CN114742350A - 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 - Google Patents
一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 Download PDFInfo
- Publication number
- CN114742350A CN114742350A CN202210210434.9A CN202210210434A CN114742350A CN 114742350 A CN114742350 A CN 114742350A CN 202210210434 A CN202210210434 A CN 202210210434A CN 114742350 A CN114742350 A CN 114742350A
- Authority
- CN
- China
- Prior art keywords
- berth
- ship
- berthing
- robust
- shore bridge
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000872 buffer Substances 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000003139 buffering effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 6
- 230000002411 adverse Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010845 search algorithm Methods 0.000 abstract description 2
- 230000003111 delayed effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 101100450270 Oryzias latipes hcea gene Proteins 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000008932 jinhong Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002829 reductive effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,考虑到实际作业中可能发生的导致工作时间延长的不确定因素,提出一种通用的加权时间松弛方法在船与船之间插入缓冲区,以降低不确定因素对整体泊位岸桥分配方案的不利影响,进而提高作业效率并减少调度成本,以最小化船舶在港时间为目标,建立鲁棒泊位岸桥分配模型,提出了一种变邻域交叉熵算法,将变邻域搜索算法融入到交叉熵算法中,针对泊位岸桥分配模型和编码特点设计5种邻域结构,采用VNS对搜索过程中精英解的局部及邻域进一步搜索,以增强其局部探索与全局寻优能力,并设计了平滑参数策略使算法跳出局部最优解,最终生成在不确定环境下鲁棒性较强的泊位岸桥分配方案。
Description
技术领域
本发明涉及港口货运技术领域,特别是涉及一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法。
背景技术
泊位岸桥问题的目的是为所有即将到港的船舶分配停泊的时间、位置和岸桥的数量,由于国际间贸易业务快速发展,对港口码头的作业效率提出了更高的要求。然而在实际调度中,不可避免的会出现恶劣天气、岸桥故障等破坏性事件,导致船舶延迟到港或装卸工作时间延长,因此考虑生成一个鲁棒的泊位岸桥调度方案,即减少计划调度和实际调度之间的偏差就极为重要。
敖丹等发表于《计算机工程与应用》期刊上的《基于作业链的泊位与岸桥协同调度研究》,针对泊位与岸桥协同调度问题,引入“链式优化”思路的方法分析集装箱的装卸过程,建立泊位岸桥分配和岸桥调度两个模型,设计了嵌套式循环算法来求解,实验证明了所提模型和算法能够有效的解决此问题,但文章并未考虑不确定因素对整体调度的影响且实验部分仅针对计划周期为1天的小规模泊位岸桥调度问题;Guo等发表于《Computers&Industrial Engineering》期刊上的《Berth allocation problem with uncertainvessel handling times considering weather conditions》,考虑气象条件影响的船舶装卸时间不确定性泊位分配问题,设计了两阶段优化方法,通过改进的高效粒子群算法进行求解,但只针对工作时间的不确定性因素,不具有通用性。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,以解决上述背景技术提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,包括以下步骤:
S1,构造离散概率分布矩阵M:
p(i,j|tce)的含义是在第tce次迭代时将泊位i分配给船j的概率,p(i,j|tce)初始化(当tce=0时)的更新公式为公式(2),满足的约束如公式(3):
h(i,j)的含义是初始时是否满足将泊位i分配给船舶j的条件,满足则为1,否则为0;
S2、生成样本:假设有6艘船舶停泊在4个泊位,其编码方式如下:
第1行代表船舶的靠泊顺序,1到n之间整数随机排列;
第2行代表船舶的靠泊泊位,根据离散概率分布矩阵M生成;
第3行代表分配给船舶的岸桥数量,在船舶最少和最多需要的岸桥数之间随机生成;
S3、计算样本的靠泊时间:通过加权松弛时间法插入缓冲区,且利用参数ξj表示船舶j的优先级权重,将可能受到影响的船舶数量与在同一泊位靠泊的所有船舶数量之和的比值作为权重的表示;
S4、选择H个精英样本:计算所有样本的目标函数值,从中选择最优的H个精英样本X1,...,XH,并更新全局最优样本gX;
S5、VNSA对H个精英样本进一步寻优:采用VNSA对搜索过程中找到的H个精英样本的邻近区域进行更深入的搜索,利用cross、icross、2-opt、swap、exchange这5种邻域操作算子Nk,(k=1,..,5)生成5个邻域结构;
S6、利用H个精英个体更新M矩阵:
利用如下平滑参数策略对p(i,j|tce)进行更新:
p(i,j|tce)=αp(i,j|tce)+(1-α)p(i,j|tce-1) (7)
S7、令tce=tce+1,判断是否满足迭代次数的终止条件,满足条件则输出全局最优个体,否则返回步骤S2继续迭代。
作为本发明的一种优选技术方案,所述S3中,将可能受到影响的船舶数量与在同一泊位靠泊的所有船舶数量之和的比值作为权重的表示方法,包括以下步骤
a1、计算最早靠泊时间tbj(ES):tbj(ES)也为传统思想所求靠泊时间,将样本按照第一行编码靠泊顺序升序排序,得到Sijk矩阵,对于船舶j,计算tbj(ES)公式如下,其中tdj'由公式(9)计算得到:
a2、计算最晚靠泊时间tbj(LS):对于船舶j,若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j′,则令t=tbj'(LS),若不存在这样的船舶则令t=tdj,计算tbj(LS)的公式如下:
a3、计算优先级权重系数ξj:定义与船舶j在泊位i靠泊且在其后靠泊的船舶的个数为αj,总数为βi,ξj的计算公式如(11),进而求得在船j离港后插入的缓冲时间θj,每艘船的靠泊时间计算公式如公式(12):
作为本发明的一种优选技术方案,所述S5中,cross算子N1:随机生成交叉点位,将当前精英样本与全局最优样本采用交叉点位中间的部分互换,生成两个新的个体。
作为本发明的一种优选技术方案,所述S5中,icross算子N2:随机生成交叉点位,将当前精英样本与全局最优样本交叉点位中间的部分逆序交换。
作为本发明的一种优选技术方案,所述S5中,exchange算子N3:随机选择一列,将当前精英样本与全局最优样本这一列交换。
作为本发明的一种优选技术方案,所述S5中,2-opt算子N4:随机选择两列,将两列之间的部分逆序排列。
作为本发明的一种优选技术方案,所述S5中,swap算子N5:随机选择两列,交换两列。
作为本发明的一种优选技术方案,所述a1中传统思想的含义为船舶到港后判断为其分配的泊位是否空闲,是则靠泊,否则要等待至前一只船舶离港。
作为本发明的一种优选技术方案,所述S5中VNSA算法的具体步骤如下:
VNSA算法:
本发明的有益效果是:本发明中考虑到集装箱码头在实际作业过程中可能发生的船舶延迟到港、设备故障导致工作时间延长的不确定因素,提出一种通用的加权时间松弛方法在船与船之间插入缓冲区,以降低不确定因素对整体泊位岸桥分配方案的不利影响,进而提高集装箱码头作业效率并减少调度成本;本发明以最小化船舶在港时间为目标,建立了鲁棒泊位岸桥分配模型,提出了一种变邻域交叉熵算法(Variable neighborhoodsearchcross-entropy algorithm,VNSCEA),将变邻域搜索算法(VNS)融入到交叉熵算法(CE)中,针对泊位岸桥分配模型以及编码特点设计了5种邻域结构,采用VNS对搜索过程中的精英解的局部以及邻域进一步搜索,以增强其局部探索与全局寻优能力,并且设计了平滑参数策略使得算法跳出局部最优解,最终生成在不确定环境下鲁棒性较强的泊位岸桥分配方案。
附图说明
图1为本发明的整体流程图;
图2为本发明中cross算子N1算子示意图;
图3为本发明中icross算子N2示意图;
图4为本发明中exchange算子N3示意图;
图5为本发明中2-opt算子N4算子示意图;
图6为本发明中swap算子N5算子示意图;
图7为本发明中到港时间延迟因素下3种方案的对比示意图;
图8为本发明中Δt(S1)与Δt(S2)的扰动结果图;
图9为本发明中Δn(S1)与Δn(S2)扰动结果图;
图10为本发明中两种扰动结果对比图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易被本领域人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例:请参阅图1,本发明提供一种技术方案:一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,图1所示,交叉熵算法通过建立概率模型来估计解空间中的精英解的结构特征,本专利采取VNSCEA对上述模型进行求解,具体步骤如下:
S1,构造离散概率分布矩阵M:
p(i,j|tce)的含义是在第tce次迭代时将泊位i分配给船j的概率,p(i,j|tce)初始化(当tce=0时)的更新公式为公式(2),满足的约束如公式(3):
h(i,j)的含义是初始时是否满足将泊位i分配给船舶j的条件,满足则为1,否则为0;
S2、生成样本:假设有6艘船舶停泊在4个泊位,其编码方式如下:
第1行代表船舶的靠泊顺序,1到n之间整数随机排列;第2行代表船舶的靠泊泊位,根据离散概率分布矩阵M生成;第3行代表分配给船舶的岸桥数量,在船舶最少和最多需要的岸桥数之间随机生成,如编码第一列表示船舶1第一个靠泊,停靠在2号泊位且为其分配3个岸桥;
S3、计算样本的靠泊时间:在车间调度问题中,往往通过插入适当长度的缓冲区来提高整体方案的鲁棒性,加权松弛时间法就是其中一种插入缓冲区的方法,松弛时间可以理解为在不影响后续船舶靠泊的前提下所得最晚靠泊时间tbj(LS)与最早靠泊时间tbj(ES)的差值,即tbj(LS)-tbj(ES);
在同一泊位靠泊的船舶,与靠泊顺序较大的船舶相比,靠泊顺序较小的船舶靠泊或离港延误对后续船舶的影响相对较大,因此考虑给与更大的优先级,本专利用参数ξj表示船舶j的优先级权重,将可能受到影响的船舶数量与在同一泊位靠泊的所有船舶数量之和的比值作为权重的表示,具体步骤如下:
a1、计算最早靠泊时间tbj(ES):tbj(ES)也为传统思想(船舶到港后判断为其分配的泊位是否空闲,是则靠泊,否则要等待至前一只船舶离港)所求靠泊时间,将样本按照第一行编码靠泊顺序升序排序,得到Sijk矩阵,对于船舶j,计算tbj(ES)公式如下,其中tdj'由公式(9)计算得到:
a2、计算最晚靠泊时间tbj(LS):对于船舶j,若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j′,则令t=tbj'(LS),若不存在这样的船舶则令t=tdj,计算tbj(LS)的公式如下:
a3、计算优先级权重系数ξj:定义与船舶j在泊位i靠泊且在其后靠泊的船舶的个数为αj,总数为βi,ξj的计算公式如(11),进而求得在船j离港后插入的缓冲时间θj,每艘船的靠泊时间计算公式如公式(12):
S4、选择H个精英样本:计算所有样本的目标函数值,从中选择最优的H个精英样本X1,...,XH,并更新全局最优样本gX;
S5、VNSA对H个精英样本进一步寻优(VNSA为现有技术,邱金红等发表于《控制与决策》期刊上的《基于配送收益均衡的多目标绿色车辆路径优化算法》,以及Hesam SadatiMir Ehsan等发表于《Computers and Operations Research》期刊上的《An efficientvariable neighborhood search with tabu shaking for a class of multi-depotvehicle routing problems》):为提高样本的多样性,改善CEA过早收敛的现象,提高算法的局部搜索能力,采用VNSA对搜索过程中找到的H个精英样本的邻近区域进行更深入的搜索,利用cross、icross、2-opt、swap、exchange这5种邻域操作算子NK,(k=1,..,5)生成5个邻域结构,算法流程如下伪代码所示,根据问题特征和编码设计以下邻域操作算子:
cross算子N1:随机生成交叉点位,将当前精英样本与全局最优样本采用交叉点位中间的部分互换,生成两个新的个体,如图2所示;
icross算子N2:随机生成交叉点位,将当前精英样本与全局最优样本交叉点位中间的部分逆序交换,如图3所示;
exchange算子N3:随机选择一列,将当前精英样本与全局最优样本这一列交换,如图4所示;
2-opt算子N4:随机选择两列,将两列之间的部分逆序排列,如图5所示;
swap算子N5:随机选择两列,交换两列,如图6所示;
S6、利用H个精英个体更新M矩阵:
利用如下平滑参数策略对p(i,j|tce)进行更新:
p(i,j|tce)=αp(i,j|tce)+(1-α)p(i,j|tce-1) (7)
S7、令tce=tce+1,判断是否满足迭代次数的终止条件,满足条件则输出全局最优个体,否则返回步骤S2继续迭代。
通常情况下,船舶在抵达港口之前就会将船舶及货物相关信息(包括船型、预计到港时间、预计离港时间、载箱量等)通报给靠泊码头,码头会根据计划靠泊船舶的相关信息以及码头设备信息(如泊位个数、泊位长度、岸桥总数量等),提前制定泊位岸桥调度方案,对于每只船舶,应为其做以下三个安排:一是靠泊时间(或开始工作时间),二是靠泊泊位,三是分配的岸桥个数。
本专利以最小化船舶的在港时间为目标,建立的优化模型如下:
约束条件:
tdj=tbj+twj (22)
目标函数(13)表示最小化船舶的在港时间,约束条件(14)表示船舶到港后才能靠泊,约束条件(15)表示船舶只能停泊在大于船长的泊位,约束条件(16)表示船舶只有一次靠泊机会,约束条件(17)表示一个泊位最多同时服务一艘船舶,约束条件(18)表示为船舶分配的岸桥数在给定的范围内,约束条件(19)保证了船舶工作的连续性,约束条件(20)定义了船舶的工作时间,约束条件(21)定义了船舶的靠泊时间,约束条件(22)定义了船舶离港时间,约束条件(23)表示任意时刻作业的岸桥数不能超过码头岸桥总数。约束条件(24)-(26)定义了岸桥分配变量等变量的取值范围。
按照上述技术方案,对上述泊位岸桥分配问题求解,即可得到最终的分配调度方案。
为了验证VNSCEA求解泊位岸桥调度问题的性能,本专利对比张梓琪等发表于《控制理论与应用》期刊上的《混合交叉熵算法求解复杂零等待流水线调度问题》中的HCEA、传统交叉熵算法(CE)、遗传算法(GA)、粒子群算法(PSO)这4种算法,计划周期为7天,从小到大6种不同规模的船舶在100个随机场景下,求得所有船舶在港时间之和(模型的目标函数值)来验证算法的有效性。
设定船舶靠泊延误时间、延误数量以及各自的改善率作为鲁棒性指标,以验证模型的有效性,实验的软件环境为MATLAB R2020b,硬件环境为Intel(R)Core(TM)i5-9500CPU@3.00GHz,8GB内存。
参数设置:海岸线长1200m,4个泊位,1~4泊位长度分别为200m,300m,300m,400m,单位长度20m,单位时间t=5min,12台岸桥,岸桥的工作效率3.33TEU/t,预计到港时间ta在[0,2016]内随机生成,船舶的参数设计如下表所示,工作时间记为tw,预计离港时间在[ta+tw,ta+tw+60]之间随机生成。
表1船舶参数设置
船舶等级 | 船长 | 集装箱数量 | 岸桥范围 |
小船 | [6,10] | [800,1500] | [1,3] |
中船 | [11,15] | [1500,2500] | [3,5] |
大船 | [16,20] | [2500,4000] | [5,7] |
将传统方案所求泊位岸桥分配方案记为S1,插入缓冲区所求鲁棒性泊位岸桥分配方案记为S2,分别考虑工作时间延迟与到港时间延迟两个因素,模拟的真实场景记为S3。
如果某只船在预计靠泊时间因前一艘船的离港时间延迟而不能靠泊工作,则等待至前一艘船离港且有足够的岸桥来保证船只工作后靠港,其实际靠泊时间为tba。
为更好的理解3个方案的联系与区别,以工作时间延迟扰动为例,如图x所示,假设停靠在某一泊位的有3只船舶,一个矩形框代表一只船舶,矩形框的下界代表靠泊时间,上界代表离泊时间,宽度代表工作时间,矩形框内表示船舶的编号和为其分配的岸桥数。
图7中,S1中3只船舶紧邻靠泊工作,S2为基于本文模型算法所求方案,可以看出船与船之间有一定的缓冲时间,S3为3只船舶工作时间延迟后的方案,对比S1与S3,因船1工作时间的延迟,即twa1>tw1时,也会延误船2与船3的靠泊,此外,因岸桥总数的约束,可能也会延误在其它泊位的船舶的靠泊,进而导致S1严重偏离S3。S2方案兼顾船的S1船舶的离港时间与预计离港时间,如对于船3来说,按本文方法所求td3在tdo3与tde3之间,因此通过插入适当的缓冲时间,使得S2更贴近S3,进而提高整体的客户满意度和港口的竞争力。
算法有效性:
在6种不同船舶规模下n=15,20,25,30,35,40,每种规模随机生成100个场景,每种场景下分别使用本文算法VNSCEA、张梓琪等发表于《控制理论与应用》期刊上的《混合交叉熵算法求解复杂零等待流水线调度问题》的HCEA、传统CEA、GA和PSO五种算法求解本文模型,得到所有船舶在港时间之和即目标函数值f的对比结果如表2。
表2 5种算法对比实验结果
由表2可知,在6种规模下,本文所提VNSCEA所求100个场景下的平均目标函数值明显低于其它对比算法,因此,所求方案可以更加缩短船舶在港时间和节约成本。
模型有效性:
选取岸桥工作时间延迟和船舶到港时间延迟两个不确定性因素,令实际工作时间在[tw,1.1tw]内随机生成,岸桥工作时间扰动对比实验结果如表3。令实际到港时间在[ta,1.1ta]内随机生成,船舶到港时间扰动对比实验结果如表4所示,两种不确定因素鲁棒性指标对比如图2所示。
设定鲁棒性指标为船舶靠泊延误时间、延误数量以及改善率,鲁棒性指标公式如下:
其中,Δt(S1)表示S1延误靠泊时间之和,Δt(S2)表示S2延误靠泊时间之和,tIR为船舶靠泊偏差时间指标的改善率。Δt(S1)于Δt(S2)越小越好,tIR越大越好。
其中,Δn(S1)为表示S1延误靠泊数量之和,Δn(S2)为表示S2延误靠泊数量之和。nIR为船舶靠泊偏差数量的改善率。Δn(S1)于Δn(S2)越小越好,nIR越大越好。
表3岸桥工作时间扰动情况下的对比实验
n | Δn(S1) | Δn(S2 | tIR(%) | Δn(S1) | Δn(S2) | nIR(%) |
15 | 26.36 | 14.91 | 43.44 | 3.68 | 2.17 | 41.03 |
20 | 65.72 | 28.59 | 56.50 | 7.40 | 3.68 | 50.27 |
25 | 219.96 | 95.69 | 56.50 | 14.76 | 7.70 | 47.83 |
30 | 489.48 | 274.49 | 43.92 | 21.61 | 14.00 | 35.23 |
35 | 907.09 | 540.42 | 40.42 | 28.10 | 19.66 | 30.04 |
40 | 1476.14 | 993.80 | 32.68 | 33.83 | 26.69 | 21.11 |
均值 | 530.79 | 324.65 | 46.58 | 26.12 | 12.32 | 37.59 |
表4船舶到港时间扰动下的对比实验
由表3和表4可知,无论是岸桥工作时间延迟还是船舶到港时间延迟扰动,在不同船舶数量算例的鲁棒性指标上,Δt(S2)始终是明显小于Δt(S1)的,Δn(S2)明显小于Δn(S1),这说明本文所采用的可以有效减少船舶延误靠泊的时间和数量,因此,本文所提出的插入缓冲区的方法可以更有效的减少船舶计划泊位岸桥方案和实际泊位岸桥方案的延误靠泊时间和延误靠泊的船只数量,进而提高方案的鲁棒性和有效性。
对比两种扰动,由图8至图10可以看出,随着船舶数量的增多,Δt(S1)与Δt(S2)、Δn(S1)与Δn(S2)整体均呈上升趋势,这是因为随着船舶数量的增多,船与船之间安排的越来越紧密,某一艘船舶延误靠泊或离泊对在其后续靠泊的船舶影响越来越大,使得延误靠泊的船舶时间和数量逐渐增多。
在6组相同船舶规模下,船舶到港时间延迟扰动所求船舶延误靠泊时间和数量均明显高于工作时间延迟所求船舶延误靠泊时间和数量,且船舶到港时间延迟扰动下改善率也明显低于工作时间延迟下的改善率,因此可知,船舶到港时间延迟对整体的船舶靠泊作业影响更大。
上述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:包括以下步骤:
S1,构造离散概率分布矩阵M:
p(i,j|tce)的含义是在第tce次迭代时将泊位i分配给船j的概率,p(i,j|tce)初始化(当tce=0时)的更新公式为公式(2),满足的约束如公式(3):
h(i,j)的含义是初始时是否满足将泊位i分配给船舶j的条件,满足则为1,否则为0;
S2、生成样本:假设有6艘船舶停泊在4个泊位,其编码方式如下:
第1行代表船舶的靠泊顺序,1到n之间整数随机排列;
第2行代表船舶的靠泊泊位,根据离散概率分布矩阵M生成;
第3行代表分配给船舶的岸桥数量,在船舶最少和最多需要的岸桥数之间随机生成;
S3、计算样本的靠泊时间:通过加权松弛时间法插入缓冲区,且利用参数ξj表示船舶j的优先级权重,将可能受到影响的船舶数量与在同一泊位靠泊的所有船舶数量之和的比值作为权重的表示;
S4、选择H个精英样本:计算所有样本的目标函数值,从中选择最优的H个精英样本X1,...,XH,并更新全局最优样本gX;
S5、VNSA对H个精英样本进一步寻优:采用VNSA对搜索过程中找到的H个精英样本的邻近区域进行更深入的搜索,利用cross、icross、2-opt、swap、exchange这5种邻域操作算子Nk,(k=1,..,5)生成5个邻域结构;
S6、利用H个精英个体更新M矩阵:
利用如下平滑参数策略对p(i,j|tce)进行更新:
p(i,j|tce)=αp(i,j|tce)+(1-α)p(i,j|tce-1) (7)
S7、令tce=tce+1,判断是否满足迭代次数的终止条件,满足条件则输出全局最优个体,否则返回步骤S2继续迭代。
2.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S3中,将可能受到影响的船舶数量与在同一泊位靠泊的所有船舶数量之和的比值作为权重的表示方法,包括以下步骤
a1、计算最早靠泊时间tbj(ES):tbj(ES)也为传统思想所求靠泊时间,将样本按照第一行编码靠泊顺序升序排序,得到sijk矩阵,对于船舶j,计算tbj(ES)公式如下,其中tdj'由公式(9)计算得到:
a2、计算最晚靠泊时间tbj(LS):对于船舶j,若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j′,则令t=tbj'(LS),若不存在这样的船舶则令t=tdj,计算tbj(LS)的公式如下:
a3、计算优先级权重系数ξj:定义与船舶j在泊位i靠泊且在其后靠泊的船舶的个数为αj,总数为βi,ξj的计算公式如(11),进而求得在船j离港后插入的缓冲时间θj,每艘船的靠泊时间计算公式如公式(12):
3.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S5中,cross算子N1:随机生成交叉点位,将当前精英样本与全局最优样本采用交叉点位中间的部分互换,生成两个新的个体。
4.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S5中,icross算子N2:随机生成交叉点位,将当前精英样本与全局最优样本交叉点位中间的部分逆序交换。
5.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S5中,exchange算子N3:随机选择一列,将当前精英样本与全局最优样本这一列交换。
6.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S5中,2-opt算子N4:随机选择两列,将两列之间的部分逆序排列。
7.根据权利要求1所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述S5中,swap算子N5:随机选择两列,交换两列。
8.根据权利要求2所述的一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法,其特征在于:所述a1中传统思想的含义为船舶到港后判断为其分配的泊位是否空闲,是则靠泊,否则要等待至前一只船舶离港。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210434.9A CN114742350A (zh) | 2022-03-04 | 2022-03-04 | 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210434.9A CN114742350A (zh) | 2022-03-04 | 2022-03-04 | 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742350A true CN114742350A (zh) | 2022-07-12 |
Family
ID=82275228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210210434.9A Withdrawn CN114742350A (zh) | 2022-03-04 | 2022-03-04 | 一种基于变邻域交叉熵算法的鲁棒泊位岸桥调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742350A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619197A (zh) * | 2022-11-16 | 2023-01-17 | 湖南洋马信息有限责任公司 | 集装箱码头卸船调度管理方法及系统 |
-
2022
- 2022-03-04 CN CN202210210434.9A patent/CN114742350A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619197A (zh) * | 2022-11-16 | 2023-01-17 | 湖南洋马信息有限责任公司 | 集装箱码头卸船调度管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kavoosi et al. | An augmented self-adaptive parameter control in evolutionary computation: A case study for the berth scheduling problem | |
Barros et al. | Model and heuristic for berth allocation in tidal bulk ports with stock level constraints | |
De et al. | Bunkering policies for a fuel bunker management problem for liner shipping networks | |
Halvorsen-Weare et al. | Robust supply vessel planning | |
Li et al. | Vessel traffic scheduling optimization for restricted channel in ports | |
CN114154823B (zh) | 一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法 | |
CN101789093A (zh) | 一种集装箱码头泊位与岸桥分配方法 | |
CN112712288B (zh) | 一种内河码头干散货作业集成调度方法 | |
Theofanis et al. | Container terminal berth planning: critical review of research approaches and practical challenges | |
Feng et al. | A simulation-based approach for assessing seaside infrastructure improvement measures for large marine crude oil terminals | |
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 | |
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 | |
Li et al. | Multi-port stowage planning for inland container liner shipping considering weight uncertainties | |
Guo et al. | An integrated model for vessel traffic and deballasting scheduling in coal export terminals | |
CN107480830A (zh) | 基于港口‑航道‑锚地复合系统仿真的锚位数优化方法 | |
CN114154822B (zh) | 一种基于改进交叉熵算法的鲁棒泊位岸桥分配方法 | |
CN111652502A (zh) | 基于柔性作业车间调度的多梯级多线船闸联合调度方法 | |
CN115965146A (zh) | 一种多种类型泊位智能指泊方法 | |
Li et al. | An adaptive heuristic algorithm based on reinforcement learning for ship scheduling optimization problem | |
Sheikholeslami et al. | Practical solutions for reducing container ships’ waiting times at ports using simulation model | |
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 | |
Torkian et al. | A Berth Allocation Policy by Considering Collaboration between Adjacent Container Terminals | |
Chang et al. | As seen on | |
CN101782987A (zh) | 港口拖轮动态调度方法 | |
CN111639891B (zh) | 基于马尔可夫过程的货种航次识别方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220712 |