一种汽车运输船移货代价计算方法

本发明属于汽车船装卸作业，尤其涉及一种汽车运输船移货代价计算方法。

背景技术：

1、汽车船的移货代价是判定汽车装载方案优劣的重要标准，其目的是衡量当前船舶车辆装载方案是否可用。车辆在装卸过程中可能会受到其他车辆的阻碍，需要事先将这些车辆移除才可以装卸。当采取最合理的路径装卸某一车辆时，被移除的其它车辆的占地面积称为装卸该车辆的移货代价。但是随着车辆数目的增加，遍历整个车辆空间的时间复杂度会不断增加。人工计算移货代价会花费大量时间。

2、在现有技术中，启发式算法是计算移货代价的主要方法。但是随着汽车装载数量的增多，计算量不断增加，算法的运行时间急剧增加，且传统启发式算法普遍存在迁移性差的问题，即一但装载方案发生改变，则算法需要重新运行，会耗费大量时间。

技术实现思路

1、本发明提供一种汽车运输船移货代价计算方法，以克服上述技术问题。

2、为了实现上述目的，本发明的技术方案是：

3、一种汽车运输船移货代价计算方法，包括基于pycharm集成开发环境建立的汽车运输船甲板模型；包括如下步骤：

4、s1：在汽车运输船甲板模型上建立x行y列的网格形成网格矩阵图，并根据船舶装载方案，将网格矩阵中的每个网格进行标记,获取标记后的网格矩阵图；其中，网格的面积为船舶装载方案中的最小的车辆占地面积；

5、将甲板上的障碍物所在网格标记为z；将甲板的出口位置所在网格标记为c；将甲板上的车辆所在的网格标记为所述车辆的卸货港顺序序号n，n＝1，2，…，n，其中n表示车辆的卸货港总数；将甲板上的空闲网格标记为o；

6、s2：根据车辆的卸货港顺序序号，建立车辆的优先级队列s，以确定车辆的卸货顺序；

7、s3：将标记后的网格矩阵图和车辆的优先级队列s输入卷积神经网络对网络进行训练，并基于奖励函数和训练后的卷积神经网络，获取车辆到出口位置的最短路径，以获取车辆到出口位置的最短路径中的标记为z的网格的数量；

8、s4：根据车辆到出口位置的最短路径中的标记为z的网格的数量，获取车辆到出口位置的移货代价，以获取所述船舶装载方案的总的移货代价。

9、进一步的，所述车辆的优先级队列s建立如下：

10、s21：根据车辆的卸货港顺序序号，获取在第n个卸货港卸货的车辆集合sn；

11、s22：根据车辆与出口位置之间的距离和车辆的占地面积，获取第n个卸货港卸货的车辆集合sn中的车辆序列s′n；

12、s23：按照车辆的卸货港顺序序号从小到大的顺序，根据第n个卸货港卸货的车辆集合sn中的车辆序列s′n，获取优先级队列s＝{s′1，s′2，…，s′n，…，s′n}；其中，n为车辆的卸货港总数；s′n为第n个卸货港卸货的车辆集合sn中的车辆序列s′n。

13、进一步的，获取第n个卸货港卸货的车辆集合sn中的车辆序列s′n方法如下：

14、s221：获取第n个卸货港卸货的车辆集合sn中的第m个车辆与出口位置之间的距离ln-m；

15、s222：将第n个卸货港卸货的车辆集合sn中的车辆按照ln-m由小到大的顺序进行排序，获取第n个卸货港卸货的车辆集合sn中的车辆序列s′n；

16、s223：若其中存在则分别获取第n个卸货港卸货的车辆集合sn中的第m1个车辆的占地面积和第n个卸货港卸货的车辆集合sn中的第m2个车辆的占地面积执行s224；

17、s224：将第m1个车辆和第m2个车辆按照种由小到大进行排序，进而获取n个卸货港卸货的车辆集合sn中的车辆序列s′n；

18、其中，为第n个卸货港卸货的车辆集合sn中的第m1个车辆；为第n个卸货港卸货的车辆集合sn中的第m2个车辆。

19、进一步的，车辆与出口位置之间的距离获取如下：

20、

21、式中：x1为车辆在网格矩阵中的横坐标；y1为车辆在网格矩阵中的纵坐标；xe为出口在网格矩阵中的横坐标；ye为出口在网格矩阵中的纵坐标。

22、进一步的，所述奖励函数为：

23、

24、其中，r1为执行优选执行动作a′后的网格为甲板出口位置网格时的奖励回报常数；r2为执行优选执行动作a′后的网格为标记n或者z的网格时的奖励回报常数。

25、进一步的，获取所述船舶装载方案的总的移货代价如下：

26、cost_s＝num*car_s

27、式中：num为车辆到出口位置的最短路径中的标记为z的网格的数量，car_s为单位网格面积；cost_s为总的移货代价。

28、有益效果：本发明的一种汽车运输船移货代价计算方法，通过奖励函数对卷积神经网络的输出进行约束，最终得到车辆到出口位置最短路径中标记为z的网格的数量，进行船舶装载方案中的总的移货代价的计算，计算复杂度低，精度高，成本低，同时基于训练好的卷积神经网络，能够对不同的转载方案进行直接计算，不需要重新的进行训练，算法的迁移性高，能灵活地对船舶各个甲板的不同装载方案进行移货代价计算，提升移货代价计算在多样化环境下的泛化能力。

技术特征：

1.一种汽车运输船移货代价计算方法，包括基于pycharm集成开发环境建立的汽车运输船甲板模型；其特征在于，包括如下步骤：

2.根据权利要求1所述的一种汽车运输船移货代价计算方法，其特征在于，所述车辆的优先级队列s建立如下：

3.根据权利要求2所述的一种汽车运输船移货代价计算方法，其特征在于，获取第n个卸货港卸货的车辆集合sn中的车辆序列s′n方法如下：

4.根据权利要求1所述的一种汽车运输船移货代价计算方法，其特征在于，车辆与出口位置之间的距离获取如下：

5.根据权利要求1所述的一种汽车运输船移货代价计算方法，其特征在于，所述奖励函数为：

6.根据权利要求1所述的一种汽车运输船移货代价计算方法，其特征在于，获取所述船舶装载方案的总的移货代价如下：

技术总结
本发明公开了一种汽车运输船移货代价计算方法，包括在基于PyCharm集成开发环境建立的汽车运输船甲板模型上建立网格矩阵图，并根据船舶装载方案对每个网格进行标记；建立车辆的优先级队列S，确定车辆的卸货顺序；将标记后的网格矩阵图和车辆的优先级队列S输入卷积神经网络对网络进行训练，以获取车辆到出口位置的最短路径中的标记为Z的网格的数量；根获取车辆到出口位置的移货代价，以获取所述船舶装载方案的总的移货代价。本发明基于训练好的卷积神经网络，能够对不同的转载方案进行直接计算，算法的迁移性高，能灵活地对船舶各个甲板的不同装载方案进行移货代价计算，提升移货代价计算在多样化环境下的泛化能力。

技术研发人员：孙霄峰,刘浣晓,潘文聪
受保护的技术使用者：大连海事大学
技术研发日：
技术公布日：2024/1/15