CN118014254A - 不确定环境下低碳连续泊位分配和岸桥调度方法 - Google Patents
不确定环境下低碳连续泊位分配和岸桥调度方法 Download PDFInfo
- Publication number
- CN118014254A CN118014254A CN202410069393.5A CN202410069393A CN118014254A CN 118014254 A CN118014254 A CN 118014254A CN 202410069393 A CN202410069393 A CN 202410069393A CN 118014254 A CN118014254 A CN 118014254A
- Authority
- CN
- China
- Prior art keywords
- ship
- time
- population
- berthing
- 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.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000000349 chromosome Anatomy 0.000 claims abstract description 26
- 230000035772 mutation Effects 0.000 claims abstract description 22
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 38
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 19
- 239000001569 carbon dioxide Substances 0.000 claims description 19
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000004873 anchoring Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000009401 outcrossing Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000005457 optimization Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000013468 resource allocation 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
- G06Q10/06—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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Educational Administration (AREA)
- Ship Loading And Unloading (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了不确定环境下低碳连续泊位分配和岸桥调度方法，旨在解决现有技术中无法有效应对不确定性环境及其对港口运营效率的影响问题。该方法通过引入区间的概念来描述船舶到港时间和装卸时间的不确定性，同时优化船舶等待成本、延迟离港成本和碳排放量。IMOMA算法结合启发式约束处理策略，有效求解不确定环境下的低碳连续泊位分配和岸桥调度问题。算法通过整数编码染色体、均匀交叉和非均匀变异操作优化种群，同时应用重叠调整和岸桥调整的启发式方法以满足实际约束。本发明在处理大规模船舶数据时显示出更好的泛化能力和运行效率，为泊位分配和岸桥调度问题提供了一种更灵活、高效的解决方案。
Description
技术领域：
本发明涉及泊位分配和岸桥调度技术领域，具体涉及不确定环境下低碳连续泊位分配和岸桥调度方法。
背景技术：
泊位分配和岸桥调度是港口管理的关键组成部分，直接影响港口的运营效率和经济效益。现有技术中，泊位分配问题(BAP)和岸桥调度问题(QCSP)通常被单独研究，并且在确定性环境下进行优化。例如，有些方法针对具有确定到达时间的环境研究了离散泊位分配问题，采用混合整数规划模型和粒子群优化启发式方法来最小化船舶等待时间和处理时间。有些方法则考虑将船舶到港时间作为决策变量，构建了双目标模型，采用多目标遗传算法求解，以最小化船舶油耗和延迟离港时间。
然而，这些方法在实际应用中面临着不确定性的挑战，如天气条件、船舶到达时间的不确定性等。这些不确定性因素可能导致港口资源分配的不稳定性和运营成本的增加。有些方法因此考虑了天气条件对船舶装卸时间的影响，建立了两阶段优化模型，并设计了结合机器学习方法的粒子群优化算法。类似地，有些方法从主动的角度研究了不同中断情况下的泊位分配问题，建立主动优化模型，并提出了针对大规模问题的多阶段启发式算法。
尽管这些方法在一定程度上提高了港口泊位分配和岸桥调度的效率，但仍存在一些局限性。确定性泊位分配模型可能忽略了实际港口环境的不确定性，难以应对突发情况，而不确定性泊位分配方法虽然考虑了更多实际因素，但其复杂度高，且未充分考虑港口的环境污染问题，本发明提出了一种不确定环境下低碳连续泊位分配和岸桥调度方法。
发明内容：
本发明的目的是针对现有技术的缺陷，提供不确定环境下低碳连续泊位分配和岸桥调度方法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：不确定环境下低碳连续泊位分配和岸桥调度方法，本发明具体包含不确定环境下低碳连续泊位分配和岸桥调度方法，通过以下步骤实现泊位分配和岸桥调度；
S1：初始化种群参数，种群规模pop，进化代数gen，目标数量M，变量个数nVar，局部搜索个体数local_generation，船舶相关信息，包括：船只数量n、码头岸桥数量qury、船舶距港口距离mi、船长li、船舶装箱量Nj；
S2：初始化种群pop和计算目标函数，基于先到先服务(FCFS)的原则初始化生成pop个可行解，每个个体编码包含船舶的速度v，船舶分配岸桥数量cqury和船舶的靠泊位置y，根据上述个体参数求出船舶的到港时间、靠泊时间、装卸时间和离港时间，并且计算每个个体的成本之和和碳排放之和；
S3：采用IMOMA算法进行种群进化操作，优化船舶泊位分配和岸桥调度；
S4：计算性能指标，区间超体积值、平均不确定度和算法运行时间；
S5：通过对区间多目标问题的解决得到一组帕累托解集，并绘制非支配前沿图；
S6：根据得到帕累托解集选择帕累托前沿的拐点作为最终的最优解；
S7：输出最优解的调度方案。
作为本发明的一种技术优选方案，步骤S2中所述先到先服务(FCFS)初始化解的过程包括：
S2-1：按照先到先服务(FCFS)原则生成N个可行解；
S2-2：对每个解进行编码，编码包括种群第k个解中船舶i的船号sik、靠泊时间下界x ik、靠泊时间上界靠泊位置yik、装卸时间下界t ik、装卸时间上界/>到港时间下界a ik、到港时间上界/>离港时间下界d ik、离港时间上界/>岸桥数量cquryik和速度vik，解的编码计算公式为：
S2-3：将所有船舶根据到港时间下界a ik升序排序；
S2-4：随机生成包含天气影响和人为因素的不确定性，影响船舶到港时间和装卸时间；
S2-5：在时空二维图中根据到港时间下界的升序序列和靠泊位置将船舶逐个插入，同时判断是否满足各种约束条件；
S2-6：对不满足约束条件的当前插入的船舶计划进行修复，直至整个方案满足所有约束条件。
作为本发明的一种技术优选方案，步骤S3中所述IMOMA算法进行种群进化操作的步骤包括：
S3-1：进行全局搜索，直到达到预设的最大迭代次数，最大迭代次数为gen；
S3-2：在每次迭代中，执行以下步骤：对初始化种群进行锦标赛选择，得出精英解，并进行进化操作；对个体执行均匀交叉和非均匀变异的进化操作，更新个体，并对不满足约束的个体进行修复，随后重新计算个体的目标函数值；将原始种群与进化后的子代种群进行非支配排序，根据排序结果选出下一代种群；计算集合区间超体积测度和局部搜索激活机制(logic)；若局部搜索激活(logic＝＝1)，则对全局种群执行局部搜索，产生新的子代种群，并对不合法个体进行修复，再进行非支配排序和精英保留策略，得到经过局部搜索后的种群；
S3-3：持续更新迭代次数，直到达到终止条件；
S3-4：在算法终止时，输出一组帕累托前沿解集，并计算性能指标。
作为本发明的一种技术优选方案，步骤S3中所述船舶泊位分配具体采用了一种启发式约束处理算法，包括：
重叠调整：当船舶在时空二维图中发生重叠时，实施对后到港的船舶的重叠调整。该调整策略优先对后到港的船舶进行向上或向下调整，以减少对其后面船舶靠泊计划的影响，同时考虑调度成本和碳排放量，在必要时，以较小概率进行向右调整，直至消除所有船舶间的重叠，并确保调度方案满足所有约束条件。
岸桥调整：根据船舶的靠泊位置、到港时间上下界、靠泊时间上下界、装卸时间上下界以及岸桥的可用性，进行岸桥资源的逐时刻调整，特别是在岸桥数量超过港口最大可用岸桥数的情况下，对后靠泊的船舶执行后移操作，以最大化岸桥资源的使用效率，并保证船舶装卸和港口运营的高效性和流畅性。
作为本发明的一种技术优选方案，步骤S6所述区间拐点，由区间值的上下界求得，设由下界的边界点构成直线l1，上界的边界点构成直线l2，具体为：
直线l的数学公式如下所示：
Ax+By+C＝0 (2)
设k点的坐标为(xk，yk)，点k到直线l的距离公式如下所示：
其中，在下界点中找到距直线l1最远的点，在上界点中找到距直线最远l2的点，当距离不能比较时，将区间不确定度视为另一个可供比较的标准。
作为本发明的一种技术优选方案，步骤S3-2中所述进化操作具体包括应用整数编码方法对染色体进行编码和执行交叉操作和变异操作，以优化种群，具体为：
S3-2-1：染色体编码：对种群中的每个染色体实施整数编码，其中一个染色体代表可行解的一组决策变量，包括船舶靠泊位置、分配岸桥数量和船舶速度，且染色体的维数为决策变量个数与船舶数量的乘积；
S3-2-2：交叉操作：采用均匀交叉策略，随机选择两个亲本染色体并在每个基因上进行交叉操作，交叉概率决定基因是否交换，以此增强种群的遗传多样性；
S3-2-3：变异操作：实施非均匀变异，其中变异概率随迭代代数的增加而逐渐减小，以调整染色体的基因值，优化种群的适应性。
作为本发明的一种技术优选方案，步骤S2中所述目标函数的建模过程为：
S2-1：船舶i每个航行日油耗与其船舶i的航速vi的计算公式为：
其中，为船舶i每航行日的辅机油耗量，/>为船舶i的机能系数；
S2-2：船舶的到港时间ai，泊位分配计划从零时刻开始，船舶i从距离港口mi海里处行驶到港口过程，油耗量计算公式为：
S2-3：二氧化碳排放系数为EF1，航行过程中船舶i的二氧化碳排放量的计算公式为：
S2-4：对于锚地和装卸期间的碳排放量，船舶仅仅用辅助发电机进行发电以满足船舶需求，辅助发电机二氧化碳排放系数为EF2，船舶i辅助发电机耗油量为PQi，船舶i辅助发电机台数为ENi，船舶此时的二氧化碳排放量计算公式为：
Gi＝EF2·PQi·ENi·(xi+ti-ai) (7)
S2-5：不确定环境下低碳泊位分配和岸桥调度模型，主要考虑了船舶到港时间和装卸时间的不确定性，建立以等待成本、延迟离港成本、偏离偏好泊位成本之和和碳排放之和为目标函数，具体模型如下：
S2-6：由于涉及到区间运算，设有两个区间则：
S2-7：约束条件具体如下：
其中，目标函数(8)表示所有即将到港船舶最小化等待成本、延迟离港成本、偏离偏好泊位成本之和区间值；目标函数(9)表示最小化从零时刻起船舶驶进港口期间、锚地和装卸期间二氧化碳排放总量区间值；根据区间运算，目标函数(10)表示成本之和的下界，目标函数(11)表示成本之和的上界，目标函数(12)由公式(13)、(14)、(15)和(16)通过区间运算得到碳排放总量下界和上界，约束(17)表示船舶的靠泊时间下界应该晚于船舶到港时间上界；约束(18)表示船舶靠泊位置在岸线上；约束(19)表示船舶i靠泊时间下界需要在船舶k装卸完成后进行靠泊；约束(20)表示船舶i靠泊位置在船舶k靠泊位置和自身船长之后；约束(21)-(23)表示任意两艘船舶在靠泊时间和靠泊位置上不会发生冲突；约束(24)表示船舶i分配的岸桥数量在最小值和最大值之间；约束(25)表示任意时刻作业的岸桥数不能超过港口可用的岸桥总数；约束(26)表示同一时刻任意特定岸桥只能分配给一艘船舶；约束(27)-(28)表示变量的取值范围。
与相关的现有技术相比，本申请提案相比现有技术有以下主要技术优点，本发明的有益效果是：
显著的收敛性和优异的分布性：IMOMA算法在获取近似Pareto前沿过程中展示出显著的收敛性，同时所得解具有出色的分布性。这意味着算法不仅能迅速找到有效的解决方案，而且所得解覆盖了广泛的问题空间，提供了多样化的决策选项。
强大的泛化能力和适应性：在不同规模的船舶数据下，IMOMA算法均展现出卓越的泛化能力和适应性。无论是小规模还是大规模的问题，算法均能有效适应并产生优秀的结果，显示出强大的通用性和适应性。
较高的超体积值和较低的不确定度：在性能指标方面，IMOMA算法在不同规模下表现出较高的超体积值，表明能够获得收敛性和分布性较好的最优解。此外，算法计算的总体区间不确定度更小，增强了解决方案的可靠性。
有效处理大规模调度问题：在处理大规模船舶调度问题时，IMOMA算法的运行速度显著优于其他对比算法，证明了其在实际应用中的高效性。
附图说明：
图1是本发明提供的算法流程图；
图2是本发明提供的一种实施例的交叉操作；
图3是本发明提供的一种实施例的变异操作。
具体实施方式：
以下结合附图和实施例，进一步说明本发明。但是，本发明可以以多种不同方式实现，并且不应被理解为限制于所示的实施例；反之，这些实施例为那些熟悉技术的人员提供了满足适用的法律要求的实施方式。
实施例1：如图1所示，本发明采用区间来表示不确定性，能够更全面地考虑各种潜在情况，并在决策过程中更加谨慎地处理不确定性因素。本发明采用基于在IP-MOEA算法中嵌入局部搜索策略的区间多目标文化基因算法(IMOMA)得出一组帕累托解集，为了得出最优的解决方案，采用了区间多目标问题拐点的求法得出最优解决方案。
(1)初始化解：在算法中初始化是按照先到先服务(FCFS)的原则生成N个可行解，解的编码方式如(29)所示，第1到12行分别表示在种群第k个解中船舶i的船号sik、靠泊时间下界x ik、靠泊时间上界靠泊位置yik、装卸时间下界t ik、装卸时间上界/>到港时间下界a ik、到港时间上界/>离港时间下界d ik、离港时间上界/>岸桥数量cquryik和速度vik。FCFS算法初始化解的思想是根据船舶到港的顺序来对船舶进行调度。首先将所有船舶根据到港时间下界a ik升序排序，然后随机生成天气影响及各种人为因素造成船舶到港时间和装卸时间的不确定值，将船舶基于到港时间下界的升序序列和靠泊位置逐个插入时空二维图中，并且判断是否满足约束，若不满足约束则对当前插入的船舶计划进行修复，直到方案满足约束为止。
(2)如表1所示，染色体编码：本发明中染色体采用整数编码，一个染色体代表种群中的可行解的决策变量，染色体的维数是决策变量个数与船舶数量的乘积。如表1所示染色体的编码方式显示有靠泊顺序、染色体和船号，其中染色体中每艘船舶第一个整数代表船舶靠泊位置，第二个整数代表分配岸桥数量，第三个整数代表速度。
表1：染色体
(3)如图2所示，交叉操作：交叉操作采用的是均匀交叉，随机选择两个亲本染色体，对这组染色体每个基因都进行交叉操作。在每组基因上随机生成0到1之间的随机数，当随机数小于交叉概率时则保留原来基因，否则对两个亲本基因进行交换操作。
(4)如图3所示，变异操作：变异操作采用的是非均匀变异，非均匀变异会根据某种概率分布来改变基因值，通常随着代数的增加，变异幅度逐渐减小。随机选择一个亲本，对这个染色体进行变异操作，设置最大变异概率0.3和最小变异概率0.1，首先计算出当前代数相对于总代数的比例，根据比例得出当前的变异概率，然后在每个基因上随机生成0到1之间的随机数，当随机数小于变异概率时则对该基因进行重新生成，否则保留变异概率为0.15时的原来基因。
启发式约束处理：重叠调整：当船舶与船舶之间在时空二维图中发生重叠时，对后到港的船舶进行重叠调整，考虑到船舶i的向右调整可能会对在其后面靠泊的船舶靠泊计划产生影响，并且使得总体的调度成本和碳排放量增加，本发明调整策略为对后到港的船舶大概率进行向上或者向下调整，小概率进行向右调整，直到船舶与船舶之间没有重叠，并且调度方案满足约束为止。原计划船舶i的靠泊计划与船舶1存在时空重叠，此时对后靠泊的船舶i靠泊位置和靠泊时间进行调整，在调整过程中，船舶i大概率先向上或者向下移动，小概率进行向右移动，每次移动一个单位长度，直到满足约束得到船舶i三种新靠泊计划。岸桥调整：由于港口岸桥资源是有限的，为了最大程度地优化有限的岸桥资源，确保高效、流畅的船舶装卸和港口运营，逐时刻的岸桥调整变得至关重要。岸桥逐时刻调整的核心思想是根据船舶的靠泊位置、到港时间上下界、靠泊时间上下界、装卸时间上下界以及岸桥的可用性，精确分配岸桥资源，以确保在不同时刻，岸桥能够最大程度地服务不同的船舶。当同一时刻下岸桥数量超过港口的拥有岸桥数量最大值时，对后靠泊的船舶进行后移操作，直到满足约束为止。
最优解选择：在采用区间多目标优化算法求解区间多目标问题时，最终会得到一组帕累托近似前沿，则选择帕累托前沿的拐点作为最终最优解。区间拐点由区间值的上下界求得，设由下界的边界点构成直线l1,上界的边界点构成直线l2。直线l的数学公式如下所示：
Ax+By+C＝0 (1)
设k点的坐标为(xk，yk)，点k到直线l的距离公式如下所示：
由上式，在下界点中找到距直线l1最远的点，在上界点中找到距直线最远l2的点，当距离不能比较时，将区间不确定度视为另一个可供比较的标准。
实施例2：本实施例中，一方面为了制定出合理的泊位计划对于提高码头竞争力、客户满意度和降低船舶、码头运行成本都非常有现实意义，另一方面就是平衡港口的经济发展和低碳发展，应该注意控制二氧化碳的排放量，改善码头周围的环境质量。因此本发明考虑了天气影响及各种人为因素造成船舶到港时间的不确定性、码头装卸时间的不确定性、码头岸桥总数、港口的经济效益和环境问题，构建了低碳泊位分配和岸桥调度模型，以船舶等待成本、延迟离港成本、偏离偏好泊位成本之和最小和船舶在航行、锚地、装卸期间的碳排放量之和最小为目标函数，根据从零时刻开始所有即将到港船舶的相关信息以及考虑了天气影响及各种人为因素造成船舶到港时间的不确定性、码头装卸时间的不确定性、码头岸桥总数、港口的经济效益和环境问题，使用区间多目标优化算法，最终得到一组近似pareto前沿，根据得到的pareto前沿选择前沿的拐点作为最终的最优解并且最后给出最优调度方案。
由《国际航运管理》得知船舶i每个航行日油耗与其船舶i的航速vi的计算公式为：
公式(3)中，为船舶i每航行日的辅机油耗量，/>为船舶i的机能系数。当船舶以最佳航速进行航行时，此时船舶耗油量达到最小，若船舶的航速大于最佳航速或者小于最佳航速，船舶的耗油量也会相应的增加。为了避免所有即将靠泊的船舶减少燃油的消耗和二氧化碳的排放，船舶都以较低的航速进入港口，从而导致船舶的延期离港。在低碳泊位分配模型中，将原来的船舶的到港时间ai改为决策变量，而不是一个固定的数值。对于船舶的实际到港时间ai，可以通过调整船舶的航速来控制。
泊位分配计划从零时刻开始，船舶i从距离港口mi海里处行驶到港口过程，油耗量可以表示为公式(4)所示：
船舶二氧化碳的排放量与船舶耗油量成正比，根据政府间气候变化专门委员会的比例，二氧化碳排放系数为EF1，1吨船舶用油燃烧产生3.11～3.17吨的二氧化碳。航行过程中船舶i的二氧化碳排放量的计算公式为：
对于锚地和装卸期间的碳排放量，船舶仅仅用辅助发电机进行发电以满足船舶需求，辅助发电机二氧化碳排放系数为EF2，船舶i辅助发电机耗油量为PQi，船舶i辅助发电机台数为ENi，船舶i此时的二氧化碳排放量计算公式为：
Gi＝EF2·PQi·ENi·(xi+ti-ai) (6)
不确定环境下低碳泊位分配和岸桥调度模型，主要考虑了船舶到港时间和装卸时间的不确定性，建立以等待成本、延迟离港成本、偏离偏好泊位成本之和和碳排放之和为目标函数，具体模型如下：
由于涉及到区间运算，设有两个区间则：
A·B＝[minS，maxS]，
即：
约束条件：
目标函数(7)表示所有即将到港船舶最小化等待成本、延迟离港成本、偏离偏好泊位成本之和区间值；目标函数(8)表示最小化从零时刻起船舶驶进港口期间、锚地和装卸期间二氧化碳排放总量区间值；根据区间运算，目标函数(9)表示成本之和的下界，目标函数(10)表示成本之和的上界，目标函数(11)由公式(12)、(13)、(14)和(15)通过区间运算得到碳排放总量下界和上界。约束(16)表示船舶的靠泊时间下界应该晚于船舶到港时间上界；约束(17)表示船舶靠泊位置在岸线上；约束(18)表示船舶i靠泊时间下界需要在船舶k装卸完成后进行靠泊；约束(19)表示船舶i靠泊位置在船舶k靠泊位置和自身船长之后；约束(20)-(22)表示任意两艘船舶在靠泊时间和靠泊位置上不会发生冲突；约束(23)表示船舶i分配的岸桥数量在最小值和最大值之间；约束(24)表示任意时刻作业的岸桥数不能超过港口可用的岸桥总数；约束(25)表示同一时刻任意特定岸桥只能分配给一艘船舶；约束(26)-(27)表示变量的取值范围。
按照上述技术方案，对不确定环境下低碳连续泊位分配和岸桥调度问题求解，即可得到最终的分配方案。
实施例3：为了验证本发明方法的有效性，在船舶数量n＝20,25,30,35这4种规模下分别随机生成一种实例，重复实验10次。对比多目标文化基因算法(IMOMA)与多目标人工蜂群算法(ICMOABC)、不精确传播多目标进化算法(IP-MOEA)、自适应参考向量区间多目标优化算法(IMOEA/D)，比较得出所求模型的前沿图、超体积值、平均不确定度和算法运行时间；为了验证模型的有效性，采用了区间IMOMA算法与非区间基于快速非支配排序NSGAII算法求得的最优解决方案与最优前沿进行对比。
方法的有效性结果表示：(1)在不确定环境下低碳泊位分配和岸桥调度问题中IMOMA算法不仅在获得近似Pareto前沿的过程中展现出显著的收敛性，而且其所得到的解呈现出出色的分布性，覆盖了广泛的问题空间，使得算法更为适应复杂多变的实际环境；IMOMA算法在处理大规模实例时表现出良好的泛化能力，该算法在处理不同规模的船舶数据时展现出卓越的泛化能力。不论是面对小规模还是大规模的船舶数据，算法都能够有效地适应并产生好的结果。这表明算法在解决问题时不受船舶规模的限制，具有较强的通用性和适应性。其优越的泛化性能使其在各种应用场景下都能够取得比较好的结果，为实际问题的处理提供了可靠的解决方案；IMOMA算法可以生成具有良好多样性的Pareto前沿。该算法不仅在寻找解的过程中有较好的收敛性，同时确保所生成的解具有广泛的分布，形成一个具有良好多样性的Pareto前沿。这种多样性不仅仅表现在解的数目上，更体现在这些解之间的差异性，为决策者提供了更为全面和灵活的选择。(2)从性能指标上，可以得出在不同规模下，IMOMA算法具有较高的超体积值，表明该算法能够得到收敛性和分布性较好的最优解；IMOMA算法求解的不确定度值更低，说明算法计算的总体区间不确定度更小。在运行时间上，IMOMA算法在计算大规模船舶时显著优于其他算法。综上所述可以生成一个分布和收敛性较好的近似前沿，其总体不确定性较小。此外，在处理大规模调度时，运行速度最快。
表2：不同算法求解不同规模下性能指标
模型的有效性结果表示：区间模型与非区间模型在泊位岸桥调度方案中具有不同特点。区间模型的优势在于其对船舶各种未知不确定因素具有强大的可行性。在相同条件下，区间模型中每艘船舶占用的港口时间和空间相对较多，这增加了实际调度的成本并导致少量碳排放。然而，这也意味着在面对不确定因素时，区间模型能够更灵活地应对。相比之下，非区间模型所得到的泊位岸桥调度方案更适用于已知船舶不确定因素引起延误的具体时间。这使得非区间模型更适合处理已知因素造成延误的具体时间，同时降低了船舶调度成本。
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。
Claims (7)
1.不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，具体包含以下步骤：
S1：初始化种群参数，种群规模pop，进化代数gen，目标数量M，变量个数nVar，局部搜索个体数local_generation，船舶相关信息，包括：船只数量n、码头岸桥数量qury、船舶距港口距离mi、船长li、船舶装箱量Nj；
S2：初始化种群pop和计算目标函数，基于先到先服务(FCFS)的原则初始化生成pop个可行解，每个个体编码包含船舶的速度v、船舶分配岸桥数量cqury和船舶的靠泊位置y，根据上述个体参数求出船舶的到港时间、靠泊时间、装卸时间和离港时间，并且计算每个个体的成本之和和碳排放之和；
S3：采用IMOMA算法进行种群进化操作，优化船舶泊位分配和岸桥调度；
S4：计算性能指标，区间超体积值、平均不确定度和算法运行时间；
S5：通过对区间多目标问题的解决得到一组帕累托解集，并绘制非支配前沿图；
S6：根据得到帕累托解集选择帕累托前沿的拐点作为最终的最优解；
S7：输出最优解的调度方案。
2.根据权利要求1所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S2中所述先到先服务(FCFS)初始化解的过程包括：
S2-1：按照先到先服务(FCFS)原则生成N个可行解；
S2-2：对每个解进行编码，编码包括种群第k个解中船舶i的船号sik、靠泊时间下界x ik、靠泊时间上界靠泊位置yik、装卸时间下界t ik、装卸时间上界/>到港时间下界a ik、到港时间上界/>离港时间下界d ik、离港时间上界/>岸桥数量cquryik和速度vik，解的编码计算公式为：
S2-3：将所有船舶根据到港时间下界a ik升序排序；
S2-4：随机生成包含天气影响和人为因素的不确定性，影响船舶到港时间和装卸时间；
S2-5：在时空二维图中根据到港时间下界的升序序列和靠泊位置将船舶逐个插入，同时判断是否满足各种约束条件；
S2-6：对不满足约束条件的当前插入的船舶计划进行修复，直至整个方案满足所有约束条件。
3.根据权利要求1所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S3中所述IMOMA算法进行种群进化操作的步骤包括：
S3-1：进行全局搜索，直到达到预设的最大迭代次数，最大迭代次数为gen；
S3-2：在每次迭代中，执行以下步骤：对初始化种群进行锦标赛选择，得出精英解，并进行进化操作；对个体执行均匀交叉和非均匀变异的进化操作，更新个体，并对不满足约束的个体进行修复，随后重新计算个体的目标函数值；将原始种群与进化后的子代种群进行非支配排序，根据排序结果选出下一代种群；计算集合区间超体积测度和局部搜索激活机制(logic)；若局部搜索激活(logic＝＝1)，则对全局种群执行局部搜索，产生新的子代种群，并对不合法个体进行修复，再进行非支配排序和精英保留策略，得到经过局部搜索后的种群；
S3-3：持续更新迭代次数，直到达到终止条件；
S3-4：在算法终止时，输出一组帕累托前沿解集，并计算性能指标。
4.根据权利要求3所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S3-2中所述进化操作具体包括应用整数编码方法对染色体进行编码和执行交叉操作和变异操作，以优化种群，具体为：
S3-2-1：染色体编码：对种群中的每个染色体实施整数编码，其中一个染色体代表可行解的一组决策变量，包括船舶靠泊位置、分配岸桥数量和船舶速度，且染色体的维数为决策变量个数与船舶数量的乘积；
S3-2-2：交叉操作：采用均匀交叉策略，随机选择两个亲本染色体并在每个基因上进行交叉操作，交叉概率决定基因是否交换，以此增强种群的遗传多样性；
S3-2-3：变异操作：实施非均匀变异，其中变异概率随迭代代数的增加而逐渐减小，以调整染色体的基因值，优化种群的适应性。
5.根据权利要求1所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S3中所述船舶泊位分配具体采用了一种启发式约束处理算法，包括：
重叠调整：当船舶在时空二维图中发生重叠时，实施对后到港的船舶的重叠调整；该调整策略优先对后到港的船舶进行向上或向下调整，以减少对其后面船舶靠泊计划的影响，同时考虑调度成本和碳排放量，在必要时，以较小概率进行向右调整，直至消除所有船舶间的重叠，并确保调度方案满足所有约束条件；
岸桥调整：根据船舶的靠泊位置、到港时间上下界、靠泊时间上下界、装卸时间上下界以及岸桥的可用性，进行岸桥资源的逐时刻调整，特别是在岸桥数量超过港口最大可用岸桥数的情况下，对后靠泊的船舶执行后移操作，以最大化岸桥资源的使用效率，并保证船舶装卸和港口运营的高效性和流畅性。
6.根据权利要求1所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S6所述区间拐点，由区间值的上下界求得，设由下界的边界点构成直线l1，上界的边界点构成直线l2，具体为：
直线l的数学公式如下所示：
Ax+By+C＝0 (2)
设k点的坐标为(xk，yk)，点k到直线l的距离公式如下所示：
其中，在下界点中找到距直线l1最远的点，在上界点中找到距直线最远l2的点，当距离不能比较时，将区间不确定度视为另一个可供比较的标准。
7.根据权利要求1所述的不确定环境下低碳连续泊位分配和岸桥调度方法，其特征在于，步骤S2中所述目标函数的建模过程为：
S2-1：船舶i每个航行日油耗与其船舶i的航速vi的计算公式为：
其中，为船舶i每航行日的辅机油耗量，/>为船舶i的机能系数；
S2-2：船舶的到港时间ai，泊位分配计划从零时刻开始，船舶i从距离港口mi海里处行驶到港口过程，油耗量计算公式为：
S2-3：二氧化碳排放系数为EF1，航行过程中船舶i的二氧化碳排放量的计算公式为：
S2-4：对于锚地和装卸期间的碳排放量，船舶仅仅用辅助发电机进行发电以满足船舶需求，辅助发电机二氧化碳排放系数为EF2，船舶i辅助发电机耗油量为PQi，船舶i辅助发电机台数为ENi，船舶此时的二氧化碳排放量计算公式为：
Gi＝EF2·PQi·ENi·(xi+ti-ai) (7)
S2-5：不确定环境下低碳泊位分配和岸桥调度模型，主要考虑了船舶到港时间和装卸时间的不确定性，建立以等待成本、延迟离港成本、偏离偏好泊位成本之和和碳排放之和为目标函数，具体模型如下：
S2-6：由于涉及到区间运算，设有两个区间则：
S2-7：约束条件具体如下：
其中，目标函数(8)表示所有即将到港船舶最小化等待成本、延迟离港成本、偏离偏好泊位成本之和区间值；目标函数(9)表示最小化从零时刻起船舶驶进港口期间、锚地和装卸期间二氧化碳排放总量区间值；根据区间运算，目标函数(10)表示成本之和的下界，目标函数(11)表示成本之和的上界，目标函数(12)由公式(13)、(14)、(15)和(16)通过区间运算得到碳排放总量下界和上界，约束(17)表示船舶的靠泊时间下界应该晚于船舶到港时间上界；约束(18)表示船舶靠泊位置在岸线上；约束(19)表示船舶i靠泊时间下界需要在船舶k装卸完成后进行靠泊；约束(20)表示船舶i靠泊位置在船舶k靠泊位置和自身船长之后；约束(21)、(22)、(23)表示任意两艘船舶在靠泊时间和靠泊位置上不会发生冲突；约束(24)表示船舶i分配的岸桥数量在最小值和最大值之间；约束(25)表示任意时刻作业的岸桥数不能超过港口可用的岸桥总数；约束(26)表示同一时刻任意特定岸桥只能分配给一艘船舶；约束(27)和(28)表示变量的取值范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410069393.5A CN118014254B (zh) | 2024-01-17 | 2024-01-17 | 不确定环境下低碳连续泊位分配和岸桥调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410069393.5A CN118014254B (zh) | 2024-01-17 | 2024-01-17 | 不确定环境下低碳连续泊位分配和岸桥调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118014254A true CN118014254A (zh) | 2024-05-10 |
| CN118014254B CN118014254B (zh) | 2024-06-28 |
Family
ID=90955204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410069393.5A Active CN118014254B (zh) | 2024-01-17 | 2024-01-17 | 不确定环境下低碳连续泊位分配和岸桥调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118014254B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
| CN111815143A (zh) * | 2020-06-30 | 2020-10-23 | 上海海事大学 | 集装箱码头不确定环境下的泊位与岸桥联合分配方法 |
| 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 |
| WO2023160641A1 (zh) * | 2022-02-24 | 2023-08-31 | 上海交通大学 | 基于分层博弈的港船能源交通系统融合运行方法 |
-
2024
- 2024-01-17 CN CN202410069393.5A patent/CN118014254B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
| CN111815143A (zh) * | 2020-06-30 | 2020-10-23 | 上海海事大学 | 集装箱码头不确定环境下的泊位与岸桥联合分配方法 |
| WO2023160641A1 (zh) * | 2022-02-24 | 2023-08-31 | 上海交通大学 | 基于分层博弈的港船能源交通系统融合运行方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118014254B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm | |
| CN101789093A (zh) | 一种集装箱码头泊位与岸桥分配方法 | |
| Zeng et al. | Integrating simulation and optimization to schedule loading operations in container terminals | |
| CN113689037B (zh) | 一种散货港口生产调度优化方法 | |
| Golias et al. | The berth-scheduling problem: Maximizing berth productivity and minimizing fuel consumption and emissions production | |
| Bacalhau et al. | New hybrid genetic algorithms to solve dynamic berth allocation problem | |
| CN108346319B (zh) | 一种进出大型海港复杂航道的全局交通组织优化方法 | |
| CN104281894A (zh) | 基于航道与泊位资源的船舶调度优化方法 | |
| Liang et al. | A berth allocation planning problem with direct transshipment consideration | |
| CN114580777A (zh) | 一种基于集划分模型的集装箱码头泊位岸桥分配方法 | |
| CN114626754A (zh) | 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 | |
| Wang et al. | Berth allocation and quay crane-yard truck assignment considering carbon emissions in port area | |
| Peng et al. | A collaborative berth allocation problem with multiple ports based on genetic algorithm | |
| CN115713170A (zh) | 自动化集装箱码头泊位和岸桥优化分配方法 | |
| CN115965145A (zh) | 一种基于业务规则引擎的智能指泊方法 | |
| CN116993104A (zh) | 集装箱码头泊位与岸桥分配的通用性优化方法及应用 | |
| CN115965146A (zh) | 一种多种类型泊位智能指泊方法 | |
| Dai et al. | A bi-layer model for berth allocation problem based on proactive-reactive strategy | |
| CN118014254B (zh) | 不确定环境下低碳连续泊位分配和岸桥调度方法 | |
| CN118014253A (zh) | 一种基于改进遗传算法的岸桥泊位集成调度方法 | |
| Haoyuan et al. | Simulation-based optimization on quay crane scheduling of container terminals | |
| CN114154822A (zh) | 一种基于改进交叉熵算法的鲁棒泊位岸桥分配方法 | |
| CN116542488B (zh) | 一种基于人工智能的港口调度方法和系统 | |
| Jiang et al. | Optimization of integrated scheduling of restricted channels, berths, and yards in bulk cargo ports considering carbon emissions | |
| CN116923164A (zh) | 考虑泊位分配的船舶充电控制方法及装置 |
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 |