CN116542488B - 一种基于人工智能的港口调度方法和系统 - Google Patents

一种基于人工智能的港口调度方法和系统 Download PDF

Info

Publication number
CN116542488B
CN116542488B CN202310760294.7A CN202310760294A CN116542488B CN 116542488 B CN116542488 B CN 116542488B CN 202310760294 A CN202310760294 A CN 202310760294A CN 116542488 B CN116542488 B CN 116542488B
Authority
CN
China
Prior art keywords
ship
scheduling
ith
time
vessel
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.)
Active
Application number
CN202310760294.7A
Other languages
English (en)
Other versions
CN116542488A (zh
Inventor
杜垚
冯昊
王豫江
陈昊
杨豪
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.)
Beijing Litong Xinyuan Technology Co ltd
Original Assignee
Beijing Litong Xinyuan Technology Co ltd
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 Beijing Litong Xinyuan Technology Co ltd filed Critical Beijing Litong Xinyuan Technology Co ltd
Priority to CN202310760294.7A priority Critical patent/CN116542488B/zh
Publication of CN116542488A publication Critical patent/CN116542488A/zh
Application granted granted Critical
Publication of CN116542488B publication Critical patent/CN116542488B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的港口调度方法和系统，属于数据处理技术领域，方法包括：根据货物性质、船舶吨位和船舶类型计算各个船舶的通航参数；按照通航参数从大到小的顺序对各个船舶进行排序，得到通航序列；构建船舶调度模型和泊位分配模型；以总调度时间、总等待时间和时间价值损失构建船舶调度模型的目标函数，以船舶调度模型的目标函数最小为目标训练船舶调度模型；按照通航序列，通过船舶调度模型计算每个船舶的调度时间；以总在港时间构建泊位分配模型的目标函数，以泊位分配模型的目标函数最小为目标训练泊位分配模型；通过船舶调度模型为各个船舶分配泊位。可以提高船舶调度效率，减少船舶进出港的等待时间，提升了港口的通航效率。

Description

一种基于人工智能的港口调度方法和系统
技术领域
本发明属于数据处理技术领域，具体涉及一种基于人工智能的港口调度方法和系统。
背景技术
海运在我国对外进出口贸易中占据着重要的位置，随着我国对外经济的全方位升级，我国航运业发展迅猛，港口的货物吞吐量呈快速上升趋势。港口作为连接陆地和海洋的纽带，在全球的贸易中发挥了巨大的作用。在航运业的快速发展下，进出港口的船舶数量逐渐增多，导致港内水域日渐繁忙。为了大幅提高港口的航道通过能力，国内各港口不断加大港区基础建设或加宽航道，越来越多的单向航道朝双向通航模式转换。
对于港口的交通拥堵问题，仅仅依赖港口的扩建而忽略对船舶进行有效的调度，将会造成港口资源的浪费。港口对航道分配的传统方式通常以先到先服务原则或大船优先原则，这种分配方式存在调度效率不高、调度过程进行缓慢和船舶申请进出港的等待时间过长等问题，严重影响港口的通航效率。
发明内容
为了解决现有技术调度效率不高，调度过程进行缓慢，船舶申请进出港的等待时间过长，严重影响港口的通航效率的技术问题，本发明提供一种基于人工智能的港口调度方法和系统。
第一方面
本发明提供了一种基于人工智能的港口调度方法，包括：
S101：根据货物性质、船舶吨位和船舶类型计算各个船舶的通航参数；
S102：按照通航参数从大到小的顺序对各个船舶进行排序，得到通航序列；
S103：构建船舶调度模型和泊位分配模型；
S104：以总调度时间、总等待时间和时间价值损失构建船舶调度模型的目标函数，以船舶调度模型的目标函数最小为目标训练船舶调度模型；
S105：按照通航序列，通过船舶调度模型计算每个船舶的调度时间；
S106：以总在港时间构建泊位分配模型的目标函数，以泊位分配模型的目标函数最小为目标训练泊位分配模型；
S107：通过船舶调度模型为各个船舶分配泊位。
第二方面
本发明提供了一种基于人工智能的港口调度系统，用于执行第一方面中的基于人工智能的港口调度方法。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，通过货物性质、船舶吨位和船舶类型计算各个船舶的通航参数，按照通航参数从大到小的顺序对各个船舶进行预先排序，得到通航序列，之后按照通航序列，以减少总调度时间、总等待时间和时间价值损失为目标，通过船舶调度模型计算每个船舶的调度时间，提高船舶调度效率，调度过程井然有序，减少船舶进出港的等待时间，提升了港口的通航效率。
（2）在本发明中，以减少总在港时间为目标，通过泊位分配模型为各个船舶分配泊位，减少船舶的停泊时间，提升港口的作业效率。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种基于人工智能的港口调度方法的流程示意图；
图2是本发明提供的一种基于人工智能的港口调度系统的结构示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的基于人工智能的港口调度方法的流程示意图。参考说明书附图2，示出了本发明提供的一种基于人工智能的港口调度系统的结构示意图。
本发明提供的一种基于人工智能的港口调度方法，包括：
S101：根据货物性质、船舶吨位和船舶类型计算各个船舶的通航参数。
其中，对于货物性质，不同类型的货物具有不同的特点和要求。一些货物可能需要特殊的处理、存储或运输条件，例如易腐烂、易燃、危险品等。为了确保货物的安全和质量，港口需要根据货物性质进行合理的安排和调度，优先安排处理敏感或特殊货物的船舶。
其中，对于船舶吨位，较大的船舶通常具有更高的运载能力和效率，能够承载更多货物一次性到达港口，从而减少了船舶的停泊时间和等待时间。因此，在船舶调度中，通常会优先考虑大吨位船舶，以提高港口的货物吞吐量和效率。
其中，对于船舶类型，不同类型的船舶具有不同的功能和适用范围。例如，散货船、集装箱船、油轮等各自服务于不同类型的货物运输需求。根据港口的特定情况和需求，需要合理安排不同类型船舶的通航顺序，以满足各种货物的运输要求。尤其是一些具有特殊用途的船舶，例如海警、医疗救援船、搜救船、急需物资船等，应当赋予更高的权重优先通过。
在一种可能的实施方式中，S101具体为：
根据货物性质指标值、船舶吨位指标值和船舶类型指标值计算各个船舶的通航参数：
；
其中，表示第i个船舶的通航参数，/>表示第i个船舶的货物性质指标值，/>表示第i个船舶的船舶吨位指标值，/>表示第i个船舶的船舶类型指标值。
其中，对于货物性质指标值，可以根据货物的种类、特性和运输需求进行综合评估。一般情况下，可以根据专业知识和经验，将货物性质分为几个等级或分类，并为每个等级或分类分配相应的指标值。
其中，对于船舶吨位指标值，可以就是船舶的吨位。
其中，对于船舶类型指标值，可以根据每种船舶类型的重要性、需求或限制，可以为其分配相应的指标值。
S102：按照通航参数从大到小的顺序对各个船舶进行排序，得到通航序列。
其中，通航序列是指船舶在港口的通行顺序。
需要说明的是，通航序列可以确保在繁忙的港口或航道中，优先让通航参数较高的船舶先行通行。这样可以有效减少通航拥堵和等待时间，提高整体通航效率。船舶按照通航参数排序后，通常会更快地得到通行的机会，减少了等待的时间和资源浪费。并且，通航序列可以提供一个清晰的参考顺序，方便港口管理机构、航运公司和其他相关方进行管理和监控。通过了解通航序列，可以更好地组织船舶的进出港计划、资源调配和监控通航情况。
S103：构建船舶调度模型和泊位分配模型。
可选地，可以通过遗传算法、模拟退火算法、粒子群优化算法、和声搜索算法等来构建船舶调度模型和泊位分配模型，以对船舶调度模型和泊位分配模型进行求解。
S104：以总调度时间、总等待时间和时间价值损失构建船舶调度模型的目标函数，以船舶调度模型的目标函数最小为目标训练船舶调度模型。
其中，时间价值损失是指由于时间的消耗而导致的经济或商业价值的损失。可以理解的是，在单位时间内，食品类货物由于易腐烂，食品类货物的时间价值损失往往大于物品类货物的时间价值损失。
其中，在目标函数中引入总调度时间、总等待时间，在求解过程中使得总调度时间、总等待时间最小化，有助于提高船舶调度的效率和准确性，使船舶能够按时到达目的地，并尽量减少在港口或航道中的等待时间。
其中，在目标函数中引入时间价值损失，能够综合考虑排队时间的重要性和价值，时间通常与成本、效益和客户满意度等关联紧密，因此在调度决策中对时间价值进行考量能够使调度方案更加符合实际需求和商业利益，减少货物的价值损失，提升港口的经济效益。
需要说明的是，通过构建目标函数并将其最小化作为目标进行船舶调度模型的训练，能够实现最优化调度、综合考虑不同指标和因素、提供决策支持，从而提高船舶调度效率和运营效益，降低时间成本和资源浪费。
在一种可能的实施方式中，S104具体包括：
S1041：以总调度时间、总等待时间和时间价值损失构建船舶调度模型的目标函数：
；
其中，表示第i个船舶的通行时间，/>表示总调度时间，/>表示总等待时间，E表示总时间价值损失。
总调度时间的计算方式为：
；
其中，表示第i个船舶调度结束时刻，/>表示第i个船舶调度开始时刻。
总等待时间的计算方式为：
；
其中，表示第i个船舶申请调度的时刻。
总时间价值损失E的计算方式为：
；
其中，表示第i个船舶的时间价值损失。
在一种可能的实施方式中，第i个船舶的时间价值损失的计算方式为：
；
其中，表示第i个船舶所载货物的成本系数，/>表示第i个船舶所载货物的自有价值。
第i个船舶所载货物的成本系数ρ i 的计算方式为：
；
其中，表示保险费、/>表示税费、/>表示运输费、/>表示贬值和/>表示货物失效费。
在本发明中，通过以上计算方式，可以评估和量化第i个船舶在时间价值方面的损失情况。这样的计算方式有助于船舶调度模型中目标函数的建立和优化，以最小化总的时间价值损失，提高调度效率和经济效益。
在一种可能的实施方式中，S104还包括：
S1042：以保持船舶距离大于安全距离为船舶调度模型添加第一约束条件：
；
其中，d表示安全距离，表示第i个船舶的速度均值。
需要说明的是，第一约束条件可以保持船舶之间的距离大于安全距离，可以减少事故的风险。
S1043：以船舶最大等待时间为船舶调度模型添加第二约束条件：
；
其中，表示预设的最大等待时间。
需要说明的是，第二约束条件可以限制船舶的最大等待时间，可以促使船舶尽早得到调度和处理，避免长时间的等待。这有助于提高船舶调度的效率，减少等待时间的浪费，使船舶能够按时进行装卸货物或完成其他任务，降低运输成本，优化资源利用，并提升客户满意度。
S1044：以泊位的分配与船舶进出港次序的相互关系为船舶调度模型添加第三约束条件：
；
其中，表示第i个船舶和第j个船舶的进出港先后次序，/>=1时表示第i个船舶的调度顺序在第j个船舶的调度顺序之前，/>=0时表示第i个船舶的调度顺序在第j个船舶的调度顺序之后，M表示一个充分大的正整数，/>表示第i个船舶的进出港方向，/>=1时表示进港，/>=0时表示出港，/>表示第k个泊位的空闲状态，/>=1时表示被占用，/>=0时表示空闲，/>表示是否可以将第k个泊位分配给第i个船舶，/>=1时表示可以分配，=0时表示不可以分配。
需要说明的是，通过可以保证出港船舶早于进港船舶，有助于避免出港船舶被进港船舶所阻塞或延迟，提高出港船舶的效率和准时性。通过可以为进港船舶在进港前确保预分配泊位是空闲状态，有助于避免进港船舶因为泊位被占用而无法及时进港，减少等待时间和泊位利用的冲突。通过可以限制每个泊位只能被分配给一艘进港船舶，有助于避免泊位资源的重复分配和冲突，提高泊位资源的利用效率和安全性。
S105：按照通航序列，通过船舶调度模型计算每个船舶的调度时间。
具体而言，船舶调度模型可以通过遗传算法、模拟退火算法、粒子群优化算法、和声搜索算法等来计算每个船舶的调度时间的最优解。
S106：以总在港时间构建泊位分配模型的目标函数，以泊位分配模型的目标函数最小为目标训练泊位分配模型。
需要说明的是，以总在港时间最小为目标构建泊位分配模型的目标函数，可以尽量减少船舶在泊位上停留的总时间，有效地缩短船舶在港口内的停留时间，提高泊位的周转率和利用效率。从而加快港口吞吐速度。通过减少船舶的停留时间，港口可以处理更多的船舶和货物，提高港口的吞吐量和效率。
在一种可能的实施方式中，S106具体包括：
S1061：以总在港时间构建泊位分配模型的目标函数：
；
其中，表示第i个船舶的停泊位置，/>表示第i个船舶的离开泊位的时间，表示第i个船舶的到达泊位的时间。
需要说明的是，通过第i个船舶的离开泊位的时间减去第i个船舶的到达泊位的时间可以得到第i个船舶的在港时间。
在一种可能的实施方式中，S106还包括：
S1062：以任意两艘船舶在时间和空间上不重叠为泊位分配模型添加第一约束条件：
；
其中，表示第i个船舶的停泊位置，/>表示第j个船舶的停泊位置，/>表示第i个船舶的长度，/>表示第j个船舶的长度，Q表示码头的岸线长度，/>表示第i个船舶和第j个船舶的左右位置关系，/>=1时表示第i个船舶在第j个船舶的左侧，/>=0时表示第i个船舶在第j个船舶的右侧，/>表示第i个船舶和第j个船舶的上下位置关系，/>=1时表示第i个船舶在第j个船舶的下方，/>=0时表示第i个船舶在第j个船舶的上方。
需要说明的是，任意两艘船舶在时间和空间上不重叠这是现实情况的必然限制，有利于提升模型分配泊位的准确性。
S1063：以船舶必须停靠在岸线范围内为泊位分配模型添加第二约束条件：
。
需要说明的是，确保船舶停靠在岸线范围内是港口安全管理的基本要求之一。这样做可以避免船舶停靠时与其他结构物或设备发生碰撞或干扰，保护港口的设施和设备的完整性和安全性。同时，也减少了船舶离岸线过远可能导致的淤泥沉积和水深变浅等问题，维护了港口的水道畅通。同时，通过约束船舶必须停靠在岸线范围内，可以更好地规划和管理泊位资源。船舶停靠在岸线范围内可以最大限度地利用泊位空间，减少了泊位的浪费和闲置。这样做有助于提高港口的泊位利用率，增加港口的吞吐能力，优化资源的分配和利用，从而提高港口的运营效率。
S107：通过船舶调度模型为各个船舶分配泊位。
具体而言，船舶调度模型可以通过遗传算法、模拟退火算法、粒子群优化算法、和声搜索算法等来计算各个船舶分配泊位的最优解。
需要说明的是，由于和声搜索算法是基于音乐中的和声理论而设计的，其搜索过程类似于乐谱中的和声创作，通过不断调整和改进解向更优解的方向迭代搜索，然而，当搜索过程中陷入某个局部最优解时，算法可能会陷入停滞状态，无法继续向全局最优解方向优化，容易陷入局部最优解陷阱中。在本发明中创新性地将遗传算法与和声搜索算法进行结合，通过遗传算法提高可行解的多样性，之后再利用和声搜索算法进行寻找最优解，可以避免和声搜索算法容易陷入到寻优停滞中，并提供更广泛的解空间探索，可以加快收敛速度、提高优化精度，并找到更优的解。
在一种可能的实施方式中，船舶调度模型包括：遗传算法以及和声搜索算法，S107具体包括：
S1071：初始化遗传算法和和声搜索算法的各个参数，初始化的参数包括：和声记忆库的大小HMS、记忆库取值概率HMCR、音调微调概率PAR、微调步长BW、各决策变量的取值空间、遗传算法的交叉概率/>、遗传算法的变异概率/>、决策变量个数Ｎ、迭代次数/>。
其中，声记忆库的大小HMS用于确定和声记忆库中可以存储的解向量的数量。
其中，记忆库取值概率HMCR用于控制了从和声记忆库中选择解向量的概率。
其中，音调微调概率PAR用于确定进行音调微调的概率。
其中，微调步长BW用于确定音调微调时的调整幅度。
其中，各决策变量的取值空间用于确定决策变量的取值范围。
S1072：在目标函数的解空间中随机选取HMS组解向量填充到和声记忆库HM中，并计算每个解向量的目标函数值，以初始化和声记忆库HM。
S1073：对种群采取精英选择策略，将种群按照目标函数值从大到小排列，对目标函数值最差的1/4种群替换成新的个体，以形成新的种群HSselect，其中，新的个体的产生方式如下：
；
其中，rand表示0至1之间的随机数。
需要说明的是，对种群采取精英选择策略形成新的种群HSselect，可以保留种群中较好的解个体，避免解的质量下降，同时引入新个体增加种群的多样性，有利于进一步的搜索和优化。
S1074：对种群HSselect进行交叉操作，从种群HSselect中随机选择两组解向量作为父体，生成一个随机数，并将该随机数与交叉概率比较大小，若随机数小于交叉概率/>，则对父体进行交叉操作产生新个体，以形成新的种群HScross，新个体/>的产生方式如下：
；
其中，表示父体，rand表示0至1之间的随机数。
需要说明的是，引入交叉操作可以增加解的多样性，促使种群在解空间中进行更广泛的搜索，以发现更优解。通过交叉操作，可以将两个父体的有益特征结合在一起，产生具有更好性能的新个体。
S1075：对种群HScross进行变异操作，从种群HScross中随机选择一组解向量，生成一个随机数，并将该随机数与变异概率/>比较大小，若随机数小于变异概率/>，则对解向量/>进行变异操作产生新个体/>替换掉原个体，以形成新的种群HSmut，新个体/>的产生方式如下：
；
需要说明的是，变异操作能够增加种群的多样性，为进一步搜索和优化提供更广阔的解空间，提高算法的全局搜索能力。
进一步地，通过遗传算法提高可行解的多样性，以避免后续的和声搜索算法容易陷入到寻优停滞中。
S1076：对种群HSmut按照和声搜索算法的计算步骤进行搜索寻优，得到各个船舶的泊位的最优解向量。
在一种可能的实施方式中，S1076具体包括：
随机生成一个第一随机数rand 1，当第一随机数大于或者等于记忆库取值概率HMCR时，通过以下方式创建新的和声，其中，一个和声对应一个解向量：
；
需要说明的是，创建新的和声可以引入一定的随机性，以在搜索过程中进行探索和尝试新的解。
当第一随机数rand 1小于记忆库取值概率HMCR时，通过以下方式创建新的和声，并随机生成一个第二随机数rand 2：
；
需要说明的是，从和声记忆库中随机选择的解向量，可以利用和声记忆库中的解向量进行搜索，以借鉴历史经验和良好的解。
当第二随机数rand 2小于音调微调概率PAR时，通过以下方式创建新的和声：
。
需要说明的是，通过音调微调操作生成新的和声，可以引入更大的变化，有助于跳出局部最优解，进一步搜索更优的解。
计算新的和声对应的解向量的目标函数值，在新的解向量优于和声记忆库中最差的解向量时，通过新的解向量对最差的解向量进行替换，以更新和声记忆库。
需要说明的是，在新的解向量优于和声记忆库中最差的解向量时，通过新的解向量对最差的解向量进行替换，保留了搜索过程中的优秀解，促使搜索朝着更优解的方向前进。
当完成次迭代后，输出各个船舶的泊位/>的最优解向量。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，通过货物性质、船舶吨位和船舶类型计算各个船舶的通航参数，按照通航参数从大到小的顺序对各个船舶进行预先排序，得到通航序列，之后按照通航序列，以减少总调度时间、总等待时间和时间价值损失为目标，通过船舶调度模型计算每个船舶的调度时间，提高船舶调度效率，调度过程井然有序，减少船舶进出港的等待时间，提升了港口的通航效率。
（2）在本发明中，以减少总在港时间为目标，通过泊位分配模型为各个船舶分配泊位，减少船舶的停泊时间，提升港口的作业效率。
实施例2
在一个实施例中，本发明提供的一种基于人工智能的港口调度系统，用于执行实施例1中的基于人工智能的港口调度方法。
本发明提供的一种基于人工智能的港口调度系统可以实现上述实施例1中的基于人工智能的港口调度方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
（1）在本发明中，通过货物性质、船舶吨位和船舶类型计算各个船舶的通航参数，按照通航参数从大到小的顺序对各个船舶进行预先排序，得到通航序列，之后按照通航序列，以减少总调度时间、总等待时间和时间价值损失为目标，通过船舶调度模型计算每个船舶的调度时间，提高船舶调度效率，调度过程井然有序，减少船舶进出港的等待时间，提升了港口的通航效率。
（2）在本发明中，以减少总在港时间为目标，通过泊位分配模型为各个船舶分配泊位，减少船舶的停泊时间，提升港口的作业效率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上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 (8)

1.一种基于人工智能的港口调度方法，其特征在于，包括：
S101：根据货物性质、船舶吨位和船舶类型计算各个船舶的通航参数；
S102：按照所述通航参数从大到小的顺序对各个船舶进行排序，得到通航序列；
S103：构建船舶调度模型和泊位分配模型；
S104：以总调度时间、总等待时间和时间价值损失构建所述船舶调度模型的目标函数，以所述船舶调度模型的目标函数最小为目标训练所述船舶调度模型；
S105：按照所述通航序列，通过所述船舶调度模型计算每个船舶的调度时间；
S106：以总在港时间构建所述泊位分配模型的目标函数，以所述泊位分配模型的目标函数最小为目标训练所述泊位分配模型；
S107：通过所述船舶调度模型为各个船舶分配泊位；
其中，所述S106具体包括：
S1061：以总在港时间构建所述泊位分配模型的目标函数f2(pi)：
其中，pi表示第i个船舶的停泊位置，tl,i表示第i个船舶的离开泊位的时间，ta,i表示第i个船舶的到达泊位的时间；
S1062：以任意两艘船舶在时间和空间上不重叠为所述泊位分配模型添加第一约束条件：
其中，pi表示第i个船舶的停泊位置，pj表示第j个船舶的停泊位置，Li表示第i个船舶的长度，Lj表示第j个船舶的长度，Q表示码头的岸线长度，表示第i个船舶和第j个船舶的左右位置关系，/>时表示第i个船舶在第j个船舶的左侧，/>时表示第i个船舶在第j个船舶的右侧，/>表示第i个船舶和第j个船舶的上下位置关系，/>时表示第i个船舶在第j个船舶的下方，/>时表示第i个船舶在第j个船舶的上方；
S1063：以船舶必须停靠在岸线范围内为所述泊位分配模型添加第二约束条件：
2.根据权利要求1所述的基于人工智能的港口调度方法，其特征在于，所述S101具体为：
根据货物性质指标值、船舶吨位指标值和船舶类型指标值计算各个船舶的通航参数σ：
σi＝ai·bi·ci；
其中，σi表示第i个船舶的通航参数，ai表示第i个船舶的货物性质指标值，bi表示第i个船舶的船舶吨位指标值，ci表示第i个船舶的船舶类型指标值。
3.根据权利要求1所述的基于人工智能的港口调度方法，其特征在于，所述S104具体包括：
S1041：以总调度时间、总等待时间和时间价值损失构建所述船舶调度模型的目标函数f1(ti)：
f1(ti)＝min[T1,T2,E]；
其中，ti表示第i个船舶的通行时间，T1表示总调度时间，T2表示总等待时间，E表示总时间价值损失；
总调度时间T1的计算方式为：
其中，tf,i表示第i个船舶调度结束时刻，ts,i表示第i个船舶调度开始时刻；
总等待时间T2的计算方式为：
其中，tp,i表示第i个船舶申请调度的时刻；
总时间价值损失E的计算方式为：
其中，ei表示第i个船舶的时间价值损失。
4.根据权利要求3所述的基于人工智能的港口调度方法，其特征在于，所述第i个船舶的时间价值损失ei的计算方式为：
其中，ρi表示第i个船舶所载货物的成本系数，δi表示第i个船舶所载货物的自有价值；
所述第i个船舶所载货物的成本系数ρi的计算方式为：
ρi＝ρ1i+ρ2i+ρ3i+ρ4i+ρ5i；
其中，ρ1i表示保险费、ρ2i表示税费、ρ3i表示运输费、ρ4i表示贬值和ρ5i表示货物失效费。
5.根据权利要求3所述的基于人工智能的港口调度方法，其特征在于，所述S104还包括：
S1042：以保持船舶距离大于安全距离为所述船舶调度模型添加第一约束条件：
其中，d表示安全距离，vi表示第i个船舶的速度均值；
S1043：以船舶最大等待时间为所述船舶调度模型添加第二约束条件：
ts,i-tp,i≤tmax；
其中，tmax表示预设的最大等待时间；
S1044：以泊位的分配与船舶进出港次序的相互关系为所述船舶调度模型添加第三约束条件：
其中，Aij表示第i个船舶和第j个船舶的进出港先后次序，Aij＝1时表示第i个船舶的调度顺序在第j个船舶的调度顺序之前，Aij＝0时表示第i个船舶的调度顺序在第j个船舶的调度顺序之后，M表示一个充分大的正整数，Ii表示第i个船舶的进出港方向，Ii＝1时表示进港，Ii＝0时表示出港，Bk表示第k个泊位的空闲状态，Bk＝1时表示被占用，Bk＝0时表示空闲，Yik表示是否可以将第k个泊位分配给第i个船舶，Yik＝1时表示可以分配，Yik＝0时表示不可以分配。
6.根据权利要求1所述的基于人工智能的港口调度方法，其特征在于，所述船舶调度模型包括：遗传算法以及和声搜索算法，所述S107具体包括：
S1071：初始化所述遗传算法和所述和声搜索算法的各个参数，初始化的参数包括：和声记忆库的大小HMS、记忆库取值概率HMCR、音调微调概率PAR、微调步长BW、各决策变量的取值空间[Xmin，Xmax]、遗传算法的交叉概率pc、遗传算法的变异概率pm、决策变量个数N、迭代次数Tmax；
S1072：在目标函数的解空间中随机选取HMS组解向量填充到和声记忆库HM中，并计算每个解向量的目标函数值，以初始化所述和声记忆库HM；
S1073：对种群采取精英选择策略，将种群按照目标函数值从大到小排列，对目标函数值最差的1/4种群替换成新的个体，以形成新的种群HSselect，其中，新的个体的产生方式如下：
其中，rand表示0至1之间的随机数；
S1074：对种群HSselect进行交叉操作，从种群HSselect中随机选择两组解向量作为父体，生成一个随机数，并将该随机数与交叉概率pe比较大小，若随机数小于交叉概率pe，则对父体进行交叉操作产生新个体，以形成新的种群HScross，新个体y1、y2的产生方式如下：
其中，x1、x2表示父体，rand表示0至1之间的随机数；
S1075：对种群HScross进行变异操作，从种群HScross中随机选择一组解向量x3，生成一个随机数，并将该随机数与变异概率pm比较大小，若随机数小于变异概率pm，则对解向量x3进行变异操作产生新个体y3替换掉原个体，以形成新的种群HSmut，新个体y3的产生方式如下：
S1076：对种群HSmut按照和声搜索算法的计算步骤进行搜索寻优，得到各个船舶的泊位{Pi}的最优解向量。
7.根据权利要求6所述的基于人工智能的港口调度方法，其特征在于，所述S1076具体包括：
随机生成一个第一随机数rand1，当所述第一随机数大于或者等于所述记忆库取值概率HMCR时，通过以下方式创建新的和声，其中，一个和声对应一个解向量：
xnew＝Xmin+rand1×(Xmax-Xmin)；
当所述第一随机数rand1小于所述记忆库取值概率HMCR时，通过以下方式创建新的和声，并随机生成一个第二随机数rand2：
xnew＝x；
当所述第二随机数rand2小于音调微调概率PAR时，通过以下方式创建新的和声：
xnew＝x+rand2×BW；
计算新的和声对应的解向量的目标函数值，在新的解向量优于和声记忆库中最差的解向量时，通过新的解向量对最差的解向量进行替换，以更新和声记忆库；
当完成Tmax次迭代后，输出各个船舶的泊位{Pi}的最优解向量。
8.一种基于人工智能的港口调度系统，其特征在于，用于执行权利要求1至7任意一项所述的基于人工智能的港口调度方法。
CN202310760294.7A 2023-06-27 2023-06-27 一种基于人工智能的港口调度方法和系统 Active CN116542488B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310760294.7A CN116542488B (zh) 2023-06-27 2023-06-27 一种基于人工智能的港口调度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310760294.7A CN116542488B (zh) 2023-06-27 2023-06-27 一种基于人工智能的港口调度方法和系统

Publications (2)

Publication Number Publication Date
CN116542488A CN116542488A (zh) 2023-08-04
CN116542488B true CN116542488B (zh) 2023-11-28

Family

ID=87458050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310760294.7A Active CN116542488B (zh) 2023-06-27 2023-06-27 一种基于人工智能的港口调度方法和系统

Country Status (1)

Country Link
CN (1) CN116542488B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400251A (zh) * 2013-08-02 2013-11-20 天津港中煤华能煤码头有限公司 基于遗传算法的散货码头泊位快速分配系统及方法
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、系统及装置
CN115456387A (zh) * 2022-09-02 2022-12-09 武汉理工大学 煤炭港口出港作业集成调度方法、装置、电子设备及介质
CN115713148A (zh) * 2022-11-08 2023-02-24 大连海事大学 基于改进多目标帝国竞争算法的船舶交通组织优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3896628A1 (en) * 2020-04-16 2021-10-20 Pick a Pier LTD A method of tracking and matching reservations, of marine docking berths at ports, for maximization of business goals

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400251A (zh) * 2013-08-02 2013-11-20 天津港中煤华能煤码头有限公司 基于遗传算法的散货码头泊位快速分配系统及方法
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、系统及装置
CN115456387A (zh) * 2022-09-02 2022-12-09 武汉理工大学 煤炭港口出港作业集成调度方法、装置、电子设备及介质
CN115713148A (zh) * 2022-11-08 2023-02-24 大连海事大学 基于改进多目标帝国竞争算法的船舶交通组织优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模拟退火多种群遗传算法的港口船舶调度优化;张新宇;林俊;郭子坚;陈向;;中国航海(第01期);29-33 *

Also Published As

Publication number Publication date
CN116542488A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Agra et al. MIP approaches for the integrated berth allocation and quay crane assignment and scheduling problem
Zhen et al. Scheduling quay cranes and yard trucks for unloading operations in container ports
Kavoosi et al. An augmented self-adaptive parameter control in evolutionary computation: A case study for the berth scheduling problem
Bierwirth et al. A follow-up survey of berth allocation and quay crane scheduling problems in container terminals
Jin et al. Storage yard management in maritime container terminals
CN110782160A (zh) 船舶泊位分配方法、系统及装置
CN113240234B (zh) 煤炭港口装船设备分配与船舶交通组织协调优化方法
Pani et al. A data mining approach to forecast late arrivals in a transhipment container terminal
Barbosa et al. The use of frontier techniques to identify efficient solutions for the Berth Allocation Problem solved with a hybrid evolutionary algorithm
Folsom Analysis of Container Communication in Artificial Intelligence
Cheimanoff et al. Exact and heuristic methods for the berth allocation problem with multiple continuous quays in tidal bulk terminals
Xin et al. Mixed-integer nonlinear programming for energy-efficient container handling: Formulation and customized genetic algorithm
Liang et al. A multi-objective genetic algorithm for yard crane scheduling problem with multiple work lines
CN116542488B (zh) 一种基于人工智能的港口调度方法和系统
WO2022012726A1 (en) A quay crane operation method
Chen et al. Deep reinforcement learning assisted genetic programming ensemble hyper-heuristics for dynamic scheduling of container port trucks
de Oliveira et al. Clustering search heuristic for solving a continuous berth allocation problem
CN112926873A (zh) 集装箱码头船舶配载深度学习混合训练系统
Ighravwe et al. Adoption of a multi-criteria approach for the selection of operational measures in a maritime environment
Wang et al. Systematic network design for liner shipping services
Rosa et al. Planning the berth allocation problem in developing countries with multiple cargos and cargo priority by a mathematical model and a clustering search metaheuristic
Zhou et al. Two‐Phase Optimization Models for Liner Shipping Network Based on Hub Ports Cooperation: From the Perspective of Supply‐Side Reform in China
CN112561434A (zh) 一种传统集装箱码头联合调度方法和辅助调度系统
Yin et al. Integrated quay crane–shuttle vehicle scheduling problem capacitated by apron buffer
He et al. An allocation approach for external truck tasks appointment in automated container terminal

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
GR01 Patent grant
GR01 Patent grant