CN101782988A - 基于知识工程的集装箱码头场桥调度方法 - Google Patents
基于知识工程的集装箱码头场桥调度方法 Download PDFInfo
- Publication number
- CN101782988A CN101782988A CN200910199014A CN200910199014A CN101782988A CN 101782988 A CN101782988 A CN 101782988A CN 200910199014 A CN200910199014 A CN 200910199014A CN 200910199014 A CN200910199014 A CN 200910199014A CN 101782988 A CN101782988 A CN 101782988A
- Authority
- CN
- China
- Prior art keywords
- bridge
- knowledge
- field
- container
- district
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为基于知识工程的集装箱码头场桥调度方法,对场桥调度知识***进行***设计和***实现:首先,采用知识分类过程法(KSP)对获取的集装箱码头场桥调度知识进行知识归类;其次,设计集装箱码头场桥调度知识***的推理机制;然后,分析场桥调度知识***的体系结构,对其总体框架、基本组成进行阐述;在前面研究的知识表示和推理机制的基础上,通过软件ExsysDeveloper 7.0.18来实现场桥调度的知识***;最后,对集装箱码头场桥调度知识***进行案例分析,在相同的条件下改变将要作业的箱区,得到不同的调度结果,验证集装箱码头场桥调度知识***的有效性和可靠性。
Description
技术领域
本发明涉及集装箱运输领域,特别是码头场桥调度领域。
背景技术
随着经济全球化和区域经济一体化进程的加快,世界贸易量迅速增长,带动全球集装箱运输快速发展,各地集装箱码头均面临吞吐量急剧增长的压力。集装箱码头是集装箱运输的核心结点,在集装箱运输中占有重要地位。
由于近年来各港口之间的竞争加剧,各个港口不得不面对提高自己的服务质量、降低服务成本,增加吞吐量的压力,在这种压力下集装箱码头有两个主要目标:降低船舶在港逗留时间和增加码头吞吐量。这两个目标可以通过提高岸桥作业效率、场桥作业效率,合理安排堆场计划,合理调度作业线,合理分配泊位,合理调配场桥,降低码头交通阻塞率等方式来实现。而场桥是集装箱码头最重要的装卸集装箱的设备之一,场桥的作业效率对集装箱码头的生产率的高低起着极其重要的作用。所以,如何提高场桥的作业效率对于集装箱码头来说显得至关重要。
知识工程(Knowledge Engineering)学科专门研究如何发现、收集、管理和使用知识。从知识工程概念的提出以及应用于各个领域的推理***涌现,到二十世纪八十年代各相关学科逐渐融入到知识工程中来,出现了多学科综合型知识库***,再从九十年代到现今发展起来的知识发现、数据挖掘等技术,进一步丰富了知识工程领域的研究内容。目前知识工程已经不单纯是一种借助人工智能理论解决实际应用问题的技术,而是演化为横跨包括人工智能、数据库、心理学及工程学在内的多学科交叉研究领域。知识工程如此迅猛发展,为解决复杂的依赖于人类经验知识的问题开辟了崭新的思路,而目前在集装箱码头,场桥的操作作业多是依靠操作人员的工作经验,所以运用知识工程的内容对于解决如何提高场桥作业效率的问题会有很大的帮助。
场桥作为一种将集装箱在集卡和堆场指定箱位之间装卸搬运的设备,在集装箱码头的生产作业过程中起着极其重要的作用。场桥的调度方式是影响场桥作业效率最重要的因素,但是,目前的集装箱码头场桥调度仍然是手工方式,调度人员工作强度大,效率低且效果差,而不好的调度方法会导致场桥行走距离增加,效率减少,增加装卸船和外卡在场时间,因此,一些学者在场桥调度这方面进行了一定的研究。但是,由于场桥调度的灵活性和复杂性,属于NP-Hard问题,常规的理论和方法无法对其进行详细的描述并实现。
集装箱码头的堆场通常由多个箱区组成,码头堆场如图1集装箱码头堆场平面示意图所示。每个箱区中有多个贝位,奇数贝为20英尺贝,相邻的两个20英尺贝可以放一个40英尺的集装箱,标示为偶数贝。目前,每个箱区的集装箱堆存作业是靠轮胎式龙门起重机(RTGC)或轨道式龙门起重机(RMGC)来完成的。RMGC在箱区两侧的通道上各有一排轮子,它是通过安装在每个箱区的轨道来移动的,其允许建造更多的存储排,来获得更高的存储能力。RTGC跨越一个箱区,靠橡胶轮胎移动,虽然它的空间存储能力比较低,但是RTGC能够在各箱区之间方便行走,调度更加灵活。正因为如此,许多集装箱码头仍然把轮胎吊作为场地机械的首选。本发明也仅考虑使用RTGC的集装箱码头堆场的情况。一般情况下,使用轮胎吊的箱区有六排,可以堆垛四层集装箱。每个集装箱堆放的箱位用“箱区、贝、排、层”来编码表示。
当场桥需要转场,也就是从一个箱区移动到另一个箱区时,要遵循一定的路线,如图1所示。两个箱区在同一通道的情况下,即场桥从箱区1移动到箱区2,只需直线移动就可以了;两个箱区在不同通道的情况下,即场桥从箱区3移动到箱区2,则需要经过两次90°转弯才能到达目标箱区。
由于场桥的尺寸较大以及移动速度较慢,因此他们的转弯作业移动很可能会长时间占据大量的道路空间,从而导致堆场内交通堵塞以及堆场内其它的作业的耽搁,导致场桥作业效率的下降。在实际的码头堆存作业中,场桥转场次数比较多,经常会碰到两台场桥可能发生碰撞的情况,比如在图1中,同一时间将箱区1的场桥调到箱区4、将箱区3的场桥调到箱区2中,就有可能在中间的通道发生碰撞。在箱区作业量很大的情况下,会先后调度两台场桥在同一箱区内同时作业,而在调度的过程中也经常会遇到场桥之间相互碰撞的问题。场桥之间相互碰撞的话,其中一台场桥就必须停下来,在一旁等待,这样就浪费了本应该进行作业的时间,降低了场桥的作业效率。因此场桥在箱区之间的最优调配策略对提高堆场作业效率有着至关重要的作用。
集装箱码头的场桥调度问题非常复杂,需要运用调度人员的经验来分析判断,做出决策。
在本发明中,集装箱码头的场桥调度可以分为两种,一种是场桥的投放调度,另一种是场桥的应急调度。其中,场桥的投放调度采用了滚动计划的策略,该策略综合考虑了包括未来的所有装载/卸载的工作量。在滚动计划策略中,需要选择一个固定计划周期。在每一个计划时段,首先要为紧接着的时间计划一个固定周期,并且相应地执行这个计划直至下一个计划时段,然后根据最新的信息来制定一个新的计划。这种方式会不间断地进行。一个短的计划周期意味着计算负担会比较轻,但是也意味着对未来的预测能力会比较弱;同时,一个长的计划周期则可能会使计算变得很困难,而且包含了太多的不确定信息。一般来说,集装箱码头堆场的每天的操作都分为两个班,每班12个小时。通过判断计划周期对于复杂问题是否有效、计算是否方便以及数据是否有效,本发明选定了一个每天分为四个时段的计划周期,每个时段为六个小时,分别是:00:00-6:00,6:00-12:00,12:00-18:00,18:00-24:00。在第一个时段开始的时候,就做接下来四个时段的场桥调度计划,但只有第一个时段的计划被执行。第一个时段结束就是下一个时段的开始。每个时段结束的时候,就预测好了下一计划周期的每个箱区的工作量,详细信息如图2所示。溢出工作量是指在当前时段内应该完成的工作量没有完成,只能推迟到下一个时段完成的这部分工作量。场桥投放调度的目的就是为了使总的溢出工作量维持在最少的状态,以及场桥从一个箱区到另一个箱区的转场次数最少。
场桥的应急调度是指在每个计划时段内,完成了场桥投放调度,经过一段时间的作业之后,有可能某些箱区的工作量已经完成,某些箱区的工作量还有很多,以现有的场桥数基本上不能在规定的时段内完成,这就需要进行场桥的应急调度,将空闲的场桥调度到工作量很多且需要另外的场桥的箱区。场桥的应急调度的目的就是使堆场各个箱区的工作量在规定的时段内尽可能地完成,场桥从一个箱区到另一个箱区的转场次数最少,所花费的时间最短。
综上所述,无论场桥的投放调度或者场桥的应急调度,若用一般的模型求解很困难。本发明提出运用知识工程的内容对该问题进行分析,开发出一个场桥调度的知识***,充分结合规则和专家的经验,来合理调度场桥。
发明内容
本发明的研究内容和技术方案如图3所示。
对场桥调度的知识规则进行知识获取、知识分类、知识表示的研究工作,分别采用使用知识分类处理法(KSP)和产生式知识表示法,列出场桥调度知识分类树,因素与属性之间的关系,因素之间的联系,不相关变量与相关变量之间的联系,从中提取规则,将规则转化为***内部的表示形式,储存于知识库中。
选择场桥调度知识***的推理方向为正向推理,设计出符合该方向的推理算法、推理机的黑板控制模型以及推理控制模型,使用基于规则的推理方法,最后,给出了冲突消解策略。
通常的集装箱码头中,需要工作人员进行调度的设备有岸桥、场桥和内集卡。在一般的作业模式下,进口的情况时,当集装箱船舶到达集装箱码头并且靠泊后,码头的岸桥调度人员指派合适的岸桥卸下需要进口的集装箱,同时已经接到指令的内集卡开到相应的岸桥下,岸桥将进口箱放到内集卡上,内集卡按照工作人员规定好的路径将进口箱运到计划好的箱位处,这时,场桥调度人员已经将合适的场桥调度到相应的箱区,场桥只需将进口箱放到计划好的箱位处就可以了;出口的情况时,场桥调度人员指派合适的场桥将要出口的集装箱放到已接到指令的内集卡上,内集卡按照规定的路径将出口箱运到指派好的岸桥处,岸桥按照船舶配载计划图把出口箱装载在指定的货舱或甲板上。
由此可见,在集装箱码头的装卸作业中,岸桥作业、场桥作业和内集卡作业构成了有序的集装箱码头装卸作业链,它们之间互相约束,因此,如果有其中一个作业环节调度得不好,就会增加相互之间的等待时间,而影响集装箱码头装卸作业链的协同性和稳定性。因此,良好的设备调度可以提高集装箱码头的作业效率,减少船舶的在港时间。
为了使构建集装箱码头场桥调度知识***更具有可操作性,使计算更为简便,就要对构建场桥调度知识***所涉及到的一些知识、信息进行一系列的假设:
(1)目标箱区的场桥数不能超过2台;
(2)各场桥分配的工作量之和不能超过所有箱区的实际工作量;
(3)各场桥分配的工作量不能超过场桥在各时段的工作能力;
(4)每台场桥在每个计划时段内的工作能力是相同的;
(5)考虑到箱区大小的局限性,以及场桥之间冲突可能产生的危险,每个箱区最多只能允许有两台场桥。如图4所示,如果某个箱区中有三台场桥,而中间的场桥接到指令,需要调度到其他箱区,那么无论往哪个方向,该场桥都会与其他场桥发生冲突;
(6)场桥开始作业和结束作业都在同一个计划时段内;
(7)由于前一个时段为完成的工作量会溢出到下一个时段,因此,每个时段的工作量包括实际的工作量和由前一时段溢出的工作量;
(8)每台场桥在一个时段内最多只能转场两次,这样,不仅可以避免由于场桥过于频繁地移动而造成的交通拥堵,而且可以确保充分利用场桥;
(9)每个时段内每个箱区的工作量是可以被预测的,具体的数据如下所示:
①在某个时段刚开始的时候,已经堆放在箱区的总的集装箱数量;
②在某个时段内要运到某个箱区的出口箱的总的数量,这个数据可以根据堆场分配计划来预测;
③堆存在某个箱区并且在某个时段要装载到船上去的出口箱的总的数量,这个数据可以根据装船计划来预测;
④在某个时段内要运到某个箱区的进口箱的总的数量,这个数据可以根据从船公司获得的电子数据来预测;
⑤堆存在某个箱区并且在某个时段要被客户提走的进口箱的总的数量,这个数据可以根据统计出来的规律和提箱计划共同预测。
知识获取是把用于求解专门领域问题的知识从拥有这些知识的知识源中抽取出来,并且转换为一特定的计算机表示。
集装箱码头场桥调度的知识获取的任务是一个循环反复的过程。这个过程从知识收集开始,接着就是对知识进行解释和分析,最后,知识收集的方法就设计出来了。具体的集装箱码头场桥调度知识获取的循环过程如图5所示。
完成收集、解释和分析任务之后,就产生出需要进一步研究的新概念和问题求解策略。
如图6所示,知识获取可以分为知识抽取和知识表示两部分,将有用的知识抽取出来后,用一定的方法进行表示,形成规则。本发明在知识抽取和知识表示这两部分中间加入一个知识分类过程,使得从知识中有效地提取规则更为简便。
知识分类过程主要包括两个连续的步骤:
(1)进行一般分类,产生分类树;
(2)对获得的知识进行组织。
在知识分类过程中,首先采用分类学的方式来对特定问题的知识进行一条一条地分类和组织,然后在产生的分类树的基础上,进行一系列的分类活动来组织知识。这一系列的分类活动涉及到因素和属性之间的关系,因素之间的影响关系和相关与不相关变量的联系。
集装箱码头场桥调度知识的分类树的产生涉及三个连贯的活动:
(1)获得与特定问题有关的条目。从获得与目标箱区和场桥有关的条目开始,最后得到一系列的条目;
(2)用特定的标准来归类得到的条目。将第一步得到的条目进行一般归类,然后将其细分,直到不能再进一步分类为止。对这些条目进行分离或结合的原因或标准是以下十一种属性或特征:
1)目标箱区所处的状态;
2)目标箱区所在的位置;
3)目标箱区中现有的集装箱箱量;
4)目标箱区中已有的场桥数量;
5)在目标箱区是否有等待超过规定时间(30分钟)的集卡;
6)各台场桥的工作属性;
7)各台场桥所处的状态;
8)各台场桥所在的位置;
9)各台场桥的剩余作业量;
10)各台场桥若去目标箱区,需要转场的次数;
11)各台场桥若去目标箱区,集卡需要等待的时间。
(3)产生分类树。根据一般分类和属性列表,一棵集装箱码头场桥调度知识的分类树就产生了,如图7所示。
将以一般分类的方法得到的分类树作为参考,接下来对获得的知识进行组织,使其显得有条理性,对于集装箱码头场桥调度这个问题,各个部分之间的逻辑关系比较复杂,为了使从知识中提取规则更为容易,采用了一种新的知识组织方法。该方法包括三个步骤:
第一步:对因素和属性之间的关系进行分类。首先考虑确定集装箱码头场桥调度的因素和属性。在集装箱码头场桥调度这一领域中,因素是要决定场桥如何调度时需要知道的基本要素,主要有场桥速度、场桥位置、箱区位置、场桥状态、箱区状态、箱区工作量、场桥剩余工作量、箱区已有场桥数、是否有超过规定等待时间的集卡等。属性是与最终调度结果有关的要素,主要有场桥是否被调度、场桥的目标箱区、场桥在目标箱区的工作量、转场次数、集卡等待时间等。有的属性被因素影响,也有的属性影响因素。将各个因素作为行的标题,各个属性作为列的标题,并且标出它们之间的关系,如图8因素和属性间的关系所示。表中,实心圆表示属性被因素影响,空心圆表示属性影响因素,例如:场桥的转场次数由场桥的位置和箱区的位置影响,而场桥的目标箱区影响箱区状态和箱区已有场桥数。
第二步:对因素之间的关系进行分类。这里的因素与第一步中的因素相同,将集装箱码头场桥调度的各个因素之间的关系分类出来,表示在如图9因素间的相互关系所示的一个三角形的关系表中。例如:箱区位置与箱区工作量、是否有超过规定时间的集卡有关。同时,为了更为形象化,因素之间的关系也可以描绘成如图10所示的图形形式,从图中可以看出,标号为6和9的因素(箱区工作量和是否有超过规定时间的集卡)比其它因素有更多的相互关系,也就是说,因素6和因素9会影响更多的因素,对它们要有更多的考虑。
第三步:对不相关和相关变量之间的关系进行分类。首先考虑确定有关集装箱码头场桥调度的不相关变量和相关变量,并且对它们之间的关系进行分类,在图11中列出,其中,不相关变量作为行的标题,相关变量作为列的标题。相关变量是指那些用来评价集装箱码头场桥调度效果的要素,包括船舶在港时间、场桥转场次数、集卡平均等待时间、集卡最长等待时间、场桥下集卡平均队长、场桥下集卡最长队长和作业时段中溢出的工作量;不相关变量则是指那些将会影响集装箱码头场桥调度效果的要素,它们包括场桥速度、场桥位置、箱区状态、临时调度情况下的箱区工作量、场桥剩余作业量、场桥的目标箱区以及场桥在目标箱区的工作量。也就是说,不相关变量会影响相关变量,当不相关变量的值改变时,相关变量的值也会随之改变。例如,场桥速度影响船舶在港时间、集卡平均等待时间、集卡最长等待时间和溢出工作量。表中,圆点的数量代表了联系的紧密性,圆点越多,则联系越紧密,影响越大。
运用知识分类过程的方法提取从不同的来源获得的知识。图8提取了集装箱码头场桥调度的基本知识,图9和图10进一步分析了因素之间的相互关系,能够清楚直观地知道哪些因素更重要,图11不相关变量和相关变量间的关系则让人了解到集装箱码头场桥调度的效果是如何被与场桥、箱区有关的因素和属性影响的。
在建立具体的知识***时,以有效地表示问题领域的专门知识,便于知识的获取,有利于运用知识进行推理的原则来选择知识表示方法。本发明采用的是产生式表示法。
在建立具体的知识***时,以有效地表示问题领域的专门知识,便于知识的获取,有利于运用知识进行推理的原则来选择知识表示方法。本发明采用的是产生式表示法。
通过由知识分类过程方法归类组织好的集装箱码头场桥调度相关知识和更新的信息,从中提取规则,并用产生式的表示方法来表示,列出一部分产生式规则:
规则1:若场桥的当前状态为装船或卸船,则场桥不能被调度到其它箱区。
规则2:某时段内,若某箱区的工作量超过1台场桥的工作能力,且该箱区没有场桥,则该箱区需要调度2台场桥。
规则3:某时段内,若某箱区的工作量超过1台场桥的工作能力,且该箱区仅有1台场桥,则该箱区需要调度1台场桥。
规则4:某时段内,若某箱区的工作量小于或等于1台场桥的工作能力,且该箱区没有场桥,则该箱区需要调度1台场桥。
规则5:某时段内,若某箱区的工作量超过2台场桥的工作能力,且该箱区仅有1台场桥,则该箱区需要调度1台场桥。
规则6:某时段内,若有2台场桥,则该箱区不需要调度场桥。
规则7:某时段内,若某箱区的工作量小于该箱区场桥的工作能力之和,则该箱区场桥可被调度到别的箱区。
规则8:某时段内,若某场桥已经被调度到2个不同的箱区,则该场桥不能被调度到其它箱区。
规则9:某时段内,若某箱区有等待超过30分钟的集卡,且箱区没有场桥,则该箱区需要调度1台场桥。
规则10:某时段内,若某箱区有等待超过30分钟的集卡,且箱区内有1台场桥,则该场桥首先为集卡作业。
规则11:若场桥在奇通道,则该场桥只能被调往奇通道。
规则12:若场桥在偶通道,则该场桥只能被调往偶通道。
规则13:若某箱区需要调度场桥,且某场桥调往该箱区所用的时间(包括完成剩余工作量的时间和移动时间)比其它场桥都短,则将该场桥调往该箱区。
推理策略主要解决整个问题求解过程的知识选择和应用顺序,即决定先做什么;后做什么,并根据问题求解的当前状态分别做不同的工作,还能确定一旦出现异常情况如何处理等等。集装箱码头场桥调度知识***是在从获得的知识中提取的规则的基础上来推理的,而基于规则知识表示的推理主要有两种基本方式:正向推理和反向推理。
正向推理的基本思想是:从已有的信息(事实)出发,寻找可用知识,选择启用知识,执行启用知识,改变求解状态,逐步求解直至问题解决。正向推理一般有两种结束条件:一是求出一个符合条件的解就结束;二是将所有的解都求出才结束。
反向推理的基本思想为:先假设一个目标,然后在知识库中找出那些其结论部分能导致这个目标的知识集,再检查知识集中每条知识的条件部分,如果某条知识的条件中所含有的条件项均能通过用户会话得到满足,或者能被当前数据库的内容所匹配,则把该条知识的结论(即目标)加到当前数据库中,从而该目标被证明;否则把该知识的条件项作为新的子目标,递归执行上述过程,直至各“与”关系的子目标全部或者“或”关系的子目标有一个出现在数据库中,目标被求解,或者直至子目标不能进一步分解而且数据库不能实现上述匹配时,这个假设目标为假。***重新提出新的假设目标。
集装箱码头场桥调度知识***是从箱区工作量、场桥剩余工作量、场桥位置、箱区位置等数据参数出发来进行推理的,需要不断监视控制目标参数的实时状态的变化,然后根据参数的情况做出相对的控制输出,因此,这是属于数据驱动的范畴。由此可见,集装箱码头场桥调度知识***使用正向推理的控制策略。
任何一个实际问题,开始总是有一个初始状态,包括说明情况的数据等,还有一个最终状态,包括目的要求等,人们根据初始状态,运用人类知识,达到最终状态。从初始状态到最终状态这个过程,我们称之为推理过程。在推理中有时运用一些方法,它通过一步一步地运算最后求得问题的解,这种方法称之为算法。如图13所示为正向推理的算法:
(1)扫描知识库(KB),判断是否有与数据库(DB)匹配的可用知识集,如果有的话,则产生可用知识集S,如果没有,则返回重新扫描知识库。
(2)如果S=Φ(也就是说知识集中的知识已经全部使用完毕)或者求解的目标已经达成,则结束该算法;否则,就进入下一步。
(3)从可用知识集S中选出一条启用知识R,执行知识R的操作部分,用其结论去更新数据库。
(4)返回步骤(1),搜索新的可用知识集S。
下面给出一个有关集装箱码头场桥调度的正向推理的简单的例子,如图14场桥调度正向推理实例所示。
***结构在一定的程度上决定了***的性能,而黑板结构是一种能够将各种知识表达方式和问题求解策略集成在一起的、高效的求解模型。采用黑板控制模型对集装箱码头场桥调度***的推理过程进行控制,也就是把要求解的问题,分解为一个任务树,即一个问题由多个任务组成,每个任务又可以分解成多个子任务,对每一个具体任务分别用不同的知识源进行求解,每个知识源用到的推理机可以根据需要选择相同或者不同。每个知识源解决的具体任务可以看成是一个子***,黑板结构就是使各种子***实现联合操作,共同解决复杂问题的一种结构形式。
知识库包含了许多知识源,这些知识源是相互独立的知识组块,它们相互之间不能直接通讯,它们是通过创建、修改和删除全局数据库(也就是黑板)中的条目来参与问题求解过程的。另外,知识源也可以被组织成为更大的知识组块,称为知识模块。
黑板中包括了在问题求解过程中由知识源产生的信息和条目,它被分成了多个层次。黑板中储存了现阶段的问题求解状态以及知识源所需要的信息,它们包括输入数据、中间结果、控制数据、最终结果等。知识源之间的通讯和交互是通过黑板来进行的。知识源作用于黑板,对其进行的改变导致了问题的求解结果的产生。
推理机制基本上包括两个重要的部分,就是议程和监控。其中,议程又包含了三个数据结构:
(1)事件存储:任何由于知识源而使黑板发生的改变都存储在事件存储器中;
(2)触发存储:其中包含了所有可能对黑板的改变产生响应的知识源;
(3)执行存储:其中包含了所有前提已经满足的知识源。
监控则作用于议程中的各个数据结构。在基于冲突消解策略的情况下,对执行存储中的知识源进行排序,然后执行优先级最高的知识源。
根据集装箱码头场桥调度的特点,将其分为两个子***(子知识库),分别为场桥投放子***和应急调度子***,采用分级的黑板控制结构来组织问题的求解,该黑板由一块领域黑板和两块工作黑板组成,如图15场桥调度分级黑板控制结构所示:
集装箱码头场桥调度方案领域黑板是***中动态信息的主要存储区域,存放该领域问题分解后得到的子问题集合,并把它们分配到下面两个工作黑板中去求解,最后把各个工作黑板的求解结果汇总还原为原始领域问题的解。***中的每一个知识源在激活后都构成一个独立的子***,每个子***对应一块工作黑板,工作黑板是各子***运行期间所产生的动态信息的存储区域。知识源将黑板结构中相应层次的信息转换为相同或更高层次上的信息,直到获得最终解。各知识源相互之间不能直接调用,只能通过黑板进行通讯。领域黑板是一个全局数据库,记录问题的求解信息,它不仅为知识源的调度提供依据也是各知识源间信息交流的渠道。知识对象模型是主要的推理内容,推理控制模型是整个决策推理部分的控制中心,主要完成***基本信息收集、***初始化、黑板控制、***行为控制、冲突消解机制及方案解释机制等任务,如图16推理控制模型所示;
各部分功能分别介绍如下:
(1)基本信息收集:基本信息收集对象主要用来收集场桥工作参数、场桥位置、箱区位置、箱区工作量、场桥剩余工作量等基本信息,收集到的这些信息放到临时数据库中。临时数据库是数据库的一部分,在调度方案生成的过程中不断从对应的临时数据库中提取基本信息,推理生成的调度方案同样存储在临时数据库当中。
(2)***初始化:***初始化对象根据收集到的基本信息,对知识对象以及调度计划、推理模板,方案解释机制等基本模块进行默认初始化操作,如果***没有收集到相关信息,则用缺省设置。
(3)黑板控制:***对需要处理的问题分成一个个子任务,然后根据调度问题的类型的不同采用不同的算法进行求解。
(4)***行为控制:***行为控制对象负责动态收集***运行过程中的动态信息,并根据一定的决策策略对临时数据库中收集到的基本信息进行更新或选择,该***行为监控对象的生存期存在于整个***运行期问,并且是后台执行方式运行。这是***运行过程中动态变化的主要数据。
(5)冲突消解机制:如果在推理过程中,出现已知事实可与知识库中的多个知识匹配成功,或者有多个已知事实都可与知识库中某一个知识匹配成功;或者由多个已知事实可与知识库中的多个知识匹配成功,这时冲突发生。本***采用了正向的推理策略,***利用冲突消解机制来决定激活哪一条产生式规则。
(6)解释对象:解释对象是对***的行为产生易于被用户理解的说明,这些说明包括***正在做什么,为什么要这样做的动态说明,还包括对***知识库中知识的静态说明。在推理过程中自动记录推理所用到的规则及这些规则的使用顺序,当用户需要获得推理结论的解释时,就从知识库中把推理所用的知识提取出来显示,再现推理过程。这样可以保证求解的过程与解释代码的一致性,用户易于接受,由于它真实地反映了知识库的内容和推理过程,这样更加便于调度员对于调度方案的生成有一个全面的认识和了解。
(7)推理控制对象:该对象完成具有的推理控制及相应决策,如推理方向、求解策略、冲突消解策略等的实施,完成推理控制模型各功能部分的启动和调度,实例化具体的决策,推理、相应对象,启动相应的脚本执行或协议执行程序执行,同时能接收其它对象传递过来的消息。
为了使集装箱码头场桥调度知识***的建立更为方便、有条理性以及有互通性,在知识***的维护时更加便捷和有效,本发明建立了集装箱码头场桥调度知识***四层体系结构。由于场桥调度涉及到工作流程、作业规则、约束条件、评价标准和评价要求,所以在开发这种***时,需要将这些业务逻辑从应用***中分离,形成单独的可自定义的业务逻辑层。因此,该***采用的四层体系结构分别为:用户界面层、应用***层、业务逻辑层和知识库服务器层。如图17所示。
用户界面层:即浏览器层,为用户参与场桥调度知识***的修改和意见反馈提供人机界面。
应用***层:即进行场桥调度工作的环境层,它为用户界面层的用户进行场桥调度提供工具支持,包括需求获取工具、需求功能转换工具等。并将业务逻辑层处理结果反馈给用户界面层。
业务逻辑层:即领域层,它与集装箱码头场桥调度这一领域有关,主要集中在工作流程、作业规则、约束条件、知识推理机、评价指标等方面。业务逻辑层的设计对于一个支持可扩展的***架构尤为关键,因为它在***中同时扮演了两个不同的角色:对于知识库服务器层而言,它是调用者;对于应用***层而言,它却是被调用者。而且,知识***开发者对于这些作业规则、约束条件等不可能一次就全部考虑周到,编入***中,所以需要做成可扩展的架构形势,以便进行补充。
知识库服务器层:它储存了用户界面层、应用***层和业务逻辑层所需的静态或动态的用户需求知识、场桥调度领域知识以及***运行时的中间数据等内容,为应用***层的知识管理和业务逻辑层的知识调用与管理提供了技术支持。
集装箱码头场桥调度知识***由四大部分组成,它们分别是知识库、工作存储器、推理机、用户界面。
集装箱码头场桥调度知识***是通过软件Exsys Developer 7.0.18来实现的,为了说明的简单方便,本发明将集装箱码头堆场简化为m个箱区(用j表示)、n台场桥(用i表示),以此来对***的实现进行详细的介绍说明。集装箱码头堆场箱区的分布示意图如图18所示。集装箱码头场桥调度知识***实现过程如下:
(1)目标
用户使用集装箱码头场桥调度知识***的目的是为了得出场桥调度的结果,如作业箱区需要调度几台场桥,这些场桥是分别是哪几台场桥。因此,在***实现的时候就要把所有可能得到的结果输入进去,本发明中的集装箱码头场桥调度知识工程的所有可能得到的结果有:场桥i不能被调度、该箱区需要调度1台场桥、该箱区需要调度2台场桥、该箱区不需要调度场桥、调度场桥i。其中,场桥不能被调度是根据场桥的状态等特性来得出的,首先被排出考虑的行列之中,不参与接下来的计算比较。
(2)问题
集装箱码头场桥调度知识工程就是通过询问用户一些问题来获得基本的信息,由此来进行推理得出结果的。为了使用户操作简单,这些问题通常是被设计为选择题的形式,答案是一目了然的,不需要通过计算之类的,只需根据堆场上的情况,就可以马上做出选择解答。而个别问题虽然采用问答题的形式,但是这些问题的答案也是非常简单的,通常只需要填几个数字或极少的汉字就可以了。
本发明的集装箱码头场桥调度知识***中所设计的问题有关于作业箱区与场桥的位置的问题:作业箱区与场桥i是否处于同一通道;有关于场桥状态的问题:场桥i的当前状态是什么;有关于作业箱区内当前场桥的问题:该作业箱区内有没有场桥、该作业箱区内的场桥是;有关于作业箱区工作量的问题:该作业箱区的工作量是否小于或等于1台场桥的工作能力、该作业箱区的工作量是否超过1台场桥的工作能力、该作业箱区的工作量是否超过2台场桥的工作能力;另外,还有该作业箱区是否有等待超过30分钟的集卡。
对于选择题形式的问题,需要给出一些选项,例如问题“该作业箱区内有没有场桥?”有三个选项,分别为“1没有”、“2有1台”和“3有2台”,“Maxselectable”限制了用户选择选项的最大数量,以免操作失误,使输入***的数据产生矛盾,导致无法匹配规则,得出的结果不准确。而问题“该作业箱区内的场桥是?”也有n个选项,分别为“1场桥1”、“2场桥2”和“i场桥i”,用户最多就可以选择两个选项,因为一个箱区内最多可以有两台场桥,这时,“Max selectable”就是“2”。
(3)变量
变量就是一些在推理的过程中所要用到的会在不同的情况下改变的量,这些变量中有些是通过以问答题的方式来询问用户而得到的,而有些变量则是在推理的过程中通过其它信息数据和计算公式计算得出的。在本发明的知识***中,通过问答题询问用户得到的变量有:场桥i当前所在的箱区、将要作业的箱区、场桥i上一时段的剩余作业量;通过计算得出的变量有场桥i从当前箱区移动到作业箱区所需要的时间。
(4)规则
将提取的规则输入到知识库中。通过对实际的集装箱码头堆场的测量,将得出的数据运用到本发明的知识***中来。如需推论要调度哪台场桥,只需要计算各台场桥要到达作业箱区所需要的时间,包括场桥上一时段的剩余作业量和从当前箱区到作业箱区的移动时间,将得出的各台场桥所花费的时间排序,取花费时间最少的场桥调度就可以了。
本发明通过收集集装箱码头场桥调度的基本规则和实际码头熟练调度人员的经验,构建场桥调度知识***,使在集装箱码头作业过程中,能够根据已经做好的计划或分配好的箱位,选择哪一台场桥进行作业,并且以比较合理的路径到达目标箱位。达到:1、降低场桥装卸成本;通过减少场桥大车移动距离和等待时间来达到该目标;2、提高服务质量;通过提高场桥作业效率和降低堆场内交通拥堵率来达到该目标。
本发明通过构建场桥调度知识***,能有效减少场桥之间的碰撞问题和场桥的总的转场次数,使即使是缺乏经验的调度人员也能合理调配场桥,对降低场桥调度人员的工作强度、改变场桥调度手动的方式、提高码头装卸效率、降低船舶在港时间、降低码头成本、加快物流过程具有重要的实际意义,对改善码头服务质量具有举足轻重的作用。同时该问题非常复杂,是一个非常具有挑战性的课题,具有重要的理论意义。
附图说明
下面结合附图与实施案例进一步说明本发明。
图1集装箱码头堆场平面示意图;
图2计划周期示意图;
图3研究内容和技术路线;
图4场桥冲突示意图;
图5知识获取的循环过程;
图6知识获取分解图;
图7调度知识的分类树;
图8因素和属性间的关系;
图9因素间的相互关系;
图10图形形式;
图11不相关变量和相关变量间的关系;
图12一棵与/或树;
图13正向推理的算法;
图14场桥调度正向推理实例;
图15场桥调度分级黑板控制结构;
图16推理控制模型;
图17***体系结构;
图18集装箱码头堆场箱区的分布示意图。
具体实施方式
下面通过一个实施案例,确定一些信息数据,根据这些信息数据来回答集装箱码头场桥调度知识***给出的问题,比较***得出的结果与集装箱码头有经验的调度人员给出的结果是否相同,以此来考察该知识***的准确性。
如图18所示,场桥1当前在箱区11,场桥2当前在箱区12,场桥3当前在箱区22,三台场桥的当前状态均为集港或提箱,将要作业的箱区为箱区21,该箱区的工作量超过1台场桥的工作能力,具体的场桥情况如表1所示;
表1:场桥具体情况表
场桥 | 当前箱区 | 当前状态 | 剩余作业量(分钟) |
场桥1 | 箱区11 | 集港或提箱 | 23 |
场桥2 | 箱区12 | 集港或提箱 | 11 |
场桥3 | 箱区22 | 集港或提箱 | 24 |
根据这些数据,集装箱码头有经验的调度人员认为该作业箱区需要调度两台场桥,它们分别为场桥2和场桥3。下面就根据以上的数据来使用集装箱码头场桥调度知识***。
首先回答“场桥1的当前状态是什么?”,选择“2:集港或提箱”,同理,选择场桥2和场桥3的当前状态都为集港或提箱。
然后回答“该作业箱区内有没有场桥?”,选择“1:没有”。
在询问该作业箱区的工作量的一系列问题中,选择该作业箱区的工作量超过1台场桥的工作能力。
在回答“作业箱区与场桥1是否处于同一通道?”时,选择“2:不是”,在回答场桥2和场桥3类似的问题时,根据本章开始提供的数据,场桥2选择不是,场桥3选择是。
根据本案例开始提供的数据填入***询问的各个变量的值,将要作业的箱区填21,场桥1当前所在的箱区填11,在上一时段内场桥1没有完成的作业量填23。在其它类似的问题中,场桥2当前所在的箱区填12,在上一时段内场桥2没有完成的作业量填11,场桥3当前所在的箱区填22,在上一时段内场桥3没有完成的作业量填24。
最后,集装箱码头场桥调度知识***给出结果:该箱区需要调度2台场桥,这两台场桥为场桥2和场桥3。另外,知识***还给出了场桥从当前箱区移动到作业箱区所需的时间,它们分别为4.35分钟、7.04分钟和2.69分钟。可见,集装箱码头场桥调度知识***给出的结果与集装箱码头有经验的调度人员得出的结果是一致的,由此可见,该集装箱码头场桥调度知识***是有效的。
为了说明该集装箱码头场桥调度知识***是有效的,单单使用一种算例来验证是不具有说明力的,因此再考虑另外一种情况。在其它条件都不变的情况下,将要作业的箱区改为箱区11,显然,根据集装箱码头调度人员的经验,箱区11就只需要调用一台场桥,这台场桥就是场桥2。重新运行集装箱码头场桥调度知识***,根据新的情况来选择和回答问题,得到结果。
两种情况下得到的结果如表2所示;
表2:两种情况结果比较
通过在两种不同的情况下使用集装箱码头场桥调度知识***而得到的结果,可以看出都是与有经验的调度人员,也就是领域专家的结论一致,所以该场桥调度知识***具有有效性和可靠性。另外,点击结果中的任何一条,都能让用户看到得出这部分结果是使用到哪条规则的,用户更容易理解。
Claims (3)
1.基于知识工程的集装箱码头场桥调度方法,其特征在于,包括以下步骤:
1)采用知识分类过程法(KSP)对获取的集装箱码头场桥调度知识进行知识归类,列出场桥调度知识分类树;找出其中的因素、属性、不相关变量和相关变量,列出因素与属性之间的关系,因素之间的联系,不相关变量与相关变量之间的联系,从中提取规则,用产生式表示法将这些规则表示出来;
2)设计集装箱码头场桥调度知识***的推理机制;通过比较正向推理和反向推理的差别,结合场桥调度的实际,选择该知识***的推理方向为正向推理,使用基于规则的推理方法,设计出符合该方向的推理算法、推理机的黑板控制模型以及推理控制模型;
3)分析场桥调度知识***的体系结构,对其总体框架和基本组成进行分析;
4)通过软件实现场桥调度知识***,并且验证集装箱码头场桥调度知识***的有效性和可靠性。
2.根据权利要求1所述的调度方法,其特征在于:所述的步骤3)体系结构采用四层体系结构分别为:用户界面层、应用***层、业务逻辑层和知识库服务器层。
3.根据权利要求1所述的调度方法,其特征在于:所述的步骤4)通过软件为Exsys Developer 7.0.18。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910199014A CN101782988A (zh) | 2009-11-19 | 2009-11-19 | 基于知识工程的集装箱码头场桥调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910199014A CN101782988A (zh) | 2009-11-19 | 2009-11-19 | 基于知识工程的集装箱码头场桥调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101782988A true CN101782988A (zh) | 2010-07-21 |
Family
ID=42522976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910199014A Pending CN101782988A (zh) | 2009-11-19 | 2009-11-19 | 基于知识工程的集装箱码头场桥调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101782988A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077638A (zh) * | 2013-03-27 | 2014-10-01 | 中国船舶工业综合技术经济研究院 | 一种龙门吊车的调度方法 |
CN108519769A (zh) * | 2018-04-09 | 2018-09-11 | 电子科技大学 | 一种基于规则的飞控***故障诊断方法 |
CN109270896A (zh) * | 2018-07-10 | 2019-01-25 | 中国人民解放军战略支援部队航天工程大学 | 一种任务调度优化模型的优化约束确定方法 |
CN109816114A (zh) * | 2018-12-29 | 2019-05-28 | 大唐软件技术股份有限公司 | 一种机器学习模型的生成方法、装置 |
CN110516894A (zh) * | 2018-05-22 | 2019-11-29 | 招商局国际信息技术有限公司 | 货场调度方法及装置 |
CN113781690A (zh) * | 2021-08-24 | 2021-12-10 | 天津港第二集装箱码头有限公司 | 一种顺岸式码头边装卸堆场的智能闸口*** |
-
2009
- 2009-11-19 CN CN200910199014A patent/CN101782988A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077638A (zh) * | 2013-03-27 | 2014-10-01 | 中国船舶工业综合技术经济研究院 | 一种龙门吊车的调度方法 |
CN104077638B (zh) * | 2013-03-27 | 2017-06-30 | 中国船舶工业综合技术经济研究院 | 一种龙门吊车的调度方法 |
CN108519769A (zh) * | 2018-04-09 | 2018-09-11 | 电子科技大学 | 一种基于规则的飞控***故障诊断方法 |
CN110516894A (zh) * | 2018-05-22 | 2019-11-29 | 招商局国际信息技术有限公司 | 货场调度方法及装置 |
CN109270896A (zh) * | 2018-07-10 | 2019-01-25 | 中国人民解放军战略支援部队航天工程大学 | 一种任务调度优化模型的优化约束确定方法 |
CN109816114A (zh) * | 2018-12-29 | 2019-05-28 | 大唐软件技术股份有限公司 | 一种机器学习模型的生成方法、装置 |
CN113781690A (zh) * | 2021-08-24 | 2021-12-10 | 天津港第二集装箱码头有限公司 | 一种顺岸式码头边装卸堆场的智能闸口*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Reinforcement learning for logistics and supply chain management: Methodologies, state of the art, and future opportunities | |
Paraskevopoulos et al. | Resource constrained routing and scheduling: Review and research prospects | |
Rashidi et al. | Novel constraints satisfaction models for optimization problems in container terminals | |
Caris et al. | Planning problems in intermodal freight transport: accomplishments and prospects | |
Burinskiene et al. | A simulation study for the sustainability and reduction of waste in warehouse logistics | |
Gonzalez-Feliu | Models and methods for the city logistics: The two-echelon capacitated vehicle routing problem | |
Vacca et al. | Optimization at container terminals: status, trends and perspectives | |
Castilla-Rodríguez et al. | Simulation-optimization for the management of the transshipment operations at maritime container terminals | |
Kozan et al. | A demand-responsive decision support system for coal transportation | |
CN101986313A (zh) | 基于知识的集装箱码头泊位与岸桥调度方法 | |
Salido et al. | Integrated intelligent techniques for remarshaling and berthing in maritime terminals | |
CN101782988A (zh) | 基于知识工程的集装箱码头场桥调度方法 | |
Rekik et al. | A multi agent system for the online container stacking in seaport terminals | |
Rashidi et al. | Vehicle scheduling in port automation: advanced algorithms for minimum cost flow problems | |
Jia et al. | Dynamic container drayage with uncertain request arrival times and service time windows | |
Jin et al. | Container port truck dispatching optimization using Real2Sim based deep reinforcement learning | |
Psaraftis et al. | Analysis and solution algorithms of sealift routing and scheduling problems | |
Dotolia et al. | A train load planning optimization model for intermodal freight transport terminals: A case study | |
Abourraja et al. | Proposal of a module-driven architecture for building simulation models devoted to container terminals: dilemmas in applying generic, flexible, and modular principles | |
Rashidi et al. | Container terminals: Scheduling decisions, their formulation and solutions | |
Du | Research on the path of artificial intelligence to empower intelligent port upgrading and transformation | |
Henesey et al. | Smart container stacking in the yard | |
Chislov et al. | Clustering Methods and Time Parameterization in the Management of Port Cargo Flows | |
Wang et al. | Research on the Prediction of Quay Crane Resource Hour based on Ensemble Learning | |
Gacias et al. | An interdisciplinary method for a generic vehicle routing problem decision support system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100721 |