匹配，从而提出一种混沌粒子群速度控制算法(CCPSO)，该算法通过对粒子进行混沌控制和控制粒子迭代速度来提高传统粒子群算法的性能。此外，本文还提出了一种整数决策粒子连续离散化的映射空间用于解决算法迭代与模型求解之间的矛盾。
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、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、程序或代码的一部分，所述模块、程序段或代码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，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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，可以用于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。
另外，在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (7)

1.一种U型自动化码头多设备混合调度方法，其特征在于，包括：
步骤S1、获取总任务信息；
步骤S2、根据所述总任务信息对调度粒子群进行初始化；
所述步骤S2包括：
步骤S2.1、生成所述调度粒子群；
所述调度粒子群包括三个子粒子群，其中第一子粒子群包括若干个YC粒子，第二子粒子群包括若干个AGV粒子，第三子粒子群包括若干个ET粒子；
步骤S2.2、初始化粒子群参数；
所述粒子群参数包括粒子群规模、粒子初始速度、局部历史最优位置、全局最优位置、局部历史最优值和全局最优值；
所述步骤S2.2包括：
步骤S2.2.1、生成初始粒子位置：
步骤S2.2.1.1、根据总任务信息确定当前运输设备的所有任务编号；
步骤S2.2.1.2、对所有所述任务编号进行随机排序得到初始位置值；
步骤S2.2.1.3、重复执行所述步骤S2.2.1.1直到生成AGV、YC及ET的一组任务序列，将此组任务序列作为粒子初始位置；
步骤S2.2.1.4、重复执行所述步骤S2.2.1.1直到生成粒子数满足粒子群规模；
步骤S2.2.2、设定粒子初速度，如下式：
v0＝p max-p0+r0(p max-p min)
式中v0表示粒子初速度；p max表示调度粒子群当前适应值的最大位置；p0表示粒子初始位置；r0表示在(0，1)之间生成的随机数；p min表示调度粒子群当前最小适应值的对应粒子位置；
步骤S2.2.3、调用调度粒子模块以初始化调度粒子群中各粒子的适应值；
所述调度粒子模块中的调度参数包含决策变量，和对应此决策变量的适应值；所述决策变量为AGV、YC和ET的任务序列；当将粒子位置值赋给调度粒子模块时，每一所述粒子的适应值均通过以下过程计算：
步骤S2.2.3.1、对粒子位置进行离散化作为调度参数；
步骤S2.2.3.2、采用如下公式更新堆场内交互信息：
式中，ytij+1表示场桥i任务j+1的开始时间；表示集装箱yij的堆场bay位置；/>表示表示集装箱yij-1的堆场bay位置；/>表示集装箱yij-1的堆场row位置；/>表示集装箱yij的堆场row位置；ragv表示YC与AGV交接的row位置；ret表示YC与ET交接的row位置；/>表示运输集装箱yij的场桥吊具下落距离；f0表示场桥吊具在交接时的下降距离；/>表示集装箱yij的任务类型；
式中，表示场桥i当前任务的交接时间；j表示任务索引编号；/>表示编号i0的YC的集装箱任务集；yij表示场桥i任务j的集装箱编号；
式中，表示场桥i当前任务的交接时间；ytij表示场桥i任务j的开始时间；/>表示集装箱yij的堆场bay位置；/>表示集装箱yij-1的堆场bay位置；/>表示集装箱yij的堆场row位置；/>表示集装箱yij-1的堆场row位置；/>表示表示运输集装箱yij的场桥吊具下落距离；ret表示YC与ET交接的row位置；/>表示集装箱yij的任务类型；ragv表示YC与AGV交接的row位置；
式中，A表示AGV车道入口排队的集装箱编号；表示场桥i′0任务j′0的集装箱编号；i'0表示场桥编号；j'0表示场桥任务编号；
式中，aij表示AGV i任务j的集装箱编号；atij表示AGV i任务j的开始时间；At表示场区入口AGV队列中AGV的到达时间；表示场桥i′0任务j′0的集装箱编号；
式中，a表示堆场入口AGV排队次序，变量元素由AGV对应运输的集装箱编号构成，AGV和合作的YC越早到达入口和交接区，AGV的优先级越高；每当有AGV进入队列时，车场入口的AGV队列将按照上述优先级重新排列；表示调整a中的元素大小顺序，使之与/>中元素大小顺序对应；At表示场区入口AGV队列中AGV的到达时间；/>表示场桥i当前任务的交接时间；Yc表示场桥集；
式中，i1表示AGV编号；i表示变量；j1'表示AGV任务编号；j表示变量；aij表示AGV i任务j的集装箱编号；A0表示排在第一位的集装箱编号；
式中，j1表示AGV任务编号；j表示变量；表示AGVi1运输集装箱编号j的任务开始时间；
式中，表示AGV i1任务j的集装箱编号；A0表示排在第一位的集装箱编号；/>表示AGV i1任务j-1的集装箱编号；j1表示AGV任务编号；j′1表示AGV任务编号；/>表示AGV i1的总任务集；
式中，tenter表示AGV进入入口的时间；表示AGV i1任务j1的开始时间；/>表示AGV车道的场区入口的释放时间；
式中，thandover表示AGV与YC的交接时间；tenter表示AGV进入入口的时间；表示AGV车道β位的释放时间；Δt0表示防撞时间，为预先设定值；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV车道的场区入口的释放时间；thandover表示AGV与YC交接时间；
式中，i0表示YC编号；j0表示YC任务编号；yij表示场桥i任务j的集装箱编号，A0表示排在第一位的集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示AGV和YC交接时间，/>表示场桥i0当前任务的交接时间；
式中，twait表示AGV等待时间；thandover表示AGV和YC交接时间；表示场桥i0当前任务的交接时间；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示AGV离开时间；twait表示AGV等待时间；表示AGV车道β位的释放时间；Δt0表示防撞时间；β表示AGV车道第β位；B表示场区车道位，β∈{-1,0,1,...,B}，其中，-1表示场区入口；
式中，表示AGV车道β位的释放时间；tleave表示AGV离开堆场时间；β表示AGV车道第β位；/>表示集装箱A0的堆场bay位置；A0表示排在第一位的集装箱编号；/>表示集装箱A0对应的运输场桥编号；
式中，表示AGV i1任务j1+1的开始时间；tleave表示AGV离开堆场时间；Δt1表示防撞时间；
A＝A-{A0}
式中，A表示AGV车道入口排队的集装箱编号；A0表示排在第一位的集装箱编号；
式中，E表示ET车道入口排队的集装箱编号；表示场桥i'0任务j'0的集装箱编号；
式中，Et表示场区入口ET队列中ET的到达时间，etij表示ETi任务j的开始时间；eij表示外集卡i任务j的集装箱编号；表示场桥i'0任务j'0的集装箱编号；
式中，e表示堆场入口ET排队队列，变量元素由排队ET对应运输的集装箱编号构成，表示调整e中的元素大小顺序，使之与y中元素大小顺序对应/>中元素大小顺序对应；Et表示场区入口ET队列中ET的到达时间；/>表示场桥i当前任务的交接时间；
式中，i2表示ET编号；i表示变量；j'2表示ET任务编号；j表示变量；eij表示外集卡i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ETi2任务j-1的开始时间；/>表示ETi2任务j的开始时间；
式中，表示外集卡i2任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；/>表示外集卡i2任务j-1的集装箱编号；j'2表示ET任务编号；/>表示ETi2的任务集；i2表示ET编号；
式中，tenter表示ET进入堆场时间；表示ETi2任务j2的开始时间；/>表示场区入口的释放时间；
式中，thandover表示ET和YC交接时间；tenter表示ET进入堆场时间；表示ET车道β位的释放时间；Δt0表示防撞时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场区入口的释放时间；thandover表示ET和YC交接时间；
式中，i表示变量；i0表示第i0号场桥，i0∈{1,2,3,...,Yc}；j0表示ET任务编号；j表示变量；yij表示场桥i任务j的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示场桥i0任务j0的开始时间；thandover表示ET离开堆场时间；/>表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；
式中，twait表示ET等待时间；thandover表示ET和YC的交接时间；表示场桥i0当前任务的交接时间，i0∈{1,2,3,...,Yc}；f0表示场桥吊具在交接时的下降距离；
式中，tleave表示ET离开堆场的时间；twait表示ET的等待时间；表示ET车道β位的释放时间；Δt0表示防撞时间；
式中，表示ET车道β位的释放时间；tleave表示ET离开堆场的时间；/>表示集装箱E0的堆场bay位置，E0表示排在堆场入口ET队列第一位的ET集装箱编号；
式中，表示ETi2任务j2+1的开始时间；tleave表示ET离开堆场时间；Δt1表示防撞时间；
式中，E表示ET车道入口排队的集装箱编号；E0表示排在堆场入口ET队列第一位的ET集装箱编号；
步骤S2.2.3.3、当YC任务跟踪指针全部指向YC最后虚拟结束任务位置时结束，否则返回步骤S2.2.3.2；
步骤S2.2.3.4、对所有粒子位置及粒子适应值进行更新；
步骤S2.2.3.5、连续化粒子值，将粒子适应值作为输入粒子的适应值参数；
步骤S3、对进行初始化的所述调度粒子群进行CCSPO粒子群迭代处理，进入步骤S5；
所述步骤S3包括：
步骤S3.1、输入粒子速度，并采用如下公式更新粒子速度；
vi+1＝wvi+c1r1(pbesti-pi)+c2r2(gbest-pi)
式中，vi表示在第i次迭代的粒子速度，vi+1表示第i+1次迭代的粒子速度；w表示权重；c1表示认知系数；c2表示社会系数；r1和r2表示在(0,1)中生成随机数,在每次速度迭代中皆会生成；pbesti表示在第i次迭代后的粒子局部最优值；gbest表示粒子群全局最优值；pi表示粒子在第i次迭代后的粒子位置；
步骤S3.2、输入粒子位置，并采用如下公式更新粒子位置；
pi+1＝pi+vi+1
式中，pi+1表示粒子在第i+1次迭代后的粒子位置；
步骤S3.3、将粒子的位置范围限制在
步骤S3.4、根据α判断是否进行速度控制，α采用如下公式计算；
式中，α表示vi+1方向与pi+1到全局最优位置方向的夹角；p表示粒子当前位置；
如果α＞0，则采用如下公式进行速度控制，如果α≤0，则进入步骤S3.5：
p′i+1＝p+v′i+1
式中，p′i+1表示经过速度控制后，pi+1的更新；v′i+1表示经过速度控制后，vi+1的更新；
步骤S3.5、更新粒子适应值；
步骤S3.6、更新粒子局部最优位置及粒子局部最优值；
步骤S3.7、遍历完粒子群中所有粒子时进入步骤S3.8，否则返回步骤S3.1；
步骤S3.8、更新粒子全局最优位置及全局最优适应值；
步骤S5、判断是否满足混沌条件，若满足混沌条件，则进入步骤S4；
步骤S4、对所述调度粒子群进行粒子混沌处理，处理完所有粒子后进入步骤S6；
步骤S6、判断是否满足迭代结束条件，满足则得到调度结果，否则继续迭代。
2.如权利要求1所述的U型自动化码头多设备混合调度方法，其特征在于，所述总任务信息包括集装箱号、与集装箱对应的任务类型、集装箱在堆场的目标位置。
3.如权利要求2所述的U型自动化码头多设备混合调度方法，其特征在于，每个集装箱对应的任务类型为四种；
第一种任务类型是指集装箱被运出堆场，并依次通过YC和AGV；
第二种任务类型是指集装箱从AGV运输到堆场，再从YC运输到相应堆场的目标位置；
第三种任务类型是指集装箱被运出堆场，并依次通过YC和ET；
第四种任务类型是指集装箱从ET运输到堆场，再从YC运输到相应堆场的目标位置；
对于所述第一种任务类型和第三种任务类型，YC先跑到堆场的目标位置拿到集装箱，然后等待AGV或ET到达交接区域，在所述第一种任务类型和第三种任务类型中，YC在完成交接后完成当前任务；
对于所述第二种任务类型和所述第四种任务类型，YC先运行至与目标位置对应的交接bay位置，等待AGV或ET交接，然后YC仅需小车和吊具沿堆场row运动，将集装箱运输至堆场目标位置。
4.如权利要求3所述的U型自动化码头多设备混合调度方法，其特征在于，所述步骤S2.2.3.5包括：令粒子位置为X，采用如下公式对式中X进行连续化，此时X中元素为整数形式：
式中，θi表示变量X和i维轴向量之间的夹角；Ei表示单位矩阵E的i维向量；X表示粒子位置；E表示和变量X维数相同的单位矩阵；
当粒子位置X中的元素为连续形式时，采用如下公式对所述粒子位置进行离散化：
X＝sort(M,cosθi)
式中，M表示原始离散决策值，X表示粒子位置；
原始离散决策值M可以任意从可行的决策值中选择，当决策值由任务序列表示时，M即为一个任意可行的任务序列；一旦原始决策值选取后，将不再改变。
5.如权利要求4所述的U型自动化码头多设备混合调度方法，其特征在于，所述步骤S4包括：
步骤S4.1、在0～1之间生成一随机数p，p值在每次执行此步骤时需重新生成；并设置混沌pc的概率；
步骤S4.2、判断随机数p是否小于pc，若是，则进入步骤S4.3，若否，返回步骤S4.1；
步骤S4.3、当前粒子位置混沌映射时，混沌从粒子的第二个元素开始，基于以下公式得到粒子局部最优值；
x＝min(Pijk/0.5π+0.01,0.9)
y＝4x(1-x),x∈(0,1)
Pijk＝0.5πy
式中，Pijk表示粒子i中第j维的第k元素的值；x、y：表示过渡值；
步骤S4.4、判断是否对粒子所有维度进行遍历，若否，返回步骤S4.3；
步骤S4.5、判断是否遍历完粒子群中所有粒子，若否，返回步骤S4.1；
若是，则执行步骤S6。
6.如权利要求5所述的U型自动化码头多设备混合调度方法，其特征在于，所述步骤S5包括：
步骤S5.1、对群粒子迭代临时计数，每当群粒子完整迭代一次时计数加1，当全局最优适应值更新时，计数归0；
步骤S5.2、群粒子迭代临时计数值达到混沌设定值时，进入步骤S4；
所述步骤S6包括：
步骤S6、对整体迭代次数进行计数，每当群粒子完整迭代一次时计数加1，当整体迭代次数达到迭代设定值时结束迭代，当前全局最优适应值为所求，否则返回步骤S3。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1至6中任一项所述的方法。
CN202110672954.7A 2021-06-17 2021-06-17 U型自动化码头多设备混合调度方法及电子设备 Active CN113435722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110672954.7A CN113435722B (zh) 2021-06-17 2021-06-17 U型自动化码头多设备混合调度方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110672954.7A CN113435722B (zh) 2021-06-17 2021-06-17 U型自动化码头多设备混合调度方法及电子设备

Publications (2)

Publication Number Publication Date
CN113435722A CN113435722A (zh) 2021-09-24
CN113435722B true CN113435722B (zh) 2024-01-23

Family

ID=77756288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110672954.7A Active CN113435722B (zh) 2021-06-17 2021-06-17 U型自动化码头多设备混合调度方法及电子设备

Country Status (1)

Country Link
CN (1) CN113435722B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114030906B (zh) * 2021-11-01 2023-11-21 青岛港国际股份有限公司 一种自动化码头集装箱装卸系统及装卸方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408589A (zh) * 2014-10-24 2015-03-11 陕西科技大学 基于混合粒子群算法的agv优化调度方法
CN105005820A (zh) * 2015-04-03 2015-10-28 北京理工大学 一种基于种群爆炸粒子群算法的目标分配优化方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN107273968A (zh) * 2017-06-30 2017-10-20 广东工业大学 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN107609816A (zh) * 2017-09-11 2018-01-19 大连交通大学 基于混合量子算法的智慧车辆调度管理系统及其工作方法
CN107678433A (zh) * 2017-10-20 2018-02-09 上海海事大学 一种考虑agv碰撞规避的装卸设备调度方法
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN112821470A (zh) * 2021-03-10 2021-05-18 江南大学 基于小生境混沌粒子群算法的微网群优化调度策略

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408589A (zh) * 2014-10-24 2015-03-11 陕西科技大学 基于混合粒子群算法的agv优化调度方法
CN105005820A (zh) * 2015-04-03 2015-10-28 北京理工大学 一种基于种群爆炸粒子群算法的目标分配优化方法
CN106295886A (zh) * 2016-08-12 2017-01-04 梁广俊 基于混沌理论的改进模糊神经网络公交车智能调度方法
CN108133258A (zh) * 2016-12-01 2018-06-08 南京理工大学 一种混合全局优化方法
CN107273968A (zh) * 2017-06-30 2017-10-20 广东工业大学 一种基于动态模糊混沌粒子群的多目标调度方法及装置
CN107609816A (zh) * 2017-09-11 2018-01-19 大连交通大学 基于混合量子算法的智慧车辆调度管理系统及其工作方法
CN107678433A (zh) * 2017-10-20 2018-02-09 上海海事大学 一种考虑agv碰撞规避的装卸设备调度方法
CN112821470A (zh) * 2021-03-10 2021-05-18 江南大学 基于小生境混沌粒子群算法的微网群优化调度策略

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Optimization of shop scheduling problem based on dual strategy improved chaotic particle swarm optimization";Gao Dao-liu;《Computer Engineering and Design》;第36卷(第07期);第1944-1947 *
"协同进化粒子群算法在软件多项目调度问题中的应用";薛云勇;《中国优秀硕士学位论文全文数据库 基础科学辑》(第04期);第A002-168页 *
"多自动导引车路径规划的诱导蚁群粒子群算法";李军军;《计算机集成制造系统》;第23卷(第12期);第2758-2767页 *
基于自适应混沌粒子群优化算法的多目标无功优化;李娟;杨琳;刘金龙;杨德龙;张晨;;电力系统保护与控制;第39卷(第09期);第26-31页 *
开放式关联运输调度问题的研究;汤雅连;蔡延光;黄刚;;东莞理工学院学报;第20卷(第05期);第44-50页 *
自动化生产单元调度的混沌粒子群算法;李鹏;车阿大;;《工业工程》;第12卷(第06期);第90-95页 *
自适应CPSO算法在云计算任务调度中的应用;张晓丽;;计算机技术与发展;第26卷(第08其);第161-165页 *

Also Published As

Publication number Publication date
CN113435722A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
Rashidi et al. Novel constraints satisfaction models for optimization problems in container terminals
Skinner et al. Optimisation for job scheduling at automated container terminals using genetic algorithm
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及系统
CN111498696B (zh) 一种双吊具场桥调度优化方法及装置
CN110119861A (zh) 调度无人车的方法、装置及计算机可读存储介质
CN112434870B (zh) 一种集装箱区垂直布置的双自动化场桥动态调度方法
Guo et al. An improved acceleration method based on multi-agent system for AGVs conflict-free path planning in automated terminals
CN113435722B (zh) U型自动化码头多设备混合调度方法及电子设备
Yang et al. Dynamic time estimation based AGV dispatching algorithm in automated container terminal
CN114331075A (zh) 堆场拖车调度方法、装置、设备及存储介质
Liu et al. Optimization approach for yard crane scheduling problem with uncertain parameters in container terminals
Chang et al. Modeling and solution of joint storage space allocation and handling operation for outbound containers in rail-water intermodal container terminals
Kim Models and methods for operations in port container terminals
CN116993255A (zh) 一种基于多智能体仿真的agvs动态无碰路径规划方法
Tanchoco et al. Real-time control strategies for multiple-load AGVs
Chen et al. Research on integrated scheduling optimization of double-trolley quay crane and AGV in automated terminal
Hanif et al. Performance Analysis of Particle Swarm Optimization and Genetic Algorithm in Energy-Saving Elevator Group Control System
CN113064436B (zh) 一种agv系统中动态路径规划和去中心化避障方法
CN115167457A (zh) 一种考虑电量约束的多agv调度与协同路径规划方法和装置
CN114757627A (zh) 一种接力式吊运路径规划和调度方法
Zhang et al. Research on Loading and Unloading Resource Scheduling and Optimization of Rail–Road Transportation in Container Terminal Based on “Internet+”—for Ghana Container Port Development Planning
Singgih et al. Architectural design of terminal operating system for a container terminal based on a new concept
Han et al. An Improved Artificial Bee Colony Algorithm to Port L-AGV Scheduling Problems
Nguyen et al. Dispatching vehicles considering uncertain handling times at port container terminals
Zhang et al. Study on Distributed Consistent Cooperative Control of Multi-ART in Automated 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