CN112884383B - 考虑时间窗约束的集装箱港口应急物资优化调运方法 - Google Patents

考虑时间窗约束的集装箱港口应急物资优化调运方法 Download PDF

Info

Publication number
CN112884383B
CN112884383B CN202110420026.1A CN202110420026A CN112884383B CN 112884383 B CN112884383 B CN 112884383B CN 202110420026 A CN202110420026 A CN 202110420026A CN 112884383 B CN112884383 B CN 112884383B
Authority
CN
China
Prior art keywords
time
time window
container
port
card
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
Application number
CN202110420026.1A
Other languages
English (en)
Other versions
CN112884383A (zh
Inventor
许波桅
汪雨晴
李军军
杨勇生
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 Maritime University
Original Assignee
Shanghai Maritime University
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 Maritime University filed Critical Shanghai Maritime University
Priority to CN202110420026.1A priority Critical patent/CN112884383B/zh
Publication of CN112884383A publication Critical patent/CN112884383A/zh
Application granted granted Critical
Publication of CN112884383B publication Critical patent/CN112884383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供一种考虑时间窗约束的集装箱港口应急物资优化调运方法，包含步骤：S1、以最小化集装箱在港总成本为目标建立目标函数，以集港时间、闸口为船舶分配的外集卡数量、外集卡的排队长度与平均等待时间、堆场内集装箱的占用空间及占用时间作为约束，建立上层模型，为船舶对应的外集卡任务规划时间窗，该时间窗为外集卡运送集装箱的起止时段；S2、基于船舶对应外集卡任务的优先级，以最小化时间窗调整成本为目标，建立下层模型调整所述时间窗；S3、基于L‑CGA算法，进一步优化调整后的时间窗为对应的真实时间窗，外集卡基于船舶的所述真实时间窗执行任务。本发明可以有效减少集装箱在港总成本，优化外集卡到达模式，确保应急物资的优先调运。

Description

考虑时间窗约束的集装箱港口应急物资优化调运方法
技术领域
本发明涉及集装箱港口物资调运领域，特别涉及一种考虑时间窗约束的集装箱港口应急物资优化调运方法。
背景技术
随着经济的发展，集装箱港口生产作业繁忙、装卸压力大，尤其是应急物资的运输的面临更严峻的考验。由于时间紧迫性，需要保证应急物流各环节高效快速地开展，针对这些情况，交通运输部门积极展开工作，用以保障应急物资的顺利运输。港口物流任务繁重容易导致集装箱港口正常运作的中断，影响到港船舶的原计划生产作业，需要采取相应的应急措施来确保紧急物资的顺利运输。为了尽可能的降低对我国人民生活、行业生产、经济发展造成的影响，必须构建一套行之有效的集装箱港口应急物资优先调运方案，当集装箱港口发生突发事件，影响正常生产作业时，集装箱港口应当对物资、人员、设备等进行紧急调度以保障集装箱港口正常作业。
虽然近年来，我国政府越来越重视集装箱港口应急物流的发展，也相继颁发集装箱港口应急物流的管理办法，但是我国的集装箱港口应急能力依然有所欠缺。
集装箱港口实施应急物资的优先调运，要考虑避免运输应急物资的外集卡集中到港造成港口拥堵，以及对运输应急物资的外集卡进行优先调运。目前主要从集装箱港口拥堵和应急物流两个部分进行研究。
1)集装箱港口拥堵的相关研究
集装箱港口拥堵已经成为当下企业以及学术业关注的热点问题，许多研究提出了解决集装箱港口拥堵的方法措施，例如AGV路径规划、集卡预约***、拥堵收费，以及一些其他解决措施。
Yang,Y等考虑了岸桥、AGV的集成调度，并构建了双层规划模型。He,J等研究了一个考虑不确定性和交通拥堵的堆场规划问题，建立了一个两阶段随机规划模型，用以最小化总运输距离。但以上并没有考虑到时间窗的约束问题，时间窗的问题是客观存在的，不考虑时间窗约束是一种理想状态，不符合现实情况。
因此对于时间窗问题，国内外学者做出了以下研究。Ding,L等在文章中主要研究混合时间窗约束下考虑规模效应的运输组织协调问题，结合传统的信息交换模式，建立一个适合多式联运站信息互联互通的电子平台。Ku,D在研究中，考虑了集装箱的出发时间窗，提出了一个随机动态规划模型，用于计算具有出发时间窗的一组集装箱的最小期望改组次数。Ng,M通过考察集装箱港口在有时间窗的情况下的船舶调配方法，更换了可部署船舶数量的单独限制。Nossack,J等解决了联运集装箱运输中出现的卡车调度问题，运输的卡车必须在客户和码头施加的硬时间窗口限制下进行路线安排和调度，以最大限度地减少卡车的总运行时间。Shiri,S等指出联运码头要求集卡预约，并且每辆卡车必须在指定的时间窗口内在客户地点装卸集装箱，结果表明开发的集成模型能够找到最佳解决方案。以上的研究运用时间窗解决港口集成调度、运输调度等问题。
还有学者将时间窗约束进一步运用到解决港口拥堵的问题中，例如Chen,G等提出了一种称为“依赖于船只的时间窗口”的方法来控制卡车到达。Ma,M等建立了描述闸口和堆场车辆排队过程的两阶段排队模型，建立了基于船舶相关时间窗的预约***。Chen,G等为了解决码头闸口处的拥挤问题，提出了一种基于卡车-船只服务关系的有时间窗的管理卡车到达的解决方案。Assadipour,G等考虑每个起重机特定的可用时间窗，以最大限度地减少集装箱在码头上花费的时间。
虽然现有技术也有运用时间窗来解决集装箱港口的拥堵问题，但是仅考虑陆侧闸口处和堆场的相关约束，而没有综合考虑到陆侧和海滨的协作规划，用以解决集装箱压箱、生产作业繁忙和集装箱港口拥堵等问题。
2)应急物流的相关研究
应急物流调度在现代社会显得越来越重要，许多研究提出了解决措施。J.P.Minas等在文章中对应急响应操作文献进行了全面的调查。研究有助于加强应急反应行动的理论基础。Bingsheng Liu等开发了一个基于效率的路径模型，以确定整个运输网络的可行救援路线，从而实现总救援效率最大化的目标。Pedram Memari等研究的目的是在自然灾害发生后，通过最大限度的覆盖，将一些临时应急站分布在整个区域。Qi,C.等为了减少地震造成的损失，设计并实现了一个基于地理信息***的震后应急物资配送运输决策支持***。
但是现有的研究大多仅考虑某个特殊情况下的应急物流调度模型，并且大多是基于理想场景的，考虑到信息的不确定性，许多学者对于不确定的场景进行了以下的研究，Lin Lu and Xiaochun Luo在研究中指出突发事件充满了大量的不确定信息，因此在文中提出了一种新的应急运输模型，模拟了从物流中心到各灾区以及各灾区之间的应急运输场景。Wang F等基于自然救援过程的不确定性和持续性特征，建立了多目标多时段应急资源分配模型，实现救援物资的有效分配和运输路线的合理选择。
也有学者针对交通运输领域做出了以下研究，Chen Y等回顾了城市公共交通安全问题、交通控制方法和应急公共交通规划，在此基础上提出了紧急交通控制措施。ZiyuanLiu等采用蚁群-禁忌混合算法建立了医院与临时贮存站之间医疗废弃物的运输效率模型，在一定程度上解决了基于中转暂存站的医疗废弃物处置问题。Pacheco,J.和Laguna,M.考虑到随着应急物资数量迅速增加，产生了一个车辆路径问题，分层处理目标函数，第一个目标最小化最长路线的运输时间，第二个目标是最小化总行驶距离。
以上均没有涉及到集装箱港口作业的具体调度，以及优先对应急物资进行运输管理。因此，考虑到应急物资运输的紧迫性，提出一种考虑时间窗约束的集装箱港口应急物资优化调运方法对集装箱港口紧急物资实行优先调运，具有重要的研究意义和研究价值。
发明内容
本发明的目的是提供一种考虑时间窗约束的集装箱港口应急物资优化调运方法，首先以最小化集装箱在港总成本为目标建立上层模型，为外集卡规划到港时间窗(最早到港时间至最晚到港时间)；然后基于船舶对应外集卡的运输任务优先级，以最小化时间窗调整成本为目标，建立下层模型调整所述时间窗；最后基于Logistic映射的混沌遗传算法，进一步优化调整后的时间窗为对应的真实时间窗，外集卡基于所述真实时间窗到达闸口进行作业。本发明能够减少港区拥堵、降低堆场占用成本，并能够对应急物资进行优先调运。
为达到上述目的，一种考虑时间窗约束的集装箱港口应急物资优化调运方法，包含步骤：
S1、以最小化集装箱在港总成本为目标建立目标函数，以集港时间、闸口为船舶分配的外集卡数量、外集卡的排队长度与平均等待时间、堆场内集装箱的占用空间及占用时间作为约束，建立上层模型，为外集卡任务规划外集卡到达的时间窗；所述时间窗为外集卡最早运送集装箱到港时间至外集卡最晚运送集装箱到港时间的时段；
S2、基于船舶对应外集卡任务的优先级，以最小化时间窗调整成本为目标，建立下层模型调整所述时间窗；
S3、基于L-CGA算法，进一步优化由下层模型调整后的时间窗为对应的真实时间窗，外集卡基于船舶的所述真实时间窗到港。
可选的，步骤S1中所述目标函数为：
minTC＝∑i∑tW1+∑i∑tW2+∑tW3＝∑i∑tWCOit+∑i∑tYCDit+∑tPCt； (1)
其中，
W2＝YCDit＝(TV+AC)×Dit×f'it； (3)
TC为集装箱在港总成本；i为船舶编号，i＝1,2…I；t表示时间，t＝1,2…T；WCOit表示第i船在时间t的等车费用及油耗；A表示每辆卡车每小时等待时间的单位成本；B表示每辆卡车每小时燃烧消耗的单位成本；f'it表示在时间t为第i船重新分配的外集卡到达次数；为到达时间t的外集卡平均等待时长，单位为小时；YCDit为第i船在时间t的堆场费用和储存时间费用；TV为每小时每标准箱货物的储存时间值；AC为每集装箱每小时的堆场费；Dit为第i船在时间t内到达的集装箱平均储存时长，单位为小时；PCt表示在时间t堆场空间不足的惩罚费用；Ot为在时间t占用的堆场空间；Y为堆场总库存容量。
可选的，步骤S1中所述约束包含：
TBit-TAit＝Tl； (5)
TAit+Tk≥ERit； (6)
TBit+6≤ERit； (7)
Tl≥6； (8)
TAit,TBit为正整数； (9)
f'it＝fit+fi(t+24×7)+fi(t-24×7)； (11)
nt＝max(nt-1+∑if'it-H,0)； (12)
Ot-1TLit+∑iQi≤Y； (15)
Ot＝Ot-1+∑iQi(TFit-TLit)； (16)
TV＝VC×r； (18)
其中，ERit表示第i船预计到达时间；Tl为所述时间窗的时长；Tk表示开始集港时间不早于船舶到港时间Tk小时；TAit为时间窗的起点，TBit为该时间窗的终点；H为闸口处理率，单位为：辆/小时；fit表示在时间t第i船的外集卡到达次数；nt表示时间t的外集卡排队长度；g为闸口编号，g＝1,2…G；Vii为装在第i船上的集装箱数量；ERit表示第i船预计到达时间；Qi为第i船的集装箱装载量；VC为一件集装箱货物的平均价值；r为小时利率；Dit为第i船的集装箱截止于时间t的平均储存时间，单位：小时；TV为每小时每标准箱货物储存的时间成本；
λit为时间t到达堆场的外集卡数量；dit为闸口g在时间t的外集卡离开量；AQit为到达闸口运送第i船集装箱的外集卡数量；Ei表示与第i船对应的集装箱数量。
可选的，步骤S2中所述下层模型的目标函数为：
其中，l为集装箱编号，l＝1,2,…,L；j为外集卡编号j＝1,2,…,J；
TAit′为调整后时间窗的起点，TBit′为调整后时间窗的终点；N为划分后的时间窗个数；为调整成本。
可选的，步骤S2中所述下层模型包含约束：
TAit≤TRit≤TBit； (27)
TAit-TAit′≤2； (33)
其中，表示优先等级；T为港口工作时间；k为到港外集卡的服务顺序；M表示设定的单位时间窗步长，m＝1,2…M；TRit表示闸口实际开始处理外集卡任务的时刻；表示港口装运第l集装箱的终点时间；/>表示港口装运第l+1集装箱的起点时间；TRit为闸口实际开始处理外集卡任务的时刻；
Zjm:外集卡j在时间窗口m内到达；
Yim:时间窗口m内处理船舶i的任务。
可选的，步骤S3包含：
S31、令Ta＝(TA1t a,TA2t a,…,TARt a,TB1t a,TB2t a,…TBRt a)为下层模型的一个可行解，将其作为一个染色体，该染色体的长度为L，L＝2R，R为外集卡任务总个数，一辆外集卡有且只有一个外集卡任务；TAit a为下层模型输出的第i个外集卡任务的时间窗起点，TBit a为下层模型输出的第i个外集卡任务的时间窗终点；TAit a、TBit a分别作为该染色体的第i、第i+R个基因；i∈[1,R]；下层模型所有可行解的集合KXJ＝[T1,…,TM′]构成一个种群；a∈[1,M′]，M′为下层模型所有可行解个数；
S32、以L10为第一初始值，基于L10生成对应的第一混沌序列log1＝{L11,L12,…}，其中L1p+1＝μL1p(1-L1p)；以L20为第二初始值，基于L20生成第二混沌序列log2＝{L21,L22,…}，其中L2p+1＝μL2p(1-L2p)；0＜L10,L20＜1；p＝1,2,…；记CS＝1，CS为迭代次数；DDYZ为预设的迭代次数阈值；μ为设定的常数；
S33、计算染色体Ta的适应度值fa，a∈[1,M′]；所述适应度值为基于对应的染色体计算得到的集装箱在港总成本的倒数；令fb＝max(f1,…,fM′)，b∈[1,M′]，将Tb作最优染色体；
S34、生成与迭代次数CS对应的随机数xCS，0＜xCS＜1；令Pc为预先设定的交叉概率；当xcs＞Pc，进入S35；否则进入S36；
S35、通过轮盘赌选择法从KXJ-{Tb}选取两个染色体Ta1、Ta2；a1,a2∈[1,M′]；其中染色体Ta1、Ta2被选取的概率分别为Pa1、Pa2：
fa1、fa2分别为Ta1、Ta2的适应度值；基于L1CS生成交叉点jc，对Ta1、Ta2执行交叉操作，更新Ta1、Ta2；其中L1CS∈log1；进入S36；
S36、令Pm为预先设定的变异概率；当xCS＞Pm，进入S37；否则进入S38；
S37、通过轮盘赌选择法从KXJ-{Tb}选取一个染色体Ta3，a3∈[1,M′]；染色体Ta3被选取的概率为
其中，fa3为Ta3的适应度值；基于L2CS生成变异点by，对Ta3执行变异操作更新Ta3；其中L2CS∈log2；
S38、CS加1；当CS小于DDYZ，进入S32；否则，计算种群中所有染色体的适应度值，输出适应度值最高的一个染色体，记该染色体为Ta4＝(TA1t a4,TA2t a4,…,TARt a4,TB1t a4,TB2t a4,…TBRt a4)；a4∈[1,M′]；令TAit a4为第i个外集卡任务的真实时间窗起点，TBit a4为第i个外集卡任务的真实时间窗终点。
可选的，步骤S35中基于L1CS生成交叉点的方法为：jc＝L1CS+1*L；所述交叉操作包含：将Ta1的第p′个基因与Ta2的第p′个基因互换；p′∈[jc,L]。
可选的，步骤S37中所述基于L2CS生成变异点by，对Ta3执行变异操作更新Ta3，包含：
S371、基于L2CS生成变异点by：by＝L2CS+1*L；若by＜R，进入S372；否则进入S373；
S372、染色体Ta3中的第by个基因TAbyt a3为时间窗起点，TBbyt a3为与TAbyt a3对应的时间窗终点；更新TAbyt a3，使得更新后的TAbyt a3满足约束：
TBbyt a3-TAbyt a3＝Tl；
TAbyt a3+Tk≥ERit；
TBbyt a3+6≤ERit；
Tl≥6；
TAbyt a3、TBbyt a3为正整数；
S373、染色体Ta3中的第by个基因TBby′t a3为时间窗起点，by′＝by-R，TAby′t a3为与TBby′t a3对应的时间窗起点；更新TBby′t a3，使得更新后的TBby′t a3满足约束：
TBby′t a3-TAby′t a3＝Tl；
TAby′t a3+Tk≥ERit；
TBby′t a3+6≤ERit；
Tl≥6；
TAby′t a3、TBby′t a3为正整数。
与现有技术相比，本发明的有益效果在于：
本发明通过双层模型和L-CGA算法优化外集卡到达的时间窗，可以有效减少集装箱在港总成本，减少堆场占用成本和空间，同时确保应急物资的优先调运，减少各船对应外集卡的时间窗重叠部分，优化外集卡到达模式，减少外集卡排队等待的时间，有效缓解港口拥堵问题的同时，实现应急物资的优先调运。
附图说明
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
图1为本发明的上层模型示意图；
图2为本发明的下层模型示意图；
图3为本发明的实施例中两条染色体进行交叉的示意图；
图4为本发明的实施例中，染色体变异示意图；
图5为本发明的实施例中，通过L-CGA算法优化时间窗示意图；
图6为外集卡作业流程图；
图7为通过遗传算法、自适应的遗传算法和本发明的L-CGA算法迭代得到种群最优值的收敛曲线对比图；
图8为通过遗传算法、自适应的遗传算法和本发明的L-CGA算法迭代得到种群最优值所需时长的对比图；
图9为遗传算法、自适应的遗传算法和本发明的L-CGA算法的迭代求解结果对比图；
图10为上层模型输出的时间窗与通过L-CGA算法生成的时间窗对比图；
图11为遗传算法、自适应的遗传算法和本发明的L-CGA算法下外集卡到达两对比图；
图12为本发明的考虑时间窗约束的集装箱港口应急物资优化调运方法流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
本发明针对紧急物资的运输需求，提出在集装箱港口实施外集卡到达时间窗优化策略和应急物资优先调运策略，对紧急物资进行优先调运，确保应急物资第一时间送达目的地。本发明通过构建集装箱港口应急物资优先调运的双层优化模型(包含上层模型和下层模型)规划外集卡任务的时间窗；并通过L-CGA(基于Logistic映射的混沌遗传算法)算法基于双层优化模型的输出结果，迭代得到最优解作为外集卡工作的真实时间窗，得出应急物资优先调运的最优方案。
本发明中上、下层模型建立的前提条件为：
(1)在生成时间窗规划前，已经知道即将到来的船舶信息；
(2)由于集装箱船舶为周班轮，使用每周到达模式，因此研究集装箱码头一周内的到港船舶的集港作业；
(3)每艘船集装箱装卸数量已知，集装箱规格都假定是长度为20英尺的标准集装箱；
(4)码头的每个闸口处理速度一致；
(5)每台场桥的服务效率一致，且场桥每移动一次消耗的能量是相同的。
上层模型所涉及的各参数定义：
上层模型的输入变量：
i：船舶编号，i＝1,2…I；
t：时间，t＝1,2…T；
g:闸口；g＝1,2…G；
ERit：第i船预计到达时间；
ELit：第i船预计离港时间(h)；
Qi：第i船集装箱装载量；
H：闸口处理率(辆/小时)；
A：每辆卡车每小时等待时间的单位成本；
B：每辆卡车每小时燃烧消耗的单位成本；
AC：每集装箱每小时的堆场费；
VC：一件集装箱货物的平均价值；
r：小时利率；
Y：堆场总库存容量；
Tl：时间窗的长度；
Tk：开始集港时间不早于船舶到港时间Tk小时；
上层模型的派生变量:
WCOit：第i船在时间t的等车费用及油耗；
YCDit：第i船在时间t的堆场费用和储存时间费用；
PCt：t时堆场空间不足的惩罚费用；
fit：t时第i船的外集卡到达次数；
f'it：在t时为第i船重新分配的外集卡到达次数；
nt：t时的排队长度(以排队车辆的数量来衡量)；
到达时间t的卡车平均等待时间(小时)；
Dit：第i船在时间t内到达的集装箱平均储存时间(小时)；
TV：每小时每标准箱货物的储存时间成本；
Ot：t时占用的堆场空间；
λit：t时刻代表的时段内到达堆场的集卡数量；
dit：闸口通道g在t时刻代表的时段内的集卡离开量；
AQit：到达港口闸口运送第i船集装箱的外集卡数量；
Ei：与第i船对应的集装箱数量；
装在第i船上的集装箱数量；
TAit：时间窗口的起点(外集卡运送集装箱任务的开始时间)；
TBit:时间窗口的终点(外集卡运送集装箱任务的结束时间，即时间窗的终点)；
ERit表示第i船预计到达时间。
TC为集装箱在港总成本；
下层模型参数定义：
l:集装箱；l∈L；
j:外集卡；j∈J；
k:到港外集卡的服务顺序；
S：时间窗容量(可处理的最大任务数)；
T：港口工作时间；
M：单位时间窗步长(以时间为长度)；
N：划分后时间窗口个数；
TRit:闸口实际开始处理外集卡任务的时刻；
TAit′:调整后的时间窗起点；
TBit′:调整后的时间窗终点；
Zjm:外集卡j在时间窗口m内到达；
Yim:时间窗口m内处理船舶i的任务；
调整成本；
优先等级；
港口装运第l集装箱的终点时间；
港口装运第l+1集装箱的起点时间；
如图12所示，本发明提供一种考虑时间窗约束的集装箱港口应急物资优化调运方法，包含步骤：
S1、以最小化集装箱在港总成本为目标，以集港时间、闸口为船舶分配的外集卡数量、外集卡的排队长度与平均等待时间、堆场内集装箱的占用空间及占用时间作为约束，建立上层模型，为外集卡任务规划外集卡到达的时间窗；所述时间窗为外集卡最早运送集装箱到港时间至外集卡最晚运送集装箱到港时间的时段；
上层模型求解出的外集卡任务时间窗作为下层模型的输入，上层模型框架如图1所示，当集装箱港口接收到船舶到达通知时，综合考虑陆侧和海滨的协作规划，对相应的任务时间窗做出安排。针对集装箱在港的所有流程来讲，集装箱的在港总成本为外集卡的的等待时间以及燃料消耗的费用、堆场费用和储存时间费用，另外当堆场压箱严重，为了防止外集卡送箱过来时堆场没有空位储存集装箱，造成不必要的等待时间以及额外的费用，因此设置一个堆场空间不足的惩罚成本。外集卡的到达要满足与船只相关的时间窗约束，同时应该确保集装箱在港的总成本最小，上层模型的目标函数可用公式(1)表示：
minTC＝∑i∑tW1+ΣiΣtW2+ΣtW3＝ΣiΣtWCOit+ΣiΣtYCDit+ΣtPCt； (1)
其中，
W2＝YCDit＝(TV+AC)×Dit×f'it； (3)
公式(2)为外集卡总费用，其中包括外集卡的等待时间以及燃料消耗的费用。公式(3)为集装箱在港的堆场费用和储存时间费用。W3为t时堆场空间不足的惩罚费用，在特殊天气或作业繁忙时，许多货主不能及时提走集装箱，导致了港口堆场大批量集装箱积压和滞港现象，导致库存上升，极有可能造成拥堵。因此设置一个惩罚费用，避免外集卡送箱过来时堆场没有存储位置，其中Ot为t时占用的堆场空间，Y为堆场总库存容量，当在t时所需要占用的堆场空间大于堆场总库存容量时，设置一个较大的惩罚成本，而当所需堆场空间小于堆场库存总容量时，惩罚成本为0。
上层模型的约束包含：
TBit-TAit＝Tl； (5)
TAit+Tk≥ERit； (6)
TBit+6≤ERit； (7)
Tl≥6； (8)
TAit,TBit为整数；(9)
公式(5)表示外集卡到任务的时间窗的长度为Tl小时；公式(6)表示开始集港时间不早于船舶到港时间Tk小时；公式(7)表示集港工作要在船舶到港前6小时完成。公式(8)是指每个时间窗的起点应至少比终点早6小时，即实际中时间窗的最小长度为6小时；公式(9)确保与第i船相关的外集卡送货时间的开始和结束时间是整数。
f'it＝fit+fi(t+24×7)+fi(t-24×7)； (11)
nt＝max(nt-1+∑if'it-H,0)； (12)
公式(10)-(13)是在闸口处的相关约束，公式(10)是在t时第i船的外集卡到达量；公式(11)表示t时为第i船重新分配的卡车到达量；公式(12)t时港口闸口处的外集卡排队长度，排队的长度用排队车辆的数量来衡量；公式(13)指到达时间为t的卡车在闸口的平均等待时间。
Ot-1TLit+∑iQi≤Y； (15)
Ot＝Ot-1+∑iQi(TFit-TLit)； (16)
TV＝VC×r； (18)
公式(14)为在t时刻代表的的时段内堆场的集卡到达量；公式(15)确保占用的堆场空间在任何时间内都不超过码头的总存储容量；公式(16)是指t时占用的堆场空间；公式(17)指第i船在时间t内到达的集装箱平均储存时间；公式(18)为每小时每标准箱货物的储存时间成本，这个值等于每件集装箱货物的平均价值乘以小时利率；公式(19)计算与在时间t到达港口的第i船对应的集装箱的数量。
S2、基于船舶对应外集卡任务的优先级，以最小化时间窗调整成本为目标，建立下层模型调整所述时间窗；
上层模型输出的时间窗也成为初始时间窗，由于上层模型求解出的时间窗口跨度较大，不同外集卡任务的时间窗很可能会有重叠部分。当重叠部分有较多的外集卡任务，可能会造成港口拥堵，因此需要将初始时间窗输入到下层模型，通过下层模型对初始时间窗做出调整。
下层模型以外集卡任务调整时间窗成本最小为目标，根据外集卡任务的优先等级，等级高的外集卡调整成本越高，确保紧急物资优先调运，将优先级低任务的时间窗往后调整，最终会得到一个调整成本最低的外集卡任务时间窗方案。本发明中下层模型如图2所示。
下层模型的目标函数为：
优选的，步骤S2中所述下层模型包含约束：
公式(21)-(22)用来定义优先级，外集卡装载的集装箱优先权在整个港口作业期间保持不变。将任务等级分为I、II、III，对应的外集卡装载集装箱的优先权用某一具体小数表示，用表示，优先级等级越高，权重越大，相对应的其优先权的值越小。
公式(23)用来计算细分后的时间窗口个数，其中T为港口工作时间，M为单位时间窗步长；公式(24)用来确保时间窗重叠范围内，经过调整，优先级高的外集卡进港时刻早于优先级低的外集卡：公式(25)确保调整后的外集卡任务时间窗仍在上层模型得出的初始时间窗内；公式(26)用来判断时间窗是否有重叠部分，当后一个任务的开始时间早于前一个任务的结束时间时，说明两个任务时间窗出现了重叠。
TAit≤TRit≤TBit； (27)
公式(27)-公式(30)表示与闸口相关的约束，其中公式(27)保证闸口实际开始处理外集卡任务的时刻在初始时间窗范围内；公式(28)确保每辆外集卡有且只有一个外集卡任务；公式(29)确保每辆外集卡有且只有一个闸口进行服务，只能被服务一次；公式(30)表示对于任一闸口在同一时刻最多处理一辆外集卡；公式(31)表示同一时刻进港的外集卡数量不超过闸口总数。
/>
TAit-TAit′≤2； (33)
公式(32)表示为同一艘船舶服务的外集卡在同一时间窗内进港；公式(33)表示具有重叠时间窗的外集卡任务调整范围在两个时间窗间隔以内。
S3、基于L-CGA算法，进一步优化调整后的时间窗为对应的真实时间窗，外集卡基于船舶的所述真实时间窗执行任务。L-CGA算法的流程。
由于遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低；易于陷入局部收敛，在寻优过程中易于出现抖振，算法收敛精度不高；并且容易产生早熟收敛的问题。本发明根据集装箱港口应急物资优先调运双层优化模型的特征，针对遗传算法存在的问题，在遗传算法中引入Logistic混沌序列。
如图5所示，步骤S3包含：
S31、令Ta＝(TA1t a,TA2t a,…,TARt a,TB1t a,TB2t a,…TBRt a)为下层模型的一个可行解，将其作为一个染色体，该染色体的长度为L，L＝2R，R为外集卡任务总个数，一辆外集卡有且只有一个外集卡任务；TAit a为下层模型输出的第i个外集卡任务的时间窗起点，TBit a为下层模型输出的第i个外集卡任务的时间窗终点；TAit a、TBit a分别作为该染色体的第i、第i+R个基因；i∈[1,R]；下层模型所有可行解的集合KXJ＝[T1,…,TM′]构成一个种群，种群中的一条染色体也称为该种群的一个个体；a∈[1,M′]，M′为下层模型所有可行解个数；在本发明的一些实施例中，还会基于约束条件(5)至(9)对种群中的个体进行随机初始化；确保每个个体都是可行的。
S32、以L10为第一初始值，基于L10生成对应的第一混沌序列log1＝{L11,L12,…}，其中L1p+1＝μL1p(1-L1p)；以L20为第二初始值，基于L20生成第二混沌序列log2＝{L21,L22,…}，其中L2p+1＝μL2p(1-L2p)；0＜L10,L20＜1；p＝1,2,…；记CS＝1，CS为迭代次数；DDYZ为预设的迭代次数阈值；μ为设定的常数。
混沌是指发生在确定性***中的一种非周期性的循环行为，能够不重复地经历一定范围内所有状态，具有极大的遍历性，利用混沌的随机性和遍历性构造混沌算子，在遗传算法中引入混沌序列能够防止传统遗传算法由于随机特性出现群体聚集问题，增强了全局搜索特性。在本发明的实施例中，μ＝4使得第一、第二混沌序列到达完全混沌。
S33、计算染色体Ta的适应度值fa，a∈[1,M′]；所述适应度值为基于对应的染色体计算得到的集装箱在港总成本TC的倒数；该倒数通过公式(1)-(5)，以及公式(10)-(13)得来，其中在套用公式(10)时，采用Ta中包含的时间窗起点/终点代替上层模型输出的初始时间窗起点/终点。此处不再赘述。
S34、生成与迭代次数CS对应的随机数xCS，0＜xCS＜1；需要强调的是xCS不为定值，其在每次迭代中都会更新；令Pc为预先设定的交叉概率；当xcs＞Pc，进入S35(进行交叉操作)；否则进入S36；
S35、通过轮盘赌选择法从KXJ-{Tb}选取两个染色体Ta1、Ta2；a1,a2∈[1,M′]；其中染色体Ta1、Ta2被选取的概率分别为Pa1、Pa2：
fa1、fa2分别为Ta1、Ta2的适应度值；基于L1CS生成交叉点jc，jc＝L1CS+1*L；
对Ta1、Ta2执行交叉操作(此时Ta1、Ta2也称为父代染色体)，所述交叉操作包含：将Ta1的第p′个基因与Ta2的第p′个基因互换；p′∈[jc,L]。更新Ta1、Ta2(更新后的Ta1、Ta2也称为子代染色体)；其中L1CS∈log1。进入S36。
在本发明的实施例一中，外集卡任务总个数为10个，染色体长度为20。
图3为染色体交叉示意图，父代1和父代2为基于下层模型的两个可行解生成的染色体。父代1与父代2进行交叉后分别生成对应的下一代染色体子代1和子代2。图3中TA为任务的开始时间，TB为任务的结束时间，例如TA1＝8,TB1＝21表示外集卡任务1(简称任务一)的时间窗为(8，21)，外集卡运送对应集装箱任务的最早时间为8，最迟时间为21。通过混沌序列生成交叉点13，则在TB3对应的位置开始交叉。TA1与TB1的第13至20个基因对应的互换。这种单点交叉对原来的解改动很小，可以削弱避免遗传算法在组合优化应用中产生的寻优抖振问题，可以提高算法收敛精度。
S36、令Pm为预先设定的变异概率；当xCS＞Pm，进入S37；否则进入S38；
S37、通过轮盘赌选择法从KXJ-{Tb}选取一个染色体Ta3，a3∈[1,M′]；染色体Ta3被选取的概率为
其中，fa3为Ta3的适应度值；基于L2CS生成变异点by＝L2CS+1*L；所述变异操作包含：改变染色体Ta4中的第by个基因为且/>满足设定的约束：
对Ta3执行变异操作，更新Ta3；其中L2CS∈log2；
如图4所示，xCS＝0.3时，xCS+1＝4×0.3(1-0.3)＝0.84＞0.1，利用C＝(int)xCS+1*L确定变异点位置，by＝int(0.84*20)＝16，所以在TB6的位置进行变异操作，得到变异后新的基因值，从而得到新的染色体。
TA6＝79,ER6＝104,根据公式(5)-(9),TB6-79≥6,TB6+6≤104,得出85≤TB6≤98，所以变异后的TB6为(85，98)中的一个随机整数值。
S38、CS加1；当CS小于DDYZ，进入S32；否则，计算种群中所有染色体的适应度值，输出适应度值最高的一个染色体，记该染色体为Ta4＝(TA1t a4,TA2t a4,…,TARt a4,TB1t a4,TB2t a4,…TBRt a4)；a4∈[1,M′]；令TAit a4为第i个外集卡任务的真实时间窗起点，TBit a4为第i个外集卡任务的真实时间窗终点。
本发明的L-CGA算法中，将当前可行的时间窗中最合适的解保留到下一代，进行交叉、变异操作，交叉可以有助于将优良染色体的片段遗传给后代,同时起全局搜索的作用,变异也是实现群体多样性的一种手段，是跳出局部最优，全局最优的重要保证，最终确保输出最优的外集卡到达时间窗。
实施例
将所提出的模型应用于实际数据预测，真实数据来源于一个吞吐量大、道路拥堵严重的中国集装箱港口，以一周为周期，包括每周的船舶停靠计划、相关的集装箱和集卡信息，图6为外集卡在港口的作业流程。以7日内停靠的10艘船舶为例，搜集这些船只的收发时间以及集装箱港口***数据和成本数据，对所提出的优化模型进行验证。表1是上下层模型的输入变量与输入值；表2船舶的预计到达时间与离开时间
表1输入变量与输入值
表2船舶的预计到达时间与离开时间
船只编号 预计到港时间 预计离港时间
1 周二4：00 周二18：00
2 周二22：00 周三21：00
3 周三20：00 周四9：00
4 周四2：00 周四18：00
5 周四16：00 周五2：00
6 周四20：00 周五16：00
7 周五22：00 周六13：00
8 周六2：00 周六16：00
9 周六8：00 周六23：00
10 周日0：00 周日9：00
结果分析：
为了测试所采用的港口应急物资优先调运双层优化模型和所提出的基于Logistic映射的混沌遗传算法(L-CGA)的适用性，在Matlab2018b中实现了仿真实验，将L-CGA的种群大小、交叉概率、变异概率和最大迭代次数分别设置为20、0.9、0.1和200，实验结果如图7至图9所示。
图7显示了遗传算法、自适应的遗传算法以及基于Logistic映射的混沌遗传算法种群最优值的收敛过程，基于Logistic映射的混沌遗传算法(L-CGA)在第35代后，种群最优值达到收敛，得到最小目标值。图8是三种算法求解时间的对比，图9是三种算法求解结果的对比，优化后的混沌遗传算法求解速度更快，求得的结果更优。综上，L-CGA收敛速度较快，可以收敛到最好的解，保持种群多样性的同时，增强了遗传算法的全局收敛性。
表3与船舶相关的外集卡任务时间窗
/>
表3中TA1＝12，TB1＝18是指任务1的开始时间为12，结束时间为18。一辆外集卡运送一个指定集装箱到港口为一个任务。
表4考虑应急物资优先调运后外集卡的作业时间窗
/>
表3为与船舶相关的外集卡任务时间窗，TA为时间窗的起点，TB为时间窗的终点，表格中为所有任务的具体作业时间窗(上层模型的输出结果)。表4为考虑应急物资优先调运后外集卡的作业时间窗，即为应急物资优先调度的最优方案(下层模型的输出结果)。
图10为L-CGA算法优化前后的外集卡到达时间窗对比结果，其中带有斜纹的矩形为优化前的时间窗，深灰色矩形为优化后的时间窗，从图10中可以看出时间窗的重叠部分显著减少，从优化前的124小时，减少为33小时，减少约73.39％。同时，总的任务时间窗由之前的264小时，减少为现在的121小时，减少约54.17％。
图11比较了不同算法下外集卡的到达情况，结果表明，使用基于Logistic映射的混沌遗传算法求解出的外集卡到达量更加均匀，降低了外集卡的集中到达量，使得峰值变低。
本发明研究了考虑时间窗约束的集装箱港口应急物资优先调运，通过构建集装箱港口应急物资优先调运双层优化模型，确保紧急物资的优先调运。因为集卡的不规律到达是造成码头闸口、堆场拥堵，集港效率不高的关键因素，同时考虑到堆场压箱严重的问题，通过加入堆场空间不足的惩罚费用，防止外集卡送箱过来时，堆场无空位存放，从而加重港口拥堵。使用基于Logistic映射的混沌遗传算法求解该双层优化模型。实验结果表明，本文所提出的双层优化模型和基于Logistic映射的混沌遗传算法提高了时间窗求解的速度和精度。降低了外集卡在港总成本，同时确保了应急物资的优先调运，减少时间窗的重叠部分，并且优化了外集卡的到达模式，减少外集卡排队等待的时间。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (1)

1.一种考虑时间窗约束的集装箱港口应急物资优化调运方法，其特征在于，包含步骤：
S1、以最小化集装箱在港总成本为目标建立目标函数，以集港时间、闸口为船舶分配的外集卡数量、外集卡的排队长度与平均等待时间、堆场内集装箱的占用空间及占用时间作为约束，建立上层模型，为外集卡任务规划外集卡到达的时间窗；所述时间窗为外集卡最早运送集装箱到港时间至外集卡最晚运送集装箱到港时间的时段；
S2、基于船舶对应外集卡任务的优先级，以最小化时间窗调整成本为目标，建立下层模型调整所述时间窗；
S3、基于Logistic映射的混沌遗传算法，进一步优化由下层模型调整后的时间窗为对应的真实时间窗，外集卡基于船舶的所述真实时间窗到港；
步骤S1中所述目标函数为：
minTC＝∑i∑tW1+∑i∑tW2+∑tW3＝∑i∑tWCOit+∑i∑tYCDit+∑tPCt； (1)
其中，
W2＝YCDit＝(TV+AC)×Dit×f′it； (3)
TC为集装箱在港总成本；i为船舶编号，i＝1,2…I；t表示时间，t＝1,2…T；WCOit表示第i船在时间t的等车费用及油耗；A表示每辆卡车每小时等待时间的单位成本；B表示每辆卡车每小时燃烧消耗的单位成本；f′it表示在时间t为第i船重新分配的外集卡到达次数；为到达时间t的外集卡平均等待时长，单位为小时；YCDit为第i船在时间t的堆场费用和储存时间费用；TV为每小时每标准箱货物的储存时间成本；AC为每集装箱每小时的堆场费；Dit为第i船在时间t内到达的集装箱平均储存时长，单位为小时；PCt表示在时间t堆场空间不足的惩罚费用；Ot为在时间t占用的堆场空间；Y为堆场总库存容量；
步骤S1中所述约束包含：
TBit-TAit＝Tl； (5)
TAit+Tk≥ERit； (6)
TBit+6≤ERit； (7)
Tl≥6； (8)
TAit,TBit为正整数； (9)
f′it＝fit+fi(t+24×7)+fi(t-24×7)； (11)
nt＝max(nt-1+∑if′it-H,0)； (12)
Ot-1TLit+∑iQi≤Y； (15)
Ot＝Ot-1+∑iQi(TFit-TLit)； (16)
TV＝VC×r； (18)
其中，ERit表示第i船预计到达时间；Tl为所述时间窗的时长；Tk表示开始集港时间不早于船舶到港时间Tk小时；TAit为时间窗的起点，TBit为该时间窗的终点；H为闸口处理率，单位为：辆/小时；fit表示在时间t第i船的外集卡到达次数；nt表示时间t的外集卡排队长度；g为闸口编号，g＝1,2…G；为装在第i船上的集装箱数量；Qi为第i船的集装箱装载量；VC为一件集装箱货物的平均价值；r为小时利率；Dit为第i船的集装箱截止于时间t的平均储存时间，单位：小时；TV为每小时每标准箱货物储存的时间成本；
λit为时间t到达堆场的外集卡数量；dit为闸口g在时间t的外集卡离开量；AQit为到达闸口运送第i船集装箱的外集卡数量；Ei表示与第i船对应的集装箱数量；
步骤S2中所述下层模型的目标函数为：
其中，l为集装箱编号，l＝1,2,…,L；j为外集卡编号j＝1,2,…,J；
TAit′为调整后时间窗的起点，TBit′为调整后时间窗的终点；N为划分后的时间窗个数；为调整成本；
步骤S2中所述下层模型包含约束：
TAit≤TRit≤TBit； (27)
TAit-TAit′≤2； (33)
其中，表示优先等级；T为港口工作时间；k为到港外集卡的服务顺序；
M表示设定的单位时间窗步长，m＝1,2…M；TRit表示闸口实际开始处理外集卡任务的时刻；表示港口装运第l集装箱的终点时间；/>表示港口装运第l+1集装箱的起点时间；TRit为闸口实际开始处理外集卡任务的时刻；
Zjm:外集卡j在时间窗口m内到达；
Yim:时间窗口m内处理船舶i的任务；
步骤S3包含：
S31、令Ta＝(TA1t a,TA2t a,…,TARt a,TB1t a,TB2t a,…TBRt a)为下层模型的一个可行解，将其作为一个染色体，该染色体的长度为L，L＝2R，R为外集卡任务总个数，一辆外集卡有且只有一个外集卡任务；TAit a为下层模型输出的第i个外集卡任务的时间窗起点，TBit a为下层模型输出的第i个外集卡任务的时间窗终点；TAit a、TBit a分别作为该染色体的第i、第i+R个基因；i∈[1,R]；下层模型所有可行解的集合KXJ＝[T1,…,TM′]构成一个种群；a∈[1,M′]，M′为下层模型所有可行解个数；
S32、以L10为第一初始值，基于L10生成对应的第一混沌序列log1＝{L11,L12,…}，其中L1p+1＝μL1p(1-L1p)；以L20为第二初始值，基于L20生成第二混沌序列log2＝{L21,L22,…}，其中L2p+1＝μL2p(1-L2p)；0＜L10,L20＜1；p＝1,2,…；记CS＝1，CS为迭代次数；DDYZ为预设的迭代次数阈值；μ为设定的常数；
S33、计算染色体Ta的适应度值fa，a∈[1,M′]；所述适应度值为基于对应的染色体计算得到的集装箱在港总成本的倒数；令fb＝max(f1,…,fM′)，b∈[1,M′]，将Tb作最优染色体；
S34、生成与迭代次数CS对应的随机数xCS，0＜xCS＜1；令Pc为预先设定的交叉概率；当xcs＞Pc，进入S35；否则进入S36；
S35、通过轮盘赌选择法从KXJ-{Tb}选取两个染色体Ta1、Ta2；a1,a2∈[1,M′]；其中染色体Ta1、Ta2被选取的概率分别为Pa1、Pa2：
fa1、fa2分别为Ta1、Ta2的适应度值；基于L1CS生成交叉点jc，对Ta1、Ta2执行交叉操作，更新Ta1、Ta2；其中L1CS∈log1；进入S36；
S36、令Pm为预先设定的变异概率；当xCS＞Pm，进入S37；否则进入S38；
S37、通过轮盘赌选择法从KXJ-{Tb}选取一个染色体Ta3，a3∈[1,M′]；染色体Ta3被选取的概率为
其中，fa3为Ta3的适应度值；基于L2CS生成变异点by，对Ta3执行变异操作更新Ta3；其中L2CS∈log2；
S38、CS加1；当CS小于DDYZ，进入S32；否则，计算种群中所有染色体的适应度值，输出适应度值最高的一个染色体，记该染色体为Ta4＝(TA1t a4,TA2t a4,…,TARt a4,TB1t a4,TB2t a4,…TBRt a4)；a4∈[1,M′]；令TAit a4为第i个外集卡任务的真实时间窗起点，TBit a4为第i个外集卡任务的真实时间窗终点；
步骤S35中基于L1CS生成交叉点的方法为：jc＝L1CS+1*L；所述交叉操作包含：将Ta1的第p′个基因与Ta2的第p′个基因互换；p′∈[jc,L]；
步骤S37中所述基于L2CS生成变异点by，对Ta3执行变异操作更新Ta3，包含：
S371、基于L2CS生成变异点by：by＝L2CS+1*L；若by＜R，进入S372；否则进入S373；
S372、染色体Ta3中的第by个基因TAbyt a3为时间窗起点，TBbyt a3为与TAbyt a3对应的时间窗终点；更新TAbyt a3，使得更新后的TAbyt a3满足约束：
TBbyt a3-TAbyt a3＝Tl；
TAbyt a3+Tk≥ERit；
TBbyt a3+6≤ERit；
Tl≥6；
TAbyt a3、TBbyt a3为正整数；
S373、染色体Ta3中的第by个基因TBby′t a3为时间窗起点，by′＝by-R，TAby′t a3为与TBby′t a3对应的时间窗起点；更新TBby′t a3，使得更新后的TBby′t a3满足约束：
TBby′t a3-TAby′t a3＝Tl；
TAby′t a3+Tk≥ERit；
TBby′t a3+6≤ERit；
Tl≥6；
TAby′t a3、TBby′t a3为正整数。
CN202110420026.1A 2021-04-19 2021-04-19 考虑时间窗约束的集装箱港口应急物资优化调运方法 Active CN112884383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110420026.1A CN112884383B (zh) 2021-04-19 2021-04-19 考虑时间窗约束的集装箱港口应急物资优化调运方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110420026.1A CN112884383B (zh) 2021-04-19 2021-04-19 考虑时间窗约束的集装箱港口应急物资优化调运方法

Publications (2)

Publication Number Publication Date
CN112884383A CN112884383A (zh) 2021-06-01
CN112884383B true CN112884383B (zh) 2024-04-05

Family

ID=76040173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110420026.1A Active CN112884383B (zh) 2021-04-19 2021-04-19 考虑时间窗约束的集装箱港口应急物资优化调运方法

Country Status (1)

Country Link
CN (1) CN112884383B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298403B (zh) * 2021-06-03 2023-11-07 大连海事大学 一种基于转运时间窗同步的公铁水联运调度方法
CN113570092B (zh) * 2021-06-24 2023-09-08 招商局国际科技有限公司 闸口控制方法、装置、设备及计算机可读存储介质
CN113869674A (zh) * 2021-09-13 2021-12-31 武汉理工大学 一种基于约束规划的煤炭港口进出港作业调度方法
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
CN116362644B (zh) * 2023-04-10 2024-05-10 湖南省港务集团有限公司 一种解决集装箱自动化堆场双机协作的方法
CN117371760B (zh) * 2023-11-30 2024-05-28 武汉理工大学 考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法
CN118036976B (zh) * 2024-02-28 2024-06-21 交通运输部水运科学研究所 港口的agv调度方法、装置、设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009223552A (ja) * 2008-03-14 2009-10-01 Osaka Prefecture Univ 貨物物流費用最適化方法
CN106295851A (zh) * 2016-07-27 2017-01-04 大连海事大学 一种集卡信息服务与调度***及其工作方法
CN106651280A (zh) * 2017-03-23 2017-05-10 广东工业大学 一种集装箱轮船物流运输调度方法及***
CN108320059A (zh) * 2018-02-22 2018-07-24 石家庄铁道大学 一种工作流调度进化寻优方法及终端设备
CN109711790A (zh) * 2018-12-07 2019-05-03 上海大学 集装箱航运规划方法及装置
CN110443409A (zh) * 2019-07-05 2019-11-12 武汉大学深圳研究院 一种港口出口集装箱船舶配载方法
CN110689155A (zh) * 2019-10-15 2020-01-14 上海海事大学 一种考虑拥堵和排放的集卡预约***多约束调度方法
CN110826819A (zh) * 2019-11-27 2020-02-21 上海海事大学 一种自动化集装箱码头车辆的路径规划方法
CN111325481A (zh) * 2020-03-16 2020-06-23 郑州大学 一种智能的自动化集装箱码头节能综合调度方法
CN112001064A (zh) * 2020-07-29 2020-11-27 浙江大学 一种集装箱码头间全自主水上运输调度方法及***
CN112053046A (zh) * 2020-08-24 2020-12-08 山东科技大学 一种带有时间窗的自动化集装箱码头agv重进重出路径规划方法
CN112434870A (zh) * 2020-12-01 2021-03-02 大连理工大学 一种集装箱区垂直布置的双自动化场桥动态调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11829935B2 (en) * 2018-04-03 2023-11-28 Florida A&M University Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009223552A (ja) * 2008-03-14 2009-10-01 Osaka Prefecture Univ 貨物物流費用最適化方法
CN106295851A (zh) * 2016-07-27 2017-01-04 大连海事大学 一种集卡信息服务与调度***及其工作方法
CN106651280A (zh) * 2017-03-23 2017-05-10 广东工业大学 一种集装箱轮船物流运输调度方法及***
CN108320059A (zh) * 2018-02-22 2018-07-24 石家庄铁道大学 一种工作流调度进化寻优方法及终端设备
CN109711790A (zh) * 2018-12-07 2019-05-03 上海大学 集装箱航运规划方法及装置
CN110443409A (zh) * 2019-07-05 2019-11-12 武汉大学深圳研究院 一种港口出口集装箱船舶配载方法
CN110689155A (zh) * 2019-10-15 2020-01-14 上海海事大学 一种考虑拥堵和排放的集卡预约***多约束调度方法
CN110826819A (zh) * 2019-11-27 2020-02-21 上海海事大学 一种自动化集装箱码头车辆的路径规划方法
CN111325481A (zh) * 2020-03-16 2020-06-23 郑州大学 一种智能的自动化集装箱码头节能综合调度方法
CN112001064A (zh) * 2020-07-29 2020-11-27 浙江大学 一种集装箱码头间全自主水上运输调度方法及***
CN112053046A (zh) * 2020-08-24 2020-12-08 山东科技大学 一种带有时间窗的自动化集装箱码头agv重进重出路径规划方法
CN112434870A (zh) * 2020-12-01 2021-03-02 大连理工大学 一种集装箱区垂直布置的双自动化场桥动态调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Scheduling trucks in container terminals using a genetic algorithm;W. C.Ng et al.;《Engineering Optmization》;第39卷(第1期);第33-47页 *
考虑早晚高峰期影响的集卡预约***多约束调度模型与算法;许波桅等;《计算机集成制造***》;第26卷(第10期);第2851-2863页 *

Also Published As

Publication number Publication date
CN112884383A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN112884383B (zh) 考虑时间窗约束的集装箱港口应急物资优化调运方法
Rashidi et al. Novel constraints satisfaction models for optimization problems in container terminals
Lin et al. The hierarchical network design problem for time-definite express common carriers
Li et al. Berth and quay crane coordinated scheduling using multi-objective chaos cloud particle swarm optimization algorithm
US20130159208A1 (en) Shipper-oriented logistics base optimization system
Yan et al. Transshipment operations optimization of sea-rail intermodal container in seaport rail terminals
CN111768149A (zh) 一种快递物流网络规划优化方法及***
CN107833002A (zh) 基于协同多目标算法的多级低碳物流配送网络规划方法
Ichoua1 et al. Planned route optimization for real-time vehicle routing
Won et al. Workload-based yard-planning system in container terminals
CN113240234A (zh) 煤炭港口装船设备分配与船舶交通组织协调优化方法
Leachman et al. Congestion analysis of waterborne, containerized imports from Asia to the United States
Feng et al. Space planning considering congestion in container terminal yards
Guo et al. Global synchromodal transport with dynamic and stochastic shipment matching
Butko et al. Organization of railway freight short-haul transportation on the basis of logistic approaches
Yu et al. Ship scheduling problems in tramp shipping considering static and spot cargoes
CN117495001A (zh) 一种改进pso-ba算法的矿山事故区域应急物资调度-路径模型构建方法
Lai et al. A rolling horizon model to optimize aerodynamic efficiency of intermodal freight trains with uncertainty
Wu et al. Emergency resource scheduling during COVID-19
Lai Models and algorithms for the empty container repositioning and its integration with routing problems
Hassan et al. Smart concrete transportation in semi-automated construction sites
Zhou et al. Two-echelon time-dependent vehicle routing problem with simultaneous pickup and delivery and satellite synchronization
Gkolias The discrete and continuous berth allocation problem: Models and algorithms
Li et al. Container terminal berth and yard collaborative allocation for import and export synchronous operations by computational logistics
Laik et al. Container assignment and yard crane deployment in a container terminal: A case study

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