CN115456387A - 煤炭港口出港作业集成调度方法、装置、电子设备及介质 - Google Patents
煤炭港口出港作业集成调度方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115456387A CN115456387A CN202211071879.XA CN202211071879A CN115456387A CN 115456387 A CN115456387 A CN 115456387A CN 202211071879 A CN202211071879 A CN 202211071879A CN 115456387 A CN115456387 A CN 115456387A
- Authority
- CN
- China
- Prior art keywords
- port
- ship
- scheduling
- model
- integrated
- 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.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 239000000463 material Substances 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 230000035772 mutation Effects 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 101150080778 INPP5D gene Proteins 0.000 description 116
- 230000002068 genetic effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012224 gene deletion Methods 0.000 description 1
- 230000004545 gene duplication Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- 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"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本申请公开了一种煤炭港口出港作业集成调度方法、装置、电子设备及介质，该方法包括：获取船舶到港信息和港口资源信息；根据船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；确定港口集成调度模型的约束条件；利用预设的优化调度算法，计算调度模型在约束条件下的最优解，根据最优解得到最优的港口调度方案。本发明基于基础MILP模型建立港口的集成化调度模型，将煤炭港口出港作业的各个作业环节之间的相互衔接和相互影响加以考虑，有利于从全局角度使港口的生产资源得到充分利用；利用预设的优化调度算法计算最优解，提高了调度策略的制定速度，使港口调度方案的制定更加高效。
Description
技术领域
本发明涉及煤炭港口技术领域，具体涉及一种煤炭港口出港作业集成调度方法、装置、电子设备及计算机可读存储介质。
背景技术
我国北方大型煤炭港口作为“北煤南运”、“西煤东运”物流线路上的重要枢纽，其作业效率决定着整个煤炭供应链的运转效率。从提高生产效率和可持续性发展的角度来看，港口要通过不断优化资源配置，来完成智慧化转型。
按照煤炭港口的航运类型可划分为干散货港口和集装箱港口。集装箱港口的作业标准化程度高，有利于进行数学建模和求解，因此现有技术更多的是集中在集装箱港口的调度优化；而当前国内大宗散货港口的管理主要依赖人工经验，制定的生产方案协同性差。此外，由于煤炭港口是一个极为复杂的作业系统，由多种生产要素、多种作业模式、多个作业子系统相互耦合构成。现有技术常常使用单资源调度优化技术，针对局部作业场景进行分析，缺少对于整个作业流程的集成化调度研究，无法从全局角度使港口的生产资源得到充分利用。
因此，需要提出一种煤炭港口出港作业集成调度方法，从全局角度使干散货港口的生产资源得到充分利用，为干散货港口出港调度决策提供参考。
发明内容
有鉴于此，有必要提供一种煤炭港口出港作业集成调度方法、装置、电子设备及计算机可读存储介质，用以解决现有干散货煤炭港口缺少对整体作业流程的集成化调度分析，不能从全局角度使港口的生产资源得到充分利用问题。
为了解决上述问题，本发明提供一种煤炭港口出港作业集成调度方法，包括：
获取船舶到港信息和港口资源信息；
根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
确定所述港口集成调度模型的约束条件；
利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
进一步的，所述船舶到港信息包括船舶基础信息、船舶到达时间信息和装载任务信息；所述港口资源信息包括泊位信息、堆垛信息、取料设备信息和装船设备信息。
进一步的，所述船舶的总离港时间包括离靠泊时间和作业时间；
根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型，包括：
创建基础MILP模型；
根据所述船舶到港信息和港口资源信息确定所述基础MILP模型的决策变量；
以所述离靠泊时间和作业时间之和的最小值为目标，根据所述基础MILP模型的决策变量得到港口集成调度模型。
进一步的，利用预设的优化调度算法，计算在所述集成调度模型在所述约束条件下的最优解，包括：
生成所述集成调度模型在所述约束条件下的初始可行解；其中，所述初始可行解采用多层编码，所述编码包括资源选择决策变量和任务顺序决策变量；
计算所述初始可行解的适应度，并根据所述适应度选择父代种群，对父代种群进行交叉操作生成子代种群；
对所述子代种群中的不可行解进行基因修复，得到修复后的子代种群；
对所述修复后的子代种群进行变异操作，并利用预设的全局优化算法确定优选个体，当满足预设的终止条件时，输出所述集成调度模型在所述约束条件下的最优解。
进一步的，对所述修复后的子代种群进行变异操作，包括：
针对所述资源选择决策变量采用第一变异操作方式；
针对所述任务顺序决策变量采用第二变异操作方式。
进一步的，所述预设的全局优化算法为禁忌搜索算法。
本发明还提供一种煤炭港口出港作业集成调度装置，包括：
信息获取模块，用于获取船舶到港信息和港口资源信息；
模型建立模块，用于根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
约束条件确定模块，用于确定所述港口集成调度模型的约束条件；
调度方案输出模块，用于利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
本发明还提供一种电子设备，包括处理器以及存储器，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，实现上述技术方案中任一所述的一种煤炭港口出港作业集成调度方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行上述技术方案中任一技术方案所述的一种煤炭港口出港作业集成调度方法。
现有技术相比，本发明的有益效果包括：首先，获取船舶到港信息和港口资源信息，并根据所述船舶到港信息和港口资源信息建立港口集成调度模型；其次，确定港口集成调度模型的约束条件；最后，利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。本发明基于基础MILP模型建立港口的集成化调度模型，将煤炭港口出港作业的各个作业环节之间的相互衔接和相互影响加以考虑，有利于从全局角度使港口的生产资源得到充分利用，从而减少船舶的在泊时间，提升港口运营效率并降低运营成本；通过确定约束条件，并利用预设的优化调度算法计算集成调度模型在所述约束条件下的最优解，提高了调度策略的制定速度，使港口调度方案的制定更加高效。
附图说明
图1为本发明提供的一种煤炭港口出港作业调度实现过程一实施例的框架示意图；
图2为本发明提供的一种煤炭港口出港作业调度方法一实施例的流程示意图；
图3为本发明提供的调度优化算法交叉操作一实施例的示意图；
图4为本发明提供的调度优化算法基因修复操作一实施例的示意图；
图5为本发明提供的调度优化算法变异操作一实施例的示意图；
图6为本发明提供的调度优化算法一实施例的流程示意图；
图7为本发明提供的一种煤炭港口出港作业调度装置一实施例的结构示意图；
图8为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在实施例描述之前，首先对煤炭港口出港作业的技术现状和本发明的整体设计构思进行说明。
煤炭港口的出港作业系统中包括有泊位调度、堆场调度、装船机调度几个环节，现有的港口调度通常将这几个调度环节独立地进行分析，这种分析方式忽略了作业线的整体性。例如，堆场调度环节一般以取料作业时间最短为性能指标建立调度优化模型，为垛位分配取料设备和最佳的作业顺序。但由于没有将堆场调度与泊位分配、装船环节相衔接，只考虑了堆场作业对整个取料过程的影响，忽略了堆场与泊位、装船机间的距离、连接性等问题，造成船舶等待时间过长、设备闲置率过高甚至出现作业线中断现象。
煤炭港口出港作业集成化调度需要解决两类问题：一类是顺序决策问题，需要确定船舶的靠泊时间、任务取料和装船的开始时间；另一类则是资源分配问题，需要确定船舶的停靠泊位，以及执行任务的垛位、取料机、装船机等生产要素。
如图1所示，图1展示了实际的煤炭出港调度框架。
首先，船舶在到达的前几天会向港口调度中心发送船舶信息及所载的任务信息。其次，调度中心后会综合考虑船舶大小、泊位占用、作业线连接、预计到达时间等信息为该船制定泊位分配方案。泊位分配方案制定完成后，根据任务所需的煤炭种类以及堆场垛位分布和存量信息选定取料垛位。取料垛位选定之后，根据同一时段垛位附近的取料机占用情况选取作业设备。最后，从泊位附近选取合适的装船设备进行煤炭装船，船上所有任务的作业计划安排完后，则该船舶的装载调度计划工作完成。
当船舶抵港后，根据实际情况决定是否对其泊位分配及装载计划做出调整，待船上所有任务完成后，船舶离港。
本发明基于HFSP(混合流水车间调度问题)的建模思想，以减小船舶的总在港时间为目标，对煤炭出港调度作业进行整体优化。根据实际调度作业中的约束情况和现实作业的数学描述，建立综合考虑垛位-取料机-装船机-船舶的混合整数线性规划(MILP)模型，并利用预设的优化调度算法对模型进行求解，最终得出最优的调度方案。
本发明实施例提供了一种煤炭港口出港作业集成调度方法，图2为本发明提供的一种煤炭港口出港作业集成调度方法一实施例的流程示意图，包括：
步骤S101：获取船舶到港信息和港口资源信息；
步骤S102：根据所述到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
步骤S103：确定所述港口集成调度模型的约束条件；
步骤S104：利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
本实施例提供的一种煤炭港口出港作业集成调度方法，首先，获取船舶到港信息和港口资源信息，并根据所述船舶到港信息和港口资源信息建立港口集成调度模型；其次，确定港口集成调度模型的约束条件；最后，利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。本实施例基于基础MILP模型建立港口的集成化调度模型，将煤炭港口出港作业的各个作业环节之间的相互衔接和相互影响加以考虑，有利于从全局角度使港口的生产资源得到充分利用，从而减少船舶的在泊时间，提升港口运营效率并降低运营成本；通过确定约束条件，并利用预设的优化调度算法计算集成调度模型在所述约束条件下的最优解，提高了调度策略的制定速度，使港口调度方案的制定更加高效。
作为优选的实施例，在步骤S101中，所述船舶到港信息包括船舶基础信息、船舶到达时间信息和装载任务信息；所述港口资源信息包括泊位信息、堆垛信息、取料设备信息和装船设备信息。
现有在描述港口资源信息时只考虑了泊位、堆垛和装船三个阶段，而本申请将出港作业分割为“取料”和“装船”两个阶段，在出港作业中除了考虑装船设备外，还考虑了取料设备，比现有港口调度问题的作业资源更多，更有利于还原真实的作业场景，有利于资源释放。
在建立港口集成调度模型之前，为了尽可能提升实际问题与模型的贴合度，并突出问题的重点、降低模型的构建和求解难度，作出如下假设：
(1)各船舶将按预计时间准时到港，且每艘船只被服务一次；
(2)各装船任务的作业需求信息已知。船舶在到港前事先向港口发送需求信息，包括各船舱所需装载的煤炭类型和需求量。
(3)一个泊位不可同时停靠多艘船；
(4)单次取料过程中，由垛位-取料机-传送带-装船机-船舶组成完整的作业流程，且传送带设备只作设备连接关系的考虑，不作为对象加入模型；
(5)每个任务只从一个垛位取料，且在堆垛-船舶的各环节中只选取一台设备为其服务，作业过程中不出现中断现象；
(6)各垛位中的煤炭种类、存量信息以及在堆场中的位置信息已知，且所有任务都能匹配到满足要求的垛位；
(7)煤炭运达装船机后才可进行装船，且允许有缓冲时间，即煤炭抵达装船机后不必立刻进行装船作业；
(8)不考虑潮汐变化、作业设备故障等因素带来的影响；
(9)在计划期内，各堆垛只取料，不出现装料操作；
(10)物料从堆场运输到装船机的时间为常量，不随任务量和泊位的不同而变化。
作为优选的实施例，在步骤S102中，所述船舶的总离港时间包括离靠泊时间和作业时间；
根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型，包括：
创建基础MILP模型；
根据所述船舶到港信息和港口资源信息确定所述基础MILP模型的决策变量；
以所述离靠泊时间和作业时间之和的最小值为目标，根据所述基础MILP模型的决策变量得到港口集成调度模型。作为一个具体的实施例，所述港口集成调度模型表示为：
其中，departv表示船舶离港时间。
作为一个具体的实施例，在港时间由作业前等待时间、离靠泊时间、作业时间等构成，最终由离港时间体现。要达成总离港时间最小化的目标，要解决作业设备选取、船舶靠泊顺序、作业任务顺序安排、取料机移动等问题。
作为优选的实施例，在步骤S103中，所述约束条件包括：堆垛容量约束、作业条件约束和船舶靠离泊时间约束。
作为一个具体的实施例，堆垛容量约束具体为：规划期内，任一垛位的总取料量不能超过其初始存量，且垛位的作业线必须属于该垛位的可达作业线：
其中，qi表示任务i的取料量；
表示若选择垛位s，取料机k为任务i服务则为1，否则为0；
表示垛位s初始时刻的储存量；S(i)表示任务i的可选垛位集合；K(s)表示堆垛s可用的取料机集合；I表示任务的集合。
作业条件约束具体包括作业设备选取唯一性约束、作业时间约束、作业顺序约束和取料机移动约束；具体的：
(1)作业选取唯一性约束包括：
每个任务都要完成，每个任务只从一个堆垛完成取料，且只使用一台取料机为其服务：
其中，S表示垛位的集合；K(s)表示堆垛s可用的取料机集合；I表示任务的集合；
表示若选择垛位s，取料机k为任务i服务则为1，否则为0。
每艘船只在一个泊位停靠：
其中，
表示若选择泊位b为船舶v服务则为1，否则为0；B(v)表示船舶v的可选泊位。
每个任务只选取一个装船机为其作业，且只能是当前船舶v所在泊位b的可用装船机：
其中，
表示若选择垛位s，取料机k为任务i服务则为1，否则为0；
表示若选择泊位b为船舶v服务则为1，否则为0；
表示若选择装船机l为任务i服务则为1，否则为0；V表示船舶的集合；L(b)表示可为泊位b服务的装船机集合；L(k)表示取料机k可达的装船机集合。
(2)作业时间约束包括：
各种设备资源(堆垛、取料机、装船机)在同一时刻只能为一个任务服务，泊位最多也只能同时服务一艘船：
其中，M为一个极大的正数；moorv表示船舶v的靠泊时间；departv表示船舶v的离港时间；W表示资源的集合，包括泊位、装船机、皮带机、堆料机、堆垛等；βii'表示若船舶v’晚于船舶v靠泊则为1，否则为0(若v＝v’，则为0)；start1i表示任务i取料作业的开始时间；over1i表示任务i取料作业的结束时间，over1i＝start1i+d1i；start2i表示任务i装船作业的开始时间；over2i表示任务i装船作业的结束时间，over2i＝start2i+d2i；d1i表示任务i的取料时长，d1i＝qi/capk；d2i表示任务i的装料时长，d2i＝qi/capl；capk表示取料机的工作效率；capl表示装船机的工作效率；α1ii,表示取料作业中，若任务i，晚于任务i执行则为1，否则为0(若i＝i，，则为0)；α2ii'表示装船作业中，若任务i，晚于任务i执行则为1，否则为0(若i＝i，，则为0)；βii'表示若船舶v’晚于船舶v靠泊则为1，否则为0(若v＝v’，则为0)。
(3)作业顺序约束包括：
对于单个任务而言，必须待取料完成，将物料运送至泊位前才能进行装船作业：
其中，transTs表示物料从垛位s到泊位的运输时间；over2i表示任务i装船作业的结束时间，over2i＝start2i+d2i。
(4)取料机移动约束
两个任务使用同一取料机时，需留出足够的时间让取料机完成位置调整：
其中，speedk表示取料机在轨道上的移动速度；poss表示垛位s在条形堆场的位置点，从距离泊位最远的堆场边界测算。
船舶靠离泊时间约束具体包括：
靠泊时间不早于到港时间：
moorv≥arrivev+dis v∈V
其中，moorv表示船舶v的靠泊时间；arrivev表示船舶v的计划到港时间；dis表示相邻船舶的离靠泊切换时间。
必须待船舶靠泊后才能开始作业：
moorv≤min{start1i|i∈I(v)}v∈V
其中，start1i表示任务i取料作业的开始时间；moorv表示船舶v的靠泊时间。
船舶必须待所有任务完成后才能离港：
departv≥max{over2i|i∈I(v)}+dis v∈V
其中，departv表示船舶v的离港时间；dis表示相邻船舶的离靠泊切换时间。
作为优选的实施例，在步骤S104中，利用预设的优化调度算法，计算在所述集成调度模型在所述约束条件下的最优解，包括：
生成所述集成调度模型在所述约束条件下的初始可行解；其中，所述初始可行解采用多层编码，所述编码包括资源选择决策变量和任务顺序决策变量；
计算所述初始可行解的适应度，并根据所述适应度选择父代种群，对父代种群进行交叉操作生成子代种群；
对所述子代种群中的不可行解进行基因修复，得到修复后的子代种群；
对所述修复后的子代种群进行变异操作，并利用预设的全局优化算法确定优选个体，当满足预设的终止条件时，输出所述集成调度模型在所述约束条件下的最优解。
作为优选的实施例，对所述修复后的子代种群进行变异操作，包括：
针对所述资源选择决策变量采用第一变异操作方式；
针对所述任务顺序决策变量采用第二变异操作方式。
下面结合具体的实施例对优化调度算法进行详细说明。
本实施例采用的优化调度算法是基于遗传算法来设计的，在遗传算法中，进行最优解搜索之前，会先将解空间表示成遗传空间的基因串结构数据，这些串结构数据的不同组合便构成了不同的解，如何对解数据进行编码表示是应用遗传算法时要解决的首要问题，编码方式影响着交叉算子、变异算子等遗传算子的运算方法，很大程度上决定了遗传进化的效率。
通过对煤炭出港作业集成调度问题分析，本申请将任务的作业计划用两类决策变量表示：
一类是资源选择决策变量，包括船对泊位，任务对垛位、取料机、装船机的选择；另一类是任务顺序决策变量，包括各个开始时间点，如：靠泊时间点、取料开始时间点和装船开始时间点。
上述两类决策变量内部以及变量间存在着紧密的关联关系，如变量内部对泊位的决策影响后续垛位和取料机的选择，对资源的选择也会影响各阶段作业的开始时间。
综合考虑各决策变量间的关联，只要基因结构中包含船舶、任务以及各自选择的资源信息即可获得解集，本申请对染色体序列采用六层编码的方式：
第一、二层分别是船舶(V)和任务(I)，第三层是船舶所分配的泊位(B)，第四、五、六层分别是执行对应任务的垛位(S)、取料机(K)和装船机(L)。
对于任务i及所在船舶vi，船vi选择的停靠泊位为bv，任务i选择取料机ki从堆垛si取料，然后装船机li将ki取得的煤炭装至船vi，则单个任务基因片段x如下所示：
将所有任务基因按照一定规则排列即得染色体个体基因X：
假设现有3艘船舶(每艘船舶各有2个任务需要完成)、2个泊位、7个堆垛、4台取料机和3台装船机，则该场景下生成的个体基因样例为：
表1染色体个体结构
为了在合理时间内找出调度优化问题的最优解，选择直接从可行解空间中随机生成问题的初始解，具体步骤如下：
步骤1：根据各船舶所携带的任务数对船舶编号进行复制，在第一行将船舶编号进行随机排序，但同一艘船始终相邻；
步骤2：将船舶上的任务编号随机填入与自身对应的第二行；
步骤3：参考船舶基本信息和泊位参数，第三行的泊位依据作业设备和作业时间约束条件在可选泊位中随机生成，且保证相同船舶编号对应的泊位也相同；
步骤4：对各船舶任务所需煤炭种类和堆场堆存状态进行匹配，垛位信息依据约束条件在任务的可选垛位中产生，更新第四行；
步骤5：根据垛位和取料机的连接情况，取料机依据堆垛容量约束条件在垛位的取料机可选集合中产生，将其填入对应的第五行，更新第五行；
步骤6：根据取料机和装船机的可达性情况，装船机依据约束在取料机的装船机可选集合中产生，依次将其填入对应的第六行，完成对个体编码的赋值；
步骤7：判断种群内个体数量是否达到要求，若达到设定的种群数则结束迭代，否则返回步骤1。
由于调度优化模型是以船舶总离港时间最小为目标函数，故此处通过对总离港时间取倒数得到适应度函数：
在进行适应度计算前需进行解码，即如何根据个体编码生成具体的调度方案，从而得出该个体适应度。从个体编码生成解决方案过程中需要综合考虑靠泊-取料-装船的工艺流程、资源的可用时间窗以及堆垛存量是否达标等多种因素。在包含m个任务的调度问题中，详细步骤可描述为：
步骤1：判断解方案的可行性，即检查相邻环节设备的可达性，若方案可行则令Vaild＝1；否则令Vaild＝0；
步骤2：确定靠泊时间moorv。若船舶入港时泊位未被占用，则取靠泊时间为入港时间，则靠泊时间为前一艘船舶的离港时间；
步骤3：判断垛位存量是否满足任务需求量，若满足则执行步骤4，否则令Vaild＝0，并执行步骤4；
步骤4：确定取料环节的开始时间start1i。综合考虑垛位空闲时间窗、取料机空闲时间窗以及靠泊时间等因素后得出开始取料时间，并计算出取料结束时间；
步骤5：确定装船环节的开始时间start2i。综合考虑装船机时间窗和取料结束时间后得出开始装船时间，并计算出装船结束时间；
步骤6：得出船舶的离泊时间departv。判断当前船舶上所有任务是否均执行完成，若是则将所有任务中最晚完成时间记为该船离泊时间并执行步骤7，否则执行步骤3；
步骤7：判断是否所有船舶均完成调度安排，若i＝m，则执行步骤3；否则i＝i+1，并执行步骤8；
步骤8：计算适应度值F(x)，若Vaild＝0，则F(x)＝0，否则
完成当前个体适应度计算，输出解决方案。
本实施例采用锦标赛选择法进行选择操作，相比于常见的轮盘赌法有着收敛速度更快且解的精度更高的优点。
在交叉操作中，考虑到本申请采用的十进制编码方式特点，采用常见的单点交叉。由于父代种群在经过交叉操作生成子代个体时忽略了基因的完整性，致使生成的新解往往不可行，如果对这些不可行解进行适应度计算则会造成计算机运行空间和时间的浪费，降低了算法的求解效率。不可行解表现为个体编码上一些船和任务重复出现，且缺失了部分原有的调度任务，为了防止这种现象产生，在交叉完成后对不可行解进行基因修复。
基因修复的对象是交叉后生成的一对不可行解，因为各自编码串上的重复基因就是对方缺失的基因序列，通过将各自编码串上的重复任务列进行相互交换，就完成了对不可行解的基因修复工作。
交叉和基因修复的过程如图3和图4所示。图3中，1号船序列存在基因重复，3号船序列存在基因缺失，从重复的船舶序列中随机选择1号船序列①和3号船序列②进行修复，修复流程如图4所示。
在变异操作中，本申请采取了两种变异方式分别对基因顺序和基因值进行随机调整。
针对资源选择，这里采用了第一变异方式N1对任务和船舶选择的资源进行重新分配。
针对作业调度顺序，交叉操作已在船舶层进行宏观调整，这里采用了第二变异方式N0对船舶内部作业顺序进行随机安排。
具体变异步骤如下：
步骤1：确定变异概率Pc，变异方式概率Nc，转入步骤2；
步骤2：从子代种群中逐个选择个体，记选得个体记为Pson，转入步骤3；
步骤3：在0-1之间生成随机数a，若a≤Pc则转入步骤4，否则转入步骤7；
步骤4：在0-1之间生成随机数b，若b≤Nc则转入步骤5，否则转入步骤6；
步骤5：在基因位上随机选择一艘船舶，对船舶上作业顺序随机调整，将调整后的编码赋给Pson，转入步骤7；
步骤6：在基因位上随机选择一个任务，采取种群初始化的方式对任务所在列上的资源进行重新赋值，将重新赋值后的编码赋给Pson，转入步骤7；
步骤7：判断子代个体是否遍历完成，若是则结束变异操作，否则进入步骤2。
图5对以上的变异过程进行了详细展示。
由于上述算法本身局部搜索能力较弱，易陷入局部最优解。为了解决这个问题，本发明在交叉算子中加入禁忌搜索思想，通过全局优化算法，解决陷入局部最优解、收敛速度较慢的问题。
作为优选的实施例，所述预设的全局优化算法为禁忌搜索算法。
禁忌搜索算法有两个主要参数：禁忌表长度、终止准则，通过合理设置参数可提高算法性能并节省计算时间。而禁忌表长度又包括了短禁忌表长度tabuNum和长禁忌表长度TabuNum。由于本发明中长禁忌表是用于存储不同的邻域解，防止长禁忌表中的值都被禁忌的情况发生，取TabuNum＝tabuNum+1。由于不同的终止条件会对算法性能产生影响，这里提出了两种方案：
(1)将最大迭代步数作为禁忌算法的终止条件；
(2)若TS在规定步数内仍未发现更优解，则跳出TS搜索。
TS具体步骤如下：
步骤1：确定当前解的所有邻域解个数
短禁忌表长度tabuNum；
步骤2：从领域中取出一个解决方案，计算其适应度；
步骤3：更新长禁忌表。判断该解方案的适应度是否在长禁忌表中已存，若已存在则转入步骤4；否则将该解方案及适应度插到长禁忌表最后一行，按适应度由高到度对该表重新排序，转入步骤4；
步骤4：判断当前解的所有邻域解已遍历完成，若是则转入步骤5，否则转入步骤2；
步骤5：更新短禁忌表。若长禁忌表第一行优于当前最优解，则更新当前最优解和当前解，并将短禁忌表前一行替换后一行，将长禁忌表第一行作为短禁忌表第一行。否则在长禁忌表中从第一行开始依次选择个体，若该个体不在短禁忌表中则将其作为当前解并更新短禁忌表，否则选择次一级个体进行判断，直至该个体未被短禁忌表标记。
转入步骤6；
步骤6：判断是否达到终止条件，若是则停止迭代；若否则转入步骤2。
如图6所示，图6展现了本申请优化调度算法的完整流程图。首先构造初始种群，再进行选择、交叉、基因修复和变异操作，再基于禁忌搜索的方法合并子代与父代个体，计算适应度，筛选出优秀的个体作为新的的父代种群，当满足预先设定的终止条件时，输出最优解；否则转入选择操作的步骤，继续寻找最优解。
为进一步比较遗传算法和本申请的调度优化算法在不同客户需求下的求解表现，本发明设计了任务规模实验对CPLEX、遗传算法、调度优化算法的数据结果进行分析。
调度优化算法的具体参数设置为遗传迭代次数gMax＝150，种群规模nPop＝50，交叉概率Pm＝0.1，变异概率Pc＝0.8，短禁忌表长度tabuNum＝8，TS终止条件为超过nMax次未找到更优解(nMax＝7)。
实验设置的任务数Tn分别是2、3、4，分为A、B、C三组，每组分别生成1个算例求解，最大求解时间为2h。在A、B、C组中分别使用遗传算法和调度优化算法对该组算例进行五次重复实验，观察结果。
在本次实验中，船舶数量设置为5。对于单个任务而言，任务量服从[4000,7000]上均匀分布的概率为0.4，服从[7000,10000]上均匀分布的概率为0.5，服从[10000,12000]上均匀分布的概率为0.1。
实验结果如表2所示，表中包含了由CPLEX、遗传算法、本申请的调度优化算法(以下简称GA-TS算法)求解所得的值、值的状态、求解时间、偏差率、平均偏差率等信息。其中，Opt表示最优解(Optimization)，Fea代表可行解(Feasible)，N表示无解(No)，偏差率为当前算法所求解与CPLEX所求解的差值比例。
表2实验求解结果
从表2可以看出：CPLEX在Tasknum＝4时，耗费2h求得了可行解，其余两组均求得了最优解，且在C组中，对比于其他两种优化算法的求解结果来看，CPLEX求得的虽然是可行解，但解的质量很高。遗传算法和GA-TS算法在A组中都求得了最优解，而GA-TS算法在B、C组中所求解的质量较遗传算法更优。值得注意的是，GA-TS算法在15次的求解中，其中13次求得了与CPLEX相同的解，说明GA-TS算法有着不错的求解性能。对比于A、B、C三组的求解表现来看，随着每艘船所载任务的增加，两种智能算法的求解时间成一定比例增长，且平均偏差率也随之升高。
综上分析，任务规模的增长会使问题求解难度显著增加。CPLEX虽然可以求得最优解，但求解时间相对过长。GA-TS算法对比于遗传算法，在加入禁忌搜索后求解性能有了明显提升，平均求解时间虽然也明显增加，但仍在可接受范围内，说明本发明提出的GA-TS算法具有很强的实用性。
本发明还提供一种煤炭港口出港作业集成调度装置，其结构框图如图7所示，一种煤炭港口出港作业集成调度装置700，包括：
信息获取模块701，用于获取船舶到港信息和港口资源信息；
模型建立模块702，用于根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
约束条件确定模块703，用于确定所述港口集成调度模型的约束条件；
调度方案输出模块704，用于利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
如图8所示，上述的一种煤炭港口出港作业集成调度方法，本发明还相应提供了一种电子设备800，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器801、存储器802及显示器803。
存储器802在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器802在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器802还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器802用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器802还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器802上存储有一种煤炭港口出港作业集成调度方法程序804，该一种煤炭港口出港作业集成调度方法程序804可被处理器801所执行，从而实现本发明各实施例的一种煤炭港口出港作业集成调度方法。
处理器801在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器802中存储的程序代码或处理数据，例如执行一种煤炭港口出港作业集成调度程序等。
显示器803在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器803用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件801-803通过系统总线相互通信。
本实施例还提供了一种计算机可读存储介质，其上存储有一种煤炭港口出港作业集成调度方法的程序，处理器执行程序时，实现如上述任一技术方案所述的一种煤炭港口出港作业集成调度方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的一种煤炭港口出港作业集成调度方法具体描述的内容实现，并具有与如上所述的一种煤炭港口出港作业集成调度方法类似的有益效果，在此不再赘述。
本发明公开的一种煤炭港口出港作业集成调度方法、装置、电子设备及介质，首先，获取船舶到港信息和港口资源信息，并根据所述船舶到港信息和港口资源信息建立港口集成调度模型；其次，确定港口集成调度模型的约束条件；最后，利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
本发明基于基础MILP模型建立港口的集成化调度模型，将煤炭港口出港作业的各个作业环节之间的相互衔接和相互影响加以考虑，有利于从全局角度使港口的生产资源得到充分利用，从而减少船舶的在泊时间，提升港口运营效率并降低运营成本；通过确定约束条件，并利用预设的优化调度算法计算集成调度模型在所述约束条件下的最优解，提高了调度策略的制定速度，使港口调度方案的制定更加高效。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种煤炭港口出港作业集成调度方法，其特征在于，包括：
获取船舶到港信息和港口资源信息；
根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
确定所述港口集成调度模型的约束条件；
利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
2.根据权利要求1所述的煤炭港口出港作业集成调度方法，其特征在于，所述船舶到港信息包括船舶基础信息、船舶到达时间信息和装载任务信息；所述港口资源信息包括泊位信息、堆垛信息、取料设备信息和装船设备信息。
3.根据权利要求1所述的煤炭港口出港作业集成调度方法，其特征在于，所述船舶的总离港时间包括离靠泊时间和作业时间；
根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型，包括：
创建基础MILP模型；
根据所述船舶到港信息和港口资源信息确定所述基础MILP模型的决策变量；
以所述离靠泊时间和作业时间之和的最小值为目标，根据所述基础MILP模型的决策变量得到港口集成调度模型。
4.根据权利要求1所述的煤炭港口出港作业集成调度方法，其特征在于，所述约束条件包括：堆垛容量约束、作业条件约束和船舶靠离泊时间约束。
5.根据权利要求1所述的煤炭港口出港作业集成调度方法，其特征在于，利用预设的优化调度算法，计算在所述集成调度模型在所述约束条件下的最优解，包括：
生成所述集成调度模型在所述约束条件下的初始可行解；其中，所述初始可行解采用多层编码，所述编码包括资源选择决策变量和任务顺序决策变量；
计算所述初始可行解的适应度，并根据所述适应度选择父代种群，对父代种群进行交叉操作生成子代种群；
对所述子代种群中的不可行解进行基因修复，得到修复后的子代种群；
对所述修复后的子代种群进行变异操作，并利用预设的全局优化算法确定优选个体，当满足预设的终止条件时，输出所述集成调度模型在所述约束条件下的最优解。
6.根据权利要求5所述的煤炭港口出港作业集成调度方法，其特征在于，对所述修复后的子代种群进行变异操作，包括：
针对所述资源选择决策变量采用第一变异操作方式；
针对所述任务顺序决策变量采用第二变异操作方式。
7.根据权利要求5所述的煤炭港口出港作业集成调度方法，其特征在于，所述预设的全局优化算法为禁忌搜索算法。
8.一种煤炭港口出港作业集成调度装置，其特征在于，包括：
信息获取模块，用于获取船舶到港信息和港口资源信息；
模型建立模块，用于根据所述船舶到港信息和港口资源信息，基于基础MILP模型建立以最小化船舶的总离港时间为目标的港口集成调度模型；
约束条件确定模块，用于确定所述港口集成调度模型的约束条件；
调度方案输出模块，用于利用预设的优化调度算法，计算所述集成调度模型在所述约束条件下的最优解，根据所述最优解得到最优的港口调度方案。
9.一种电子设备，其特征在于，包括处理器以及存储器，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，实现如权利要求1-7任一所述的一种煤炭港口出港作业集成调度方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如权利要求1-7任一所述的一种煤炭港口出港作业集成调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211071879.XA CN115456387A (zh) | 2022-09-02 | 2022-09-02 | 煤炭港口出港作业集成调度方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211071879.XA CN115456387A (zh) | 2022-09-02 | 2022-09-02 | 煤炭港口出港作业集成调度方法、装置、电子设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115456387A true CN115456387A (zh) | 2022-12-09 |
Family
ID=84300003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211071879.XA Pending CN115456387A (zh) | 2022-09-02 | 2022-09-02 | 煤炭港口出港作业集成调度方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115456387A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402309A (zh) * | 2023-05-10 | 2023-07-07 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
| CN116542488A (zh) * | 2023-06-27 | 2023-08-04 | 北京立同新元科技有限公司 | 一种基于人工智能的港口调度方法和系统 |
| 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 |
| CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
| 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 |
| CN118071122A (zh) * | 2024-04-19 | 2024-05-24 | 海博泰科技(青岛)有限公司 | 一种流程化堆场指垛模型的降维线性化方法 |
| CN118333243A (zh) * | 2024-06-14 | 2024-07-12 | 山东港口日照港集团有限公司 | 干散货港口资源协同配置优化方法及系统 |
-
2022
- 2022-09-02 CN CN202211071879.XA patent/CN115456387A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116402309A (zh) * | 2023-05-10 | 2023-07-07 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
| CN116402309B (zh) * | 2023-05-10 | 2023-08-29 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
| CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
| CN116795054B (zh) * | 2023-06-19 | 2024-03-19 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
| CN116542488A (zh) * | 2023-06-27 | 2023-08-04 | 北京立同新元科技有限公司 | 一种基于人工智能的港口调度方法和系统 |
| CN116542488B (zh) * | 2023-06-27 | 2023-11-28 | 北京立同新元科技有限公司 | 一种基于人工智能的港口调度方法和系统 |
| 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 |
| CN117592703B (zh) * | 2023-11-17 | 2024-06-11 | 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 |
| CN118071122A (zh) * | 2024-04-19 | 2024-05-24 | 海博泰科技(青岛)有限公司 | 一种流程化堆场指垛模型的降维线性化方法 |
| CN118333243A (zh) * | 2024-06-14 | 2024-07-12 | 山东港口日照港集团有限公司 | 干散货港口资源协同配置优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115456387A (zh) | 煤炭港口出港作业集成调度方法、装置、电子设备及介质 | |
| Xiang et al. | Reactive strategy for discrete berth allocation and quay crane assignment problems under uncertainty | |
| Naso et al. | Genetic algorithms for supply-chain scheduling: A case study in the distribution of ready-mixed concrete | |
| Yue et al. | Optimizing configuration and scheduling of double 40 ft dual-trolley quay cranes and AGVs for improving container terminal services | |
| CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
| KR102687483B1 (ko) | 컨테이너 터미널에서 시뮬레이션 기반의 알고리즘을 활용한 야드 크레인 작업 스케줄링 방법 | |
| KR101053200B1 (ko) | 컨테이너 자원의 최적화 관리 시스템 및 방법 | |
| CN112801484B (zh) | 一种考虑配料误差的物料配送调度方法和系统 | |
| US20230267386A1 (en) | Method of operating a container carrier terminal | |
| Real et al. | Multimodal hub network design with flexible routes | |
| KR20210083661A (ko) | 인공지능 플래닝 기술 기반 선사 선적 네트워크의 공컨테이너 재배치 최적화 시스템 및 방법 | |
| CN112488606A (zh) | 一种生产物流智能优化和自动调度系统 | |
| CN115965172A (zh) | 一种成品油二次配送车辆的路径优化算法、系统、设备 | |
| Ji et al. | Routing optimization for multi-type containerships in a hub-and-spoke network | |
| CN110097313B (zh) | 获取带时间窗和先进后出限制的取送货车辆路径的方法 | |
| Fontes et al. | A bi-objective multi-population biased random key genetic algorithm for joint scheduling quay cranes and speed adjustable vehicles in container terminals | |
| US20230252395A1 (en) | A quay crane operation method | |
| JP5272534B2 (ja) | 船舶運航計画作成方法および装置 | |
| Zhao et al. | Optimal spare parts production–distribution scheduling considering operational utility on customer equipment | |
| CN117035349A (zh) | 一种干散货码头作业调度推演方法及系统 | |
| KR100687075B1 (ko) | 워크플로우엔진을 이용한 업무처리방법 및 공급사슬관리방법 | |
| CN113869674B (zh) | 一种基于约束规划的煤炭港口进出港作业调度方法 | |
| CN115796528A (zh) | 一种重载铁路装车端空车调配方法、装置、设备及介质 | |
| CN113065274B (zh) | 车辆路径的规划方法、装置、终端及可读存储介质 | |
| CN114580728A (zh) | 提升机调度方法、装置、存储介质及电子设备 |
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 |