CN113689037A - 一种散货港口生产调度优化方法 - Google Patents
一种散货港口生产调度优化方法 Download PDFInfo
- Publication number
- CN113689037A CN113689037A CN202110976046.7A CN202110976046A CN113689037A CN 113689037 A CN113689037 A CN 113689037A CN 202110976046 A CN202110976046 A CN 202110976046A CN 113689037 A CN113689037 A CN 113689037A
- Authority
- CN
- China
- Prior art keywords
- ship
- port
- chromosome
- operation plan
- navigation
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 230000008520 organization Effects 0.000 claims abstract description 57
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 38
- 210000000349 chromosome Anatomy 0.000 claims description 59
- 239000000463 material Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000002759 chromosomal effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (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
本发明提供一种散货港口生产调度优化方法。本发明方法,包括:根据散货港口装船作业流程和通航规则,建立装船作业计划与船舶交通组织协同多目标优化模型;获取散货港口堆场库存信息、作业设备信息和船舶信息,采用基于文化基因框架的启发式多目标算法对装船作业计划与船舶交通组织协同多目标优化模型进行求解,得到优化后的装船作业计划与船舶交通组织优化方案。本发明方法能够缩短所有装船作业完成时间以及进出港总等待时间,不仅可为每艘船舶分配合理的泊位、装船机、取料机等资源,还能保障船舶进出港航行安全。同时,该方法在一定程度上可为散货港口生产作业提供辅助决策,对提高散货港口运营效率具有重要价值。
Description
技术领域
本发明涉及船舶作业技术领域,具体而言,尤其涉及一种散货港口生产调度优化方法。
背景技术
随着全球经济一体化的发展,散货贸易占全球海上运输贸易的比重逐步上升。而散货港口作为散货贸易中关键环节,是海上运输与路上运输的中转枢纽。为了满足不断增长的市场需求,港口运营商通常采取扩大基础实施建设以提高港口运营效率,但会导致短期内难以满足需求。如何通过科学合理的手段对散货港口生产调度进行优化,适应市场需求的同时充分发掘港口潜在运营效率,成为了各散货港口关注的焦点。其中,装船作业计划和船舶交通组织方案作为散货港口生产调度中重要环节,装船作业计划合理性直接影响本次船舶出港顺序,而船舶交通组织方案合理性直接影响船舶进港后装船作业计划能否实施,但现有技术中提出的模型并未考虑煤装船作业计划与船舶交通组织协同优化。为了更加贴合散货港口生产调度的实际,需要考虑装船作业计划与船舶交通组织之间的相互影响,建立散货港口装船作业计划与船舶交通组织协同优化模型,得到科学合理的装船作业计划和船舶交通组织方案,为散货港口管理者提供生产经营辅助决策。
发明内容
根据上述提出的技术问题,提供一种散货港口生产调度优化方法。本发明能够缩短所有装船作业完成时间以及进出港总等待时间,不仅可为每艘船舶分配合理的泊位、装船机、取料机等资源,还能保障船舶进出港航行安全。
本发明采用的技术手段如下:
一种散货港口生产调度优化方法,包括如下步骤:
S1、根据散货港口装船作业流程和通航规则,建立装船作业计划与船舶交通组织协同多目标优化模型;
S2、获取散货港口堆场库存信息、作业设备信息和船舶信息;
S3、采用基于文化基因框架的启发式多目标算法对装船作业计划与船舶交通组织协同多目标优化模型进行求解,得到装船作业计划与船舶交通组织的优化方案。
进一步地,所述步骤S1中:
所述散货港口装船作业流程是指以最小化装船作业完成时间为目标,减少装船作业流程冲突,制定装船作业计划,具体包括:
根据在锚地船舶的装载需求以及泊位靠泊能力分配堆场取料位置和船舶所停靠泊位;
根据堆场取料位置分配取料机进行取料作业;
根据船舶停靠泊位分配装船机进行装船作业;
所述通航规则用于保障船舶进出港航行安全,根据港口通航规则,分别为锚地进港船和泊位出港船分配合理的通航模式。
进一步地,所述装船作业计划与船舶交通组织协同多目标优化模型包括装船作业计划约束模型、船舶交通组织模型、装船作业计划与船舶交通组织联合协调模型。
进一步地,所述装船作业计划约束模型具体为:
其中,公式(1)为船货匹配约束,表示堆场货种存储量满足船舶所需求货种的装载量;公式(2)-(4)为泊位靠泊能力限制约束,公式(2)表示靠泊能力约束,确保泊位的靠泊能力要满足船舶停靠的装载量;公式(3)和公式(4)表示被安排同一泊位的船舶停靠顺序;公式(5)和公式(6)为装船机作业分配约束,公式(5)表示一个泊位分配一台装船机作业;公式(6)表示装船机换舱移动时间;公式(7)-(8)表示取料机作业冲突消解约束,公式(7)表示同一轨道上取料机禁止交叉作业,不同轨道上取料机禁止对同一堆料作业;公式(8)表示取料机换垛移动时间。
进一步地,所述船舶交通组织模型具体为:
其中,公式(9)为船舶通航模式调整约束,表示依据港口通航规则调整船舶通航模式;公式(10)-(16)为船舶同/异向自适应安全时隙约束,公式(10)-公式(11)表示在上航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(12)表示在航道禁止会遇水域不同通航模式下两船所需要保持自适应异向安全时隙,公式(13)-(14)表示在下航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(15)-(16)表示计算两船自适应同/异向安全时隙;公式(17)-(18)表示船舶进出港航行准备约束;公式(19)-(20)为船舶出港乘潮周期约束。
所述装船作业计划与船舶交通组织联合协调模型具体为:
其中,公式(21)-(25)为装船作业计划与船舶靠泊顺序匹配约束,公式(21)表示一台取料机与一台装船机同时服务一艘船舶,公式(22)-(23)表示一台取料机与一台装船机不能同时服务多艘船舶,公式(24)-(25)表示一个泊位、一台取料机、一台装船机同时服务一艘船舶;公式(26)-(28)为船舶靠离泊时间与装船作业完成时间约束。
进一步地,所述步骤S3的具体实现过程如下:
S31、基于装船作业计划流程和港口通航规则生成两段三层整数编码的染色体;
S32、根据装船作业流程冲突和港口通航规则,剔除不符合的初始种群染色体;保留符合的初始种群,并设置初始种群个数为n,最大迭代数为m;
S33、计算每条染色体的目标函数值并将其归一化处理,得到每个解决方案的适应度值;
S34、通过分支配排序,分别计算每条染色体的拥挤距离,将每个目标值最优的方案保留下来,即船舶总等待时间最优方案和装船作业完成时间最优方案;
S35、根据步骤S31中染色体的编码结构,设计三种邻域搜索策略,并将S34中保留的每个目标值最优的方案分别进行搜索并寻找最优的方案;
S36、根据装船作业流程冲突、港口通航规则和精英保留策略,通过步骤S33计算经过邻域搜索策略的染色体适应度值并保留最优的可行性方案;
S37、通过船舶交通组织交叉算子、装船作业计划变异算子,对步骤S31中的种群进行操作产生新的子代种群;
所述船舶交通组织交叉算子对染色体的船舶交通组织方案进行交叉操作,自适应交叉概率公式如下:
PCgen=PCgen-1+gen*(θ1 gen-θ2 gen)/m;
所述装船作业变异算子对装船作业计划序列进行变异操作,自适应变异概率公式如下:
PMgen=PMgen-1+gen*(θ1 gen-θ2 gen)/m,
其中,gen为当前迭代次数;
S38、根据S33、S34计算S37中经过交叉、变异的染色体适应度值及拥挤距离,并将计算结果分别与其父代和S36中个体的值进行比较,若生成的染色体比其相应的父代和S36中个体的值较好,则进行替换保留操作;否则,从S34开始继续进行循环操作;
S39、重复以上步骤,直到符合设定的最大迭代次数后,输出保留最优的可行性方案。
进一步地,所述步骤S31中的两段三层整数编码的染色体包括装船作业计划和船舶交通组织方案两段;其中,一段染色体表示船舶交通组织方案,其长度为两倍船舶数量,一个基因包括三层编码信息,即船舶编号、进出港方向,航行模式;另一段染色体表示装船作业计划,其长度为船舶数量,一个基因包括三层编码信息,即泊位编号、装船机编号、取料机编号;一条染色体代表一个装船作业计划与船舶交通组织优化方案。
进一步地,所述步骤S33中,计算每条染色体的目标函数值包括船舶总等待时间最小F1和装船作业完成时间最小F2,其中:
进一步地,所述步骤S35中的三种领域搜索策略分别为交换、反转、插入搜索策略;其中:
交换搜索策略:将染色体中船舶交通组织方案的任意两个基因交换位置;重复该操作,将装船作业计划序列的任意两个基因交换位置;
反转搜索策略:在交换搜索策略基础上,将选定两个基因之间的所有基因对换位置;
插入搜索策略:选定染色体中船舶交通组织方案的任意两个基因,并将后面位置的基因插入前面的基因;对染色体中装船作业计划序列的基因重复该操作。
较现有技术相比,本发明具有以下优点:
1、本发明提供的散货港口生产调度优化方法,能够缩短所有船舶的装船作业完成时间以及进出港总等待时间,不仅可为每艘船舶分配合理的泊位、装船机、取料机等资源,还能保障船舶进出港航行安全。
2、本发明提供的散货港口生产调度优化方法,在一定程度上可为散货港口生产作业提供辅助决策,对提高散货港口运营效率具有重要价值。
基于上述理由本发明可在船舶作业等领域广泛推广。
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做以简单地介绍,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为本发明方法流程图。
图2为本发明实施例提供的散货港口装船作业过程示意图。
图3为本发明基于文化基因框架的启发式多目标算法流程图。
图4为本发明实施例提供的散货港口堆场区域散货种类分布、泊位分布、装船机位置和取料机位置图。
图5为本发明实施例提供的散货港口航道抽象示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种散货港口生产调度优化方法,包括如下步骤:
S1、根据散货港口装船作业流程和通航规则,建立装船作业计划与船舶交通组织协同多目标优化模型;
S2、获取散货港口堆场库存信息、作业设备信息和船舶信息;
S3、采用基于文化基因框架的启发式多目标算法对装船作业计划与船舶交通组织协同多目标优化模型进行求解,得到装船作业计划与船舶交通组织的优化方案。
具体实施时,作为本发明优选的实施方式,所述步骤S1中:
所述散货港口装船作业流程是指以装船完成时间最短为目标,减少装船作业流程冲突(泊位占用冲突、装船机和取料机之间作业冲突),制定装船作业计划,具体包括:
根据在锚地船舶的装载需求以及泊位靠泊能力分配堆场取料位置和船舶所停靠泊位;
根据堆场取料位置分配取料机进行取料作业;
根据船舶停靠泊位分配装船机进行装船作业;
所述通航规则用于保障船舶进出港航行安全,根据港口通航规则,分别为锚地进港船和泊位出港船分配合理的通航模式。
具体实施时,作为本发明优选的实施方式,所述装船作业计划与船舶交通组织协同多目标优化模型包括装船作业计划约束模型、船舶交通组织模型、装船作业计划与船舶交通组织联合协调模型。其中:
所述装船作业计划约束模型具体为:
其中,公式(1)为船货匹配约束,表示堆场货种存储量满足船舶所需求货种的装载量;公式(2)-(4)为泊位靠泊能力限制约束,公式(2)表示靠泊能力约束,确保泊位的靠泊能力要满足船舶停靠的装载量;公式(3)和公式(4)表示被安排同一泊位的船舶停靠顺序;公式(5)和公式(6)为装船机作业分配约束,公式(5)表示一个泊位分配一台装船机作业;公式(6)表示装船机换舱移动时间;公式(7)-(8)表示取料机作业冲突消解约束,公式(7)表示同一轨道上取料机禁止交叉作业,不同轨道上取料机禁止对同一堆料作业;公式(8)表示取料机换垛移动时间。上述公式中,i和i'分别表示两艘船舶,m表示散货类型,b表示泊位编号,j表示任务编号,YWeightm表示堆场散货存储量,QWeightm表示船舶需求散货装载量,Dbij表示泊位靠泊能力,Pbii'和Pbi'i表示两艘船舶停靠同一泊位顺序,Qi和Qi'分别表示船舶i和i'停靠泊位b,wbl表示装船机l服务停靠泊位m的船舶,LTijlc表示船舶任务所需装船机换舱移动时间,LVl表示装船机l移动速率,LMijlc和LMijlc'分别表示装船机所在舱口位置,M表示最大整数,LSicc'表示船舶装舱顺序,αrrk表示两台取料机在同一铁轨上,RMirjfw和RMi'r'j'f'w'分别表示取料机所在堆场位置,RTirj表示船舶任务所需取料机换垛移动时间,RVr表示取料机r移动速率,RSijj'表示船舶任务顺序,j和j'分别表示两个任务,r和r'分别表示两台取料机,l和l'分别表示两台装船机,k和k'分别表示铁轨编号,f和f'分别表示堆场内行数,w和w'分别表示堆场内列数。
所述船舶交通组织模型具体为:
其中,公式(9)为船舶通航模式调整约束,表示依据港口通航规则调整船舶通航模式;公式(10)-(16)为船舶同/异向自适应安全时隙约束,公式(10)-公式(11)表示在上航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(12)表示在航道禁止会遇水域不同通航模式下两船所需要保持自适应异向安全时隙,公式(13)-(14)表示在下航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(15)-(16)表示计算两船自适应同/异向安全时隙;公式(17)-(18)表示船舶进出港航行准备约束;公式(19)-(20)为船舶出港乘潮周期约束。公式(19)表示船舶离泊最早乘潮周期时间窗,公式(20)表示船舶离港到达上航道水域最晚乘潮周期时间窗。上述公式中,Xi表示船舶通航模式,lengthi表示船舶船长,breadthi表示船舶船宽,Lth表示船长最大值,Bth表示船宽最大值,T1i表示船舶达到上航道水域时间,δ1表示同向自适应安全时隙,IOi表示船舶进出港方向,Yii'表示两艘船舶同向航行的顺序,δ2表示异向自适应安全时隙,Zii'表示两艘船舶异向航行的方向,T2i表示船舶达到航道禁止会遇水域时间,T3i表示船舶达到下航道水域时间,Hii'表示两艘船舶经过同一港池,vi表示船舶航速,Ai表示船舶进港申请时间,Ai'表示船舶进港调整时间,Ei表示船舶离港申请时间,Ei'表示船舶出港调整时间,γi表示船舶需要乘潮出港,Ti n表示船舶需要第n个周期乘潮的开始时间窗,Ti′n表示船舶需要第n个周期乘潮的结束时间窗。
所述装船作业计划与船舶交通组织联合协调模型具体为:
其中,公式(21)-(25)为装船作业计划与船舶靠泊顺序匹配约束,公式(21)表示一台取料机与一台装船机同时服务一艘船舶,公式(22)-(23)表示一台取料机与一台装船机不能同时服务多艘船舶,公式(24)-(25)表示一个泊位、一台取料机、一台装船机同时服务一艘船舶;公式(26)-(28)为船舶靠离泊时间与装船作业完成时间约束。公式(28)表示确定船舶装载任务完成所需时间,包括取料机取料时间、取料机换垛移动时间、堆场到泊位运输时间、装船机换舱移动时间;公式(29)-(30)为下一艘船舶靠泊时间与装船作业开始时间约束。上述公式中,Ωilr表示船舶被分配了装船机和取料机,LPii'lr表示两艘船舶被分配同一台装船机和同一台取料机,βilrb表示船舶被分配了泊位、装船机和取料机,SJilrb表示船舶开始装船作业时间,Si表示船舶靠泊开始时间,LJilrb表示船舶结束装船作业时间,RJirj表示取料机执行船舶任务作业时间,Distanceb表示取料机到船舶所停靠泊位的距离。
具体实施时,作为本发明优选的实施方式,所述步骤S3的具体实现过程如下:
S31、基于装船作业计划流程和港口通航规则生成两段三层整数编码的染色体;
S32、根据装船作业流程冲突和港口通航规则,剔除不符合的初始种群染色体;保留符合的初始种群,并设置初始种群个数为n,最大迭代数为Max;
S33、计算每条染色体的目标函数值并将其归一化处理,得到每个解决方案的适应度值;
S34、通过分支配排序,分别计算每条染色体的拥挤距离,将每个目标值最优的方案保留下来,即船舶总等待时间最优方案和装船作业完成时间最优方案;
S35、根据步骤S31中染色体的编码结构,设计三种邻域搜索策略,并将S34中保留的每个目标值最优的方案分别进行搜索并寻找最优的方案;
S36、根据装船作业流程冲突、港口通航规则和精英保留策略,通过步骤S33计算经过邻域搜索策略的染色体适应度值并保留最优的可行性方案;
S37、通过船舶交通组织交叉算子、装船作业计划变异算子,对步骤S31中的种群进行操作产生新的子代种群;
所述船舶交通组织交叉算子对染色体的船舶交通组织方案进行交叉操作,自适应交叉概率公式如下:
PCgen=PCgen-1+gen×(θ1 gen-θ2 gen)/Max;
其中,PCgen表示当前种群代数的交叉概率;PCgen-1表示上一代种群代数的交叉概率;gen表示种群迭代次数;θ1 gen和θ2 gen表示选取两条染色体适应度值;Max表示最大迭代次数。
所述装船作业变异算子对装船作业计划序列进行变异操作,自适应变异概率公式如下:
PMgen=PMgen-1+gen*(θ1 gen-θ2 gen)/Max,
其中,PMgen表示当前种群代数的变异概率;PMgen-1表示上一代种群代数的变异概率;gen为当前迭代次数;Max表示最大迭代次数。
S38、根据S33、S34计算S37中经过交叉、变异的染色体适应度值及拥挤距离,并将计算结果分别与其父代和S36中个体的值进行比较,若生成的染色体比其相应的父代和S36中个体的值较好,则进行替换保留操作;否则,从S34开始继续进行循环操作;
S39、重复以上步骤,直到符合设定的最大迭代次数后,输出保留最优的可行性方案。如图2所示,为本发明实施例提供的散货港口装船作业过程示意图。
具体实施时,作为本发明优选的实施方式,所述步骤S31中的两段三层整数编码的染色体包括装船作业计划和船舶交通组织方案两段;其中,一段染色体表示船舶交通组织方案,其长度为两倍船舶数量,一个基因包括三层编码信息,即船舶编号、进出港方向,航行模式;另一段染色体表示装船作业计划,其长度为船舶数量,一个基因包括三层编码信息,即泊位编号、装船机编号、取料机编号;一条染色体代表一个装船作业计划与船舶交通组织优化方案。
具体实施时,作为本发明优选的实施方式,所述步骤S33中,计算每条染色体的目标函数值包括船舶总等待时间最小F1和装船作业完成时间最小F2,其中:
具体实施时,作为本发明优选的实施方式,所述步骤S35中的三种领域搜索策略分别为交换、反转、插入搜索策略;其中:
交换搜索策略:将染色体中船舶交通组织方案的任意两个基因交换位置;重复该操作,将装船作业计划序列的任意两个基因交换位置;
反转搜索策略:在交换搜索策略基础上,将选定两个基因之间的所有基因对换位置;
插入搜索策略:选定染色体中船舶交通组织方案的任意两个基因,并将后面位置的基因插入前面的基因;对染色体中装船作业计划序列的基因重复该操作。如图3所示,本发明基于文化基因框架的启发式多目标算法流程图。
本实施例中装船作业计划与船舶交通组织协同优化模型参数设置,被调度12艘船舶数据如表1所示;4个舱船舶、5个舱船舶、6个舱船舶和7个舱船舶的装舱顺序分别为1-3-2-4、2-4-3-1-5、2-4-3-5-1-6和2-4-6-5-3-1-7。基于中国北方某散货港口为条件设置,其中一二期码头,每期码头分别有6个堆场区域、6个取料机,4台装船机,4个泊位。一个堆场区域分为6行存储区,1行存储区有8列堆垛区,每个堆垛区存储量为3万吨,其中堆场区域散货种类分布、泊位分布、装船机位置和取料机位置如图4所示;该港口其通航规则如下:当单船长超过225m或船宽超过32.3m时,船舶为单向通航模式;当两船为单船长不超过225m,宽不超过32.3m,且两船宽之和小于61m,船舶为混合通航模式;22#浮标至32#浮标的距离为4.66海里,32#浮标至46#浮标的距离为6.12海里,该港口航道抽象示意图如图5所示;泊位数据如表2所示;取料机和装船机的数据如表3所示;皮带速率为5m/s;装船机移动一个舱口所需时间为1.5分钟;取料机移动一个堆垛所需时间为5分钟;基于文化基因框架的启发式多目标算法的参数进行优化调整,设置最大迭代次数为300,种群个体为200,代沟为0.8,交叉概率为0.8,变异概率为0.05,变邻域解构为3,变邻域列表为150。
表1 12艘船舶数据
表2泊位数据
表3装船机和取料机的数据
表4 12艘船舶最优染色体序列
实例化装船作业计划与船舶交通组织协同优化模型,获得F1目标值最优的染色体序列如表4所示。该染色体的F1目标值为3.7h,F2目标值为88.9h;为每艘船舶制定了合理的装船作业计划,包括所有船舶的泊位分配、装船机分配和取料机分配;同时为所有船舶制定了合理的交通组织方案,包括所有船舶的进出港顺序、进出港方向和通航模式。通过比较NSGA-II(Non-dominated Sorting Genetic Algorithm II)、FCFS(First Come FirstServed)和CPLEX,本发明所述的优化模型在12艘船舶情况下利用上述方法分别重复求解50次,分别获得F1和F2目标值、以及平均运行时间如表5所示,结果可以看出基于文化基因框架的启发式多目标算法的优势明显且稳定性较高。
表5调度12艘船舶不同算法的结果比较
算法 | 本专利算法 | NSGA-II | CPLEX | FCFS |
F<sub>1</sub>/h | 3.7 | 4.1 | 7.3 | 8.9 |
F<sub>2</sub>/h | 88.9 | 89.15 | 95.3 | 100.1 |
平均运行时间/s | 57.6 | 55.4 | 118.6 | 3.7 |
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 (10)
1.一种散货港口生产调度优化方法,其特征在于,包括如下步骤:
S1、根据散货港口装船作业流程和通航规则,建立装船作业计划与船舶交通组织协同多目标优化模型;
S2、获取散货港口堆场库存信息、作业设备信息和船舶信息;
S3、采用基于文化基因框架的启发式多目标算法对装船作业计划与船舶交通组织协同多目标优化模型进行求解,得到装船作业计划与船舶交通组织的优化方案。
2.根据权利要求1所述的散货港口生产调度优化方法,其特征在于,所述步骤S1中:
所述散货港口装船作业流程是指以最小化装船作业完成时间为目标,减少装船作业流程冲突,制定装船作业计划,具体包括:
根据在锚地船舶的装载需求以及泊位靠泊能力分配堆场取料位置和船舶所停靠泊位;
根据堆场取料位置分配取料机进行取料作业;
根据船舶停靠泊位分配装船机进行装船作业;
所述通航规则用于保障船舶进出港航行安全,根据港口通航规则,分别为锚地进港船和泊位出港船分配合理的通航模式。
3.根据权利要求1所述的散货港口生产调度优化方法,其特征在于,所述装船作业计划与船舶交通组织协同多目标优化模型包括装船作业计划约束模型、船舶交通组织模型、装船作业计划与船舶交通组织联合协调模型。
4.根据权利要求3所述的散货港口生产调度优化方法,其特征在于,所述装船作业计划约束模型具体为:
其中,公式(1)为船货匹配约束,表示堆场货种存储量满足船舶所需求货种的装载量;公式(2)-(4)为泊位靠泊能力限制约束,公式(2)表示靠泊能力约束,确保泊位的靠泊能力要满足船舶停靠的装载量;公式(3)和公式(4)表示被安排同一泊位的船舶停靠顺序;公式(5)和公式(6)为装船机作业分配约束,公式(5)表示一个泊位分配一台装船机作业;公式(6)表示装船机换舱移动时间;公式(7)和公式(8)表示取料机作业冲突消解约束,公式(7)表示同一轨道上取料机禁止交叉作业,不同轨道上取料机禁止对同一堆料作业;公式(8)表示取料机换垛移动时间。
5.根据权利要求3所述的散货港口生产调度优化方法,其特征在于,所述船舶交通组织模型具体为:
其中,公式(9)为船舶通航模式调整约束,表示依据港口通航规则调整船舶通航模式;公式(10)-(16)为船舶同/异向自适应安全时隙约束,公式(10)-公式(11)表示在上航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(12)表示在航道禁止会遇水域不同通航模式下两船所需要保持自适应异向安全时隙,公式(13)-(14)表示在下航道水域不同通航模式下两船所需要保持自适应同/异向安全时隙,公式(15)-(16)表示计算两船自适应同/异向安全时隙;公式(17)-(18)表示船舶进出港航行准备约束;公式(19)-(20)为船舶出港乘潮周期约束。
7.根据权利要求1所述的散货港口生产调度优化方法,其特征在于,所述步骤S3的具体实现过程如下:
S31、基于装船作业计划流程和港口通航规则生成两段三层整数编码的染色体;
S32、根据装船作业流程冲突和港口通航规则,剔除不符合的初始种群染色体;保留符合的初始种群,并设置初始种群个数为n,最大迭代数为Max;
S33、计算每条染色体的目标函数值并将其归一化处理,得到每个解决方案的适应度值;
S34、通过分支配排序,分别计算每条染色体的拥挤距离,将每个目标值最优的方案保留下来,即船舶总等待时间最优方案和装船作业完成时间最优方案;
S35、根据步骤S31中染色体的编码结构,设计三种邻域搜索策略,并将S34中保留的每个目标值最优的方案分别进行搜索并寻找最优的方案;
S36、根据装船作业流程冲突、港口通航规则和精英保留策略,通过步骤S33计算经过邻域搜索策略的染色体适应度值并保留最优的可行性方案;
所述船舶交通组织交叉算子对染色体的船舶交通组织方案进行交叉操作,自适应交叉概率公式如下:
PCgen=PCgen-1+gen*(θ1 gen-θ2 gen)/m;
所述装船作业变异算子对装船作业计划序列进行变异操作,自适应变异概率公式如下:
PMgen=PMgen-1+gen*(θ1 gen-θ2 gen)/m,
其中,gen为当前迭代次数;
S37、通过船舶交通组织交叉算子、装船作业变异算子,对步骤S31中的种群进行操作产生新的子代种群;
S38、根据S33、S34计算S37中经过交叉、变异的染色体适应度值及拥挤距离,并将计算结果分别与其父代和S36中个体的值进行比较,若生成的染色体比其相应的父代和S36中个体的值较好,则进行替换保留操作;否则,从S34开始继续进行循环操作;
S39、重复以上步骤,直到符合设定的最大迭代次数后,输出保留最优的可行性方案。
8.根据权利要求7所述的散货港口生产调度优化方法,其特征在于,所述步骤S31中的两段三层整数编码的染色体包括装船作业计划和船舶交通组织方案两段;其中,一段染色体表示船舶交通组织方案,其长度为两倍船舶数量,一个基因包括三层编码信息,即船舶编号、进出港方向,航行模式;另一段染色体表示装船作业计划,其长度为船舶数量,一个基因包括三层编码信息,即泊位编号、装船机编号、取料机编号;一条染色体代表一个装船作业计划与船舶交通组织优化方案。
10.根据权利要求7所述的散货港口生产调度优化方法,其特征在于,所述步骤S35中的三种领域搜索策略分别为交换、反转、插入搜索策略;其中:
交换搜索策略:将染色体中船舶交通组织方案的任意两个基因交换位置;重复该操作,将装船作业计划序列的任意两个基因交换位置;
反转搜索策略:在交换搜索策略基础上,将选定两个基因之间的所有基因对换位置;
插入搜索策略:选定染色体中船舶交通组织方案的任意两个基因,并将后面位置的基因插入前面的基因;对染色体中装船作业计划序列的基因重复该操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976046.7A CN113689037B (zh) | 2021-08-24 | 2021-08-24 | 一种散货港口生产调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976046.7A CN113689037B (zh) | 2021-08-24 | 2021-08-24 | 一种散货港口生产调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689037A true CN113689037A (zh) | 2021-11-23 |
CN113689037B CN113689037B (zh) | 2024-03-08 |
Family
ID=78581975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976046.7A Active CN113689037B (zh) | 2021-08-24 | 2021-08-24 | 一种散货港口生产调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689037B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114987997A (zh) * | 2022-06-07 | 2022-09-02 | 济宁市海富电子科技有限公司 | 基于物联网的生产物料仓库存取料方法 |
CN115115303A (zh) * | 2022-06-02 | 2022-09-27 | 中交机电工程局有限公司 | 一种基于智慧港口的散货管控一体化系统及方法 |
CN115471142A (zh) * | 2022-11-02 | 2022-12-13 | 武汉理工大学 | 一种基于人机协同的港口拖轮作业智能调度方法 |
CN116258063A (zh) * | 2023-01-06 | 2023-06-13 | 广州港集团有限公司 | 基于遗传算法的港口作业最优路径规划仿真方法及系统 |
CN116663800A (zh) * | 2023-04-17 | 2023-08-29 | 天云融创数据科技(北京)有限公司 | 一种任务船舶确定方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101062358B1 (ko) * | 2010-04-16 | 2011-09-05 | 한국과학기술원 | 이동 항만 시스템의 운영 계획 방법 및 장치 |
JP2012086948A (ja) * | 2010-10-20 | 2012-05-10 | Jfe Steel Corp | 輸送計画作成方法および輸送計画作成装置 |
CN103606124A (zh) * | 2013-11-25 | 2014-02-26 | 天津市市政工程设计研究院 | 集装箱码头装卸交通系统布局与交通组织微观仿真方法 |
CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
CN108346319A (zh) * | 2018-04-18 | 2018-07-31 | 大连海事大学 | 一种进出大型海港复杂航道的全局交通组织优化方法 |
JP2019197538A (ja) * | 2018-05-08 | 2019-11-14 | Jfeスチール株式会社 | 配船計画作成方法、その方法による操業方法、及び配船計画作成装置 |
CN110782160A (zh) * | 2019-10-24 | 2020-02-11 | 中交水运规划设计院有限公司 | 船舶泊位分配方法、系统及装置 |
CN112712288A (zh) * | 2021-01-18 | 2021-04-27 | 大连海事大学 | 一种内河码头干散货作业集成调度方法 |
CN113240234A (zh) * | 2021-04-02 | 2021-08-10 | 大连海事大学 | 煤炭港口装船设备分配与船舶交通组织协调优化方法 |
-
2021
- 2021-08-24 CN CN202110976046.7A patent/CN113689037B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101062358B1 (ko) * | 2010-04-16 | 2011-09-05 | 한국과학기술원 | 이동 항만 시스템의 운영 계획 방법 및 장치 |
JP2012086948A (ja) * | 2010-10-20 | 2012-05-10 | Jfe Steel Corp | 輸送計画作成方法および輸送計画作成装置 |
CN103606124A (zh) * | 2013-11-25 | 2014-02-26 | 天津市市政工程设计研究院 | 集装箱码头装卸交通系统布局与交通组织微观仿真方法 |
CN105117793A (zh) * | 2015-08-10 | 2015-12-02 | 大连海事大学 | 一种双向通航港口船舶调度优化方法 |
CN108346319A (zh) * | 2018-04-18 | 2018-07-31 | 大连海事大学 | 一种进出大型海港复杂航道的全局交通组织优化方法 |
JP2019197538A (ja) * | 2018-05-08 | 2019-11-14 | Jfeスチール株式会社 | 配船計画作成方法、その方法による操業方法、及び配船計画作成装置 |
CN110782160A (zh) * | 2019-10-24 | 2020-02-11 | 中交水运规划设计院有限公司 | 船舶泊位分配方法、系统及装置 |
CN112712288A (zh) * | 2021-01-18 | 2021-04-27 | 大连海事大学 | 一种内河码头干散货作业集成调度方法 |
CN113240234A (zh) * | 2021-04-02 | 2021-08-10 | 大连海事大学 | 煤炭港口装船设备分配与船舶交通组织协调优化方法 |
Non-Patent Citations (2)
Title |
---|
张新宇 等: "基于模拟退火多种群遗传算法的港口船舶调度优化", 《中国航海》, vol. 39, no. 1, pages 26 - 30 * |
李晓玲: "基于遗传算法的煤炭港口泊位分配优化模型", 《物流技术》, vol. 39, no. 3, pages 94 - 98 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115303A (zh) * | 2022-06-02 | 2022-09-27 | 中交机电工程局有限公司 | 一种基于智慧港口的散货管控一体化系统及方法 |
CN114987997A (zh) * | 2022-06-07 | 2022-09-02 | 济宁市海富电子科技有限公司 | 基于物联网的生产物料仓库存取料方法 |
CN114987997B (zh) * | 2022-06-07 | 2024-01-09 | 济宁市海富电子科技有限公司 | 基于物联网的生产物料仓库存取料方法 |
CN115471142A (zh) * | 2022-11-02 | 2022-12-13 | 武汉理工大学 | 一种基于人机协同的港口拖轮作业智能调度方法 |
CN116258063A (zh) * | 2023-01-06 | 2023-06-13 | 广州港集团有限公司 | 基于遗传算法的港口作业最优路径规划仿真方法及系统 |
CN116663800A (zh) * | 2023-04-17 | 2023-08-29 | 天云融创数据科技(北京)有限公司 | 一种任务船舶确定方法及装置 |
CN116663800B (zh) * | 2023-04-17 | 2024-02-23 | 天云融创数据科技(北京)有限公司 | 一种任务船舶确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113689037B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689037A (zh) | 一种散货港口生产调度优化方法 | |
Kavoosi et al. | An augmented self-adaptive parameter control in evolutionary computation: A case study for the berth scheduling problem | |
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 | |
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 | |
CN101789093A (zh) | 一种集装箱码头泊位与岸桥分配方法 | |
Bilican et al. | A mathematical model and two-stage heuristic for the container stowage planning problem with stability parameters | |
CN112712288A (zh) | 一种内河码头干散货作业集成调度方法 | |
Gunawardhana et al. | Rule-based dynamic container stacking to optimize yard operations at port terminals | |
Tao et al. | A bi-objective optimization for integrated truck operation and storage allocation considering traffic congestion in container terminals | |
Cheimanoff et al. | Exact and heuristic methods for the berth allocation problem with multiple continuous quays in tidal bulk terminals | |
Xin et al. | Mixed-integer nonlinear programming for energy-efficient container handling: Formulation and customized genetic algorithm | |
Homayouni et al. | Metaheuristics for maritime operations | |
Wibisono et al. | Multi-objective evolutionary algorithm for a ship routing problem in maritime logistics collaboration | |
Lassoued et al. | The discrete and dynamic berth allocation problem in bulk port | |
CN114846492A (zh) | 在终点站中操作一个或多个载具和/或设备的方法以及相关装置和系统 | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
Nadales et al. | Safe optimal vessel planning on natural inland waterways | |
Li et al. | Solving inland container ship stowage planning problem on full route through a two-phase approach | |
Preston et al. | A tabu search technique applied to scheduling container transfers | |
Ansorena | Operational strategies for managing container terminals. An approach based on closed queuing networks | |
Gao et al. | A decision framework for decomposed stowage planning for containers | |
CN109872023B (zh) | 岸桥qc、集卡yt和龙门吊yc的集成调度模型及其ga算法 | |
Ankita et al. | An efficient heuristic method for dynamic berth allocation problem | |
Bogachev et al. | Comparative analysis of the use egalitarian and utilitarian approaches in the freight transportation optimization problem |
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 |