CN116611657A - 一种基于遗传算法的码头泊位及岸桥分配优化方法 - Google Patents

Abstract

本发明涉及船舶管理技术领域，具体的说是一种基于遗传算法的码头泊位及岸桥分配优化方法，所述优化方法包括以下步骤：S1、模型的建立：在模型假设和模型符合定义的前提下，建立了如下的码头泊位及岸桥分配模型：目标函数min∑_i∈Sstart_i‑arrival_i+|realPos_i‑target_i|#(1)，目标函数(1)表示最小化各船舶等待停泊时间及目标泊位偏移距离之和，根据模型假设，时间因素更加重要，可以考虑忽略目标泊位偏移距离成本，本发明通过使用小生境遗传算法、间接编码、非法解转换函数等多项技术求解码头泊位及岸桥分配优化问题，相较于启发式算法，总体性能提升了80～90％。

Description

一种基于遗传算法的码头泊位及岸桥分配优化方法

技术领域

本发明涉及一种分配优化方法，具体为一种基于遗传算法的码头泊位及岸桥分配优化方法，属于船舶管理技术领域。

背景技术

码头泊位及岸桥分配优化问题是指在已知未来一段时间内船只的到港情况下，根据各船只的载货量、船长、到达时间、目标泊位以及岸桥的工作范围等信息为船只安排合理的工作时间、泊位与岸桥资源以使得各船只的等待停泊时间及目标泊位偏移距离之和最短。

目前针对该问题存在以下的方案：

1.求解器精确求解，由于该问题属于NP-Hard问题，当问题的规模增大时，使用求解器求解需要过长的时间。

2.离散化：将连续的靠泊位置均匀划分成数段，并将其视为单独的码头，船舶仅可停留在码头中。该方法可以有效地降低问题的复杂度，然而当问题复杂时(如同时具有大船只、小船只)，离散的分配方式会使得空间的利用率低下，进而导致船舶等待时间长。

3.启发式算法：使用领域搜索+动态规划的方式，由于缺乏统一的数学建模，难以整体求的较优解。

离散泊位分配问题指的是将连续的靠泊位置划分成数段，并将其视为单独的码头(泊位)，此时船舶仅课停靠在码头的内部。不同于离散泊位分配问题。

有鉴于此特提出本发明来帮助解决上述问题。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于遗传算法的码头泊位及岸桥分配优化方法，通过使用小生境遗传算法、间接编码、非法解转换函数等多项技术求解码头泊位及岸桥分配优化问题，相较于启发式算法，总体性能提升了80～90％。

本发明通过以下技术方案来实现上述目的，一种基于遗传算法的码头泊位及岸桥分配优化方法，所述优化方法包括以下步骤：

S1、模型的建立：在模型假设和模型符合定义的前提下，建立了如下的码头泊位及岸桥分配模型：

目标函数

目标函数(1)表示最小化各船舶等待停泊时间及目标泊位偏移距离之和，根据模型假设，时间因素更加重要，可以考虑忽略目标泊位偏移距离成本，将目标函数简化为：

中间变量

其中式(3)定义了变量τ_i,j，代表两艘船只i,j是否在时间上有重合，其取值为{0,1}，为1代表两船在时间上有重合，否则代表无重合，式(4)定义了变量margin_i,j，代表两艘船只i,j之间的最小间距，式(5)定义了变量craneShip_t,i，代表岸桥i在t时刻服务的船只编号；

S2、求解方法：包括间接编码、解码过程、简化的小生境遗传算法和非法解转换函数。

进一步的，所述间接编码建立一个时间-岸桥图，对于每个可行解，船舶对应图中的一个多边形，其在图上的面积即为该船舶使用的总岸桥数量，其横坐标代表使用的岸桥信息，纵坐标代表其工作时间。

进一步的，所述解码过程包括以下步骤：

Sa1、确定船只各时刻岸桥数量；

Sa2、确定泊位分配；

Sa3、确定船只各时刻岸桥位置；

Sa4、非法解转换函数。

进一步的，所述确定泊位分配包括以下步骤：

Sb1、根据岸桥工作范围限制及船长的限制，得到船只可行的泊位区间；

Sb2、若船只未分配完成，取出可行泊位区间最小的船只，否则函数执行完毕；

Sb3、若可行泊位不存在，则该个体为非法解，记录该非法船只编号并回到Sb2，否则尝试分配该可行区间中的左端点为船只的真正的泊位；

Sb4、若该船只与之前成功分配的船只发生泊位冲突(两艘船在同一时间不能处于同一位置)，则将该可行区间(向右)缩小，否则分配成功，回到Sb2。

进一步的，所述简化的小生境遗传算法为隔离小生境技术是指依照自然界的地理隔离技术，将遗传算法的初始群体分为几个子群体，子群体之间独立进化。

本发明的技术效果和优点：

本发明通过使用小生境遗传算法、间接编码、非法解转换函数等多项技术求解码头泊位及岸桥分配优化问题，相较于启发式算法，总体性能提升了80～90％。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。

本实施例提供了一种基于遗传算法的码头泊位及岸桥分配优化方法，所述优化方法包括以下步骤：

S1、模型的建立：在模型假设和模型符合定义的前提下，建立了如下的码头泊位及岸桥分配模型：

目标函数

目标函数(1)表示最小化各船舶等待停泊时间及目标泊位偏移距离之和，根据模型假设，时间因素更加重要，可以考虑忽略目标泊位偏移距离成本，将目标函数简化为：

中间变量

其中式(3)定义了变量τ_i,j，代表两艘船只i,j是否在时间上有重合，其取值为{0,1}，为1代表两船在时间上有重合，否则代表无重合，式(4)定义了变量margin_i,j，代表两艘船只i,j之间的最小间距，式(5)定义了变量craneShip_t,i，代表岸桥i在t时刻服务的船只编号；

为了更好地建立模型并做出以下假设：

1.每艘船必须仅被服务一次；

2.船舶到达后进行靠泊服务；

3.船舶的泊位加上船长不能超过泊位的长度；

4.船只之间的停泊距离必须大于等于船长的10％；

5.岸线空间是连续的，船只可以放置岸线上的任何泊位；

6.岸桥的移动时间可以忽略；

7.岸桥的工作效率是相同的；

8.工作的岸桥之间必须保持安全距离；

9.码头上的岸桥移动均位于一轨道上，不能跨越交叉；

10.即使船舶尚未工作完成，也允许将岸桥从一艘船重新分配到另一艘船；

11.注意到优化目标为“等待停泊时间T(秒)”和“目标泊位偏移距离L(米)”的和，且实验算法与答案都是以1h为最小安排单位的。当随机泊船时F_place＝∑_i|target_i-position_i|<∑_iL＝N×L＝50×3000m＝150000m≈42h，所以时间是一个更重要的影响因素，在设计算法时不考虑针对目标泊位偏移距离优化S2、求解方法：包括间接编码、解码过程、简化的小生境遗传算法和非法解转换函数；

模型的变量说明如下表1所示：

表1

间接编码为：

建立一个时间-岸桥图，对于每个可行解，船舶对应图中的一个多边形，其在图上的面积即为该船舶使用的总岸桥数量，其横坐标代表使用的岸桥信息，纵坐标代表其工作时间，分配情况如下表2所示。

设计四条长度为N的染色体，其中的每个基因位分别代表开始工作时间startTime，起始岸桥编号minCrane、每时刻最大占用岸桥数numCrane、优先级order(共四个参数)，其中的order为序号编码，其他为整数编码，

表2

所述解码过程包括以下步骤：

Sa1、确定船只各时刻岸桥数量；

Sa2、确定泊位分配；

所述确定泊位分配包括以下步骤：

Sb1、根据岸桥工作范围限制及船长的限制，得到船只可行的泊位区间；

Sb2、若船只未分配完成，取出可行泊位区间最小的船只，否则函数执行完毕；

Sb3、若可行泊位不存在，则该个体为非法解，记录该非法船只编号并回到Sb2，否则尝试分配该可行区间中的左端点为船只的真正的泊位；

Sb4、若该船只与之前成功分配的船只发生泊位冲突(两艘船在同一时间不能处于同一位置)，则将该可行区间(向右)缩小，否则分配成功，回到Sb2；

Sa3、确定船只各时刻岸桥位置；

Sa4、非法解转换函数。

简化的小生境遗传算法内容如下：

隔离小生境技术是指依照自然界的地理隔离技术，将遗传算法的初始群体分为几个子群体，子群体之间独立进化。由于隔离后的子群体彼此独立，界限分明，可以对各个子群体的进化过程灵活控制。

本算法中使用了简化的隔离小生境技术，初始化时将初始群体分为5个子种群，各子种群个体数相同。在迭代至1000、2000代时分别淘汰3、1个子种群。保持了子种群间的多样性，防止算法陷入局部收敛。

根据上文设计的间接编码设计，需要设计相应的遗传算子以实现遗传算法。

变异算子：对于整数编码的染色体，使用单点变异，随机选取单个基因点加减上一个较小的整数；对于序列编码的染色体，使用类似两点变异的方法，随机选取两个基因点交换。

选择算子：使用二元锦标赛选择算子。同时使用精英策略，每代的最优个体直接复制到下一代中。

初始化算子：在取值范围内随机生成个体

适应度计算函数:船只等待停泊时间和×α+船只工作时间和，α为一个较大整数，实际算法中取10000。若在进化过程中仅将等待停泊时间作为适应度函数，工作时间最晚的船只各时刻拥有的岸桥数量并不会影响到其等待停泊时间，导致资源更倾向于被其他船只占有，难以进一步优化。因此在适应度函数中加入船只工作时间，等于船只结束工作时间减船只开始工作时间。使用此适应度函数后迭代结果有了明显改进。

非法解转换函数内容如下：

码头泊位及岸桥分配优化问题属于有约束的复杂工程优化问题，在迭代前期，由于初始化的随机性，很难搜索到一个可行解，而在搜索到某个可行解后，种群适应度便会快速优化。因此下面提出了一个转化非法解的算法以在迭代前期快速找到可行解。

当出现不合法情况时，记录冲突船只编号，将他们的开始时间随机延后一段时间。并且冲突次数越多延误时间越大。该算法可以很好地在迭代前期帮助种群找到一个可行解。

通过上述技术方案通过使用小生境遗传算法、间接编码、非法解转换函数等多项技术求解码头泊位及岸桥分配优化问题，如下表3，将该算法于四个数据点运行了30次，运行的结果如下：

通过上表可得在船只数量等于50时，该算法平均运行时间为15分钟，运行时间在合理的可接受范围内。相较于启发式算法，本发明总体性能提升了80～90％。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于遗传算法的码头泊位及岸桥分配优化方法，其特征在于：所述优化方法包括以下步骤：

S1、模型的建立：在模型假设和模型符合定义的前提下，建立了如下的码头泊位及岸桥分配模型：

目标函数

目标函数(1)表示最小化各船舶等待停泊时间及目标泊位偏移距离之和，根据模型假设，时间因素更加重要，可以考虑忽略目标泊位偏移距离成本，将目标函数简化为：

中间变量

τ_i，j＝(startTime_i＜endTime_j)∩(startTime_j＜endTime_r＝i)#(3)

margin_i，j＝max(length_i，length_j)×10％#(4)

craneShiP_t，i＝ship_j，

if startTime_j≤t，endTime_j＞t，workLeft_i≤pos_j+length_j，workRight≥pos_j#(5)

其中式(3)定义了变量τ_i，j，代表两艘船只i，j是否在时间上有重合，其取值为{0，1}，为1代表两船在时间上有重合，否则代表无重合，式(4)定义了变量margin_i，j，代表两艘船只i，j之间的最小间距，式(5)定义了变量craneShip_t，i，代表岸桥i在t时刻服务的船只编号，

约束函数

τ_i，j∩((pos_i≥pos_j+length_j+margin_i，j)∪(pos_j≥pos_i+length_i+margin_i，j))，

abs(cranePos_t，i-cranePos_t，j)≥SPACE，

其中约束条件(6)代表某时刻的泊位上至多只能有一艘船，约束条件(7)代表船只开始工作时间不得早于到达时间，约束条件(8)代表工作的岸桥之间的最小安全距离，约束条件(9)代表岸桥之间不得交叉，约束条件(10)代表船只分配的岸桥总数不得小于其实际所需岸桥数，约束条件(11)代表岸桥的位置必须处于岸桥工作区间中；

S2、求解方法：包括间接编码、解码过程、简化的小生境遗传算法和非法解转换函数。

2.根据权利要求1所述的一种基于遗传算法的码头泊位及岸桥分配优化方法，其特征在于：所述间接编码建立一个时间-岸桥图，对于每个可行解，船舶对应图中的一个多边形，其在图上的面积即为该船舶使用的总岸桥数量，其横坐标代表使用的岸桥信息，纵坐标代表其工作时间。

3.根据权利要求1所述的一种基于遗传算法的码头泊位及岸桥分配优化方法，其特征在于：所述解码过程包括以下步骤：

Sa1、确定船只各时刻岸桥数量；

Sa2、确定泊位分配；

Sa3、确定船只各时刻岸桥位置；

Sa4、非法解转换函数。

4.根据权利要求3所述的一种基于遗传算法的码头泊位及岸桥分配优化方法，其特征在于：所述确定泊位分配包括以下步骤：

Sb1、根据岸桥工作范围限制及船长的限制，得到船只可行的泊位区间；

Sb2、若船只未分配完成，取出可行泊位区间最小的船只，否则函数执行完毕；

Sb3、若可行泊位不存在，则该个体为非法解，记录该非法船只编号并回到Sb2，否则尝试分配该可行区间中的左端点为船只的真正的泊位；

Sb4、若该船只与之前成功分配的船只发生泊位冲突(两艘船在同一时间不能处于同一位置)，则将该可行区间(向右)缩小，否则分配成功，回到Sb2。

5.根据权利要求4所述的一种基于遗传算法的码头泊位及岸桥分配优化方法，其特征在于：所述简化的小生境遗传算法为隔离小生境技术是指依照自然界的地理隔离技术，将遗传算法的初始群体分为几个子群体，子群体之间独立进化。