CN116090799A - 一种针对复杂散粮作业的码头生产调度方法及系统 - Google Patents

一种针对复杂散粮作业的码头生产调度方法及系统 Download PDF

Info

Publication number
CN116090799A
CN116090799A CN202310374700.6A CN202310374700A CN116090799A CN 116090799 A CN116090799 A CN 116090799A CN 202310374700 A CN202310374700 A CN 202310374700A CN 116090799 A CN116090799 A CN 116090799A
Authority
CN
China
Prior art keywords
ship
berth
scheduling
bulk grain
port
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
Application number
CN202310374700.6A
Other languages
English (en)
Inventor
王雪琳
石浛锟
鲁东起
周鸿茂
卢宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202310374700.6A priority Critical patent/CN116090799A/zh
Publication of CN116090799A publication Critical patent/CN116090799A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06Q10/06—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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/0633—Workflow 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Ship Loading And Unloading (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明属于港口生产运营技术领域，公开了一种针对复杂散粮作业的码头生产调度方法及系统：步骤1、以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；步骤2、采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；步骤3、根据最优计划安排泊位和堆场。本发明解决了散粮生产调度计划精准度低、码头的各种资源利用率低、泊位选择不合理的问题。

Description

一种针对复杂散粮作业的码头生产调度方法及系统
技术领域
本发明属于港口生产运营技术领域，具体涉及一种针对复杂散粮作业的码头生产调度方法及系统。
背景技术
散粮码头协同优化调度目标应确保装卸计划的顺利执行，充分利用堆场和泊位的自身条件，更好地利用现有泊位。并考虑堆场内货物进出堆场、装卸作业的便捷性，符合不同优先级船舶装卸效率的要求。同时，应减少水平搬运距离、减少装卸和搬运次数，降低作业劳动水平。作业路线和调度计划也应满足安全性的要求。
随着港口行业建设发展不断加快，对散粮码头吞吐量需求增加，如何合理高效制定散粮生产调度计划，提高港口效率和综合竞争力成为港口企业面临的重要难题。散粮码头具有货物种类繁多、数量巨大、作业流程复杂等特性，其调度效率为影响整个码头经济效益的关键。目前散粮码头的调度方法大多采用基于人工经验的传统调度方法。这种调度方法主要依据调度经验，根据现场的实际情况，人为指定泊位、堆场等。传统调度方法适用于码头吞吐量相对较少的情况，但是随着船舶数量加大与货物种类增多，传统调度方法编制的计划精准度降低，导致资源利用率低、泊位选择不合理等问题，单纯依靠经验的调度已无法适应码头复杂的动态变化。如何充分利用码头的各种资源实现调度效率最大化成为散粮码头热点关注的问题。采用高效智能的调度模式，增强港口信息化水平，提高装卸作业效率将成为我国港口进一步发展的重点。随着港口企业之间的竞争不断加剧，提供优质的服务和智能化的功能已成为港口企业间竞争的重要手段。因此在进行港口调度方案研究时，除了考虑港口自身作业成本和装卸效率外，还应考虑船舶、客户和运输公司的提、卸货效率等多种因素。目前对对于散粮码头的调度研究还尚且不足，需要进一步分析研究。
发明内容
针对上述提出的技术问题，本发明提供一种针对复杂散粮作业的码头生产调度方法及系统。
第一方面，本发明提供了一种针对复杂散粮作业的码头生产调度方法，该方法包括：
步骤1、将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；
步骤2、采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；
步骤3、根据最优计划安排泊位和堆场。
具体地，散粮码头多资源协调度模型A的计算公式如下：
，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
具体地，港口吞吐量的表达式如下：
，
港口泊位利用率的表达式如下：
 ，
船舶在港总时间的表达式如下：
 ，
运输机械行驶距离的表达式如下：
 ，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
具体地，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足上述约束条件，若不满足，则返回步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回步骤22；若满足，则输出最优解集。
具体地，粒子群算法的求解公式为：
 ，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
第二方面，本发明还提供了一种针对复杂散粮作业的码头生产调度系统，该系统包括：
模型构造模块，将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；
最优计划确定模块，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；
调度执行模块，根据最优计划安排泊位和堆场。
具体地，散粮码头多资源协调度模型A的计算公式如下：
，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
具体地，港口吞吐量的表达式如下：
，
港口泊位利用率的表达式如下：
，
船舶在港总时间的表达式如下：
，
运输机械行驶距离的表达式如下：
，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
具体地，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足上述约束条件，若不满足，则返回步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回步骤22；若满足，则输出最优解集。
具体地，粒子群算法的求解公式为：
，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
本发明公开一种针对复杂散粮作业的码头生产调度方法及系统，与现有技术相比，本发明的有益效果至少如下所述：
1、提高泊位和堆场的利用率，充分考虑堆场作业需要，以及散粮货物进出堆场以及生产作业的便捷性，减少运输行驶距离，优化调度方式；
2、对散粮码头的设备资源合理有效安排，考虑不同优先级船舶装卸效率的要求，提高散粮码头调度的生产作业效率；
3、结合泊位和堆场以及流程等多重影响因素，以及散粮货物类型多样，包装方式、存储条件和装卸方式不同，构建适合散粮运输的调度系统；
4、通过科学的计算方法将港口生产流程和调度结合在一起，结合实际生产情况，制定高效的调度方案；
5、减少了码头调度人员的工作量，优化了操作流程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的一种针对复杂散粮作业的码头生产调度方法的流程图；
图2为本发明的一种针对复杂散粮作业的码头生产调度系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明经行进一步的详细说明。显然，此处所描述的具体实施例仅仅用于解释本发明，是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术普通人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，若本发明实施例中有涉及“第一”、 “第二”等的描述，则该“第一”、 “第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、 “第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
图1所示是本发明提供的一种针对复杂散粮作业的码头生产调度方法的一个实施例的流程图，该流程图具体包括：
步骤1、将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A。
根据本发明的一个实施例，上述散粮码头多资源协调度模型A的模型假设为：
1）任意时刻，某一泊位只能停靠一艘船舶，同时一艘船舶也只能停靠一个泊位；
2）船舶选择泊位靠泊时，船舶的长度小于泊位的长度，船舶的吃水深度小于泊位的深度；
3）每个堆位只允许堆放一票货物，货物重量如果高于堆场的最大容量，货物需要按照堆场容量进行拆分；
4）散粮码头中相同种类的机械有相同的作业效率，并且不存在装卸机械等待运输机械的情况；
5）装载同一种货物的所有船舶应按照先来先服务的原则靠泊；
6）船舶靠泊后，装卸机械就开始作业，作业完毕就离港，不存在中途作业终止；
7）港口堆场总量、港口作业人员及作业机械满足需要；
8）计划天数内来港卸货船舶信息以及已知装载货物信息；
9）散粮堆场的最大容量大于船舶最大的载货量。
具体地，散粮码头多资源协调度模型A的计算公式如下：
，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
具体地，港口吞吐量的表达式如下：
，
港口泊位利用率的表达式如下：
，
船舶在港总时间的表达式如下：
，
运输机械行驶距离的表达式如下：
，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
通过合理的安排泊位和堆场，可以减少船舶在港口的停留时间，使后续的船舶能够尽快抵港作业，提高港口的整体作业效率。
步骤2、采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划。
具体地，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足上述约束条件，若不满足，则返回步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回步骤22；若满足，则输出最优解集。
检查种群在步骤26中生成的pareto最优解集是否满足预先设置的迭代终止条件，若满足，则将步骤25输出的最优解集输出作为寻优结果，否则返回步骤22继续迭代。
粒子群算法可以描述成在一个h维空间中，存在n个代表问题解的粒子组成的一个种群K={X1,X2,…,XN},n为第i个粒子在h维解空间的一个矢量点。用V表示第i个粒子搜索的最优点，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置。除了最优位置以外，粒子还有速度变量，可以用Utj表示,其中Ut={Ut1,Ut2,…,Utj},i=1,2,…,n。
具体地，粒子群算法的求解公式为：
，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
将散粮码头的调度问题是一个多目标优化问题，本发明采用基于Pareto方法的粒子群算法，该算法形式简洁、参数调节机制灵活、收敛速度快已经成为广泛采用的算法之一。本发明将粒子编码设计中的调度问题分成泊位调度和堆场调度两部分，将泊位调度与堆场调度分别编码编号，处理约束条件，建立散粮码头为调度本体，对泊位和堆场约束条件进行分析，得到约束矩阵，求得粒子的适应度值，然后求得粒子群的最优解集，通过更新粒子的速度和位置，更新解集，进而最后求得输出最优解集。
步骤3、根据最优计划安排泊位和堆场。
图2所示是本发明提供的一种针对复杂散粮作业的码头生产调度系统的一个实施例的结构示意图。如图2所示，该系统包括：
模型构造模块，将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；
最优计划确定模块，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；
调度执行模块，根据最优计划安排泊位和堆场。
具体地，散粮码头多资源协调度模型A的计算公式如下：
，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
具体地，港口吞吐量的表达式如下：
，
港口泊位利用率的表达式如下：
，
船舶在港总时间的表达式如下：
，
运输机械行驶距离的表达式如下：
，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
具体地，采用基于Pareto方法的粒子群算法对散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足上述约束条件，若不满足，则返回步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回步骤22；若满足，则输出最优解集。
具体地，粒子群算法的求解公式为：
，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
以上上述的实施例仅表达了本发明的实施优选方式，其描述较为具体和详细，但并不能因此而理解为对本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。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种针对复杂散粮作业的码头生产调度方法，其特征在于，包括如下步骤：
步骤1、将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；
步骤2、采用基于Pareto方法的粒子群算法对所述散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；
步骤3、根据所述最优计划安排泊位和堆场。
2.根据权利要求1所述的一种针对复杂散粮作业的码头生产调度方法，其特征在于，所述散粮码头多资源协调度模型A的计算公式如下：
，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
3.根据权利要求2所述的一种针对复杂散粮作业的码头生产调度方法，其特征在于，所述港口吞吐量的表达式如下：
，
所述港口泊位利用率的表达式如下：
 ，
所述船舶在港总时间的表达式如下：
，
所述运输机械行驶距离的表达式如下：
，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
4.根据权利要求1所述的一种针对复杂散粮作业的码头生产调度方法，其特征在于，采用基于Pareto方法的粒子群算法对所述散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足所述约束条件，若不满足，则返回所述步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回所述步骤22；若满足，则输出最优解集。
5.根据权利要求4所述的一种针对复杂散粮作业的码头生产调度方法，其特征在于，粒子群算法的求解公式为：
 ，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
6.一种针对复杂散粮作业的码头生产调度系统，其特征在于，包括：
模型构造模块，将计划周期内船舶是否停靠在泊位上、计划周期内货物是否卸载到堆场、计划周期内货物是否装载到船舶、泊位与堆场间的水平距离、船舶作业等待时间、船舶在泊位上的作业时间、船舶最晚离港时间、船舶最早进入锚地等待时间、泊位长度和船舶的载货量作为调度对象，并以港口吞吐量、泊位利用率、船舶在港总时间和运输机械行驶距离为目标构造散粮码头多资源协调度模型A；
最优计划确定模块，采用基于Pareto方法的粒子群算法对所述散粮码头多资源协调度模型A进行求解，得到泊位调度与堆场调度的最优计划；
调度执行模块，根据所述最优计划安排泊位和堆场。
7.根据权利要求6所述的一种针对复杂散粮作业的码头生产调度系统，其特征在于，所述散粮码头多资源协调度模型A的计算公式如下：
 ，
其中，f1表示港口吞吐量，f2表示港口泊位利用率，f3表示船舶在港总时间，f4表示运输机械行驶距离，α1、α2、α3和α4为系数权重。
8.根据权利要求7所述的一种针对复杂散粮作业的码头生产调度系统，其特征在于，所述港口吞吐量的表达式如下：
，
所述港口泊位利用率的表达式如下：
 ，
所述船舶在港总时间的表达式如下：
 ，
所述运输机械行驶距离的表达式如下：
，
其中，i为船舶的编号，j为泊位的编号，J表示泊位总数，I表示船舶总数，Pi，j取值为0或1，取1表示在计划周期内船舶i靠泊在泊位上，Ci，s取值为0或1，取1表示在计划周期内将船舶i装载的货物卸载到堆场s，Ji，s取值为0或1，取1表示在计划周期内将堆场s的货物装载到船舶，lj,s为泊位j与堆场s之间的水平距离，TWi-TIi为船舶i的作业等待时间，WIi/Vj为船舶i在泊位j上的作业时间，tmax为所有船舶的最晚离港时间，gmin为所有船舶最早进入锚地等待的时间，mj为泊位j的长度，包含船舶之间的安全距离，di,z为船舶i的载货船舱z载货量，ti表示船舶i完成装卸作业的离港时间，gi表示船舶i完成装卸作业的离港时间，mj表示表示泊位j的长度。
9.根据权利要求6所述的一种针对复杂散粮作业的码头生产调度系统，其特征在于，采用基于Pareto方法的粒子群算法对所述散粮码头多资源协调度模型A进行求解，包括：
步骤21、初始化粒子群，为泊位和堆场生成约束条件；
步骤22、根据适应度函数计算每个粒子适应值，并保存每个粒子找到的个体极值和全局极值；
步骤23、构造pareto最优解集；
步骤24、在约束矩阵的限制下，对粒子进行位置和速度的更新，并对粒子进行随机变异操作；
步骤25、判断是否满足所述约束条件，若不满足，则返回所述步骤24重新更新粒子的位置和速度；若满足，则更新速度和位置，更新最优解集；
步骤26、判断是否达到预先设定的迭代次数，若不满足，则返回所述步骤22；若满足，则输出最优解集。
10.根据权利要求9所述的一种针对复杂散粮作业的码头生产调度系统，其特征在于，粒子群算法的求解公式为：
，
，
其中，b1和b2是均匀分布的随机数，取值[0,1]，表示第i个粒子的位置矢量，m表示迭代代数，i为粒子的标号，i=1,2,…,n，e1和e2表示学习因子，Wij={Wi1,Wi2,…,Wij}为种群搜寻的最优解，Vij={Vi1,Vi2,…,Vij}为全局最优位置，Utj={Ut1,Ut2,…,Utj}为速度变量。
CN202310374700.6A 2023-04-10 2023-04-10 一种针对复杂散粮作业的码头生产调度方法及系统 Pending CN116090799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310374700.6A CN116090799A (zh) 2023-04-10 2023-04-10 一种针对复杂散粮作业的码头生产调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310374700.6A CN116090799A (zh) 2023-04-10 2023-04-10 一种针对复杂散粮作业的码头生产调度方法及系统

Publications (1)

Publication Number Publication Date
CN116090799A true CN116090799A (zh) 2023-05-09

Family

ID=86212378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310374700.6A Pending CN116090799A (zh) 2023-04-10 2023-04-10 一种针对复杂散粮作业的码头生产调度方法及系统

Country Status (1)

Country Link
CN (1) CN116090799A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116107259A (zh) * 2023-04-13 2023-05-12 交通运输部水运科学研究所 一种水路运输的粮食机械化平房仓控制系统及方法
CN116720719A (zh) * 2023-08-10 2023-09-08 交通运输部水运科学研究所 基于船岸协同的危险货物集装箱堆场码头智能调度方法及系统
CN117522235A (zh) * 2024-01-05 2024-02-06 哪吒港航智慧科技(上海)有限公司 码头发运智能调度方法、系统、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278704A1 (en) * 2013-03-15 2014-09-18 Luis D. ELIZONDO System and method of shipping scheduling involving parallel port operations using prepositioned vessels
CN111898859A (zh) * 2020-06-23 2020-11-06 唐山港集团股份有限公司 一种多目标单向航道码头连续型泊位分配调度方法
CN115293697A (zh) * 2022-08-05 2022-11-04 河海大学 一种港口综合能源系统与集装箱物流系统协同调度方法
CN115907415A (zh) * 2022-12-19 2023-04-04 海南港航通用码头有限公司 基于散杂货码头智能调度系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278704A1 (en) * 2013-03-15 2014-09-18 Luis D. ELIZONDO System and method of shipping scheduling involving parallel port operations using prepositioned vessels
CN111898859A (zh) * 2020-06-23 2020-11-06 唐山港集团股份有限公司 一种多目标单向航道码头连续型泊位分配调度方法
CN115293697A (zh) * 2022-08-05 2022-11-04 河海大学 一种港口综合能源系统与集装箱物流系统协同调度方法
CN115907415A (zh) * 2022-12-19 2023-04-04 海南港航通用码头有限公司 基于散杂货码头智能调度系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
马世飞: "港口生产调度研究与管理系统开发", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 21 - 38 *
马道达: "《几种改进的智能优化算法及其应用》", 科学技术文献出版社, pages: 486 - 74 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116107259A (zh) * 2023-04-13 2023-05-12 交通运输部水运科学研究所 一种水路运输的粮食机械化平房仓控制系统及方法
CN116720719A (zh) * 2023-08-10 2023-09-08 交通运输部水运科学研究所 基于船岸协同的危险货物集装箱堆场码头智能调度方法及系统
CN116720719B (zh) * 2023-08-10 2023-09-29 交通运输部水运科学研究所 基于船岸协同的危险货物集装箱堆场码头智能调度方法及系统
CN117522235A (zh) * 2024-01-05 2024-02-06 哪吒港航智慧科技(上海)有限公司 码头发运智能调度方法、系统、电子设备及存储介质
CN117522235B (zh) * 2024-01-05 2024-03-26 哪吒港航智慧科技(上海)有限公司 码头发运智能调度方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN116090799A (zh) 一种针对复杂散粮作业的码头生产调度方法及系统
CN109784547A (zh) 一种码头岸桥与场桥协同优化调度方法
Zhang et al. Cooperative scheduling of AGV and ASC in automation container terminal relay operation mode
CN108470238B (zh) 基于图论km匹配算法的agv自动调度方法
CN112434870B (zh) 一种集装箱区垂直布置的双自动化场桥动态调度方法
CN116502866B (zh) 一种智能散货船舶计划和自动分类方法
CN110942203A (zh) 一种自动化集装箱码头agv路径优化方法
JP5728881B2 (ja) 輸送計画作成方法および輸送計画作成装置
CN115907415A (zh) 基于散杂货码头智能调度系统
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
CN107451720A (zh) 面向自动化集装箱码头的船次作业计划评价方法
Lu The optimization of automated container terminal scheduling based on proportional fair priority
CN112926873A (zh) 集装箱码头船舶配载深度学习混合训练系统
CN108596446B (zh) 受集装箱吊车任务队列约束的港内集卡派发方法
CN117252509A (zh) 基于商品库存压力的水运排船方法及装置
Zhang et al. Optimising feeder routing for container ships through an electronic chart display and information system
Henesey et al. A market-based approach to container port terminal management
Chen et al. Research on integrated scheduling optimization of double-trolley quay crane and AGV in automated terminal
Homayouni et al. Energy-Efficient Scheduling of Intraterminal Container Transport
CN113743739B (zh) 一种基于混合整数规划、组合优化算法的agv调度方法
CN113780800A (zh) 一种基于连续有序调度的多船岸桥调度方法
Souffriau et al. The aircraft weight and balance problem
CN112561434A (zh) 一种传统集装箱码头联合调度方法和辅助调度系统
Liu et al. The layout strategy of container yard and comparative analysis under double cycling process
CN112559951A (zh) 集装箱运输agv调度方法、设备、电子终端及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230509

RJ01 Rejection of invention patent application after publication