一种自动化集装箱港口多主体协同优化作业方法

技术领域

本发明涉及港口调度作业领域，具体涉及一种自动化集装箱港口多主体协同优化作业方法。

背景技术

目前的一些相关技术研究考虑的是船舶停泊活动期间的碳排放量，很少有考虑港口作业流程。在解决港口作业调度方面，目前比较常用的技术手段包括先到先服务的泊位分配方式，以船舶最短在港时间为目标构建函数，最后通过启发式算法求解；通过船期和船舶偏好位置构建了以船舶在港时间最短为目标的优化模型；通过船舶到泊和作业进行限制，考虑船舶作业的时间窗，并通过启发式算法求解；还有的构造了多Agent的联合调度优化模型技术来减少作业成本和时间。

目前的大部分技术手段仅单独对某一个环节进行了研究，而实际的港口作业过程中，应该协同考虑不同环节的作业，系统的制定生产作业计划，进而降低集装箱港口作业成本，提升作业效率。本专利在解决港口作业流程优化问题上，从港口企业运营管理的角度，讨论了港口各作业设备的二氧化碳排放活动，包括装卸搬运作业和辅助生产作业，通过对整个作业流程的全面优化，弥补了相关领域的技术空缺。

发明内容

为了达到上述发明目的，本发明采用的技术方案为：

一种自动化集装箱港口多主体协同优化作业方法，包括如下步骤：

S1、根据设定条件构建港口泊位、岸桥和AGV三主体的协同优化模型；

S2、以港口作业时间最短和作业成本最低为目标函数对所构建的协同优化模型设置多目标函数和约束条件；

S3、设置不同场景参数，利用灰狼算法对所构建的模型进行编码，分别计算在不同场景参数下各目标函数的适应度并进行迭代更新；

S4、当达到最大迭代代数时，输出最优的协同优化作业方案。

进一步的，所述S2中目标函数表示为：

/>

其中，

进一步的，所述S2中设置目标函数的具体方式为：

通过线性加权的方式，将多目标问题转化为单目标规划模型，表示为：

其中，

进一步的，所述S2中约束条件包括：

（1）集装箱船舶靠泊位置以及靠泊时间不重叠；

（2）装箱船舶靠泊时需要满足其船舶长度小于空闲岸线长度；

（3）集装箱船舶到达泊位的时间要晚于到达港口的时间；

（4）集装箱船舶真实离港时间等于集装箱船舶到达泊位的时间加上在泊位作业的时间；

（5）最后一台岸桥完成作业的时间为集装箱船舶在泊位作业的时间，岸桥作业结束释放集装箱船舶；

（6）每个岸桥在同一时间只能给一艘集装箱船舶进行服务；

（7）被集装箱船舶选取作业的岸桥数不能大港口的总岸桥数量；

（8）被集装箱船舶选取作业的AGV数量不能大于港口的总岸桥数量；

（9）分配给各个岸桥的作业任务量之和等于集装箱船舶的总任务量；

（10）服务的AGV数量不能超过码头内的设备总数量；

（11）任意时刻作业的AGV数量等于分配给集装箱船舶的数量；

（12）岸桥c 的作业时间和集装箱船舶 k 服务满足时间关系：

其中，

（13）集装箱船k选取的岸桥c的等待第r辆AGV的延迟作业时间满足时间关系：

其中，

（14）集装箱船k选取的第r辆AGV等待岸桥c的延迟作业时间满足时间关系：

进一步的，所述S3中具体包括：

S31、设置灰狼算法基本参数，包括种群大小、迭代次数以及目标函数的权重系数；

S32、对协同优化模型进行编码，并随机生成集装箱港口作业过程的初始化种群；

S33、对随机生成的初始化种群进行适应度计算，选出当前种群中的最优个体；

S34、利用所选出的当前种群中的最优个体进行循环迭代，得到港口作业成本最低目标函数、港口作业时间最少目标函数的适应度函数曲线，并通过所得到的适应度函数曲线求得协同作业方案，包括船舶靠泊位置，分配岸桥及AGV数量和作业时间。

本方案具有如下有益效果：

1、利用数学模型对实际的集装箱港口协同作业方法进行模拟，可以分析影响集装箱港口作业效率相关因素，并围绕围绕作业流程中泊位、岸桥和AGV三主体之间进行了协同优化将多目标问题转化为单目标问题，便于对实际问题进行模拟分析。

2、灰狼算法的最优值和平均值明显低于粒子群算法和遗传算法，说明灰狼算法在集装箱港口多主体协同优化中精准度更高。同时其标准差低于其他两种算法，具有更高的稳定性。

附图说明

图1为本发明一种自动化集装箱港口多主体协同优化作业方法流程示意图。

图2为本发明实施例基准测试函数运算结果示意图，其中，（a）为Sphere运算结果，(b)为 Schwefel运算结果，(c)为 Rastrigin运算结果，(d) 为Ackley运算结果，(e) 为Kowalik运算结果，(f) 为hekel运算结果。

图3为本发明实施例不同算法运算结果示意图。

图4为本发明实施例目标函数适应度函数曲线图，其中（a）为最小成本，（b）为最短时间。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

一种自动化集装箱港口多主体协同优化作业方法，如图1所示，包括如下步骤：

S1、根据设定条件构建港口泊位、岸桥和AGV三主体的协同优化模型；

在本实施例里，协同优化模型包括如下内容：

泊位

船舶锚地排队时维持船舶正常运转需要辅助燃油发电，其燃油燃烧发电产生的碳排放均考虑为港口方产生的碳排放，该部分碳税向港口方征收；

到港集装箱船舶均已安装岸电设备，并可以在泊位使用岸电，该模型中船舶使用岸电费用港口不提供补贴，港口成本仅为岸电建设成本和维护成本；

岸线为一条直线且为连续泊位，集装箱船停靠泊位时，需要考虑各艘集装箱船之间安全距离，这部分为船期表里已知的；

不考虑特殊事件的影响，例如潮汐水深影响靠泊，设备维修,天气等影响作业；

船期表的到港时间作为船舶的到港时间，超过船期表离港时间则计算惩罚成本；

船舶从锚地到泊位移动速度均相同，且到泊后直到装卸作业完成不发生移泊情况；

集装箱船舶在港口的作业时间近似等于岸桥和AGV的装卸作业时间，即岸桥作业结束，集装箱船舶则离开泊位为下一艘船舶入泊留出空间；

岸桥

岸桥数量固定可以通过轨道移动，并根据集装箱长度和装卸作业量分配岸桥数量；

由于港口为全自动集装箱港口，非人工作业，岸桥的移动速度和作业效率恒定，不受外界因素影响，且忽略集装箱内部不同位置导致的集装箱作业的时间差异；

岸桥同一时间只能给被指定的集装箱船舶进行服务，一旦集装箱船舶作业完成，岸桥被释放，才能给其他船舶服务；

岸桥之间有一定的安全作业间距；

岸桥的移动时间相较于整体作业时间占比较小，因此在给集装箱船舶分配岸桥时，岸桥可以跨越分配，没有计算时间成本；

AGV

AGV移动速度恒定，且一旦分配了对应作业区域，需等作业全部完成才能跨区作业；

不考虑AGV充电时间；

港口堆场横向跨度较大，这里AGV作业效率取了平均值，所以不考虑到不同堆场的效率异同；

AGV和岸桥采用电力供能，均不算入碳排放。

针对上述协同协同优化模型，设置如下相关符号以便后续计算：

(1)集装箱码头资源

作业时间，结合港口作业时间，这里单位以分计算；

港口的岸线长度，案例港口为980m；

港口泊位岸桥总数量，该港口总共有16架岸桥；

港口泊位岸桥集合，/>

港口泊位AGV总数量,该港口共83台AGV；

集装箱码头海侧AGV集合，/>

时间周期内预计到达集装箱港口的船舶总数量，案例中选取了28艘集装箱船舶；

时间周期内到达港口装卸作业的船舶集合，/>

G:一个极大值；

(2)船期表相关信息

:集装箱船k（包含安全作业间距）的长度，/>

集装箱船k到港时间（单位：min），/>

:集装箱船k最晚离港时间，当离港时间晚于该时间则计算延时费用（单位：min）

:集装箱船k需要装上船的集装箱数量，/>

:集装箱船k需要从船上卸下的集装箱数量，/>

集装箱船k满足作业的最少岸桥数量，/>

:集装箱船k最多能够使用的岸桥数量，/>

:集装箱船k作业最少需要的AGV数量，/>

(3) 设备作业效率及成本：

岸桥单程装载集装箱作业效率，即装卸过程有且仅有一边装载集装箱，AGV同理（单位：TUE/min）；

岸桥双程装载集装箱作业效率（单位：TUE/min）；

AGV双程装载集装箱作业效率（单位：TUE/min）；

AGV单程装载集装箱作业效率（单位：TUE/min）；/>

:集装箱船舶在港口时间成本（单位：元/min）；

:集装箱船舶在港口单位时间碳排放碳税成本（单位：元/min）；

:各台岸桥作业单位时间内的作业成本（单位：元/min）；

:单辆AGV单位时间作业成本（单位：元/min）；

:集装箱船舶延时作业成本（单位：元/min）；

:岸桥延时作业成本（单位：元/min）；

:单辆AGV延时作业成本（单位：元/min）；

岸电使用成本（建设费用及维护成本）（单位：元/min）；

岸桥使用固定成本（单位：元）；

AGV使用固定成本（单位：元）；

:集装箱船舶k单位时间碳排放系数，/>

(4)决策变量

:集装箱船k到达泊位的时间，该时间非船期表时间，为实际到泊时间 （单位：min），/>

:集装箱船k靠泊位置，这里选取集装箱船舶中心点为靠泊点，/>

:集装箱船k分配AGV数量，/>

:集装箱船k分配岸桥数量，/>

集装箱船k分配的岸桥c的需要装船的集装箱任务量，/>

:集装箱船k分配的岸桥c的需要从船上卸载的集装箱任务量，/>

:0-1变量，当船i在船k的左方入泊，则=1.否则为0，/>

:0-1变量，当船i在船k之前入泊时，则=1.否则为0，/>

:0-1变量，表示若岸桥c在t时刻是否再给集装箱船k进行作业，则=1，否则为0，/>

:0-1变量，表示第r辆AGV在t时刻是否再给集装箱船k进行作业，则=1，否则为0，/>

(5)从属变量

:集装箱船舶k实际离港时间；

:根据作业量和分配设备数量计算的集装箱船舶k作业时间；

:岸桥c被集装箱船k选取后的作业时间；

:第r辆AGV被集装箱船k选取后的作业时间；

:当作业设备分配不足，导致集装箱船k延时作业的时间；

:集装箱船k选取的岸桥c的等待第r辆AGV的延迟作业时间；

:集装箱船k选取的第r辆AGV等待岸桥c的延迟作业时间；

:集装箱船k选取的岸桥c当中，作业量最大的岸桥；

:集装箱船k选取的岸桥c中，作业量最小的岸桥。

S2、以港口作业时间最短和作业成本最低为目标函数对所构建的协同优化模型设置多目标函数和约束条件；

该模型从港口方视角出发构建了集装箱船舶在港港口成本最低及在港总时间最短的双目标优化模型。

（1）港口成本最低目标函数

以集装箱船舶在港成本最低为目标，其成本分为以下几个部分：1、集装箱船舶在港时间成本，2、集装箱港口生产作业成本，3、集装箱船舶延时作业成本，4、碳税及岸电成本。

集装箱船舶在港时间成本

集装箱船舶在港口主要由以下几个阶段组成：靠泊锚地等待，锚地到达泊位，泊位装卸作业，离开泊位。由于集装箱船舶仅在靠泊作业时能够使用岸电，因此在港时间分为了两个部分：一是排队时间，即集装箱船舶到达锚地的时刻至船舶到达泊位开始作业的时刻，二是装卸作业时间，即集装箱船舶到达泊位开始作业的时刻至作业完成离开港口的时刻。

锚地排队时间：

(3-1)

装卸作业时间：

(3-2)

船舶在港总时间成本为：

(3-3)

2)集装箱港口生产作业成本

生产作业成本包括作业时间成本和设备使用固定成本，作业时间成本指岸桥和AGV的作业时间乘以单位时间的作业费用，分别为

综上，集装箱港口的作业成本为：

(3-4)

3)集装箱船舶延时作业成本

集装箱港口主要存在两种延误情况，一是集装箱船舶不能按船期表及时靠泊，二是船舶数量过多锚地排队或船舶装卸量过大时，港口有限的资源不能及时满足，导致延误。这里我们假设所有集装箱船舶均按船期表到港时间到港，仅考虑船舶因排队和装卸作业的延误。因此延时作业成本为：

(3-5)/>

4)碳税及岸电设备成本

相较于传统集装箱港口作业设备，该港口所有作业设备均采用电力供能，不考虑港口作业设备碳排放，只考虑集装箱船舶碳排放。集装箱船舶不仅在航行时需要消耗燃料供能，在其停泊时也需要消耗燃料给辅助电机供能，在这里碳税成本为集装箱船舶到达锚地至集装箱船舶离开港口这段时间，由于考虑到集装箱船舶到达泊位时可以使用岸电，因此该部分成本分为两个部分，第一部分为集装箱船舶在锚地燃料供能辅助电机的碳税成本，第二部分集装箱船舶靠泊使用岸电，这里港口的主要成本为平摊到每个集装箱使用的岸电建设成本及岸电维护成本。

集装箱船舶停靠锚地碳税为：

(3-6)

集装箱船舶靠泊时岸电成本：

(3-7)

综上四部分成本最低目标函数为：

(3-8)

（2）时间最短目标函数

(3-9)

式中，

（3）多目标模型

(3-10)

(3-11)

本文采用了权重值转换法对多目标问题进行求解。通过线性加权的方式，将多目标问题转化为单目标规划模型：

其中

约束条件：

下3式子表示集装箱船舶靠泊位置以及靠泊时间不能重叠，即同一时间，同一泊位，仅能对一艘集装箱船舶进行服务：

(3-14)

(3-15)

下式表示集装箱船舶靠泊时需要满足其船舶长度小于空闲岸线长度：

(3-16)

下式表示集装箱船舶到达泊位的时间要晚于到达港口的时间：

(3-17)

下式表示集装箱船舶真实离港时间等于集装箱船舶到达泊位的时间加上在泊位作业的时间：

(3-18)

下式表示最后一台岸桥完成作业的时间，即为集装箱船舶在泊位作业的时间，岸桥作业结束释放集装箱船舶：

(3-19)

下3式表示岸桥c 的作业时间和集装箱船舶 k 服务时间之间的关系：

(3-20)

(3-21)

(3-22)

下式表示每个岸桥在同一时间只能给一艘集装箱船舶进行服务：

(3-23)

下式表示岸桥数量的约束，即被集装箱船舶选取作业的岸桥数不能大港口的总岸桥数量：

(3-24)

下式同理，表示AGV数量的约束，即被为集装箱船舶选取作业的AGV数量不能大于港口的总岸桥数量：

(3-25)

下式表示集装箱船舶服务岸桥的数量约束，即分配的岸桥数量需要满足最大和最小的数量：

(3-26)

下式表示作业量约束，即分配给各个岸桥的作业任务量之和等于集装箱船舶的总任务量：

(3-27)

下式表示AGV的数量约束，即服务的AGV数量不能超过码头内的设备总数量：

(3-28)

下式表示任意时刻，作业的AGV数量等于分配给集装箱船舶的数量，该约束要求集装箱作业完成前，AGV不能被释放：

(3-29)

下式表示岸桥作业时间，同理作业的岸桥在集装箱船完成作业之前，不能给其他船舶作业：

(3-30)

下式表示岸桥等待AGV的时间：

下式表示AGV等待岸桥的时间：

S3、设置不同场景参数，利用灰狼算法对所构建的模型进行编码，分别计算在不同场景参数下各目标函数的适应度并进行迭代更新；

在本实施例，为了方便比较各个算法之间的优劣，设置种群大小50，最大迭代次数为50次。遗传算法主要设置参数为交叉概率和变异概率，其交叉概率通常为0.4~0.99，变异概率通常为0.0001~0.1。交叉概率过小不利于更新种群，这里设置为0.9。变异概率过小会导致种群的多样性下降太快，不利于求解最优个体，这里选取变异概率为0.1。粒子群算法主要设置参数为惯性权重，速度范围和学习常数。通常惯性系数为0.7~0.9，这里设置为0.8，速度范围为0.5，学习常数设为1。灰狼算法结构简单，需要设置系数向量为1。在评判算法性能时通常会用基准测试函数，基准测试函数是用来测试算法寻优性能的标准特殊函数。本文在单峰测试函数、多峰测试函数和固定维多峰测试函数三种类型中，每种类型各选取两种测试函数进行测试。

对每个基准测试函数进行了50次运算，得出了三类基准测试函数在不同算法运算下每次运算的输出如图2所示，横坐标表示运算次数，纵坐标表示每次运算的适应度值，一共进行了50次运算。从运算结果来看，灰狼算法和粒子群算法适应度值的最优值和平均值相较于遗传算法更接近理论最优值。

灰狼算法求解过程包括如下步骤：

S31、设置灰狼算法基本参数，包括种群大小、迭代次数以及目标函数的权重系数，本实施例里，为了得到较优的优化方案，且在可以接受的求解时间范围内，选取了以下数值作为灰狼算法的基本参数：种群大小为100，最大迭代次数为500，目标函数采用了线性加权组合法，分别计算了不同场景下对各个目标的重视程度乘以对应的权重系数，作业成本最小场景下

S32、对协同优化模型进行编码，并随机生成集装箱港口作业过程的初始化种群，具体而言，对集装箱港口泊位、岸桥和AGV进行初始化，初始化种群随机生成，第一部分为集装箱船舶的排列顺序；第二部分为集装箱船舶靠泊位置，以船舶中心点作为靠泊位置，其初始靠泊位置随机生成；第三部分表示岸桥数量，其数值介于集装箱船舶可承载的最少岸桥数量和最多岸桥数量，考虑到岸桥移动的时间相对于作业时长可以忽略不计，因此没有将岸桥分布位置和移动时间考虑进模型；第四部分表示AGV数量，要求所有处于服务状态的AGV数量之和小于AGV数量总和

S33、对随机生成的初始化种群进行适应度计算，选出当前种群中的最优个体，通过对初始化的集装箱港口作业相关过程进行适应度计算，选出当前种群中最优的个体，再通过不断地循环迭代，产生最优的个体。

S34、利用所选出的当前种群中的最优个体进行循环迭代，得到港口作业成本最低目标函数、港口作业时间最少目标函数的适应度函数曲线，如图4所示，并通过所得到的适应度函数曲线求得协同作业方案，通过迭代求得船舶靠泊位置，分配岸桥及AGV数量，作业时间等结果。

S4、当达到最大迭代代数时，输出最优的协同优化作业方案。

求解及有效性验证。

本文对两种情况进行了分析，一种是同一批到港船舶，即同一到达强度下，采取不同作业策略；一种是同一策略，不同到达强度下，港口作业设备的分配。为了控制变量，后文在比较不同场景下集装箱港口多主体协同时，港口需要选取不同作业策略进行设备分配，需要控制同样的到达强度，以判断不同策略对该到达强度港口作业设备分配的影响，这里以λ=1.16，即作业周期内到港船舶为28艘时作为案例进行了分析；而在比较不同到达强度下的设备分配时则选取了三组数据进行比较分析。为了测试灰狼算法在集装箱港口多主体协同优化中的性能，基于上述参数设置，这里分别用灰狼算法、粒子群算法和遗传算法求解第三章提到的港口多主体协同优化模型。为了方便比较各个算法在港口多主体协同优化中的性能，这里以集装箱港口在港作业总成本最小为目标进行求解。选取了λ=1.16，即作业周期内到港船舶为28艘进行测试，这里种群大小设置为50，由于计算量太大，这里迭代次数设为100次，进行了十次实验。

通过求解，得到十次运算不同算法的适应度值如图3所示。横坐标表示运算次数，纵坐标表示每次运算输出的适应度值。为了更直观比较算法之间的优劣，选取了十次结果的最优值、平均值和标准差进行辅助判断。灰狼算法的最优值和平均值明显低于粒子群算法和遗传算法，说明灰狼算法在集装箱港口多主体协同优化中精准度更高。同时其标准差低于其他两种算法，说明灰狼算法稳定性更高。

经计算，循环500次，通过设置目标函数中成本和时间的权重，得到最小成本和最短时间两种场景下适应度函数曲线图，如图4所示。

基于上述流程，通过迭代，求得船舶靠泊位置，分配岸桥及AGV数量，作业时间等结果。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。