CN117391329A - 用于码头的连续泊位和时变岸桥的协同分配方法与装置 - Google Patents
用于码头的连续泊位和时变岸桥的协同分配方法与装置 Download PDFInfo
- Publication number
- CN117391329A CN117391329A CN202311102069.0A CN202311102069A CN117391329A CN 117391329 A CN117391329 A CN 117391329A CN 202311102069 A CN202311102069 A CN 202311102069A CN 117391329 A CN117391329 A CN 117391329A
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- berthing
- berth
- varying
- 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 47
- 238000012163 sequencing technique Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 51
- 238000005457 optimization Methods 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 15
- 230000006872 improvement Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004904 shortening Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 description 10
- 210000000349 chromosome Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000011423 initialization method Methods 0.000 description 3
- 101710172087 Class B acid phosphatase Proteins 0.000 description 2
- 102100033026 Transmembrane protein 102 Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开一种用于码头的连续泊位和时变岸桥的协同分配方法与装置,所述方法包括:根据船舶的序号对每个船舶个体进行排序编码;得到一个粗略的第一阶段的可行初始解;时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长;对船只进行聚类操作,生成初始种群;基于适应度函数对初始种群进行进化迭代;对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作;得到为预设模型最优解的最优个体。本发明提供了一种创新的船舶泊位和岸桥时变分配方法和装置,显著提高了港口码头的运营效率,达到了最大化岸桥的利用率、提高码头运作的效率的目的。该发明在优化资源联合分配问题方面具有广泛应用前景。
Description
【技术领域】
本发明涉及码头泊位分配与岸桥分配技术领域,尤其涉及一种用于码头的连续泊位和时变岸桥的协同分配方法与装置。
【背景技术】
在码头运作中,泊位(Berth)和岸桥(Quay Crane,QC)这两种稀缺资源的合理分配十分重要。泊位分配问题(Berth Allocation Problem,BAP)是码头作业的主要问题之一,根据码头类型可分为离散型(Discrete Berth Allocation Problem,DBAP)和连续型(Continuous Berth Allocation Problem,CBAP)。对于DBAP,码头被划分为多个泊位,每个泊位一次只能服务一艘船舶,需要决定船舶的泊位和停泊顺序。而对于CBAP来说,码头是一个整体,船舶可以停泊在码头的任何位置,需要决定船舶的停泊位置和停泊时间。
同时,岸桥作为码头运作的关键设备之一,是专门用于集装箱码头对集装箱船进行装卸作业的专业设备,分配给船舶的岸桥数量决定了船舶的工作效率。岸桥分配问题(Quay Crane Assignment Problem,QCAP)可分为时不变岸桥分配和时变岸桥分配。在时不变岸桥分配中,分配给船舶的岸桥数量在工作期间不发生变化直至船舶离港。在时变岸桥分配中,所分配的岸桥数量允许在船舶停泊时间内变化,这种策略可以有效地提高岸桥的利用率,同时可以更加合理的给船舶安排停泊时间。在BAP中船舶的工作时长取决于分配给船舶的岸桥数量,并与靠泊位置有关。因此,如何合理地给船舶协同分配泊位和岸桥是对码头进行效率控制和高度协调的重要问题之一。
其中,泊位分配与岸桥分配协同优化问题(integrated Berth Allocation andQuay Crane Assignment Problem,BACAP)是BAP和QCAP的组合问题,BACAP根据BAP的类型可分为连续和离散两种,岸桥分配也可分为时不变和时变。目前对连续型BACAP的研究占多数,但是大部分研究选择将连续的泊位划分为许多小的泊位段,或者将连续型问题转换为离散型再进行求解,研究证明这样处理可以有效提高计算速度,但对于连续泊位分配问题来说,当船舶停泊位置偏离期望位置时,往往会产生一定的经济代价和不可行停靠方案,比如一些较大体型的船舶无法在浅水区停泊。但对不进行离散化处理的连续BACAP的研究又很少与时变岸桥分配策略相结合。并且大多以最小化船舶在港停留时间为最终目标来建立各种不同的数学模型,很少对船舶偏移距离的考虑,从而无法对码头进行最优的效率控制和高度协调。此外,当前对BACAP的研究使用的求解方法主要分为精确算法和近似算法两种,精确算法可以提供BACAP的精确解,但是由于其缓慢的求解速度,它往往无法处理大规模的BACAP。近似算法则可以在短时间内给出一个近似最优解,但是这对于最小化目标泊位偏移距离来说并不明智,近似最优解中往往会产生一些没有必要的偏移。文化基因算法(Memetic Algorithm,MA)是一种基于种群的启发式搜索算法,结合了基于一组候选种群全局搜索的特性和基于单个候选个体进行局部启发式寻优的特性,MA与上述精确方法和近似方法相比,更适合用于求解大规模、带有多组约束条件和联合优化决策变量的BACAP问题。
鉴于此,实有必要提供一种用于码头的连续泊位和时变岸桥的协同分配方法与装置以克服上述缺陷。
【发明内容】
本发明的目的是提供一种用于码头的连续泊位和时变岸桥的协同分配方法与装置,旨在解决目前数学模型无法对码头进行最优的效率控制和高度协调的问题,可针对连续泊位分配和时变岸桥分配集成问题找到一个优秀的解。
为了实现上述目的,本发明提供一种用于码头的连续泊位和时变岸桥的协同分配方法,包括:
步骤S10:根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序;
步骤S20:根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括为每艘船分配的泊位、开始停泊时间以及工作时长;
步骤S30:以所述步骤S20得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解;
步骤S40:对所述步骤S30得到的解进行进一步改进,优化船舶的泊位,输出最终解;
步骤S50:根据船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群;
步骤S60:基于预设的适应度函数对初始种群进行进化迭代;
步骤S70:对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化;
步骤S80:应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
在一个优选实施方式中,所述步骤S20包括:
根据分配的预设岸桥数量计算出对应的船舶的工作时长,然后根据船舶的停泊顺序依次为每艘船分配泊位以及开始停泊时间;
具体的,判断船舶i是否与已停泊好的船只在时空上有重叠,若有重叠,则根据时间顺序依次搜索可行的停泊泊位段。
在一个优选实施方式中,所述步骤S30包括:
步骤S31:根据所述步骤S20得到的初始解划分时间段,使得在每个时间段内码头上的船只不发生变化,得到每个时间段的开始时刻表time_period;
步骤S32:在每个时间段的开始时刻根据码头上的船舶剩余工作量的比例为每艘船分配岸桥,且须同时满足岸桥数量范围限制;
步骤S33:若在下个时段内船舶i可以完成工作,则缩短船舶i的停泊时间,并更新船舶i的离港时间;
步骤S34:搜索与船舶i有泊位重叠的船舶h,并相应的提前船舶h的停泊时间,以缩短船舶h的等待停泊时长,并更新开始时刻表time_period。
在一个优选实施方式中,所述步骤S40包括:
检测每艘船的停泊位置,水平移动使其尽可能地靠近它的目标泊位。
在一个优选实施方式中,所述步骤S50包括:步骤S51:利用预设的聚类算子将船舶集合分成K类,将船只按照预计到达时间排序;
步骤S52:在按预计到达时间排序的基础上,将聚类后的相同簇内船只的顺序进行随机排序,得到不一样的个体;
步骤S53:基于所述步骤S52的结果生成初始种群。
在一个优选实施方式中,所述步骤S60包括:
步骤S61:根据所述适应度函数的值采用轮盘赌算法选择父代;
步骤S62:通过预设的交叉算子在聚类结果中随机挑选一个簇,随后在这个簇内随机挑选两个交叉点,对挑选的进行交叉的两个父代进行顺序交叉;
步骤S63:通过预设的变异算子在聚类结果中随机挑选两个簇,并在这两个簇内随机挑选两个点进行交换,完成个体的变异。
在一个优选实施方式中,在所述步骤S70中,按照目标函数值从大到小的顺序依次对船舶执行以下操作:
步骤S71:检测船舶是否可直接在预计到达时间停泊在目标泊位上,若存在与其他船重叠的情况,则在当前时段搜索可行的泊位段;
步骤S72:在保持停泊时长不变的情况下检测当前时段内的空闲岸桥是否足够船舶完成工作,若不够则尝试延长船舶的停泊时长,否则转到步骤S73;
步骤S73:遍历从预计到达时间到分配的停泊时间之间,检测是否存在有可停泊的泊位段的停泊时间,若存在则重复上述步骤S71-S72,若不存在则停止。
在一个优选实施方式中,还包括步骤:
判断迭代次数是否为G的倍数,若结果为是,则重新聚类;若结果为否,则保留种群中的精英个体;其中,G为预设的正整数,且G≥2。
在一个优选实施方式中,在所述步骤S60中,所述适应度函数设置为目标函数的倒数;其中,目标函数为:V为船舶集合,V={1,2,…,|V|},ai为船舶i的预计到达时间,tsi为船舶i的开始停泊时间,bi为船舶i的目标泊位位置,pi为船舶i的停泊位置,α,β为预设模型目标的权重值。
本发明还提供一种用于码头的连续泊位和时变岸桥的协同分配装置,包括:
船舶编码模块,用于根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序;
第一阶段解码模块,用于根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括每艘船舶分配的泊位以及开始停泊时间;
第二阶段解码模块,用于以所述第一阶段解码模块得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解;
第三阶段解码模块,用于改进第二阶段解码模块得到的解,优化船舶的泊位,输出最终解;
初始种群生成模块,用于根据船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群;
种群进化模块,用于基于所述适应度函数对初始种群进行进化迭代;
个体优化模块,用于对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化;
精英保留模块,用于应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法与装置,通过执行步骤S10-S40,在给船舶分配泊位的同时,还做到了时变地给船舶分配岸桥,达到了最大化岸桥的利用率、提高码头运作的效率的目的。然后通过执行步骤S50-S80,根据船舶的预计到达时间和目标泊位的时空数据对船舶进行聚类,根据聚类结果产生多样化且有潜力的个体,然后对种群进行基于聚类结果设计的交叉和变异算子,以及执行的目标引导的本地搜索算子,最后采用精英保留策略来保留优秀个体,产生后代。基于聚类结果的种群初始化方法和进化算子有效缩小了优秀解的搜索范围,避免了无意义的搜索,提高了搜索效率,从而使得算法可以在处理大规模实例时依然可以快速找到收敛解。同时,目标引导的局部搜索算子则在找到优秀解的基础上做了进一步优化,保证了解的优异。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法的算法流程图;
图2为本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法的步骤S50中的交叉算子示意图;
图3为本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法的步骤S50中的变异算子示意图;
图4为本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法的步骤S60中的局部搜索算子流程图;
图5为候选解在BACAP问题模型上的示意图;
图6为具体实施例中各算法收敛速度示意图;
图7为ETMA算法获得的最优解的可视化结果示意图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
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。
在本发明的实施例中,提供一种用于码头的连续泊位和时变岸桥的协同分配方法,用于对码头进行效率控制和高度协调,建立针对船舶的偏移距离与等待时间协同目标的连续泊位分配和岸桥时变分配协同优化问题(BACAP)的数学模型,并基于该问题模型设计了一种增强的三阶段文化基因算法(Enhanced Three-Stage Memetic Algorithm,ETMA),从而可以真实地处理连续型泊位,与现有研究离散化处理泊位不同,本发明特别关注未进行离散化处理的连续BACAP问题。考虑船舶停泊位置偏离期望位置时的所付出的额外成本开销和不可行停靠方案,特别是对于大型船舶可能无法在浅水区停泊的情况进行综合考虑,因此在给船舶分配泊位时最大限度地减小船舶的偏移距离;本发明将连续BACAP与时变岸桥分配策略相结合,确保船舶装卸操作得到最佳时间安排,从而提高整体港口效率,以最大化岸桥的利用率,提高码头运作的效率;与过去只关注最小化船舶在港停留时间不同,本发明引入了船舶偏移距离作为额外目标,实现了对港口最优效率和协调性的综合控制。综上,本发明的提出泊位分配与岸桥分配的协同优化方法(BACAP)具有综合考虑偏移成本、真实的连续泊位分配、灵活的岸桥分配、大规模的问题处理,为港口运营提供更为智能和高效的解决方案。
结合图1所示,用于码头的连续泊位和时变岸桥的协同分配方法包括步骤S10-S80。
其中,在步骤S10之前,可先定义适应度函数。由于BACAP问题为最小化优化问题,所以将适应度函数设置为目标函数的倒数。其中,可将目标函数设为:V为船舶集合,V={1,2,…,|V|},ai为船舶i的预计到达时间,tsi为船舶i的开始停泊时间,bi为船舶i的目标泊位位置,pi为船舶i的停泊位置,α,β为预设模型目标的权重值。
步骤S10:根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序。
其中,本发明提供的ETMA算法使用排序编码,利用船舶的序号进行编码,以表示船舶的停泊顺序。每个个体Pi的染色体可表示如下:Pi={1,2,…,|V|}。
步骤S20:根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括为每艘船分配的泊位、开始停泊时间以及工作时长。
此处,步骤S20包括:根据分配的预设岸桥数量计算出对应的船舶的工作时长,然后根据船舶的停泊顺序(即本文化基因算法的染色体信息)依次为每艘船分配泊位以及开始停泊时间。需要说明的是,为了方便计算,并且在解码第二阶段时只需考虑缩短停泊时长,我们暂时先为每艘船只分配一个岸桥。
具体的,可首先判断船舶i是否可以在预计到达时间停泊在目标泊位,即判断船舶i是否与已停泊好的船只在时空上有重叠,若有重叠,则根据时间顺序依次搜索可行的停泊泊位段。
步骤S30:以步骤S20得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解。
此处,步骤S30包括步骤S31-S34。
步骤S31:根据步骤S20得到的初始解划分时间段,使得在每个时间段内码头上的船只不发生变化,得到每个时间段的开始时刻表time_period。
步骤S32:在每个时间段的开始时刻(即在每个船舶进出港的时间点),根据码头上的船舶剩余工作量的比例为每艘船分配岸桥,且须同时满足岸桥数量范围限制。
步骤S33:若在下个时段内船舶i可以完成工作,则缩短船舶i的停泊时间,并更新船舶i的离港时间。
步骤S34:搜索与船舶i有泊位重叠的船舶h,并相应的提前船舶h的停泊时间,以缩短船舶h的等待停泊时长,并更新开始时刻表time_period。
步骤S40:对所述步骤S30得到的解进行进一步改进,优化船舶的泊位,输出最终解。即以下步骤:检测每艘船的停泊位置,水平移动使其尽可能地靠近它的目标泊位。
因此,三阶段解码方式中的第一、二阶段在给船舶分配泊位的同时,还做到了时变地给船舶分配岸桥,达到了最大化岸桥的利用率、提高码头运作的效率的目的;第三阶段进一步优化了船舶的目标泊位偏移距离,真实地处理了连续型泊位,而非其他专利与文献中都是伪连续化泊位(实则离散化),最大限度地减小了船舶的偏移距离。故,通过执行步骤S10-S40,在给船舶分配泊位的同时,还做到了时变地给船舶分配岸桥,达到了最大化岸桥的利用率、提高码头运作的效率的目的。
其中,能够理解的是,三阶段解码分别为生成可行初始解、时变分配岸桥和优化泊位位置。在一些实施例中,可将三阶段解码替换为两阶段解码,即先生成可行初始解,再时变分配岸桥,但是这样会产生效果不好的解,从而增大搜索的负担,且无法最大限度减小船舶的偏移距离。
步骤S50:根据船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群。
为了缩小算法搜索范围,本发明根据船舶的目标泊位和预计到达时间对船只进行聚类操作,相同簇的船只在目标泊位或预计到达时间上的相关性较高,然后在聚类结果的基础上生成初始种群。
具体的,步骤S50包括步骤S51-S53。
步骤S51:利用预设的聚类算子将船舶集合分成K类,将船只按照预计到达时间排序。举例来说,K=4。
步骤S52:在按预计到达时间排序的基础上,将聚类后的相同簇内船只的顺序进行随机,得到不一样的个体。
步骤S53:基于步骤S52的结果生成初始种群。
步骤S60:基于预设的适应度函数对初始种群进行进化迭代。
需要说明的是,应用进化算子对种群进行进化迭代。本发明采用轮盘赌策略选择父代,由于轮盘赌策略算法中个体的适应值越大其被选择的概率越大,同时在这里由于适应度函数为目标函数的倒数,故个体被选择的概率与其目标函数值成反比。重组算子为改进的顺序交叉算子和基于初始种群生成方法的变异算子。
具体的,结合图2与图3所示,步骤S60包括步骤S61-S63。
步骤S61:根据适应度函数的值采用轮盘赌算法选择父代。
步骤S62:如图2所示,通过预设的交叉算子在聚类结果(染色体中不同颜色代表不同的簇)中随机挑选一个簇,随后在这个簇内随机挑选两个交叉点,对挑选的进行交叉的两个父代进行顺序交叉。
步骤S63:如图3所示,通过预设的变异算子在聚类结果中随机挑选两个簇,并在这两个簇内随机挑选两个点进行交换,完成个体的变异。
步骤S70:对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化。即,应用目标引导的局部搜索算子对步骤S60得到的解进行改进。本发明对每一代种群的最优个体均进行局部搜索操作,按照目标函数值从大到小的顺序依次对船舶执行图4中流程图操作。
具体的,结合图4所示,步骤S70中,按照目标函数值从大到小的顺序依次对船舶执行以下操作:
步骤S71:检测船舶是否可直接在预计到达时间停泊在目标泊位上,若存在与其他船重叠的情况,则在当前时段搜索可行的泊位段;
步骤S72:在保持停泊时长不变的情况下检测当前时段内的空闲岸桥是否足够船舶完成工作,若不够则尝试延长船舶的停泊时长,否则转到步骤S73;
步骤S73:遍历从预计到达时间到分配的停泊时间之间,检测是否存在有可停泊的泊位段的停泊时间,若存在则重复上述步骤S71-S72,若不存在则停止。步骤S80:应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
因此,通过执行步骤S50-S80,根据船舶的预计到达时间和目标泊位的时空数据对船舶进行聚类,根据聚类结果产生多样化且有潜力的个体,然后对种群进行基于聚类结果设计的交叉和变异算子,以及执行的目标引导的本地搜索算子,最后采用精英保护策略来保留优秀个体,产生后代,从而对问题实例中的船舶根据预计到达时间和目标泊位进行聚类,基于聚类结果的种群初始化方法和进化算子有效缩小了优秀解的搜索范围,避免了无意义的搜索,提高了搜索效率,从而使得算法可以在处理大规模实例时依然可以快速找到收敛解。同时,在得到的迄今为止最好的染色体上执行的目标引导的局部搜索算子,则在找到优秀解的基础上做了进一步优化,保证了解的优异。
进一步的,在一些实施例中,为了避免种群陷入局部最优,算法定期调用多样性增强方法,每隔G代进行一次重新聚类。具体包括步骤:判断迭代次数是否为G的倍数,若结果为是,则重新聚类;若结果为否,则保留种群中的精英个体;其中,G为预设的正整数,且G≥2。
需要说明的是,为了便于理解上述的实施步骤以及验证本发明的有效性,下面将给出一个具体实施例,将本发明提出的算法应用在此实例上给出最终的解,加以对上述步骤进行辅助说明。因此,下述的具体实施例所涉及到的一些具体参数以及具体处理过程并不代表对本发明的步骤的具体限定。
在本具体实施例中,设定:岸线长度为3000m,岸边共有30个岸桥,岸桥工作效率为25箱/h,需要为未来300个小时内到港的40艘船分配泊位和岸桥,船舶的输入参数符号和设置如表I所示。其中,根据此设置生成10个不同的数据集,算法在10个数据集上独立运行20次。
表I:船舶输入参数设置
其中,V为船舶集合,V={1,2,…,|V|};Q为岸桥集合,Q={1,2,…,|Q|};i为船舶的编号;L为岸线长度,单位为米(m);li为船舶i的长度;ci为船舶i的货物装卸量;ai为船舶i的预计到达时间;di为船舶i的预计离开时间;tsi为船舶i的开始停泊时间;tli为船舶i的离开时间;T为一小时时间段集合,T={1,2,…,max(tli)};t为表示时间的编号;bi为船舶i的目标泊位位置;pi为船舶i的停泊位置;qi max为船舶i的允许分配的最大岸桥数量;qi min为船舶i完成装卸任务所需的最小岸桥数量;v为岸桥的工作效率;xij,yij,rikt,rmn为二元变量,其中xij=1表示船舶i停泊在船舶j的左边,反之为0;yij=1表示船舶i的离开时间不晚于船舶j的开始停泊时间,反之为0;rikt=1表示在t时刻将岸桥k分配给船舶i,反之为0;rmn=1表示岸桥m在岸桥n的左边工作,反之为0;k为岸桥的编号;α,β为数学模型目标的权重值。
然后以最小化船舶等待停泊时间与目标泊位偏移距离的加权和,建立BACAP数学模型。根据问题的优化目标,可以得到问题实例的目标函数:
其中对于目标值权重α和β的设置需考虑多种因素:若在数值上两个目标值的偏差较大,则启发式算法容易忽略数值上较小的目标,着重优化另一个数值上较大的目标,所以在设置权重时应尽量使两个目标值在数值上接近:α=10,β=1。其中ai-tsi表示等待停泊时长,|bi-pi|表示目标泊位偏移距离。
此外,BACAP问题实例还应满足以下约束条件:
其中,约束条件(2)规定泊位开始时间不能早于到达时间,保证等待时间不为负值;约束条件(3)-(4)表示船舶的泊位应在海岸线范围内;约束条件(5)-(6)为非重叠约束,其中约束条件(5)保证任意两艘船的停泊位置在空间上不重叠,且满足安全距离限制(即两船之间的距离必须大于或等于船长的10%);约束条件(6)确保任意两艘船在时间上不重叠;约束条件(7)要求岸桥在作业过程中不能交叉作业;约束条件(8)指定了每艘船可分配的码头起重机的最大数量,因为相邻码头起重机之间的距离必须大于或等于24米;约束条件(9)要求分配给每艘船的岸桥数量必须在给定的范围内;约束条件(10)要求分配给船舶的岸桥总数必须满足船舶的装卸工作量;约束条件(11)是岸桥总数量的约束;约束条件(12)-(15)是二元变量的约束。
图5提供了候选解在BACAP问题模型上的简略示意图,其中横坐标代表岸线,纵坐标代表时间,每个实线矩形块代表一艘船的停泊情况(矩形左下角的横坐标代表停泊位置、纵坐标代表停泊时间,矩形的宽代表船长、高代表工作时长),灰色框代表船的安全距离(船舶前后均需要安全距离,设为船长的10%),五角星则代表每艘船的预计到达时间和目标泊位,箭头可以体现出船舶偏移目标值的大小。此外代表船舶的矩形内的小矩形表示每个时间段为船舶分配的岸桥。
随后,利用本发明提出的算法ETMA对问题实例进行求解。首先定义适应度函数(目标函数的倒数):
然后使用排序编码对船舶的序号进行编码,以表示船舶的停泊顺序。随后根据编码信息,利用ETMA设计的三阶段解码方式进行解码,具体操作步骤如下:
第一步(解码第一阶段——生成可行初始解):先为每艘船只分配一个岸桥。根据分配的岸桥数量计算出船舶的工作时长,然后根据染色体信息(船舶的停泊顺序)为每艘船分配泊位以及开始停泊时间,具体来说,首先判断船舶i是否可以在预计到达时间停泊在目标泊位,即判断船舶i是否与已停泊好的船只在时空上有重叠,若有重叠,则根据时间顺序依次搜索可行的停泊泊位段。
第二步(解码第二阶段——时变分配岸桥):以第一阶段得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解,具体操作为:首先根据第一阶段得到的初始解划分时间段,使得在每个时间段内码头上的船只不发生变化,得到每个时间段的开始时刻表time_period,然后在每个时间段的开始时刻(即在每个船舶进出港的时间点)根据码头上的船舶剩余工作量的比例给它们分配岸桥,同时满足岸桥数量范围限制。随后,若在下个时段内船舶i可以完成工作,缩短船舶i的停泊时间,并更新船舶i的离港时间,搜索与船舶i有泊位重叠的船舶h,并提前船舶h的停泊时间,以缩短船舶h的等待停泊时长,并更新开始时刻表time_period。
第三步(解码第三阶段——优化泊位位置):检测每艘船的停泊位置,水平移动使其尽可能地靠近它的目标泊位。
然后生成初始种群,根据船舶的目标泊位和预计到达时间对船只进行聚类操作,相同簇的船只在目标泊位或预计到达时间上的相关性较高。然后在聚类结果的基础上生成初始种群,具体操作如下:利用聚类算子将船舶集合分成K类,将船只按照预计到达时间排序,在此顺序的基础上,随机聚类后的簇内船只的顺序,得到不一样的个体。
接下来应用进化算子对种群开始进化迭代。将适应度函数设置为目标函数的倒数,利用轮盘赌策略选择父代。并利用改进的顺序交叉算子和基于初始种群生成方法的变异算子对种群进行重组和变异。如图2所示,交叉算子首先在聚类结果(染色体中不同颜色代表不同的簇)中随机挑选一个簇,随后在这个簇内随机挑选两个交叉点,对挑选的进行交叉的两个父代进行顺序交叉。如图3所示,变异算子在聚类结果中随机挑选两个簇,并在这两个簇内随机挑选两个点进行交换,完成个体的变异。
然后应用目标引导的局部搜索算子对每一代种群的最优个体进行改进优化,按照目标函数值从大到小的顺序依次对船舶执行图4中流程图操作。具体来说,首先检测船舶是否可直接在预计到达时间停泊在目标泊位上,若存在与其他船重叠的情况,则在当前时段搜索可行的泊位段。在保持停泊时长不变的情况下检测此时段内的空闲岸桥是否足够船舶完成工作,若不够则尝试延长船舶的停泊时长,否则遍历从预计到达时间到分配的停泊时间之间,检测是否存在有可停泊的泊位段的停泊时间,若存在则重复上述操作,若不存在则停止。
并且应用精英保留策略,将每一代中最优秀的一部分个体保留至下一代中。同时,为了避免种群陷入局部最优,算法定期调用多样性增强方法,每隔G代进行一次重新聚类。
最后达到迭代终止条件后,得到的最优个体为ETMA算法搜索得到的BACAP模型的最优解。
以下,将本发明提出的算法ETMA与当前主流前沿的泊位分配与岸桥调度优化算法对比。对比算法包括混合遗传算法(Hybrid Genetic Algorithm,HGA)、应用可行性优先原则的遗传算法(Genetic Algorithm with the Superiority of Feasible solutionsstrategy,GA-SF)、增强的非支配排序遗传算法(Enhanced Non-dominated SortingGenetic Algorithm II,ENSGA-II)。
通过对比本发明与上述三个算法在实例上的表现对比,来具体说明本发明的优越性能。这里设置算法输入参数为:种群数量pop_num=100,最大迭代次数iteration_num=2000,交叉率crossover_rate=0.8,变异率muation_rate=0.4,聚类数K=4,多样性增强间隔代数G=50。但由于当下没有关于BACAP的公开的标准数据集,本发明将参考已有的相关技术实验参数设置以及港口真实数据,给出船舶数量为40的BACAP仿真数据。
接下来表II给出了在实例上四个算法的运行结果。表的内容如下:表的第一列为数据集名称V-Data,其中V表示数据集规模,用船只数量表示,Data为数据集编号,Best、Mean、Std分别为各个算法20次运行结果的最好值、平均值、标准差,这里由于ENSGA-II和GA-SF需要很大的迭代次数才能找到较好的解,而ETMA和GA则收敛的较早,所以为了公平起见,对算法的收敛时间进行对比。每个实例中的最优Best和Mean在表中被加粗。在ETMA与对比算法威尔克逊秩和检验的结果中,取显著性水平为0.05。+/-/≈表示在同一个数据集下,对应ETMA比对比算法结果显著好、显著差和无明显差异的实例数。
表II:在大规模数据集上四个算法的结果比较
由表II的实验结果可知,ETMA在大规模问题中的所有数据集上都获得了优于其他三种算法的Best值,且平均解也明显优于GA、GA-SF和ENSGA-II。并且在这些实例上,ETMA的结果平均值比其余三个算法的最优值还要优秀。同时ETMA标准差也较小,表现更加稳定。这说明在针对船舶的偏移距离与等待时间协同目标的连续泊位分配和岸桥时变分配协同优化问题上,ETMA有着无法忽略的优势。
图6为算法收敛速度示意图,横坐标绘制了迭代代数,纵坐标绘制了最优个体的适应值。可以看出与对比算法对比,本发明提出的算法能够快速地收敛。
图7可视化了最终解结果,其中图中横坐标代表岸线,纵坐标代表时间,每个实线矩形块代表一艘船的停泊情况(矩形左下角的横坐标代表停泊位置、纵坐标代表停泊时间,矩形的宽代表船长、高代表工作时长),矩形中的三个数字分别代表船的编号、船舶偏移距离和等待时长,虚线框代表船的安全距离(船长的10%),黑点则代表每艘船的预计到达时间和目标泊位,箭头可以体现出船舶偏移目标值的大小。由图6可知,本发明可针对连续泊位分配和时变岸桥分配集成问题找到一个优秀的解(本实施例该解的适应值为2943),图中绝大部分船舶可在预计等待时间停泊在目标泊位,而无法在预计等待时间停泊在目标泊位也可以通过等待较少的时间或在目标泊位附近停泊。算法给出的方案整体优秀且合理,可以有效解决此类问题的实例。
本发明还提供一种用于码头的连续泊位和时变岸桥的协同分配装置,用于对码头进行效率控制和高度协调,建立针对船舶的偏移距离与等待时间联合目标的连续泊位分配和岸桥时变分配协同优化问题(BACAP),并基于该问题模型设计了一种增强的三阶段文化基因算法(Enhanced Three-Stage Memetic Algorithm,ETMA),从而可以真实地处理连续型泊位。需要说明的是,用于码头的连续泊位和时变岸桥的协同分配装置的实现原理及具体实施方式可参考上述的用于码头的连续泊位和时变岸桥的协同分配方法,以下不再赘述。
具体的,用于码头的连续泊位和时变岸桥的协同分配装置包括:
船舶编码模块,用于根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序;
第一阶段解码模块,用于根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括每艘船舶分配的泊位以及开始停泊时间;
第二阶段解码模块,用于以所述第一阶段解码模块得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解;
第三阶段解码模块,用于改进第二阶段解码模块得到的解,优化船舶的泊位,输出最终解;
初始种群生成模块,用于根据最新的船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群;
种群进化模块,用于基于所述适应度函数对初始种群进行进化迭代;
个体优化模块,用于对每一代种群的最优个体基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化;
精英保留模块,用于应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
综上所述,本发明提供的用于码头的连续泊位和时变岸桥的协同分配方法与装置,通过执行步骤S10-S40,在给船舶分配泊位的同时,还做到了时变地给船舶分配岸桥,达到了最大化岸桥的利用率、提高码头运作的效率的目的。然后通过执行步骤S50-S80,根据船舶的预计到达时间和目标泊位的时空数据对船舶进行聚类,根据聚类结果产生多样化且有潜力的个体,然后对种群进行基于聚类结果设计的交叉和变异算子,以及执行的目标引导的本地搜索算子,最后采用精英保护策略来保留优秀个体,产生后代,从而对问题实例中的船舶根据预计到达时间和目标泊位进行聚类,基于聚类结果的种群初始化方法和进化算子有效缩小了优秀解的搜索范围,避免了无意义的搜索,提高了搜索效率,从而使得算法可以在处理大规模实例时依然可以快速找到收敛解。同时,目标引导的局部搜索算子则在找到优秀解的基础上做了进一步优化,保证了解的优异。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的系统或装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的系统或装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,系统或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本发明并不仅仅限于说明书和实施方式中所描述,因此对于熟悉领域的人员而言可容易地实现另外的优点和修改,故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下,本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。
Claims (10)
1.一种用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,具体步骤包括:
步骤S10:根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序;
步骤S20:根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括为每艘船分配的泊位、开始停泊时间以及工作时长;
步骤S30:以所述步骤S20得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解;
步骤S40:对所述步骤S30得到的解进行进一步改进,优化船舶的泊位,输出最终解;
步骤S50:根据船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群;
步骤S60:基于预设的适应度函数对初始种群进行进化迭代;
步骤S70:对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化;
步骤S80:应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
2.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,所述步骤S20包括:
根据分配的预设岸桥数量计算出对应的船舶的工作时长,然后根据船舶的停泊顺序依次为每艘船分配泊位以及开始停泊时间;
具体的,判断船舶i是否与已停泊好的船只在时空上有重叠,若有重叠,则根据时间顺序依次搜索可行的停泊泊位段。
3.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,所述步骤S30包括:
步骤S31:根据所述步骤S20得到的初始解划分时间段,使得在每个时间段内码头上的船只不发生变化,得到每个时间段的开始时刻表time_period;
步骤S32:在每个时间段的开始时刻根据码头上的船舶剩余工作量的比例为每艘船分配岸桥,且须同时满足岸桥数量范围限制;
步骤S33:若在下个时段内船舶i可以完成工作,则缩短船舶i的停泊时间,并更新船舶i的离港时间;
步骤S34:搜索与船舶i有泊位重叠的船舶h,并相应的提前船舶h的停泊时间,以缩短船舶h的等待停泊时长,并更新开始时刻表time_period。
4.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,所述步骤S40包括:
检测每艘船的停泊位置,水平移动使其尽可能地靠近它的目标泊位。
5.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,所述步骤S50包括:
步骤S51:利用预设的聚类算子将船舶集合分成K类,将船只按照预计到达时间排序;
步骤S52:在按预计到达时间排序的基础上,将聚类后的相同簇内船只的顺序进行随机排序,得到不一样的个体;
步骤S53:基于所述步骤S52的结果生成初始种群。
6.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,所述步骤S60包括:
步骤S61:根据预设适应度函数的值采用轮盘赌算法选择父代;
步骤S62:通过预设的交叉算子在聚类结果中随机挑选一个簇,随后在这个簇内随机挑选两个交叉点,对挑选的进行交叉的两个父代进行顺序交叉;
步骤S63:通过预设的变异算子在聚类结果中随机挑选两个簇,并在这两个簇内随机挑选两个点进行交换,完成个体的变异。
7.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,在所述步骤S70中,按照目标函数值从大到小的顺序依次对船舶执行以下操作:
步骤S71:检测船舶是否可直接在预计到达时间停泊在目标泊位上,若存在与其他船重叠的情况,则在当前时段搜索可行的泊位段;
步骤S72:在保持停泊时长不变的情况下检测当前时段内的空闲岸桥是否足够船舶完成工作,若不够则尝试延长船舶的停泊时长,否则转到步骤S73;
步骤S73:遍历从预计到达时间到分配的停泊时间之间,检测是否存在有可停泊的泊位段的停泊时间,若存在则重复上述步骤S71-S72,若不存在则停止。
8.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,还包括步骤:
判断迭代次数是否为G的倍数,若结果为是,则重新聚类;若结果为否,则保留种群中的精英个体;其中,G为预设的正整数,且G≥2。
9.如权利要求1所述的用于码头的连续泊位和时变岸桥的协同分配方法,其特征在于,在所述步骤S60中,所述适应度函数设置为目标函数的倒数;其中,目标函数为:V为船舶集合,V={1,2,…,|V|},ai为船舶i的预计到达时间,tsi为船舶i的开始停泊时间,bi为船舶i的目标泊位位置,pi为船舶i的停泊位置,α,β为预设模型目标的权重值。
10.一种用于码头的连续泊位和时变岸桥的协同分配装置,其特征在于,包括:
船舶编码模块,用于根据船舶的序号对每个船舶个体进行排序编码,以表示船舶的停泊顺序;
第一阶段解码模块,用于根据船舶的停泊顺序得到一个粗略的第一阶段的可行初始解,该初始解包括每艘船舶分配的泊位以及开始停泊时间;
第二阶段解码模块,用于以所述第一阶段解码模块得到的初始解作为输入,根据泊位分配情况时变地为每艘船分配岸桥,同时更新船舶的开始停泊时间和工作时长,输出第二阶段的解;
第三阶段解码模块,用于改进第二阶段解码模块得到的解,优化船舶的泊位,输出最终解;
初始种群生成模块,用于根据船舶的目标泊位和预计到达时间对船只进行聚类操作,然后在聚类结果的基础上生成初始种群;
种群进化模块,用于基于所述适应度函数对初始种群进行进化迭代;
个体优化模块,用于对每一代种群的最优个体用基于预设的局部搜索算子进行局部搜索操作,对每一代种群的最优个体进行改进优化;
精英保留模块,用于应用精英保留策略,将每一代中最优秀的预设部分个体保留至下一代中,当达到预设的迭代终止条件后,得到为预设模型最优解的最优个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102069.0A CN117391329A (zh) | 2023-08-30 | 2023-08-30 | 用于码头的连续泊位和时变岸桥的协同分配方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311102069.0A CN117391329A (zh) | 2023-08-30 | 2023-08-30 | 用于码头的连续泊位和时变岸桥的协同分配方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391329A true CN117391329A (zh) | 2024-01-12 |
Family
ID=89435163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311102069.0A Pending CN117391329A (zh) | 2023-08-30 | 2023-08-30 | 用于码头的连续泊位和时变岸桥的协同分配方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391329A (zh) |
Citations (4)
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 |
CN114626754A (zh) * | 2022-04-01 | 2022-06-14 | 浙江工业大学 | 一种不确定环境下的多码头潮汐港泊位岸桥联合调度方法 |
CN115713170A (zh) * | 2022-12-12 | 2023-02-24 | 上海交通大学 | 自动化集装箱码头泊位和岸桥优化分配方法 |
CN116611657A (zh) * | 2023-05-26 | 2023-08-18 | 西安电子科技大学广州研究院 | 一种基于遗传算法的码头泊位及岸桥分配优化方法 |
-
2023
- 2023-08-30 CN CN202311102069.0A patent/CN117391329A/zh active Pending
Patent Citations (4)
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 |
CN114626754A (zh) * | 2022-04-01 | 2022-06-14 | 浙江工业大学 | 一种不确定环境下的多码头潮汐港泊位岸桥联合调度方法 |
CN115713170A (zh) * | 2022-12-12 | 2023-02-24 | 上海交通大学 | 自动化集装箱码头泊位和岸桥优化分配方法 |
CN116611657A (zh) * | 2023-05-26 | 2023-08-18 | 西安电子科技大学广州研究院 | 一种基于遗传算法的码头泊位及岸桥分配优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imai et al. | Berthing ships at a multi-user container terminal with a limited quay capacity | |
Li et al. | Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm | |
CN103530709B (zh) | 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法 | |
Tavakkoli-Moghaddam et al. | Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS | |
Ilati et al. | A simulation-based optimization approach for integrated port resource allocation problem | |
Hu et al. | A storage allocation algorithm for outbound containers based on the outer–inner cellular automaton | |
CN113689037B (zh) | 一种散货港口生产调度优化方法 | |
Lei | Scheduling fuzzy job shop with preventive maintenance through swarm-based neighborhood search | |
Zhou et al. | A dynamic berth allocation model based on stochastic consideration | |
CN115713170A (zh) | 自动化集装箱码头泊位和岸桥优化分配方法 | |
Peng et al. | A collaborative berth allocation problem with multiple ports based on genetic algorithm | |
CN116737336A (zh) | 一种基于聚类遗传算法的多无人船任务分配方法及系统 | |
Cheimanoff et al. | Exact and heuristic methods for the berth allocation problem with multiple continuous quays in tidal bulk terminals | |
CN116611657B (zh) | 一种基于遗传算法的码头泊位及岸桥分配优化方法 | |
CN117391329A (zh) | 用于码头的连续泊位和时变岸桥的协同分配方法与装置 | |
Arram et al. | Bird mating optimizer for discrete berth allocation 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 | |
Liu et al. | Fuzzy optimization of storage space allocation in a container terminal | |
CN117474297B (zh) | 一种面向自动化码头的船舶泊位和岸桥分配的优化方法 | |
CN116542488B (zh) | 一种基于人工智能的港口调度方法和系统 | |
CN117078124A (zh) | 一种基于遗传算法的船舶指泊方法及系统 | |
CN118014254A (zh) | 不确定环境下低碳连续泊位分配和岸桥调度方法 | |
Zhao et al. | A novel strategy for stowage planning of 40 feet containers in container terminals | |
CN116050810B (zh) | 一种多级联运船闸调度方法及系统 | |
Zhou et al. | Study on berth allocation problem with variable service priority in multi-user 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 |