自动化集装箱码头泊位和岸桥优化分配方法

技术领域

本发明涉及的是一种自动化控制领域的技术，具体是一种自动化集装箱码头泊位和岸桥优化分配方法。

背景技术

在集装箱码头中，通常码头岸线被划分为若干泊位。船舶靠泊指定泊位后，位于码头岸线陆地侧的双小车岸桥对船舶进行装卸作业。双小车岸桥位于路侧的轨道上，可以沿着岸线移动。根据船舶装卸集装箱的任务量，码头工作人员为船舶分配一定数量的岸桥为船舶服务。随着船舶装卸货物作业的进行，为达成装卸进度，岸桥可以在不同船舶之间移动，确保大部分船舶可以在预期时间内完成任务，及时离泊出港。

发明内容

本发明针对现有泊位岸桥分配严重依赖人工手动制定、不能集成考虑泊位和岸桥的分配导致的优化程度不高，以及现有混合遗传技术无法对泊位岸桥分配问题的解进行编码，无法生成有效的初始解，外层遗传算法设计无法保证能够得到新的有效种群，模拟退火设计不能适用于泊位岸桥分配求解的不足，提出一种自动化集装箱码头泊位和岸桥优化分配方法，基于混合遗传模拟退火算法，综合利用模拟退火算法单体搜索的优势和遗传算法群体搜索的优势，能够提高算法整体的效率，使得算法最终搜索到更为优秀的方案，实现码头泊位和岸桥的自动集成优化分配。

本发明是通过以下技术方案实现的：

本发明涉及一种自动化集装箱码头泊位和岸桥优化分配方法，通过对泊位和岸桥集成分配双层编码并生成与之对应的初始解集合，由改进的外层遗传算法进行全局搜索得到解集合的全局提升结果后，再通过改进的内层模拟退火算法对解集合进行邻域搜索，得到优化分配方案。

所述的双层编码是指：以泊位分配方案为第一层编码、岸桥数量分配方案为第二层编码，第一层为一个大小为船舶数量S的行向量b＝(b

如表1所示，为一个具体的编码示例。

表1编码示例

所述的改进的外层遗传算法是指：生成初始解集合，即种群后，对种群依次进行交叉和变异进行遗传编码更新，选择筛选种群实现全局搜索，其中：初始种群中的泊位分配方案通过随机法生成，初始种群中的岸桥分配方案中50％使用时间顺序法生成，50％使用优先级法生成。

所述的时间顺序法包括：

步骤1：将所有船舶集合按预计到港时间排序，记船i为原编号下的第i艘船，记船(i)为按到港时间排序下的第i艘船；将所有船舶的状态置为尚未靠泊；将时间戳置为0；

步骤2：按照到港时间顺序检查船舶(i)，尚未开始则从船(1)开始，已经有i>S则重置i，时间戳t＝t+1，重新进行步骤2；

步骤3：当检查到船舶状态是已经离港，则i＝i+1并回到步骤2；当状态是在港，则进行步骤4；当状态是尚未靠泊，则进行步骤6；

步骤4：检查当前船舶的所需的总作业量和已经完成的作业量，当尚不满足的，在满足岸桥数量限制(船舶的最大岸桥数、可用岸桥数、组合的反馈限制等)下，优先满足当前船舶的需求(覆盖掉剩余作业量，或取上述所有限制的最小值)，i＝i+1，回到步骤2；当作业量已经满足，进行步骤5；

步骤5：检查当符合离港条件(大船需要检查潮汐窗口，小船、驳船则总是符合条件)时，修改船舶状态为已经离港，当扫描发现所有船舶状态均为已经离港，进行步骤7；否则i＝i+1，并回到步骤2；

步骤6：检查当符合靠泊条件(检查分配的泊位是否可用，大船还需要额外考虑潮汐窗口)时，修改船舶状态为在港，进行步骤4；否则i＝i+1，并回到步骤2；

步骤7：岸桥分配方案生成完成，过程结束。

所述的优先级法包括：

步骤a：将所有船舶按照生成的优先级排序，记船i为原编号下的第i艘船，记船[i]为按到港时间排序下的第i艘船；生成时间维度上足够长的岸桥数量分配规划表；

步骤b：按照优先级次序检查船舶[i]，尚未开始则从船[1]开始，已经有i>S则进行步骤6；

步骤c：将时间戳t置为船舶[i]的预计到港时间

步骤d：检查t时刻船舶[i]是否符合靠泊条件，当符合则进行步骤e；否则t＝t+1，重新进行步骤d；

步骤e：检查当前船舶的所需的总作业量和已经完成的作业量，当尚不满足的，在各种岸桥数量限制下，尽可能满足当前船舶的需求，t＝t+1，重新进行步骤e；当作业量已经满足，则i＝i+1，进行步骤b；

步骤f：岸桥分配方案生成完成，过程结束。

所述的种群交叉是指：采用尾部交叉的交叉方式进行遗传编码更新，具体为：首先随机选取一个位置，并交换两父本编码在这个位置后的编码，得到两个新的解。

所述的种群变异是指随机选取一船舶，重新随机生成一个新的单点泊位方案。

所述的选择筛选种群是指：从子代种群、经过内层模拟退火算法生成的次生子代种群之间，所有对象中，适应度函数排名靠前的对象而舍弃剩余的对象构成新一代的种群，从而保证种群整体的优越性，得到在原有种群基础上进化的新种群。

所述的子代种群是指输入的种群，即父代经过交叉变异产生的新种群，所述的次生子代种群是指在子代的基础上使用改进的模拟退火算法生成的新种群。

所述的改进的内层模拟退火算法包括：子代种群随机使用：期内平均化、岸桥最大化或岸桥转移中的一种进行局部搜索，生成次生子代种群。

所述的期内平均化是指：使得船舶在靠泊时间段内，使用的岸桥数量尽可能地平均。这么做的目的，主要是因为在实际实验中，观察到大船往往在离港之前就早早完成作业，即便是占用泊位资源、岸桥资源，却并没有为目标函数的减小做出贡献，因此考虑能否匀出一部分的岸桥资源，以供他船(尤其是可以随时离港的小船、驳船使用)，从而立竿见影的减小目标函数。

所述的岸桥最大化是指：从船舶靠泊开始，在限制范围内最大程度的满足船舶的作业需求，从而寻求能否提前一整个甚至数个潮汐窗口期离港。这个动作在一定程度上是期内平均化的逆向动作，但当发生在不同船舶上时能够非常有效的促进目标函数的优化。

所述的岸桥转移是指：将同一船舶一段时间内分配到的岸桥数目转移到另一段时间上，即岸桥增加+岸桥减少的动作组合在限制范围内发生在同一艘船的不同段时间轴上，不违背作业箱量需求的情况下带来更多资源分配的变化。

所述的改进的内层模拟退火算法，优选对于每一个要求进行内层模拟退火的子代个体，设置初始温度为100不变，使用

技术效果

本发明泊位和岸桥集成分配双层编码方式、等比应用时间顺序法和优先级法的初始解集合生成方式、基于泊位和岸桥集成分配双层编码方式的改进外层遗传算法和基于期内平均化、岸桥最大化和岸桥转移的改进内层模拟退火算法。与混合整数线性规划方法(MIP)和基础模拟退火(SA)相比，本发明能求解更大规模问题，在求解耗时可以接受的条件下解的质量更高。

附图说明

图1为码头泊位和岸桥分配场景示意图；

图2为所提出算法流程图；

图3为尾部交叉方法示意图；

具体实施方式

本实施例涉及一种自动化集装箱码头泊位和岸桥优化分配方法，对泊位和岸桥集成分配候选方案进行双层编码，先通过改进的外层遗传算法进行全局搜索，得到解集合的全局提升结果后，再通过改进的内层模拟退火算法对解集合进行邻域搜索，得到优化分配方案

如图2所示，本实施例首先根据问题中船舶到达时间、泊位岸桥资源，使用时间顺序法和优先级法等比例生成双层编码泊位岸桥分配方案，形成初始群体。

随机选择80％的种群个体使用如图3所示的尾部交叉方式对方案进行交叉。

随机选择10％的种群个体，对个体随机选择随机选取一个船舶，重新随机生成一个单点的泊位方案，实现方案的变异。

使用期内平均化、岸桥最大化和岸桥转移三种方法生成邻域解，根据

选取适应度函数排名靠前的对象形成新的种群。

在迭代次数到达指定值后，中止算法，使用最佳的个体作为最终的方案。

经过具体实际实验，提取如表2所示的3组不同时间跨度、不同到港船舶数的数据作为测试数据，分别输入MIP模型和SA算法和混合遗传模拟退火算法中进行求解。

表2测试数据简要信息

实验结果如表3所示。由于内外层算法嵌套，混合遗传模拟退火算法的运算量显然增大很多，但是在时间上的增加量并没有与运算量的增加成正比，对于大规模的数据，其处理完成第一阶段求解的后花费的时间仍在合理范围内。而相应的，在算例2、3上，与改进后的算法对比，明显发现基础模拟退火算法在全局搜索能力上的不足，致使当搜索方向不全面，将会造成较大的差距。

表3算例实验结果

与现有技术相比，本方法可以求解更大规模问题，耗时与一般算法数量级相当但结果效果明显提升。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。