CN116451891A - 一种u型堆场多点装卸模式下多设备的协同调度方法 - Google Patents

Abstract

本发明涉及一种U型堆场多点装卸模式下多设备的协同调度方法，对U型自动化集装箱码头多点装卸模式下双小车岸桥、自动化双悬臂梁轨道吊、智能引导运输车和外集卡的协调调度效率进行了优化，以降低自动化码头的整体运行能耗。并提出了一种基于启发式蒙特卡洛树搜索的决策树学习算法，采用上限置信区间算法对节点进行选择；在每个节点上进行递归学习，执行分区域协同调度策略和灵活邻域搜索策略的模拟操作进行调度，不断刷新当前任务服务列表，记录多点装卸模式下最优任务调度序列；采用基于值预测的剪枝策略删除冗余节点，从而迭代到最大次数后输出最佳调度结果。与现有技术相比，本发明具有计算可靠、运输效率高及运营成本低、适用规模广等优点。

Description

一种U型堆场多点装卸模式下多设备的协同调度方法

技术领域

本发明涉及任务调度系统技术领域，尤其是涉及一种U型堆场多点装卸模式下多设备的协同调度方法。

背景技术

U型自动化集装箱码头建设与改造是目前绿色港口、智慧港口建设的重要组成部分。U型自动化码头中QC(双小车岸桥)、IGV(智能引导运输车)、ADCRC(自动化双悬臂梁轨道吊)以及ET(外集卡)等多种设备相互制约，相互影响。如何设置科学合理的多设备交互模式，提高不同设备间的协同调度效率进而减少作业能耗是当前亟需解决的关键问题。然而，现有对U型自动化码头的研究较少，且均集中于确定理想布局下对不同设备的协同问题进行研究；对多设备协同调度模式下能耗研究较少，且缺乏对U型堆场多点装卸模式下设备利用率及装卸点数量对码头整体运行能耗影响的研究，不能充分证明其布局的合理性、应对外集卡集中到港或装卸任务复杂的问题，制约了自动化集装箱码头提高装卸效率、降低运营成本技术目标的实现。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种U型堆场多点装卸模式下多设备的协同调度方法。

本发明的目的可以通过以下技术方案来实现：

一种U型堆场多点装卸模式下多设备的协同调度方法，包括以下步骤：

S1、令迭代次数iter＝0，根据总任务信息对蒙特卡洛搜索树根节点进行初始化；

S2、生成搜索树，采用上限置信区间算法进行节点选择操作；

S3、判断步骤S2中搜索树的各个节点是否达到终端状态，若是则进入步骤S4；否则，若节点表示非终端状态并具有未访问的子节点，则将该节点添加至扩展树中，并在每个节点上进行递归学习；

S4、执行基于决策树学习的模拟操作，融合分区域协同调度策略和灵活领域搜索策略进行调度，记录多点装卸模式下最优任务调度序列；

S5、采用基于决策树和值预测的剪枝策略删除冗余节点，更新正向规划中的其他特殊节点，以输出最高效率的回报；

S6、判断是否达到最大迭代次数，若是则输出最佳调度结果，否则继续迭代。

进一步地，所述的总任务信息包括集装箱任务编号、集装箱任务类型及集装箱目标贝位。

进一步地，所述的集装箱任务类型包括：

类型1：IGV接收到岸桥分配的进口集装箱任务，并将进口集装箱运输至堆场，ADCRC进行装卸任务；

类型2：ADCRC将指定贝位的出口集装箱通过IGV运送至岸桥；

类型3：ET接收集装箱任务，并将集装箱运输至堆场；

类型4：ET接收ADCRC分配的任务并通过U型道路驶离堆场。

进一步地，针对所述类型1及类型3的集装箱任务类型，ADCRC时刻处于等待服务状态，当IGV和ET到达交互区时，ADCRC到达交互区进行装卸，并将集装箱送至目标贝位。针对所述类型2及类型4的集装箱任务类型，ADCRC先移动到目标位置获取集装箱任务，然后等待IGV或EI到达交互区。

进一步地，步骤S2中UCT方法为基础MCTS(蒙特卡洛树搜索)选择方法的改进方法，每次迭代都选择UCT值最大的节点，并从当前的动作结果中获得经验，有效调整到最优调度方案。同时考虑动作序列中任意节点选择动作的次数，采用快速动作值估计进行修改，即充分考虑IGV和ET运输任务在当前路径中的数量，当选择当前路径的等待时间大于选择其他路径的时间时，加权计算距离而改变路径行驶，减少设备等待冲突，提高道路利用率。

进一步地，对于步骤S3，节点n通过其可执行动作从U(n)展开，以状态S(n)执行，展开后生成新的节点n’和新的状态S(n’)；

节点不断扩展，为了协同IGV、ADCRC和ET在不同时刻的位置和时间关系，使搜索树动态更新，提高装卸效率，即ADCRC不断刷新当前调度任务服务列表，并不断扩展以找到最优的调度方案，降低码头能耗。

进一步地，所述步骤S4中执行基于决策树学习的模拟操作具体为：

根据C4.5算法，以信息增益为准则选择测试函数，得到最优任务调度序列，计算装卸设备能耗变化；

在给定节点上，根据I(x:D)＝Info(D)-Info(D|x)，得到关于x的C4.5搜索测试函数，其中I(x:D)为关于x的函数已知时D的熵降，Info(D)为D的信息增益，Info(D|x)是关于x的函数已知时D的条件熵；Info(D)的计算公式为：

Info(D|x)的计算公式为：

通过不断的迭代训练得到各个参数的概率；

为了使输出的DT具有更强的可解释性，考虑对分类变量进行二值分割，并利用信息增益，使具有不同分配结果的任务属性在分割时熵变得具有信息性。

为了提高适应度值，将每个节点上适应度函数的精度与叶数进行权衡，根据式子：

fitness(DT)＝accuracy(DT)-α·size(DT)

在迭代过程中，对每个任务集进行优化α参数，通过使用不同的交叉验证操作，对α参数进行调优，以提高适应度值，α∈{0.0001,0.0002,...,0.0699}；

当所选个体的适应度值经过多次迭代没有改变时，算法终止。

同时，为了避免算法陷入局部最优，需要对新的叶节点建立测试函数。根据终止条件对这些节点进行计算，如果不满足终止条件，则需要递归地进行学习。

进一步地，所述分区域协同调度策略和灵活领域搜索策略指多点装卸模式下ADCRC分别负责不同的装卸点，通过不断迭代，考虑集装箱任务到达和道路占用信息的不确定性，动态更新任务服务列表，根据下式判断不同装卸点数量下能耗值的大小，从而选得最优的装卸点进行任务装卸，最大化IGV、ADCRC及ET的协同调度效率，降低能耗。

式中，F为码头内调度设备的总能耗，E_s ^G为IGV完成其所有运输任务的总能耗；E_s ^C为ADCRC完成其所有交互任务的总能耗；M为IGV的集合，m∈{1,2,3,…M}，S为集装箱任务的集合，s∈{1,2,3,…S}，Y为ADCRC的集合，y∈{1,2,3,…Y}。

与现有技术相比，本发明具有以下有益效果：

(1)本发明针对U型自动化码头，考虑IGV和ET任务运输过程中的路径约束，通过引入DT学习，并对蒙特卡洛树搜索算法进行改进，对当前路径上IGV及ET数量加权处理，不断更新道路占用信息，减少了道路冲突，提高了运输效率，同时降低运营成本。

(2)本发明提出了一种分区域协同调度策略和灵活领域搜索策略，不断进行任务的动态更新，采用基于预测值剪枝方式，有效提高了算法的准确性。

(3)本发明求解质量明显优于蒙特卡洛树搜索算法、并行化蒙特卡洛树搜索算法、分支定界组合算法，并且随着任务规模的扩大，实验效果愈加明显，有效降低了算法求解的时间复杂度。

(4)本发明考虑多点装卸模式下装卸点数量对能耗的影响，进一步验证了该方案的可行性。

附图说明

图1为本发明的实施例中U型自动化集装箱码头多点装卸示意图；

图2为本发明的实施例中基于启发式蒙特卡洛树搜索的DT学习算法求解流程示意图；

图3为本发明中考虑IGV和ET路径约束的路径优化过程示意图；

图4为发明的实施例中动态调度过程示意图；

图5为不同装卸点数量下一定数量IGV运输的能耗值对比示意图；

图6为四种算法的时间复杂度对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明选用“自动化双小车岸桥+IGV(智能引导运输车)+自动化双悬臂轨道吊(ADCRC)+外集卡(ET)”的装卸工艺系统。考虑IGV数量分配、IGV、ET的路径约束等，分析不同装卸点数量下场内设备总能耗的变化情况，设计了一种基于启发式蒙特卡罗树(HMCTS)搜索的决策树(DT)学习算法对多设备协同调度模型进行求解，解决了U型自动化码头QC、IGV、ADCRC及ET等多种设备的协同调度问题。

本实施例以U型自动化码头中某次进出口集装箱装卸任务为例，码头的布局如图1所示。码头总岸线长518米，共有3条U型道路及8个堆场箱区，每个块区配备2个ADCRC及4个装卸点。IGV的空载和满载速度分别为8.3m/s、6m/s，最大满载加速度为0.4m/s²。ADCRC的移动速度为2m/s。岸桥后小车将集装箱放在IGV或从IGV上取箱的时间均为20s。

U型自动化集装箱码头对自动化装卸设备进行了升级，U型模式主要包括三个操作环节：岸边装卸、水平运输和堆场装卸，选择“自动化双小车岸桥+IGV(智能引导运输车)+自动化双悬臂轨道吊+外集卡”的装卸工艺系统，可有效提高堆场效率。U型模式与传统模式相比具有以下优势：

1)堆场水平运输设备采用可双向行驶的IGV，IGV采用视觉导航取代传统磁钉导航，具有自主避障能力，提高作业效率。同时，IGV直接到达堆场目标贝位，避免ADCRC长途往复行驶，节约能源。

2)对IGV和ET进行交通分流和物理隔离，确保码头生产安全和道路通行顺畅。

3)ETs通过U型路径进出堆场，减少了倒车行驶对道路的阻碍，可有效提高码头作业效率。

4)码头集装箱堆场沿岸线垂直布置，堆场可实现多点装卸，同时兼顾进出口集装箱的装卸任务，设备利用率均衡合理。

5)利用ADCRC一端悬臂下实现对IGV的装卸，另一端实现与ET的交互，两端悬臂协同调度，有效提高码头整体运行效率，具有良好的扩容空间。

U型堆场模式下，IGV和ET直接进入堆场进行交互，ADCRC、IGV、ET的交互方式发生了变化，满足路径约束后，ADCRCs需要实时更新IGV和ET当前的装卸点信息，IGV和ET需要根据ACDRC的状态信息进行决策。IGV完成卸箱任务后再次选择ADCRC进行装箱，完成出口箱任务，合理选择装卸点进行交互。

如图2所示，为本发明的一种U型堆场多点装卸模式下多设备协同调度方法，该方法包含以下步骤：

步骤S1、令迭代次数iter＝0，根据总任务信息对蒙特卡洛搜索树根节点进行初始化；

所述步骤S1中总任务信息包括集装箱任务编号、任务类型及集装箱目标贝位。集装箱四种任务类型中：第一种类型为IGV接收到岸桥分配的进口集装箱任务将其运输至堆场，ADCRC进行装卸任务；第二种类型为ADCRC将指定贝位的出口集装箱通过IGV运送至岸桥；第三种类型为ET将集装箱任务运输至堆场；第四种类型为ET接收ADCRC分配的任务通过U型道路驶离堆场。对于所述第一种类型和第三种类型，ADCRC需要时刻处于等待服务状态，当IGV和ET到达时，以最高效率到达交互区进行装卸，将集装箱送至目标贝位。对于所述第二种类型和所述第四种任务类型，ADCRC需要先移动到目标位置获取集装箱，然后等待IGV或EI到达交互区。IGV和EI协同作业完成所有集装箱任务，为了区分IGV和ET任务，将ET任务统一标为“0”。

步骤S2、生成搜索树，采用UCT(上限置信区间)方法进行选择操作；

所述步骤S2中采用UCT方法考虑动作序列中任意节点选择动作的次数，采用快速动作值估计进行修改，有效调整到最优调度方案。其中考虑IGV和ET水平运输的路径约束，建立了水平运输区域路径优化模型，使其选择合理路径到达目标贝位。本文将水平运输区域大致划分为三个部分，第一部分是连接岸桥到ADCRC的运输区域，这部分主要考虑不同IGV到达同一节点时产生的节点冲突。第二部分是IGVs与ADCRCs之间的相互作用区域，主要考虑多个IGV到达同一装卸点所引起的占用冲突。第三部分为ET进入场地进行交互的U型路径区域，该区域与第二部分冲突类型相同，需要协同IGV、ADCRC、ET之间的调度。当检测到碰撞时，车辆的行驶速度将受到限制。此外，为了减少冲突的发生，监控管理系统增加了一层控制，通过判断预计通过的车辆数，使IGV选择时间更短的路径进行运输，有利于实现各路径的动态均衡分布，提高运输效率，节约能耗。路径优化模型如下：

L≤2R (5)

t_c1≤t_c2 (8)

其中，式(1)以IGV运行总能耗最小为目标函数，IGV完成一个任务所消耗的总能量与其完成任务的时间有关。(2)～(3)式表明，一个集装箱任务最多只能分配给一个IGV或ET。由式(4)可知，总任务的完成时间为某一时刻运输任务的距离与速度之比。式(5)表明两个IGV的碰撞检测范围不能大于安全距离，否则会发生碰撞。式(6)为检测到冲突时的速度变化安全阈值。则延迟时间t_c1为加减速所消耗的时间减去正常速度下IGV所消耗的总时间。在距离相同的情况下，IGV从减速到最终停止等待所花费的时间与冲突解除后加速恢复到初始速度所花费的时间相同。如果在IGV速度降低到0之前冲突解除，则减速时间相对较小，如式(7)和式(8)所示。根据IGV的优先级，优先级高的IGV通过加速通过冲突路口，优先级低的IGV停止等待，直到冲突解除后再通过。式(9)为IGV在完成任务过程中的延迟时间总和。式(10)表示IGV离开堆场交互区域的时间。式(11)表示ET离开堆场的时间。式(12)和(13)表示两个连续IGV或ET进入堆场交互的时间关系。当选择相同的交互区域时，后者需要停止等待或更新ADCRC当前的服务列表选择更高效率的交互点。

步骤S3、判断步骤S2该节点是否达到终端状态，若满足则进入步骤S4；否则，如果节点表示非终端状态并具有未访问的子节点，则该节点是可展开的，则添加至扩展树中，将在每个节点上进行递归学习；

步骤S4、执行基于DT(决策树)学习的模拟操作，融合分区域协同调度策略和灵活领域搜索策略进行调度，记录多点装卸模式下最优任务调度序列；

所述步骤S4中，当IGVs或ETs进入堆场进行交互作业时，需要不断检测当前道路占用信息，并实时获取自身状态。优先级较高的IGV或ET优先执行交互任务。当检测到前方有IGV或ET处于交互状态时，应停车等待冲突解决后再通过。因此，在装卸集装箱时，IGV、ADCRC和ET需要等待相应的交互设备到达。在设备单位能耗确定的情况下，完成当前任务的总能耗受设备空闲时间和设备交互总时间的影响。设备当前交互的开始时间取决于上一个任务的完成时间。本发明分别设置了2、3、4个装卸点进行验证，融合分区域协同调度策略和灵活领域搜索策略，建立了多设备协同调度模型。每个ADCRC分别负责特定的装卸点，与水平运输工具协同调度，其总能耗由工作能耗和非工作能耗两部分组成，用下式表示：

并不断更新当前任务服务列表，提高效率，减少设备空转能耗。

同时，在U型堆场多点装卸模式下堆场多设备之间需要满足以下约束：

在四种不同类型的任务中，当ADCRC到达交互区域时，任务s与ADCRC y进行交互操作，当前服务时间的更新可定义为式(14)。式(15)表示ADCRC必须在每个任务开始前移动到初始位置。式(16)定义了所有任务服务时间的下限，保证ADCRC为每个任务的开始服务时间不能早于IGV或ET的到达时间。式(17)保证了ADCRC y从任务s移动到任务s’时开始时间和服务序列的连续性。由式(18)可知，堆场路径为单向路径，ADCRC可以选择优先服务优先级高的车辆，但任意两个IGV或ET在当前路径上都是不可逆的。式(19)表示在完成相邻任务时，不同路径是连续的。式(20)和(21)确保每个任务由一个ADCRC服务。式(22)表示ADCRC从任务s的交互位置移动到任务s’的交互位置所需的时间。式(23)和式(24)定义了ADCRC需要在交互区等待IGV或ET的时间更新。式(25)表示水平传输设备IGV或ET在交互区的等待时间。式(26)确保模型中变量为整数。

约束(14)～(26)显示了堆场内不同设备之间集装箱交互的动态更新过程。需要注意的是，ET和IGV的调度过程是相似的，但在ADCRC相同的情况下，同一时间只可以执行一侧的交互任务。此外，ET只能在U型车道的前半段与ADCRC交互，而IGV可以在该堆场箱区IGV车道的两侧进行进出口集装箱任务的交互，需要将以上两种模型协同满足以下约束。

由式(27)可知，IGV在完成一个卸载任务后，可以接收一个出口集装箱装载任务。式(28)表示IGV或ET在完成一个装载任务后，可以接收下一个进口集装箱任务。ET卸载任务完成后，直接通过U型道路离开堆场。与水平运输区域协同，每个装卸任务只能由一个IGV或ET执行。式(29)表明ADCδ_sRC一次只能在一侧执行交互工作。因此，需要在不同的任务之间实现高效的时间协同。式(30)表明集装箱在堆场集装箱区有一个特定的目标位置。式(31)确定了场内设备的总能耗变化。

符号说明：

(1)参数：β：IGV每单位时间的工作能耗；μ：ADCRC每单位时间的工作能耗；τ：ADCRC每单位时间的非工作能耗；：任务S开始服务时间的下限，对于每个IGV或ET任务，下限应该是它们的到达时间，对于每个ADCRC的初始位置，它的下限应该是零。λ_ys：ADCRCy所服务任务s的集装箱任务类型；a：IGV任务运输过程中由于冲突而引起的加速度；A：一个无穷大的正整数；B：贝位的集合，b∈{1,2,3,…B}；b_ys：ADCRCy所交互的集装箱任务s应该放置的目标贝位；d_ys：在与集装箱任务s交互期间ADCRC吊具下降的距离；K：路径的集合，k∈{1,2,3,…K}；L：不同IGV在水平运输过程中检测到冲突的安全距离；：在水平运输过程中，不同IGV检测到冲突后预留加减速的安全距离；M：IGV的集合，m∈{1,2,3,…M}；O_I:O_I＝Y∪I：所有ADCRC和虚拟开始ADCRC的集合；O_E:O_E＝Y∪E：所有ADCRC和虚拟结束ADCRC的集合；r_ys：ADCRCy所服务的集装箱任务s在目标贝位的具体列；r_m ^G：IGV的交互列，ET的交互列；R：水平运输期间不同IGV冲突检测距离的半径；S：集装箱任务的集合，s∈{1,2,3,…S}；v₀：IGV运输任务时的初始速度；v：IGV由于冲突之后开始加速或减速之后的速度；v^C：ADCRC的移动速度；Y：ADCRC的集合，y∈{1,2,3,…Y}；Z：ET的集合，z∈{1,2,3,…Z}。

(2)非决策变量：n_msk：IGVm选择路径k完成任务过程中发生冲突的次数；ADCRC从任务s的交互位置转换到任务s’的移动距离。E_s ^G：IGV完成其所有运输任务的总能耗；ADCRC完成其所有交互任务的总能耗；ADCRC交互任务中的工作能耗；ADCRC交互任务中的非工作能耗；F：码头内调度设备的总能耗；ADCRCy服务集装箱任务s的交互时间；t_c1：在IGV水平传输过程中由于冲突而导致减速的延迟时间。t_c2：在IGV的水平运输过程中，冲突解除后加速恢复到原始速度的延迟时间。当IGVm选择路径k完成集装箱任务s时，由于冲突导致的等待延迟时间。IGV选择路径k完成任务时的总延迟时间。IGV选择路径k完成任务后离开堆场交互区的时间；IGV接收到岸桥分配的任务后，选择路径k进入堆场进行交互的时间；ET选择路径k完成任务后离开堆场交互区的时间；ET接收到任务后选择路径k进入堆场进行交互的时间；IGV离开岸桥运输集装箱到堆场交互区所花费的总时间；ET接收到任务后运输至堆场交互区所用的总时间；ADCRC从任务s的交互位置移动到任务s'交互位置的时间；水平运输设备IGV或ET与ADCRC进行交互的等待时间；双小车岸桥转换平台将集装箱放置到IGV上所用的时间；ADCRCy对任务s的开始交互时间；IGVm开始服务任务S的时间；ETz开始服务任务S的时间；W_k：路径k的距离。

(3)决策变量：φ_ys：如果任务s由ADCRCy进行装卸，φ_ys＝1，否则，φ_ys＝0；如果ADCRC遍历完任务s后继续遍历任务s’，否则， 与相类似；α_mss'：如果IGVm与ADCRCy交互完成进口箱卸载后，移动至ADCRCy’处进行交互接收出口箱任务s’，则α_mss'＝1，否则，α_mss'＝0；γ_syb：如果任务s与ADCRCy交互完成后将集装箱放至目标贝位b,则γ_syb＝1，否则，γ_syb＝0；q_szk：如果任务s分配给ETz，并选择路径k到达装卸点完成交互任务，则q_szk＝1，否则，q_szk＝0；x_smk：如果任务s分配给IGVm，并选择路径k到达装卸点完成交互任务，则x_smk＝1，否则，x_smk＝0。

不同装卸点数量下总能耗值对比实验：

为了验证在大规模实验条件下加卸载点数量对整体运行能耗的影响，本发明分别在装卸点数(LNP)为2、3、4时，对不同IGV数量下运行的目标函数值结果进行了验证，如图5所示。因此，需要合理设置装卸点数量进行调度。从图5可以看出，当IGV个数为10时，不同装卸点个数下的总能耗值随着任务个数的增加有增加的趋势，当装卸点个数为4时，能耗值明显低于其他两种情况。当装卸点数为5个时，会产生严重堵塞现象，不利于实验进行。因此不进行装卸点个数为5时的实验，不同IGV数量下的实验结果相同。由于集装箱任务规模不断扩大，选择合理的装卸点数量及装卸位置进行调度可以有效提高多设备间的协同效率，减少码头能耗。

不同规模任务下不同算法的对比实验：

为了证明本发明提出的DT-HMCTS算法解决大规模问题的有效性，使用蒙特卡罗树搜索算法(MCTS)、并行蒙特卡罗树搜索算法(PMCTS)以及B&B和MCTS方法的组合算法(MCTS+B&B)，以及本发明所提出的算法进行了30组对比实验，实验结果如表1所示。

表1四种算法的30组大规模算例结果对比

本发明提出的DT-HMCTS算法可以稳定地获得大规模多设备协调调度问题的近似最优解。在28号和30号实验中，当集装箱任务数为1600，IGV数量为40台时，码头调度设备总能耗为3280.99kwh。当集装箱任务数为2000，IGV数量为50台时，码头调度设备总能耗为4615.84kwh，采用分区域协同调度策略和灵活领域搜索策略进行调度，可得到有效调度序列，提高设备利用率，减少道路冲突，满足目前U型自动化码头调度设备总能耗建设要求。

最优时间复杂度是衡量算法性能的一个重要指标，它是指在各种情况都有利的情况下，当前算法所能达到的提升最优集装箱调度序列速度的效率，可以在一定程度上说明该算法的潜力。为了说明几种算法的综合性能比较，本发明用320个集装箱任务和20个IGV以及足够数量的ET进行了实验，分别统计了20次实验后最终选择最优调度序列的总体时间变化。结果如图6所示，DT-HMCTS算法的波动性较小，稳定性优于其他三种算法，最优时间复杂度也低于其他三种算法，表明其对不同规模任务的适用性较强。

综上所述，本发明建立的U型自动化码头多设备协同调度模型和提出的DT-HMCTS优化方法有效解决了U型集装箱自动化码头不同规模任务的多设备协同调度问题，在获得最优调度序列的同时，可有效提高装卸效率，多点装卸模式下有效降低了码头设备的整体能耗，同时，该算法可以有效降低时间复杂度。对U型集装箱港口的运营和管理具有重要的指导意义。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，包括以下步骤：

S1、令迭代次数iter＝0，根据总任务信息对蒙特卡洛搜索树根节点进行初始化；

S2、生成搜索树，采用上限置信区间算法进行节点选择操作；

S3、判断步骤S2中搜索树的各个节点是否达到终端状态，若是则进入步骤S4；否则，若节点表示非终端状态并具有未访问的子节点，则将该节点添加至扩展树中，并在每个节点上进行递归学习；

S4、执行基于决策树学习的模拟操作，融合分区域协同调度策略和灵活领域搜索策略进行调度，记录多点装卸模式下最优任务调度序列；

S5、采用基于决策树和值预测的剪枝策略删除冗余节点，更新正向规划中的其他特殊节点，以输出最高效率的回报；

S6、判断是否达到最大迭代次数，若是则输出最佳调度结果，否则继续迭代。

2.根据权利要求1所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，所述的总任务信息包括集装箱任务编号、集装箱任务类型及集装箱目标贝位。

3.根据权利要求2所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，所述的集装箱任务类型包括：

类型1：IGV接收到岸桥分配的进口集装箱任务，并将进口集装箱运输至堆场，ADCRC进行装卸任务；

类型2：ADCRC将指定贝位的出口集装箱通过IGV运送至岸桥；

类型3：ET接收集装箱任务，并将集装箱运输至堆场；

类型4：ET接收ADCRC分配的任务并通过U型道路驶离堆场。

4.根据权利要求3所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，针对所述类型1及类型3的集装箱任务类型，ADCRC时刻处于等待服务状态，当IGV和ET到达交互区时，ADCRC到达交互区进行装卸，并将集装箱送至目标贝位。

5.根据权利要求3所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，针对所述类型2及类型4的集装箱任务类型，ADCRC先移动到目标位置获取集装箱任务，然后等待IGV或EI到达交互区。

6.根据权利要求1所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，步骤S2中，所述节点选择操作包括：

每次迭代过程选择UCT值最大的节点，并记录动作序列中任意节点选择动作的次数，从当前的动作结果中获得经验，以调整到最优调度方案；同时考虑动作序列中任意节点选择动作的次数，采用快速动作值估计进行修改，即充分考虑IGV和ET运输任务在当前路径中的数量，当选择当前路径的等待时间大于选择其他路径的时间时，加权计算距离而改变路径行驶。

7.根据权利要求1所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，对于步骤S3，节点n通过其可执行动作从U(n)展开，以状态S(n)执行，展开后生成新的节点n’和新的状态S(n’)；

节点不断扩展，协同IGV、ADCRC和ET在不同时刻的位置和时间关系，使搜索树动态更新，即ADCRC不断刷新当前调度任务服务列表，并不断扩展以找到最优的调度方案。

8.根据权利要求1所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，所述步骤S4中执行基于决策树学习的模拟操作具体为：

根据C4.5算法，以信息增益为准则选择测试函数，得到最优任务调度序列，计算装卸设备能耗变化；

在给定节点上，根据I(x:D)＝Info(D)-Info(Dx)，得到关于x的C4.5搜索测试函数，其中I(x:D)为关于x的函数已知时D的熵降，Info(D)为D的信息增益，Info(Dx)是关于x的函数已知时D的条件熵；Info(D)的计算公式为：

Info(Dx)的计算公式为：

通过不断的迭代训练得到各个参数的概率；并利用信息增益，使具有不同分配结果的任务属性被分割时熵变得具有信息性，从而使输出的决策树具有更强的可解释性；

将每个节点上适应度函数的精度与叶数进行权衡，根据式子：

fitness(DT)＝accuracy(DT)-α·size(DT)

在迭代过程中，对每个任务集进行优化α参数，通过使用不同的交叉验证操作，对α参数进行调优，以提高适应度值，α∈{0.0001,0.0002,...,0.0699}；

当所选个体的适应度值经过多次迭代没有改变时，算法终止。

9.根据权利要求8所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，为了避免算法陷入局部最优，需要对新的叶子节点建立测试函数，根据终止条件对所述新的叶子节点进行计算，若不满足终止条件，则需要递归进行学习。

10.根据权利要求1所述的一种U型堆场多点装卸模式下多设备的协同调度方法，其特征在于，所述分区域协同调度策略和灵活领域搜索策略指多点装卸模式下ADCRC分别负责不同的装卸点，通过不断迭代，考虑集装箱任务到达和道路占用信息的不确定性，动态更新任务服务列表，根据下式判断不同装卸点数量下能耗值的大小，从而选得最优的装卸点进行任务装卸：

式中，F为码头内调度设备的总能耗，E_s ^G为IGV完成其所有运输任务的总能耗；为ADCRC完成其所有交互任务的总能耗；M为IGV的集合，m∈{1,2,3,…M}，S为集装箱任务的集合，s∈{1,2,3,…S}，Y为ADCRC的集合，y∈{1,2,3,…Y}。