CN107688909A - 一种基于遗传算法的自动化堆场调度方法和*** - Google Patents

一种基于遗传算法的自动化堆场调度方法和*** Download PDF

Info

Publication number
CN107688909A
CN107688909A CN201710799753.7A CN201710799753A CN107688909A CN 107688909 A CN107688909 A CN 107688909A CN 201710799753 A CN201710799753 A CN 201710799753A CN 107688909 A CN107688909 A CN 107688909A
Authority
CN
China
Prior art keywords
genetic algorithm
solution
iteration
task
total time
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
Application number
CN201710799753.7A
Other languages
English (en)
Inventor
孙斐
康晓巍
沈嘉荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Zhenghua Heavy Industries Co Ltd
Original Assignee
Shanghai Zhenghua Heavy Industries Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Zhenghua Heavy Industries Co Ltd filed Critical Shanghai Zhenghua Heavy Industries Co Ltd
Priority to CN201710799753.7A priority Critical patent/CN107688909A/zh
Publication of CN107688909A publication Critical patent/CN107688909A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于遗传算法的自动化堆场调度方法和***，提高堆场作业效率。其技术方案为：根据堆场任务二进制编码，产生第一组初始解对应堆场任务的运行方案；调用适应度函数，计算完成堆场任务的运行方案花费的总时间，其中总时间越少表示解越好，适应度越高；将解及其对应的总时间进行保存；反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。

Description

一种基于遗传算法的自动化堆场调度方法和***
技术领域
本发明涉及自动化码头的堆场调度技术，尤其涉及基于遗传算法实现的自动化码头的堆场调度方法和***。
背景技术
随着人力成本的增加，全球物流需求的增长，国内外越来越多的港口开始启用自动化设备进行堆场作业，现有的做法只能根据简单的逻辑进行设备分配，例如按照工作区域进行设备分配。起重机工作效率低下。由于堆场在码头运输中的重要地位，堆场的作业效率很大程度上影响了装卸船的整体速度，是决定码头服务能力的关键因素之一。在堆场建造设计和设备机械性能一定的前提下，优化作业任务的调度可以有效的提升堆场的作业效率。但是目前还没有一种高效的自动化堆场调度***。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种基于遗传算法的自动化堆场调度方法和***，对于各种复杂工况有着更好的自适应能力，能整体提高堆场作业效率，实现自动化堆场管理和执行批任务的工作模式。
本发明的技术方案为：本发明揭示了一种基于遗传算法的自动化堆场调度方法，包括：
根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；
调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；
将这些解及其对应的总时间进行保存；
反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；
查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。
根据本发明的基于遗传算法的自动化堆场调度方法的一实施例，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
根据本发明的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的选择运算是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。
根据本发明的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。
根据本发明的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。
本发明还揭示了一种基于遗传算法的自动化堆场调度***，包括：
初始化模块，根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；
方案花费时间计算模块，调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；
存储模块，将这些解及其对应的总时间进行保存；
新解迭代模块，反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；
剔除模块，查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到方案花费时间计算模块以调用适应度函数计算解对应的任务花费总时间。
根据本发明的基于遗传算法的自动化堆场调度***的一实施例，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
根据本发明的基于遗传算法的自动化堆场调度***的一实施例，新解迭代模块中包含选择运算单元，用于将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。
根据本发明的基于遗传算法的自动化堆场调度***的一实施例，新解迭代模块中包含交叉运算单元，用于以设定概率相互交换某两个个体之间的部分染色体。
根据本发明的基于遗传算法的自动化堆场调度***的一实施例，新解迭代模块中包含变异运算单元，用于对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。
本发明对比现有技术有如下的有益效果：本发明利用遗传算法模型建立堆场调度的解决方案并在计算适应度的同时得出了基于一定任务分配条件下两车避让的决策优化。相较于传统的基于就近原则的任务调度策略及其他基于固定逻辑的调度算法，此策略对于各种复杂工况有着更好的自适应能力，能整体提高堆场作业效率，实现自动化堆场管理和执行批任务的工作模式。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了遗传算法的计算流程图。
图2示出了本发明的基于遗传算法的自动化堆场调度方法的一实施例的流程图。
图3示出了本发明的基于遗传算法的自适应堆场调度***的一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
本发明采用遗传算法(Genetic Algorithm)作为***框架来进行问题求解。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的策略。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(geneticoperators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。
如图1所示，遗传算法的计算流程如下。
(1)初始化
设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。
(2)个体评价
计算群体P(t)中各个个体的适应度。
(3)选择运算
将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
(4)交叉运算
将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
(5)变异运算
将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
(6)终止条件判断
若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
(7)计算过程。
图2示出了本发明的基于遗传算法的自动化堆场调度方法的一实施例的流程。请参见图2，下面是对本实施例的自动化堆场调度方法的各实施步骤的详细描述。
首先，根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案。
在第一步中，ASC-MS框架调用遗传算法模块，框架传入任务信息给遗传算法模块。遗传算法模块根据任务信息进行二进制编码，并产生第一组初始解，以对应堆场任务的一种运行方案。
在本实施例中将发送给自动化堆场的N条任务定义为长度为N位的二进制数值，例如将海侧ASC作业一条任务定位为数值0，将陆侧ASC作业一条任务定位为数值1。举例来说，类似于1010111001(10条任务)，一般来说有几条任务，二进制数值就一共会有几位。
接着进行第二步，调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高。
适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
由于ASC大车运动是非匀速的甚至是非线性的，为了获得更接近实际情况的任务完成时间，本算法快速模拟了设备的机构动作从而得到任务完成所需的时间值。
对于两台设备在作业过程中可能发生的避让需求，具体方法如下：
根据两车当前任务状态得到目标位置(任务暂停状态下设备的目标位置为任务目标位置加/减安全距离，左侧设备为减，右侧为加)。如果两车目标位置(大车)没有冲突，即左侧设备的目标位置+安全距离<右侧设备的目标位置，则按照目标位置移动或抓放箱。如果存在冲突，处于空闲状态或任务暂停状态下的设备要进行避让，两车都正常作业的情况下任务优先级低的要避让优先级高的，如果优先级也相同，采用生成随机数比较大小的方式来决定哪台做要避让。避让位置为另一台的目标位置加/减安全距离，左侧设备为减，右侧为加。最后得出两车决策目标位置。如果一辆车已有指令，则另一辆没有新指令的车若存在位置冲突需要避让。
两台ASC各自生成随机数，初始范围为0到3，比较两个整数大小，若相等则再进行一次随机，直到不等为止。随机数大的那台设备获得“胜利”，另一台需要进行避让。“失败”的设备将随机数生成范围翻倍，以提高下次避让决策时的获胜概率，减小连续失败的可能性，获胜后，生成范围恢复为初始状态。
通过对同一基因的多次计算，选取用时最短的结果作为适应度并记录它所对应的避让策略。
然后在第三步中，将这些解及其对应的总时间进行保存。
方法的主体是接下来的迭代过程：反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案。
其中涉及到遗传算法的选择运算、交叉运算和变异运算。
遗传算法的选择运算(或称为复制运算)是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。每一个得到的个体都会被保存，而遗传到下一代的个体将不会重复计算其适应度，以避免时间浪费。优秀的个体只在遗传时使用，用更大概率去产生更优秀的个体。
遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。在本算法中，以10条任务为例。0000000000代表10条任务全部由海侧ASC完成，1111111111代表10条任务全部有陆侧ASC完成。经过交叉运算后得到新的两个解：0000011111和1111100000。0000011111代表前5条任务由海侧ASC完成，后5条任务由陆侧ASC完成。1111100000代表前5条任务由陆侧ASC完成，后5条任务由海侧ASC完成。
遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照较小的预设概率进行改变，从而产生新的个体。还是以10条任务为例。0000000000代表10条任务全部由海侧ASC完成。经过变异后得到新的解0000000001。0000000001代表前9条任务由海侧ASC完成，最后1条任务由陆侧ASC完成。
最后，查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。
最终遗传算法模块会提供ASC-MS框架一个最优化的解。例如经过遗传算法处理后可能得到完成五条任务时间最快的排列为10101，代表第一条任务调用陆侧ASC，第二条任务使用海侧设备，第三天任务使用陆侧设备，第四条任务使用海侧ASC，第五条任务使用陆侧ASC。
图3示出了本发明的基于遗传算法的自动化堆场调度***的一实施例的原理。请参见图3，本实施例的自动化堆场调度***包括：初始化模块、方案花费时间计算模块、存储模块、新解迭代模块、剔除模块。
初始化模块根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案。
在初始化模块中，ASC-MS框架调用遗传算法模块，框架传入任务信息给遗传算法模块。遗传算法模块根据任务信息进行二进制编码，并产生第一组初始解，以对应堆场任务的一种运行方案。
在本实施例中将发送给自动化堆场的N条任务定义为长度为N位的二进制数值，例如将海侧ASC作业一条任务定位为数值0，将陆侧ASC作业一条任务定位为数值1。举例来说，类似于1010111001(10条任务)，一般来说有几条任务，二进制数值就一共会有几位。
接着方案花费时间计算模块调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高。
适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
由于ASC大车运动是非匀速的甚至是非线性的，为了获得更接近实际情况的任务完成时间，本算法快速模拟了设备的机构动作从而得到任务完成所需的时间值。
对于两台设备在作业过程中可能发生的避让需求，具体方法如下：
根据两车当前任务状态得到目标位置(任务暂停状态下设备的目标位置为任务目标位置加/减安全距离，左侧设备为减，右侧为加)。如果两车目标位置(大车)没有冲突，即左侧设备的目标位置+安全距离<右侧设备的目标位置，则按照目标位置移动或抓放箱。如果存在冲突，处于空闲状态或任务暂停状态下的设备要进行避让，两车都正常作业的情况下任务优先级低的要避让优先级高的，如果优先级也相同，采用生成随机数比较大小的方式来决定哪台做要避让。避让位置为另一台的目标位置加/减安全距离，左侧设备为减，右侧为加。最后得出两车决策目标位置。如果一辆车已有指令，则另一辆没有新指令的车若存在位置冲突需要避让。
两台ASC各自生成随机数，初始范围为0到3，比较两个整数大小，若相等则再进行一次随机，直到不等为止。随机数大的那台设备获得“胜利”，另一台需要进行避让。“失败”的设备将随机数生成范围翻倍，以提高下次避让决策时的获胜概率，减小连续失败的可能性，获胜后，生成范围恢复为初始状态。
通过对同一基因的多次计算，选取用时最短的结果作为适应度并记录它所对应的避让策略。
然后存储模块将这些解及其对应的总时间进行保存。
***的主体是新解迭代模块的迭代过程：反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案。
其中涉及到遗传算法的选择运算、交叉运算和变异运算，分别对应包含在新解迭代模块中的选择运算单元、交叉运算单元和变异运算单元。
选择运算单元中使用的遗传算法的选择运算(或称为复制运算)是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。每一个得到的个体都会被保存，而遗传到下一代的个体将不会重复计算其适应度，以避免时间浪费。优秀的个体只在遗传时使用，用更大概率去产生更优秀的个体。
交叉运算单元中使用的遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。在本算法中，以10条任务为例。0000000000代表10条任务全部由海侧ASC完成，1111111111代表10条任务全部有陆侧ASC完成。经过交叉运算后得到新的两个解：0000011111和1111100000。0000011111代表前5条任务由海侧ASC完成，后5条任务由陆侧ASC完成。1111100000代表前5条任务由陆侧ASC完成，后5条任务由海侧ASC完成。
变异运算单元中使用的遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照较小的预设概率进行改变，从而产生新的个体。还是以10条任务为例。0000000000代表10条任务全部由海侧ASC完成。经过变异后得到新的解0000000001。0000000001代表前9条任务由海侧ASC完成，最后1条任务由陆侧ASC完成。
最后，剔除模块查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。
最终遗传算法模块会提供ASC-MS框架一个最优化的解。例如经过遗传算法处理后可能得到完成五条任务时间最快的排列为10101，代表第一条任务调用陆侧ASC，第二条任务使用海侧设备，第三天任务使用陆侧设备，第四条任务使用海侧ASC，第五条任务使用陆侧ASC。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体***的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种基于遗传算法的自动化堆场调度方法，其特征在于，包括：
根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；
调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；
将这些解及其对应的总时间进行保存；
反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；
查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。
2.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
3.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的选择运算是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。
4.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。
5.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。
6.一种基于遗传算法的自动化堆场调度***，其特征在于，包括：
初始化模块，根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；
方案花费时间计算模块，调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；
存储模块，将这些解及其对应的总时间进行保存；
新解迭代模块，反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；
剔除模块，查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到方案花费时间计算模块以调用适应度函数计算解对应的任务花费总时间。
7.根据权利要求6所述的基于遗传算法的自动化堆场调度***，其特征在于，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。
8.根据权利要求6所述的基于遗传算法的自动化堆场调度***，其特征在于，新解迭代模块中包含选择运算单元，用于将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。
9.根据权利要求6所述的基于遗传算法的自动化堆场调度***，其特征在于，新解迭代模块中包含交叉运算单元，用于以设定概率相互交换某两个个体之间的部分染色体。
10.根据权利要求6所述的基于遗传算法的自动化堆场调度***，其特征在于，新解迭代模块中包含变异运算单元，用于对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。
CN201710799753.7A 2017-09-07 2017-09-07 一种基于遗传算法的自动化堆场调度方法和*** Pending CN107688909A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710799753.7A CN107688909A (zh) 2017-09-07 2017-09-07 一种基于遗传算法的自动化堆场调度方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710799753.7A CN107688909A (zh) 2017-09-07 2017-09-07 一种基于遗传算法的自动化堆场调度方法和***

Publications (1)

Publication Number Publication Date
CN107688909A true CN107688909A (zh) 2018-02-13

Family

ID=61156099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710799753.7A Pending CN107688909A (zh) 2017-09-07 2017-09-07 一种基于遗传算法的自动化堆场调度方法和***

Country Status (1)

Country Link
CN (1) CN107688909A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932366A (zh) * 2018-05-23 2018-12-04 中交水运规划设计院有限公司 煤炭码头卸车生产仿真智能调度方法及***
CN112199177A (zh) * 2020-10-19 2021-01-08 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度***及方法
CN112249583A (zh) * 2020-09-30 2021-01-22 华东师范大学 一种散货码头堆场垛位的智能选择方法及***
CN112429648A (zh) * 2020-11-20 2021-03-02 上海振华重工(集团)股份有限公司 一种基于自动化堆场多轨道吊的安全作业方法
CN113298648A (zh) * 2021-07-05 2021-08-24 中国工商银行股份有限公司 基于遗传算法的贷款数据处理方法及装置
CN113361833A (zh) * 2020-03-02 2021-09-07 联芯集成电路制造(厦门)有限公司 化学机械抛光***以及相关的派工管理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907411B2 (en) * 2001-09-13 2005-06-14 Institute For Information Industry Carrier dispatch and transfer method
CN104252132A (zh) * 2013-06-27 2014-12-31 上海新跃仪表厂 基于自适应遗传算法的行星际轨道控制优化方法
CN106203680A (zh) * 2016-06-28 2016-12-07 上海工程技术大学 一种基于改进遗传算法的公交车辆资源调度方法
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN106611230A (zh) * 2015-12-14 2017-05-03 四川用联信息技术有限公司 结合关键工序的遗传局部搜索算法求解柔性作业车间调度
CN106611221A (zh) * 2016-12-21 2017-05-03 重庆大学 一种用于解决连铸机故障的炼钢‑连铸重调度方法
CN106971236A (zh) * 2017-02-20 2017-07-21 上海大学 一种基于遗传算法的柔性作业车间分批调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907411B2 (en) * 2001-09-13 2005-06-14 Institute For Information Industry Carrier dispatch and transfer method
CN104252132A (zh) * 2013-06-27 2014-12-31 上海新跃仪表厂 基于自适应遗传算法的行星际轨道控制优化方法
CN106611230A (zh) * 2015-12-14 2017-05-03 四川用联信息技术有限公司 结合关键工序的遗传局部搜索算法求解柔性作业车间调度
CN106203680A (zh) * 2016-06-28 2016-12-07 上海工程技术大学 一种基于改进遗传算法的公交车辆资源调度方法
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN106611221A (zh) * 2016-12-21 2017-05-03 重庆大学 一种用于解决连铸机故障的炼钢‑连铸重调度方法
CN106971236A (zh) * 2017-02-20 2017-07-21 上海大学 一种基于遗传算法的柔性作业车间分批调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周明等: "《遗传算法原理及应用》", June 1999, 国防工业出版社 *
魏晨等: "自动化集装箱码头堆场内双起重机调度模型与算法", 《大连海事大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108932366A (zh) * 2018-05-23 2018-12-04 中交水运规划设计院有限公司 煤炭码头卸车生产仿真智能调度方法及***
CN108932366B (zh) * 2018-05-23 2022-03-08 中交水运规划设计院有限公司 煤炭码头卸车生产仿真智能调度方法及***
CN113361833A (zh) * 2020-03-02 2021-09-07 联芯集成电路制造(厦门)有限公司 化学机械抛光***以及相关的派工管理方法
US11397425B2 (en) 2020-03-02 2022-07-26 United Semiconductor (Xiamen) Co., Ltd. CMP polishing system and associated pilot management system
CN112249583A (zh) * 2020-09-30 2021-01-22 华东师范大学 一种散货码头堆场垛位的智能选择方法及***
CN112199177A (zh) * 2020-10-19 2021-01-08 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度***及方法
CN112199177B (zh) * 2020-10-19 2023-03-31 上海交通大学 基于遗传算法和计算拓扑模型的ska任务调度***及方法
CN112429648A (zh) * 2020-11-20 2021-03-02 上海振华重工(集团)股份有限公司 一种基于自动化堆场多轨道吊的安全作业方法
CN112429648B (zh) * 2020-11-20 2023-01-24 上海振华重工(集团)股份有限公司 一种基于自动化堆场多轨道吊的安全作业方法
CN113298648A (zh) * 2021-07-05 2021-08-24 中国工商银行股份有限公司 基于遗传算法的贷款数据处理方法及装置

Similar Documents

Publication Publication Date Title
CN107688909A (zh) 一种基于遗传算法的自动化堆场调度方法和***
Guo et al. Stochastic hybrid discrete grey wolf optimizer for multi-objective disassembly sequencing and line balancing planning in disassembling multiple products
Tang et al. Research into container reshuffling and stacking problems in container terminal yards
Chen et al. The self-learning particle swarm optimization approach for routing pickup and delivery of multiple products with material handling in multiple cross-docks
He et al. Multiobjective optimization of energy-efficient job-shop scheduling with dynamic reference point-based fuzzy relative entropy
Liu et al. An improved genetic algorithm with modified critical path-based searching for integrated process planning and scheduling problem considering automated guided vehicle transportation task
Afzalirad et al. Design of high-performing hybrid meta-heuristics for unrelated parallel machine scheduling with machine eligibility and precedence constraints
Bożek et al. Flexible job shop with continuous material flow
Singh et al. A balanced-quantum inspired evolutionary algorithm for solving disassembly line balancing problem
CN112836974A (zh) 一种基于dqn和mcts的箱区间多场桥动态调度方法
KR101522306B1 (ko) 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법
CN115293623A (zh) 一种生产调度模型的训练方法、装置、电子设备及介质
Đurasević et al. Automated design of heuristics for the container relocation problem using genetic programming
Zhang et al. Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning
Gu et al. A self-learning discrete salp swarm algorithm based on deep reinforcement learning for dynamic job shop scheduling problem
Maroof et al. Logistics optimization using hybrid genetic algorithm (hga): a solution to the vehicle routing problem with time windows (vrptw)
Giua* et al. Modelling and simulation of a bottling plant using hybrid Petri nets
Kaveh et al. Chaotic vibrating particles system for resource-constrained project scheduling problem
Gu et al. A mutualism quantum genetic algorithm to optimize the flow shop scheduling with pickup and delivery considerations
Huang et al. A genetic algorithm for solving the economic lot scheduling problem in flow shops
Liu et al. An improved nondominated sorting genetic algorithm-ii for multi-objective flexible job-shop scheduling problem considering worker assignments
Nugraheni et al. Hybrid Metaheuristics for Job Shop Scheduling Problems.
CN114418504A (zh) 仓储物流方案的规划方法及***
Cheng et al. A system dynamics approach to operational and strategic planning of a container terminal
Liao et al. Learning to schedule job-shop problems via hierarchical reinforcement learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180213

RJ01 Rejection of invention patent application after publication