基于作业链的泊位与岸桥协同调度研究

针对泊位与岸桥协同调度问题,引入“链式优化”思路,用作业链的方法分析集装箱装卸作业过程,首先将泊位计划作为开始链单元,采用资源节点优化策略进行分析,以最小化船舶在港总成本为目标建立模型;然后将岸桥卸船作业作为结束链单元,采用任务节点优化策略进行分析,以最小化岸桥最大完工时间为目标建立模型。考虑到作业链的整体性能,设计嵌套循环算法进行求解,内循环中用遗传算法分别求解泊位岸桥分配模型和岸桥调度模型,外循环中用岸桥数量作为公用变量对两个模型进行传递和反馈,寻找协同调度最优解。与单独调度进行对比,结果表明协同调度的优化效果更好;与粒子群算法、蚁群算法和蜂群算法的求解结果进行比较,表明遗传算法在求解质量和效率方面都更优,证明了提出的模型和算法能够有效解决此问题。     

潮汐影响下泊位和岸桥双目标联合调度仿真

针对集装箱船舶大型化导致的港口航道现有水深无法满足大型船舶安全吃水深度,需要借助潮水上涨进出航道的现状,研究了潮汐影响下连续型泊位和动态岸桥联合调度问题。建立了以最小化船舶周转时间和岸桥在船舶间移动次数的双目标混合整数规划模型。基于问题特点,设计了Epsilon约束精确算法和带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)分别求解小规模和大规模算例的Pareto最优解集,所得结果验证了模型和算法的正确性与有效性。通过潮汐周期灵敏度分析评估了潮汐周期长度对岸桥工作效率和港口服务质量的影响。仿真结果表明,建立的优化模型能够帮助港口企业有效降低潮汐对生产作业的影响,同时提供一组高效的Pareto最优泊位岸桥调度方案提高工作效率和经济效益。     

求解流水线调度问题的万有引力搜索算法

研究了以最大完工时间为目标的流水线调度问题,使用万有引力算法求解调度问题,提出了一种最大排序规则,利用物体间各个位置分量值存在的大小次序关系,并结合随机键编码的方法产生,将物体的连续位置转变成了一个可行的调度方案;提出了一种边界变异的策略使得越界的物体不再聚集在边界上,而是分布在边界附近的可行空间内,从而增加种群的多样性;结合交换算子和插入算子提出了一种新的局部搜索算法,有效地避免了算法陷入局部最优值,进一步提高了解的质量.最后证明了算法的收敛性,并且计算了算法的时间复杂度和空间复杂度,仿真实验说明了所得算法的有效性.     

干扰约束下集装箱码头全岸线岸桥调度研究

为实现自动化码头岸桥作业方案的动态调整与优化,提升作业效率,以全岸线的岸桥为研究对象,在岸线以贝位为单位划分的基础上,考虑岸桥装卸作业过程中的安全距离、作业顺序以及贝位任务量等因素,建立了以最小化岸桥最大完工时间和等待时间为目标的混合整数规划模型,并设计了改进的遗传算法对该模型进行求解。通过不同情形的实际算例对模型和算法进行了验证。计算结果表明,该模型可以有效解决全岸线的岸桥调度问题,并得到更优的调度结果;同时改进的遗传算法计算时间随着算例规模的扩大而减少,并且解的质量更高,进而验证了在提升自动化码头作业效率上,全岸线岸桥调度的有效性。     

单船岸桥分配与调度集成优化模型

针对集装箱码头泊位确定条件下的单船岸桥(QC)分配和调度问题,建立了线性规划模型.模型以船舶在泊作业时间最短为目标,考虑多岸桥作业过程中的干扰等待时间与岸桥间的作业量均衡,并设计了嵌入解空间切割策略的改进蚁群优化(IACO)算法进行模型求解.实验结果表明:与可用岸桥全部投放使用的方法相比,所提模型与算法求得结果平均能够节省31.86%的岸桥资源;IACO算法与Lingo求得的结果相比,船舶在泊作业时间的平均偏差仅为5.23%,但CPU处理时间平均降低了78.7%,表明了所提模型与算法的可行性和有效性.     

灾变遗传算法求解带时间窗的车辆调度问题

提出一种可以有效求解带时间窗的车辆调度问题的灾变遗传算法.遗传算法作为一种高效的启发式算法被用于解决这类组合优化问题,但是该算法存在过早收敛、易陷入局部最优等缺陷.针对此问题,在搜索过程中采用灾变算子使遗传算法跳出局部最优,并针对车辆调度问题设计一种可以直接产生可行解的交叉算子,避免染色体交叉过程中产生不可行的子代.通过仿真算例验证了所提出的算法求解带时间窗的车辆调度问题的有效性;通过与标准遗传算法、改进遗传算法和粒子群算法的比较,进一步验证了灾变遗传算法在优化性能以及算法鲁棒性方面的优势.     

干扰约束下考虑分组作业面的岸桥AGV联合调度

为解决自动化码头海侧多阶段设备作业的协调问题,加快集装箱在码头内部的周转过程。考虑干扰约束下分组作业面的的岸桥自动导引小车（AGV）联合调度问题。以岸桥、AGV完工时间和AGV等待时间加权总和最小为目标,考虑岸桥实际操作中的干扰约束与AGV堵塞等待等情况,建立岸桥与AGV联合调度优化模型。提出岸桥动态调度与AGV分组作业面调度模式,设计不同规模的算例,并采用遗传算法（GA）进行求解,将计算结果与传统调度模式进行对比。结果表明,该算法能有效提高岸桥与AGV作业效率,降低AGV的等待时间与堵塞次数,为码头实际作业提供依据。     

自动化码头双小车岸桥与AGV协调调度问题研究

为研究自动化集装箱码头中自动导引运输车（Automated Guided Vehicle，AGV）与双小车岸桥（Double-Trolley Quay Crane，QC）的协调调度问题，考虑双小车岸桥中转平台及其容量限制，并以双小车岸桥门架小车时间窗为约束，建立以集装箱任务最大完工时间最小化为目标的混合整数规划模型。设计启发式算法，由中转平台的容量求得岸桥门架小车操作集装箱任务的时间窗，并采用遗传算法进行求解，给出相应的AGV调度优化方案，解决两大设备的协调调度问题。最后，以10组实验为例，比较了遗传算法与粒子群算法的优化结果。结果表明两种算法一致，且基于遗传算法的模型求解收敛速度更快，从而验证了该算法的可行性。     

考虑双小车岸桥中转平台的AGV调度问题研究

针对双小车岸桥下的AGV 调度问题进行了研究,考虑了双小车岸桥上的中转平台及其容量限制,以岸桥前小车作业延迟时间和岸桥后小车与AGV间的等待时间之和最小为目标函数,建立了带有时间窗约束的AGV调度混合整数规划模型,设计了启发式算法求解后小车时间窗,并采用遗传算法对模型进行求解,获得了基于岸桥后小车作业时间窗的AGV调度优化方案。算例结果表明：双小车岸桥的应用能够有效的降低设备间的等待时间,从而缩短港口整体装卸时间。     

基于预测与分解策略的大规模炼油过程生产调度算法

炼油生产调度为混合整数规划问题,随着规模的增大,其求解时间随问题规模呈指数增加,使得大规模长周期炼油生产调度问题难以在合理的时间内求解.针对该问题,本文提出了一种基于生产任务预测与分解策略的炼油生产调度算法,该算法能在短时间内获得大规模调度问题的满意解.所提算法将原问题沿时间轴分解为若干个调度时长相同的单时间段子问题,并设计了基于深度学习的单时间段生产任务(组分油产量)预测模型,用于协调子问题的求解.其中,生产任务预测模型通过易于获得的小规模问题的全局最优调度方案训练得到.最后,通过与商业求解器Cplex以及现有算法的对比,实验结果表明了所提算法的有效性.