CN112001064B - 一种集装箱码头间全自主水上运输调度方法及*** - Google Patents
一种集装箱码头间全自主水上运输调度方法及*** Download PDFInfo
- Publication number
- CN112001064B CN112001064B CN202010743168.7A CN202010743168A CN112001064B CN 112001064 B CN112001064 B CN 112001064B CN 202010743168 A CN202010743168 A CN 202010743168A CN 112001064 B CN112001064 B CN 112001064B
- Authority
- CN
- China
- Prior art keywords
- path
- time
- scheduling
- wagv
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 238000003780 insertion Methods 0.000 claims abstract description 28
- 230000037431 insertion Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000012966 insertion method Methods 0.000 abstract description 4
- 238000010845 search algorithm Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282985 Cervus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Ship Loading And Unloading (AREA)
Abstract
本发明公开了一种集装箱码头间全自主水上运输调度方法及***,属于交通运输领域。方法包括:建立面向水上无人集装箱运输船wAGV的动态调度模型;将动态到来的运输任务快速***所有wAGV现有路径中,计算***代价并选择***代价最小的路径及位置,得到更新后的初始路径;采用基于禁忌搜索的启发式算法对初始路径进行改进得到更优的wAGV路径;对wAGV实施调度。本发明的调度模型基于组合优化,考虑运输距离和客户满意度等性能指标,时间窗、装载量等约束条件,利用基于移动时间窗的***法构建初始路径,并设计禁忌搜索算法对该路径进行优化改进,实时得到近似最优的多wAGVs路径。该***有助于提高大型港口智能化作业水平。
Description
技术领域
本发明属于交通运输领域,涉及一种集装箱码头间全自主水上运输调度方法及***,尤其是针对大型港口码头之间的水上集装箱运输采用无人船进行全自主控制与调度,实现无人作业。
背景技术
大型港口通常涉及多个码头,且地理位置分布较为分散。为了应对日益增长的码头业务,大多数集装箱码头内部作业已依赖自主小车(Automated Guided Vehicles,AGVs)实现全自动化。但港口内不同功能码头间,如空置集装箱码头、多式联运中转码头等,也存在大量集装箱运输。目前,主要采用拖挂车完成这类运输。然而,对于地形复杂的港口,如鹿特丹港,有些码头之间的水上距离远远小于陆地距离,采用水上运输的方式可以进一步降低运输成本和能耗。因此,提出一种水上无人集装箱运输船(waterborne Autonomousguided vessels,wAGVs)实现码头间的自主运输***。该运输***需要实现多wAGVs的自主调度。
当前调度算法主要基于多车路径规划问题(Vehicle routing problem,VRP),通常附带时间窗、装载量等约束条件,对码头间集装箱运输还需考虑先取再送、不能转运等约束。VRP调度方法已被广泛用于外卖、出租车或救护车派遣等。这类问题的一个共同点之一就是运输任务可能会随着规划路径的执行在线到来,那么已规划的路径就需要根据新的运输任务作出调整。
动态VRP通常采用***法将新到来的运输任务加入到现有路径中。另一种思路是采用等待、缓冲等方法在将新运输任务分配给车辆之前先积累一段时间。按照这种思路,应用较多的是滚动时间窗方法,即每间隔一段时间考虑当前***状态和未来某个时间段上的运输任务进行一次重规划。因此,动态调度对算法求解效率要求也较高。目前,常见的调度问题求解算法包括精确求解算法如动态规划、列生成法、分支定价法等,启发式算法如禁忌搜索、领域搜索、局部下降搜索、进化算法或这些方法的组合。精确求解算法通常能给出最优解,但求解复杂,只适用于小规模静态调度问题。启发式求解算法求解效率高,但只能给出近似最优解。考虑动态调度的实时性,一般采用启发式求解算法较多。然而,现有调度模型多考虑静态问题且对象多为陆地运输***。码头间集装箱运输任务实际上动态到来,且集装箱在码头的装卸时间不能忽略,需要建立新的动态调度模型。而且,陆地运输调度问题多将节点间距离近似为欧式距离,而大型港口码头分布复杂,水路距离并不能计算为欧式距离。结合问题的动态性,现有调度模型均不适用。水路运输尤其是港口内部码头之间采用wAGVs这样一类新的动态调度问题还未有研究。此外,动态调度需要实时在线求解,现有求解算法未考虑这类新型调度问题特点,因此也需要提出新的高效求解算法。针对采用wAGVs进行大型港口码头间的集装箱自主运输的动态调度***还未见已公开研究。
发明内容
本发明的目的在于克服现有技术的不足,提供一种集装箱码头间全自主水上运输调度方法及***。本发明的调度模型基于组合优化,考虑运输距离和客户满意度等性能指标,时间窗、装载量、先取后送、集装箱装卸时间等约束条件,利用基于移动时间窗的***法构建初始路径,并设计禁忌搜索算法对该路径进行优化改进,实时得到近似最优的多wAGVs路径。该***有助于进一步提高大型港口智能化作业水平。
本发明的技术方案如下:
本发明首先公开了一种集装箱码头间全自主水上运输调度方法及***,其包括如下步骤:
1)对集装箱码头间全自主水上运输调度问题进行建模,建立面向wAGVs的动态调度模型,并确定约束条件,求解该模型确定最初优化路径;
2)根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价,比较选取最小代价值对应的路径和位置,将该任务***得到更新后的路径,依次处理所有新到来的运输任务并得到更新后的初始路径;
3)基于更新后的初始路径,采用基于禁忌搜索的启发式算法进一步改进初始路径,求解得到当前时间步下最终的调度方案,最终的调度方案为所有wAGV的路径;所述所有wAGV的路径包括所有wAGV将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量;
4)依据求解得到的所有wAGV的路径对wAGV实施调度,对于每个新的时间步,重复执行步骤2)-4)。
在本发明的一个实施例中,所述动态调度模型的性能指标为:
c1,c2,c3为模型中三项性能指标的权重系数其中,第一项最小化总行驶距离,第二项和第三项分别最小化等待和迟到时间;xijv(k)为0-1整数变量,对于所有如果wAGVv从节点i→j,则xijv(k)=1,否则xijv(k)=0,为拥有nv艘wAGV的船队集合;Dij为节点i→j间的水路距离(非两点间欧式距离);向量其中表示在节点i的等待时间,向量 其中表示在节点i的迟到时间,‖·‖1表示1范数,为码头间调度运输网络的节点集,为码头间调度运输网络的边集。
本发明还公开了一种集装箱码头间全自主水上运输调度***,其包括wAGV***、动态调度模型最初路径求解模块、初始路径构建模块、实时优化模块、调度模块;
所述的wAGV***包括多艘wAGV,其受调度模块控制执行运输任务;
所述的动态调度模型最初路径求解模块,用于获取定义动态调度模型涉及到的参数,建立动态调度模型,确定模型的约束条件,并获取最初调度路径;
所述的初始路径构建模块,根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价并选取***代价最小的路径及相应位置,比较选取最小代价值对应的路径和位置,将该任务***得到更新后的路径,依次处理所有新到来的运输任务并得到更新后的初始路径;
实时优化模块,采用基于禁忌搜索的启发式算法,结合初始路径构建模块得的初始路径以及动态调度模型的约束条件,得到当前移动时间窗框架下近似最优的调度结果,实现调度***的实时化;
调度模块,根据实时优化模块得到的当前移动时间窗框架下所有wAGV的路径,控制wAGV按照调度结果在特定的时间访问特定的码头,取或卸特定数量的集装箱,以近似最短行驶路径、最小等待和迟到时间的方式完成指派的运输任务。
与现有技术相比,本发明首次提出利用无人集船进行港口内部多码头之间进行集装箱运输的动态调度模型和实时求解算法,实现大型港口码头之间的自主水上运输***,从而进一步提高大型港口智能化作业水平。该调度模型充分考虑港口水路运输网络的复杂性及wAGV和运输任务的动态性,基于移动时间窗,构建一种运输距离最短、客户满意度最高的多wAGV取货-送货组合优化模型,并提出启发式算法实时求得调度***的近似最优解。利用鹿特丹港多码头间运输数据开展仿真实验,证实本发明的调度方法下,所有运输任务都在时间窗内完成,表明了本发明调度方法的有效性。
附图说明
图1为wAGV动态规划路径示意图;
图1中,1.集装箱码头,2.水路节点,3.规划的已完成的路径,4.规划的但还未完成的路径,5.1TEU集装箱,6.wAGV。
图2为选择-***动作邻域示意图;
图3为交换动作邻域示意图;
图4为时间步k=7规划路径;
图5为时间步k=8规划路径;
图6为wAGV距离-时间及停靠码头图;
图7为满足装载量约束条件仿真结果图;
图8为满足时间窗约束条件仿真结果图。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
本发明考虑大型港口码头之间的水路运输动态调度问题,决策出所有wAGV在一定时间窗内,从特定码头取特定数量的集装箱运送至目的地码头的节点和时间序列。整体目标是完成所***头间的运输任务,同时wAGV行驶距离最短,在码头等待、延时时间最短。
如附图1所示,为wAGV动态规划路径示意图。由于已规划的运输任务在新决策时间步可能还未执行完,因此新决策时间步的调度决策既需要考虑之前未完成的任务,也需要考虑新到来的运输任务。
基于以上调度决策要求,本实施例提供了一种集装箱码头间全自主水上运输调度方法,其主要包括如下步骤:
1)对集装箱码头间全自主水上运输调度问题进行建模,建立面向wAGV的混合整数规划动态调度模型,求解该混合整数规划问题以得到调度***最初优化路径;
2)根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价,依次处理所有新到来的运输任务并得到更新后的初始路径;
3)基于更新后的初始路径,采用基于禁忌搜索的启发式算法进一步改进初始路径,求解得到当前时间步下最终的调度方案,最终的调度方案为所有wAGV的路径;所述所有wAGV的路径包括所有wAGV将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量;
4)依据求解得到的所有wAGV的路径对wAGV实施调度,对于每个新的时间步,重复执行步骤2)-4)。
从本发明方法的步骤可见,本发明先是提出一种动态调度模型,本实施例中,该模型是基于移动时间窗和混合整数规划的动态调度数学模型;通过模型求解,得到调度***的最初优化路径(本发明的建模和模型求解可以发生在实际运输调度过程的任一时间或时间步,本发明以该模型求解的时间作为本发明方法的初始时间步),得到最初优化路径后考虑调度***的实时性,对于新到来的运输,需将其***现有路径中,并考虑约束条件和***代价得到新的优化后的调度方案,为此,本发明进一步提出了一种结合移动时间窗和***法的初始路径构建方法及基于禁忌搜索的路径改进求解算法,从而可以得到当前时间步下最终的调度方案,最终的调度方案即为***中所有wAGV的路径;所述***中所有wAGV的路径包括所有wAGV将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量。而对于下一时间步,则根据移动时间窗框架下上一步计算出而未被完全执行的路径和新到来的运输任务,重复执行本发明提出的结合移动时间窗和***法的初始路径构建方法及基于禁忌搜索的路径改进求解算法,从而完成整个时间范围的集装箱码头间全自主水上运输调度。
以下对本发明的各部分进行进一步的说明。
一、基于移动时间窗和混合整数规划的动态调度
首先,定义调度问题数学模型涉及到的参数。考虑一个时间范围t∈[0,∞],拥有nv艘wAGV船队集合的动态运输***,其中正在执行任务的wAGV集合为每间隔时间Ts进行一次重新规划,定义离散的规划时间步为k,则t=kTs。
每个时间步k,考虑前一时刻未完成的任务以及[(k+Np-1)Ts,(k+Np)Ts]新到来的任务Rnew(k),在时间域[kTs,(k+Np)Ts]上建立重规划问题。其中为截止kTs还未开始执行的任务,为集装箱已在wAGVv上有待被送达目的地码头的任务。在下一个时间步k+1,重复上述流程并考虑未来Np个时间步上的任务,由此得名“移动时间窗”。同时,可以计算出每艘wAGV上的集装箱量lv(k)≤Q,Q为wAGV的最大装载量。wAGV的实时位置记为(xv(k),yv(k)),对应所在的水路段记为gv(k)及在当前点需停留/服务剩余时间为sv(k)。因此,wAGV的动态***状态可由(xv(k),yv(k),gv(k),sv(k),lv(k),Rv(k)),表示。wAGV巡航速度为u。
相应的,对每一个运输任务i∈∪v∈vRv(k)∪Rnew(k),可由(i,pi,di,ti,min,ti,max,qi,si)来表示,分别表示任务编号、取货码头、送货码头、最早取货时间、最晚送达时间、集装箱数量和所需码头服务时间。对取货码头pi,qi>0;对送货码头di,qi<0。
对码头间水路运输网络进行建模。定义为所有wAGVs的起始节点集,为所有wAGVs的终点节点集。其中,为取送运输任务数量,nd(k)为仅送货任务数量。所有的取货节点定义为 对应取货节点的送货节点为仅送货节点为所以,码头间调度问题考虑的运输网络为其中节点集边集
定义如下决策变量:
为描述简洁性,以下将省略动态参数中的·(k)。定义了这些参数之后,建立混合整数规划模型对调度问题进行建模。
受约束于
xijv,ziv∈{0,1}, (18)
公式(1)中,第一项最小化总行驶距离,第二项和第三项则分别最小化等待和迟到时间,c1,c2,c3为三者之间的权重系数。公式(2)-(18)分别表示一致性、时间、装载量及0-1整数变量等约束条件。具体而言,公式(2)约束每个节点有且只有一艘wAGV访问,公式(3)定义了对每一组取货和送货节点,取货节点先于送货节点访问,且被同一艘wAGV访问。通过公式(4)和(5)确保wAGV会访问起始节点及装有集装箱的目的地节点。公式(6)意味着wAGV如果访问某个节点才会进出那个节点。公式(7)和(8)约束wAGV在正确的节点出发和结束。公式(9)约束正在执行任务的wAGV的时间一致性。不等式(10)确保先送货后取货。公式(11)约束相邻访问节点间的时间一致性。公式(12)-(14)定义时间窗约束。装载量约束由公式(15)-(17)限定。0-1整数变量由公式(18)限定。
由于公式(1)-(18)是一个较为复杂的组合优化问题,在实际调度***中用于求解第一步运输任务数量还较少时的最初路径。通过模型求解,可以得到调度***的最初优化路径,本发明的建模和模型求解可以发生在实际运输调度过程的任一时间或时间步(优选为运输任务数量还较少时的初始阶段),本发明以该时间作为本发明方法的初始时间步,而对于后续时间步中,运输任务实时到来且越来越多的情况,本发明进一步提出一种高效的实时求解算法(启发式实时求解算法)。
二、启发式实时求解算法
首先,根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的任务按一定规则***,得到初始规划路径。对所有wAGVv,定义其未完成的路径为其中ri,i=1,…,m为wAGVv上一步规划中将要访问的节点。对于某些wAGV,也有可能为空集。如果新到来的运输任务为<pi,di>,则将该任务***所有wAGV现有路径中可能位置的代价会被计算一遍,这些***位置需要满足时间窗、装载量、先取后送及不能转运等约束条件。对取货点pi,将其***路径的边<ri,rj>,如果所有约束条件均没有违反,则***代价计算为:
对pi所有可能***位置的代价进行升序排序,然后从最小的Δdp开始,同样的将di***对应pi点之后。对不违背约束条件的位置计算di***代价,计为Δdd。对于di,如果某个***点检测出违反了装载量约束条件,则剩余的***位置可以不用再考虑。找到最小的Δdd值与当前对应的Δdp,则该新任务<pi,di>***路径的代价即为Δdp+Δdd,依次计算<pi,di>***所有wAGV当前路径的代价并比较选取最小代价值对应的路径和位置,将该任务***得到更新后的路径。依次处理所有新到来的运输任务并得到更新后的初始路径。
基于得到的初始路径,采用禁忌搜索的方法对其进行改进。禁忌搜索是邻域搜索的一种,但其搜索规则与其他邻域搜索方法主要有两个不同之处。第一,在迭代中,它允许搜索到的解暂时劣于当前解,从而避免陷入局部最优解。第二,禁忌搜索定义一种数据结构对最近执行过的动作进行记忆,则未来只有不在此记忆结构中的动作能被执行,以避免迭代陷入死循环。当新搜索到的解优于全局最优解时,此禁忌动作也可被赦免。
首先设计当前解的领域空间。由于存在先取后送和不能转运这样一类约束条件,在设计邻域时必须考虑取货节点和送货节点同时移动。提出两种邻域空间。第一种是对现有解中的任意两条路径,任意选取其中一条路径中的任意一组取货送货节点,先将其从原路径中删除,再将其***另一条路径,如附图2所示。与之前新任务***不同的是,此时只需要装载量约束条件严格满足,但时间窗约束类似公式(1),只对等待时间和迟到时间进行惩罚,而不要求严格满足。
第二种邻域结构是对任意选取的两条路径中的一组取货送货节点进行交换,即先从两条路径中分别选取取货送货节点对,将其从原路径中删除,再***到另一条路径中,如附图3所示。同样的,装载量约束条件需要严格满足,时间窗约束条件采用在代价函数里惩罚的方式。
基于设计的邻域空间,定义两个矩阵储存邻域搜索和迭代信息。首先,定义n×n(n≤nv)维矩阵存任意两条路径对之间经过邻域变换后得到的最优解信息及该路径对的序号,此序号为定义的第二个矩阵的行序号。第二个矩阵储存对应两条路径的相关信息,包括路径ID、任务在路径中的位置及任务数量等。通过这种数据结构,在每一次迭代中,只需要更新矩阵中有变动的路径相关信息,而不需要对所有路径进行更新。同时,定义禁忌表,包括禁忌对象和禁忌长度。禁忌对象定义为运输任务序ID和路径ID,禁忌长度定位为当前迭代步数加上一个预设的禁忌释放的步数值,当迭代步数小于禁忌长度时,则禁忌对象中的运输任务不能***到对应路径中,以此避免迭代陷入循环。在每一次迭代中,选取代价下降最多的邻域变换,如果变换后的代价值比当前记录的最小代价值小且改变换不在禁忌表中,则记录该代价值为最小代价值并更新路径;注意每次迭代仅需要更新矩阵中有进行邻域变换的路径对应的矩阵信息,不需要对所有路径的矩阵更新;重复上述步骤进行迭代,经过连续的邻域变化、路径更新以逐步提高调度方案的质量至近似最优;最终的调度方案为所有wAGV的路径,包括将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量。
本发明的集装箱码头间全自主水上运输调度***包括wAGV***、动态调度模型最初路径求解模块、初始路径构建模块、实时优化模块、调度模块;
所述的wAGV***包括多艘wAGV,其受调度模块控制执行运输任务;
所述的动态调度模型最初路径求解模块,用于获取定义动态调度模型涉及到的参数,建立动态调度模型,确定模型的约束条件,并获取最初调度路径;
所述的初始路径构建模块,根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价并选取***代价最小的路径及相应位置,比较选取最小代价值对应的路径和位置,将该任务***得到更新后的路径,依次处理所有新到来的运输任务并得到更新后的初始路径;
实时优化模块,采用基于禁忌搜索的启发式算法,结合初始路径构建模块得到初始路径以及动态调度模型的约束条件,得到当前移动时间窗框架下近似最优的调度结果,实现调度***的实时化;
调度模块,根据实时优化模块得到的当前移动时间窗框架下所有wAGV的路径,控制wAGV按照调度结果在特定的时间访问特定的码头,取或卸特定数量的集装箱,以近似最短行驶路径、最小等待和迟到时间的方式完成指派的运输任务。
为了验证所提算法的有效性,利用鹿特丹港多码头间运输数据,开展了仿真实验。
设置wAGV数量为8,Ts=15min.,Np=4,即调度时域为1小时。图4和图5显示其中一艘wAGV连续两个时间步k=7和k=8的规划路径。路径上的小矩形表示1TEU,上面的数字表示该集装箱属于的运输任务编号。图4和图5中包含该时间步所规划的结果:将要访问的码头ID,到达、离开时间,集装箱装卸量。例如,图4中,wAGV离开码头6时船上有2个运输任务9的集装箱,有2个任务18的集装箱;接着到达码头8,后先卸下任务18的2个集装箱,再装载任务21的2个集装箱。相同节点的装卸作业通常会被集中在一起以减少总共行驶距离。比较k=7和k=8中的规划路径,可以看出新到任务23和26被***到k=7的路径中。新任务中与k=7的路径相同码头节点的作业被整合在一起以减低行驶距离。
图6显示的是其中一艘wAGV行驶距离随时间的积累,图中也标出了停靠的码头。每当wAGV到达一个码头,则会停留一段时间以完成装卸货作业。在不同码头停留时间不一样是由于在某些码头需要执行多个任务的装卸作业,或在那个码头等待任务的开始。
由于wAGV有最大装载量限制,图7中给出了所有8艘wAGV在整个仿真时间段内船上的集装箱数量。可以看到所有wAGV都没有超载,即集装箱数量一直不大于装载量上限4TEU。
对于时间窗约束,图8中画出了所有运输任务的设置时间差和任务时间完成所需要的时间。所有任务都在时间窗内完成,也表明了调度算法的有效性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种集装箱码头间全自主水上运输调度方法,其特征在于包括如下步骤:
1)对集装箱码头间全自主水上运输调度问题进行建模,建立面向wAGV的混合整数规划动态调度模型,求解该混合整数规划问题以得到调度***最初优化路径;
2)根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价,比较并选取最小代价值对应的路径和位置,将该任务***得到更新后的路径,依次处理所有新到来的运输任务并得到更新后的初始路径;
3)基于更新后的初始路径,采用基于禁忌搜索的启发式算法进一步改进初始路径,求解得到当前时间步下最终的调度方案,最终的调度方案为所有wAGV的路径;所述所有wAGV的路径包括所有wAGV将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量;
4)依据求解得到的所有wAGV的路径对wAGV实施调度,对于每个新的时间步,重复执行步骤2)-4)。
2.根据权利要求1所述的集装箱码头间全自主水上运输调度方法,其特征在于:
所述动态调度模型的性能指标为:
3.根据权利要求2所述的集装箱码头间全自主水上运输调度方法,其特征在于:
所述动态调度模型的约束条件包括:
xijv,ziv∈{0,1}, (18)
其中,ziv(k)为0-1整数变量,对于所有如果wAGVv访问节点i,则ziv(k)=1,否则ziv(k)=0;定义为所有wAGVs的起始节点集,为所有wAGVs的终点节点集;其中,为取送运输任务数量,nd(k)为仅送货任务数量;所有的取货节点定义为 对应取货节点的送货节点为 仅送货节点为u为wAGV巡航速度,Ts为时间步的步长,k为离散的时间步序号,Ai表示到达节点i的时间,yi表示到达节点i的wAGV上装载的集装箱数量,si为所需码头服务时间,ti,min,ti,max分别为最早取货时间、最晚送达时间;Q为wAGV的最大装载量,下标max表示对应物理量的最大允许值,下标min表示对应物理量的最小允许值;Dij表示节点i和节点j 间的水路距离;wi表示节点i处的等待时间;di表示节点i 处的延迟时间;qi表示在节点i的取货数量。
4.根据权利要求1所述的集装箱码头间全自主水上运输调度方法,其特征在于:所述的根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价,包括:
对所有wAGV,定义其未完成的路径为其中ri,i=1,…,m为wAGVv上一步规划中将要访问的节点,可能为空集;设新到来的运输任务为<pi,di>,则将该任务***所有wAGV现有路径中可能的位置,计算***代价;对取货节点pi,将其***某条路径的边<ri,rj>,如果装载量和时间窗约束条件均没有违反,则***代价计算为:
5.根据权利要求1所述的集装箱码头间全自主水上运输调度方法,其特征在于:所述的步骤3)包括:
3.1)设计当前解的邻域空间;
3.2)定义两个矩阵储存邻域搜索和迭代信息;首先,定义n×n维矩阵,其中n≤nv,其储存任意两条路径对之间经过邻域变换后得到的最优解信息及该路径对的序号,此序号为定义的第二个矩阵的行序号;第二个矩阵存储相应路径对的邻域变换信息,包括变换所涉及的两条路径ID、两条路径中变换的任务数量及其在路径中的位置;
3.3)定义禁忌表,禁忌表包括禁忌对象和禁忌长度,禁忌对象定义为运输任务ID和路径ID,禁忌长度定位为当前迭代步数与一个预设的禁忌释放的步数值之和,当迭代步数小于禁忌长度时,则禁忌对象中的运输任务不能***到对应路径中,以此避免迭代陷入循环;
3.4)在每一次迭代中,选取代价下降最多的邻域变换,如果变换后的代价值比当前记录的最小代价值小且该变换不在禁忌表中,则记录该代价值为最小代价值并更新路径;注意每次迭代仅需要更新矩阵中有进行邻域变换的路径对应的矩阵信息,不需要对所有路径的矩阵更新;
3.5)重复上述3.1)-3.4)的步骤进行迭代,经过连续的邻域变化、路径更新以逐步提高调度方案的质量至近似最优;最终的调度方案为所有wAGV的路径,包括将访问的码头节点序列,对应访问的时间、停留时间、装卸货数量。
6.根据权利要求5所述的集装箱码头间全自主水上运输调度方法,其特征在于:所述的步骤3.1)为:
设计两种邻域空间,第一种是对现有解中的任意两条路径,任意选取其中一条路径中的任意一组取货送货节点,先将其从原路径中删除,再将其***另一条路径;***另一条路径前需检测是否满足装载量约束条件,由于时间窗约束而产生的等待或迟到时间则按照动态调度模型中的权重与行驶距离一起计算***代价;
第二种邻域结构是对任意选取的两条路径中的一组取货送货节点进行交换,即先从两条路径中分别选取取货送货节点对,将其从原路径中删除,再***到另一条路径中;***另一条路径前需检测是否满足装载量约束条件,由于时间窗约束而产生的等待或迟到时间则按照动态调度模型中的权重与行驶距离一起计算***代价。
7.一种集装箱码头间全自主水上运输调度***,其特征在于包括wAGV***、动态调度模型最初路径求解模块、初始路径构建模块、实时优化模块、调度模块;
所述的wAGV***包括多艘wAGV,其受调度模块控制执行运输任务;
所述的动态调度模型最初路径求解模块,用于获取定义动态调度模型涉及到的参数,建立动态调度模型,确定模型的约束条件,并获取调度***的第一步最初调度路径;
所述的初始路径构建模块,根据移动时间窗框架下上一步计算出而未被完全执行的路径,将新到来的运输任务***所有wAGV现有路径中可能的位置,计算***代价并选取***代价最小的路径及相应位置,比较选取最小代价值对应的路径和位置,将该任务***得到更新后的路径,依次处理所有新到来的运输任务并得到更新后的初始路径;
实时优化模块,采用基于禁忌搜索的启发式算法,结合初始路径构建模块得的初始路径以及动态调度模型的约束条件,得到当前移动时间窗框架下近似最优的调度结果,实现调度***的实时化;
调度模块,根据实时优化模块得到的当前移动时间窗框架下所有wAGV的路径,控制wAGV按照调度结果在特定的时间访问特定的码头,取或卸特定数量的集装箱,以近似最短行驶路径、最小等待和迟到时间的方式完成指派的运输任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743168.7A CN112001064B (zh) | 2020-07-29 | 2020-07-29 | 一种集装箱码头间全自主水上运输调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010743168.7A CN112001064B (zh) | 2020-07-29 | 2020-07-29 | 一种集装箱码头间全自主水上运输调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001064A CN112001064A (zh) | 2020-11-27 |
CN112001064B true CN112001064B (zh) | 2022-08-23 |
Family
ID=73462553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010743168.7A Active CN112001064B (zh) | 2020-07-29 | 2020-07-29 | 一种集装箱码头间全自主水上运输调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001064B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112762952B (zh) * | 2020-12-24 | 2021-09-28 | 西南交通大学 | 一种行驶轨迹的优化方法、装置、设备及可读存储介质 |
EP4030370A1 (en) * | 2021-01-13 | 2022-07-20 | Tata Consultancy Services Limited | Method and system for fleet route optimization |
CN113434996B (zh) * | 2021-01-21 | 2023-04-25 | 北京建筑大学 | 装配式混凝土结构塔机吊装服务调度方法 |
CN113077106B (zh) * | 2021-04-16 | 2024-06-18 | 北京京东振世信息技术有限公司 | 一种基于时间窗的物品运输方法和装置 |
CN112884383B (zh) * | 2021-04-19 | 2024-04-05 | 上海海事大学 | 考虑时间窗约束的集装箱港口应急物资优化调运方法 |
CN115081674B (zh) * | 2022-05-09 | 2023-04-18 | 香港理工大学深圳研究院 | 新型卡车排队行驶模式下的本地集装箱运输排版优化方法 |
CN116205472B (zh) * | 2023-05-06 | 2023-08-04 | 华清科盛(北京)信息技术有限公司 | 基于生产任务的原料集装箱运输方案制定方法及*** |
CN116382099A (zh) * | 2023-06-02 | 2023-07-04 | 上海数字大脑科技研究院有限公司 | 一种机器人路径调度规划方法及*** |
CN116777064B (zh) * | 2023-06-20 | 2024-03-01 | 广东工业大学 | 基于非一刀切约束和分支定价算法的二维装箱方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186879A (zh) * | 2013-01-30 | 2013-07-03 | 广州智盈网络科技有限公司 | 公路运输调度方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN104036380A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 基于混沌免疫算法的多车型流水线物流运输调度方法 |
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
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 |
CN107909200A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 一种高效的集装箱码头装卸调度装置 |
CN108665179A (zh) * | 2018-05-17 | 2018-10-16 | 北京顺丰同城科技有限公司 | 物流调度方法、装置、电子设备以及计算机可读存储介质 |
CN108985597A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种动态物流调度方法 |
WO2020086109A1 (en) * | 2018-10-26 | 2020-04-30 | Siemens Aktiengesellschaft | Receding horizon planning for logistics |
CN111091238A (zh) * | 2019-12-03 | 2020-05-01 | 青岛港国际股份有限公司 | 一种自动化集装箱码头agv智能化调度方法 |
CN111242368A (zh) * | 2020-01-09 | 2020-06-05 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN103218667A (zh) * | 2012-11-26 | 2013-07-24 | 天津工业大学 | 一种基于禁忌搜索的集装箱码头装船计划优化方法 |
US9061843B2 (en) * | 2013-10-17 | 2015-06-23 | Navis Llc | System and method for integral planning and control of container flow operations in container terminals |
CN107392402B (zh) * | 2017-09-11 | 2018-08-31 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及*** |
-
2020
- 2020-07-29 CN CN202010743168.7A patent/CN112001064B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186879A (zh) * | 2013-01-30 | 2013-07-03 | 广州智盈网络科技有限公司 | 公路运输调度方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN104036380A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 基于混沌免疫算法的多车型流水线物流运输调度方法 |
CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
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 |
CN107909200A (zh) * | 2017-11-13 | 2018-04-13 | 浙江大学 | 一种高效的集装箱码头装卸调度装置 |
CN108665179A (zh) * | 2018-05-17 | 2018-10-16 | 北京顺丰同城科技有限公司 | 物流调度方法、装置、电子设备以及计算机可读存储介质 |
CN108985597A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种动态物流调度方法 |
WO2020086109A1 (en) * | 2018-10-26 | 2020-04-30 | Siemens Aktiengesellschaft | Receding horizon planning for logistics |
CN111091238A (zh) * | 2019-12-03 | 2020-05-01 | 青岛港国际股份有限公司 | 一种自动化集装箱码头agv智能化调度方法 |
CN111242368A (zh) * | 2020-01-09 | 2020-06-05 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
Non-Patent Citations (2)
Title |
---|
Solving the Dynamic Vehicle Routing Problem Under Traffic Congestion;Gitae Kim等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20160831;第2367-2380页 * |
集装箱码头卸船作业调度方案的两阶段禁忌搜索算法;曾庆成等;《交通运输工程学报》;20070415(第02期);第109-112+122页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001064A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001064B (zh) | 一种集装箱码头间全自主水上运输调度方法及*** | |
WO2022021119A1 (zh) | 一种集装箱码头间全自主水上运输调度方法及*** | |
Yan et al. | Reinforcement learning for logistics and supply chain management: Methodologies, state of the art, and future opportunities | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和*** | |
Le-Anh et al. | A review of design and control of automated guided vehicle systems | |
Rashidi et al. | Novel constraints satisfaction models for optimization problems in container terminals | |
CN111861205B (zh) | 一种自动化集装箱码头出口箱空间分配方法 | |
Skinner et al. | Optimisation for job scheduling at automated container terminals using genetic algorithm | |
Coltin et al. | Scheduling for transfers in pickup and delivery problems with very large neighborhood search | |
CN114548861A (zh) | 基于数字孪生的仓库管理方法 | |
Benantar et al. | On the integration of container availability constraints into daily drayage operations arising in France: Modelling and optimization | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
CN111459108A (zh) | 拖挂式多agv***的任务分配及无冲突路径规划方法 | |
Ibrahim et al. | An improved genetic algorithm for vehicle routing problem pick-up and delivery with time windows | |
Grippa | Decision making in a UAV-based delivery system with impatient customers | |
CN115860613A (zh) | 一种考虑预约机制的零担车货匹配及车辆调度方法 | |
CN114663011A (zh) | 一种自动化码头agv的调度方法 | |
CN116629424A (zh) | 新型集装箱堆场作业模式的自动化双场桥智能调度方法 | |
CN117291491A (zh) | 一种考虑动态风速风向的城市物流无人机路径规划方法 | |
Alaia et al. | Optimization of the multi-depot & multi-vehicle pickup and delivery problem with time windows using genetic algorithm | |
Singh et al. | Dispatching AGVs with battery constraints using deep reinforcement learning | |
Pal et al. | SmartPorter: A combined perishable food and people transport architecture in smart urban areas | |
CN113610453A (zh) | 一种多运输方式联合的集装箱运输路径选择方法 | |
WO2024032376A1 (zh) | 基于混合遗传算法的车辆路径优化方法及应用 | |
CN114846492A (zh) | 在终点站中操作一个或多个载具和/或设备的方法以及相关装置和*** |
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 |