CN115965145A - 一种基于业务规则引擎的智能指泊方法 - Google Patents
一种基于业务规则引擎的智能指泊方法 Download PDFInfo
- Publication number
- CN115965145A CN115965145A CN202211726838.XA CN202211726838A CN115965145A CN 115965145 A CN115965145 A CN 115965145A CN 202211726838 A CN202211726838 A CN 202211726838A CN 115965145 A CN115965145 A CN 115965145A
- Authority
- CN
- China
- Prior art keywords
- ship
- berth
- berthing
- rule
- business
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能指泊技术领域,提供一种基于业务规则引擎的智能指泊方法,包括步骤100,获取船公司发送的泊位申请和船舶申报动态;步骤200,根据泊位申请和船舶申报动态信息,利用硬性约束条件进行筛查,得到船舶本次靠泊可以停靠的相应时间范围内的泊位范围;步骤300,柔性规则与业务目标相配合,可根据业务和管理需求调配优先级和是否考虑相应规则;步骤400,将两个模型算法的输出作为关键参数用到指泊算法中;步骤500,基于业务规则引擎得到初始种群;步骤600,对步骤500得到的初始种群进行交叉、变异优化处理,得到最终停泊方案。本发明能够提高算法实用性,增强“人机对话”,实现算法的自我优化以满足业务持续发展。
Description
技术领域
本发明涉及智能指泊技术领域,尤其涉及一种基于业务规则引擎的智能指泊方法。
背景技术
泊位是船舶停靠和装卸的场所,其主体是水域边的一段岸线。船舶在泊位的水侧停靠,将缆绳系在陆侧的缆桩上以固定船体位置,然后由陆侧的装卸船机进行装卸。泊位计划是对各船在泊位置和在泊时间、作业岸边设备的计划安排。泊位计划的安排需要满足自然环境约束及业务条件约束:
1.自然环境约束:泊位水深需要考虑潮汐的影响;以及考虑浪高、浪向、浪周期、风向、风力、能见度、降水量等24/48/72小时预报的船舶装卸效率及装卸时长因素对泊位的占用的影响。
2.业务条件约束:船舶必须停靠在泊位范围内一段足够长的连续岸线上,且船舶之间必须保证一定的安全距离;船舶的停泊时间主要由装卸作业时间确定,与调度的装卸船机数量、装卸船机工作效率及作业环境等相关。
泊位计划优化是提高港口运营效率的关键环节,对于提高客户满意度,增加用户粘性,协调岸线资源调度进而提升整体运营效率等有重要作用。
泊位计划当前主要有人工指泊计划和传统智能指泊两种方式,而其均面临一些瓶颈和挑战。
1.业务侧,面临指泊能力不能有效应对业务日益增长和变化的矛盾。泊位计划员依靠各自经验进行计划,计划水平因个人能力不同而参差不齐,计划经验也不能得到良好的传承,不能跟随业务变化而做出及时有效的调整。同时,指泊评价标准也未能统一,导致指泊业务不能持续的进行优化提升。当业务体量较小且业务内容没有大的变化时,此矛盾尚不突出,而今港口业务在体量和内容上都已迅猛增长,新变化对人工经验考验的提升、对个体能力的更高要求,以及统一服务标准需求的日益强烈,都将此矛盾在不断扩大。
2.技术侧,智能算法与业务专家不易对话、不易被理解,导致实用性不强。当前,智能算法在公众性较强的领域应用已很广泛和成熟,比如零售、电商、导航、物流运输等。但是,在一些业务领域的专业性很强的节点上,智能算法则面临与实际业务契合度低,不能承接过往经验,不利于衔接业务专家的指泊思想,不适应业务特色等问题。常规的智能指泊算法,算法一般遵循算法模型设计、建模、求解、输出等标准AI算法建设过程,算法假定输入条件是较为固定的,更加聚焦于算法具体实现,计算过程对于用户而言是个“黑盒子”,算法结果不容易解释和理解,计划人员也不能根据实际作业进展或特殊情况对计划结果进行调整,导致计算结果与实际业务匹配度不高。算法也不能根据业务的发展而做出自我优化,随着业务的发展变化,算法也变得越来越不适用。
发明内容
本发明主要解决算法与实际业务匹配度不高,算法不能自我优化以适应业务发展的技术问题,提出一种基于业务规则引擎的智能指泊方法,以达到提高算法实用性,增强“人机对话”,实现算法的自我优化以满足业务持续发展的目的。
本发明提供了一种基于业务规则引擎的智能指泊方法,包括以下过程:
步骤100,获取船公司发送的泊位申请和船舶申报动态,其中,所述泊位申请和船舶申报动态中包含船本次靠泊的基本信息和作业要求;
步骤200,根据泊位申请和船舶申报动态信息,利用硬性约束条件进行筛查,得到船舶本次靠泊可以停靠的相应时间范围内的泊位范围;
步骤300,柔性规则与业务目标相配合,可根据业务和管理需求调配优先级和是否考虑相应规则;
步骤400,关键参数预测,通过机器学习算法,对历史数据进行训练建模,建立预测在港时长模型和岸桥-船舶作业效率模型,将这两个模型算法的输出作为关键参数用到指泊算法中;
步骤500,步骤100至步骤400构成业务规则引擎,基于业务规则引擎得到初始种群;
步骤600,对步骤500得到的初始种群进行交叉、变异优化处理,得到最终停泊方案。
进一步的,所述基本信息和作业要求,包括不限于:船名、航次、航线、预计抵港时间、不同尺寸箱的箱量、特种箱箱量、运输性质、吃水信息、联系人信息、特殊作业要求。
进一步的,所述硬性约束条件,包括但不限于:岸线约束、桩位约束、泊位约束、作业资源约束和船舶约束。
进一步的,所述岸线约束:岸线米位与船长相匹配;
所述桩位约束:桩位满足靠港船只作业要求;
泊位约束包括但不限于:船长与泊位米位相匹配、船型与泊位相匹配、泊位与船舶吃水相匹配、每个可利用泊位在一个单位时间段内最多只能服务一只船舶、船舶靠泊方向匹配、深水区泊位留用时长约束、跨岸线指派泊位禁止约束、货种与泊位匹配规则、危险品/污染品/冷藏品等船舶与泊位匹配规则;
所述作业资源约束包括但不限于:货种与岸线作业资源匹配、作业设备数量上线约束、危险品/污染品/冷藏品等船舶与岸线作业资源匹配;
所述船舶约束包括但不限于:重点作业船舶禁止拖班规则、船舶之间安全距离保持规则、需要赶潮水的船舶的停靠和离泊时间与航道计划一致性规则。
进一步的,所述业务规则引擎,包括但不限于:航道规则、作业资源规则、堆场规则、船舶规则、目标规则。
进一步的,所述航道规则:靠泊、离泊须在相应航道计划时间窗内完成;
所述作业资源规则:岸桥工作能力满足船舶要求装卸效率规则;
所述堆场规则:泊位与堆场距离规则;
所述船舶规则包括但不限于:船舶服务优先级量化规则、同一泊位前后靠泊船舶服务顺序及服务时间差规则;
所述目标规则:考虑船舶服务优先级的船舶拖班时长惩罚规则、考虑船舶服务优先级的船舶等待时长惩罚规则、与理想泊位的米位差惩罚规则、泊位有效利用率、船舶即到即靠率、船舶窗口效率和兑现率、岸桥作业量均衡规则。
进一步的,在步骤500中,采用第一生成方式或第二生成方式,生成的停泊方案初始种群。
进一步的,所述第一生成方式采用模拟人工计划方式。
进一步的,所述第二生成方式采用启发式方法:将待排计划船舶作为一个船舶集合,将待排计划船舶按照申请到港时间排序,从第一条船开始获取其可停靠的米位范围,可停靠范围作为一个可停靠集合,为每个停靠范围计算最早可利用时刻,根据船长和安全距离再次计算该船可停靠的范围,选取米位规则分别按照小米位,常靠泊米位和大米位3中方式,进行停靠位置和时间的分配,对待排计划船舶依次计算,获得启发式方法的结果集。
本发明提供的一种基于业务规则引擎的智能指泊方法,与现有技术相比具有以下优点:
1、业务规则引擎,业务专家思想与智能算法的桥梁,将业务专家的计划思想提炼为诸多业务规则,分为硬性规则和柔性规则,规则通过人为设定、机器学习的手段来扩展弹性,丰富指泊算法的输入条件;
2、关键参数预测,借助机器学习算法,通过对历史数据的学习建模,可调整关键输入参数值,让指泊算法模型可持续适应业务发展需求;
3、专家思想可视化,业务规则是业务专家智慧经验的映射,计算过程可视化,让每个计算节点均能体现业务指标实现与业务规则映射的情况,让业务专家能更好的理解指泊结果与业务规则的关系,实现人工调整计划有所依据;
4、多类型结果选择,包括模拟人工计划的方案、有人工优先倾向的优化方案、纯算法优化的方案。实现一次运算,输出多种计算结果,通过对比,最大程度满足业务偏好。
附图说明
图1是本发明提供的基于业务规则引擎的智能指泊方法的实现流程图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
如图1所示,本发明实施例提供的基于业务规则引擎的智能指泊方法,包括以下过程:
步骤100,获取船公司发送的泊位申请和船舶申报动态,其中,所述泊位申请和船舶申报动态中包含船本次靠泊的基本信息和作业要求等。
所述基本信息和作业要求包括不限于:船名、航次、航线、预计抵港时间、不同尺寸箱的箱量、特种箱箱量、运输性质(内贸/外贸)、吃水信息、联系人信息、特殊作业要求等等;
步骤200,根据泊位申请和船舶申报动态信息,利用硬性约束条件进行筛查,得到船舶本次靠泊可以停靠的相应时间范围内的泊位范围。
根据码头靠泊允许条件和倾向性,硬性约束条件为必须满足的条件。
所述硬性约束条件,包括但不限于:岸线约束、桩位约束、泊位约束、作业资源约束和船舶约束。算法综合考虑船信息、预计到港时间(ETA)、优先级等船舶动态信息,当前在泊船只停靠的泊位、预计离泊时间等当前泊位作业状态信息,已分配的泊位停靠船只信息、预计靠泊时间、预计离泊时间等已计划信息,泊位允许停靠的船长、吃水等泊位静态信息,计划展望期内可用设备数量上限等作业资源信息进行数据预处理。经数据预处理后,得到待指泊船舶的可停靠米位范围、各米位最早可利用时刻、待指泊船舶堆场信息等,过滤掉在相应时间范围内无法使用的泊位数据。由此,保证上述各硬性约束条件得以满足。
2.1、所述岸线约束:岸线米位与船长相匹配;具体的,岸线状态须为空闲状态,或当前作业船舶能够在计划展望期初始时刻结束作业状态,且可用于靠泊作业(处于维修维护等状态的岸线不在计划范围内)。
2.2、桩位约束:桩位满足靠港船只作业要求。
2.3、泊位约束包括但不限于:船长与泊位米位相匹配、船型与泊位相匹配、泊位与船舶吃水相匹配、每个可利用泊位在一个单位时间段内最多只能服务一只船舶、船舶靠泊方向匹配(有要求,即为硬约束)、深水区泊位留用时长约束、跨岸线指派泊位禁止约束、货种与泊位匹配规则、危险品/污染品/冷藏品等船舶与泊位匹配规则。
其中,泊位与船舶吃水匹配规则,考虑潮汐的影响。根据船只靠泊时间内的吃水、潮汐高度与泊位水深计算出龙骨与海床之间的距离,排除船只搁浅可能。
2.4、作业资源约束包括但不限于:货种与岸线作业资源匹配、作业设备数量上线约束、危险品/污染品/冷藏品等船舶与岸线作业资源匹配。
2.5、船舶约束包括但不限于:重点作业船舶禁止拖班规则、船舶之间安全距离保持规则、需要赶潮水的船舶的停靠和离泊时间与航道计划一致性规则。
步骤300,柔性规则与业务目标相配合,可根据业务和管理需求调配优先级和是否考虑相应规则,越满足越好。
所述柔性规则设计包括了优先级干预、权重干预、参数使用方法干预等技术手段供用户选择。也可以根据业务情况,选择多种不同计算结果供对比使用。
所述业务规则引擎,包括但不限于:航道规则、作业资源规则、堆场规则、船舶规则、目标规则。
3.1、所述航道规则:靠泊、离泊须在相应航道计划时间窗内完成。
3.2、所述作业资源规则:岸桥工作能力满足船舶要求装卸效率规则。
3.3、所述堆场规则:泊位与堆场距离规则。
3.4、所述船舶规则包括但不限于:船舶服务优先级量化规则、同一泊位前后靠泊船舶服务顺序及服务时间差规则。
3.5、所述目标规则:考虑船舶服务优先级的船舶拖班时长惩罚规则、考虑船舶服务优先级的船舶等待时长惩罚规则、与理想泊位的米位差惩罚规则、泊位有效利用率、船舶即到即靠率、船舶窗口效率和兑现率、岸桥作业量均衡规则等。
步骤400,关键参数预测,通过机器学习算法,对历史数据进行训练建模,建立预测在港时长模型和岸桥-船舶作业效率模型,将这两个模型算法的输出作为关键参数用到指泊算法中。
在港时长参数和岸桥-船舶作业效率参数预测对于港口作业具有重要的意义,一方面,提前得到预测的在港时长和岸桥对于具体船只的作业效率,可以帮助各公司更好的预估各项机械以及人力等的分配使用;作为指泊算法的参数确保指泊算法输入更加准确,以达到效益的最优。预测算法涉及不同类型的船舶,针对船型、装载货物、装载量、后方堆场情况、航线等因素实现单船在港时长和岸桥-船舶作业效率的预测。
这两个参数预测功能使用BP神经网络模型,BP算法核心思想在于其中的基于误差修正的反向传播机制,算法分为前向传播机制和反向传播机制两大部分。
所述前向传播机制:
z2=w2x+b2 (1)
zl=wlal-1+b (2)
al=f(zl) (3)
式中,w2表示权重值;x表示输入数据;b2表示偏置值;z2表示输入数据的加权和;al表示zl经过激活函数计算后的值;公式(2)与公式(1)是同样的意思,上图只列举了一层神经元,公式(2)通用于后面再加层的计算。
前向传播机制是正向计算的一个过程,先根据需求处理好输入的特征数据,再生成一组适应于输入特征数据的权重值以及偏置值(权重值、偏置值根据算法效果定义如何生成),将处理好后的特征数据与权重值、偏置值进行计算得到隐藏层的输入数据,此时,通过一个激活函数对于隐藏层的输入数据进行激活,激活后的值作为下一层隐藏层输入值或者输出层的预测值。
所述反向传播机制:
qL=-(y-aL)⊙f'(zL) (4)
ql=((wl+1)T*ql+1)⊙f'(zl) (5)
式中,y表示期望输出的值;zL表示神经网络对训练数据产生的实际输出,计算参照公式(2)(假设设置的神经元为L层);aL表示L层神经元的激活值,计算参照公式(3);⊙表示矩阵对应元素相乘;f′(zL)表示对zL的激活函数求导;((wl+1)T表示相应层权重的转置;表示权重的偏导数;表示偏置的偏导数;wold表示更新前的权重;wnew表示更新后的权重;bold表示更新前的权重;bnew表示更新后的权重;qL、ql、ql+1表示只是引入的记号,为了简化求导的表达形式。公式(4)(5)(6)(7)都是经过繁杂的数据公式推导出来的。
反向传播机制,顾名思义是反向计算的一个过程,当正向计算得到预测结果后,将预测结果与真实结果进行计算得到输出的误差值,根据误差值反向逐步求导计算得到偏置项、权重项的梯度值,最后根据初始值与梯度值进行偏置项、权重项的更新,完成一次BP算法的运行,不断迭代算法,直到误差越来越小达到一定值或者达到预定迭代次数停止迭代,得到BP算法的相应参数,最后根据得到的参数和输入特征数据进行预测。
步骤500,步骤100至步骤400构成业务规则引擎,基于业务规则引擎得到初始种群。
本发明可以采用三种方式生成初始种群。一种为模拟人工计划方式,即将人工指泊经验程序化;第二种采用启发式方法生成;第三种方式为随机方式生成。生成初始种群后利用遗传算法寻找最优解的特点,根据问题特点设计编码、交叉、变异、修复等策略及概率,调整参数,最终给出优化后的指泊方案。本步骤可采用第一生成方式或第二生成方式,生成的停泊方案初始种群。
所述第一生成方式采用模拟人工计划方式。
根据人工计划流程和经验,设计算法实现,模拟人工计划,生成计算结果供用户选择使用。
1.获取设置的柔性规则的优先级;
2.按ETA排序;
3.根据硬性规则筛选出可用的泊位;
4.根据在泊和预计离泊数据计算最早可用时间;
5.按照优先顺序选择一条船;
6.先看后方堆场对应泊位是否空闲,若空闲优选此泊位,若不空闲,则依岸线方向寻找靠近后方堆场的泊位;
7.若依旧没有可停靠泊位,则将ETA向后延x小时循环执行第5,第6步,直到找到可停靠泊位,停靠位置需要满足船只安全距离等约束条件。
所述第二生成方式采用启发式方法:将待排计划船舶作为一个船舶集合,将待排计划船舶按照申请到港时间排序,从第一条船开始获取其可停靠的米位范围,可停靠范围作为一个可停靠集合,为每个停靠范围计算最早可利用时刻,根据船长和安全距离再次计算该船可停靠的范围,选取米位规则分别按照小米位,常靠泊米位和大米位3中方式,进行停靠位置和时间的分配,对待排计划船舶依次计算,获得启发式方法的结果集。
设计基于贪婪规则的启发式方式用以产生初始可行方案,此方法中岸机数量由此可由船舶靠泊时长预测模型得到船舶i的靠泊时长hi。li为船舶i的长度,li为船舶i的靠泊时长,依赖于li,此外,该时长还与检验检疫、靠泊时刻、船型、吨级、岸机数目、拖车数目、场地设备数、运距等相关,具体数值由神经网络算法给出,即在港时长预测算法。
步骤600,对步骤500得到的初始种群进行交叉、变异优化处理,得到最终停泊方案。
初始种群生成后,选取M个质量好的和N个分散性好的方案作为父代,进行随机两两交叉操作,产生M+N个子代。算法中设计两类交叉算子。一类交叉算子用于父代靠泊米位及岸桥数量的交叉操作,即对父代的米位及岸桥数量,分别进行线性组合,进而产生新的子代的米位及岸桥数量的过程。一类交叉算子选取父代的基因点位,子代中该基因点位之前的基因复制父代1的对应点位基因,子代中该基因点位之后的基因复制父代2的对应点位基因,即生成新的子代。为了保证遗传算法子代种群的多样性,算法针对靠泊米位、岸桥数量及靠泊时刻三维编码设计变异操作。变异操作点位选取过程为对每个维度的编码、每个基因点位分别生成一个0到1之间的随机数进行变异操作。最终生成新的个体集合,再通过算法解码和目标规则计算出最优的指泊方案。
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,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 (9)
1.一种基于业务规则引擎的智能指泊方法,其特征在于,包括以下过程:
步骤100,获取船公司发送的泊位申请和船舶申报动态,其中,所述泊位申请和船舶申报动态中包含船本次靠泊的基本信息和作业要求;
步骤200,根据泊位申请和船舶申报动态信息,利用硬性约束条件进行筛查,得到船舶本次靠泊可以停靠的相应时间范围内的泊位范围;
步骤300,柔性规则与业务目标相配合,可根据业务和管理需求调配优先级和是否考虑相应规则;
步骤400,通过机器学习算法,对历史数据进行训练建模,建立预测在港时长模型和岸桥-船舶作业效率模型,将这两个模型算法的输出作为关键参数;
步骤500,步骤100至步骤400构成业务规则引擎,基于业务规则引擎得到初始种群;
步骤600,对步骤500得到的初始种群进行交叉、变异优化处理,得到最终停泊方案。
2.根据权利要求1所述的基于业务规则引擎的智能指泊方法,其特征在于,所述基本信息和作业要求,包括不限于:船名、航次、航线、预计抵港时间、不同尺寸箱的箱量、特种箱箱量、运输性质、吃水信息、联系人信息、特殊作业要求。
3.根据权利要求1所述的基于业务规则引擎的智能指泊方法,其特征在于,所述硬性约束条件,包括但不限于:岸线约束、桩位约束、泊位约束、作业资源约束和船舶约束。
4.根据权利要求3所述的基于业务规则引擎的智能指泊方法,其特征在于,所述岸线约束:岸线米位与船长相匹配;
所述桩位约束:桩位满足靠港船只作业要求;
泊位约束包括但不限于:船长与泊位米位相匹配、船型与泊位相匹配、泊位与船舶吃水相匹配、每个可利用泊位在一个单位时间段内最多只能服务一只船舶、船舶靠泊方向匹配、深水区泊位留用时长约束、跨岸线指派泊位禁止约束、货种与泊位匹配规则、危险品/污染品/冷藏品等船舶与泊位匹配规则;
所述作业资源约束包括但不限于:货种与岸线作业资源匹配、作业设备数量上线约束、危险品/污染品/冷藏品等船舶与岸线作业资源匹配;
所述船舶约束包括但不限于:重点作业船舶禁止拖班规则、船舶之间安全距离保持规则、需要赶潮水的船舶的停靠和离泊时间与航道计划一致性规则。
5.根据权利要求3或4所述的基于业务规则引擎的智能指泊方法,其特征在于,所述业务规则引擎,包括但不限于:航道规则、作业资源规则、堆场规则、船舶规则、目标规则。
6.根据权利要求5所述的基于业务规则引擎的智能指泊方法,其特征在于,所述航道规则:靠泊、离泊须在相应航道计划时间窗内完成;
所述作业资源规则:岸桥工作能力满足船舶要求装卸效率规则;
所述堆场规则:泊位与堆场距离规则;
所述船舶规则包括但不限于:船舶服务优先级量化规则、同一泊位前后靠泊船舶服务顺序及服务时间差规则;
所述目标规则:考虑船舶服务优先级的船舶拖班时长惩罚规则、考虑船舶服务优先级的船舶等待时长惩罚规则、与理想泊位的米位差惩罚规则、泊位有效利用率、船舶即到即靠率、船舶窗口效率和兑现率、岸桥作业量均衡规则。
7.根据权利要求1所述的基于业务规则引擎的智能指泊方法,其特征在于,在步骤500中,采用第一生成方式或第二生成方式,生成的停泊方案初始种群。
8.根据权利要求7所述的基于业务规则引擎的智能指泊方法,其特征在于,所述第一生成方式采用模拟人工计划方式。
9.根据权利要求7所述的基于业务规则引擎的智能指泊方法,其特征在于,所述第二生成方式采用启发式方法:将待排计划船舶作为一个船舶集合,将待排计划船舶按照申请到港时间排序,从第一条船开始获取其可停靠的米位范围,可停靠范围作为一个可停靠集合,为每个停靠范围计算最早可利用时刻,根据船长和安全距离再次计算该船可停靠的范围,选取米位规则分别按照小米位,常靠泊米位和大米位3中方式,进行停靠位置和时间的分配,对待排计划船舶依次计算,获得启发式方法的结果集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726838.XA CN115965145A (zh) | 2022-12-30 | 2022-12-30 | 一种基于业务规则引擎的智能指泊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211726838.XA CN115965145A (zh) | 2022-12-30 | 2022-12-30 | 一种基于业务规则引擎的智能指泊方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115965145A true CN115965145A (zh) | 2023-04-14 |
Family
ID=87354042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211726838.XA Pending CN115965145A (zh) | 2022-12-30 | 2022-12-30 | 一种基于业务规则引擎的智能指泊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115965145A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502866A (zh) * | 2023-06-20 | 2023-07-28 | 哪吒港航智慧科技(上海)有限公司 | 一种智能散货船舶计划和自动分类方法 |
-
2022
- 2022-12-30 CN CN202211726838.XA patent/CN115965145A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502866A (zh) * | 2023-06-20 | 2023-07-28 | 哪吒港航智慧科技(上海)有限公司 | 一种智能散货船舶计划和自动分类方法 |
CN116502866B (zh) * | 2023-06-20 | 2023-09-08 | 哪吒港航智慧科技(上海)有限公司 | 一种智能散货船舶计划和自动分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malekahmadi et al. | Integrated continuous berth allocation and quay crane assignment and scheduling problem with time-dependent physical constraints in container terminals | |
Lam et al. | Forecasts and reliability analysis of port cargo throughput in Hong Kong | |
Dong et al. | Container fleet sizing and empty repositioning in liner shipping systems | |
Xiang et al. | An almost robust optimization model for integrated berth allocation and quay crane assignment problem | |
Arram et al. | A novel multi-parent order crossover in genetic algorithm for combinatorial optimization problems | |
Barak et al. | Energy-efficient multi-objective flexible manufacturing scheduling | |
Li et al. | Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm | |
Bui-Duy et al. | Utilization of a deep learning-based fuel consumption model in choosing a liner shipping route for container ships in Asia | |
CN101789093A (zh) | 一种集装箱码头泊位与岸桥分配方法 | |
Das et al. | Solving fuzzy dynamic ship routing and scheduling problem through new genetic algorithm | |
Aghalari et al. | Solving a stochastic inland waterway port management problem using a parallelized hybrid decomposition algorithm | |
CN115965145A (zh) | 一种基于业务规则引擎的智能指泊方法 | |
Sekulski | Ship hull structural multiobjective optimization by evolutionary algorithm | |
Nur et al. | Optimizing inland waterway port management decisions considering water level fluctuations | |
Li et al. | Multi-port stowage planning for inland container liner shipping considering weight uncertainties | |
Vettor et al. | Reflecting the uncertainties of ensemble weather forecasts on the predictions of ship fuel consumption | |
CN115965146A (zh) | 一种多种类型泊位智能指泊方法 | |
CN117151482A (zh) | 一种基于多目标优化的应急物资调度和路径规划方法 | |
Hein | Emission-aware and data-driven many-objective voyage and energy management optimization of solar-integrated all-electric ship | |
Liu et al. | A Multiobjective optimization model for continuous allocation of emergency rescue materials | |
Kwak et al. | Optimization of long-term planning with a constraint satisfaction problem algorithm with a machine learning | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
Santos et al. | A stochastic optimization approach for the supply vessel planning problem under uncertain demand | |
Ormevik et al. | A high-fidelity approach to modeling weather-dependent fuel consumption on ship routes with speed optimization | |
Wieczorek et al. | (r, Q) inventory management in complex distribution systems of the One Belt One Road initiative |
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 |