港口泊位分配优化方法、系统及存储介质

技术领域

本发明涉及港口管理技术领域，尤其涉及一种港口泊位分配优化方法、系统及存储介质。

背景技术

随着海洋经济的快速增长，远洋集装箱运输逐渐成为国际贸易的主要运输方式。港口作为海上运输的核心枢纽，在其中发挥着至关重要的作用。大型集装箱港口业务量不断增大，港口集装箱船舶拥堵时有发生，使得对港口生产效率的要求大大提高。相关技术中，泊位分配方案是基于集装箱船舶到港时间制定的。港口工作人员根据船舶预到港信息提前规划各船舶的靠泊时间与靠泊位置。然而，集装箱船舶的实际到港时间(Actual Timeof Arrival，ATA)往往会因船舶突发故障或者自然条件影响(例如：大风大浪、大雾等)而无法按时到达，影响所制定计划的实施效果，造成人力、设备资源的浪费，增加港口的运营成本。且传统码头普遍仅根据船舶到港时间制定泊位分配方案，遵循先到先服务的规则，这种方式仅仅考虑了泊位分配的公平性，不能满足港口发展的需要。

发明内容

为了解决上述技术问题的至少之一，本发明提出一种港口泊位分配优化方法、系统及存储介质，能够有效提高港口泊位的利用效率，降低港口运营成本。

一方面，本发明实施例提供了一种港口泊位分配优化方法，包括以下步骤：

获取港口泊位信息和船舶信息；

根据所述船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据；

根据所述船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数；

根据所述预计到港时间数据、所述船舶信息、所述船舶优先权系数以及所述港口泊位信息构建港口离散泊位分配优化模型；

通过所述港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果。

根据本发明的一些实施例，所述获取港口泊位信息和船舶信息，包括：

通过预设路径获取所述港口泊位信息和所述船舶信息；其中，所述港口泊位信息包括港口区域集装箱泊位数量和各个泊位相应的泊位装卸效率，所述船舶信息包括船舶装载量、作业紧急度、船港合作度以及历史航迹数据。

根据本发明的一些实施例，所述根据所述船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据，包括：

根据所述历史航迹数据通过动态时间规整算法预测各个航迹之间的相似度，得到预设相似度数据；

通过聚合层次聚类算法对所述历史航迹数据中的各个航迹进行聚类，得到预设航迹簇类数据；

根据所述预设相似度数据和所述预设航迹簇类数据，确定各个航迹簇的核心轨迹；其中，所述核心轨迹为各个所述预设航迹簇类数据中相似度之和最小的船舶航迹；

根据所述核心轨迹对目标船舶航行时间进行预测，得到所述预计到港时间数据。

根据本发明的一些实施例，所述根据所述船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数，包括：

将所述船舶装载量、所述作业紧急度以及所述船港合作度作为指标，构建决策矩阵；

对所述决策矩阵进行标准化，并计算得到相应的指标信息熵；

根据所述指标信息熵计算得到客观指标权重数据；

根据所述指标信息熵通过层次分析算法计算得到主观指标权重数据；

当确定所述主观指标权重数据和所述客观指标权重数据一致性检验通过，根据所述客观指标权重数据和所述主观指标权重数据计算得到组合权重数据；

根据所述决策矩阵计算正理想解和负理想解；

根据所述正理想解、所述负理想解和所述组合权重数据，计算得到欧几里得距离数据；

根据所述欧几里得距离数据进行相对接近度计算，得到船舶靠泊相对接近度数据；

通过所述船舶靠泊相对接近度数据计算得到所述船舶优先权系数。

根据本发明的一些实施例，所述根据所述预计到港时间数据、所述船舶信息、所述船舶优先权系数以及所述港口泊位信息构建港口离散泊位分配优化模型，包括：

根据所述预计到港时间数据、所述船舶信息、所述船舶优先权系数以及所述港口泊位信息构建港口离散泊位分配目标函数；

根据预设时空限制和预设规则限制，构建约束条件；

根据所述港口离散泊位分配目标函数和所述约束条件，构建得到所述港口离散泊位分配优化模型。

根据本发明的一些实施例，所述通过所述港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果，包括：

通过遗传算法对所述港口离散泊位分配优化模型进行求解，得到所述泊位分配结果。

根据本发明的一些实施例，所述通过遗传算法对所述港口离散泊位分配优化模型进行求解，得到所述泊位分配结果，包括：

根据港口泊位和服务次序进行二维染色体编码，得到染色体矩阵；

根据所述港口离散泊位分配目标函数构建适应度函数；

通过启发式规则和随机生成算法对所述染色体矩阵进行种群初始化，得到初始种群；

对所述初始种群进行迭代遗传操作；

当迭代过程满足预设条件，生成目标种群，并从所述目标种群中选取适应度值最大的个体，得到所述泊位分配结果；其中，所述预设条件包括迭代次数大于预设次数或者所述适应度值大于第一预设适应度数据；

其中，所述对所述初始种群进行迭代遗传操作包括：

对所述初始种群进行预设遗传操作，得到第一种群；其中，所述预设遗传操作包括选择操作、交叉操作以及变异操作；

通过所述适应度函数对所述第一种群中的各个个体进行适应度评估，得到所述适应度值；

从所述第一种群中选择所述适应度值大于第二预设适应数据的个体组成第二种群；

将所述第二种群作为所述初始种群。

另一方面，本发明实施例还提供了一种港口泊位分配优化系统，包括：

第一模块，用于获取港口泊位信息和船舶信息；

第二模块，用于根据所述船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据；

第三模块，用于根据所述船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数；

第四模块，用于根据所述预计到港时间数据、所述船舶信息、所述船舶优先权系数以及所述港口泊位信息构建港口离散泊位分配优化模型；

第五模块，用于通过所述港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果。

另一方面，本发明实施例还提供了一种港口泊位分配优化系统，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如上述实施例所述的港口泊位分配优化方法。

另一方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的港口泊位分配优化方法。

根据本发明实施例的一种港口泊位分配优化方法，至少具有如下有益效果：本发明实施例首先获取港口泊位信息和船舶信息，以根据船舶信息通过构建得到的船舶到港时间预测模型进行船舶到港时间预测，得到相应的预计到港时间数据。接着，本发明实施例根据船舶信息通过预设距离算法对船舶靠泊优先权进行分析，即通过预设距离算法对船舶靠泊优先权进行评价，从而计算得到相应的船舶优先权系数。进一步地，本发明实施例根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配优化模型，进而通过港口离散泊位分配优化模型进行港口泊位分配，得到相应的泊位分配结果，实现港口泊位的分配，且通过预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息相结合的方式，以结合多个因素对船舶靠泊的影响进行分析，能够有效提高港口泊位的利用效率，且有效降低了港口运营成本。

附图说明

图1是本发明实施例提供的港口泊位分配优化方法流程图；

图2是本发明实施例提供的港口泊位分配优化系统模块化示意图；

图3是本发明实施例提供的港口泊位分配优化系统原理框图。

具体实施方式

本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

在对本申请实施例进行介绍说明之前，首先对本申请中涉及的相关名词进行解释说明。

动态时间规整算法(DTW，Dynamic Time Warping)：用于衡量两个长度不同的时间序列的相似度。把未知量伸长或缩短(压扩)，直到与参考模板的长度一致，在这一过程中，未知序列会产生扭曲或弯折，以便其特征量与标准模式对应。

优劣解距离算法(TOPSIS，Technique for Order Preference by Similarity toIdeal Solution)：又称逼近理想解排序法，是根据有限个评价对象与理想化目标的接近程度进行排序的方法，是在现有的对象中进行相对优劣的评价，其能够充分利用原始数据的信息，精确反映各个评价方法之间的距离。

遗传算法：是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。

随着海洋经济的快速增长，远洋集装箱运输逐渐成为国际贸易的主要运输方式。港口作为海上运输的核心枢纽，在其中发挥着至关重要的作用。大型集装箱港口业务量不断增大，港口集装箱船舶拥堵时有发生，使得对港口生产效率的要求大大提高。相关技术中，泊位分配方案是基于集装箱船舶到港时间制定的。港口工作人员根据船舶预到港信息提前规划各船舶的靠泊时间与靠泊位置。然而，集装箱船舶的实际到港时间(Actual Timeof Arrival，ATA)往往会因船舶突发故障或者自然条件影响(例如：大风大浪、大雾等)而无法按时到达，影响所制定计划的实施效果，造成人力、设备资源的浪费，增加港口的运营成本。且传统码头普遍仅根据船舶到港时间制定泊位分配方案，遵循先到先服务的规则，这种方式仅仅考虑了泊位分配的公平性，不能满足港口发展的需要。

基于此，本发明的一个实施例提供了一种港口泊位分配优化方法、系统及存储介质，能够有效提高港口泊位的利用效率，降低港口运营成本。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140和步骤S150。

具体地，本发明实施例的方法应用过程包括但不限于以下步骤：

S110：获取港口泊位信息和船舶信息。

S120：根据船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据。

S130：根据船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数。

S140：根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配优化模型。

S150：通过港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果。

在本具体实施例工作过程中，本发明实施例首先获取港口泊位信息和船舶信息。具体地，本发明实施例中港口泊位信息是指船舶将停泊的港口中各个泊位的相关数据信息，船舶信息是指需要停泊的各个船舶的航运数据。接着，本发明实施例根据获取的船舶信息通过船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据。具体地，本发明实施例首先通过相应的船舶航运数据，即船舶信息，构建船舶到港时间预测模型。然后，本发明实施例根据各个船舶的船舶信息通过船舶到港时间预测模型进行到港时间预测，以得到各个船舶相应的预计到港时间数据。进一步地，本发明实施例根据船舶信息通过预设距离算法对船舶靠泊优先权进行分析，以得到船舶优先权系数。具体地，本发明实施例中船舶优先权系数是指某船舶在港口靠泊的优先权大小。容易理解的是，本发明实施例中船舶优先权系数越大，则相同在港时间内损失的效益越多，能够反映不同优先权船舶靠泊对泊位利用效率的影响。相应地，本发明实施例通过预设距离算法结合船舶信息进行船舶靠泊优先权分析，从而得到船舶优先权系数。其中，本发明实施例中预设距离算法是通过计算各个解与其他解之间的距离来分析其优劣程度的算法，如优劣解距离算法、欧氏距离算法、曼哈顿距离算法等。进一步地，本发明实施例根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配优化模型。具体地，本发明实施例通过结合预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息的方式，考虑多个因素对船舶靠泊的影响，构建得到港口离散泊位分配优化模型，从而能够结合多个因素对船舶的泊位进行分配优化。最终，本发明实施例通过构建得到的港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果。本发明实施例通过对港口离散泊位分配优化模型进行港口泊位分配求解，以得到相应的泊位分配结果，且反映了多个因素对船舶靠泊的影响，如预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息，从而实现泊位的整体利用效率的提升，并降低港口运营成本。

在本发明的一些实施例中，获取港口泊位信息和船舶信息，包括但不限于以下步骤：

通过预设路径获取港口泊位信息和船舶信息。其中，港口泊位信息包括港口区域集装箱泊位数量和各个泊位相应的泊位装卸效率，船舶信息包括船舶装载量、作业紧急度、船港合作度以及历史航迹数据。

在本具体实施例中，本发明实施例通过预设路径进行港口泊位信息和船舶信息的获取。具体地，本发明实施例中预设路径是指相应信息的获取途径，例如，本发明实施例中预设路径可以为具有威信力或公信力的网站，通过相关的网站获取得到港口泊位信息和船舶信息。相应地，本发明实施例中港口泊位信息包括港口区域集装箱泊位数量以及各个泊位相应的泊位装卸效率。其中，本发明实施例中泊位装卸效率是指在港口或码头等泊位上进行货物装卸作业的效率水平，通常以单位时间内装卸的货物量来衡量，可以通过吞吐量、装卸次数或装卸量等指标表示。另外，本发明实施例中船舶信息包括船舶装载量、作业紧急度、船港合作度以及历史航迹数据。其中，本发明实施例中船舶的作业紧急度根据船舶所载货物的危险程度进行评价。本发明实施例中船港合作度可以是船舶所属船公司的历史货运装载量，如船舶所属船公司上一年整年与港口之间的货运总装载量。

在本发明的一些实施例中，根据船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据，包括但不限于以下步骤：

根据历史航迹数据通过动态时间规整算法预测各个航迹之间的相似度，得到预设相似度数据。

通过聚合层次聚类算法对历史航迹数据中的各个航迹进行聚类，得到预设航迹簇类数据。

根据预设相似度数据和预设航迹簇类数据，确定各个航迹簇的核心轨迹。其中，核心轨迹为各个预设航迹簇类数据中相似度之和最小的船舶航迹。

根据核心轨迹对目标船舶航行时间进行预测，得到预计到港时间数据。

在本具体实施例中，本发明实施例首先根据历史航迹数据通过动态时间规整算法预测各个航迹之间的相似度，例如根据船舶航行轨迹中的经度、维度坐标数据通过动态时间规整算法(DTW)度量不同航迹之间的相似度，以得到预设相似度数据，并通过聚合层次聚类算法对历史航迹数据中的各个航迹进行聚类，以实现航行轨迹的精确分类，得到预设航迹簇类数据。示例性地，本发明实施例通过动态时间规整算法预测各航迹间相似度如下式(1)所示：

其中，式中g(m，n)为航迹T

相应地，本发明实施例通过聚合层次聚类算法对航迹进行聚类，由底部开始，首先将每条航迹作为一个独立的航迹簇，计算得到各航迹簇簇间距离。其中，本发明实施例中簇间距离为一个航迹簇中所有航迹与另一簇中所有航迹间DTW距离之和的平均值，簇间距离计算如下式(2)所示：

其中，式中C

然后，本发明实施例将簇间距离最小的两个航迹簇合并成一个新的航迹簇，并重新进行各簇间距离的计算，再次合并簇间距离最小的航迹簇类，依次类推，直到最小簇间距离超过最小距离阈值d聚类终止。

接着，本发明实施例根据预设相似度数据和预设航迹簇类数据确定各个航迹簇的核心轨迹。具体地，本发明实施例中核心轨迹为各个预设航迹簇类数据中相似度之和最小的船舶航迹。本发明实施例通过判断各航迹簇中相似度之和，以将相似度之和最小的航迹作为各航迹簇的核心轨迹。示例性地，对每一个航迹簇类，本发明实施例根据动态时间规整算法计算簇中每条航迹与同簇中其他航迹的距离大小并进行相加求和，得到簇中航迹间距离之和score。容易理解的是，本发明实施例中score越小表示该航迹与其他航迹相似度越高，则越能代表该簇类。相应地，本发明实施例的簇中第i条航迹簇中航迹间距离之和计算如下式(3)所示：

其中，式中

进一步地，本发明实施例根据核心轨迹对目标船舶航行时间进行预测，得到预计到港时间数据。本发明实施例根据各航迹簇核心轨迹的航行特征作为各航迹簇航行特征对目标船舶航行特征进行预测，从而得到目标船舶的预计到港时间数据。示例性地，本发明实施例根据提取到的若干个航迹簇中核心轨迹航行数据，计算得到各航迹簇核心轨迹从出发港到目标港全程航行时间，进而根据异质部分航迹对到港时间进行预测。本发明实施例通过下式(4)对插值后的已知目标航迹段与各航迹簇核心轨迹子段之间的距离进行计算：

其中，式中s为目标航迹T’插值后的航迹点数目，航迹T为核心轨迹，x’

接着，本发明实施例计算与已知目标航迹段匹配后距离最小的核心航迹子段类别，以该类别核心航迹航行特征对目标航迹航行特征进行描述，通过下式(5)计算船舶预计到港时间T：

T＝t

其中，式中t

需要说明的是，在对船舶到港时间进行预测过程中，本发明实施例首先对船舶自动识别系统(AIS)数据进行统计，并在保留原始航行特征属性的同时，对异常数据进行清理。例如，水上移动业务标识码(MMSI)是一列九位数字码，当出现MMSI超过九位是断定为MMSI数据错误。相应地，航速是船舶航行时的速度，通常情况下不会超过100节，当出现航速数据小于零，或者航速大于100节时，可以判断航速数据出现错误。另外，当出现航向数据小于-360，或者大于360时，可以判断航向数据出现错误。本发明实施例对含有此类错误字段的数据进行删除处理，并对处理后的数据按照船舶MMSI编号以及时间排序。由于已将AIS数据按照船舶MMSI编号以及时间排序，因此本发明实施例通过船舶MMSI编号进行航迹划分，当相邻两条AIS数据的船舶MMSI编号不同时，则将此处作为船舶轨迹的划分点。其次，由于原始AIS数据中包含经过港口的全部船舶AIS数据，因此需要筛选出船舶从出发港到目标港的轨迹数据。本发明实施例以船舶到达目标港港口港界线范围内作为船舶到港依据，因此当同一航迹相邻两航迹点出现前一航迹点在港界线之外，而当前航迹点在港界线之内的场景时，则该船舶在此时到达目标港，并将此点作为航迹划分点进行轨迹划分。另外，由于可能存在轨迹异常点，导致部分轨迹杂乱无章。此类轨迹过于杂乱无章，不适用于后续轨迹特征分析，因此，本发明实施例对此类异常轨迹也进行剔除处理。

同时，由于数据中可能存在部分AIS数据缺失的情况，导致航迹点不完整，轨迹段中出现缺失，本发明实施例对轨迹不完整的情况通过插值或剔除的方式进行处理。具体地，对于缺失部分较少的轨迹数据，本发明实施例采用数据插值的方法将缺失的数据进行插值，从而形成完整的航行轨迹进行后续分析。另外，对于缺失部分较多的轨迹数据，由于缺失部分过多，已不适用于针对完整航迹的数据分析，因此，本发明实施例对此类缺失较多的航迹进行剔除处理。例如，本发明实施例通过三次样条插值法对轨迹数据进行插值处理，对缺失数据进行补足，并使其在时间维度上实现等间距，以使得预测模型的效果更好。相应地，本发明实施例通过分析航迹中相邻航迹点间的时间间隔长短，从而判断该航迹是否为不完整航迹。

在本发明的一些实施例中，根据船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数，包括但不限于以下步骤：

将船舶装载量、作业紧急度以及船港合作度作为指标，构建决策矩阵。

对决策矩阵进行标准化，并计算得到相应的指标信息熵。

根据指标信息熵计算得到客观指标权重数据。

根据指标信息熵通过层次分析算法计算得到主观指标权重数据。

当确定主观指标权重数据和客观指标权重数据一致性检验通过，根据客观指标权重数据和主观指标权重数据计算得到组合权重数据。

根据决策矩阵计算正理想解和负理想解。

根据正理想解、负理想解和组合权重数据，计算得到欧几里得距离数据。

根据欧几里得距离数据进行相对接近度计算，得到船舶靠泊相对接近度数据。

通过船舶靠泊相对接近度数据计算得到船舶优先权系数。

在本具体实施例中，本发明实施例首先将船舶装载量、作业紧急度以及船港合作度作为指标，构建决策矩阵。具体地，本发明实施例通过以相应的船舶信息作为指标，如船舶装载量、作业紧急度以及船港双方合作度(船港合作度)，构建决策矩阵如下式(6)所示：

其中，式中A

接着，本发明实施例对决策矩阵进行标准化，并计算得到相应的指标信息熵。具体地，本发明首先通过下式(7)对指标进行标准化，并构建相应的标准化矩阵如下式(8)所示：

其中，式中m表示船舶数，n表示指标的类别数，x

进一步地，本发明实施例通过下式(9)和(10)计算标准化后的指标的信息熵，即指标信息熵：

其中，式中p

接着，本发明实施例根据指标信息熵计算得到客观指标权重数据，并根据指标信息熵通过层次分析算法计算得到主观指标权重数据。具体地，本发明实施例在计算得到每个指标的信息熵后，通过下式(11)计算客观指标权重数据：

其中，式中w(o)

然后，本发明实施例通过层次分析法计算主观指标权重数据。具体地，本发明实施例首先构建判断矩阵，如下式(12)所示：

其中，式中a

表1

接着，本发明实施例通过下式(13)计算主观指标权重数据：

其中，式中w(s)

进一步地，本发明实施例进行一致性检验，当确定主观指标权重数据和客观指标权重数据一致性检验通过，则本发明实施例根据客观指标权重数据和主观指标权重数据计算得到组合权重数据。具体地，本发明实施例计算得到主观指标权重数据和客观指标权重数据后，进行一致性检验，当一致性检验通过，则该权重结果合理，反之则对判断矩阵中分数进行修改，直至检验通过。相应地，在验证通过后，本发明实施例通过下式(14)计算组合权重数据：

其中，式中w

接着，本发明实施例根据决策矩阵计算正理想解和负理想解，并根据正理想解、负理想解和组合权重数据，计算得到欧几里得距离数据。具体地，本发明实施例通过下式(15)计算决策矩阵的正理想解，并通过下式(16)计算决策矩阵的负理想解：

Z

Z-＝(min{x’

然后，本发明实施例根据指标权重通过下式(17)计算正理想解的欧几里得距离，并通过下式(18)计算负理想解的欧几里得距离：

其中，式中w

进一步地，本发明实施例根据欧几里得距离数据进行相对接近度计算，得到船舶靠泊相对接近度数据，进而通过船舶靠泊相对接近度数据计算得到船舶优先权系数。具体地，本发明实施例首先根据欧几里得距离通过下式(19)计算相对接近度：

其中，式中

相应地，在计算得到相对接近度后，本发明实施例通过下式(20)计算船舶优先权系数：

其中，式中V

在本发明的一些实施例中，根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配优化模型，包括但不限于以下步骤：

根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配目标函数。

根据预设时空限制和预设规则限制，构建约束条件。

根据港口离散泊位分配目标函数和约束条件，构建得到港口离散泊位分配优化模型。

在本具体实施例中，本发明实施例首先构建港口离散泊位分配目标函数。具体地，本发明实施例在进行港口离散泊位分配优化模型的构建之前，首先根据港口与相关情况设置相关的模型假设，包括每艘船必须且只能在一个泊位作业一次、不允许船舶移泊、不考虑环境因素以及设备故障等对泊位分配的影响、船舶到达泊位便立即开始作业，且完成作业后立即离泊、港口每个泊位均符合待分配船舶的靠泊要求、所有泊位装卸效率并不完全相同以及同一时间每个泊位最多只能供一艘船舶作业。接着，本发明实施例根据预计到港时间数据、船舶信息、船舶优先权系数、以及港口泊位信息，构建港口离散泊位分配优化模型，如下式(21)所示：

minT＝∑

其中，式中minT表示所有船舶总在港时间当量之和最小。式中b表示港口的泊位编号，b∈B。式中i为一个周期内待分配船舶的编号，i∈I。式中x

需要说明的是，本发明实施例中船舶总在港时间分为船舶服务时间和船舶等待时间两部分，船舶服务时间为从船舶靠泊到船舶离泊之间所消耗的时间，船舶等待时间为从船舶到港到船舶靠泊之间消耗的时间。船舶总在港时间当量为船舶等待时间与船舶服务时间之和乘以船舶在港损失权重，船舶在港损失权重与船舶靠泊优先权成线性关系，其现实意义为靠泊优先权更高的船舶相同在港时间内所带来的损失更大。

进一步地，本发明实施例根据预设时空限制和预设规则限制，构建约束条件。具体地，本发明实施例根据时空限制以及相关的规则限制，构建得到约束条件如下式(22)至(28)所示：

∑

∑

∑

A

F

∑

其中，公式(22)规定了每一艘船只能在一个泊位上进行作业。公式(23)规定了每个泊位同一时间只能供一艘船舶进行作业。公式(24)规定了每艘船只能进行一次作业。公式(25)规定了每艘船舶必须到港之后才能计划靠泊。公式(26)规定了船舶作业时间等于船舶装载量除以泊位装卸效率。公式(27)规定了每艘船舶的计划离泊时间等于计划靠泊时间与作业时间之和。公式(28)规定了每个泊位待作业的下一条船必须在前一条船离泊之后才能靠泊。

相应地，本发明实施例根据港口离散泊位分配目标函数和约束条件，构建得到港口离散泊位分配优化模型。容易理解的是，本发明实施例构建的港口离散泊位分配优化模型结合了预计到港时间、船舶装载量、船舶优先权系数以及相应的港口泊位信息，能够反映多个因素对船舶靠泊的影响。

在本发明的一些实施例中，通过港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果，包括但不限于以下步骤：

通过遗传算法对港口离散泊位分配优化模型进行求解，得到泊位分配结果。

在本具体实施例中，本发明实施例通过遗传算法对港口离散泊位分配优化模型进行求解，从而得到相应的泊位分配结果。具体地，本发明实施例通过对港口泊位进行染色体编码，并进行选择、交叉以及变异操作，最终求解得到相应的泊位分配结果。本发明实施例通过遗传算法对模型进行求解的方式，能够缓解陷入局部最优解的问题，提高了港口泊位分配的可靠性和稳定性，且有效提高了求解速度，提高了港口泊位分配的效率。需要说明的是，在本发明的一些实施例中还可以通过遗传规划算法、粒子群优化算法、蚁群算法等算法对港口离散泊位分配优化模型进行求解，以得到相应的泊位分配结果。

在本发明的一些实施例中，通过遗传算法对港口离散泊位分配优化模型进行求解，得到泊位分配结果，包括但不限于以下步骤：

根据港口泊位和服务次序进行二维染色体编码，得到染色体矩阵。

根据港口离散泊位分配目标函数构建适应度函数。

通过启发式规则和随机生成算法对染色体矩阵进行种群初始化，得到初始种群。

对初始种群进行迭代遗传操作。

当迭代过程满足预设条件，生成目标种群，并从目标种群中选取适应度值最大的个体，得到泊位分配结果。其中，预设条件包括迭代次数大于预设次数或者适应度值大于第一预设适应度数据。

其中，对初始种群进行迭代遗传操作包括：

对初始种群进行预设遗传操作，得到第一种群。其中，预设遗传操作包括选择操作、交叉操作以及变异操作。

通过适应度函数对第一种群中的各个个体进行适应度评估，得到适应度值。

从第一种群中选择适应度值大于第二预设适应数据的个体组成第二种群。

将第二种群作为初始种群。

在本具体实施例中，本发明实施例首先根据港口泊位和服务次序进行二维染色体编码，以得到染色体矩阵。具体地，本发明实施例中通过泊位-次序二维编码方式，即港口泊位与服务次序，进行染色体编码。示例性地，当港口内拥有5个泊位，且一个计划期内有10只船舶到港。则本发明实施例划分出一个5×10的矩阵，其中5行代表5个泊位，10列代表每个泊位的10个服务次序，矩阵中第a行第b列的值为船舶序号，记做i，表示第i号船在第a个泊位作为第b条船被服务。另外，i为0时表示此泊位此次序时没有船舶被服务。接着，本发明实施例根据港口离散泊位分配目标函数构建适应度函数，如下式(29)所示：

Fit(x)＝f(x)

其中，式中f(x)

进一步地，本发明实施例通过启发式规则和随机生成算法对染色体矩阵进行种群初始化，得到初始种群。具体地，本发明实施例中初始种群的构建过程主要涉及靠泊泊位以及靠泊时间的制定。本发明实施例首先确定泊位集合，并随机选择泊位。同时，本发明实施例对可靠泊时间窗口进行计算，当该泊位已被占用，则随机化排列顺序，反之，则根据最早可靠泊时间窗口，随机选择时间点，以确定该泊位服务的第一艘船舶。相应地，当没有可用的时间窗口时，本发明实施例重新分配泊位。而当所有泊位都无法分配，则本发明实施例将其归入未排队的船只集合。最后，本发明实施例进行数据更新，通过将启发性规则和随机生成原则相结合，以确保初始种群基因的多样性，并确保初始种群的优良性以及有效性。

进一步地，本发明实施例对初始种群进行迭代遗传操作。具体地，本发明实施例中对初始种群进行迭代遗传操作过程中，首先对初始种群进行预设遗传操作，得到第一种群。相应地，本发明实施例中预设遗传操作包括选择操作、交叉操作以及变异操作。接着，本发明实施例通过适应度函数对第一种群中的各个个体进行适应度评估，以得到各个个体对应的适应度值，进而从第一种群中选择适应度值大于第二预设适应数据的个体组成第二种群。然后，本发明实施例将第二种群作为初始种群，以返回对初始种群进行预设遗传操作，得到第一种群的步骤，重复执行相应的迭代遗传操作，直至迭代过程满足预设条件。进一步地，当迭代过程满足预设条件，本发明实施例生成目标种群，并从得到的目标种群中选取适应度值最大的个体作为最优解，得到泊位分配结果。例如，本发明实施例中预设条件包括迭代次数大于预设次数或者适应度值大于第一预设适应度数据，即当迭代遗传操作的迭代次数大于预设的迭代次数或者相应种群的总适应度值大于设置的适应度阈值(第一预设适应度数据)，则停止迭代，并生成相应的目标种群。

示例性地，本发明实施例在对初始种群进行预设遗传操作过程中，首先通过轮盘赌的方式进行选择操作。具体地，本发明实施例首先通过适应度函数计算得到种群中每个个体的适应度值，以通过计算每个个体适应度占种群总适应度的比例，确定其被遗传到下一代的概率p

另外，本发明实施例根据泊位-次序二维编码方式，进行交叉操作。具体地，本发明实施例首先从种群中随机选择一个个体作为父体1，再从种群剩余个体中随机选择另一个个体作为父体2，对父体1和父体2进行交叉操作。接着，本发明实施例生成一个值域为[0，1]的随机数p，将设置的交叉概率p

进一步地，本发明实施例通过单点变异方式进行变异操作。具体地，本发明实施例对个体中的每个位置的值，产生一个随机数c，将设置的变异概率p

参照图2，本发明的一个实施例还提供了一种港口泊位分配优化系统，包括：

第一模块210，用于获取港口泊位信息和船舶信息。

第二模块220，用于根据船舶信息通过构建的船舶到港时间预测模型对船舶到港时间进行预测，得到预计到港时间数据。

第三模块230，用于根据船舶信息通过预设距离算法对船舶靠泊优先权进行分析，得到船舶优先权系数。

第四模块240，用于根据预计到港时间数据、船舶信息、船舶优先权系数以及港口泊位信息构建港口离散泊位分配优化模型。

第五模块250，用于通过港口离散泊位分配优化模型进行港口泊位分配，得到泊位分配结果。

参照图3，本发明的一个实施例还提供了一种港口泊位分配优化系统，包括：

至少一个处理器310。

至少一个存储器320，用于存储至少一个程序。

当至少一个程序被至少一个处理器310执行，使得至少一个处理器310实现如上述实施例描述的港口泊位分配优化方法。

本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。