CN116258063A - 基于遗传算法的港口作业最优路径规划仿真方法及系统 - Google Patents
基于遗传算法的港口作业最优路径规划仿真方法及系统 Download PDFInfo
- Publication number
- CN116258063A CN116258063A CN202310015822.6A CN202310015822A CN116258063A CN 116258063 A CN116258063 A CN 116258063A CN 202310015822 A CN202310015822 A CN 202310015822A CN 116258063 A CN116258063 A CN 116258063A
- Authority
- CN
- China
- Prior art keywords
- port operation
- module
- simulation
- port
- optimal path
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 121
- 238000013439 planning Methods 0.000 title claims abstract description 119
- 230000002068 genetic effect Effects 0.000 title claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006854 communication Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 104
- 238000003860 storage Methods 0.000 claims description 49
- 210000000349 chromosome Anatomy 0.000 claims description 29
- 239000000446 fuel Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000013515 script Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 5
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 5
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000004557 technical material Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- 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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Abstract
本发明具体公开了一种基于遗传算法的港口作业最优路径规划仿真方法，包括：S1，设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围；S2，对待规划的港口作业路径进行编码操作；S3，藉由遗传算法进行港口作业最优路径规划仿真；S4，输出港口作业最优路径的仿真结果。本发明又具体公开了一种基于遗传算法的港口作业最优路径规划仿真系统，包括：中央控制软件模块、参数集处理软件模块、阈值校验软件模块、仿真推演结果分析软件模块、数据存储处理软件模块和远程通信处理软件模块。本发明能快速精准地获得港口作业最优作业路径，从整体上提高港口自动化堆场的运营效率、资源配置能力、仿真准确性以及可信度。
Description
技术领域
本发明涉及港口信息管理技术领域，具体涉及基于遗传算法的港口作业最优路径规划仿真方法及系统。
背景技术
集装箱码头是港口中专门存放集装箱的地方，它是港口的一个重要组成部分，它在整个港口的运作过程中扮演着举足轻重的角色，因此，码头的资源分配将直接关系到整个港口的运营效率，在作业之前需要通过合理规划仿真港口作业路径，通过仿真模拟出一条最优的作业路径，以此优化集装箱港口堆场的资源配置；
国内对于港口作业最优路径规划仿真研究起步比较晚，现有的理论与技术还不够成熟，在实际中规划的最优路径距离比较长，并且传统算法计算时间比较长，传统算法已经无法满足实际需求，为此提出基于遗传算法的港口作业最优路径规划仿真研究。
发明内容
有鉴于此，有必要针对上述的问题，提出一种基于遗传算法的港口作业最优路径规划仿真方法及系统，以解决上述背景技术中如何在满足港口作业最大经济利益的前提下缩短港口作业最优路径规划的路径、提高港口作业最优路径规划仿真的计算效率以及提高港口作业最优路径规划仿真系统软件运行效率的技术问题，从而快速、精准地获得港口作业最优作业路径，从整体上提高港口自动化堆场的运营效率、资源配置能力、仿真准确性以及可信度。
为实现上述目的，本发明采取以下的技术方案：
本发明提出一种基于遗传算法的港口作业最优路径规划仿真方法，包括以下步骤：
S1，设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围；
S2，对待规划的港口作业路径进行编码操作；
S3，藉由遗传算法进行港口作业最优路径规划仿真；
S4，输出港口作业最优路径的仿真结果。
进一步地，S1包括以下步骤：
S11，设置全局参数，全局参数包括船舶吨位值范围、岸桥起吊设备数量值范围、集装箱卡车吨位值范围；
S12，设置仿真界面参数值，仿真界面参数值包括岸桥起吊设备的大车速度、小车速度、吊具空载上升速度、吊具带载上升速度、吊具载货下降速度和吊具空载下降速度。
进一步地，于S2与S3之间还设有一步骤如下：
S23，采用有向图对最优路径规划仿真问题进行描述，建立港口作业路径模型，其用公式表示为：
公式(1)中，A表示港口作业最优路径规划仿真问题有向图，即港口作业路径模型；C表示路径节点集合，包括拐点、交叉点以及转移点；K表示待运输集装箱的堆场箱区编号，P表示目标点位置。
进一步地，S3包括以下步骤：
S31，建立港口作业最优路径规划仿真目标函数；
S32，藉由于S31建立的港口作业最优路径规划仿真目标函数对港口作业情况进行约束；
S33，建立所述目标函数的适应度函数从而获得遗传物种染色体适应度值；
S34，进行仿真过程的编码处理、确定遗传物种规模、物种交叉及物种变异处理，从而获得港口作业最优路径规划仿真目标函数的最优解，即得到港口作业最优路径规划仿真结果。
进一步地，S31包括以下步骤：
S311，藉由指数函数将港口作业距离尺度转换，建立作业路径最短目标函数如下：
公式(2)中，minH表示港口作业路径最短子目标函数；D1表示避障时间；D2表示实际总作业时间；E表示堆场箱区到船舶的直线距离；
并藉由指数函数将作业时间基础目标值放大，建立作业时间最短子目标函数如下：
公式(3)中，minT表示港口作业时间最短子目标函数；t1表示作业车辆转弯、避障所用的时间；t2表示港口作业要求时间；
并建立最少燃油消耗子目标函数如下：
公式(4)中，minL表示港口作业燃油消耗最少子目标函数；q1表示港口作业路径距离；e表示港口作业时间；q2表示燃油消耗系数；X表示全程燃油消耗总量；
S312，将作业路径最短目标函数、作业时间最短子目标函数、最少燃油消耗子目标函数整合在一起，建立港口作业最优路径规划仿真目标函数：
f(x)＝∑minH·minT·minL(5)
公式(5)中，f(x)表示港口作业最优路径规划仿真目标函数。
进一步地，于S32中，对于S31建立的港口作业最优路径规划仿真目标函数设立第一约束条件公式和第二约束条件公式，藉由第一约束条件公式和第二约束条件公式对港口作业情况进行约束；第一约束条件公式用于保证在规划时间内指定的集装箱均能完成装卸，第二约束条件公式用于保证运输到船舶的集装箱数量不超过堆场箱区容量；
第一约束条件公式如下：
公式(6)中，V表示堆场箱区待装卸集装箱数量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；
第二约束条件公式如下：
公式(7)中，Q表示堆场箱区容量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；所述公式(6)、(7)均表明了目标函数的取值范围。
进一步地，于S33中，藉由一适应度函数计算遗传物种染色体适应度值，适应度函数如下：
公式(8)中，μ表示遗传物种染色体适应度值；m表示染色体数量；ε表示遗传物种染色体中不同基因的数目；ω表示遗传基因在染色体中出现的概率；σ表示整个遗传物种中染色体的平均基因值。
进一步地，于34中，通过编码处理将目标函数求解问题转化为计算机能够识别的语言，港口作业路径的编码为船舶和堆场箱区节点不同顺序的组合。
本发明提出一种基于遗传算法的港口作业最优路径规划仿真系统，该系统包括：中央控制软件模块、参数集处理软件模块、阈值校验软件模块、仿真推演结果分析软件模块、数据存储处理软件模块和远程通信处理软件模块；
中央控制软件模块用于控制系统流程的所有数据的输出、输入及计算；
参数集处理软件模块用于处理系统流程的参数集；
阈值校验软件模块用于设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围，对待规划的港口作业路径进行编码操作，藉由遗传算法进行港口作业最优路径规划仿真；
仿真推演结果分析软件模块用于输出港口作业最优路径的仿真结果；
数据存储处理软件模块用于处理数据的存储、运行校验、故障分类、即时存储和/或路径传送的过程；
远程通信处理软件模块用于处理与外界通信设备进行数据交互的通信过程。
进一步地，参数集处理软件模块包括参数集控制软件子模块、编码功能软件子模块、初始物种转换软件子模块和参数集计算软件子模块；
参数集控制软件子模块用于根据群体大小范围、遗传算法的终止进化代数范围、交叉概率范围、变异概率范围提前设定遗传算法的参数；
编码功能软件子模块用于通过遗传算法的编码实现了问题的解空间对算法搜索空间的相互转换；
初始物种转换软件子模块用于随机生成初始的种群，并对初始种群进行区间估计及赋值；
参数集计算软件子模块用于实现遗传算法的遗传、变异及演变的过程；
所述阈值校验软件模块包括计算适应软件子模块、阈值设定软件子模块、适应度比对软件子模块和稳态校验软件子模块；
计算适应软件子模块用于定义阀值校验的优劣界限；
阈值设定软件子模块用于设定适合度中的阀值，当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则遗传算法的迭代过程收敛、算法结束，否则用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到选择操作处继续循环执行；
适应度比对软件子模块用于通过适应度函数值大小对给一个待评价个体进行定量评价；
稳态校验软件子模块用于确保每一代父代的最优值；
所述仿真推演结果分析软件模块包括种群类别模块、接口端子处理软件子模块、序列处理软件子模块和脚本条件软件子模块；
种群类别模块用于确定各个群种取不同的控制参数；
接口端子处理软件子模块用于仿真程序运行的模拟端；
序列处理软件子模块用于保持仿真推演结果分析软件模块的数据输入顺序；
脚本条件软件子模块用于支持仿真推演结果分析软件模块的参数脚本。
本发明的有益效果为：
本发明基于遗传算法的港口作业最优路径规划仿真，采用有向图对最优路径规划仿真问题进行描述，建立港口作业路径模型，提出问题假设，以路径最短、作业时间最短、燃油消耗最少作为目标建立目标函数，设定相应约束条件，利用遗传算法对最优路径规范仿真计算，求出函数最优解，经实验证明，设计算法规划路径比较短，并且规划用时也相对比较短，具有良好的适用性，解决了传统算法规划的港口作业最优路径距离较长，并且规划用时也比较长的问题。
附图说明
包含附图以提供对本发明的进一步理解，并且附图并入本说明书中并构成本说明书的一部分。附图示出了本发明的示例性实施例，并且与说明书一起用于解释本发明的原理。这些图仅用于说明，因此并不是对本发明的限制。
图1为本发明的一种基于遗传算法的港口作业最优路径规划仿真方法的工作流程图；
图2为本发明的一种基于遗传算法的港口作业最优路径规划仿真方法涉及S23的工作流程图；
图3为本发明的一种基于遗传算法的港口作业最优路径规划仿真方法涉及S1的展开工作流程图；
图4为本发明的一种基于遗传算法的港口作业最优路径规划仿真方法涉及S3的展开工作流程图；
图5为本发明的一种基于遗传算法的港口作业最优路径规划仿真方法涉及S31的展开工作流程图；
图6为本发明的一种基于遗传算法的港口作业最优路径规划仿真系统的结构原理图；
图7为本发明的一种基于遗传算法的港口作业最优路径规划仿真系统涉及的参数集处理软件模块的结构原理图；
图8为本发明的一种基于遗传算法的港口作业最优路径规划仿真系统涉及的阈值校验软件模块的结构原理图；
图9为本发明的一种基于遗传算法的港口作业最优路径规划仿真系统涉及的仿真推演结果分析软件模块的结构原理图；
图10为本发明涉及的港口作业路径模型示意图；
图11为本发明涉及的港口作业最优路径规划仿真结果示意图；
图12为本发明涉及的基于遗传算法的港口作业最优路径规划仿真流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明的技术方案作进一步清楚、完整地描述。需要说明的是，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
“第一”、“第二”、“第三”、“第四”等术语仅用于描述目的，而不能理解为指示或暗示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”、“第三”、“第四”特征可以明示或者隐含地包括一个或者更多个该特征。
以下是在附图中描绘的本发明的实施例的详细描述。实施例是详细的以便清楚地传达本发明。然而，所提供的细节数量并不旨在限制实施例的预期变化；相反，其目的是涵盖落入由所附权利要求限定的本发明的精神和范围内的所有修改、等同物和替代物。
在以下描述中，阐述了许多具体细节以便提供对本发明实施例的透彻理解。对于本领域技术人员显而易见的是，可以在没有这些具体细节中的一些的情况下实施本发明的实施例。
本发明的实施例包括各种步骤，下面将对其进行描述。这些步骤可以由硬件组件执行，或者可以包含在机器可执行指令中，其可以用于使用指令编程的通用或专用处理器以执行这些步骤。或者，可以通过硬件、软件和固件的组合和/或人工操作员来执行步骤。
可以通过将包含根据本发明的代码的一个或多个机器可读存储介质与适当的标准计算机硬件组合以执行其中包含的代码来实践本文描述的各种方法。用于实施本发明的各种实施例的装置可以包括一个或多个计算机(或单个计算机内的一个或多个处理器)和包含或具有对根据本文描述的各种方法编码的计算机程序的网络访问的存储系统，并且本发明的方法步骤可以通过计算机程序产品的模块、例程、子例程或子部分来完成。
如果说明书陈述了组件或特征“可以”、“能够”、“可以”或“可能”包括或具有特征，则不需要包括该特定组件或特征或具有该特征。
如本文的说明书和随后的权利要求中所使用的，“一”、“一个”和“该”的含义包括复数指代，除非上下文另有明确说明。此外，如在本文的描述中所使用的，除非上下文另有明确规定，否则“在...中”的含义包括“在...中”和“在......上”。
现将在下文中参考附图更全面地描述示例性实施例，其中示出了示例性实施例。提供这些示例性实施例仅用于说明目的，并且以使得本发明彻底和完整，并且将本发明的范围完全传达给本领域普通技术人员。然而，所公开的发明可以以许多不同的形式实施，并且不应该解释为限于本文中所阐述的实施例。对于本领域技术人员来说，各种修改是显而易见的。在不脱离本发明的精神和范围的情况下，本文定义的一般原理可以应用于其他实施例和应用。此外，本文叙述的本发明的实施例及其具体示例的所有陈述旨在涵盖其结构和功能等同物。另外，这些等同物旨在包括当前已知的等同物以及将来开发的等同物(即，开发的执行相同功能的任何元件，而不管结构如何)。而且，所使用的术语和措辞是出于描述示例性实施例的目的，而不应认为是限制性的。因此，本发明将被赋予最广泛的范围，包括与所公开的原理和特征一致的多种替换、修改和等同物。为了清楚起见，没有详细描述与本发明相关的技术领域中已知的技术材料的细节，以免不必要地模糊本发明。
因此，例如，本领域普通技术人员将理解，示意图、原理图，图示等表示体现本发明的系统和方法的概念视图或过程。可以通过使用专用硬件以及能够执行相关软件的硬件来提供图中所示的各种元件的功能。类似地，图中所示的任何开关仅是概念性的。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或甚至手动地执行，特定技术可由实现本发明的实体选择。本领域普通技术人员应进一步理解，本文描述的示例性硬件、软件、过程、方法和/或操作系统是出于说明性目的，因此不旨在限于任何特定的所命名的元件。
本发明的实施例可以提供作为计算机程序产品，其可以包括有形地在其上实现指令的机器可读存储介质，其可以用于对计算机(或其他电子设备)进行编程以执行处理。术语“机器可读存储介质”或“计算机可读存储介质”包括但不限于固定(硬件)驱动器、磁带、软盘、光盘、光盘只读存储器(CD-ROM))和磁光盘、半导体存储器，例如ROM、PROMs、随机存取存储器(RAM)、可编程只读存储器(PROMs)、可擦除PROMs(EPROMs)、电可擦除PROMs(EEPROMs)、闪存、磁性或者光学卡，或适用于存储电子指令的其他类型的媒体/机器可读介质(例如，计算机编程代码，例如软件或固件)。机器可读介质可以包括非暂时性介质，其中数据可以存储并且不包括无线或有线连接传播的载波和/或瞬时电子信号。非暂时性介质的示例可以包括但不限于磁盘或磁带，光学存储介质诸如压缩盘(CD)或数字通用盘(DVD)，闪存，存储器或存储器设备。计算机程序产品可以包括代码和/或机器可执行指令，其可以表示过程、功能、子程序、程序、例程、子例程、模块、软件包、类或指令、数据结构或程序语句的任何组合。通过传递和/或接收信息、数据、变量、参数或存储器内容，代码段可以与另一代码段或者硬件电路耦合。信息、变量、参数、数据等可以通过任何合适的手段传递、转发或传输，包括存储器共享、消息传递、令牌传递、网络传输等。
此外，实施例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合来实现。当在软件、固件、中间件或微代码中实现时，执行必要任务的程序代码或代码段(例如，计算机程序产品)可以存储在机器可读介质中。处理器可以执行必要的任务。
可以以各种配置提供一些附图中描绘的系统。在一些实施例中，系统可以配置为分布式系统，其中系统的一个或多个组件分布在云计算系统中的一个或多个网络上。
所附权利要求中的每一个限定了一项单独的发明，出于侵权目的，该发明认为包括权利要求中指定的各种元件或限制的等同物。根据上下文，以下对“发明”的所有引用在某些情况下可能仅指某些特定实施例。在其他情况下，应该认识到对“发明”的引用将指代一个或多个但不一定是所有权利要求中所述的主题。
除非本文另有说明或上下文明显矛盾，否则本文所述的所有方法可以以任何合适的顺序进行。关于本文的某些实施例提供的任何和所有示例或示例性语言(例如，“诸如”)的使用仅旨在更好地说明本发明，而不是对要求保护的本发明的范围构成限制。说明书中的任何语言都不应解释为表示对于本发明的实施必不可少的任何未要求保护的元件。
本文使用的各种术语如下所示。在下面没有定义权利要求中使用的术语的情况下，应该给出最广泛的定义，相关领域的人员已经给出了在提交申请时在印刷出版物和已授权专利中的反映的该术语。
实施例1
如图1所示，本实施例提出一种基于遗传算法的港口作业最优路径规划仿真方法，包括以下步骤：
S1，设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围；
S2，对待规划的港口作业路径进行编码操作；具体地，路径编码操作的节点共8个，使用1-8对节点编码；
S3，藉由遗传算法进行港口作业最优路径规划仿真；具体地，计算适应度，计算遗传种群适应度值，并进行交叉、变异；
S4，输出港口作业最优路径的仿真结果。
具体地分析，按照上述步骤得到最终仿真结果如图11所示，从图11可以看出，采用本次设计算法规划的路径拐点比较少，仅为4个，而两种传统算法规划的路径拐点比较多，分别为7个和8个，说明规划的路径比较简短，其次，路径距离也相对比较短，根据三种算法规划结果，记录了8次规划仿真中路径距离，具体如下表1所示(表1为本发明涉及的设计算法与两种传统算法的规划路径长度数据对比表)，通过对下表1中数据分析，可以得出以下结论：设计算法规划的港口作业路径比较短，规划的路径长度与实际最短路径长度基本接近，最大规划误差仅为1.04m，最短规划误差为0.01m，数值较小，基本可以忽略不计，说明本次设计算法收敛性较高，规划精度较高；而两种传统算法规划的港口作业路径相对比较长，规划的路径长度与实际最短路径长度差距较大，传统算法a与传统算法b在本次实验中最大规划误差分别为648.64m、689.15m，最小规划误差分别为468.26m、496.86m，均远远高于设计算法，因此证明，在规划精度方面设计算法优于两种传统算法；为了进一步验证本次设计算法的适用性，根据仿真数据记录三种算法规划时间，规划时间以算法开始计算为起始时间，以输出最优规划策略为结束时间，实验共记录了70次规划时间数据，如下表2所示(表2为本发明涉及的设计算法与两种传统算法的规划时间数据对比表)，从下表2可以看出，设计算法对于港口作业最优路径规划用时比较短，计算速度比较快，平均规划用时为0.15s；而两种传统算法对于港口作业最优路径规划用时相对比较长，计算速度比较慢，平均规划时间为3.45s、4.12s，均高于设计算法，因此实验结果证明了，无论在精度方面还是在计算速度方面，设计算法都具有较高的优势，更适用于港口作业最优路径规划。
表1
表2
如图1、图3所示，于本实施例进一步地，S1包括以下步骤：
S11，设置全局参数，全局参数包括船舶吨位值范围、岸桥起吊设备数量值范围、集装箱卡车吨位值范围；具体地，全局参数设置为：船舶最小吨位值——15.5t，船舶最小吨位值——25.5t，岸桥最小数量——1，岸桥最大数量——10，集卡最小值吨位值——5t，集卡最大值吨位值——10t；
S12，设置仿真界面参数值，仿真界面参数值包括岸桥起吊设备的大车速度、小车速度、吊具空载上升速度、吊具带载上升速度、吊具载货下降速度和吊具空载下降速度；具体地，仿真界面参数值设定为：岸桥大车速度——0.6M/S，岸桥小车速度——3.2M/S，岸桥吊具空载上升速度——1.2M/S，岸桥吊具带载上升速度——0.4M/S，龙门吊吊具载货下降速度——1.2M/S，门吊吊具空载下降速度——2.4M/S，龙门吊吊具载货上降速度——1.2M/S，门吊吊具空载上降速度——2.4M/S。
如图1、图2所示，于本实施例进一步地，于S2与S3之间还设有一步骤如下：
S23，采用有向图对最优路径规划仿真问题进行描述，建立港口作业路径模型，其用公式表示为：
A＝(C,K,P)(1)
公式(1)中，A表示港口作业最优路径规划仿真问题有向图，即港口作业路径模型；C表示路径节点集合，包括拐点、交叉点以及转移点；K表示待运输集装箱的堆场箱区编号，P表示目标点位置。
具体地，目标点位置采用设定堆放节点的形式，对港口作业环境描述，建立的港口作业路径模型如图10所示。
具体地，建立港口作业路径模型的原由为：港口作业最优路径规划仿真问题可以描述为在已知港口，有一定已知数量和位置的待运输集装箱的堆场箱区，堆场箱区集装箱数量和港口货物需求量，将堆场箱区的集装箱货物运输到港口船舶上，根据以上分析，采用有向图对最优路径规划仿真问题进行描述。
如图1、图4所述，于本实施例进一步地，S3包括以下步骤：
S31，建立港口作业最优路径规划仿真目标函数；
S32，藉由于S31建立的港口作业最优路径规划仿真目标函数对港口作业情况进行约束；
S33，建立所述目标函数的适应度函数从而获得遗传物种染色体适应度值；
S34，进行仿真过程的编码处理、确定遗传物种规模、物种交叉及物种变异处理，从而获得港口作业最优路径规划仿真目标函数的最优解，即得到港口作业最优路径规划仿真结果。
如图1、图5所示，于本实施例进一步地，S31包括以下步骤：
S311，藉由指数函数将港口作业距离尺度转换，建立作业路径最短目标函数如下：
公式(2)中，minH表示港口作业路径最短子目标函数；D1表示避障时间；D2表示实际总作业时间；E表示堆场箱区到船舶的直线距离；
具体地，建立作业路径最短目标函数的原由为：结合以上对路径规划仿真问题的描述，对该问题作出如下假设，假设1：作业车辆一次最多只能装载或者卸载堆场箱区的一个集装箱，并且作业车辆一次只能运输堆场箱区的一个集装箱；假设2：在仿真过程中不考虑堆场箱区内倒箱或者翻箱，以及集装箱在堆场箱区的具体存放位置；假设3：港口作业时间服从均匀分布；假设4：在仿真过程中不考虑运输车辆故障、没油、没电等因素的影响，通过以上提出的假设，简化仿真算法；港口作业最优路径需要满足路径最短、作业时间最短、燃油消耗最少三个特点，因此可以看出，港口作业最优路径规划仿真问题可以转化为多目标优化问题，将路径最短、作业时间最短、燃油消耗最少为目标，建立目标函数如公式(2)；作业路径最短子目标函数的定义：由于港口作业环境比较复杂，场内大量集装箱堆放，堆场箱区数量也比较密集，在规划仿真过程中需要避开障碍物，导致港口作业路径会存在多个拐点、交叉点以及转移点，利用指数函数将港口作业距离尺度转换；
并藉由指数函数将作业时间基础目标值放大(具体地，建立作业时间最短子目标函数原由：作业时间受天气、作业环境中拐点、障碍物数量等因素影响，如果要求尽快将集装箱装运到港口船舶上，则最优路径的优化目标为最短作业时间，利用指数函数将作业时间基础目标值放大)，建立作业时间最短子目标函数如下：
公式(3)中，minT表示港口作业时间最短子目标函数；t1表示作业车辆转弯、避障所用的时间；t2表示港口作业要求时间，当t1为零时，该目标函数值即为港口作业规定时间，随着路径上障碍物、拐点数量的增加，t1值增大，目标函数值以更大的幅度增大，因此将t1变化幅度控制到最小范围，以此保证港口作业时间最短；
并建立最少燃油消耗子目标函数如下(具体地，建立最少燃油消耗子目标函数原由：燃油消耗直接关系到港口作业成本，需要考虑路径的燃油消耗情况，以此为港口带来最大的经济效益)：
公式(4)中，minL表示港口作业燃油消耗最少子目标函数；q1表示港口作业路径距离；e表示港口作业时间；q2表示燃油消耗系数；X表示全程燃油消耗总量；
S312，将作业路径最短目标函数、作业时间最短子目标函数、最少燃油消耗子目标函数整合在一起，建立港口作业最优路径规划仿真目标函数：
公式(5)中，f(x)表示港口作业最优路径规划仿真目标函数。
于本实施例进一步地，于S32中，对于S31建立的港口作业最优路径规划仿真目标函数设立第一约束条件公式和第二约束条件公式，藉由第一约束条件公式和第二约束条件公式对港口作业情况进行约束；第一约束条件公式用于保证在规划时间内指定的集装箱均能完成装卸，第二约束条件公式用于保证运输到船舶的集装箱数量不超过堆场箱区容量；
第一约束条件公式如下(具体地，建立第一约束条件的原由：根据实际情况以及需求，针对以上建立的目标函数，对港口作业情况进行约束，设定约束条件，首先要保证在规划时间内集装箱都能够完成装卸)：
公式(6)中，V表示堆场箱区待装卸集装箱数量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；
第二约束条件公式如下(具体地，建立第二约束条件的原由：要满足第一约束条件外，还要保证运输到船舶的集装箱数量不能超过堆场箱区容量)：
公式(7)中，Q表示堆场箱区容量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；所述公式(6)、(7)均表明了目标函数的取值范围。
优选的，通过对目标函数最优解求解，即得到港口作业最优路径规划仿真结果，上文建立的目标函数具有非线性特性，故选择遗传算法对最优路径规范仿真计算，求出函数最优解，仿真过程需要编码操作、确定遗传物种规模、物种交叉、物种变异等，其具体仿真流程如图12所示。
具体地，如图12所示，通过编码操作将目标函数求解问题转化为计算机能够识别的语言，港口作业路径编码实际是船舶和堆场箱区节点不同顺序的组合，此次选择自然数编码的方式，使用“0”表示船舶，由数字1-n表示堆场箱区节点，为了后面遗传物种迭代，在上述基础上生成初始遗传物种，通常情况下初始遗传物种数量要在100-300范围内，以此避免在遗传物种交叉、变异过程中陷入局部最优，在生成初始遗传物种时，将物种染色体列数设定为0，以此生成港口作业路径集合，利用染色体列数为0将路径中的各个子路径分隔开来，利用适用度判断遗传物种染色体的好与坏，以此评价作业路径集合中各个子路径，利用适应度函数计算物种染色体适应度。
于本实施例进一步地，于S33中，藉由一适应度函数计算遗传物种染色体适应度值，适应度函数如下：
公式(8)中，μ表示遗传物种染色体适应度值；m表示染色体数量；ε表示遗传物种染色体中不同基因的数目；ω表示遗传基因在染色体中出现的概率；σ表示整个遗传物种中染色体的平均基因值。
具体地，适应度值越高表示染色体遗传基因越好，遗传给下一代的可能性越大，在此基础上，对遗传物种进行交叉，生成新的遗产物种，在此设定一个阈值，选择适应度值大于阈值的遗传物种作为迭代种群，进行下一次迭代，在完成交叉操作之后，将遗传物种中染色体进行互换变异，即将每个物种中适应度值最大的染色体进行组合，生成新的染色体序列，变异操作完成后，检验是否满足终止条件，如果满足则输出变异后的染色体序列，即最优作业路径，如果没有满足终止条件，则重新选择新的迭代种群，直到满足条件为止，以此得到最优路径规划策略，进而完成路径规划仿真。
如图1所示，于本实施例进一步地，于34中，通过编码处理将目标函数求解问题转化为计算机能够识别的语言，港口作业路径的编码为船舶和堆场箱区节点不同顺序的组合；具体地，此次选择自然数编码的方式，使用“0”表示船舶，由数字1-n表示堆场箱区节点。
实施例2
如图6所示，本实施例提出一种基于遗传算法的港口作业最优路径规划仿真系统，该系统包括：中央控制软件模块、参数集处理软件模块、阈值校验软件模块、仿真推演结果分析软件模块、数据存储处理软件模块和远程通信处理软件模块；
中央控制软件模块用于控制系统流程的所有数据的输出、输入及计算；
参数集处理软件模块用于处理系统流程的参数集；
阈值校验软件模块用于设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围，对待规划的港口作业路径进行编码操作，藉由遗传算法进行港口作业最优路径规划仿真；
仿真推演结果分析软件模块用于输出港口作业最优路径的仿真结果；
数据存储处理软件模块用于处理数据的存储、运行校验、故障分类、即时存储和/或路径传送的过程；
远程通信处理软件模块用于处理与外界通信设备进行数据交互的通信过程；具体地，在连接的系统间，通过使用模拟或数字信号调制技术进行的声音、数据、传真、图象、音频、视频和其它信息的电子传输；外界通信设备为用户移动端，具有数据通信交互操作界面。
如图7所示，于本实施例进一步地，参数集处理软件模块包括参数集控制软件子模块、编码功能软件子模块、初始物种转换软件子模块和参数集计算软件子模块；
参数集控制软件子模块用于根据群体大小范围、遗传算法的终止进化代数范围、交叉概率范围、变异概率范围提前设定遗传算法的参数；具体地，遗传算法有四个参数需要提前设定，一般在以下范围内进行设置：(1)群体大小：20～100；(2)遗传算法的终止进化代数：100～500；(3)交叉概率：0.4～0.99；(4)变异概率：0.0001～0.1；
编码功能软件子模块用于通过遗传算法的编码实现了问题的解空间对算法搜索空间的相互转换；具体地，遗传算法的编码方式有：二进制编码、自然数编码、实数编码和树形编码等，其中最常见的就是二进制编码，例如：一个长度为5的二进制串10100就可以表示为一个个体；三个二进制串010、110、111就可以表示为规模为3的群体；解码：将二进制串10100表示成问题的解为20，就是解码(解码的原因：对个体的评价需要在问题的解空间中进行)，实际上交替进行编码和解码时遗传算法的必备组成部分，实现了问题的解空间对算法搜索空间的相互转换；
初始物种转换软件子模块用于随机生成初始的种群，并对初始种群进行区间估计及赋值；具体地，初始的种群生成是随机的；在初始种群的赋值之前，尽量进行一个大概率的区间估计，以免初始种群分布在远离全局最优解的编码空间，导致遗传算法的搜索范围受到限制，同时也为算法减轻负担；
参数集计算软件子模块用于实现遗传算法的遗传、变异及演变的过程；具体地，遗传算法主要包括三方面(1)遗传：这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状；生物有了这个特征，物种才能稳定存在；(2)变异：亲代和子代之间以及子代的不同个体之间的差异，称为变异；变异是随机发生的，变异的选择和积累是生命多样性的根源；(3)生存斗争和适者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种。
如图8所示，所述阈值校验软件模块包括计算适应软件子模块、阈值设定软件子模块、适应度比对软件子模块和稳态校验软件子模块；
计算适应软件子模块用于定义阀值校验的优劣界限；具体地，计算适应软件子模块是与具体实现有密切关系的一个参数，通常需要自己实现，定义“好”与“坏”的界限；
阈值设定软件子模块用于设定适合度中的阀值，当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则遗传算法的迭代过程收敛、算法结束，否则用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到选择操作处继续循环执行；
适应度比对软件子模块用于通过适应度函数值大小对给一个待评价个体进行定量评价；具体地，每一个个体的优劣需要通过适应度函数值大小进行定量评价，个体越优越，其适应度函数值越大；适应度函数直接决定搜索群体的进化行为；
稳态校验软件子模块用于确保每一代父代的最优值；
如图9所示，所述仿真推演结果分析软件模块包括种群类别模块、接口端子处理软件子模块、序列处理软件子模块和脚本条件软件子模块；
种群类别模块用于确定各个群种取不同的控制参数；
接口端子处理软件子模块用于仿真程序运行的模拟端；接口端子具体为EMTDC接口端子；
序列处理软件子模块用于保持仿真推演结果分析软件模块的数据输入顺序；
脚本条件软件子模块用于支持仿真推演结果分析软件模块的参数脚本。
于本实施例进一步地，所述数据存储处理软件模块包括：
运行校验模块，其分为三种校验方法：(1)冗余校验方法；(2)奇偶校验法；(3)海明码校验方法；
故障分类模块，所述故障分类四类：(1)硬件故障；(2)系统故障；(3)软件故障；(4)网络故障；
存储数据模块，存储数据无论是指令、数据、图像、视频还是其他形式表达特征都以二进制进行保存；
即时储存模块，即时储存是计算机数据存储的方式之一；
路径传输模块，该模块与远程通信处理软件模块关联。
实施例3
本实施例提出一种计算机可读的介质，该介质存储有执行如实施例1任意一项所述的基于遗传算法的港口作业最优路径规划仿真方法的程序。
本发明的工作原理：
本发明基于遗传算法的港口作业最优路径规划仿真，采用有向图对最优路径规划仿真问题进行描述，建立港口作业路径模型，提出问题假设，以路径最短、作业时间最短、燃油消耗最少作为目标建立目标函数，设定相应约束条件，利用遗传算法对最优路径规范仿真计算，求出函数最优解。
以上所述实施例仅表达了本发明的几种实施方式，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)
1.一种基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，包括以下步骤：
S1，设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围；
S2，对待规划的港口作业路径进行编码操作；
S3，藉由遗传算法进行港口作业最优路径规划仿真；
S4，输出港口作业最优路径的仿真结果。
2.如权利要求1所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，S1包括以下步骤：
S11，设置全局参数，全局参数包括船舶吨位值范围、岸桥起吊设备数量值范围、集装箱卡车吨位值范围；
S12，设置仿真界面参数值，仿真界面参数值包括岸桥起吊设备的大车速度、小车速度、吊具空载上升速度、吊具带载上升速度、吊具载货下降速度和吊具空载下降速度。
3.根据权利要求1所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，于S2与S3之间还设有一步骤如下：
S23，采用有向图对最优路径规划仿真问题进行描述，建立港口作业路径模型，其用公式表示为：
A＝(C,K,P)(1)
公式(1)中，A表示港口作业最优路径规划仿真问题有向图，即港口作业路径模型；C表示路径节点集合，包括拐点、交叉点以及转移点；K表示待运输集装箱的堆场箱区编号，P表示目标点位置。
4.如权利要求1所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，S3包括以下步骤：
S31，建立港口作业最优路径规划仿真目标函数；
S32，藉由于S31建立的港口作业最优路径规划仿真目标函数对港口作业情况进行约束；
S33，建立所述目标函数的适应度函数从而获得遗传物种染色体适应度值；
S34，进行仿真过程的编码处理、确定遗传物种规模、物种交叉及物种变异处理，从而获得港口作业最优路径规划仿真目标函数的最优解，即得到港口作业最优路径规划仿真结果。
5.如权利要求4所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，S31包括以下步骤：
S311，藉由指数函数将港口作业距离尺度转换，建立作业路径最短目标函数如下：
公式(2)中，minH表示港口作业路径最短子目标函数；D1表示避障时间；D2表示实际总作业时间；E表示堆场箱区到船舶的直线距离；
并藉由指数函数将作业时间基础目标值放大，建立作业时间最短子目标函数如下：
公式(3)中，minT表示港口作业时间最短子目标函数；t1表示作业车辆转弯、避障所用的时间；t2表示港口作业要求时间；
并建立最少燃油消耗子目标函数如下：
公式(4)中，minL表示港口作业燃油消耗最少子目标函数；q1表示港口作业路径距离；e表示港口作业时间；q2表示燃油消耗系数；X表示全程燃油消耗总量；
S312，将作业路径最短目标函数、作业时间最短子目标函数、最少燃油消耗子目标函数整合在一起，建立港口作业最优路径规划仿真目标函数：
f(x)＝∑minH·minT·minL (5)
公式(5)中，f(x)表示港口作业最优路径规划仿真目标函数。
6.如权利要求4所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，于S32中，对于S31建立的港口作业最优路径规划仿真目标函数设立第一约束条件公式和第二约束条件公式，藉由第一约束条件公式和第二约束条件公式对港口作业情况进行约束；第一约束条件公式用于保证在规划时间内指定的集装箱均能完成装卸，第二约束条件公式用于保证运输到船舶的集装箱数量不超过堆场箱区容量；
第一约束条件公式如下：
公式(6)中，V表示堆场箱区待装卸集装箱数量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；
第二约束条件公式如下：
公式(7)中，Q表示堆场箱区容量；N表示堆场箱区数量；M表示堆场箱区集合；Y表示作业车辆在泊位与堆场箱区之间的往返运行次数；W表示作业车辆沿路径的运行次数；所述公式(6)、(7)均表明了目标函数的取值范围。
7.如权利要求4所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，于S33中，藉由一适应度函数计算遗传物种染色体适应度值，适应度函数如下：
公式(8)中，μ表示遗传物种染色体适应度值；m表示染色体数量；ε表示遗传物种染色体中不同基因的数目；ω表示遗传基因在染色体中出现的概率；σ表示整个遗传物种中染色体的平均基因值。
8.如权利要求4所述的基于遗传算法的港口作业最优路径规划仿真方法，其特征在于，于34中，通过编码处理将目标函数求解问题转化为计算机能够识别的语言，港口作业路径的编码为船舶和堆场箱区节点不同顺序的组合。
9.一种基于遗传算法的港口作业最优路径规划仿真系统，其特征在于，该系统包括：中央控制软件模块、参数集处理软件模块、阈值校验软件模块、仿真推演结果分析软件模块、数据存储处理软件模块和远程通信处理软件模块；
中央控制软件模块用于控制系统流程的所有数据的输出、输入及计算；
参数集处理软件模块用于处理系统流程的参数集；
阈值校验软件模块用于设置与港口作业路径规划相关的船舶、岸桥起吊设备及集装箱卡车的作业参数值及作业参数范围，对待规划的港口作业路径进行编码操作，藉由遗传算法进行港口作业最优路径规划仿真；
仿真推演结果分析软件模块用于输出港口作业最优路径的仿真结果；
数据存储处理软件模块用于处理数据的存储、运行校验、故障分类、即时存储和/或路径传送的过程；
远程通信处理软件模块用于处理与外界通信设备进行数据交互的通信过程。
10.如权利要求9所述的基于遗传算法的港口作业最优路径规划仿真系统，其特征在于，参数集处理软件模块包括参数集控制软件子模块、编码功能软件子模块、初始物种转换软件子模块和参数集计算软件子模块；
参数集控制软件子模块用于根据群体大小范围、遗传算法的终止进化代数范围、交叉概率范围、变异概率范围提前设定遗传算法的参数；
编码功能软件子模块用于通过遗传算法的编码实现了问题的解空间对算法搜索空间的相互转换；
初始物种转换软件子模块用于随机生成初始的种群，并对初始种群进行区间估计及赋值；
参数集计算软件子模块用于实现遗传算法的遗传、变异及演变的过程；
所述阈值校验软件模块包括计算适应软件子模块、阈值设定软件子模块、适应度比对软件子模块和稳态校验软件子模块；
计算适应软件子模块用于定义阀值校验的优劣界限；
阈值设定软件子模块用于设定适合度中的阀值，当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则遗传算法的迭代过程收敛、算法结束，否则用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到选择操作处继续循环执行；
适应度比对软件子模块用于通过适应度函数值大小对给一个待评价个体进行定量评价；
稳态校验软件子模块用于确保每一代父代的最优值；
所述仿真推演结果分析软件模块包括种群类别模块、接口端子处理软件子模块、序列处理软件子模块和脚本条件软件子模块；
种群类别模块用于确定各个群种取不同的控制参数；
接口端子处理软件子模块用于仿真程序运行的模拟端；
序列处理软件子模块用于保持仿真推演结果分析软件模块的数据输入顺序；
脚本条件软件子模块用于支持仿真推演结果分析软件模块的参数脚本。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015822.6A CN116258063A (zh) | 2023-01-06 | 2023-01-06 | 基于遗传算法的港口作业最优路径规划仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015822.6A CN116258063A (zh) | 2023-01-06 | 2023-01-06 | 基于遗传算法的港口作业最优路径规划仿真方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116258063A true CN116258063A (zh) | 2023-06-13 |
Family
ID=86683614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310015822.6A Pending CN116258063A (zh) | 2023-01-06 | 2023-01-06 | 基于遗传算法的港口作业最优路径规划仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258063A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976531A (zh) * | 2023-09-25 | 2023-10-31 | 华夏天信智能物联股份有限公司 | 用于井下电控设备的集成管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010017928A (ko) * | 1999-08-16 | 2001-03-05 | 이정욱 | 컨테이너 터미널의 설계시 시뮬레이션 방법 |
| CN101458788A (zh) * | 2008-12-19 | 2009-06-17 | 天津市市政工程设计研究院 | 集装箱码头物流仿真优化系统 |
| CN113627643A (zh) * | 2021-06-28 | 2021-11-09 | 东南大学 | 一种多式联运的船舶与堆场间无人集卡调度优化方法 |
| CN113689037A (zh) * | 2021-08-24 | 2021-11-23 | 大连海事大学 | 一种散货港口生产调度优化方法 |
| WO2022127462A1 (zh) * | 2020-12-14 | 2022-06-23 | 中国人民解放军海军工程大学 | Ipt系统抗偏移参数优化方法、系统及计算机设备 |
-
2023
- 2023-01-06 CN CN202310015822.6A patent/CN116258063A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010017928A (ko) * | 1999-08-16 | 2001-03-05 | 이정욱 | 컨테이너 터미널의 설계시 시뮬레이션 방법 |
| CN101458788A (zh) * | 2008-12-19 | 2009-06-17 | 天津市市政工程设计研究院 | 集装箱码头物流仿真优化系统 |
| WO2022127462A1 (zh) * | 2020-12-14 | 2022-06-23 | 中国人民解放军海军工程大学 | Ipt系统抗偏移参数优化方法、系统及计算机设备 |
| CN113627643A (zh) * | 2021-06-28 | 2021-11-09 | 东南大学 | 一种多式联运的船舶与堆场间无人集卡调度优化方法 |
| CN113689037A (zh) * | 2021-08-24 | 2021-11-23 | 大连海事大学 | 一种散货港口生产调度优化方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976531A (zh) * | 2023-09-25 | 2023-10-31 | 华夏天信智能物联股份有限公司 | 用于井下电控设备的集成管理方法及系统 |
| CN116976531B (zh) * | 2023-09-25 | 2024-02-20 | 华夏天信智能物联股份有限公司 | 用于井下电控设备的集成管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marseguerra et al. | Condition-based maintenance optimization by means of genetic algorithms and Monte Carlo simulation | |
| CN111861205A (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
| Arango et al. | Simulation‐optimization models for the dynamic berth allocation problem | |
| CN116258063A (zh) | 基于遗传算法的港口作业最优路径规划仿真方法及系统 | |
| Zeng et al. | Optimizing berth allocation and storage space in direct transshipment operations at container terminals | |
| Hu et al. | Improved Benders decomposition for stochastic yard template planning in container terminals | |
| KR20220006728A (ko) | 인공지능 기반의 최적 배송경로 제공 장치 및 방법 | |
| Simrin et al. | The dynamic berth allocation problem: A linearized formulation | |
| Yu et al. | The inbound container space allocation in the automated container terminals | |
| Peng et al. | A collaborative berth allocation problem with multiple ports based on genetic algorithm | |
| Lashkari et al. | Sequencing dual-spreader crane operations: Mathematical formulation and heuristic algorithm | |
| Yuan et al. | An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling | |
| Lu | The three-stage integrated optimization of automated container terminal scheduling based on improved genetic algorithm | |
| Ji et al. | A binary borg-based heuristic method for solving a multi-objective lock and transshipment co-scheduling problem | |
| Dornemann et al. | Artificial intelligence and operations research in maritime logistics | |
| He et al. | Particle swarm optimization using neighborhood-based mutation operator and intermediate disturbance strategy for outbound container storage location assignment problem | |
| CN116664053B (zh) | 一种商品库存管理方法 | |
| Li et al. | Stowage plan based slot optimal allocation in rail-water container terminal | |
| Gacek et al. | Managing operational and environmental risks in the strategic plan of a Maritime container port | |
| Hu et al. | The Joint quay crane scheduling and block allocation problem in container terminals | |
| CN114394440B (zh) | 集装箱的堆叠处理方法、装置、设备、存储介质及产品 | |
| Shin et al. | Container loading and unloading scheduling for a Mobile Harbor system: a global and local search method | |
| Zheng et al. | Path optimum algorithm for container relocation problems in port terminals worldwide | |
| de Azevedo et al. | Solution of the 3D Stochastic Stowage Planning for Con-tainer Ships through Representation by Rules | |
| CN114742267A (zh) | 物流运输路由规划方法、系统、设备及存储介质 |
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 |