CN117078124A - 一种基于遗传算法的船舶指泊方法及系统 - Google Patents
一种基于遗传算法的船舶指泊方法及系统 Download PDFInfo
- Publication number
- CN117078124A CN117078124A CN202311071230.2A CN202311071230A CN117078124A CN 117078124 A CN117078124 A CN 117078124A CN 202311071230 A CN202311071230 A CN 202311071230A CN 117078124 A CN117078124 A CN 117078124A
- Authority
- CN
- China
- Prior art keywords
- berthing
- determining
- ship
- time
- quay
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000035772 mutation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000008439 repair process Effects 0.000 claims description 25
- 210000000349 chromosome Anatomy 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- PHTXVQQRWJXYPP-UHFFFAOYSA-N ethyltrifluoromethylaminoindane Chemical compound C1=C(C(F)(F)F)C=C2CC(NCC)CC2=C1 PHTXVQQRWJXYPP-UHFFFAOYSA-N 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Ocean & Marine Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于遗传算法的船舶指泊方法及系统。方法包括:确定目标船舶的靠泊时间、岸桥需求数量范围和离港时间;确定若干个随机岸桥数和相应于每个随机岸桥数的靠泊位置;确定可供所述目标船舶分配的岸桥编号;确定分配方案;确定初始种群;基于遗传算法进行交叉和变异操作处理,得到操作个体;针对不可行解进行修复处理;针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到最优解。本申请综合考虑了泊位和岸桥的资源约束、作业及等待时间、性能等因素,以最小化船舶在港时间为优化目标进行求解,可最大程度地降低船舶在港时间,实现泊位与岸桥资源的高效优化分配,提高港口物流的运营效率。
Description
技术领域
本申请涉及海域船舶优化调度技术领域,尤其涉及一种基于遗传算法的船舶指泊方法及系统。
背景技术
在当今全球化和国际贸易日益发展的背景下,港口作为货物流通的重要枢纽,扮演着至关重要的角色。然而,港口面临着不断增长的货物流量和日益复杂的运营需求,这给港口物流管理带来了诸多挑战。其中,泊位与岸桥分配优化问题是港口物流运营中的一个关键技术领域。首先,全球贸易的迅猛增长导致了船舶规模的不断扩大,越来越多的大型集装箱船需要在港口进行装卸作业。同时,货物流通的高度集中性也使得港口需要面对大量船舶集中到港的情况。在这样的背景下,合理而高效地分配泊位资源,使得船舶能够尽快停靠、装卸并离港,成为港口必须面对的难题。其次,岸桥作为港口装卸的核心设备,其资源分配的优化直接关系到港口作业效率和吞吐量。
岸桥数量有限,而装卸作业的需求却日益增长,因此需要通过合理的岸桥分配策略,最大限度地利用岸桥资源,提高装卸作业的效率,降低等待时间,减少港口物流运营的成本。在港口的实际工作中,泊位的分配和岸桥的配置通常是独立进行的。然而在港口繁忙的情况下,这种分离的方式会显著增加船舶在港的时间。
发明内容
本申请提供了一种基于遗传算法的船舶指泊方法及系统,能够解决现有的由于泊位的分配和岸桥的配置通常是独立进行的,从而导致船舶停泊的效率较低的问题。
本申请的第一个技术方案是一种基于遗传算法的船舶指泊方法,包括下述步骤:
S1:确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;
根据目标船舶的所述靠泊时间,确定目标船舶的离港时间;
S2:基于所述岸桥需求数量范围,确定相应于靠泊时间并且处于所述岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置;
S3:根据靠泊位置确定可供所述目标船舶分配的岸桥编号;
根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案;
S4:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;
判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群;
S5:确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
可选地,所述S1包括下述步骤:
S11:确定实验船舶并且收集实验船舶关于靠泊时间、在港时间和离港时间的历史数据集;
S12:通过历史数据集训练模型,相应地得到以靠泊时间为输入项并且以在港时间和离港时间为输出项的船舶在港时间预测模型;
S13:确定目标船舶的到港时间并且将到港时间近似为目标船舶的靠泊时间;
S14:确定相应于目标船舶的岸桥需求数量范围;
所述岸桥需求数量范围为[最小岸桥需求数目,最大岸桥需求数目];
S15:基于船舶在港时间预测模型并且根据目标船舶的所述靠泊时间,确定目标船舶的离港时间。
可选地,所述S2包括下述步骤:
S21:基于所述岸桥需求数量范围,确定处于所述岸桥需求数量范围内的若干个随机岸桥数;
S22:确定当处于目标船舶的靠泊时间时的若干个相互独立的待匹配岸桥组;所述待匹配岸桥组包括设置数量为实际岸桥数的若干个岸桥;
S23:针对随机岸桥数和待匹配岸桥组中的实际岸桥数进行匹配;当随机岸桥数小于等于一个待匹配岸桥组中的实际岸桥数,相应地确定待匹配岸桥组为可匹配岸桥组;
S24:根据相应于随机岸桥数的可匹配岸桥组,相应地确定靠泊位置。
可选地,所述S24包括下述步骤:
S241:根据相应于随机岸桥数的可匹配岸桥组,确认是否有靠泊位置;
S242:如果没有可行的靠泊位置,延长所述目标船舶的靠泊时间,重复所述S21~S242,直至确定目标船舶的靠泊位置。
可选地,所述步骤S3包括:
S31:基于靠泊位置,在相应于靠泊位置的可匹配岸桥组中的岸桥编号;
S32:在相应于靠泊位置的可匹配岸桥组中的岸桥编号中,确定相应于可匹配岸桥组的若干个可执行岸桥组;所述可执行岸桥组包括岸桥编号呈连续设置的若干个岸桥;
S33:根据可执行岸桥组,确定若干个包括靠泊位置和岸桥编号的分配方案。
可选地,所述S4包括下述步骤:
S41:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;
S42:判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,相应地得到若干个修复船舶以及相应于修复船舶的修复个体;
修复处理的步骤如下所示:
A:检查不可行解中靠泊时间是否满足etbi≥etai;
若不满足,将靠泊时间修改为etai;
B:检查不可行解中靠泊位置是否满足0≤si≤L-li;
若小于0,将靠泊位置修改为-si,若大于L-li,则将靠泊位置修改为L-li;
C:检查不可行解中分配给目标船舶的岸桥数量是否满足∑i∈Vyij≤q,j∈Q,若小于qmin i,将岸桥数量修改为qmin i,若大于qmax i,将岸桥数量修改为qmax i;
式中,etai表示船舶i的预计抵港时间;etbi表示目标船舶i的预计靠泊时间;si表示目标船舶i在泊位上的实际靠泊位置;li表示目标船舶i船长与安全距离的总和;
L表示岸线总长;Q表示岸桥集合;q表示岸桥总数;
yij表示船舶i是否分配到岸桥j;
S43:确定目标船舶和修复船舶的靠泊位置是否存在重叠;
如果存在重叠,针对修复船舶执行所述S2~S3,直至确定修复船舶的与目标船舶无重叠的靠泊位置,相应地得到更新船舶以及相应于更新船舶的更新个体;
S44:将相应于更新船舶的更新个体更新为操作个体,相应地得到待评估种群。
可选地,所述S5包括下述步骤:
S51:确定相应于分配方案的适应性评价函数;
适应性评价函数如下所示:
f(x)=1/[Z(x)+ε];
式中,f(x)表示适应度值;Z(x)表示操作个体的目标函数值;ε表示误差数;
S52:基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,迭代计数增加1;
S53:确定最大迭代次数;重复执行所述S52,直至迭代计数达到最大迭代次数,相应地得到目标船舶的关于分配方案的最优解。
可选地,所述步骤S52包括下述步骤:
S521:计算待评估种群中每个操作个体的适应度值;
S522:计算待评估群体中所有操作个体的总适应度值;
S523:基于适应度/总适应度,计算操作个体被选中的概率;
S524:随机生成一个0~1的随机数;
S525:将被选中的操作个体的累积概率与随机数进行比较;所述累计概率为第n个操作个体的累积概率是包含n在内的前n个操作个体被选中的概率之和;
S526:当累积概率首次大于等于随机数时,选择对应的操作个体至下一代待评估种群中。
本申请的第二个技术方案是一种基于遗传算法的船舶指泊系统,包括:初始信息模块、靠泊位置模块、分配方案模块、种群优化模块和迭代评估模块;
所述初始信息模块,用于确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;根据目标船舶的所述靠泊时间,确定目标船舶的离港时间;
所述靠泊位置模块,用于基于所述岸桥需求数量范围,确定相应于靠泊时间并且处于所述岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置;
所述分配方案模块,用于根据靠泊位置确定可供所述目标船舶分配的岸桥编号;根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案;
所述种群优化模块,用于根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群;
所述迭代评估模块,用于确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
有益效果:
本申请在实施时充分考虑了船舶船长的限制,对船舶允许的最大和最小岸桥数进行了限制,以确保分配方案可行且符合实际情况;此外本申请不仅完成了岸桥数量的分配,还对具体使用哪个岸桥进行了分配,且岸边岸桥都位于同一轨道,之间不可跨越或交叉;
此外,本申请通过遗传算法来优化泊位与岸桥的分配方案,通过基因编码来表示不同的分配方案,并通过适应度函数对方案进行评估;在应用遗传算法过程中,为了保证初始种群中个体具有较高适应性和多样性对于初始种群的生成,将贪心策略与随机生成方法结合起来,在保持种群多样性的的同时避免计算时间和资源的浪费。
另外,对于应用遗传算法过程中中交叉变异后的不可行解加入了修复方案,在保留交叉变异操作引入的新信息和特征的同时,对生成的新个体进行逐个基因点位的检查,按照其靠泊顺序依次进行修复,最终用户界面能生成详细的报表和统计数据;
综上可知,由于本申请将泊位分配和岸桥配置进行综合考虑,因此能够解决现有的由于泊位的分配和岸桥的配置通常是独立进行的,从而导致船舶停泊的效率较低的问题,此外本申请还可最大程度地降低船舶在港时间,实现泊位与岸桥资源的高效优化分配,提高港口物流的运营效率,为全球贸易的发展提供有力支撑。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于遗传算法的船舶指泊方法的流程示意图;
图2为本申请实施例中遗传算法的逻辑示意图;
图3为本申请实施例中的染色体编码方式的示意图;
图4为本申请实施例中不同算例下Gurobi、GA与GGA目标值的对比示意图;
图5为本申请实施例中基于遗传算法的船舶指泊系统的结构示意图;
附图标记:1-初始信息模块;2-靠泊位置模块;3-分配方案模块;4-种群优化模块;5-迭代评估模块。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
实施例一
本申请实施例提供了一种基于遗传算法的船舶指泊方法,如图1所示,包括:
S1:确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;
根据目标船舶的靠泊时间,确定目标船舶的离港时间。
其中,S1包括下述步骤:
S11:确定实验船舶并且收集实验船舶关于靠泊时间、在港时间和离港时间的历史数据集。
具体地,在执行本方案时,需要对接口数据进行存储和处理并从数据库中匹配相关历史数据与静态数据,从而更好地了解各船舶的基本概况以便进一步的泊位与岸桥分配。接口数据包括船舶的到港时间、进口航次、出口航次以及靠泊区域等;
历史数据包括历史箱量、历史使用次数最多的堆场、历史靠泊方向以及历史平均停泊时长等;
静态数据包括船舶的船长、吨级、检疫方式、吃水深度、主堆场以及优先级等。
其中,用户通过接口的方式与该系统进行数据交换,当用户需要访问该系统时,会向该系统发送请求接口,其中包含船舶到港时间、进出口航次、货物类型等关键数据。系统通过数据处理与存储模块对采集到的数据进行存储和处理,并从数据库中匹配出与其相关的历史数据与静态数据,从而更好地掌握各船舶的基本概况,以便进一步的泊位与岸桥分配。
S12:通过历史数据集训练模型,相应地得到以靠泊时间为输入项并且以在港时间和离港时间为输出项的船舶在港时间预测模型;
具体地,同时通过人工智能技术深度学习船舶在港时间历史数据,结合船舶实时泊位和岸桥分配情况对船舶在港时进行预测,以便准确的掌握船舶的离港时刻,从而使泊位计划更好地适应实际情况。
船舶在港时间预测模型模型用于辅助指泊。该模型的输入项包括船名、航线、岸桥数、预计靠泊时间以及作业箱量等,输出项为不同岸桥数所对应的在港时间(预计作业时长)以及离港时间。模型采用的是单层隐含层的全连接神经网络模型。
S13:确定目标船舶的到港时间并且将到港时间近似为目标船舶的靠泊时间;
S14:确定相应于目标船舶的岸桥需求数量范围;
岸桥需求数量范围为[最小岸桥需求数目,最大岸桥需求数目];
S15:基于船舶在港时间预测模型并且根据目标船舶的靠泊时间,确定目标船舶的离港时间。
具体地,在考虑船舶船长的限制时,对船舶允许的岸桥需求数量范围(即最大和最小岸桥数)进行了限制,以确保分配方案可行且符合实际情况。
S2:基于岸桥需求数量范围,确定相应于靠泊时间并且处于岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置。
其中,S2包括下述步骤:
S21:基于岸桥需求数量范围,确定处于岸桥需求数量范围内的若干个随机岸桥数;
S22:确定当处于目标船舶的靠泊时间时的若干个相互独立的待匹配岸桥组;待匹配岸桥组包括设置数量为实际岸桥数的若干个岸桥;
S23:针对随机岸桥数和待匹配岸桥组中的实际岸桥数进行匹配;当随机岸桥数小于等于一个待匹配岸桥组中的实际岸桥数,相应地确定待匹配岸桥组为可匹配岸桥组;
S24:根据相应于随机岸桥数的可匹配岸桥组,相应地确定靠泊位置。
其中,S24包括下述步骤:
S241:根据相应于随机岸桥数的可匹配岸桥组,确认是否有靠泊位置;
S242:如果没有可行的靠泊位置,延长目标船舶的靠泊时间,重复S21~S242,直至确定目标船舶的靠泊位置。
S3:根据靠泊位置确定可供目标船舶分配的岸桥编号;
根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案。
其中,步骤S3包括:
S31:基于靠泊位置,在相应于靠泊位置的可匹配岸桥组中的岸桥编号;
S32:在相应于靠泊位置的可匹配岸桥组中的岸桥编号中,确定相应于可匹配岸桥组的若干个可执行岸桥组;可执行岸桥组包括岸桥编号呈连续设置的若干个岸桥;
S33:根据可执行岸桥组,确定若干个包括靠泊位置和岸桥编号的分配方案。
具体地,在算法的初始化种群中,将船舶的靠泊时间初始化为船舶的抵港时间,岸桥数在船舶允许的最大最小岸桥数之间随机生成,在允许的范围内搜索能够满足岸桥数的靠泊位置。如果没有可行靠泊位置,将延后船舶的靠泊时间,并继续搜索,直到找到满足条件且时间最早的靠泊位置。
S4:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;
判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群。
具体地,如图2所示,图2为本申请实施例中遗传算法的逻辑示意图,首先对种群规模、最大迭代次数、交叉权重、变异概率等参数进行初始化,然后生成相应规模的初始种群,对其进行基因交叉,生成新的子代个体,再对新生成的子代个体进行基因变异,引入一定程度的随机性。对交叉和变异后的子代个体检查其有效性并进行个体修复,然后重新计算适应度函数的值,筛选出优秀的子代个体替代原有的父代个体,形成新一代的种群,重复执行上述步骤,直到达到最大迭代次数,返回最优解。
其中,S4包括下述步骤:
S41:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体。
具体地,首先应该将不同的分配方案映射到不同染色体的编码上,以便遗传算法能够对解空间进行搜索和优化。泊位与岸桥分配问题实际上是关于确定船舶何时靠泊以及靠泊在何处的问题。一旦确定了船舶的靠泊位置,已知船长,便能够求解出船舶的终止停靠位置。同样地,当确定了船舶的靠泊时间后,已知船舶需要装卸的集装箱数和岸桥配置的数量,便能够计算出船舶的作业时长,从而确定船舶的离泊时间。
在实施中,为了使一条染色体能唯一确定目标船舶的时空二维位置,如图3所示,图3为本申请实施例中的染色体编码方式的示意图,这种编码方式能够有效地描述船舶在港口的停靠起止时间、起止位置及岸桥数,为泊位与岸桥的分配提供了基础。
具体地,遗传算法的性能受到初始种群的好坏影响较大,初始种群的选择对算法的收敛速度和最终解的质量都有重要影响。如果初始种群质量较高,那么遗传算法很可能在较少的迭代次数内找到较好的解。相反,如果初始种群质量较差,算法可能需要更多的迭代次数才能找到满意的解,甚至有可能陷入局部最优解。为了保证初始种群中个体具有较高适应性和多样性,将贪心策略与随机生成方法结合起来进行初始种群的生成,在保持种群多样性的的同时避免计算时间和资源的浪费。这样的分配策略旨在确保资源的合理利用,使得每艘船舶都能够得到适当数量的岸桥支持,从而在满足靠泊时间和位置约束的同时最大化整体效益。
在完成岸桥数量的分配之后,还需对具体使用哪个岸桥进行分配。岸边岸桥都位于同一轨道,它们之间不可跨越或交叉。为了有效地管理岸桥资源,会根据船舶已确定的靠泊时间和靠泊位置,搜索当前可用岸桥的起始编号和终止编号,然后按照已经确定的岸桥数量,为其分配连续可用的岸桥编号,至此就成功生成了一个新的操作个体。重复上述步骤,直到生成指定数量的操作个体作为初始种群。
本申请实施例采用了浮点数编码方式来表示染色体,因此能够方便地进行线性组合运算。对于交叉操作,选择了算数交叉方法。算数交叉是指通过对两个个体进行线性组合,产生出两个全新的个体。设XA t、XB t之间进行算数交叉,式中α为交叉权重,取值范围为[0,1],则交叉后的两个新个体为:
变异操作是为了增加种群的多样性,以防止算法陷入局部最优解的一种操作。在变异操作中,针对每个维度和每个基因位点,会生成一个介于0和1之间的随机数。如果该随机数小于设定的变异概率,那么就会对该位点进行变异操作。变异规则如下式所示:
X′=X·[1+sgn(rand-0.5)·(1-G/T)2]
其中X′表示变异之后的基因,X表示变异之后的基因,rand是0到1之间的随机数,用以确认变异操作的方向,G为当前算法的迭代次数,T为算法设定的最大迭代次数。
S42:判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,相应地得到若干个修复船舶以及相应于修复船舶的修复个体;
修复处理的步骤如下所示:
A:检查不可行解中靠泊时间是否满足etbi≥etai;
若不满足,将靠泊时间修改为etai;
B:检查不可行解中靠泊位置是否满足0≤si≤L-li;
若小于0,将靠泊位置修改为-si,若大于L-li,则将靠泊位置修改为L-li;
C:检查不可行解中分配给目标船舶的岸桥数量是否满足∑i∈Vyij≤q,j∈Q,若小于qmini,将岸桥数量修改为qmini,若大于qmaxi,将岸桥数量修改为qmaxi;
式中,etai表示船舶i的预计抵港时间;etbi表示目标船舶i的预计靠泊时间;si表示目标船舶i在泊位上的实际靠泊位置;li表示目标船舶i船长与安全距离的总和;
L表示岸线总长;Q表示岸桥集合;q表示岸桥总数;
yij表示船舶i是否分配到岸桥j;
S43:确定目标船舶和修复船舶的靠泊位置是否存在重叠;
如果存在重叠,针对修复船舶执行S2~S3,直至确定修复船舶的与目标船舶无重叠的靠泊位置,相应地得到更新船舶以及相应于更新船舶的更新个体;
具体地,在交叉和变异操作后,可能会出现不可行解,即不符合约束条件的个体。如果这些不可行解被保留在种群中,会对种群的多样性和进化方向产生负面影响。而直接淘汰或舍弃这些不可行解则会浪费计算时间和资源,并不利于算法的收敛。
为了解决这个问题同时不影响算法的收敛速度,采用贪心修复策略来处理这些不可行解,使其满足问题的约束条件,并且保留交叉和变异操作引入的新信息和特征。因此,对生成的新个体进行逐个基因点位的检查,按照其靠泊顺序依次进行修复,具体步骤如下:
步骤1,检查靠泊时间是否满足式(2),若不满足,则将靠泊时间修改为etai;
步骤2,检查靠泊位置是否满足式(3),若小于0,则将靠泊位置修改为-si,若大于L-li,则将靠泊位置修改为L-li;
步骤3,检查分配给船舶的岸桥数是否满足式(7),若小于qmin i,则将其修改为qmin i,若大于qmax i,则将其修改为qmax i;
步骤4,检查当前船舶是否与已修复的船舶有重叠,若存在重叠,则将船舶的靠泊时间初始化为船舶的抵港时间,并开始搜索满足修复后的岸桥数量要求且与其他船舶的靠泊位置没有时空上的重叠的可行靠泊位置。
S44:将相应于更新船舶的更新个体更新为操作个体,相应地得到待评估种群。
S5:确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
具体地,如果存在满足适应性函数评价条件的靠泊位置,则进行靠泊。
如果没有可行的靠泊位置,则将船舶的靠泊时间延后,并继续搜索,直到找到满足条件的靠泊位置为止。在靠泊时间、靠泊位置及岸桥数都确定后,同样按照生成初始种群中岸桥分配的方法,搜索当前可用岸桥的起始编号和终止编号,为新的操作个体分配连续可用的岸桥编号;在完成修复后,需要重新计算操作个体的适应度值,并根据适应度值选择哪些个体进入下一代待评估种群。通过上述处理,遗传算法能够逐步改进种群中的操作个体,使其逐渐趋向于更优的解,从而提高算法的性能和收敛速度。
其中,S5包括下述步骤:
S51:确定相应于分配方案的适应性评价函数;
适应性评价函数如下所示:
f(x)=1/[Z(x)+ε];
式中,f(x)表示适应度值;Z(x)表示操作个体的目标函数值;ε表示误差数;
S52:基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,迭代计数增加1。
其中,步骤S52包括下述步骤:
S521:计算待评估种群中每个操作个体的适应度值;
S522:计算待评估群体中所有操作个体的总适应度值;
S523:基于适应度/总适应度,计算操作个体被选中的概率;
S524:随机生成一个0~1的随机数;
S525:将被选中的操作个体的累积概率与随机数进行比较;累计概率为第n个操作个体的累积概率是包含n在内的前n个操作个体被选中的概率之和;
S526:当累积概率首次大于等于随机数时,选择对应的操作个体至下一代待评估种群中。
S53:确定最大迭代次数;重复执行S52,直至迭代计数达到最大迭代次数,相应地得到目标船舶的关于分配方案的最优解。
具体地,适应度函数用于评估个体在种群中的优劣程度。在目标函数是求解最小值的情况下,可以使用目标函数值的倒数作为适应度值。具体而言,适应度函数可以使用以下公式计算:
f(x)=1/(Z(x)+ε)
其中,Z(x)为个体x的目标函数值,ε为一个特别小的正数,用于避免除零错误。通过将目标函数值取倒数,可以使目标函数值较小的个体具有较高的适应度值,从而在遗传算法的选择过程中更有可能被选中。
通过采用轮盘赌选择的方式从种群中选择个体,具体步骤如下:
步骤1,计算种群中每个个体的适应度值f(x);
步骤2,计算种群中所有个体的总适应度值∑f(x);
步骤3,计算个体被选中的概率,即适应度值除以总适应度值f(x)/∑f(x);
步骤4,生成一个0到1之间的随机数;
步骤5,将个体的累积概率与随机数进行比较,第n个个体的累积概率是包含n在内的前n个染色体被选中的概率之和;
步骤6,当累积概率首次大于等于随机数时,选择对应的个体到下一代种群中。
轮盘赌选择能够根据操作个体的适应度大小进行选择,随机数落在哪个累积概率区间内,就选择对应的操作个体。这样可以保证适应度较高的操作个体有更高的概率被选中,但仍给予适应度较低的个体一定的选择机会。
在具体的应用中,针对10组算例进行了求解,分别采用了Gurobi、基本遗传算法(GA)和贪心遗传算法(GGA)。在相同的运行时间下,对它们所求得的目标值进行了对比。每组算例的船舶数量均为40,并将超时时间设定为60秒。表1列举了10组算例下Gurobi求解的目标值以及两种遗传算法(GA和GGA)分别运行10次的平均目标值和最优目标值。从实验结果发现GGA在相同的时间范围内,无论是从平均目标值还是最优目标值来看,其求解效果都稳定地优于GA。然而,Gurobi对问题的复杂度相对较敏感,在较为简单的算例4和算例6中,其目标值略优于GGA。而对于较为复杂的算例10,Gurobi在超时时间范围内无法得到一个可行解,这暗示了其在复杂问题上的局限性。同时,在图3所示的对比图,可以明显地看出GGA稳定的处于整个折线的最下方且波峰波谷相差也最小,这表明GGA在相同运行时间下具有更为稳定且优越的求解效果。从而有效地优化了泊位与岸桥分配,显著减少了船舶在港时间和成本,提高了港口的运营效率和资源利用率。
表1不同算例下Gurobi、GA与GGA目标值表
实施例二
本申请实施例提供了一种基于遗传算法的船舶指泊系统,如图5所示,图5为本申请实施例中基于遗传算法的船舶指泊系统的结构示意图,包括:初始信息模块1、靠泊位置模块2、分配方案模块3、种群优化模块4和迭代评估模块5;
初始信息模块1,用于确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;根据目标船舶的靠泊时间,确定目标船舶的离港时间。
靠泊位置模块2,用于基于岸桥需求数量范围,确定相应于靠泊时间并且处于岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置。
分配方案模块3,用于根据靠泊位置确定可供目标船舶分配的岸桥编号;根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案。
种群优化模块4,用于根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群。
迭代评估模块5,用于确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
以上对本申请的实施例进行了详细说明,但内容仅为本申请的较佳实施例,不能被认为用于限定本申请的实施范围。凡依本申请范围所作的均等变化与改进等,均应仍属于本申请的专利涵盖范围之内。
Claims (9)
1.一种基于遗传算法的船舶指泊方法,其特征在于,包括下述步骤:
S1:确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;
根据目标船舶的所述靠泊时间,确定目标船舶的离港时间;
S2:基于所述岸桥需求数量范围,确定相应于靠泊时间并且处于所述岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置;
S3:根据靠泊位置确定可供所述目标船舶分配的岸桥编号;
根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案;
S4:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;
判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群;
S5:确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
2.根据权利要求1所述的基于遗传算法的船舶指泊方法,其特征在于,所述S1包括下述步骤:
S11:确定实验船舶并且收集实验船舶关于靠泊时间、在港时间和离港时间的历史数据集;
S12:通过历史数据集训练模型,相应地得到以靠泊时间为输入项并且以在港时间和离港时间为输出项的船舶在港时间预测模型;
S13:确定目标船舶的到港时间并且将到港时间近似为目标船舶的靠泊时间;
S14:确定相应于目标船舶的岸桥需求数量范围;
所述岸桥需求数量范围为[最小岸桥需求数目,最大岸桥需求数目];
S15:基于船舶在港时间预测模型并且根据目标船舶的所述靠泊时间,确定目标船舶的离港时间。
3.根据权利要求1所述的基于遗传算法的船舶指泊方法,其特征在于,所述S2包括下述步骤:
S21:基于所述岸桥需求数量范围,确定处于所述岸桥需求数量范围内的若干个随机岸桥数;
S22:确定当处于目标船舶的靠泊时间时的若干个相互独立的待匹配岸桥组;所述待匹配岸桥组包括设置数量为实际岸桥数的若干个岸桥;
S23:针对随机岸桥数和待匹配岸桥组中的实际岸桥数进行匹配;当随机岸桥数小于等于一个待匹配岸桥组中的实际岸桥数,相应地确定待匹配岸桥组为可匹配岸桥组;
S24:根据相应于随机岸桥数的可匹配岸桥组,相应地确定靠泊位置。
4.根据权利要求3所述的基于遗传算法的船舶指泊方法,其特征在于,所述S24包括下述步骤:
S241:根据相应于随机岸桥数的可匹配岸桥组,确认是否有靠泊位置;
S242:如果没有可行的靠泊位置,延长所述目标船舶的靠泊时间,重复所述S21~S242,直至确定目标船舶的靠泊位置。
5.根据权利要求3所述的基于遗传算法的船舶指泊方法,其特征在于,所述步骤S3包括:
S31:基于靠泊位置,在相应于靠泊位置的可匹配岸桥组中的岸桥编号;
S32:在相应于靠泊位置的可匹配岸桥组中的岸桥编号中,确定相应于可匹配岸桥组的若干个可执行岸桥组;所述可执行岸桥组包括岸桥编号呈连续设置的若干个岸桥;
S33:根据可执行岸桥组,确定若干个包括靠泊位置和岸桥编号的分配方案。
6.根据权利要求3所述的基于遗传算法的船舶指泊方法,其特征在于,所述S4包括下述步骤:
S41:根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;
S42:判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,相应地得到若干个修复船舶以及相应于修复船舶的修复个体;
修复处理的步骤如下所示:
A:检查不可行解中靠泊时间是否满足etbi≥etai;
若不满足,将靠泊时间修改为etai;
B:检查不可行解中靠泊位置是否满足0≤si≤L-li;
若小于0,将靠泊位置修改为-si,若大于L-li,则将靠泊位置修改为L-li;
C:检查不可行解中分配给目标船舶的岸桥数量是否满足∑i∈Vyij≤q,j∈Q,若小于qmin i,将岸桥数量修改为qmin i,若大于qmax i,将岸桥数量修改为qmax i;
式中,etai表示船舶i的预计抵港时间;etbi表示目标船舶i的预计靠泊时间;si表示目标船舶i在泊位上的实际靠泊位置;li表示目标船舶i船长与安全距离的总和;
L表示岸线总长;Q表示岸桥集合;q表示岸桥总数;
yij表示船舶i是否分配到岸桥j;
S43:确定目标船舶和修复船舶的靠泊位置是否存在重叠;
如果存在重叠,针对修复船舶执行所述S2~S3,直至确定修复船舶的与目标船舶无重叠的靠泊位置,相应地得到更新船舶以及相应于更新船舶的更新个体;
S44:将相应于更新船舶的更新个体更新为操作个体,相应地得到待评估种群。
7.根据权利要求3所述的基于遗传算法的船舶指泊方法,其特征在于,所述S5包括下述步骤:
S51:确定相应于分配方案的适应性评价函数;
适应性评价函数如下所示:
f(x)=1/[Z(x)+ε];
式中,f(x)表示适应度值;Z(x)表示操作个体的目标函数值;ε表示误差数;
S52:基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,迭代计数增加1;
S53:确定最大迭代次数;重复执行所述S52,直至迭代计数达到最大迭代次数,相应地得到目标船舶的关于分配方案的最优解。
8.根据权利要求7所述的基于遗传算法的船舶指泊方法,其特征在于,所述步骤S52包括下述步骤:
S521:计算待评估种群中每个操作个体的适应度值;
S522:计算待评估群体中所有操作个体的总适应度值;
S523:基于适应度/总适应度,计算操作个体被选中的概率;
S524:随机生成一个0~1的随机数;
S525:将被选中的操作个体的累积概率与随机数进行比较;所述累计概率为第n个操作个体的累积概率是包含n在内的前n个操作个体被选中的概率之和;
S526:当累积概率首次大于等于随机数时,选择对应的操作个体至下一代待评估种群中。
9.一种基于遗传算法的船舶指泊系统,其特征在于,包括:初始信息模块、靠泊位置模块、分配方案模块、种群优化模块和迭代评估模块;
所述初始信息模块,用于确定目标船舶的靠泊时间以及确定相应于目标船舶的岸桥需求数量范围;根据目标船舶的所述靠泊时间,确定目标船舶的离港时间;
所述靠泊位置模块,用于基于所述岸桥需求数量范围,确定相应于靠泊时间并且处于所述岸桥需求数量范围内的若干个随机岸桥数;根据随机岸桥数,确定相应于每个随机岸桥数的靠泊位置;
所述分配方案模块,用于根据靠泊位置确定可供所述目标船舶分配的岸桥编号;根据目标船舶的靠泊时间、离港时间和若干个靠泊位置以及可分配的岸桥编号,相应地确定若干个包括靠泊位置和岸桥编号的分配方案;
所述种群优化模块,用于根据分配方案构建染色体并且相应地确定初始种群;基于遗传算法针对初始种群中的染色体进行交叉和变异操作处理,相应地得到若干个操作个体;判断若干个操作个体中是否存在不可行解,如果存在,基于贪心策略针对不可行解进行修复处理,直至不可行解转化为操作个体,相应地得到待评估种群;
所述迭代评估模块,用于确定相应于分配方案的适应性评价函数;基于适应性评价函数针对待评估种群进行评估并且基于轮盘赌选择的方式针对待评估种群进行更新,直至得到相应于目标船舶的关于分配方案的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311071230.2A CN117078124A (zh) | 2023-08-24 | 2023-08-24 | 一种基于遗传算法的船舶指泊方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311071230.2A CN117078124A (zh) | 2023-08-24 | 2023-08-24 | 一种基于遗传算法的船舶指泊方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078124A true CN117078124A (zh) | 2023-11-17 |
Family
ID=88709373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311071230.2A Pending CN117078124A (zh) | 2023-08-24 | 2023-08-24 | 一种基于遗传算法的船舶指泊方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078124A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391396A (zh) * | 2023-11-27 | 2024-01-12 | 交通运输部水运科学研究所 | 基于大数据的智慧港口调度方法、系统及可读存储介质 |
-
2023
- 2023-08-24 CN CN202311071230.2A patent/CN117078124A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391396A (zh) * | 2023-11-27 | 2024-01-12 | 交通运输部水运科学研究所 | 基于大数据的智慧港口调度方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhen et al. | Scheduling quay cranes and yard trucks for unloading operations in container ports | |
Dulebenets | An adaptive island evolutionary algorithm for the berth scheduling problem | |
Li et al. | Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm | |
Guo et al. | Gantry crane scheduling with interference constraints in railway container terminals | |
CN117078124A (zh) | 一种基于遗传算法的船舶指泊方法及系统 | |
CN113222463B (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
CN113689037B (zh) | 一种散货港口生产调度优化方法 | |
CN112417604B (zh) | 一种基于多目标优化的电动汽车配送任务自适应分配方法 | |
Barbosa et al. | The use of frontier techniques to identify efficient solutions for the Berth Allocation Problem solved with a hybrid evolutionary algorithm | |
Said et al. | An optimization methodology for container handling using genetic algorithm | |
CN114037252B (zh) | 一种求解船舶交通组织与调度问题的自适应启发式算法 | |
Irawan et al. | A continuous location and maintenance routing problem for offshore wind farms: Mathematical models and hybrid methods | |
CN115713170A (zh) | 自动化集装箱码头泊位和岸桥优化分配方法 | |
CN115965146A (zh) | 一种多种类型泊位智能指泊方法 | |
Yang et al. | Joint optimization of space allocation and yard crane deployment in container terminal under uncertain demand | |
CN115271140A (zh) | 基于动态规划的集装箱船舶配载箱位预留方法 | |
Xin et al. | Mixed-integer nonlinear programming for energy-efficient container handling: Formulation and customized genetic algorithm | |
Nanthasamroeng et al. | Transborder logistics network design for agricultural product transportation in the Greater Mekong Subregion | |
He et al. | Particle Swarm Optimization Using Neighborhood‐Based Mutation Operator and Intermediate Disturbance Strategy for Outbound Container Storage Location Assignment Problem | |
Kovač | Metaheuristic approaches for the berth allocation problem | |
Shu et al. | A double-population genetic algorithm for ASC loading sequence optimization in automated container terminals | |
Chen et al. | Deep reinforcement learning assisted genetic programming ensemble hyper-heuristics for dynamic scheduling of container port trucks | |
CN116050752A (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
CN115713148A (zh) | 基于改进多目标帝国竞争算法的船舶交通组织优化方法 |
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 |