一种散货码头不确定环境下的泊位分配方法及系统

本技术属于散货码头泊位，具体涉及一种散货码头不确定环境下的泊位分配方法及系统。

背景技术：

1、在散货码头中，泊位分配流程人工化特征较为明显，许多作业工艺和流程都需要为人工操作来完成。人工操作需要较长时间来完成任务的安排和调度，且容易受到人为因素的影响，导致效率不高，往往只能适应一定范围内的任务和情况，难以应对复杂和变化多端的场景。同时，也容易出现疏漏或考虑不全面的情况，导致任务调度的精度不高。而启发式算法、机器学习算法等新技术在调度中应用，实现智能化的调度，与传统的人工调度方式不同，可以极大的提升泊位利用率、减少资源浪费，对于散货码头高效运营具有重要的意义。

2、码头智能化调度是指在货物的装卸过程中，突破以人工调度和静态调度为主的传统方法，对复杂的码头操作过程实现动态的智能化的调度管理，是一种动态调度过程。在码头智能调度研究领域，集装箱码头的智能调度研究相对较多，集装箱码头智能调度的核心问题是集卡调度和堆场优化。在散货码头智能化调度研究领域，调度的核心问题是泊位分配和堆场分配。国内对散货码头的智能调度研究还处于起步阶段，相关文献也比较少，大部分成果尚未在散货码头得到实际应用。目前，国内各散货码头正在积极开展自动化、智慧化探索，为实现智慧泊位分配等提供支撑。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种散货码头泊位分配优化方法及系统，能够提高散货码头泊位利用效率、降低作业成本。

2、为达到上述目的，本发明是采用下述技术方案实现的：

3、一种散货码头不确定环境下的泊位分配方法，包括以下步骤：

4、根据预构建的泊位分配目标函数及约束条件，建立泊位分配优化混合整数线性规划数学模型；

5、采用遗传算法求解所述泊位分配混合整数线性规划模型，采用长短期记忆网络(lstm，long short-term memory)深度学习算法求解各装卸设备在气象和设备健康度两个不确定环境下的装卸效率；获取泊位分配优化方案；

6、其中，所述泊位分配目标函数根据预确定的泊位分配优化需求构建获取；所述约束条件包括散货船舶到港时间冲突约束、泊位及装船顺序冲突约束、船舶与泊位匹配约束以及船舶时间约束；

7、采用lstm深度学习算法求解所述散货船舶装卸设备装卸效率。

8、优选的，所述泊位分配目标函数根据预确定的泊位分配优化需求构建获取，包括：船舶的延误成本、船舶的装卸成本，两者之和为船舶作业成本；以散货船舶作业成本最低为目标构建相应的目标函数，其目标函数表达式如下：

9、

10、式(1)中，表示散货船舶i单位时间的平均服务成本；表示散货船舶i单位时间的平均延误成本；zitm二元变量，如果船舶在周期t内由装卸门机m服务，则该变量值为1，否则为0；ldci表示散货船舶i的装卸完成时间；etdi表示散货船舶i的预计离港时间。

11、优选的，所述泊位及装船顺序冲突约束包括：泊位位置约束、靠泊时间晚于抵达时间约束、装卸设备总数量约束、单船分配装卸设备数量约束、同一时间段同一个装卸设备只服务于一艘船舶约束、同一时间只有一艘船停泊在泊位同一位置约束、同一考博时间两船相对位置不重叠约束、两艘船靠泊时间不重叠的约束，对应的约束条件表达式分别为：

12、posi+li+s≤len,i∈v  (2)

13、式(2)中，posi表示散货船舶i的靠泊位置，i∈v；li表示散货船舶i的长度，i∈v；s表示泊位内散货船之间的安全距离(常量)；len表示散货码头泊位总长度(常量)；v表示待停泊散货船的集合；式(2)确保分配泊位位置位于泊位总长度范围内；

14、tmax≥ldci≥bti≥etai,i∈v  (3)

15、式(3)中，tmax表示规划时间周期的结束时间；bti表示散货船舶i的靠泊时间；etai表示散货船舶i的预计到达时间；式(3)确保分配装卸完成时间、靠泊时间位于规划的时间段内，确保船舶靠泊时间晚于抵达时间；

16、∑i∑mzitm≤mmax,i∈c,t∈t,m∈m  (4)

17、式(4)中，mmax表示装卸门机的最大数量；m表示可分配给散货船舶的装卸门机的集合；式(4)确保在任何时间正在作业的装卸装备数量不超过装卸装备的总数；

18、

19、式(5)中，分配给船舶i的装卸门机的最小数量，i且大于等于1；分配给船舶i的装卸门机的最大数量，小于等于散货船舶i的货舱数；式(5)确保分配给船舶的装卸装备数量处于最小和最大数量之内；

20、∑izitm≤1,i∈v,t∈t,m∈m  (6)

21、式(6)确保同一时间段同一个装卸设备只服务于一艘船舶；

22、posi+li+s≤posj+n(1-yij),i,j∈v  (7)

23、式(7)中，posi，posj分别表示散货船舶i和j的靠泊位置；n表示一个超级大的常数；yij表示一个二元变量，当船舶i∈v的靠泊位置在船舶j∈v的左侧时，则取值为1，否则取值为0；式(7)确保同一时间只有一艘船停泊在泊位上的同一位置；

24、yij+yji≤1,i,j∈v  (8)

25、式(8)确保同一靠泊时间两艘船的相对位置不重叠；

26、bti+ldci-ldsi≤btj+n(1-xij),i,j∈v  (9)

27、式(9)中；ldsi表示散货船舶i的装卸开始时间，i∈v；btj表示散货船舶i的靠泊时间，i∈v；xij表示二元变量，如果i∈v的靠泊时间早于j∈v的靠泊时间，则取值为1，否则取值为0；式(9)确保同一靠泊位置两艘散货船舶装卸任务可以正常完成，n为一个超级大的常数；

28、xij+xji≤1,i,j∈v  (10)

29、式(10)确保两艘船的靠泊时间不重叠；

30、yij+yji+xij+xji≤1,i,j∈v  (11)

31、式(11)确保同一时间码头同一岸线位置不会出现船舶重叠的情况。

32、优选的，所述采用遗传算法求解所述散货码头泊位分配优化混合整数线性规划模型，包括：

33、步骤(1)：将每艘散货船舶的靠泊位置、靠泊时间、分配的装卸设备数量作为决策变量，对所有船舶的决策变量进行编码，形成一个二维数组矩阵的遗传编码；

34、步骤(2)：对所述遗传编码，根据人工经验fcfs进行初始化，生成初始种群；

35、步骤(3)：对所述初始种群进行适应度计算，并采用轮盘法对种群进行选择，形成配对父代；

36、步骤(4)：对所述配对父代进行交叉、变异操作，生成新的种群；

37、步骤(5)：根据所述约束条件对所述新的种群进行基因修复；

38、步骤(6)：返回步骤(3)，不断迭代，直至满足误差要求，形成最优解。

39、优选的，所述根据所述约束条件对所述新的种群进行基因修复，包括：

40、步骤(51)：判断染色体中散货船舶靠泊位置的基因值是否在[0,len-li]内，若在，执行步骤(52)；否则就在该范围内随机产生一个新的基因值，再执行步骤(52)；

41、步骤(52)：根据染色体中给散货船舶分配的靠泊时间的基因值是否在[0,tmax]内，若在，执行步骤(53)；否则就在该范围内随机产生一个新的基因值，再执行步骤(53)；

42、步骤(54)：判断染色体中给散货船舶分配的装卸设备的数量基因值是否在内，若在，不进行基因修复；否则就在该范围内随机产生一个新的基因值，完成基因修复过程。

43、优选的，包括以下步骤：

44、步骤(1)：选取影响散货船舶装卸设备效率的气象影响因子；包含风速、风向、能见度和降水；选取影响散货船舶装卸设备效率的设备影响因子包含设备类型、散货类型和设备健康度；

45、步骤(2)：确定lstm模型的输入门、输出门以及遗忘门的网络结构，通过网格搜索方式对模型的各个超参数进行确定；

46、步骤(3)：通过港口已有的气象信息服务系统获取待分配时间段内的气象因素预报信息；通过港口已有的设备全生命周期管理系统获取待分配时间段内的各装卸设备的健康度信息；

47、步骤(4)：对散货码头装卸作业、环境及设备状态三大类历史数据、实测数据、预测数据进行数据清洗、数据归一化等预处理操作；

48、步骤(5)：根据各装卸设备的历史数据，对lstm模型进行训练，实现对不同气象气象因子、不同设备影响因子下船舶装卸效率的预测；

49、步骤(6)：根据预测的装卸效率、散货船舶的装卸货物量，计算得到对应的装卸时间，进而计算得到装卸作业成本，并评估整个泊位分配方案的目标函数值，从而实现泊位分配的优化。

50、一种散货码头泊位分配系统，包括船舶信息获取模块、气象预报分析模块、设备健康监测模块、泊位分配模块、数据存储模块；其中：

51、船舶信息获取模块：船舶信息获取模块，用于获取散货船舶进港时间以及计划出港时间、船舶长度、吃水深度、载货类型、载货量、计划装卸量等信息；

52、气象预报分析模块：气象预报分析模块，提供规划期时间内码头的气象状况，根据散货船舶进出港时间以及气象当前信息分析预测港机设备装卸效率；

53、设备健康监测模块：设备健康监测模块，提供规划时间内码头岸侧的装卸设备的情况，根据以往装卸效率和当前设备的健康度，进行港机设备装卸效率的预测；

54、泊位分配模块：泊位分配模块，根据获取的船舶信息、分析适合待进港的散货船舶停靠的泊位，并进行分配；

55、数据存储模块：数据存储模块，将作业过程中的散货船舶数据、气象数据、设备效率数据、生产作业数据进行存储，与港口生产调度系统进行信息交互。

56、与现有技术相比，本技术有益效果如下：

57、针对气象条件、装卸设备健康度等不确定环境下的泊位分配问题首先利用基于人工调度经验考虑泊位偏好的fcfs方法获得初始调度计划，以lstm深度学习算法对装卸设备装卸效率进行计算和预测分析，以遗传算法启发式方法来计算调度计划，以适应度函数为评价依据进行算法参数选择依据，分析气象条件和设备健康度这两种不确定因素对泊位分配的影响，并通过多种实例规模进行分析，最后得到散货码头不确定环境下的泊位分配最优解。为了工程化应用，开发一种泊位分配系统，实现该方法的应用验证。通过泊位分配系统软件协调各个功能模块之间的工作，做到船舶进出港船舶、调度、生产等多任务的统一管理和调度，大大减轻了人工进行泊位分配和调度的工作难度和工作量，相比人工调度错误发生率低、效率提升，有效避免人工调度不合理导致的作业成本增加。