CN115965146A - 一种多种类型泊位智能指泊方法 - Google Patents

Abstract

本发明涉及泊位分配技术领域，提供一种多种类型泊位智能指泊方法，包括：步骤100，获取船公司发送的泊位申请，并读取港口基本信息；步骤200，根据泊位申请和港口基本信息，构建优化目标；步骤300，确定初始种群规模，采用第一生成方式、第二生成方式、第三生成方式中的一种，生成的停泊方案初始种群；步骤400，对生成的停泊方案初始种群，结合优化目标进行调优，确定最优停泊方案。本发明能够实现多类型的智能指泊，提升指泊效率。

Description

一种多种类型泊位智能指泊方法

技术领域

本发明涉及泊位分配技术领域，尤其涉及一种多种类型泊位智能指泊方法。

背景技术

港口集团通常从事集装箱、煤炭、粮食、矿石、大件设备、成品油、液体化工品和原油等各类业务，每个业务公司拥有专属生产泊位。同时受到港区航道自然资源限制，各业务公司港区泊位共享进出港航道。集团调度指挥中心协调各业务公司使用进出港航道资源，制定泊位作业计划。

多种类型泊位指泊计划，分别从不同层面对将靠泊船只，在物理位置和时间队列两个维度上安排船只的停靠作业和离港计划。从港口层面，安排多家不同类型码头船只靠泊所需的公共资源使用，包括航道使用、共享泊位使用等。从各个业务公司层面，需要根据自身作业内容安排船只靠泊的具体泊位，作业资源等。多种类型泊位指泊需要兼顾考虑这两大层面的资源、设备设施等情况，统一协调安排，提升港口资源利用率，增强港口整体服务能力。

当前指泊方式主要包括人工指泊和智能指泊两种方式，而目前多种类型泊位指泊计划只能采用人工方式，由港口统一调度部门计划员根据24/48/72小时内船只靠泊和离泊情况判断对航道使用的需求，根据将要停靠船只对泊位类型的需求，根据下面业务公司宏观作业安排的需求，包括集装箱、煤炭、粮食等不同业务公司，结合人工经验，完成指泊计划。而自动化的智能指泊则只支持一种类型的泊位，比如只实现集装箱泊位或者煤炭、粮食、矿石等其中一种类型的指泊计划，不能兼顾港口集团和业务公司两个层面共同优化船只靠泊资源，不能实现多种类型泊位的智能指泊。

发明内容

本发明主要解决现有的智能指泊方法不能同时兼顾港口集团和业务公司两个层面共同优化船只靠泊资源，不能实现多种类型泊位的智能指泊的技术问题，提出一种多种类型泊位智能指泊方法，以实现集装箱、散杂货、油品多种类型泊位，智能指泊计划，提升服务效率。

本发明提供了一种多种类型泊位智能指泊方法，包括以下过程：

步骤100，获取船公司发送的泊位申请，并读取港口基本信息；其中，所述泊位申请中包含作业信息；

步骤200，根据泊位申请和港口基本信息，构建优化目标；

步骤300，确定初始种群规模，采用第一生成方式、第二生成方式、第三生成方式中的一种，生成的停泊方案初始种群；

步骤400，对生成的停泊方案初始种群，结合优化目标进行调优，确定最优停泊方案。

进一步的，所述作业信息包括不限于：IMO号、英文船名、进口航次、出口航次、泊次号、班期、重点船舶、单船作业箱量、船舶优先级、修正ETA、装卸货物类型。

进一步的，所述港口基本信息包括不限于：公司代码、区域代码、岸线代码、泊位代码、泊位类型、顺序号、泊位名、起始米位、终止米位、设计水深、有效水深、允许龙骨与海床的最短距离。

进一步的，所述优化目标，包括但不限于：班次窗口效率、即到即靠率、单船窗口效率兑现率。

进一步的，所述班次窗口效率等于班次内的所有船舶预计作业量之和/所有船只预估作业时长之和；

式中，c’_ih表示船舶i的班次h中的作业箱量，y_ih表示船舶i在班次h中的作业时长；

所述即到即靠率等于即到即靠船数/预排计划内所有的船数；

式中，s_i表示船舶i是否为即到即靠：s_i＝1,船舶i为即到即靠船舶；s_i＝0,其他，V为待排计划船舶集合，i∈V；

所述单船窗口效率兑现率等于单船的作业量除以单船作业时长，再除以目标值；

式中，V₁表示干线船集合，V₂表示支线船集合；N₁表示干线船单船窗口效率目标值，N₂表示支线船单船窗口效率目标值。

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范围集合，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种方式，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。

进一步的，所述第三生成方式采用随机生成方式：将待排计划船舶视作一个船舶集合，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范围集合，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，选取米位规则为随机，进行停靠位置和时间的分配，对待排计划船舶依次计算，结合岸机数量的随机调整，增加随机方法生成的结果集。

进一步的，所述步骤400包括以下步骤：

步骤401，算术交叉算子用于父代靠泊米位及岸机数量的交叉操作，即对父代的米位及岸机数量，分别进行线性组合，进而产生新的子代的米位及岸机数量的过程；交叉算子定义如下式：

子代＝ω×父代1+(1-ω)×父代2

其中ω为[0，1]之间的随机数；

步骤402，在步骤401的基础上，随机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；

步骤403，针对靠泊米位、岸机数量及靠泊时刻三维编码设计变异操作：在步骤401、402的基础上，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，若该随机数小于变异概率p_m,则对该点位进行变异操作，变异规则如下式：

其中，U和L分别表示该点位可变异的上、下界范围；rand表示一个0到1之间的随机数；G为当前算法的迭代次数；T为算法设定的最大迭代次数；step表示变异操作的步长。

本发明提供的一种多种类型泊位智能指泊方法，与现有技术相比具有以下优点：

1、本发明支持多种泊位类型、多业态泊位计划，同时兼顾港口集团和业务公司两个层面共同优化船只靠泊资源，实现多种类型泊位的智能指泊，提升港口资源利用率。

2、支持集装箱、散杂货、油品多种类型泊位，智能指泊计划。算法以人工指泊流程为基础，分析码头泊位条件、业务约束、历史操作数据、操作指标、运营指标，设计多种方式生成初始种群，通过遗传优化运筹算法，根据算法评价指标，不断优化搜索求解。最终获得符合业务标准要求的最优解，以达到提高港口集团和业务公司资源利用率，提升服务效率的目的。

3、算法的自适应优化，采用机器学习和运筹学算法相结合的方式，提升算法的最优解。通过学习训练历史数据，调整输入参数的算法模型，让指泊算法可跟随业务特点的变化做出自动的适应性优化。

附图说明

图1是本发明提供的多种类型泊位智能指泊方法的实现流程图；

图2是本发明提供的智能指泊数据接口图；

图3是本发明提供的交叉操作的示意图一；

图4是本发明提供的交叉操作的示意图二。

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多种类型泊位智能指泊方法，包括以下过程：

步骤100，获取船公司发送的泊位申请，并读取港口基本信息；其中，所述泊位申请中包含作业信息。

所述作业信息包括不限于：IMO号、英文船名、进口航次、出口航次、泊次号、班期、重点船舶、单船作业箱量、船舶优先级、修正ETA、装卸货物类型等信息。

所述港口基本信息包括不限于：公司代码、区域代码、岸线代码、泊位代码、泊位类型、顺序号、泊位名、起始米位、终止米位、设计水深、有效水深、允许龙骨与海床的最短距离等信息。

步骤200，根据泊位申请和港口基本信息，构建优化目标。

所述优化目标，包括但不限于：班次窗口效率、即到即靠率、单船窗口效率兑现率。

所述班次窗口效率等于班次内的所有船舶预计作业量之和/所有船只预估作业时长之和；

式中，c’_ih表示船舶i的班次h中的作业箱量，y_ih表示船舶i在班次h中的作业时长。

所述即到即靠率等于即到即靠船数/预排计划内所有的船数；

式中，s_i表示船舶i是否为即到即靠：s_i＝1,船舶i为即到即靠船舶；s_i＝0,其他，V为待排计划船舶集合，i∈V。

所述单船窗口效率兑现率等于(单船的作业量/单船作业时长)/目标值。

式中，V₁表示干线船集合，V₂表示支线船集合；N₁表示干线船单船窗口效率目标值，N₂表示支线船单船窗口效率目标值。

实际中，也可按照用户提供的上述效率的标准值，通过引入泊位计划效率值与标准值之差的奖励，作为优化目标函数进行算法寻优。

步骤300，确定初始种群规模，采用第一生成方式、第二生成方式、第三生成方式中的一种，生成的停泊方案初始种群。

在本步骤中，停泊方案初始种群规模可以设为100，采用三种方式生成：

所述第一生成方式采用模拟人工计划方式，即将人工指泊经验程序化。

将人工指泊经验程序化，按照人做计划的思维过程推算出计划结果。

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范围集合，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种方式，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。

在第二生成方式中，根据岸机数量

利用船舶靠泊时长预测模型，得到船舶i的靠泊时长h_i。其中，l_i表示船舶i的长度，h_i表示船舶i的靠泊时长,依赖于q_i。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。

所述第三生成方式采用随机生成方式。

为了保证初始种群的多样性，设计如下指泊方案随机生成方式：将待排计划船舶视作一个船舶集合，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范围集合，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，选取米位规则为随机，进行停靠位置和时间的分配，对待排计划船舶依次计算，结合岸机数量的随机调整，增加随机方法生成的结果集。

随机方法中指定船舶i分配的岸机数量

或指派岸机数量

之间的随机整数，指派的岸机须满足岸机跨度范围在靠泊米位范围内，可调整船舶分配的岸机数量，再由船舶靠泊时长预测模型得到船舶i的靠泊时长h_i。l_i表示船舶i的长度，h_i表示船舶i的靠泊时长，依赖于q_i。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400，对生成的停泊方案初始种群，结合优化目标进行调优，确定最优停泊方案。

本步骤主要采用遗传算法进行优化求解。将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，采用规则引擎配置，选择合适的初选种群、变异算法，以及种群适应性评价算法，可以够较快地获得优秀的计划结果。

步骤401，算术交叉算子用于父代靠泊米位及岸机数量的交叉操作，即对父代的米位及岸机数量，分别进行线性组合，进而产生新的子代的米位及岸机数量的过程。交叉算子定义如下式，其中ω为[0，1]之间的随机数。

子代＝ω×父代1+(1-ω)×父代2

当ω＝0.5时，交叉操作的示例如图3所示。

步骤402，在步骤401的基础上，随机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。例如随机产生的基因点位为2，则对应的交叉操作示意图如图4所示。

步骤403，为了保证遗传算法子代种群的多样性，算法针对靠泊米位、岸机数量及靠泊时刻三维编码设计变异操作。在步骤401、402的基础上，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，若该随机数小于变异概率p_m,则对该点位进行变异操作，变异规则如下式所示：

其中，U和L分别表示该点位可变异的上、下界范围；rand表示一个0到1之间的随机数，用以确认变异操作的方向；G为当前算法的迭代次数；T为算法设定的最大迭代次数；step表示变异操作的步长。

其中，靠泊米位的变异范围为Ω_i、岸机数量的变异范围为

内整数、靠泊时刻的变异范围为[ET_Ai，D_i-h_i]。

步骤404，将步骤401至403的结果，进行解码和种群更新，交叉变异等个体生成策略之后，形成新的个体集合。对于某个新的个体，需要通过解码操作将其转换为可行的指泊方案。

首先将个体按其米位编码、岸机数量编码及靠泊时刻编码生成预指泊方案；由于靠泊时刻受到靠泊时长的影响，而靠泊时长通过岸机数量、米位等为输入的神经网络算法给出，因此预指泊方案中会存在部分船舶米位及靠泊时刻重叠的情况发生。针对重叠情况，设计个体修复策略，将预指泊方案中重叠情况进行避免，进而形成可行的指泊方案。

为了保证遗传算法的进化属性，算法设计对种群更新方式，即对原始种群及新生成的子代通过选择规则，形成新的种群，进行迭代优化。种群更新规则主要考虑适应值的选择，适应值的选择目的在于衡量种群中个体的优性，算法设计以目标函数加权之和的方式进行，目标函数参见步骤200的优化目标。

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)

1.一种多种类型泊位智能指泊方法，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，并读取港口基本信息；其中，所述泊位申请中包含作业信息；

步骤200，根据泊位申请和港口基本信息，构建优化目标；

步骤300，确定初始种群规模，采用第一生成方式、第二生成方式、第三生成方式中的一种，生成的停泊方案初始种群；

步骤400，对生成的停泊方案初始种群，结合优化目标进行调优，确定最优停泊方案。

2.根据权利要求1所述的多种类型泊位智能指泊方法，其特征在于，所述作业信息包括不限于：IMO号、英文船名、进口航次、出口航次、泊次号、班期、重点船舶、单船作业箱量、船舶优先级、修正ETA、装卸货物类型。

3.根据权利要求2所述的多种类型泊位智能指泊方法，其特征在于，所述港口基本信息包括不限于：公司代码、区域代码、岸线代码、泊位代码、泊位类型、顺序号、泊位名、起始米位、终止米位、设计水深、有效水深、允许龙骨与海床的最短距离。

4.根据权利要求1所述的多种类型泊位智能指泊方法，其特征在于，所述优化目标，包括但不限于：班次窗口效率、即到即靠率、单船窗口效率兑现率。

5.根据权利要求4所述的多种类型泊位智能指泊方法，其特征在于，所述班次窗口效率等于班次内的所有船舶预计作业量之和/所有船只预估作业时长之和；

式中，c’_ih表示船舶i的班次h中的作业箱量，y_ih表示船舶i在班次h中的作业时长；

所述即到即靠率等于即到即靠船数/预排计划内所有的船数；

式中，s_i表示船舶i是否为即到即靠：s_i＝1,船舶i为即到即靠船舶；s_i＝0,其他，V为待排计划船舶集合，i∈V；

所述单船窗口效率兑现率等于单船的作业量除以单船作业时长，再除以目标值；

式中，V₁表示干线船集合，V₂表示支线船集合；N₁表示干线船单船窗口效率目标值，N₂表示支线船单船窗口效率目标值。

6.根据权利要求1或5所述的多种类型泊位智能指泊方法，其特征在于，所述第一生成方式采用模拟人工计划方式。

7.根据权利要求6所述的多种类型泊位智能指泊方法，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范围集合，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种方式，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。

8.根据权利要求7所述的多种类型泊位智能指泊方法，其特征在于，所述第三生成方式采用随机生成方式：将待排计划船舶视作一个船舶集合，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范围集合，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，选取米位规则为随机，进行停靠位置和时间的分配，对待排计划船舶依次计算，结合岸机数量的随机调整，增加随机方法生成的结果集。

9.根据权利要求8所述的多种类型泊位智能指泊方法，其特征在于，所述步骤400包括以下步骤：

步骤401，算术交叉算子用于父代靠泊米位及岸机数量的交叉操作，即对父代的米位及岸机数量，分别进行线性组合，进而产生新的子代的米位及岸机数量的过程；交叉算子定义如下式：

子代＝ω×父代1+(1-ω)×父代2

其中ω为[0，1]之间的随机数；

步骤402，在步骤401的基础上，随机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；

步骤403，针对靠泊米位、岸机数量及靠泊时刻三维编码设计变异操作：在步骤401、402的基础上，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，若该随机数小于变异概率p_m,则对该点位进行变异操作，变异规则如下式：

其中，U和L分别表示该点位可变异的上、下界范围；rand表示一个0到1之间的随机数；G为当前算法的迭代次数；T为算法设定的最大迭代次数；step表示变异操作的步长。

Images