一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法

1.本发明涉及海陆联运的运输决策领域，具体为一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法。


背景技术：

2.泊位和岸桥作为码头的重要资源，对码头的生产效率有着重要影响。泊位是码头沿岸线用以船舶停靠的区域，岸桥是装卸船舶上集装箱的重要工具。受恶劣天气、码头设施故障等不确定性因素的影响，船舶的到港时间、装卸工作时间等都会具有一定的不确定性，并且，这些不确定因素往往使得紧耦合模式下的泊位岸桥调度计划难以执行，进而会延迟甚至中断原本的泊位岸桥计划，并对港口的整体效率产生严重影响。
3.现有的技术中已经考虑岸桥的故障对该船岸桥调度方案的影响，构建模型得出每个滚动阶段决策点处最优的岸桥再调度方案，但没有考虑岸桥故障和场桥故障累加对于船舶装卸进度的影响,且仅研究了单艘船舶的岸桥调度方案。
4.现有的技术中建立了考虑泊位偏好和岸桥移动频数的泊位岸桥联合调度两阶段模型。第一阶段模型采用船舶到港时间可变的到港策略，建立了以成本最小为目标的混合整数规划模型。第二阶段模型考虑了岸桥的干扰约束，建立了以岸桥移动频数最小为目标的整数规划模型，可以得出给定计划期内的泊位-岸桥联合调度计划，然而未考虑到在实际码头作业过程中，当计划期较长时，泊位和岸桥的实际工作情况会与计划的有所出入的情况。尽管目前对泊位岸桥分配问题求解的模型和算法很多，在模型与算法的寻优精度方面也有了一定的改进，但面对大规模、计划期较长且实际环境可能会发生变化的情况，泊位岸桥问题的模型与方法仍有进一步改进的必要。
5.在实际泊位岸桥作业场景中，受天气或设备故障影响，可能发生船舶延迟到港或船舶货物装卸时间延长等不可控因素，而这些意外因素的发生会造成额外的经济成本、时间成本等，为减缓这些不确定因素对港口整体作业效率的负面影响，生成一个能更好应对不确定因素影响的鲁棒的泊位岸桥调度方案就显得极为重要；为此提供了一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法。


技术实现要素：

6.本发明的目的是针对现有技术的缺陷，提供一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，以解决上述背景技术提出的问题。
7.为实现上述目的，本发明提供如下技术方案：一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，具体步骤如下：
8.s1：种群初始化；具体包括种群规模、迭代次数、粒子位置和速度的上下界、惯性权重和学习因子；以6艘船舶为例，编码长度为船只总数n＝6：船舶号为：1、2、3、4、5、6；靠泊顺序oj为：1、3、5、2、4、6；靠泊泊位xj为：2、1、1、2、3、4；岸桥数量yj为：3、5、2、4、1、2；
9.s2：计算最早靠泊时间tbj(es)：对于船舶j，计算tbj(es)公式如下：
[0010][0011]
其中s
ijk
表示船舶j在泊位i第k个靠泊则为1，否则为0，taj与表示船舶j的来港时间，td
j'
表示在泊位i上船舶j
′
的离港时间；
[0012]
s3：计算最晚靠泊时间tbj(ls)：对于船舶j，若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j
′
，则令t＝tb
j'
(ls)，若不存在这样的船舶则令t＝tdj，计算tbj(ls)的公式如下：
[0013][0014]
其中twj表示船舶j的工作时间；
[0015]
s4：插入缓冲区；
[0016]
s5：粒子自适应变异；pso算法全局搜索能力强，且有记忆性，在迭代前期寻优能力较强，但在迭代后期不可避免的掉入局部陷阱，难以跳出局部最优解找到全局最优解，针对pso算法的特点和构建的泊位岸桥问题模型，设计如下自适应变异策略对传统pso算法进行改进，令自适应变异概率p的更新公式如下：
[0017][0018]
其中，tn为当前迭代次数，tn为总的迭代次数；对于粒子i，随机生成一个0到1间的随机数，如果该随机数大于此次迭代的变异概率，则对该粒子进行变异操作；
[0019]
s6：计算样本的目标函数值；即船舶延迟离港时间，公式如下：
[0020][0021]
s7：更新粒子的个体最优值与全局最优值；对于每个粒子，将此次迭代所求的适应度值与其最优适应度值pbest做比较，如果小于pbest则更新，否则pbest不变；再将pbest与全局最优值gbest作比较，若小于gbest，则令pbest替换gbest；
[0022]
s8：更新粒子的速度和位置，对第i个粒子的速度更新公式为：
[0023]vij
(tn+1)＝wv
ij
(tn)+c1r
1j
(p
ij-x
ij
(tn))+c2r
2j
(g
j-x
ij
(tn)),j∈v
[0024]
位置更新公式为：x
ij
(tn+1)＝x
ij
(tn)+v
ij
(tn+1),j∈v
[0025]
其中，v
ij
(tn+1)表示第tn+1次迭代粒子i的第j维速度值，w为权重系数，c1和c2维学习因子，r
1j
与r
2j
为基于logistic混沌序列的混沌变量，p
ij
为粒子i的最优解的第j维位置值，gj为全局最优解的第j维位置值，x
ij
(tn)表示第tn次迭代时粒子i的第j维位置值；对于更新速度和位置后的粒子，要对其进行边界处理，以让其编码满足约束；
[0026]
s9：令tn＝tn+1，判断是否满足达到最大迭代次数tn的终止条件，是则终止迭代输出最优解，否则返回第s2步继续迭代。
[0027]
作为本发明的一种优选技术方案，所述s1中的oj代表船舶的靠泊顺序，1到n之间整数随机排列；xj代表船舶的靠泊泊位；yj代表分配给船舶的岸桥数量，在船舶最少和最多需要的岸桥数之间随机生成，比如船舶1第一个靠泊在2号泊位，为其分配3个岸桥。
[0028]
作为本发明的一种优选技术方案，所述s4中插入缓冲区的具体步骤如下：
[0029]
s41：更新权重系数wj；权重系数代表船舶的服务优先权，对于船舶j，若存在使得所求tbj(es)与tbj(ls)方案中有时间和空间有冲突的船舶j'，即{xj＝x
j'
,tb
j'
(es)＜tbj(es)＜tb
j'
(ls)+tw
j'
|j,j'∈v}，则wj设为1，否则设为0，其中集合v＝{1,2,
…
,n}；
[0030]
s42：计算累计权重；计算两个关键参数αj、βj，分别是对某艘船舶j在同一泊位其先前靠港的船舶的累积权重αj和在其后靠港的船舶的累积权重βj；
[0031]
在泊位岸桥方案中，不仅要考虑过渡的前任和后任船舶，还要考虑共享同一码头空间的其他船舶；因此，定义集合fa(j)记录与船舶j在同一泊位靠泊且在其前靠泊的船舶，定义集合fb(j)记录与船舶j在同一泊位靠泊且在其后靠泊的船舶，定义w作为所有船舶的总权重,则计算αj和βj的公式如下：
[0032][0033]
s43：得到较鲁棒的泊位岸桥方案；最终得到的插入缓冲区后的船舶靠泊时间tbj由tbj(es)、tbj(ls)、αj、βj求得：
[0034][0035]
作为本发明的一种优选技术方案，所述s5中的变异策略设计有两种分别为交换和逆序，具体如下，交换：随机选择两列交换；逆序：从样本中随机选择两列,将包含所选两列及其之间的部分进行逆序排列。
[0036]
本发明的有益效果是：本发明减缓因受天气或设备故障影响，造成船舶延迟到港或船舶货物装卸时间延长等不可控因素对港口整体作业效率的负面影响，降低经济成本和时间成本，可以快速、有效的求解泊位岸桥调度问题，进而提高集装箱码头整体的作业效率。
附图说明
[0037]
图1为本发明的流程图；
[0038]
图2为本发明不同船舶数量下指标1与指标2对比图；
[0039]
图3为本发明的变异策略示意图。
具体实施方式
[0040]
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
[0041]
请参阅图1，本发明提供一种技术方案：一种基于改进粒子群算法的鲁棒泊位岸桥联合分配方法，具体步骤如下：
[0042]
s1：种群初始化；具体包括种群规模、迭代次数、粒子位置和速度的上下界、惯性权重和学习因子；以6艘船舶为例，编码长度为船只总数n＝6：船舶号为：1、2、3、4、5、6；靠泊顺
序oj为：1、3、5、2、4、6；靠泊泊位xj为：2、1、1、2、3、4；岸桥数量yj为：3、5、2、4、1、2；
[0043]
oj代表船舶的靠泊顺序，1到n之间整数随机排列；xj代表船舶的靠泊泊位；yj代表分配给船舶的岸桥数量，在船舶最少和最多需要的岸桥数之间随机生成，比如船舶1第一个靠泊在2号泊位，为其分配3个岸桥；
[0044]
s2：计算最早靠泊时间tbj(es)：对于船舶j，计算tbj(es)公式如下：
[0045][0046]
其中s
ijk
表示船舶j在泊位i第k个靠泊则为1，否则为0，taj与表示船舶j的来港时间，td
j'
表示在泊位i上船舶j
′
的离港时间；
[0047]
s3：计算最晚靠泊时间tbj(ls)：对于船舶j，若存在与其在同一泊位靠泊且邻接在其后靠泊的船舶为j
′
，则令t＝tb
j'
(ls)，若不存在这样的船舶则令t＝tdj，计算tbj(ls)的公式如下：
[0048][0049]
其中twj表示船舶j的工作时间；
[0050]
s4：插入缓冲区；
[0051]
s41：更新权重系数wj；权重系数代表船舶的服务优先权，对于船舶j，若存在使得所求tbj(es)与tbj(ls)方案中有时间和空间有冲突的船舶j'，即{xj＝x
j'
,tb
j'
(es)＜tbj(es)＜tb
j'
(ls)+tw
j'
|j,j'∈v}，则wj设为1，否则设为0，其中集合v＝{1,2,
…
,n}；
[0052]
s42：计算累计权重；计算两个关键参数αj、βj，分别是对某艘船舶j在同一泊位其先前靠港的船舶的累积权重αj和在其后靠港的船舶的累积权重βj；
[0053]
在泊位岸桥方案中，不仅要考虑过渡的前任和后任船舶，还要考虑共享同一码头空间的其他船舶；因此，定义集合fa(j)记录与船舶j在同一泊位靠泊且在其前靠泊的船舶，定义集合fb(j)记录与船舶j在同一泊位靠泊且在其后靠泊的船舶，定义w作为所有船舶的总权重,则计算αj和βj的公式如下：
[0054][0055]
s43：得到较鲁棒的泊位岸桥方案；最终得到的插入缓冲区后的船舶靠泊时间tbj由tbj(es)、tbj(ls)、αj、βj求得：
[0056][0057]
s5：粒子自适应变异；pso算法全局搜索能力强，且有记忆性，在迭代前期寻优能力较强，但在迭代后期不可避免的掉入局部陷阱，难以跳出局部最优解找到全局最优解，因此针对pso算法的特点和构建的泊位岸桥问题模型，设计如下自适应变异策略对传统pso算法进行改进，令自适应变异概率p的更新公式如下：
[0058][0059]
其中，tn为当前迭代次数，tn为总的迭代次数；对于粒子i，随机生成一个0到1间的随机数，如果该随机数大于此次迭代的变异概率，则对该粒子进行变异操作；
[0060]
s51：变异策略设计有两种分别为交换和逆序，具体如下，交换：随机选择两列交换；逆序：从样本中随机选择两列,将包含所选两列及其之间的部分进行逆序排列，如图2所示；
[0061]
s6：计算样本的目标函数值；即船舶延迟离港时间，公式如下：
[0062][0063]
s7：更新粒子的个体最优值与全局最优值；对于每个粒子，将此次迭代所求的适应度值与其最优适应度值pbest做比较，如果小于pbest则更新，否则pbest不变；再将pbest与全局最优值gbest作比较，若小于gbest，则令pbest替换gbest；
[0064]
s8：更新粒子的速度和位置，对第i个粒子的速度更新公式为：
[0065]vij
(tn+1)＝wv
ij
(tn)+c1r
1j
(p
ij-x
ij
(tn))+c2r
2j
(g
j-x
ij
(tn)),j∈v
[0066]
位置更新公式为：x
ij
(tn+1)＝x
ij
(tn)+v
ij
(tn+1),j∈v
[0067]
其中，v
ij
(tn+1)表示第tn+1次迭代粒子i的第j维速度值，w为权重系数，c1和c2维学习因子，r
1j
与r
2j
为基于logistic混沌序列的混沌变量，p
ij
为粒子i的最优解的第j维位置值，gj为全局最优解的第j维位置值，x
ij
(tn)表示第tn次迭代时粒子i的第j维位置值；对于更新速度和位置后的粒子，要对其进行边界处理，以让其编码满足约束；
[0068]
s9：令tn＝tn+1，判断是否满足达到最大迭代次数tn的终止条件，是则终止迭代输出最优解，否则返回第s2步继续迭代。
[0069]
实施例1：考虑在集装箱码头的实际工作状况，本方法根据计划停靠港口的船舶信息(如船舶的数量、预计到港时间、预计离港时间、载箱量等)和码头设备信息(如泊位个数、泊位长度、岸桥总数量)，提前制定泊位岸桥分配方案；对于每只船舶，应为其做以下三个安排：一是靠泊时间，二是靠泊泊位，三是分配的岸桥个数。
[0070]
设如下集合、参数和变量：
[0071]
b：码头沿岸线的泊位集合，i∈b＝{1，2，...，m}；
[0072]
v：到港的船舶集合，i∈v＝{1，2，...，n}；
[0073]
vlj：船j的安全长度(含安全距离)；
[0074]
t：计划周期，t为单位时间索引
[0075]
tn：交叉熵算法的迭代次数，tn为次数索引
[0076]
qli：泊位i的长度；
[0077]
r：岸桥的工作效率；
[0078]
q：岸线上的岸桥个数；
[0079]
pj：船j的偏好泊位；
[0080]
taj：船j的预计到港时间；
[0081]
tdej：船j的预计离港时间；
[0082]
nj：船j运载的集装箱的个数；
[0083]
船j最少需要的岸桥数；
[0084]
船j最多需要的岸桥数；
[0085]
nj：船j运载的集装箱的个数；
[0086]
xj：船舶j的靠泊泊位；
[0087]
yj：分配给船舶j的岸桥个数；
[0088]
oj：船舶j的靠泊顺序；
[0089]
tbj：船j的靠泊时间；
[0090]
tdj：船j的离港时间；
[0091]
twj：船j的工作时间；
[0092]sijk
：如果船j在泊位i上第k个靠泊则为1，否则为0；
[0093]
sj
t
：如果船j在t时刻被服务则为1，否则为0；
[0094]
本发明以最小化船舶的延迟离港时间为目标，建立的优化模型如下：
[0095][0096]
约束条件：
[0097][0098][0099][0100][0101][0102][0103][0104][0105][0106][0107]
[0108][0109]
约束条件(2)表示船舶到港后才能靠泊，约束条件(3)表示船舶只能停泊在大于船长的泊位，约束条件(4)表示船舶只有一次靠泊机会，约束条件(5)表示一个泊位最多同时服务一艘船舶，约束条件(6)表示为船舶分配的岸桥数在给定的范围内，约束条件(7)保证了船舶工作的连续性，约束条件(8)定义了船舶的工作时间，约束条件(9)定义了船舶的离港时间，约束条件(10)表示任意时刻作业的岸桥数不能超过码头岸桥总数。约束条件(11)-(13)定义了与决策变量相关变量的取值范围。按照上述技术方案，对上述泊位岸桥分配问题求解，即可得到最终的分配调度方案。
[0110]
实验验证：
[0111]
为验证本发明所提出的ipso方法求解泊位岸桥分配问题的有效性与鲁棒性，设置海岸线长1200m，4个泊位，1～4泊位长度分别为200m，300m，300m，400m，单位长度20m，单位时间t＝5min，12台岸桥，岸桥的工作效率3.33teu/t，预计到港时间ta在[0,288]内随机生成，船长在[6,20]之间随机生成，船舶的参数设计如下表所示,工作时间记为tw，预计离港时间在[ta+tw,ta+tw+60]之间随机生成。
[0112]
表1船舶参数设置
[0113]
船舶等级船长集装箱数量岸桥范围小船[6,10][800,1500][1,2]中船[11,15][1500,2500][2,4]大船[16,20][2500,4000][3,6]
[0114]
将传统方法所求泊位岸桥分配方案记为s1，方案s1所对应的靠泊时间记为tbj(es)，插入缓冲区之后所求鲁棒性泊位岸桥分配方案记为s2，方案s2所对应的靠泊时间记为tbj。为模拟真实场景，检验本方法的鲁棒性，令实际工作时间在[tw,1.1tw]内随机生成，如果某只船在预计靠泊时间因前一艘船的离港时间延迟而不能靠泊工作，则等待至前一艘船离港且有足够的岸桥来保证船只工作后靠港，其实际靠泊时间为tba。
[0115]
本发明生成10种不同规模的船舶分别在200个随机场景下，比较求得船舶靠泊延误时间和延误数量这两个鲁棒性指标上的性能，具体指标如下：
[0116]
指标1：船舶靠泊延误时间之和：
[0117][0118][0119][0120]
其中，δt(s1)表示s1延误靠泊时间之和，δt(s2)表示s2延误靠泊时间之和，tir为指标1的改善率。
[0121]
指标2：船舶靠泊延误数量：
[0122]
[0123][0124][0125]
其中，δn(s1)为表示s1延误靠泊数量之和，δn(s2)为表示s2延误靠泊数量之和；nir为指标2的改善率。
[0126]
10种规模下，每种规模随机生成200个场景，所求实验结果如表2所示，图2展示了10种规模下指标1和指标2的对比：
[0127]
表2实验结果
[0128]
船舶数量nδt(s1)δt(s2)tirδn(s1)δn(s2)nir863.7029.9453.005.021.9161.95979.4334.4256.676.232.0167.7410102.8248.9652.387.092.8559.8011136.0364.2052.808.092.9363.7812162.7773.3954.919.213.2364.9313196.08102.8147.5710.093.9361.0514233.29125.2446.3211.124.2861.5115271.49129.7652.2011.944.3763.4016333.53176.6847.0313.065.4258.5017347.56168.5451.5114.115.4261.59
[0129]
由表2可知，在不同的船舶数量的算例下，在指标1上δt(s2)始终是明显优于δt(s1)的，且由图2(a)和(b)可知随着船舶数量的增多，δt(s1)与δt(s2)、δn(s1)与δn(s2)整体均呈上升趋势，由图2(c)和(d)可知随着船舶数量的增多，tir和nir值呈略微下降的趋势，这是因为当船舶数量增多时，不可避免的会出现延误靠泊的时间与船舶数量会增加，但两个指标的改善率均较高，因此本发明所提出的改进的粒子群算法可以有效减少实际泊位岸桥方案的延误靠泊时间和数量。
[0130]
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。