CN113326987B - 一种铁路中心站轨道式集装箱起重机协同优化调度方法 - Google Patents
一种铁路中心站轨道式集装箱起重机协同优化调度方法 Download PDFInfo
- Publication number
- CN113326987B CN113326987B CN202110616487.6A CN202110616487A CN113326987B CN 113326987 B CN113326987 B CN 113326987B CN 202110616487 A CN202110616487 A CN 202110616487A CN 113326987 B CN113326987 B CN 113326987B
- Authority
- CN
- China
- Prior art keywords
- task
- track crane
- sequence
- track
- sparrows
- 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 23
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 241000287127 Passeridae Species 0.000 claims description 101
- 239000002245 particle Substances 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000002028 premature Effects 0.000 description 4
- 230000005070 ripening Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004379 similarity theory Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/123—DNA computing
-
- 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
-
- 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
-
- 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]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种铁路中心站轨道式集装箱起重机协同优化调度方法,该方法包括:获取集装箱在铁路中心站的位置信息、轨道吊的运行参数;根据所述位置信息、所述运行参数,构建轨道吊调度模型;采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码,对所述轨道吊调度模型进行搜索求解,输出最优任务序列,并根据所述最优任务序列对各台轨道吊进行任务分配。本发明利用建模后的搜索求解,提高了寻优能力,有效提高铁路场站的作业均衡率和作业效率、减少轨道吊长距离移动,降低能耗,提高了中心站轨道吊动态配置调度能力。
Description
技术领域
本发明涉及铁路中心站装卸设备协同优化调度技术领域,尤其涉及一种铁路中心站轨道式集装箱起重机协同优化调度方法。
背景技术
铁路集装箱中心站(以下简称为“中心站”),是综合交通运输体系的重要节点,其作业效率的提高备受管理者的关注。目前针对多轨道吊的调度优化是限定轨道吊的作业区域来避免干涉的发生,但此方式不利于提高轨道吊的利用率和灵活性,而进行柔性化调度,即不限定轨道吊的作业范围,高效的任务分配策略以及干涉避免方法都至关重要。综上,如何提供高效及时的轨道吊调度方法是亟待解决的问题。
发明内容
有鉴于此,有必要提供一种铁路中心站轨道式集装箱起重机协同优化调度方法,用以解决现有技术中轨道吊任务分配不高效、不及时的问题。
本发明提供一种铁路中心站轨道式集装箱起重机协同优化调度方法,包括:
获取集装箱在铁路中心站的位置信息、运行参数;
根据所述位置信息、所述运行参数,构建轨道吊调度模型;
采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码,对所述轨道吊调度模型进行搜索求解,输出最优任务序列,并根据所述最优任务序列对各台轨道吊进行任务分配。
进一步地,所述轨道吊调度模型包括目标函数和约束条件,所述目标函数用于表示最小作业完工时间,所述约束条件包括:
第一约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧前任务;
第二约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧后任务;
第三约束条件,用于约束所述轨道吊对应的卸箱作业任务的结束时刻和开始时刻的关系;
第四约束条件,用于约束所述轨道吊两个连续卸箱作业任务的时间衔接;
第五约束条件,用于约束所述轨道吊对应的大车完成所有卸箱作业任务的总移动距离。
进一步地,所述目标函数通过如下公式表示:
其中,G表示轨道吊集合,g∈G={1,2,3};Ig表示卸箱作业任务集合,Ig∈{1,2,…,Ig};Fgi表示第g个轨道吊的第i个卸箱作业任务的结束时刻;min f表示最小作业完工时间。
进一步地,所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件和所述第五约束条件通过如下公式表示:
其中,表示0-1变量,若连续的第i个卸箱作业任务、第j个卸箱作业任务均由第g个轨道吊操作,/>否则,/>Sgi表示第g个轨道吊的第i个卸箱作业任务的开始时刻;Dgi表示第g个轨道吊在第i个卸箱作业任务时的水平移动距离;/>表示第g个轨道吊在第i个卸箱作业任务时的垂直移动距离;V1表示第g个轨道吊的大车移动速度;V2表示第g个轨道吊的小车移动速度;/>表示第g个轨道吊在连续执行第i个卸箱作业任务、第j个卸箱作业任务时的空驶距离;Dg表示第g个轨道吊完成全部卸箱作业任务的总移动距离。
进一步地,所述采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码包括:
采用整数顺序编码方式将所述轨道吊的卸箱作业任务表示为遗传算法的基因形式;
根据所述卸箱作业任务中包含的作业箱个数,确定所述轨道吊的卸箱作业任务的编码长度。
进一步地,所述对所述轨道吊调度模型进行搜索求解,输出最优任务序列包括:
初始化麻雀种群算法参数,在搜索空间内,随机产生所述轨道吊的卸箱作业任务的初始任务序列,根据所述初始任务序列,形成初始种群;
根据所述初始种群进行任务分配,确定每只麻雀对应的序列和适应度值;
根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新,确定多次更新后每只麻雀的适应度值及其对应的序列;
根据每只麻雀的适应度值判断是否满足预设条件,若满足,则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤;
若不满足,则对应的粒子为早熟麻雀,对所述早熟麻雀进行差分处理,更新替换所述早熟麻雀对应的序列,直到满足迭代终止条件,输出最终的所述最优任务序列。
进一步地,所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新包括:
选取Pnum个麻雀作为发现者,其他麻雀为加入者,并根据所述发现者对应的序列更新所有麻雀对应的序列,进行合法化处理,其中,Pnum为预设整数,其中,合法化处理为依据序列各个值的大小进行升序排序,并将原序列各个值的排序序号赋给原位置,对于原序列中值相同者,在原序列中排在前者为先;
根据所述加入者更新后的序列,对所有麻雀对应的序列再次更新,进行合法化处理;
选取Dnum个麻雀作为预警者,并根据所述预警者对应的序列对所有麻雀对应的序列再次更新,进行合法化处理,其中,Dnum为预设整数。
进一步地,所述预设条件包括:种群中适应度值相似的麻雀个数大于预设数目。
进一步地,所述若不满足,则对应的粒子为早熟麻雀,对所述早熟麻雀进行差分处理,更新替换所述早熟麻雀对应的序列,直到满足迭代终止条件,输出最终的所述最优任务序列包括:
将早熟麻雀对应的序列依次进行变异处理、交叉处理、合法化处理后,采取贪婪策略,选取适应度值达到预设数值的个体作为返回的交叉个体;
再次进行任务分配,确定更新后每只麻雀的适应度值及其对应的序列;
若迭代次数满足终止条件,则输出所述最优任务序列,否则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤。
进一步地,所述根据所述最优任务序列对各台轨道吊进行任务分配包括:
根据所述最优任务序列对卸箱作业任务进行分配;
根据所述卸箱作业任务的初始位置与多个轨道吊的最早可用时间所处位置的相对关系,将所述卸箱作业任务分配至对应的轨道吊,并进行干涉判断;
若存在干涉,则重置所述卸箱作业任务的序列,若不存在干涉,则进行下一个卸箱作业任务的分配,直至所有卸箱作业任务分配完毕;
其中,所述干涉判断包括:将所述卸箱作业任务分配给对应的轨道吊后,判断所述轨道吊在对应时刻与相邻轨道吊之间的距离与预设两轨道之间安全距离的相对关系是否满足预设干涉条件,若都满足,则不存在干涉,若否则,存在干涉。
与现有技术相比,本发明的有益效果包括:首先,对建模参数进行有效的获取;然后,根据建模参数,进行轨道吊调度模型的有效构建;最后,利用轨道吊调度模型进行搜索求解,进行有效的寻优,确定最优任务序列,根据最优任务序列对轨道吊进行任务分配。综上,本发明利用建模后的搜索求解,提高了寻优能力,有效提高铁路场站的作业均衡率和作业效率、减少轨道吊长距离移动,降低能耗,提高了中心站轨道吊动态配置调度能力。
附图说明
图1为本发明提供的铁路中心站轨道式集装箱起重机协同优化调度方法一实施例的流程示意图;
图2为本发明提供的图1中步骤S3一实施例的流程示意图一;
图3为本发明提供的图2中步骤S33一实施例的流程示意图;
图4为本发明提供的图2中步骤S35一实施例的流程示意图;
图5为本发明提供的图2中步骤S3一实施例的流程示意图二;
图6为本发明提供的轨道吊具体应用场景一实施例的示意图;
图7为本发明提供的初始任务序列和最优任务序列一实施例的对比示意图;
图8为本发明提供的搜索时间一实施例的对比示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明实施例提供了一种铁路中心站轨道式集装箱起重机协同优化调度方法,结合图1来看,图1为本发明提供的铁路中心站轨道式集装箱起重机协同优化调度方法一实施例的流程示意图,包括步骤S1至步骤S3,其中:
在步骤S1中,获取集装箱在铁路中心站的位置信息、轨道吊的运行参数,其中,运行参数包括轨道吊的运行参数;
在步骤S2中,根据所述位置信息、所述运行参数,构建轨道吊调度模型;
在步骤S3中,采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码,对所述轨道吊调度模型进行搜索求解,输出最优任务序列,并根据所述最优任务序列对各台轨道吊进行任务分配。
在本发明实施例中,首先,对建模参数进行有效的获取;然后,根据建模参数,进行轨道吊调度模型的有效构建;最后,利用轨道吊调度模型进行搜索求解,进行有效的寻优,确定最优任务序列,根据最优任务序列对轨道吊进行任务分配。
需要说明的是,本发明将轨道吊定为调度对象,结合集装箱在铁路中心站的位置、轨道吊运行参数多方面因素,以完成一列火车上所有的集装箱装卸所耗费的最小时间作为轨道吊调度的目标,构建轨道吊调度模型。轨道吊调度为非线性混合整数规划问题,且包含多个TSP问题,因此此问题均属于NP-hard问题。
作为优选的实施例,所述轨道吊调度模型包括目标函数和约束条件,所述目标函数用于表示最小作业完工时间,所述约束条件包括:
第一约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧前任务;
第二约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧后任务;
第三约束条件,用于约束所述轨道吊对应的卸箱作业任务的结束时刻和开始时刻的关系;
第四约束条件,用于约束所述轨道吊两个连续卸箱作业任务的时间衔接;
第五约束条件,用于约束所述轨道吊对应的大车完成所有卸箱作业任务的总移动距离。
作为具体实施例,本发明实施例建立有效的目标函数和约束条件,进行相应场景的建模。
作为优选的实施例,所述目标函数通过如下公式表示:
其中,G表示轨道吊集合,g∈G={1,2,3};Ig表示卸箱作业任务集合,Ig∈{1,2,…,Ig};Fgi表示第g个轨道吊的第i个卸箱作业任务的结束时刻;min f表示最小作业完工时间。
作为具体实施例,本发明实施例设立目标函数,为内层模型的目标函数,即作业完工时间最小。
作为优选的实施例,所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件和所述第五约束条件通过如下公式表示:
其中,表示0-1变量,若连续的第i个卸箱作业任务、第j个卸箱作业任务均由第g个轨道吊操作,/>否则,/>Sgi表示第g个轨道吊的第i个卸箱作业任务的开始时刻;Dgi表示第g个轨道吊在第i个卸箱作业任务时的水平移动距离;/>表示第g个轨道吊在第i个卸箱作业任务时的垂直移动距离;V1表示第g个轨道吊的大车移动速度;V2表示第g个轨道吊的小车移动速度;/>表示第g个轨道吊在连续执行第i个卸箱作业任务、第j个卸箱作业任务时的空驶距离;Dg表示第g个轨道吊完成全部卸箱作业任务的总移动距离。
作为具体实施例,本发明实施例设立多种约束条件,保证多个条件的有效约束,其中,第一约束条件保证轨道吊的任一任务仅有一个紧前任务,第二约束条件保证轨道吊的任一任务仅有一个紧后任务,第三约束条件为轨道吊操作任务的结束时刻与开始时刻的关系;第四约束条件为轨道吊作业两个连续任务的时间衔接约束;第五约束条件轨道吊大车完成其承担所有任务的总移动距离。
作为优选的实施例,结合图2来看,图2为本发明提供的图1中步骤S3一实施例的流程示意图一,步骤S3包括步骤S31至步骤S35,其中:
在步骤S31中,初始化麻雀种群算法参数,在搜索空间内,随机产生所述轨道吊的卸箱作业任务的初始任务序列,根据所述初始任务序列,形成初始种群;
在步骤S32中,根据所述初始种群进行任务分配,确定每只麻雀对应的序列和适应度值;
在步骤S33中,根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新,确定多次更新后每只麻雀的适应度值及其对应的序列;
在步骤S34中,若根据每只麻雀的适应度值判断是否满足预设条件,若满足,则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤(即步骤S33);
在步骤S35中,若不满足,则对应的粒子为早熟麻雀,对所述早熟麻雀进行差分处理,更新替换所述早熟麻雀对应的序列,直到满足迭代终止条件,输出最终的所述最优任务序列。
作为具体实施例,本发明实施例结合麻雀搜索算法和差分进化算法,选取麻雀搜索算法生成寻优种群,运用早熟相似理论,促使种群保持可持续的进化,对早熟运用差分进化算子,能有效扩大寻径空间,且一定程度避免过早陷入局部最优解,为麻雀搜索算法解决轨道吊动态配置及其调度问题提供数据支持。
作为优选的实施例,结合图3来看,图3为本发明提供的图2中步骤S33一实施例的流程示意图,步骤S33包括步骤S331至步骤S333,其中:
在步骤S331中,选取Pnum个麻雀作为发现者,其他麻雀为加入者,并根据所述发现者对应的序列更新所有麻雀对应的序列,进行合法化处理,其中,Pnum为预设整数,其中,合法化处理为依据序列各个值的大小进行升序排序,并将原序列各个值的排序序号赋给原位置,对于原序列中值相同者,在原序列中排在前者为先;
在步骤S332中,根据所述加入者更新后的序列,对所有麻雀对应的序列再次更新,进行合法化处理;
在步骤S333中,选取Dnum个麻雀作为预警者,并根据所述预警者对应的序列对所有麻雀对应的序列再次更新,进行合法化处理,其中,Dnum为预设整数
作为具体实施例,本发明实施例利用发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新,便于局部寻优。
作为优选的实施例,所述预设条件包括:种群中适应度值相似的麻雀个数大于预设数目。作为具体实施例,本发明实施例设置早熟判断的条件,便于找出对应的早熟。
在本发明一个具体的实施例中,麻雀搜索的过程如下:
第一步,采用整数顺序编码方式将轨道吊任务表示为类似遗传算法的基因形式,编码长度表示轨道吊卸箱作业任务包含的作业箱个数;
第二步,设置麻雀种群规模M,发现者个数Pnum,预警者个数Dnum,最大迭代次数Genmax,缩放比例因子F,交叉因子CR;
第三步,在搜索空间内,随机产生轨道吊任务序列,即初始种群;
第四步,进行任务分配,计算每只麻雀的适应度值Fit,选出并记录当前最佳适应度值Fb及其序列Popbest,以及当前最差适应度值Fw及其序列Popworst;
第五步,选取Pnum个麻雀作为发现者,其他为加入者,并根据发现者序列更新如下公式对麻雀进行序列更新,并将序列进行合法化处理:
其中,表示在第t代,第i个麻雀在第j维上的任务序号;α∈(0,1]是一个随机数;R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值;Q是服从正态分布的随机数;
第六步,剩余M-Pnum个麻雀作为加入者,并根据修改后的加入者序列更新如下公式对麻雀进行序列更新,并将序列进行合法化处理:
其中,Xworst,j表示当前全局最差的序列第j维任务序号;XP,j表示当前全局最优序列第j维任务序号;R3是一个随机赋值1或-1的值;N是任务总数,即序列的长度;
第七步,选取Dnum个麻雀作为预警者,并根据预警者序列更新如下公式对麻雀进行序列更新,并将序列进行合法化处理:
其中,β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;fi是当前麻雀个体的适应度值;fg和fw分别是当前全局和最差的适应度值;ε是最小的常数;
第八步,进行任务分配,计算每只麻雀的适应度值Fit,选出并记录当前最佳适应度值Fb及其序列Popbest,以及当前最差适应度值Fw及其序列Popworst;
第九步,进行早熟判断,将趋于停滞的替换麻雀为随机产生的新麻雀,以使麻雀群发生某种程度的变异;早熟相似理论具体为,获得适应度值相似的轨道吊个数similarsize,当similarsize>Te时,转第五步,否则转差分处理的步骤(即步骤S351),其中Te为经验值。
作为优选的实施例,结合图4来看,图4为本发明提供的图2中步骤S35一实施例的流程示意图,步骤S35还包括步骤S351至步骤S353,其中:
在步骤S351中,将早熟麻雀对应的序列依次进行变异处理、交叉处理、合法化处理后,采取贪婪策略,选取适应度值达到预设数值的个体作为返回的交叉个体;
在步骤S352中,再次进行任务分配,确定更新后每只麻雀的适应度值及其对应的序列;
在步骤S353中,若迭代次数满足终止条件,则输出所述最优任务序列,否则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤。
作为具体实施例,本发明实施例对早熟麻雀运用差分进化算子,能有效扩大寻径空间,且一定程度避免过早陷入局部最优解。
在本发明一个具体的实施例中,差分处理的具体流程如下(接上述第九步):
第十步,将相似的序列依据下式进行变异处理:
xi=xi+F×(xj-xk)
其中,xi,xj,xk为麻雀群中随机选取的互不相同的3个轨道吊,并且r不等于i、j、k;F为缩放比例因子;
依据下式进行交叉处理:
其中,CR∈[0,1],CR为交叉概率,PC是[0,1]之间的随机数;
再进行合法化处理,之后进行选择操作,选择操作采取贪婪策略,选取适应度值较高的个体作为返回的交叉个体,即只有当产生的子代麻雀优于父代麻雀时,即适应度值f(xi(t+1))≤f(xi(t))才被保留,否则父代个体被保留至下一代:
第十一步,进行任务分配,计算每只麻雀的适应度值Fit,选出并记录当前最佳适应度值Fb及其序列Popbest,以及当前最差适应度值Fw及其序列Popworst;
第十二步,判断迭代次数gen是否满足终止条件,满足则输出最优任务序列,结束算法,否则转第五步。
作为优选的实施例,结合图5来看,图5为本发明提供的图2中步骤S3一实施例的流程示意图二,步骤S3还包括步骤S36至步骤S38,其中:
在步骤S36中,根据所述最优任务序列对卸箱作业任务进行分配;
在步骤S37中,根据所述卸箱作业任务的初始位置与多个轨道吊的最早可用时间所处位置的相对关系,将所述卸箱作业任务分配至对应的轨道吊,并进行干涉判断;
在步骤S38中,若存在干涉,则重置所述卸箱作业任务的序列,若不存在干涉,则进行下一个卸箱作业任务的分配,直至所有卸箱作业任务分配完毕。
其中,所述干涉判断包括:将所述卸箱作业任务分配给对应的轨道吊后,判断所述轨道吊在对应时刻与相邻轨道吊之间的距离与预设两轨道之间安全距离的相对关系是否满足预设干涉条件,若都满足,则不存在干涉,若否则,存在干涉。
作为具体实施例,本发明实施例依据最优任务序列进行任务分配,保证分配至对应的轨道吊,且不产生干涉。
在本发明一个具体的实施例中,任务分配的流程如下:
第一步,当任务的初始位置在轨道吊1最早可用时间所处位置之前时,把任务分配给轨道吊1进行干涉判断,转到第五步;
第二步,当任务的初始位置在轨道吊1最早可用时间所处位置之后和轨道吊2最早可用时间所处位置之前时,把任务分配给到任务初始位置可用时间最小的轨道吊,进行干涉判断,如果干涉,则分给另外一个轨道吊,转到第五步;
第三步,当任务的初始位置在轨道吊2任务最早可用时间所处位置之后和轨道吊3最早可用时间所处位置之前时,把任务分配给到任务初始位置可用时间最小的轨道吊,进行干涉判断,如果干涉,则分给另外一个轨道吊,转到第五步;
第四步,当任务的初始位置在轨道吊3任务最早可用时间所处位置之后时,把任务分配给轨道吊3,转到第五步;
第五步,当单个任务分配后进行干涉判断,如果干涉,重置任务序列,如果不干涉则进行下一项的任务分配,若任务全部分配完,则任务分配结束;
第六步,如上所述的合法化处理:依据序列各个值的大小进行升序排序,并将原序列各个值的排序序号赋给原位置,对于原序列中值相同者,在原序列中排在前者为先;
第七步,如上所述的干涉判断具体流程为:将新任务分配给轨道吊后根据如下两个公式进行判断,若不满足两式,则发生干涉:
其中,为第id台轨道吊在t时刻的位置,Dsafe为两台轨道吊之间的安全距离。
在本发明一个具体的实施例中,结合图6来看,图6为本发明提供的轨道吊具体应用场景一实施例的示意图,选取铁路作业区的集装箱卸车过程为例,即需要从铁路装卸线上通过轨道吊卸下,并通过轨道吊将集装箱存入到中心站的堆场的集装箱位,至此完成一个作业箱的卸箱操作,设定铁路中心站的轨道吊数量为3台,每次只能运载一个集装箱,堆场的箱位只能对方一个集装箱,火车轨道有两列,具体场景见图1。
其中,一列货物列车的装载情况为:列车编组为30节平车,集装箱单层堆放,装运30TEU,同时,将堆场与列车相对应的区域分为30个箱区。集装箱在铁路作业区主堆场上的堆存情况如下表1、表2所示:
表1
表2
其中,采用控制变量法在MATLAB平台上进行仿真实验,设置麻雀种群规模M=100,发现者个数Pnum=6,预警者个数Dnum=24,最大迭代次数Genmax=1000,缩放比例因子F=0.5,交叉因子CR=0.6,安全值ST=0.8,Dsafe=4,早熟系数Tc=0.02,结合图7、图8来看,图7为本发明提供的初始任务序列和最优任务序列一实施例的对比示意图,图8为本发明提供的搜索时间一实施例的对比示意图,其中,可以看出,相对于其他算法,本发明提供的方法能够快速找到理想的值,能够有效避免早熟现象,能够持续的进行最优质的搜索,并具有很强的优化能力。
本发明公开了一种铁路中心站轨道式集装箱起重机协同优化调度方法,首先,对建模参数进行有效的获取;然后,根据建模参数,进行轨道吊调度模型的有效构建;最后,利用轨道吊调度模型进行搜索求解,进行有效的寻优,确定最优任务序列,根据最优任务序列对轨道吊进行任务分配。
本发明技术方案,利用建模后的搜索求解,提高了寻优能力,有效提高铁路场站的作业均衡率和作业效率、减少轨道吊长距离移动,降低能耗,提高了中心站轨道吊动态配置调度能力。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种铁路中心站轨道式集装箱起重机协同优化调度方法,其特征在于,包括:
获取集装箱在铁路中心站的位置信息、轨道吊的运行参数;
根据所述位置信息、所述运行参数,构建轨道吊调度模型;
采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码,对所述轨道吊调度模型进行搜索求解,输出最优任务序列,并根据所述最优任务序列对各台轨道吊进行任务分配,所述根据所述最优任务序列对各台轨道吊进行任务分配包括:
根据所述最优任务序列对卸箱作业任务进行分配;
根据所述卸箱作业任务的初始位置与多个轨道吊的最早可用时间所处位置的相对关系,将所述卸箱作业任务分配至对应的轨道吊,并进行干涉判断;
若存在干涉,则重置所述卸箱作业任务的序列,若不存在干涉,则进行下一个卸箱作业任务的分配,直至所有卸箱作业任务分配完毕;
其中,所述干涉判断包括:将所述卸箱作业任务分配给对应的轨道吊后,判断所述轨道吊在对应时刻与相邻轨道吊之间的距离与预设两轨道之间安全距离的相对关系是否满足预设干涉条件,若都满足,则不存在干涉,若否则,存在干涉;所述轨道吊调度模型包括目标函数和约束条件,所述目标函数用于表示最小作业完工时间,所述约束条件包括:
第一约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧前任务;
第二约束条件,用于约束所述轨道吊的任一任务仅有一个对应的紧后任务;
第三约束条件,用于约束所述轨道吊对应的卸箱作业任务的结束时刻和开始时刻的关系;
第四约束条件,用于约束所述轨道吊两个连续卸箱作业任务的时间衔接;
第五约束条件,用于约束所述轨道吊对应的大车完成所有卸箱作业任务的总移动距离;所述目标函数通过如下公式表示:
其中,G表示轨道吊集合,;Ig表示卸箱作业任务集合,Ig∈{1,2,…,Ig};/>表示第g个轨道吊的第i个卸箱作业任务的结束时刻;/>表示最小作业完工时间;所述第一约束条件、所述第二约束条件、所述第三约束条件、所述第四约束条件和所述第五约束条件通过如下公式表示:
其中,表示0-1变量,若连续的第i个卸箱作业任务、第j个卸箱作业任务均由第g个轨道吊操作,/>,否则,/>;/>表示第g个轨道吊的第i个卸箱作业任务的开始时刻;表示第g个轨道吊在第i个卸箱作业任务时的水平移动距离;/>表示第g个轨道吊在第i个卸箱作业任务时的垂直移动距离;/>表示第g个轨道吊的大车移动速度;/>表示第g个轨道吊的小车移动速度;/>表示第g个轨道吊在连续执行第i个卸箱作业任务、第j个卸箱作业任务时的空驶距离;Eg 0j表示第g个轨道吊在初始停止位置到第j个卸箱作业任务时的空驶距离; Eg j0`表示第g个轨道吊在执行第j个卸箱作业任务到停止位置的空驶距离;/>表示第g个轨道吊完成全部卸箱作业任务的总移动距离;所述对所述轨道吊调度模型进行搜索求解,输出最优任务序列包括:
初始化麻雀种群算法参数,在搜索空间内,随机产生所述轨道吊的卸箱作业任务的初始任务序列,根据所述初始任务序列,形成初始种群;
根据所述初始种群进行任务分配,确定每只麻雀对应的序列和适应度值;
根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新,确定多次更新后每只麻雀的适应度值及其对应的序列;
根据每只麻雀的适应度值判断是否满足预设条件,若满足,则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤;
若不满足,则对应的粒子为早熟麻雀,对所述早熟麻雀进行差分处理,更新替换所述早熟麻雀对应的序列,直到满足迭代终止条件,输出最终的所述最优任务序列;所述预设条件包括:种群中适应度值相似的麻雀个数大于预设数目;所述若不满足,则对应的粒子为早熟麻雀,对所述早熟麻雀进行差分处理,更新替换所述早熟麻雀对应的序列,直到满足迭代终止条件,输出最终的所述最优任务序列包括:
将早熟麻雀对应的序列依次进行变异处理、交叉处理、合法化处理后,采取贪婪策略,选取适应度值达到预设数值的个体作为返回的交叉个体;
再次进行任务分配,确定更新后每只麻雀的适应度值及其对应的序列;
若迭代次数满足所述迭代终止条件,则输出所述最优任务序列,否则返回至所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新的步骤。
2.根据权利要求1所述的铁路中心站轨道式集装箱起重机协同优化调度方法,其特征在于,所述采用整数顺序编码方式,对轨道吊的卸箱作业任务顺序进行初始编码包括:
采用整数顺序编码方式将所述轨道吊的卸箱作业任务表示为遗传算法的基因形式;
根据所述卸箱作业任务中包含的作业箱个数,确定所述轨道吊的卸箱作业任务的编码长度。
3.根据权利要求1所述的铁路中心站轨道式集装箱起重机协同优化调度方法,其特征在于,所述根据麻雀种群中发现者、加入者和预警者的更新公式,对所有麻雀对应的序列进行多次更新包括:
选取Pnum个麻雀作为发现者,其他麻雀为加入者,并根据所述发现者对应的序列更新所有麻雀对应的序列,进行合法化处理,其中,Pnum为预设整数,其中,合法化处理为依据序列各个值的大小进行升序排序,并将原序列各个值的排序序号赋给原位置,对于原序列中值相同者,在原序列中排在前者为先;
根据所述加入者更新后的序列,对所有麻雀对应的序列再次更新,进行合法化处理;
选取Dnum个麻雀作为预警者,并根据所述预警者对应的序列对所有麻雀对应的序列再次更新,进行合法化处理,其中,Dnum为预设整数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616487.6A CN113326987B (zh) | 2021-06-02 | 2021-06-02 | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 |
NL2031991A NL2031991B1 (en) | 2021-06-02 | 2022-05-26 | Coordinated optimization scheduling method for rail-mounted gantry cranes of railway container terminal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110616487.6A CN113326987B (zh) | 2021-06-02 | 2021-06-02 | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326987A CN113326987A (zh) | 2021-08-31 |
CN113326987B true CN113326987B (zh) | 2024-05-07 |
Family
ID=77423318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110616487.6A Active CN113326987B (zh) | 2021-06-02 | 2021-06-02 | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113326987B (zh) |
NL (1) | NL2031991B1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187045B (zh) * | 2023-02-13 | 2023-11-24 | 西南交通大学 | 基于能耗分析确定门式起重机移动速度的方法 |
CN116443733B (zh) * | 2023-06-14 | 2023-08-22 | 山东中建众力设备租赁有限公司 | 一种起重机控制方法、***及智能终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288138A (zh) * | 2020-10-10 | 2021-01-29 | 西安电子科技大学 | 多级供应链下维修器材选址和库存方法及***及库存仓库 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
CN112862212A (zh) * | 2021-03-09 | 2021-05-28 | 无锡弘宜智能科技有限公司 | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 |
-
2021
- 2021-06-02 CN CN202110616487.6A patent/CN113326987B/zh active Active
-
2022
- 2022-05-26 NL NL2031991A patent/NL2031991B1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288138A (zh) * | 2020-10-10 | 2021-01-29 | 西安电子科技大学 | 多级供应链下维修器材选址和库存方法及***及库存仓库 |
CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
CN112862212A (zh) * | 2021-03-09 | 2021-05-28 | 无锡弘宜智能科技有限公司 | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
A novel swarm intelligence optimization approach:sparrow search algorithm;JiankaiXue.elt;《System Science & Control Engineering》;正文第2节 * |
王力等.铁路集装箱中心站轨道门吊调度优化模型与算法.《铁道学报》.2014,第第36卷卷(第第5期期),正文第2节. * |
铁路集装箱中心站轨道门吊调度优化模型与算法;王力等;《铁道学报》;第第36卷卷(第第5期期);正文第2节 * |
Also Published As
Publication number | Publication date |
---|---|
NL2031991A (en) | 2022-12-08 |
NL2031991B1 (en) | 2023-11-16 |
CN113326987A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326987B (zh) | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 | |
CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
CN113222293B (zh) | 一种智能立体仓库优化调度方法 | |
CN109886478A (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN107578119A (zh) | 一种智能调度***的资源分配全局优化方法 | |
CN106779153A (zh) | 一种智能立体仓库货位分配优化方法 | |
CN106021700A (zh) | 基于分散式出/入库布局模式下的货位分配模型建立方法 | |
CN106773686B (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
CN108932366B (zh) | 煤炭码头卸车生产仿真智能调度方法及*** | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN111582781B (zh) | 一种根据补货订单分配货架的方法及计算机可读存储介质 | |
CN107358322A (zh) | 一种无人机快递自动投送最短路径规划方法 | |
CN105858043B (zh) | 一种升降机与穿梭车结合的仓储***优化调度方法 | |
CN111598499B (zh) | 订单分配策略的确定方法、装置及电子设备 | |
CN113159687B (zh) | 一种车间agv-uav协同的物料配送路径规划方法和*** | |
CN112330070A (zh) | 一种碳排放限制下的冷藏集装箱多式联运路径优化方法 | |
CN113408988A (zh) | 仓储***的调度优化方法、电子设备及存储介质 | |
CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
CN101840200A (zh) | 一种优化调度控制中动态数据的自适应处理方法 | |
CN116151497A (zh) | 一种带有取送货的多隔间车辆路径规划方法及*** | |
Hong et al. | Logistics in the sky: A two-phase optimization approach for the drone package pickup and delivery system | |
Park et al. | A solution of vehicle routing problems in a multiple objective environment | |
CN117886048A (zh) | 一种智能立体库同轨道双堆垛机智能调度优化策略 | |
Gu | The forward reserve warehouse sizing and dimensioning problem | |
CN116402212A (zh) | 一种网点智能分区方法 |
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 |