CN116823085A - 一种自动化集装箱港口车辆协同作业实时调度方法 - Google Patents
一种自动化集装箱港口车辆协同作业实时调度方法 Download PDFInfo
- Publication number
- CN116823085A CN116823085A CN202310773868.4A CN202310773868A CN116823085A CN 116823085 A CN116823085 A CN 116823085A CN 202310773868 A CN202310773868 A CN 202310773868A CN 116823085 A CN116823085 A CN 116823085A
- Authority
- CN
- China
- Prior art keywords
- current
- information
- vehicle
- container
- intelligent network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000008439 repair process Effects 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Abstract
本发明涉及一种自动化集装箱港口车辆协同作业实时调度方法,包括:根据不同的港口作业场景,获取对应的作业集装箱信息以及智能网联运输集卡信息;调度中心采集获取当前作业设备运行信息以及车辆当前信息;根据当前作业设备运行信息以及车辆当前信息,判断是否存在车辆进入作业设备,若存在,则调度中心确定待调度集装箱与负责运输任务的智能网联运输集卡,并通过求解预设调度模型,确定出智能网联运输集卡行驶路径以及运输集装箱任务,再将调度结果发送至对应车辆,以控制改变车辆的工作状态;否则返回重新采集获取当前作业设备运行信息以及车辆当前信息。与现有技术相比,本发明能够快速、准确地实现智能网联运输集卡的在线实时调度。
Description
技术领域
本发明涉及自动化集装箱港口车辆调度技术领域,尤其是涉及一种自动化集装箱港口车辆协同作业实时调度方法。
背景技术
自动化集装箱港口通过自动化技术和设备,能够实现集装箱码头操作的自动化过程。传统集装箱港口的装卸作业通常由大量的人工操作完成,包括起重机操作员、装卸工人和指挥员等。然而,随着技术的不断发展,自动化集装箱港口正在逐渐兴起,自动化集装箱港口利用先进的技术和设备,如自动化堆垛机、无人驾驶起重机、物联网传感器和自动化管理系统等,实现集装箱的装卸、堆垛、存储和管理等操作过程的自动化,这些技术和设备能够在没有人工干预的情况下,通过预设的程序和指令即可完成各项任务。
智能网联运输集卡是一种用于在港口和集装箱码头等场所进行自动化运输和搬运任务的无人驾驶车辆。智能网联运输集卡通常采用自动导航技术和传感器系统,能够在事先规划好的路径上进行自主导航和操作,智能网联运输集卡可以携带和移动集装箱、货物、集装箱堆垛机等,完成装卸、堆垛和运输等任务。在自动化集装箱港口中引入智能网联运输集卡,将有效提高港口运输和搬运的效率,减少人力成本和人为错误,并优化空间利用,可以说,智能网联运输集卡在现代港口和物流领域发挥着越来越重要的作用。为了确保能够准确可靠地完成相应任务,往往需要对智能网联运输集卡进行调度控制,然而,现有智能网联运输集卡调度求解算法还存在以下缺陷:
1.智能网联运输集卡实时规控对于调度方案的求解速度要求较高,现有求解方法较为耗时,难以满足面向自动驾驶实时规控的在线秒级调度方案生成需求。
2.现有的求解框架中,通常基于未来的集装箱装卸计划,预先调度未来较长时段(如未来一天内)的车辆调度计划。该模式下需要求解的问题规模庞大,无法做到实时求解,因此通常采用离线求解的方式。而集装箱港口作业环境具有较强的不确定性与随机性,离线求解框架将导致实际作业执行情况通常与作业计划偏差较大的问题。
3.现有的求解框架中,对于突发情况(如作业延误、车辆故障)没有很好的处理机制,因此现有求解框架的抗扰动能力较差。
4.现有的求解算法中,初始解的构造采用随机生成的方式。初始解的选择是一个重要的决策,并且可能需要进行实验和优化,以找到适合特定问题的初始解生成方法。随机生成的初始解可能具有不同的质量和优劣程度。较差的初始解可能需要更多的迭代和搜索才能找到更好的解,影响算法的收敛速度以及求解结果的最优性。
5.此外,现有的求解算法中,往往采用单一搜索方式(如遗传算法、模拟退火算法),单一搜索方式可能会陷入局部最优解,无法跳出当前解空间中的局部最优点。这是因为单一搜索方式只关注当前解周围的邻域,而忽略了其他可能的解空间。此外单一搜索方式可能导致解决方案的缺乏多样性。它可能只生成相似的解,而无法发现其他解决方案的潜力。
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自动化集装箱港口车辆协同作业实时调度方法,能够快速、准确地实现智能网联运输集卡的在线实时调度。
本发明的目的可以通过以下技术方案来实现:一种自动化集装箱港口车辆协同作业实时调度方法,包括以下步骤:
S1、根据不同的港口作业场景,获取对应的作业集装箱信息以及智能网联运输集卡信息,并保存至数据库中;
S2、调度中心采集获取当前作业设备运行信息以及车辆当前信息,并保存至数据库中;
S3、根据当前作业设备运行信息以及车辆当前信息,判断是否存在车辆进入作业设备,若存在则执行步骤S4,否则返回步骤S2;
S4、调度中心确定待调度集装箱与负责运输任务的智能网联运输集卡;
S5、调度中心通过求解预设调度模型,确定出智能网联运输集卡行驶路径以及运输集装箱任务,以作为调度结果并保存至数据库中;
S6、调度中心将调度结果发送至对应车辆,以控制改变车辆的工作状态。
进一步地,所述步骤S1中不同的港口作业场景包括但不限于集装箱装船作业、集装箱卸船作业、多船同时装卸作业、40英尺与20英尺集装箱混合作业。
进一步地,所述步骤S2具体包括以下步骤:
S21、调度中心采集当前作业设备运行信息,并与智能网联运输集卡连接通信,以获取车辆当前信息,若连接通信失败,则执行步骤S22,否则将当前作业设备运行信息与车辆当前信息保存至数据库中;
S22、判断出现数据丢包,调度中心从数据库中读取上一条记录信息,以作为当前作业设备运行信息与车辆当前信息。
进一步地,所述作业设备包含岸桥轨道吊与堆场轮胎吊;
所述作业设备运行信息包括作业状态、未来作业计划与时间;
所述车辆当前信息包括当前运输状态、当前速度与位置、以及计划运输集装箱编号。
进一步地,所述步骤S4具体是根据以下公式来确定待调度集装箱:
nc=knh
其中,nh为参与调度的智能网联运输集卡数量,k为比例系数,nc为参与调度的集装箱数量。
进一步地,所述步骤S4具体是根据以下公式来确定负责运输任务的智能网联运输集卡:
其中,为智能网联运输集卡h预计完成任务时刻,tc为当前时间,T为滚动时域的长度,若智能网联运输集卡预计完成任务时刻小于当前时间与滚动时域长度之和,则确定该智能网联运输集卡参与模型调度。
进一步地,所述步骤S6中调度中心求解预设调度模型包括以下两个过程:
S61、求解集装箱作业任务分配结果;
S62、求解智能网联运输集卡路径协同规划结果。
进一步地,所述步骤S61具体包括以下步骤:
S611、构造集装箱分配的初始解,采用先到先服务规则,为智能网联运输集卡分配初始集装箱;
S612、使用destroy算子破坏初始解,得到当前解,其中,destroy算子包含随机删除算子、最差删除算子;
S613、使用repair算子对当前解进行修复,得到新的可行解,其中,repair算子包含随机插入算子、最优插入算子;
S614、对当前的可行解进行评估,并更新算子得分sd;
S615、更新destroy算子与repair算子的权重;
S616、返回执行步骤S612,直到满足迭代终止条件,输出得到当前的可行解。
进一步地,所述步骤S615中更新destroy算子与repair算子的权重的计算公式为:
其中,ωd为算子权重,sd为算子得分,ud为算子使用次数,ρ为权重更新速率。
进一步地,所述步骤S62具体包括以下步骤:
S621、初始化路径库,存储路网中所有节之间的最短路径;
S622、生成智能网联运输集卡的初始路径,具体是以节点之间的最短路径作为初始路径;
S623、随机搜索车辆路径,并计算调度目标函数值;
S624、若新的路径优于全局最优路径,则更新全局最优路径;
否则以概率P更新全局最优路径:
其中,f(xb)为全局最优路径对应目标函数值,xc为当前路径对应目标函数值,T0为当前温度;
S625、若达到设定最大迭代次数,则输出当前全局最优路径;
否则更新当前温度T0=αT0,其中α为降温系数α∈(0,1),之后返回步骤S623。
与现有技术相比,本发明具有以下优点:
一、本发明通过实时更新获取当前作业设备运行信息以及车辆当前信息,以判断是否存在车辆进入作业设备,再进一步确定出待调度集装箱与负责运输任务的智能网联运输集卡,并通过求解预设调度模型,以得到包含智能网联运输集卡行驶路径以及运输集装箱任务的调度结果。由此实现一种基于滚动时域的动态在线调度求解方案,一方面通过滚动时域框架,能够减小调度求解规模,从而加快调度求解速度,另一方面充分考虑到作业设备的当前运行信息以及运输集卡的车辆当前信息,能够确保得到准确的调度结果,从而实时在线准确地调度控制车辆完成对应的任务。
二、本发明在求解调度模型时,包含集装箱作业任务分配、智能网联运输集卡路径协同规划两个过程,并由此提出了一种基于优化的初始解构造方法,从一个较好的初始解进行搜索,从而加快求解算法的收敛速度;还设计了多种搜索算子,并提出算子权重更新公式,从而增强求解算法的搜索能力,能够根据求解情况,实时调整搜索算子的权重,大大提升了调度求解结果的最优性。
附图说明
图1为本发明的方法流程示意图。
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。
实施例
如图1所示,一种自动化集装箱港口车辆协同作业实时调度方法,包括以下步骤:
S1、根据不同的港口作业场景,获取对应的作业集装箱信息以及智能网联运输集卡信息,并保存至数据库中;
S2、调度中心采集获取当前作业设备运行信息以及车辆当前信息,并保存至数据库中;
S3、根据当前作业设备运行信息以及车辆当前信息,判断是否存在车辆进入作业设备,若存在则执行步骤S4,否则返回步骤S2;
S4、调度中心确定待调度集装箱与负责运输任务的智能网联运输集卡;
S5、调度中心通过求解预设调度模型,确定出智能网联运输集卡行驶路径以及运输集装箱任务,以作为调度结果并保存至数据库中;
S6、调度中心将调度结果发送至对应车辆,以控制改变车辆的工作状态。
本实施例应用上述技术方案,主要内容有:
步骤1:根据不同的港口作业场景,获取作业集装箱信息以及智能网联运输集卡信息,保存至数据库中;
步骤2:调度中心采集作业设备(岸桥轨道吊与堆场轮胎吊)运行信息,并与智能网联运输集卡连接通信,以获取车辆当前信息,如果连接通信失败,则进入步骤3,否则将当前作业设备运行信息与车辆当前信息保存至数据库中;
步骤3:判断出现数据丢包,调度中心从数据库中读取上一条记录信息,以作为当前作业设备运行信息与车辆当前信息;
步骤4:调度中心根据当前作业设备运行信息与车辆当前信息,判断是否存在车辆进入作业设备,若存在则进入步骤5,否则返回步骤2;
步骤5:调度中心确定待调度集装箱与负责运输任务的智能网联运输集卡;
步骤6:调度中心求解调度模型,确定智能网联运输集卡行驶路径以及运输集装箱任务,以作为调度结果并保存至数据库中;
步骤7:将调度结果发送至车辆,以控制车辆的工作状态、完成对应的运输任务,再返回步骤2继续新一轮实时调度、或结束当前调度过程。
在步骤1中,作业场景包含集装箱装船作业、集装箱卸船作业、多船同时装卸作业、40英尺与20英尺集装箱混合作业。
在步骤2中,作业设备包含岸桥轨道吊与堆场轮胎吊,作业设备信息包含当前作业状态(空闲或占用),未来作业计划与时间,智能网联运输集卡状态包含当前运输状态,当前速度与位置,以及计划运输集装箱编号。
在步骤5中,确定负责运输任务的智能网联运输集卡的方法为:
其中,为智能网联运输集卡h预计完成任务时刻,其中tc为当前时间,T为滚动时域的长度,若集卡预计完成任务时刻小于当前时间与滚动时域长度之和,则确定该集卡参与模型调度。
在步骤5中,确定待调度集装箱的方法为:
nc=knh
其中,nh为参与调度的智能网联运输集卡数量,k为比例系数,nc为参与调度的集装箱数量。
在步骤6中,调度中心求解调度模型包含以下步骤:
步骤6.1:集装箱作业任务分配;
步骤6.2:智能网联运输集卡路径协同规划;
其中,在步骤6.1中,对于集装箱作业任务分配的优化求解过程包括以下步骤:
步骤6.1.1:构造集装箱分配的初始解,采用先到先服务规则,为智能网联运输集卡分配初始集装箱;
步骤6.1.2:使用destroy算子破坏初始解,destroy算子包含随机删除算子、最差删除算子,得到当前解;
步骤6.1.3:使用repair算子对当前解进行修复,repair算子包含随机插入算子、最优插入算子,得到新的可行解;
步骤6.1.4:对可行解进行评估,并更新算子得分sd;
步骤6.1.5:更新destroy算子与repair算子的权重:
其中,ωd为算子权重,sd为算子得分,ud为算子使用次数,ρ为权重更新速率;
步骤6.1.6:重复步骤6.1.2,直到满足迭代终止条件,输出当前可行解。
在步骤6.2中,对于智能网联运输集卡路径协同规划的求解过程包括以下步骤:
步骤6.2.1:初始化路径库,存储路网中所有节之间的最短路径;
步骤6.2.2:生成智能网联运输集卡的初始路径,为加快算法求解速度,以节点之间的最短路径作为初始路径;
步骤6.2.3:随机搜索车辆路径,并计算目标函数值,需要说明的是,实际应用中,具体是根据所使用调度算法对应的目标函数,以进行计算;
步骤6.2.4:如果新的路径优于全局最优路径,则更新全局最优路径;
否则以概率P来更新全局最优路径:
其中,f(xb)为全局最优路径对应目标函数值,xc为当前路径对应目标函数值,T0为当前温度;
步骤6.2.5:若达到设定最大迭代次数,则输出当前全局最优路径;
否则更新当前温度T0=αT0,其中α为降温系数α∈(0,1),之后返回步骤6.2.3。
综上可知,本技术方案提供了一种面向港区智能集卡实时调度的在线滚动优化求解方案,考虑运输集卡的实际运行状态与作业设备的作业情况,通过滚动时间域对调度问题进行切分,从而减小求解问题规模;通过改进初始解的构造算法,加快求解算法的收敛速度;通过执行应搜索算子选择算法,增加求解算法的搜索空间,从而提升求解结果的最优性。
本方案包含两种设计:基于滚动时域的求解框架和基于自适应大邻域搜索的模型求解算法。其中,滚动时域的框架可以减小调度问题求解规模,同时能够考虑到港区岸桥轨道吊与堆场轮胎吊的实时作业情况、运输集卡的时空轨迹与运输任务以及运输车辆与港区作业设备时间窗协同、车辆时空分布与路网时空资源相互协同需求;基于自适应大邻域搜索的模型求解算法,则通过设计一种初始解构造算法与邻域解生成算子,加快算法收敛,提升调度模型的求解速度。基于以上两种设计,能够实现网联自动驾驶集卡在线实时调度方案的生成。本方案适用于多种自动化集装箱港口作业场景,包括但不限于:集装箱装船作业、集装箱卸船作业、多船同时装卸作业、40英尺与20英尺集装箱混合作业,且能大幅提升现有调度模型求解速度,满足面向自动驾驶实时规控的秒级调度方案生成需求。
Claims (10)
1.一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,包括以下步骤:
S1、根据不同的港口作业场景,获取对应的作业集装箱信息以及智能网联运输集卡信息,并保存至数据库中;
S2、调度中心采集获取当前作业设备运行信息以及车辆当前信息,并保存至数据库中;
S3、根据当前作业设备运行信息以及车辆当前信息,判断是否存在车辆进入作业设备,若存在则执行步骤S4,否则返回步骤S2;
S4、调度中心确定待调度集装箱与负责运输任务的智能网联运输集卡;
S5、调度中心通过求解预设调度模型,确定出智能网联运输集卡行驶路径以及运输集装箱任务,以作为调度结果并保存至数据库中;
S6、调度中心将调度结果发送至对应车辆,以控制改变车辆的工作状态。
2.根据权利要求1所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S1中不同的港口作业场景包括但不限于集装箱装船作业、集装箱卸船作业、多船同时装卸作业、40英尺与20英尺集装箱混合作业。
3.根据权利要求1所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、调度中心采集当前作业设备运行信息,并与智能网联运输集卡连接通信,以获取车辆当前信息,若连接通信失败,则执行步骤S22,否则将当前作业设备运行信息与车辆当前信息保存至数据库中;
S22、判断出现数据丢包,调度中心从数据库中读取上一条记录信息,以作为当前作业设备运行信息与车辆当前信息。
4.根据权利要求1所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述作业设备包含岸桥轨道吊与堆场轮胎吊;
所述作业设备运行信息包括作业状态、未来作业计划与时间;
所述车辆当前信息包括当前运输状态、当前速度与位置、以及计划运输集装箱编号。
5.根据权利要求4所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S4具体是根据以下公式来确定待调度集装箱:
nc=knh
其中,nh为参与调度的智能网联运输集卡数量,k为比例系数,nc为参与调度的集装箱数量。
6.根据权利要求5所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S4具体是根据以下公式来确定负责运输任务的智能网联运输集卡:
其中,为智能网联运输集卡h预计完成任务时刻,tc为当前时间,T为滚动时域的长度,若智能网联运输集卡预计完成任务时刻小于当前时间与滚动时域长度之和,则确定该智能网联运输集卡参与模型调度。
7.根据权利要求1所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S6中调度中心求解预设调度模型包括以下两个过程:
S61、求解集装箱作业任务分配结果;
S62、求解智能网联运输集卡路径协同规划结果。
8.根据权利要求7所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S61具体包括以下步骤:
S611、构造集装箱分配的初始解,采用先到先服务规则,为智能网联运输集卡分配初始集装箱;
S612、使用destroy算子破坏初始解,得到当前解,其中,destroy算子包含随机删除算子、最差删除算子;
S613、使用repair算子对当前解进行修复,得到新的可行解,其中,repair算子包含随机插入算子、最优插入算子;
S614、对当前的可行解进行评估,并更新算子得分sd;
S615、更新destroy算子与repair算子的权重;
S616、返回执行步骤S612,直到满足迭代终止条件,输出得到当前的可行解。
9.根据权利要求8所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S615中更新destroy算子与repair算子的权重的计算公式为:
其中,ωd为算子权重,sd为算子得分,ud为算子使用次数,ρ为权重更新速率。
10.根据权利要求7所述的一种自动化集装箱港口车辆协同作业实时调度方法,其特征在于,所述步骤S62具体包括以下步骤:
S621、初始化路径库,存储路网中所有节之间的最短路径;
S622、生成智能网联运输集卡的初始路径,具体是以节点之间的最短路径作为初始路径;
S623、随机搜索车辆路径,并计算调度目标函数值;
S624、若新的路径优于全局最优路径,则更新全局最优路径;
否则以概率P更新全局最优路径:
其中,f(xb)为全局最优路径对应目标函数值,xc为当前路径对应目标函数值,T0为当前温度;
S625、若达到设定最大迭代次数,则输出当前全局最优路径;
否则更新当前温度T0=αT0,其中α为降温系数α∈(0,1),之后返回步骤S623。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773868.4A CN116823085A (zh) | 2023-06-28 | 2023-06-28 | 一种自动化集装箱港口车辆协同作业实时调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310773868.4A CN116823085A (zh) | 2023-06-28 | 2023-06-28 | 一种自动化集装箱港口车辆协同作业实时调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823085A true CN116823085A (zh) | 2023-09-29 |
Family
ID=88140770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310773868.4A Pending CN116823085A (zh) | 2023-06-28 | 2023-06-28 | 一种自动化集装箱港口车辆协同作业实时调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823085A (zh) |
-
2023
- 2023-06-28 CN CN202310773868.4A patent/CN116823085A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bish | A multiple-crane-constrained scheduling problem in a container terminal | |
Hartmann | A general framework for scheduling equipment and manpower at container terminals | |
Vacca et al. | Optimization at container terminals: status, trends and perspectives | |
Roy et al. | Modeling and design of container terminal operations | |
Jun et al. | Pickup and delivery problem with recharging for material handling systems utilising autonomous mobile robots | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
Ma et al. | An improved shuffled frog leaping algorithm for multiload AGV dispatching in automated container terminals | |
Xing et al. | Dispatch problem of automated guided vehicles for serving tandem lift quay crane | |
CN116629424A (zh) | 新型集装箱堆场作业模式的自动化双场桥智能调度方法 | |
Takahashi et al. | Online optimization of AGV transport systems using deep reinforcement learning | |
Park et al. | Optimizing stacking policies using an MOEA for an automated container terminal | |
Le et al. | Integrating both routing and scheduling into motion planner for multivehicle system | |
CN116823085A (zh) | 一种自动化集装箱港口车辆协同作业实时调度方法 | |
Xin et al. | Rescheduling of interacting machines in automated container terminals | |
Zaghdoud et al. | Optimization problem of assignment containers to AIVs in a container terminal | |
Moser | Machine learning and digital twin-sed path planning for AGVs at automated container terminals | |
Souto et al. | Fleet management system for autonomous mobile robots in secure shop-floor environments | |
Chen et al. | Retrieval request scheduling in a shuttle-based storage and retrieval system with two lifts | |
Qu et al. | Coordinative scheduling of the mobile robots and machines based on hybrid GA in flexible manufacturing systems | |
Wang et al. | An AGV scheduling algorithm for smart workshops with limited logistics capacity | |
Zhong et al. | Real-time multi-resource jointed scheduling of container terminals with uncertainties using a reinforcement learning approach | |
Nativ et al. | Model predictive control of an automated storage/retrieval system | |
Homayouni et al. | A hybrid genetic-heuristic algorithm for scheduling of automated guided vehicles and quay cranes in automated container terminals | |
Zhou et al. | Research on block storage yard scheduling according to grid method | |
Corman et al. | Optimizing hybrid operations at large-scale automated container terminals |
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 |