CN115907415A - 基于散杂货码头智能调度系统 - Google Patents

Abstract

本申请涉及一种基于散杂货码头智能调度系统，包括：粒子群优化计算模块，计算因子分析模块；算法输入和输出模块，采用粒子群优化算法，该算法具有简单高效、实施简便的特点，便于从全局角度出发解决整个散货码头的调度问题，算法应在较短时间内给出规划方案，同时针对码头的实际情况与人工进行一定程度的交互，即将码头中发生的特殊情况量化输入到算法中，而算法能够对这种特殊情况做出积极响应，另外，对于算法给出的调度方案，允许进行依据现实情况进行动态地调整，以满足实际需要。

Description

基于散杂货码头智能调度系统

技术领域

本发明涉及交通运输的信息处理技术领域，特别涉及一种基于散杂货码头智能调度系统。

背景技术

通用散杂货码头调度主要分为船舶调度和机械调度，目前所有的调度工作主要依赖于调度人员的工作经验，随着港口业务的全面开展，以及码头货物周转量的逐步增加，完全依靠调度人员经验来实现码头调度，已经很难满足港口对生产作业的预测、安排和管控的需要，更无法实现对码头整个生产过程的分析与优化。

依赖于调度人员的工作经验进行码头调度需要考虑如：船舶的预/确保、船舶到/离港、船舶吨位、安全距离、货物堆存、装卸进度、装卸效率、作业工艺、潮汐因素、提货时间、设备状态、货主权重等众多因素，人工无法短时间内完成；2、现场各作业流程、作业工艺的设备配比能实现什么样的作业效率，需要投入什么的成本投入，现在通过人工业很难做出相对准确的评估，作业流程在运转过程中产生瓶颈也无从知晓，只能发现后补救。

发明内容

本发明实施例提供了一种基于散杂货码头智能调度系统，以达到比传统的人工调度和规划的结果要更加高效、算法在较短时间内给出规划方案，同时针对码头的实际情况，还需要允许算法与人工进行一定程度的交互，将码头中发生的特殊情况量化输入到算法中，对这种特殊情况做出积极响应的目的。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

本申请提供一种基于散杂货码头智能调度系统，包括：粒子群优化计算模块，用于对散杂货码头进行调度规划；计算因子分析模块，与粒子群优化计算模块通信连接，用于对散货码头调度规划产生影响的因素进行分析；算法输入和输出模块，与粒子群优化计算模块通信连接，用于输入粒子群优化计算模块进行输入和输出的数据交互。

作为一种优选的实施方式，所述粒子群优化计算模块采用粒子群优化算法进行计算，所述粒子群优化算法的单元为粒子，一个粒子表示问题的一个可行解，每个粒子具有位置和速度两个属性，所述粒子群优化算法进行计算的过程为粒子不断地更新其位置和速度，最终找到问题最优解。

作为一种优选的实施方式，所述粒子不断地更新其位置和速度的表达式为：

其中，

为第t次迭代中粒子i的位置向量中第d维度的值，

为第t次迭代中粒子i的速度向量中第d维度的值，

为第t次迭代中粒子i的历史最优位置向量中第d维度的值，

第t次迭代中粒子群的最优位置向量中第d维度的值，ω为惯性权重，c_1,2为学习因子，R_1,2为区间[0,1]内的随机数。

作为一种优选的实施方式，粒子i的历史最优位置P_i ^t和粒子群的最优位置向量G^t计算方法如下：

其中，f(X)表示位置向量X的目标函数值。

作为一种优选的实施方式，所述粒子群优化计算模块中粒子的移动过程为粒子i在第t次迭代由

移动至

的位置，然后在第t+1次迭代移动到

的位置，在迭代过程中，粒子不断地向当前最优解靠近，经过多次迭代最终找到最优解。

作为一种优选的实施方式，所述计算因子分析模块中所分析的对散货码头调度规划产生影响的因素包括：潮汐因素、提货时间、到港及离港时间、船舶吨位、客户重要程度、安全距离、设备状态、内部倒运和货主与货种中的一种或多种。

作为一种优选的实施方式，所述算法输入和输出模块中，建立算法输入端数据模型，此模型建立与散货码头管理系统和设备监控系统相应的数据采集接口，在粒子群优化计算模块计算前通过接口获取相应的数据和参数，输入端数据模型包括基本的船舶、货物、泊位、堆场等基本业务信息。

作为一种优选的实施方式，所述算法输入和输出模块中，建立算法输出模型，所述输入端数据模型还包含算法输出模型的期望值。

作为一种优选的实施方式，所述输出模型包括效率优先、成本优先、经验值优先和系统推荐四种，每种输出模型都有一组相应的参数及权重分值决定；其中，效率优先和成本优先的输出模型由是否重点船、成本、待泊时间、单机装卸效率和历史泊位中一个或多个参数要素决定。

本发明实施例提供的技术方案可以包括以下有益效果：

采用粒子群优化算法，该算法具有简单高效、实施简便的特点，便于从全局角度出发解决整个散货码头的调度问题，使得散货码头的智能化调度与规划，比传统的人工调度和规划的结果要更加高效，算法应当在较短时间内给出规划方案，同时针对码头的实际情况，还需要允许算法与人工进行一定程度的交互，将码头中发生的特殊情况量化输入到算法中，而算法能够对这种特殊情况做出积极响应。另外，对于算法给出的调度方案，允许进行依据现实情况进行动态地调整，以满足实际需要。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的本系统中粒子移动过程示意图；

图2是根据一示例性实施例示出的PSO算法流程图；

图3是根据一示例性实施例示出的效率优先模型参数；

图4是根据一示例性实施例示出的成本优先模型参数；

图5是根据一示例性实施例示出的经验优先模型参数；

图6是根据一示例性实施例示出的系统推荐模型参数；

图7是根据一示例性实施例示出的智能指泊示意图；

图8是根据一示例性实施例示出的智能派工示意图。

具体实施方式

以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。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结构、装置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结构、装置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结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底"内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本文中，除非另有说明，术语“多个”表示两个或两个以上。

本文中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

请参照图1-图8，本实施例提供一种基于散杂货码头智能调度系统，包括：粒子群优化计算模块，用于对散杂货码头进行调度规划；计算因子分析模块，与粒子群优化计算模块通信连接，用于对散货码头调度规划产生影响的因素进行分析；算法输入和输出模块，与粒子群优化计算模块通信连接，用于输入粒子群优化计算模块进行输入和输出的数据交互。

所述粒子群优化计算模块采用粒子群优化算法进行计算，所述粒子群优化算法的单元为粒子，一个粒子表示问题的一个可行解，每个粒子具有位置和速度两个属性，所述粒子群优化算法进行计算的过程为粒子不断地更新其位置和速度，最终找到问题最优解。

粒子群优化(Particle Swarm Optimization，PSO)算法是一种流行的元启发式算法，粒子群优化算法因其简单高效已经引起了人们越来越多的关注。粒子群优化算法最早是由Kennedy和Eberhart在1995年提出，其灵感来源于群体中生活在一起的个体之间的社会互动以及相互支持与合作。该算法用于模拟鸟群或鱼群等群体寻找食物的过程，让粒子搜索相对于某些隐藏的目标函数(如食物的数量和质量)的最优区域。与进化算法(Evolutionary Algorithms，EA)等其他受自然启发的元启发式算法不同，粒子群中的粒子协同工作，共享关于最优解的信息，而不是相互竞争。由于PSO算法的背景直观、简单易实现，以及对各种函数的广泛适应性，自PSO算法被提出以来，受到了广泛的关注。在过去的二十年中，粒子群优化算法的理论和应用都取得了很大的进展，并在不同领域实现了广泛应用。

PSO算法中的基本单元为粒子，一个粒子表示问题的一个可行解。每个粒子具有两个属性：位置(Position)和速度(Velocity)。前者表示粒子在当前迭代过程中在搜索空间所处的位置，后者表示粒子在当前迭代过程中将要移动的方向和距离。粒子通过不断地更新其位置和速度，最终找到问题最优解。假设粒子群中的粒子总数为N，每个粒子位置向量的维度为D，最大迭代次数为T，用

表示第t次迭代中粒子i的位置向量，用

表示第t次迭代中粒子i的速度向量，用

表示第t次迭代中粒子i的历史最优位置向量，用

表示第t次迭代中整个粒子群的最优位置向量。

所述粒子不断地更新其位置和速度的表达式为：

其中，

为第t次迭代中粒子i的位置向量中第d维度的值，

为第t次迭代中粒子i的速度向量中第d维度的值，

为第t次迭代中粒子i的历史最优位置向量中第d维度的值，

第t次迭代中粒子群的最优位置向量中第d维度的值，ω为惯性权重，c_1,2为学习因子，R_1,2为区间[0,1]内的随机数。

粒子i的历史最优位置P_i ^t和粒子群的最优位置向量G^t计算方法如下：

其中，f(X)表示位置向量X的目标函数值。

学习因子控制着粒子在单次迭代中移动的距离。当学习因子取较小值时，允许粒子在被拉回之前移动到远离目标区域的地方；而当学习因子取较大值时，会导致粒子突然向目标区域移动或跃过目标区域。如果c₁＝c₂＝0，则粒子移动到其速度向量指示的位置；如果c₁＞0而c₂＝0，则每个粒子仅受其先前自身位置的影响，而不受群体中其他粒子的影响，如果c₁＝0而c₂＞0，则所有粒子跟随最优粒子移动。一般情况下，通常取c₁＝c₂＞0。

速度更新公式中等号右边的第一项是粒子先前速度对下次移动速度的影响。第二项

代表粒子的个体认知，表示每个粒子按自身认知经验移动的部分，指导粒子向曾经到达的最优位置移动。第三项

代表粒子的社会认知成分，指导粒子向全局最优位置移动，这是粒子群之间信息共享的具体表现。粒子移动过程如图1所示。

所述粒子群优化计算模块中粒子的移动过程为粒子i在第t次迭代由

移动至

的位置，然后在第t+1次迭代移动到

的位置，在迭代过程中，粒子不断地向当前最优解靠近，经过多次迭代最终找到最优解。

散货码头属于极其复杂的业务管理场景，要实现智能化码头所需要考虑的因素非常之多。下列因素是在散货码头调度规划中需要着重考虑的几项重要因素，这些因素对散货码头智能调度方案具有较大影响。想要实现散货码头的智能调度，必须将这些因素考虑在内。所述计算因子分析模块中所分析的对散货码头调度规划产生影响的因素包括：潮汐因素、提货时间、到港及离港时间、船舶吨位、客户重要程度、安全距离、设备状态、内部倒运和货主与货种中的一种或多种。

潮汐因素这一影响因素是由于一般而言，散货码头的码头前沿为一侧为陆地，一侧为海洋的曲折海岸线，而对于一些较浅水码头来说，潮汐将决定着码头能否停靠船舶以及停靠船舶的大小。当退潮时，码头前沿海域的海水深入大幅度降低，而对于吃水较深的大型船舶，吃水深度将超过码头前沿的海水深度，因此这时大型船舶是无法进行停靠的，否则的话，将会导致船舶搁浅等意外发生。另一方面，当船舶想要离港时，如果海水处于退潮的状态，那么大船也将无法离港，必须等到涨潮时达到船舶的吃水深度，才可以进行离港。因此潮汐因素对于泊位分配起着巨大的限制作用。因此，在对船舶进行规划时需要考虑当天的涨潮以及退潮时间。对于吃水较浅的船舶来说，潮汐的影响因素并不是特别大，但是对于大型船舶来说，潮汐的影响因素是至关重要的，是不可忽略的一项重要因素。

提货时间影响货物在堆场的位置分配。一般来说，如果货物堆放到堆场之后能够在比较短的时间内被提取，那么这批货物应该堆放在距离出口较近的位置或者位于容易运输的位置，这样可以减少运输的时间成本。而对于在较长时间内都不会被提取的货物，则一般会存储在较为偏僻的堆场，或者其存放的位置相较于不便于运输，这样将提货速度比较快的货物，堆放在较为方便取料的堆场，可以提高堆场的利用率，货物的提取时间决定着堆场的周转效率，一般而言，提货的时间越短，则堆场的周转速率就越快，使用效率也越高。

到港和离港时间是进行泊位规划的一项重要参数。一般来说，当船舶准备在某个码头装卸货时，一般会提前一周或十天左右的时间将船舶的预计到港日期以及预计离港日期发送给码头的中控系统。在码头中控系统收到船舶的到港以及离港时间之后，需要安排相应的设备与资源对船舶进行作业，通常要在船舶给定的到岗和离岗时间之内完成对船舶的装卸作业，如果说码头未能在预定的时间内完成对船舶的装卸作业，则码头需要支付一定的延期成本，以满足船主的延期损失。所以在实际安排泊位计划时，应尽量减少或避免延期离港。而在散货码头的相关研究中，最小化船舶离港的延期时间也是常见的研究目标之一。

对于散货码头而言，船舶的吨位也是一项极其重要的影响因素，船舶的吨位越大，则其承载货物的容量越大，在进行装卸作业时，所需要的人力，物力以及各项设备的调度也必然的增加。另外一点，船舶的吨位也影响了船舶所能停靠的泊位。因为通常来说，船舶的吨位和设计泊位的吨位二者之间应是匹配的，即大吨位的船舶应当停靠在大吨位的泊位上，若其停靠在小吨位的泊位上，则会造成装卸作业的困难，反之，如果小吨位的船舶停靠在大吨位的泊位上，则会造成泊位资源的浪费。大吨位的船舶所需要的装卸时间也更加的漫长，小吨位的船则只需一天或两天就可以完成全部的装卸作业，小吨位船舶的周转效率更高。

客户的重要程度对于散货码头而言，其对泊位计划的影响往往最为显著，因为一般情况下，重要客户则会优先获得服务。例如，当码头进行装卸作业时，如果收到某个重要客户的到岗以及离岗时间，则码头为了保证重要客户的满意度，一般会选择当客户到达码头时，会优先提供相应的设备以及人员对重要客户进行优先作业，而其他的非重要客户则会被延缓作业，以保证重要客户的需求得到满足。在实际的调度安排中，这需要对未来的重要客户提前预备所需要的设备，人员，集中优势资源服务重要客户。

在散货码头中，泊位的船舶和堆场中的堆料之间都需要有一定的安全间隔，泊位中船舶的间隔是为了保证安全，相邻船舶之间间隔一定距离，为了便于船舶的离港、靠泊等操作，而在堆场堆料之间的安全间隔一方面是为了进行料堆的区分，另一方面则是为了防止不同的货物之间混合。因为堆场中大多数存放着不同货主的货物，而且货物之间也分为不同的等级，不同等级的货物一般来说不应该混放。例如，对于煤矿这种货物，一旦被混合之后，则再将混合后的煤炭拆分成原先的两种煤炭，则所需要的成本非常高。此外，堆场中安全距离会占用一部分堆场空间，从而降低堆场的利用率，做堆场计划时应尽可能少的出现安全间隔，保证堆料连续堆放，提升堆场利用率。

设备使用时间过长则会出现零件老化以及引发的设备故障，则此时需要对设备进行维修或者对设备进行周期性的保养，在实际执行作业计划中设备应保持正常工作。如果一旦某种设备发生了故障或者处于待维修状态，则该设备不能参与到码头的调度工作中，此时则需要更换或者安排另外的设备执行作业。在实施过程中，需要实时获取设备运行状态的信息，判断某个设备是否能够进行正常的工作，如果某个设备处于异常的状态，则该设备不应该参与到码头的调度运行工作中，此时制定作业计划时应该将此设备剔除。

内部倒运在散货码头中，也是非常常见的一种操作，其主要是将堆场中的堆料移动到其他堆场内进行存放。这样做的目的一般是为了保证某个货主的货物能够尽可能地堆放在同一个堆场。如果某个货主的货物非常多，一般会选择将该货主的货物堆放在某一连续的堆场空间内，如果此时堆场内并没有能够容纳这批货物的连续空间，则会选择将一些较小的料堆移动到其他的堆场，这样可以腾出一段连续的堆场空间，用于容纳这批货物。内部倒运的方式有些是通过内部集卡进行运输。

通常来说，一条船舶中装载的货物属于同一个货主，而且对于煤炭和矿石等大宗商品来说，大多数情况下，一条船舶一次只会装载一种货物。因为同类货物之间还存在不同的品级或等级，而不同品级和等级的货物之间是不允许混合的。因此，在做堆场规划时需要考虑货主与货物种类，尽量将同一货主的货物相邻放置，以便于取料。

智能化算法作为整个数字化码头智能调度中最为重要的一部分，其必然与散货码头的管理系统、设备监控系统等进行频繁的数据交互，所以在整个算法的设计之初考虑到和整个系统的匹配度，对整个算法的输入和输出进化标准化，规范智能化算法的输入形式和输出形式，使算法在操作时更加的方便，结果也更加的直观。所述算法输入和输出模块中，建立算法输入端数据模型，此模型建立与散货码头管理系统和设备监控系统相应的数据采集接口，在粒子群优化计算模块计算前通过接口获取相应的数据和参数，输入端数据模型包括基本的船舶、货物、泊位、堆场等基本业务信息。从算法的输入端考虑，必然要为其建立相应的数据模型，并为此模型建立与散货码头管理系统和设备监控系统相应的数据采集接口，在智能算法运算前需要通过接口获取相应的数据和参数。输入端数据模型除了基本的船舶、货物、泊位、堆场等基本业务信息外，还应该包含算法输出模型的期望值。

所述算法输入和输出模块中，建立算法输出模型，所述输入端数据模型还包含算法输出模型的期望值。智能泊位计划有“效率优先”、“成本优先”、“经验值优先”和“系统推荐”四种输出模型；每一种输出模型都有一组相应的参数及权重分值决定，比如：效率优先和成本优先输出模型由“是否重点船”、“成本”、“待泊时间”、“单机装卸效率”、“历史泊位”等参数要素决定，每一项要素给出不同的权重分值，系统会输出相应的模型数据。

所述输出模型包括效率优先、成本优先、经验值优先和系统推荐四种，每种输出模型都有一组相应的参数及权重分值决定；其中，效率优先和成本优先的输出模型由是否重点船、成本、待泊时间、单机装卸效率和历史泊位中一个或多个参数要素决定。

作为算法的输出端，只要建立标准的数据模型并给出标准的输出格式，能够满足码头散货生产管理系统等第三方系统对接的要求即可。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

需要说明的是，以上描述仅为本申请的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (9)

1.一种基于散杂货码头智能调度系统，其特征在于，包括：

粒子群优化计算模块，用于对散杂货码头进行调度规划；

计算因子分析模块，与粒子群优化计算模块通信连接，用于对散货码头调度规划产生影响的因素进行分析；

算法输入和输出模块，与粒子群优化计算模块通信连接，用于输入粒子群优化计算模块进行输入和输出的数据交互。

2.根据权利要求1所述的一种基于散杂货码头智能调度系统，其特征在于，所述粒子群优化计算模块采用粒子群优化算法进行计算，所述粒子群优化算法的单元为粒子，一个粒子表示问题的一个可行解，每个粒子具有位置和速度两个属性，所述粒子群优化算法进行计算的过程为粒子不断地更新其位置和速度，最终找到问题最优解。

3.根据权利要求2所述的一种基于散杂货码头智能调度系统，其特征在于，所述粒子不断地更新其位置和速度的表达式为：

其中，

为第t次迭代中粒子i的位置向量中第d维度的值，

为第t次迭代中粒子i的速度向量中第d维度的值，

为第t次迭代中粒子i的历史最优位置向量中第d维度的值，

第t次迭代中粒子群的最优位置向量中第d维度的值，ω为惯性权重，c_1,2为学习因子，R_1,2为区间[0,1]内的随机数。

4.根据权利要求3所述的一种基于散杂货码头智能调度系统，其特征在于，粒子i的历史最优位置

和粒子群的最优位置向量G^t计算方法如下：

其中，f(X)表示位置向量X的目标函数值。

5.根据权利要求4所述的一种基于散杂货码头智能调度系统，其特征在于，所述粒子群优化计算模块中粒子的移动过程为粒子i在第t次迭代由

移动至

的位置，然后在第t+1次迭代移动到

的位置，在迭代过程中，粒子不断地向当前最优解靠近，经过多次迭代最终找到最优解。

6.根据权利要求1所述的一种基于散杂货码头智能调度系统，其特征在于，所述计算因子分析模块中所分析的对散货码头调度规划产生影响的因素包括：潮汐因素、提货时间、到港及离港时间、船舶吨位、客户重要程度、安全距离、设备状态、内部倒运和货主与货种中的一种或多种。

7.根据权利要求1所述的一种基于散杂货码头智能调度系统，其特征在于，所述算法输入和输出模块中，建立算法输入端数据模型，此模型建立与散货码头管理系统和设备监控系统相应的数据采集接口，在粒子群优化计算模块计算前通过接口获取相应的数据和参数，输入端数据模型包括基本的船舶、货物、泊位、堆场等基本业务信息。

8.根据权利要求7所述的一种基于散杂货码头智能调度系统，其特征在于，所述算法输入和输出模块中，建立算法输出模型，所述输入端数据模型还包含算法输出模型的期望值。

9.根据权利要求8所述的一种基于散杂货码头智能调度系统，其特征在于，所述输出模型包括效率优先、成本优先、经验值优先和系统推荐四种，每种输出模型都有一组相应的参数及权重分值决定；

其中，效率优先和成本优先的输出模型由是否重点船、成本、待泊时间、单机装卸效率和历史泊位中一个或多个参数要素决定。

Images