CN108932366A - 煤炭码头卸车生产仿真智能调度方法及*** - Google Patents

煤炭码头卸车生产仿真智能调度方法及*** Download PDF

Info

Publication number
CN108932366A
CN108932366A CN201810503488.8A CN201810503488A CN108932366A CN 108932366 A CN108932366 A CN 108932366A CN 201810503488 A CN201810503488 A CN 201810503488A CN 108932366 A CN108932366 A CN 108932366A
Authority
CN
China
Prior art keywords
train
sequence
stacker
tippler
unloading
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.)
Granted
Application number
CN201810503488.8A
Other languages
English (en)
Other versions
CN108932366B (zh
Inventor
杨国平
商剑平
邰世文
刘春泽
芦志强
毕磊
唐颖
郭享
王帅
郭延祥
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.)
China Communication Planning and Design Institute for Waterway Transportation Co
Original Assignee
China Communication Planning and Design Institute for Waterway Transportation Co
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 China Communication Planning and Design Institute for Waterway Transportation Co filed Critical China Communication Planning and Design Institute for Waterway Transportation Co
Priority to CN201810503488.8A priority Critical patent/CN108932366B/zh
Publication of CN108932366A publication Critical patent/CN108932366A/zh
Application granted granted Critical
Publication of CN108932366B publication Critical patent/CN108932366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Computer Graphics (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种煤炭码头卸车生产仿真智能调度方法及***。该方法包括：通过数据接口获取列车生产信息及边界条件；采用全港资源约束和卸车作业规则进行建模并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；三维仿真推演卸车生产计划的执行情况；基于执行情况，按照卸车生产计划执行卸车调度作业。本发明解决了相关技术中煤炭码头卸车调度作业需要考虑正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序等因素，具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型复杂的煤炭码头卸车调度的技术问题。

Description

煤炭码头卸车生产仿真智能调度方法及***
技术领域
本发明涉及港口生产运营领域，具体而言，涉及一种煤炭码头卸车生产仿真智能调度方法及***。
背景技术
煤炭码头卸车调度作业是一项复杂的***工程，其主要内容是对不同车型和煤种的列车，选择合适的翻堆线(包括翻车机、皮带和堆料机)，通过翻堆线将煤炭翻堆(由翻车机翻卸，皮带运输和堆料机堆存)到相应的垛位上。列车从进港到离港的作业过程及顺序是：列车到港→对车作业→放风作业→卸车作业→排空作业→离港，其中，卸车作业过程中煤炭主要经由的关键节点及顺序是：列车→翻车机→堆料机→垛位。
煤炭码头卸车调度问题属于生产调度研究领域，具有复杂、随机、多约束和多目标等特点，是典型的多约束多目标组合优化问题和NP-Hard问题。但由于煤炭码头卸车调度的复杂性，相关研究仍处于起步阶段。而且，煤炭码头调度方面的现有研究考虑的影响因素和目标与实际情况有较大偏差，属于理想状态的理论及算法探讨，问题模型与实际生产脱节，结果实用性低。
目前，我国正处于智能化数字化港口码头建设热潮中，实现卸车调度作业的智能排产是煤炭码头迈向智慧型码头的关键一环。而我国煤炭码头卸车调度作业主要依赖人脑经验，很难站在全局生产的角度科学合理地制定作业计划，而且当生产条件变化时，计划调度人员不能快速制定新的调度计划。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明至少部分实施例提供了一种煤炭码头卸车生产仿真智能调度方法及***，以至少解决相关技术中煤炭码头卸车调度作业需要考虑正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序等因素，具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型复杂的煤炭码头卸车调度的技术问题。
根据本发明其中一实施例，提供了一种煤炭码头卸车生产仿真智能调度方法，包括：
通过数据接口获取列车生产信息及边界条件，其中，列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；采用全港资源约束和卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；三维仿真推演卸车生产计划的执行情况；基于执行情况，按照卸车生产计划执行卸车调度作业。
可选地，采用全港资源约束和卸车作业规则进行建模包括：根据全港资源约束和卸车作业规则确定模型的目标函数为所有列车在港时间最短和卸车速度最快；根据全港资源约束和卸车作业规则确定模型的约束条件包括列车、煤种、堆场、设备、卸车作业过程及顺序、列车煤种载重吨与场存关系、作业唯一性约束、作业工艺限制及设备可达性限制。
可选地，采用仿真推演策略解码的遗传算法包括：组合式编码、染色体生成算法、仿真推演解码方法、采用多种策略的遗传操作及修正。
可选地，组合式编码由作业翻车机序列、作业顺序序列和作业堆料机序列构成。
可选地，染色体生成算法包括以下步骤：第一步，根据列车生产信息计算每台堆料机的可作业煤种的可达垛位的总剩余堆存量；第二步，从列车中选取待排列车，并根据列车车型高度筛选匹配的翻车机集合；第三步，在翻车机集合中，查找每台翻车机可达的堆料机，并将翻车机与堆料机对加入至待排列车的可用翻车机与堆料机集合中；第四步，针对可用翻车机与堆料机集合中每个翻车机与堆料机对，从第一步的总剩余堆存量中查找第二步的待排列车所承载煤种的剩余堆存量，若查找到的剩余堆存量小于待排列车的载煤量，则将对应的翻车机与堆料机对从可用翻车机与堆料机集合中删除；第五步，从可用翻车机与堆料机集合剩余的翻车机与堆料机对中随机选取一对翻车机号和堆料机号作为染色体的作业翻车机序列值和作业堆料机序列值，并更新第一步的总剩余堆存量中作业堆料机号对应的待排列车所承载煤种的剩余堆存量；第六步，返回到第二步，继续生成染色体的其它列车的基因位；第七步，针对生成的作业翻车机序列，为在同一翻车机上作业的列车随机生成从1开始的作业顺序，赋值到作业顺序序列相应基因位；第八步，返回到第一步，生成下一染色体。
可选地，仿真推演解码方法包括以下步骤：第一步，初始化仿真时钟以及堆料机、翻车机和垛位的状态；第二步，根据列车生产信息确定列车的到港时间并对列车进行排队，依次处理每一列车，如果列车正在作业，则模拟列车翻堆作业，计算翻卸完成时间和列车排空时间，将翻车机空闲事件加入事件列表；如果列车已在港但未作业，则将列车放入到等待作业列表；若列车未到港，则将列车到港事件加入到事件列表；第三步，针对等待作业列表中的每一列车从染色体中查找到该列车作业的翻车机、堆料机和作业顺序；若该列车的作业顺序在首位且查找到的翻车机、堆料机以及堆料机可达的垛位的状态均为空闲，则按照列车作业流程及顺序计算列车的作业时间，将设备状态标识为忙碌，依次选取距离堆料机所在位置最近的垛位为堆存垛位，并更新最近的垛位的剩余堆存量和作业状态，直到满足列车载煤量，同时将翻车机空闲事件加入事件列表；否则继续等待；第四步，依据仿真时钟的时间变化，依次处理事件列表中每个事件直到空为止：当翻车机空闲事件发生时，将关联的设备状态标记为空闲；若等待作业列表为非空，则执行第三步；当列车到港事件发生时，将列车加入到等待作业列表，执行第三步。
可选地，采用多种策略的遗传操作及修正包括：从多种交叉策略中随机选取一种交叉策略对按照染色体生成算法生成的染色体执行交叉操作，其中，多种交叉策略至少包括：作业翻车机序列、作业顺序序列和作业堆料机序列整体两点交叉策略，作业堆料机序列两点交叉策略，作业顺序序列单点交叉策略；对作业顺序序列和/或作业堆料机序列进行修正，其中，对作业堆料机序列进行修正包括：查找作业堆料机序列交叉的每个基因位，更新相应堆料机对应的列车煤种的剩余堆存量；依次对作业堆料机序列的其他基因位计算堆料机对应的列车煤种的剩余堆存量，若剩余堆存量小于列车载煤量，则在翻车机相连的其它堆料机中查找到第一个可以满足堆存量约束的堆料机，若翻车机下缺少满足堆存约束的堆料机，则根据染色体的生成步骤重新生成当前判定的基因位；以及对作业顺序序列进行修正包括：依次检查作业顺序序列交叉的基因位对应的翻车机；依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，然后再检索原染色体的作业优先级最高的基因位进行修正。
可选地，采用多种策略的遗传操作及修正还包括：从多种变异策略中随机选取一种变异策略对按照染色体生成算法生成的染色体执行变异操作，其中，多种变异策略至少包括：同时对作业翻车机序列、作业顺序序列和作业堆料机序列进行变异的整体变异策略，对作业堆料机序列进行变异的变异策略，对作业顺序序列进行变异的变异策略。
可选地，三维仿真推演卸车生产计划的执行情况包括：基于预设仿真平台开发三维仿真推演***，以卸车生产计划及推演起始时刻的码头实时生产数据作为模型驱动和边界条件，仿真推演卸车生产计划的执行情况。
根据本发明其中一实施例，还提供了一种煤炭码头卸车生产仿真智能调度***，包括：
数据管理模块，用于获取列车生产信息及边界条件，其中，列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；调度生成模块，用于采用全港资源约束和卸车作业规则进行建模并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；卸车生产计划三维仿真推演模块，用于三维仿真推演卸车生产计划的执行情况，以便基于执行情况，按照卸车生产计划执行卸车调度作业。
在本发明至少部分实施例中，采用通过数据接口获取用于确定卸车调度作业过程中全港资源约束和卸车作业规则的列车生产信息及边界条件的方式，通过采用全港资源约束和卸车作业规则进行建模并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划，然后再三维仿真推演卸车生产计划的执行情况并基于执行情况，按照卸车生产计划执行卸车调度作业，达到了结合卸车调度作业的实际情况，考虑列车生产信息及边界条件(例如：正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序)，针对具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型煤炭码头卸车调度问题进行建模，为解决大型且复杂煤炭码头卸车调度问题提出一种有效的解决途径的目的，从而实现了自动制定未来一段时间(例如：几个小时，甚至几天)的码头卸车生产计划，并能够以三维动态的形式提前预演码头卸车生产计划方案的可能执行情况，辅助煤炭码头调度人员制定更加科学、更加规范的生产计划和生产指令的技术效果，进而解决了相关技术中煤炭码头卸车调度作业需要考虑正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序等因素，具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型复杂的煤炭码头卸车调度的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现煤炭码头卸车生产仿真智能调度方法的煤炭码头卸车生产仿真智能调度***的结构示意图；
图2是根据本发明实施例一的煤炭码头卸车生产仿真智能调度方法的流程图；
图3是根据本发明其中一优选实施例的染色体编码示意图；
图4是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例可以认为是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，针对本发明至少部分实施例中出现的变量含义加以说明：
(1)T表示列车集合{1,2,…,n}；
(2)D表示翻车机集合{1,2,…,m}；
(3)A表示列车车型集合{1,2,…,a}；
(4)P表示垛位集合{1,2,…,p}；
(5)C表示煤种集合{1,2,…,c}；
(6)S表示堆料机集合{1,2,…,s}；
(7)E表示所有作业时间集合{0,1,2,…,e}；
(8)dd2t ju表示j翻车机是否可翻u车型，其取值1为是，0为否；
(9)dd2s jk表示j翻车机是否可达k堆料机，其取值1为是，0为否；
(10)ds2p kr表示k堆料机是否可达r垛位，其取值1为是，0为否；
(11)vs k表示k堆料机在堆场平均移动速度；
(12)tduiche表示列车对车平均时长；
(13)tfangfeng表示列车放风平均时长；
(14)tpaikong表示列车排空平均时长；
(15)tmove j表示列车从车场到翻车机j时长；
(16)表示j翻车机限超高；
(17)表示j翻车机翻卸车效率；
(18)ls kt表示t时点k堆料机的坐标；
(19)cp r表示r垛位的堆存煤种；
(20)qp r表示r垛位的剩余堆存量；
(21)lp r表示r垛位坐标；
(22)ht i表示i列车的超高；
(23)ct i表示i列车装载煤种；
(24)at i表示i列车车型；
(25)qt i表示i列车的载煤量，其单位为吨；
(26)tcome i表示i列车到港时间；
(27)tdcstart i表示i列车开始对车时间；
(28)tstart i表示i列车开始作业时间；
(29)tstart ir表示i列车翻卸到r垛位开始作业时间；
(30)twork ir表示i列车翻卸到r垛位的作业时长；
(31)tend ir表示i列车翻卸到r垛位结束作业时间；
(32)qtp ir表示i列车翻卸到r垛位翻卸量；
(33)tend i表示i列车完工时间；
(34)tleave i表示i列车离港时间。
实施例1
根据本发明其中一实施例，提供了一种煤炭码头卸车生产仿真智能调度方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
该方法实施例可以在煤炭专用码头卸车生产仿真智能调度***中执行。图1示出了一种用于实现煤炭码头卸车生产仿真智能调度方法的煤炭专用码头卸车生产仿真智能调度***的结构示意图，如图1所示，煤炭专用码头卸车生产仿真智能调度***通过该***内配置的数据接口模块与其他外部***(例如：管控一体化***)进行数据交互，从而实现煤炭专用码头卸车生产仿真智能调度***、管控一体化***与现实中生产运营同步。
***实施主要是基于***功能模块的实现。煤炭专用码头卸车生产仿真智能调度***可以包括但不限于：数据接口模块、数据管理模块、基础数据管理及实时数据一致性校验模块、卸车生产计划三维仿真推演模块、调度生成模块和用户接口界面。其中，调度生成模块可以进一步包括：卸车生产计划模块、卸车计划微调和重调度模块以及卸车生产指令生成模块。
下面将对该***中的主要功能模块做进一步详细地介绍。
(1)卸车生产计划模块
该模块是本发明的核心功能模块。考虑正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序等全港资源约束和卸车作业规则，针对具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的煤炭码头进行多约束多目标建模，并设计遗传算法求解。
具体地，在模型方面，构建了以卸车效率最大和列车在港时间最短为目标的数学模型。在算法方面，设计了采用仿真推演解码策略遗传算法，包括组合式编码、仿真推演解码方法、染色体生成算法、适应度函数以及采用多种策略的遗传操作及修正等。
(2)卸车计划微调和重调度模块
该模块是在卸车生产计划模块生成的初始卸车生产计划作业方案的基础上，生产计划人员根据生产过程中发生的特殊事件导致卸车生产计划执行过程中出现偏差或列车翻卸计划有调整时进一步修正卸车生产计划方案的重要模块，通过为使用人员提供方便易用的计划修改接口，以辅助卸车计划调度人员能够在已有计划的基础上进行微调(可以微调某列列车的作业翻车、堆料机、垛位以及列车在翻车机上的作业顺序等内容，也可以删除列车生产计划)，***对于微调后的卸车生产计划方案重调度，生成新的生产计划方案。
(3)卸车生产指令生成模块
该模块将卸车生产计划作业方案实时动态地转换成生产作业指令，可直接下发到控制***执行，以减少作业人员的工作量，提高工作效率。卸车作业生产指令包括指令类型、指令号、指令日期、流程号、列车号、车次、车型、到港时间、卸车煤种、筛分煤种1、筛分煤种2、车数、翻车机、堆料机1、堆料机2、垛位1、垛位2、堆存归属、是否电厂、是否筛分、计划作业吨，指令生成到结束过程中，还需补充指令状态、下发时间、收到时间、开始执行时间、结束执行时间。
(4)卸车生产计划三维仿真推演模块
基于AnyLogic仿真平台开发出一套针对依托工程的三维仿真推演***，该***以卸车生产作业计划及推演起始时刻的码头实时生产数据作为模型驱动和边界条件，能够仿真推演生产计划在未来的可能生产过程，为计划制定人员提供更加生动的计划演示，加深对生产计划的理解；同时能够对煤炭码头卸车生产仿真智能调度***的计划结果进行评价，甚至对比多套调度方案，帮助计划制定人员优化码头生产计划，提高码头作业效率。
首先，模型输入直接从***数据库直接导入，主要包括如下内容：
1)设施设备配置：
翻车机名称、作业效率、可达的堆料机及其他基本信息；
堆料机名称、可达的堆垛及其他基本信息；
堆场或堆垛的名称、类型、容量、分期等信息；
列车在车场之间的行驶时间。
2)生产计划结果：
列车的计划到港时间，对车、放风、翻卸和排空四个阶段的开始及结束时间，以及离港时间；
指定的翻车机、堆料机、垛位，列车在翻车机上的作业顺序；
列车车皮数、所运煤种；
其他计划信息。
3)推演开始时实时状态数据：
各翻车机上可能正在作业的列车和作业进度等信息；
各堆料机所服务的翻车机、煤种等；
各垛位煤炭堆存情况；
车场内的列车情况；
其次，模型的动态输出结果主要包括两方面内容：一方面以表格形式输出计划的有关信息和执行情况，一方面以三维界面展示***运行的实际情况。
然后，仿真模型应用于生产***的实时调度时，模型的建立应考虑以下5个基本设计理念：
1)***可以在不同的时间，由不同的人从不同的视角观察模型；
2)***应根据活动划分不同的逻辑单元，模型建立时则可通过模块化的方法来获取每个单元的细节和内在机制；
3)***不但应具有良好的人机交互界面，还应有良好的软件交互借口；
4)***可以被重复利用，在尽可能少的改动下应用于别的工程；
5)***应对于模型开发者和最终用户都易于使用。
面向对象的仿真推演模型首先要从结构的角度对现实世界进行分解，将具体的同类对象映射成模型对象，在此基础上组建煤炭码头的模型对象库。模型中的主要对象如下表所示。模型中根据现实***中各事物之间的关系，应用对象库中的对象对码头整个生产***进行仿真建模。表1为仿真模型的主要对象及属性，如表1所示，
表1
对象 对象基本属性
火车 装载煤炭、节数、到达时间、作业流程和作业时间等
船舶 吨级、到达时间、船舱数及配载要求、泊位等
堆垛 煤种、储存量等
翻车机 作业效率、当前流程、作业火车有关属性等
堆料机 作业效率、当前流程等
铁路 铁路路网拓扑结构等
生产流程 流程号、起始设备、终止设备、皮带序列、当前功率等
最终，通过应用该模块推演生产计划在未来的可能生产过程，能够直观展示生产计划的执行情况并对其进行评价，甚至对比多套调度方案。卸车生产计划三维仿真推演模块能够仿真推演生产计划在未来的可能生产过程，为计划制定人员提供更加生动的计划演示，加深对生产计划的理解。
(5)基础数据管理及实时数据一致性校验模块
***计算的基础是码头的实时生产数据，而码头实时生产数据来源较多，包括列车数据、翻车机数据、铁路数据、堆场数据、堆料机数据和设备维修保养计划数据等。各数据表之间存在交叉的数据项，同项数据不同数据表之间存在不一致的情况，这就需要对不一致的数据进行性校验和修正，以确保卸车生产计划使用的数据是准确无误的。
该模块将异常与错误分为源头数据错误、用户输入性错误、数据一致性错误、不符合模型约束四类。只有经过该模块验证通过的数据才能被输入至调度生成模块。
在具体实施过程中，上述***可以配置在计算机终端(或移动设备)中。计算机终端(或移动设备)可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，计算机终端还可包括更多或者更少的组件，或者采用不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端(或移动设备)中的其他元件中的任意一个内。
存储器可用于存储应用软件的软件程序以及模块，如本发明实施例中的煤炭码头卸车生产仿真智能调度方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的煤炭码头卸车生产仿真智能调度方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端(或移动设备)的用户界面进行交互。
在上述运行环境下，本发明其中一实施例提供了如图2所示的煤炭码头卸车生产仿真智能调度方法。图2是根据本发明实施例一的煤炭码头卸车生产仿真智能调度方法的流程图，如图2所示，该方法可以包括以下处理步骤：
步骤S20，通过数据接口获取列车生产信息及边界条件，其中，列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；
步骤S22，采用全港资源约束和卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；
步骤S24，三维仿真推演卸车生产计划的执行情况；
步骤S26，基于执行情况，按照卸车生产计划执行卸车调度作业。
通过上述步骤，采用通过数据接口获取用于确定卸车调度作业过程中全港资源约束和卸车作业规则的列车生产信息及边界条件的方式，通过采用全港资源约束和卸车作业规则进行建模并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划，然后再三维仿真推演卸车生产计划的执行情况并基于执行情况，按照卸车生产计划执行卸车调度作业，达到了结合卸车调度作业的实际情况，考虑列车生产信息及边界条件(例如：正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序)，针对具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型煤炭码头卸车调度问题进行建模，为解决大型且复杂煤炭码头卸车调度问题提出一种有效的解决途径的目的，从而实现了自动制定未来一段时间(例如：几个小时，甚至几天)的码头卸车生产计划，并能够以三维动态的形式提前预演码头卸车生产计划方案的可能执行情况，辅助煤炭码头调度人员制定更加科学、更加规范的生产计划和生产指令的技术效果，进而解决了相关技术中煤炭码头卸车调度作业需要考虑正在作业和计划作业的列车、煤种、堆场、设备、翻堆线和列车作业过程及顺序等因素，具有多车型、多煤种、多条翻堆线交叉和动态实时调度等特点的多约束多目标大型复杂的煤炭码头卸车调度的技术问题。
可选地，在步骤S22中，采用全港资源约束和卸车作业规则进行建模可以包括以下执行步骤：
步骤S221，根据全港资源约束和卸车作业规则确定模型的目标函数为所有列车在港时间最短和卸车速度最快；
步骤S222，根据全港资源约束和卸车作业规则确定模型的约束条件包括列车、煤种、堆场、设备、卸车作业过程及顺序、列车煤种载重吨与场存关系、作业唯一性约束、作业工艺限制及设备可达性限制。
卸车调度作业的主要任务是在满足列车车型与翻车机型匹配、列车煤种与垛位煤种匹配、翻堆线与垛位可达匹配三个条件的前提下，为每一列车指定翻堆线和堆存垛位，其主要目标是尽快完成作业并最小化列车的在港时间。
在一个可选实施例中，将a种车型的装有c个煤种的n列车(一列车有一个煤种)，分配到m台不同型号的翻车机上(一台翻车机可作业一种或多种型号列车)，翻车机通过皮带将煤炭传送到s台堆料机(一台翻车机对应一台或多台堆料机)，堆料机将煤堆存到p个堆垛(一台堆料机对应多排垛场，每排有多个垛位，每个垛位对应一个煤种)，需要根据车型、煤种选择合适的翻车机、堆料机和垛位，使得作业效率最大和列车在港时间最短。为便于建模及求解，在符合其实用性的前提下，本发明至少部分实施例所使用的模型设定以下条件：
(1)垛位的最大堆存量固定及垛位间的距离以中心点距离为准；
(2)堆料机、翻车机等设备的作业准备时间取平均值；
(3)列车对车、放风、排空时间及从车场到翻车机的时间取平均值；
(4)翻堆线作业效率、堆料机的移动速度取平均值；
(5)列车作业过程连续不可中断，上一辆列车排空完成后，进行下一辆列车对车；
(6)一辆列车通常能够在一台翻车机和堆料机上作业；
(7)翻堆线由翻车机和堆料机唯一确定，不考虑皮带，忽略作业过程中突发性的故障。
本发明至少部分实施例所使用的模型的目标函数为所有列车在港时间最短和卸车速度最快，其可以采用如下公式加以表示：
其中，公式(1)表示所有列车在港时间F1最短，公式(2)表示卸车速度最快，即最后一辆离港的列车离港时间F2最早。
列车作业应严格按照到港→对车作业→放风作业→卸车作业→排空作业→离港的顺序进行，且不可间断。令列车i0和i是在同一翻车机j上作业的两列车，且i列车紧跟在i0后作业，i列车作业堆料机是k，作业垛位及顺序是(1,2…w)，堆料机的空闲时点为t0，i列车在对车后k堆料机可以从前一位置移动到第一个作业的垛位。i列车作业时间为：
由于不同的企业对各个目标的侧重点不同，为便于企业根据实际情况调整目标的重要程度，本文将两个目标F1和F2转化为求最小值并进行[0,1]标准化处理的目标函数F1’和F2’，然后采用权重系数法将两个目标函数转化为单目标函数进行求解，具体公式如下：
minF＝w1×F1′+w2×F2′(11)
F1′＝(F1-F1min)/(F1max-F1 min)(12)
其中，权重系数w1和w2的值根据各目标的重要度来权衡，w1+w2＝1，F1 min、F1 max、F2 min、F2 max分别是目标F1、F2的最小值和最大值。
针对上述目标函数，上述模型的约束条件主要包括列车、煤种、堆场、设备、卸车作业过程及顺序、列车煤种载重吨与场存关系、作业唯一性约束、作业工艺限制及设备可达性限制等约束条件，具体如以下公式所示：
其中，该公式表示装载任一煤种的所有列车煤量之和不大于可堆存该煤种的垛位的剩余堆存量之和。
其中，该公式表示所有列车在同一垛位的翻卸量要小于垛位剩余堆存量。
其中，该公式表示列车翻卸到垛位上的翻卸量之和为载重吨。
其中，该公式表示一辆列车能够使用一台翻车机和一台堆料机完成整个作业。
其中，该公式表示任一作业时点一列车只能在一台翻车机、一台堆料机和一个垛位上作业。
其中，该公式表示任一时点一台翻车机最多只能与一台堆料机和一个堆垛作业一列车。
其中，该公式表示任一时点一台堆料机最多只能与一台翻车机、一个堆垛和一列车作业。
其中，该公式表示一个时刻一个垛位只能与一台翻车机、一台堆料机和一列车作业。
其中，该公式表示列车i是否利用j翻车机k堆料机作业。
其中，该公式表示t时刻i列车是否在j翻车机k堆料机上翻堆到r垛位作业。当xijkrt＝1时，即t时刻，i列车在j翻车机k堆料机r垛位上作业，应该满足以下作业工艺约束条件：
其中，该公式表示在翻车机作业的i列车高度要小于j翻车机最大高度。
其中，该公式表示i列车车型ait＝u可以在j翻上作业。
其中，该公式表示j翻车机可达k堆料机作业。
其中，该公式表示k堆料机可达r垛位作业。
其中，该公式i列车煤种与r垛位煤种相同。
其中，该公式表示k堆料机可达且与i列车煤种相同的垛位的总剩余堆存量要大于i列车待翻卸量。
在本发明至少部分实施例中所使用的适应度函数在模型目标函数公式(11)的基础上，进行如下转换：
可选地，上述采用仿真推演策略解码的遗传算法可以包括：组合式编码、染色体生成算法、仿真推演解码方法、采用多种策略的遗传操作及修正。
具体地，本发明至少部分实施例中所使用的遗传算法的实现过程如下：
Begin
令进化代数t＝0，最大代数MAXGEN，代沟Ps，产生含p个个体的种群P(0)；
对P(0)执行仿真推演解码；
根据上述公式(30)计算P(0)中各个体的适应度值Ffit(0)；
While(t<MAXGEN)
对P(t)进行遗传操作产生新种群P’(t)；
选择：采用轮盘赌法选择Ps×p个染色体；
交叉：对选择得到的染色体以概率Pc随机选一种交叉策略进行交叉操作修正；
变异：以概率Pm进行变异操作，从变异个体中随机选一种变异策略并修正；
对P’(t)执行仿真推演解码；
根据公式(30)计算P’(t)各个个体的适应度值Ffit’(t)；
采取保优策略，从P(t)和P’(t)中选择适应度大的前p个染色体组成下一代种群P(t+1)；
终止判断：若满足条件t≥MAXGEN，结束循环，输出结果；否则，t＝t+1，进入下一代循环；
end
end
可选地，上述组合式编码由作业翻车机序列、作业顺序序列和作业堆料机序列构成。
遗传算法(Genetic algorithm，简称为GA)是一种模拟生物繁殖和进化过程的基于随机搜索的全局优化算法，其能够模拟生物繁殖和进化过程中基因的复制、染色体的交叉和变异，并借鉴生物遗传学中适者生存和自然选择的规律和寻优。当前遗传算法已广泛应用于调度问题的求解中。在本发明的一个可选实施例中，遗传算法设计包括：编码、仿真推演解码、适应度函数和遗传操作及修正。
GA编码是对问题的解进行形式化描述，即对决策变量进行编码，编码设计的优劣对调度问题的求解效果有重大影响。当前，生产调度问题的一般编码方法多种多样，相关技术中将编码表示总结为基于工序、基于工件、基于随机键、基于工件对关系和基于完成时间的直接表示方法和基于优先规则、基于优先表、基于非连接图和基于机器的间接表示法两类。通过比较和分析各种编码形式和本模型的特点，该可选实施例提出了一种适合本模型的组合式编码方法。
在编码过程中，解空间由列车、翻车机、堆料机、垛位、翻堆量、作业开始和结束时间七部分构成。其中，翻车机是关键设备，在整个工艺流程中，上承列车，下接堆料机，而且均是一对一关系。垛位和翻堆量是由列车载重吨和垛位剩余堆存量决定的。一辆列车可以翻堆到多个垛位。列车作业时间则由作业情况而定。为了减少编码长度，缩小解空间的规模，编码部分忽略垛位、翻堆量和作业时间，每个染色体由以下三部分构成：
①作业翻车机序列Dumper＝{d1,d2,…,dn-1,dn}。该序列di＝j，表示第i列车作业的翻车机为j。
②作业顺序序列Order＝{o1,o2,…,on-1,on}。该序列与Dumper相对应，oi＝r(r为正整数)表示第i列车在di翻车机上作业顺序，r值越小优先级越高。
③作业堆料机序列Stacker＝{s1,s2,…,sn-1,sn}。该序列与Dumper相对应，si＝k表示第i列车作业的堆料机为k。
图3是根据本发明其中一优选实施例的染色体编码示意图，如图3所示，该可选实施例的任意一种方案可由(Dumper,Order,Stacker)唯一表示。到港列车，根据优先级，依次在翻车机和堆料机上作业，并根据列车载煤量和作业情况计算堆料的垛位和作业时间，最终可得到列车的调度方案。
可选地，由于列车对应翻车机、堆料机和垛位，需要满足列车车型、列车高度与翻车机车型、高度匹配情况，翻车机与堆料机可达性，以及列车载煤量与堆料机可达同煤种垛位的总剩余堆存量关系约束，因此在生成染色体时需要确保染色体的合法性。为此，在本发明的一个可选实施例中，染色体生成算法包括以下步骤：
第一步，根据列车生产信息计算每台堆料机的可作业煤种的可达垛位的总剩余堆存量；
第二步，从列车中选取待排列车，并根据列车车型高度筛选匹配的翻车机集合；
第三步，在翻车机集合中，查找每台翻车机可达的堆料机，并将翻车机与堆料机对加入至待排列车的可用翻车机与堆料机集合中；
第四步，针对可用翻车机与堆料机集合中每个翻车机与堆料机对，从第一步的总剩余堆存量中查找第二步的待排列车所承载煤种的剩余堆存量，若查找到的剩余堆存量小于待排列车的载煤量，则将对应的翻车机与堆料机对从可用翻车机与堆料机集合中删除；
第五步，从可用翻车机与堆料机集合剩余的翻车机与堆料机对中随机选取一对翻车机号和堆料机号作为染色体的作业翻车机序列值和作业堆料机序列值，并更新第一步的总剩余堆存量中作业堆料机号对应的待排列车所承载煤种的剩余堆存量；
第六步，返回到第二步，继续生成染色体的其它列车的基因位；
第七步，至此已经生成染色体的作业翻车机序列和作业堆料机序列，然后，针对生成的作业翻车机序列，为在同一翻车机上作业的列车随机生成从1开始的作业顺序，赋值到作业顺序序列相应基因位；
第八步，返回到第一步，生成下一染色体。
可选地，上述仿真推演解码方法可以包括以下步骤：
第一步，初始化仿真时钟以及堆料机、翻车机和垛位的状态(例如：忙碌或空闲)；
第二步，根据列车生产信息确定列车的到港时间并对列车进行排队，依次处理每一列车，如果列车正在作业，则模拟列车翻堆作业，计算翻卸完成时间和列车排空时间(即翻车机的空闲时间)，将翻车机空闲事件加入事件列表；如果列车已在港但未作业，则将列车放入到等待作业列表；若列车未到港，则将列车到港事件加入到事件列表；
第三步，针对等待作业列表中的每一列车从染色体中查找到该列车作业的翻车机、堆料机和作业顺序；若该列车的作业顺序在首位且查找到的翻车机、堆料机以及堆料机可达的垛位的状态均为空闲，则按照列车作业流程及顺序计算列车的作业时间，将设备状态标识为忙碌，依次选取距离堆料机所在位置最近的垛位为堆存垛位，并更新最近的垛位的剩余堆存量和作业状态，直到满足列车载煤量，同时将翻车机空闲事件加入事件列表；否则继续等待；
第四步，依据仿真时钟的时间变化，依次处理事件列表中每个事件直到空为止：当翻车机空闲事件发生时，将关联的设备状态标记为空闲；若等待作业列表为非空，则执行第三步；当列车到港事件发生时，将列车加入到等待作业列表，执行第三步。
由于本发明牵扯到的设备变量较多、卸车作业时间顺序严格、作业工艺约束较多，往往通过简单的编码和解码较难反应作业的真实情况。而计算机仿真推演技术具有深度反应码头真实的动态作业过程特点，本发明在染色体解码时，利用仿真技术来推演各调度方案的运行情况，并统计分析相应的目标函数值作为各染色体的适应度，以求得较优的解。
可选地，上述采用多种策略的遗传操作及修正可以包括：从多种交叉策略中随机选取一种交叉策略对按照染色体生成算法生成的染色体执行交叉操作，其中，多种交叉策略至少包括：作业翻车机序列、作业顺序序列和作业堆料机序列整体两点交叉策略，作业堆料机序列两点交叉策略，作业顺序序列单点交叉策略；对作业顺序序列和/或作业堆料机序列进行修正，其中，对作业堆料机序列进行修正包括：查找作业堆料机序列交叉的每个基因位，更新相应堆料机对应的列车煤种的剩余堆存量；依次对作业堆料机序列的其他基因位计算堆料机对应的列车煤种的剩余堆存量，若剩余堆存量小于列车载煤量，则在翻车机相连的其它堆料机中查找到第一个可以满足堆存量约束的堆料机，若翻车机下缺少满足堆存约束的堆料机，则根据染色体的生成步骤重新生成当前判定的基因位；以及对作业顺序序列进行修正包括：依次检查作业顺序序列交叉的基因位对应的翻车机；依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，然后再检索原染色体的作业优先级最高的基因位进行修正。
GA针对由多个可行染色体构成的种群进行迭代寻优，选择、交叉和变异是其主要遗传操作。目前，常用的选择方法有轮盘赌法、随机遍历抽样法、局部选择和锦标赛选择等，交叉方法有单点交叉、多点交叉、算术交叉、顺序交叉、部分映射交叉和循环交叉等，变异方法有实值变异、替换变异、互换式变异等。基于上述提到的编码方式，在一个可选实施例中的遗传操作设计如下：
采用轮盘赌法和保优策略结合的方法执行选择操作。在选择过程中，首先采用最流行的轮盘赌法，从父代种群中选出一定比例的染色体，以进行后续的交叉和变异操作产生子代种群。然后采取保优策略，从子代种群和父代种群中选择适应度较大的染色体进入下一轮的遗传操作，使进化过程中的优秀个体全部得以保留。
交叉操作是遗传操作中最重要的一环，在一个可选实施例中，可以根据染色体的特点设置三种交叉策略，以不同的概率进行相应的交叉操作。
第一种交叉策略为整体两点交叉，其是指同时交叉作业翻车机序列、作业顺序序列和作业堆料机序列这三个序列。
第二种交叉策略为堆料机序列两点交叉，其是指对两个染色体基因位相同、翻车机和堆料机均不同且翻车机均同时可达对方堆料机的基因位的堆料机序列进行两点交叉。
第三种交叉策略为作业顺序序列单点交叉，其是对相应基因位翻车机相同且作业顺序不同的基因位的作业顺序序列进行单点交叉。
采用第一种交叉策略，通过执行交叉操作能够改变列车在翻车机上的作业顺序和作业的堆料机，可能会出现作业顺序相同和不能满足堆场堆存量约束的情况，因此需要对交叉后的两个子代个体的Order序列和Stacker序列进行修正。采用第二种交叉策略，同样会出现不能满足堆场堆存量约束的情况，需要对Stacker序列进行修正，修正原则是保留交叉部分染色体的特征。
Stacker序列修正思路如下：首先，依次找到交叉Stacker序列的每一个基因位，更新相应堆料机对应的该列车煤种的剩余堆存量。然后，依次对Stacker序列其他基因位计算堆料机对应的该列车煤种的剩余堆存量，若剩余堆存量小于列车载煤量，则在该翻车机相连的其它堆料机中找到第一个可以满足堆存量约束的堆料机。若该翻车机下无满足堆存约束的堆料机，则参照上文染色体生成规则重新生成该基因位。
Order序列修正思路如下：首先，依次检查交叉Order序列的基因位对应的翻车机。然后，依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，以及再检索原染色体的作业优先级最高的基因位进行修正。
可选地，上述采用多种策略的遗传操作及修正还可以包括：从多种变异策略中随机选取一种变异策略对按照染色体生成算法生成的染色体执行变异操作，其中，多种变异策略至少包括：同时对作业翻车机序列、作业顺序序列和作业堆料机序列进行变异的整体变异策略，对作业堆料机序列进行变异的变异策略，对作业顺序序列进行变异的变异策略。
考虑到染色体的特点以及变异个体的多样性，在一个可选实施例中，变异操作也可以分为三种变异策略：
第一种变异策略，同时对三段染色体进行变异的整体变异策略；
第二种变异策略，对Stacker序列变异的堆料机变异策略；
第三种变异策略，对Order序列变异的作业顺序变异策略。
由此，当染色体变异时，以一定的概率选择一种策略进行相应的变异操作。
下面将以黄骅港煤炭码头的实际应用为例，通过***运行测试情况说明本发明至少部分实施例所提到的模型及算法的有效性和实用性。黄骅港煤炭码头是我国大型煤炭码头，2015年煤炭吞吐量一亿余吨，堆场包括两个露天堆场、一个筒仓堆场和一个扩容堆场共216个垛位，有13台翻车机和18台堆料机，89条翻堆线，平均每天卸车100余列，卸车调度任务量较大而且复杂。
算法部分用C#编程实现，在Microsoft Visual Studio2010上开发黄骅港煤炭码头卸车调度***。在配置为CPU Intel 2.6GHz、内存6G的计算机上运行测试，选取某一班次(该班次已对位到翻车机作业的列车7列，待排列车41列，CD8因改造停用)为例。本次程序计算时间约278.73秒，卸车总量210985吨，列车总在港时间130.62小时，计划时长6.97小时(开始时间09:41:30，结束时间16:39:34)。
实际生产中手动一次制定41列车的卸车调度方案平均约耗时40分钟，本实例实践中实际采用的调度方案结果的最晚完工时间为17:13:32，列车总在港时间163.95小时，计划时长7.53小时。
该实例表明，人工制定卸车调度计划耗费工时、列车总在港时间和计划时长分别是***计算结果的8.6倍、1.3倍和1.1倍。在实际生产中随着翻堆作业的推进以及外部不确定因素的干扰，调度人员经常需要调整后续列车的调度计划，这会使得各翻堆设备节点间相互等待，导致设备作业利用率较低。黄骅港智能生产调度仿真***的应用，在翻堆作业条件发生变化时可以更加科学、迅速、精确地制定新的调度计划，这不但大大降低作业人员脑力工作强度，而且可以清晰展示后续列车翻堆作业关键设备的作业安排，各节点可以直观后续列车的翻堆计划，提前进行准备工作，使节点间衔接更加顺畅，大大提高全港卸车作业效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的煤炭码头卸车生产仿真智能调度方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
本发明其中一实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，图4是根据本发明实施例的一种计算机终端的结构框图，如图4所示，该计算机终端至少包括：一个或多个处理器以及存储器。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、光标控制设备、键盘。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的煤炭码头卸车生产仿真智能调度方法对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的煤炭码头卸车生产仿真智能调度方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：通过数据接口获取列车生产信息及边界条件，其中，列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；采用全港资源约束和卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；三维仿真推演卸车生产计划的执行情况；基于执行情况，按照卸车生产计划执行卸车调度作业。
可选的，上述处理器还可以执行如下步骤的程序代码：组合式编码由作业翻车机序列、作业顺序序列和作业堆料机序列构成。
可选的，上述处理器还可以执行如下步骤的程序代码：第一步，根据列车生产信息计算每台堆料机的可作业煤种的可达垛位的总剩余堆存量；第二步，从列车中选取待排列车，并根据列车车型高度筛选匹配的翻车机集合；第三步，在翻车机集合中，查找每台翻车机可达的堆料机，并将翻车机与堆料机对加入至待排列车的可用翻车机与堆料机集合中；第四步，针对可用翻车机与堆料机集合中每个翻车机与堆料机对，从第一步的总剩余堆存量中查找第二步的待排列车所承载煤种的剩余堆存量，若查找到的剩余堆存量小于待排列车的载煤量，则将对应的翻车机与堆料机对从可用翻车机与堆料机集合中删除；第五步，从可用翻车机与堆料机集合剩余的翻车机与堆料机对中随机选取一对翻车机号和堆料机号作为染色体的作业翻车机序列值和作业堆料机序列值，并更新第一步的总剩余堆存量中作业堆料机号对应的待排列车所承载煤种的剩余堆存量；第六步，返回到第二步，继续生成染色体的其它列车的基因位；第七步，针对生成的作业翻车机序列，为在同一翻车机上作业的列车随机生成从1开始的作业顺序，赋值到作业顺序序列相应基因位；第八步，返回到第一步，生成下一染色体。
可选的，上述处理器还可以执行如下步骤的程序代码：第一步，初始化仿真时钟以及堆料机、翻车机和垛位的状态；第二步，根据列车生产信息确定列车的到港时间并对列车进行排队，依次处理每一列车，如果列车正在作业，则模拟列车翻堆作业，计算翻卸完成时间和列车排空时间，将翻车机空闲事件加入事件列表；如果列车已在港但未作业，则将列车放入到等待作业列表；若列车未到港，则将列车到港事件加入到事件列表；第三步，针对等待作业列表中的每一列车从染色体中查找到该列车作业的翻车机、堆料机和作业顺序；若该列车的作业顺序在首位且查找到的翻车机、堆料机以及堆料机可达的垛位的状态均为空闲，则按照列车作业流程及顺序计算列车的作业时间，将设备状态标识为忙碌，依次选取距离堆料机所在位置最近的垛位为堆存垛位，并更新最近的垛位的剩余堆存量和作业状态，直到满足列车载煤量，同时将翻车机空闲事件加入事件列表；否则继续等待；第四步，依据仿真时钟的时间变化，依次处理事件列表中每个事件直到空为止：当翻车机空闲事件发生时，将关联的设备状态标记为空闲；若等待作业列表为非空，则执行第三步；当列车到港事件发生时，将列车加入到等待作业列表，执行第三步。
可选的，上述处理器还可以执行如下步骤的程序代码：从多种交叉策略中随机选取一种交叉策略对按照染色体生成算法生成的染色体执行交叉操作，其中，多种交叉策略至少包括：作业翻车机序列、作业顺序序列和作业堆料机序列整体两点交叉策略，作业堆料机序列两点交叉策略，作业顺序序列单点交叉策略；对作业顺序序列和/或作业堆料机序列进行修正，其中，对作业堆料机序列进行修正包括：查找作业堆料机序列交叉的每个基因位，更新相应堆料机对应的列车煤种的剩余堆存量；依次对作业堆料机序列的其他基因位计算堆料机对应的列车煤种的剩余堆存量，若剩余堆存量小于列车载煤量，则在翻车机相连的其它堆料机中查找到第一个可以满足堆存量约束的堆料机，若翻车机下缺少满足堆存约束的堆料机，则根据染色体的生成步骤重新生成当前判定的基因位；以及对作业顺序序列进行修正包括：依次检查作业顺序序列交叉的基因位对应的翻车机；依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，然后再检索原染色体的作业优先级最高的基因位进行修正。
可选的，上述处理器还可以执行如下步骤的程序代码：从多种变异策略中随机选取一种变异策略对按照染色体生成算法生成的染色体执行变异操作，其中，多种变异策略至少包括：同时对作业翻车机序列、作业顺序序列和作业堆料机序列进行变异的整体变异策略，对作业堆料机序列进行变异的变异策略，对作业顺序序列进行变异的变异策略。
可选的，上述处理器还可以执行如下步骤的程序代码：基于预设仿真平台开发三维仿真推演***，以卸车生产计划及推演起始时刻的码头实时生产数据作为模型驱动和边界条件，仿真推演卸车生产计划的执行情况。
本领域普通技术人员可以理解，图4所示的结构可以认为是示意结构，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(Mobile Internet Devices，简称为MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如，计算机终端还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图4所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取器(Random Access Memory，简称为RAM)、磁盘或光盘等。
实施例3
本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的煤炭码头卸车生产仿真智能调度方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：通过数据接口获取列车生产信息及边界条件，其中，列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；采用全港资源约束和卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟卸车调度作业过程，确定卸车生产计划；三维仿真推演卸车生产计划的执行情况；基于执行情况，按照卸车生产计划执行卸车调度作业。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：组合式编码由作业翻车机序列、作业顺序序列和作业堆料机序列构成。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：第一步，根据列车生产信息计算每台堆料机的可作业煤种的可达垛位的总剩余堆存量；第二步，从列车中选取待排列车，并根据列车车型高度筛选匹配的翻车机集合；第三步，在翻车机集合中，查找每台翻车机可达的堆料机，并将翻车机与堆料机对加入至待排列车的可用翻车机与堆料机集合中；第四步，针对可用翻车机与堆料机集合中每个翻车机与堆料机对，从第一步的总剩余堆存量中查找第二步的待排列车所承载煤种的剩余堆存量，若查找到的剩余堆存量小于待排列车的载煤量，则将对应的翻车机与堆料机对从可用翻车机与堆料机集合中删除；第五步，从可用翻车机与堆料机集合剩余的翻车机与堆料机对中随机选取一对翻车机号和堆料机号作为染色体的作业翻车机序列值和作业堆料机序列值，并更新第一步的总剩余堆存量中作业堆料机号对应的待排列车所承载煤种的剩余堆存量；第六步，返回到第二步，继续生成染色体的其它列车的基因位；第七步，针对生成的作业翻车机序列，为在同一翻车机上作业的列车随机生成从1开始的作业顺序，赋值到作业顺序序列相应基因位；第八步，返回到第一步，生成下一染色体。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：第一步，初始化仿真时钟以及堆料机、翻车机和垛位的状态；第二步，根据列车生产信息确定列车的到港时间并对列车进行排队，依次处理每一列车，如果列车正在作业，则模拟列车翻堆作业，计算翻卸完成时间和列车排空时间，将翻车机空闲事件加入事件列表；如果列车已在港但未作业，则将列车放入到等待作业列表；若列车未到港，则将列车到港事件加入到事件列表；第三步，针对等待作业列表中的每一列车从染色体中查找到该列车作业的翻车机、堆料机和作业顺序；若该列车的作业顺序在首位且查找到的翻车机、堆料机以及堆料机可达的垛位的状态均为空闲，则按照列车作业流程及顺序计算列车的作业时间，将设备状态标识为忙碌，依次选取距离堆料机所在位置最近的垛位为堆存垛位，并更新最近的垛位的剩余堆存量和作业状态，直到满足列车载煤量，同时将翻车机空闲事件加入事件列表；否则继续等待；第四步，依据仿真时钟的时间变化，依次处理事件列表中每个事件直到空为止：当翻车机空闲事件发生时，将关联的设备状态标记为空闲；若等待作业列表为非空，则执行第三步；当列车到港事件发生时，将列车加入到等待作业列表，执行第三步。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：从多种交叉策略中随机选取一种交叉策略对按照染色体生成算法生成的染色体执行交叉操作，其中，多种交叉策略至少包括：作业翻车机序列、作业顺序序列和作业堆料机序列整体两点交叉策略，作业堆料机序列两点交叉策略，作业顺序序列单点交叉策略；对作业顺序序列和/或作业堆料机序列进行修正，其中，对作业堆料机序列进行修正包括：查找作业堆料机序列交叉的每个基因位，更新相应堆料机对应的列车煤种的剩余堆存量；依次对作业堆料机序列的其他基因位计算堆料机对应的列车煤种的剩余堆存量，若剩余堆存量小于列车载煤量，则在翻车机相连的其它堆料机中查找到第一个可以满足堆存量约束的堆料机，若翻车机下缺少满足堆存约束的堆料机，则根据染色体的生成步骤重新生成当前判定的基因位；以及对作业顺序序列进行修正包括：依次检查作业顺序序列交叉的基因位对应的翻车机；依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，然后再检索原染色体的作业优先级最高的基因位进行修正。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：从多种变异策略中随机选取一种变异策略对按照染色体生成算法生成的染色体执行变异操作，其中，多种变异策略至少包括：同时对作业翻车机序列、作业顺序序列和作业堆料机序列进行变异的整体变异策略，对作业堆料机序列进行变异的变异策略，对作业顺序序列进行变异的变异策略。
可选地，在本实施例中，存储介质还被设置为存储用于执行以下步骤的程序代码：基于预设仿真平台开发三维仿真推演***，以卸车生产计划及推演起始时刻的码头实时生产数据作为模型驱动和边界条件，仿真推演卸车生产计划的执行情况。
上述本发明实施例序号通常是为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例可以认为是示意性的，例如所述单元的划分，可以认为是一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述可以认为是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种煤炭码头卸车生产仿真智能调度方法，其特征在于，包括：
通过数据接口获取列车生产信息及边界条件，其中，所述列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；
采用所述全港资源约束和所述卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟所述卸车调度作业过程，确定卸车生产计划；
三维仿真推演所述卸车生产计划的执行情况；
基于所述执行情况，按照所述卸车生产计划执行所述卸车调度作业。
2.根据权利要求1所述的方法，其特征在于，采用所述全港资源约束和所述卸车作业规则进行建模包括：
根据所述全港资源约束和所述卸车作业规则确定模型的目标函数为所有列车在港时间最短和卸车速度最快；
根据所述全港资源约束和所述卸车作业规则确定所述模型的约束条件包括列车、煤种、堆场、设备、卸车作业过程及顺序、列车煤种载重吨与场存关系、作业唯一性约束、作业工艺限制及设备可达性限制。
3.根据权利要求1所述的方法，其特征在于，所述采用仿真推演策略解码的遗传算法包括：
组合式编码、染色体生成算法、仿真推演解码方法、采用多种策略的遗传操作及修正。
4.根据权利要求3所述的方法，其特征在于，所述组合式编码由作业翻车机序列、作业顺序序列和作业堆料机序列构成。
5.根据权利要求3所述的方法，其特征在于，所述染色体生成算法包括以下步骤：
第一步，根据所述列车生产信息计算每台堆料机的可作业煤种的可达垛位的总剩余堆存量；
第二步，从所述列车中选取待排列车，并根据列车车型高度筛选匹配的翻车机集合；
第三步，在所述翻车机集合中，查找每台翻车机可达的堆料机，并将翻车机与堆料机对加入至所述待排列车的可用翻车机与堆料机集合中；
第四步，针对所述可用翻车机与堆料机集合中每个翻车机与堆料机对，从第一步的所述总剩余堆存量中查找第二步的所述待排列车所承载煤种的剩余堆存量，若查找到的剩余堆存量小于所述待排列车的载煤量，则将对应的翻车机与堆料机对从所述可用翻车机与堆料机集合中删除；
第五步，从所述可用翻车机与堆料机集合剩余的翻车机与堆料机对中随机选取一对翻车机号和堆料机号作为染色体的作业翻车机序列值和作业堆料机序列值，并更新第一步的所述总剩余堆存量中所述作业堆料机号对应的待排列车所承载煤种的剩余堆存量；
第六步，返回到所述第二步，继续生成所述染色体的其它列车的基因位；
第七步，针对生成的所述作业翻车机序列，为在同一翻车机上作业的列车随机生成从1开始的作业顺序，赋值到作业顺序序列相应基因位；
第八步，返回到所述第一步，生成下一染色体。
6.根据权利要求3所述的方法，其特征在于，所述仿真推演解码方法包括以下步骤：
第一步，初始化仿真时钟以及堆料机、翻车机和垛位的状态；
第二步，根据所述列车生产信息确定列车的到港时间并对列车进行排队，依次处理每一列车，如果列车正在作业，则模拟列车翻堆作业，计算翻卸完成时间和列车排空时间，将翻车机空闲事件加入事件列表；如果列车已在港但未作业，则将列车放入到等待作业列表；若列车未到港，则将列车到港事件加入到事件列表；
第三步，针对所述等待作业列表中的每一列车从染色体中查找到该列车作业的翻车机、堆料机和作业顺序；若该列车的作业顺序在首位且查找到的翻车机、堆料机以及堆料机可达的垛位的状态均为空闲，则按照列车作业流程及顺序计算列车的作业时间，将设备状态标识为忙碌，依次选取距离堆料机所在位置最近的垛位为堆存垛位，并更新所述最近的垛位的剩余堆存量和作业状态，直到满足列车载煤量，同时将翻车机空闲事件加入所述事件列表；否则继续等待；
第四步，依据所述仿真时钟的时间变化，依次处理所述事件列表中每个事件直到空为止：当所述翻车机空闲事件发生时，将关联的设备状态标记为空闲；若所述等待作业列表为非空，则执行所述第三步；当列车到港事件发生时，将列车加入到所述等待作业列表，执行所述第三步。
7.根据权利要求3所述的方法，其特征在于，采用所述多种策略的遗传操作及修正包括：
从多种交叉策略中随机选取一种交叉策略对按照所述染色体生成算法生成的染色体执行交叉操作，其中，所述多种交叉策略至少包括：作业翻车机序列、作业顺序序列和作业堆料机序列整体两点交叉策略，作业堆料机序列两点交叉策略，作业顺序序列单点交叉策略；
对所述作业顺序序列和/或所述作业堆料机序列进行修正，其中，对所述作业堆料机序列进行修正包括：查找作业堆料机序列交叉的每个基因位，更新相应堆料机对应的列车煤种的剩余堆存量；依次对所述作业堆料机序列的其他基因位计算堆料机对应的列车煤种的剩余堆存量，若所述剩余堆存量小于列车载煤量，则在翻车机相连的其它堆料机中查找到第一个可以满足堆存量约束的堆料机，若所述翻车机下缺少满足堆存约束的堆料机，则根据染色体的生成步骤重新生成当前判定的基因位；以及对所述作业顺序序列进行修正包括：依次检查作业顺序序列交叉的基因位对应的翻车机；依次修正翻车机对应的作业顺序，从1开始对作业顺序赋值，优先搜索并保留交叉基因位上的作业优先级，然后再检索原染色体的作业优先级最高的基因位进行修正。
8.根据权利要求3所述的方法，其特征在于，采用所述多种策略的遗传操作及修正还包括：
从多种变异策略中随机选取一种变异策略对按照所述染色体生成算法生成的染色体执行变异操作，其中，所述多种变异策略至少包括：同时对作业翻车机序列、作业顺序序列和作业堆料机序列进行变异的整体变异策略，对作业堆料机序列进行变异的变异策略，对作业顺序序列进行变异的变异策略。
9.根据权利要求1所述的方法，其特征在于，三维仿真推演所述卸车生产计划的执行情况包括：
基于预设仿真平台开发三维仿真推演***，以所述卸车生产计划及推演起始时刻的码头实时生产数据作为模型驱动和边界条件，仿真推演所述卸车生产计划的执行情况。
10.一种煤炭码头卸车生产仿真智能调度***，其特征在于，包括：
数据管理模块，用于通过数据接口获取列车生产信息及边界条件，其中，所述列车生产信息及边界条件用于确定卸车调度作业过程中全港资源约束和卸车作业规则；
调度生成模块，用于采用所述全港资源约束和所述卸车作业规则进行建模，并采用仿真推演策略解码的遗传算法求解，模拟所述卸车调度作业过程，确定卸车生产计划；
卸车生产计划三维仿真推演模块，用于三维仿真推演所述卸车生产计划的执行情况，以便基于所述执行情况，按照所述卸车生产计划执行所述卸车调度作业。
CN201810503488.8A 2018-05-23 2018-05-23 煤炭码头卸车生产仿真智能调度方法及*** Active CN108932366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810503488.8A CN108932366B (zh) 2018-05-23 2018-05-23 煤炭码头卸车生产仿真智能调度方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810503488.8A CN108932366B (zh) 2018-05-23 2018-05-23 煤炭码头卸车生产仿真智能调度方法及***

Publications (2)

Publication Number Publication Date
CN108932366A true CN108932366A (zh) 2018-12-04
CN108932366B CN108932366B (zh) 2022-03-08

Family

ID=64449257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810503488.8A Active CN108932366B (zh) 2018-05-23 2018-05-23 煤炭码头卸车生产仿真智能调度方法及***

Country Status (1)

Country Link
CN (1) CN108932366B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110160845A (zh) * 2019-04-29 2019-08-23 湖南三德科技股份有限公司 煤炭机器人制样***的调度方法、存储介质及制样***
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、***及装置
CN110795859A (zh) * 2019-11-07 2020-02-14 中交水运规划设计院有限公司 火灾安全管控的生成方法和装置
CN111950930A (zh) * 2020-08-25 2020-11-17 盟识(上海)科技有限公司 一种矿区自动驾驶车辆的调度方法、***及设备
CN113255161A (zh) * 2021-06-23 2021-08-13 武汉中远海运港口码头有限公司 联运堆场设备的模拟仿真方法、装置、介质以及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105616A1 (en) * 2001-11-07 2003-06-05 Institute For Information Industry Transportation crew dispatch method based on single day business
CN104166874A (zh) * 2013-05-06 2014-11-26 北京理工大学 一种基于遗传算法的目标选择规划方法
CN107688909A (zh) * 2017-09-07 2018-02-13 上海振华重工(集团)股份有限公司 一种基于遗传算法的自动化堆场调度方法和***
CN107784396A (zh) * 2017-11-06 2018-03-09 上海海事大学 一种自动化集装箱码头关键装卸资源集成调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030105616A1 (en) * 2001-11-07 2003-06-05 Institute For Information Industry Transportation crew dispatch method based on single day business
CN104166874A (zh) * 2013-05-06 2014-11-26 北京理工大学 一种基于遗传算法的目标选择规划方法
CN107688909A (zh) * 2017-09-07 2018-02-13 上海振华重工(集团)股份有限公司 一种基于遗传算法的自动化堆场调度方法和***
CN107784396A (zh) * 2017-11-06 2018-03-09 上海海事大学 一种自动化集装箱码头关键装卸资源集成调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张铭强 等: "计算机模拟在港口规划中的应用", 《水运工程》 *
苏志国 等: "煤炭码头生产作业计划仿真推演技术", 《水运工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110160845A (zh) * 2019-04-29 2019-08-23 湖南三德科技股份有限公司 煤炭机器人制样***的调度方法、存储介质及制样***
CN110160845B (zh) * 2019-04-29 2022-06-14 湖南三德科技股份有限公司 煤炭机器人制样***的调度方法、存储介质及制样***
CN110782160A (zh) * 2019-10-24 2020-02-11 中交水运规划设计院有限公司 船舶泊位分配方法、***及装置
CN110795859A (zh) * 2019-11-07 2020-02-14 中交水运规划设计院有限公司 火灾安全管控的生成方法和装置
CN110795859B (zh) * 2019-11-07 2023-11-28 中交水运规划设计院有限公司 火灾安全管控的生成方法和装置
CN111950930A (zh) * 2020-08-25 2020-11-17 盟识(上海)科技有限公司 一种矿区自动驾驶车辆的调度方法、***及设备
CN113255161A (zh) * 2021-06-23 2021-08-13 武汉中远海运港口码头有限公司 联运堆场设备的模拟仿真方法、装置、介质以及设备
CN113255161B (zh) * 2021-06-23 2021-09-24 武汉中远海运港口码头有限公司 联运堆场设备的模拟仿真方法、装置、介质以及设备

Also Published As

Publication number Publication date
CN108932366B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN108932366A (zh) 煤炭码头卸车生产仿真智能调度方法及***
Leung et al. An integrated online pick-to-sort order batching approach for managing frequent arrivals of B2B e-commerce orders under both fixed and variable time-window batching
Gambardella et al. Simulation and planning of an intermodal container terminal
CN109375601A (zh) 基于数据驱动建模与仿真优化的流水线规划方法及设备
CN105976030A (zh) 基于多智能体月台调度智能排序模型的构造
CN103606021B (zh) 一种lng接收站动态现货预测调度方法
CN101789093A (zh) 一种集装箱码头泊位与岸桥分配方法
CN109886580B (zh) 一种智能工厂管控模型及其管控方法
CN103632234B (zh) 一种网络型lng产业链综合预测调度方法
JPH11328276A (ja) スケジューリングシステム
Li et al. An agent-based approach to optimizing modular vehicle fleet operation
CN115271130A (zh) 面向船舶主动力设备维修订单的动态调度方法及***
Jin et al. Container port truck dispatching optimization using Real2Sim based deep reinforcement learning
CN103606020B (zh) 一种多点网络型lng接收站动态站间转运预测调度方法
Ding et al. A simulation-based optimization method for production-distribution network design
Kwak et al. Optimization of long-term planning with a constraint satisfaction problem algorithm with a machine learning
Graefe et al. A reference model for production control
Gan et al. Emergency logistics scheduling in disaster relief based on a multi-agent genetic algorithm
Li Assembly line balancing under uncertain task time and demand volatility
Cayo et al. A shifting bottleneck procedure with multiple objectives in a complex manufacturing environment
Dahal et al. Modelling, simulation and optimisation of port system management
CN103345672B (zh) 集装箱堆场车载任务控制***
CN103617503B (zh) 一种lng接收站动态站间转运预测调度方法
Thapa Optimization of just-in-time sequencing problems and supply chain logistics
CN115099656B (zh) 基于仿真优化的海工分段智能排程***

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
GR01 Patent grant
GR01 Patent grant