CN116402173A - 一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 - Google Patents
一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 Download PDFInfo
- Publication number
- CN116402173A CN116402173A CN202211099026.7A CN202211099026A CN116402173A CN 116402173 A CN116402173 A CN 116402173A CN 202211099026 A CN202211099026 A CN 202211099026A CN 116402173 A CN116402173 A CN 116402173A
- Authority
- CN
- China
- Prior art keywords
- box
- container
- state
- area
- cargo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 claims abstract description 108
- 238000012216 screening Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 41
- 235000015170 shellfish Nutrition 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008676 import Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- G06Q10/04—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于集装箱堆场箱区、箱位分配领域,提出一种基于机器学习的卸船集装箱箱区、箱位分配智能算法。收集集装箱码头卸船作业与堆场状态历史数据计算堆场状态,基于无监督学习算法与聚类算法提取典型堆场状态;分析集装箱卸船箱区选择影响因素,提取基于机器学习的卸船箱堆存箱区选择规则,设计基于规则的卸船箱箱区分配智能算法与卸船箱箱位分配启发式智能算法。本发明考虑集装箱特征、作业特征以及堆场状态特征在码头实际运营中对箱区分配决策的影响,基于海量历史运营数据,利用机器学习,有效提取高质量调度经验,为集装箱码头堆场作业调度提供决策支持,有利于缓解堆场交通拥堵、提高集装箱码头生产作业效率,推进集装箱码头智慧化建设。
Description
技术领域
本发明涉及集装箱堆场箱区、箱位分配领域,尤其涉及基于机器学习的卸船集装箱箱区、箱位分配智能算法。
背景技术
随着集装箱码头吞吐量不断增长,码头作业压力日益增大,合理制定集装箱码头堆场的箱区、箱位分配策略,对于提高堆场与作业设施利用率和周转率缓解堆场交通拥堵、提高码头生产作业效率具有重要意义。“Jiang,X.J.,Jin,J.G,2017.A branch-and-pricemethod for integrated yard crane deployment and container allocation intransshipment yards.Transport.Res.Part B 98,62-75.”、“Wang K,Zhen L,Wang S.A,et al,2018.Column Generation for the Integrated Berth Allocation,Quay CraneAssignment,and Yard Assignment Problem.Transp.Sci.52(4),812-834.”和“Yang,L.Y.,Ng,T.S.,Lee,L.H.2022.A robust approximation for yard templateoptimization under uncertainty.Transport.Res.Part B 160,21-53”中,均表明集装箱堆场作业与船舶到港作业和陆侧送提箱作业之间具有强耦合关系,受随机性和不确定性因素影响明显,传统的数学建模与运筹优化技术难以准确刻画堆场作业过程并有效求解,提前制定真实规模的堆场计划难度较大。在实际运营过程中,往往需要由调度员根据堆场实时状态,结合日积月累形成的调度经验进行现场决策,易受主客观因素干扰,难以保证决策质量的稳定性。如何充分利用集装箱堆场作业的海量历史数据,深入挖掘高质量调度经验,并有效应用于制定堆场作业决策,成为集装箱码头智能化建设面临的重要问题。
发明内容
为解决上述问题,本发明提出了一种基于机器学习的卸船集装箱箱区、箱位分配智能算法。考虑集装箱码头实际运营过程中的箱位分配影响因素,在已知卸船箱历史作业数据、集装箱属性以及堆场状态的条件下,对卸船箱历史作业数据进行深入挖掘,利用机器学习中的无监督学习理念、随机森林算法、大数据挖掘以及统计学理论,提取卸船箱区分配决策与集装箱属性特征、作业特征以及堆场状态特征间的隐式关联规则,根据提取得到的规则设计箱区分配与箱位分配启发式算法,选取相应指标评价规则提取与分配算法的有效性,为港口生产运营实时调度提供决策支持。
本发明的技术方案:
一种基于机器学习的卸船集装箱箱区、箱位分配智能算法,包括以下步骤:
步骤一、收集集装箱码头卸船作业与堆场状态历史数据,包括集装箱码头平面布置数据、卸船作业数据以及堆场状态数据;
集装箱码头平面布置数据包括泊位数量、堆场布置形式以及箱区数量;卸船作业数据包括卸船时间、卸船泊位、落箱箱区以及卸船箱数据;卸船箱数据包括进出口类型与集装箱货主;堆场状态数据包括堆场内各箱区在各时段的已堆存量、作业数、场桥数以及堆箱作业比例;其中箱区的已堆存量包括该箱区各贝位、各栈的堆存数;箱区的作业数包括堆箱作业数、取箱作业数和倒箱作业数;箱区的场桥数为各时段内在该箱区内有作业记录的场桥总数;箱区的堆箱作业比例为该箱区的堆箱作业数占总作业数比例;
步骤二、基于无监督学习算法,根据历史数据计算堆场状态,并利用聚类算法提取典型堆场状态;
堆场状态包括已堆存量状态、作业数状态、场桥数状态以及堆箱作业比例状态;其中,堆场的某一状态是由各箱区相应状态值构成的向量表示,向量的长度等于堆场中的箱区数;
各箱区相应状态为当前箱区的堆场状态数据中各参数在其相邻的8个箱区中的相对大小;参数为堆存量/作业数/场桥数/堆箱作业比例;
计算方法为:将任一箱区的堆场状态数据与其相邻箱区依次两两对比,当该箱区参数值大于某一相邻箱区时,将该箱区的相应状态值+1;当该箱区参数值小于某一相邻箱区时,将该箱区的相应状态值-1;当该箱区参数值与某一相邻箱区相等时,保持相应状态值不变;与全部8个相邻箱区两两对比结束后,得到累加后的箱区相应状态值,取值范围为[-8,8];且状态值越大,表示该箱区的堆存量/作业数/场桥数/堆箱作业比例等参数在其相邻的箱区中越大。
堆场中各箱区在不同时间段内的已堆存量、作业数、场桥数、堆箱作业比例等状态值向量各不相同,同时相邻时间段内的状态值向量具有相似性。计算得到不同时间段内的堆场状态值向量后,利用机器学习中的无监督学习算法,构建基于K-means的堆场状态值向量聚类模型,利用不同聚类簇数的各簇中心点与样本间的距离来表征聚类准确度,聚类簇数越多,聚类准确度越高,聚类效率越低。综合考虑聚类效率和聚类准确度,选择合适的聚类簇数进行聚类。
构建基于K-means的堆场状态值向量聚类模型,分别对各箱区已堆存量、各箱区作业数、各箱区场桥数、各箱区堆箱作业比例等四类堆场状态进行聚类;在每一类堆场状态中,取各簇堆场状态值向量的平均值作为该簇样本的典型堆场状态,提取得到典型堆场状态,典型堆场状态数量与聚类簇数相等。
步骤三、集装箱卸船箱区选择影响因素分析;
通过统计历史数据中不同各类型卸船集装箱的箱区选择情况,获得集装箱卸船箱区选择影响因素包括集装箱属性特征、卸船特征以及堆场状态特征;集装箱属性特征包括集装箱进出口类型;卸船特征包括卸船泊位编号;堆场状态特征包括各箱区的已堆存量类型、作业数类型、场桥数类型以及堆箱作业比例类型;
步骤四、提取基于机器学习的卸船箱堆存箱区选择规则;
利用步骤二中的堆场状态聚类方法,得到各小时内相应数量的已堆存量状态、作业数状态、场桥数状态和堆箱作业比例等典型堆场状态簇,在此基础上,对历史数据中的卸船箱堆存箱区选择规则进行挖掘。
基于机器学习中的监督学习理念,当堆场中各箱区的已堆存量、作业数、场桥数、堆箱作业比例状态值向量分别属于对应的某一类典型堆场状态时,统计历史数据中该堆场状态组合下的箱区分配特征;箱区分配特征包括:所分配箱区的已堆存量状态值、作业数状态值、场桥数状态值以及堆箱作业比例状态值;统计各堆场状态组合下具有不同已堆存量、作业数、场桥数、堆箱作业比例状态值的箱区数量并计算出现概率,将各堆场状态组合下具有各状态值的箱区选择概率作为卸船箱堆存箱区选择规则;
步骤五、基于规则的卸船箱箱区分配智能算法设计,包括特征重要性计算、启发式对比规则设计、算法验证;
为确定不同影响因素对卸船箱箱区分配的影响程度,首先采用打乱顺序的随机森林算法构建机器学习模型,采用打乱顺序的随机森林算法计算卸船箱区箱位分配特征重要性,包括进出口类型、卸船泊位、堆场各箱区已堆存量状态、作业数状态、场桥数状态、堆箱作业比例状态,在此基础上利用基于规则的卸船箱箱区分配智能算法生成卸船箱的可选落箱箱区集合,基于规则的卸船箱箱区分配智能算法的具体实施方法如下:
(1)基于规则的卸船箱箱区分配智能算法,具体如下:
首先,初始化卸船箱i的卸船时间ti、堆场状态堆场状态规则集{堆存量状态规则C、作业数状态规则J、场桥数状态规则Y、堆箱作业比例状态规则R}、备选箱区集合Bfeasible、最小备选箱区数量M,在四类规则集C、J、Y、R中,分别按照箱区选择概率从高到低的顺序对相应类型规则进行排序;
其次,按照四类堆场状态重要性从高到低的顺序依次调用相应状态对应的规则集合,生成可选箱区集合,调用顺序表示为RULE1、RULE2、RULE3、RULE4;
按照卸船作业顺序,对每个卸船箱i,首先计算当前堆场时间段内的堆场状态s1,按照从高到低顺序,选择RULE1中具有最高概率状态的箱区,若存在该类型箱区,则放入备选集合B1,并进入第二层筛选,若不存在该类型箱区,则继续选择RULE1中具有次高概率状态的箱区,直至备选集合B1不为空集;
在第二层筛选中,计算堆场状态s2,按照选择概率从高到低顺序,依次选择RULE2中具有较高概率状态的箱区,直至备选集合B1和B2的交集不为空集,进入第三层筛选;
在第三层筛选中,计算堆场状态s3,按照选择概率从高到低顺序,依次选择RULE3中具有较高概率状态的箱区,直至备选集合B1、B2和B3的交集不为空集,进入第四层筛选;
在第四层筛选中,计算堆场状态s4,按照选择概率从高到低顺序,依次选择RULE4中具有较高概率状态的箱区,直至备选集合B1、B2、B3和B4的交集不为空集,并将备选集合B1、B2、B3和B4的交集加入备选集合Bfeasible;
判断Bfeasible是否满足最小备选箱区数量M要求,若满足,输出备选集合Bfeasible;
若不满足要求,则从第四层筛选开始,继续选择剩余规则中最高概率状态箱区加入备选集合Bfeasible,直至满足要求停止筛选;
若仍不满足要求,则返回第三层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B3,重复第四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
若仍不满足要求,则返回第二层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B2,重复第三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
若仍不满足要求,则返回第一层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B1,重复第二、三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible。
(2)启发式对比规则用于在备选箱区集合Bfeasible中确定最终落箱箱区,包括随机原则、就近原则以及空闲原则;其中随机原则为在Bfeasible中随机选择最终落箱箱区,就近原则为在Bfeasible中选择距离当前任务中集装箱的卸船泊位最近的箱区,空闲原则为在Bfeasible中选择货主数或已堆存量最少的箱区;其中,优先选择已有同货主集装箱堆存的箱区。
(3)算法验证用于验证该基于规则的卸船箱箱区分配智能算法的箱区分配效果,在堆箱过程中,单个箱区内的作业量越大,场桥的作业压力越大,导致集卡等待场桥作业的时间越长;同时,在未来提箱过程中,单个箱区内货主数越多,同时提箱的数量越多,产生交通拥堵的概率就会越高。因此,采用的评价指标包括堆场内各箱区作业量和货主数的最大值、最小值、平均值和方差。
步骤六、卸船箱箱位分配启发式智能算法设计,包括箱位分配原则设置、卸船箱箱位分配启发式算法设计与验证;
根据步骤五中不同箱区选择原则对比结果,选择最佳原则确定最终落箱箱区。卸船箱的落箱箱区确定后,按照如下原则进行箱位分配。
卸船箱箱位分配启发式智能算法遵循的箱位分配原则包括:(1)相同货主集装箱尽可能堆存在相同或相邻贝位,不同货主的集装箱尽可能分散堆存;
(2)在贝位中选择箱位时,尽可能选择剩余箱位较少的栈位;
(3)不同货主集装箱在同一贝位中堆存时,尽可能选择不同栈位分别堆存各货主集装箱。
任一卸船箱的落箱箱区确定后进行判断;卸船箱箱位分配启发式算法的逻辑具体如下;
判断当前箱区是否有相同货主的集装箱;
1)当当前箱区没有相同货主的集装箱时,进一步判断当前箱区是否有未被其他货主占据的贝位;
1.1)当有被其他货主占据的贝位时,则在可行贝位中选择距离其他货主占据的贝位最远的贝位,并选择已堆存量最少的栈进行堆存;
1.2)当所有贝位均已被其他货主占据时,则在可行贝位中选择货主数最少的贝位,并选择已堆存量最多的栈进行堆存;
2)当当前箱区已有相同货主的集装箱时,判断是否有仅被当前货主集装箱占据的贝位;
2.1)当有仅被当前货主集装箱占据的贝位时,进一步判断是否有空余箱位;2.1.1)当有空余箱位时,则选择剩余箱位最少且有空余箱位的栈进行堆存;2.1.2)当没有空余箱位时,进一步判断是否有未被其他货主占据贝位的情况;
2.1.2.1)当有未被其他货主占据的其他贝位时,则选择距离该货主占据的贝位最近的贝位,并选择已堆货主数最少、剩余箱位最少的栈进行堆存;
2.1.2.2)当各贝位均已被其他货主占据时,进一步判断是否有当前货主集装箱堆存的贝位;
2.1.2.2.1)当有当前货主集装箱堆存的贝位时,在有当前货主集装箱堆存的贝位中选择货主数最少、剩余箱位最少的栈进行堆存;
2.1.2.2.2)当没有当前货主集装箱堆存的贝位时,在所有可行贝位中选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
2.2)当当前箱区只有同时被当前货主和其他货主占据的贝位,或仅被其他货主占据的贝位时,进一步判断包含该货主集装箱的贝位中是否有空余箱位;
2.2.1)当包含该货主集装箱的贝位中有空余箱位时,在包含该货主集装箱的所有可行贝位中选择货主数最少的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
2.2.2)当包含该货主集装箱的贝位中没有空余箱位时,选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
箱位确定后,对箱位分配结果进行验证。在箱区内取箱时,若同货主集装箱集中堆存,则有利于减少场桥在箱区内的移动,提高场桥取箱作业效率;若同货主集装箱分散堆存,则会增加提箱过程中场桥沿贝位方向的空车移动,降低作业效率,进而延长取箱集卡排队时间,造成箱区间的车道拥堵。考虑同货主集装箱在箱区内的分布情况,卸船箱箱位分配启发式算法的验证采用同货主集装箱堆存密度作为箱位分配效果评价指标,计算方法如下式所示;
其中,ni为货主i在当前箱区占据的贝位数,fi为货主i在当前箱区占据的最前方的贝位编号,li为货主i在当前箱区占据的最后方的贝位编号;
同货主集装箱堆存密度的取值范围为(0,1],该指标越接近0,表示同一货主的集装箱堆存的贝位越分散,越接近1,表示同一货主的集装箱堆存的贝位越密集。
所述聚类簇数设置为8,则共提取得到8类典型堆场状态。
本发明的有益效果:本发明考虑了集装箱特征、作业特征以及堆场状态特征在码头实际运营过程中对箱区分配决策的影响,基于海量历史运营数据,运用数据挖掘方法,提取历史数据中箱区分配与集装箱特征、作业特征以及堆场状态特征之间的关联规则,在此基础上设计了箱区分配与箱位分配智能算法。有效地利用了集装箱码头的海量历史运营数据,考虑集装箱特征、作业特征以及堆场状态特征,深入挖掘提取卸船箱区分配规则,在此基础上对箱区、箱位分配决策进行优化,并根据码头运营状态智能调整作业决策,能够为港口管理者实时提供合理有效的卸船箱箱区、箱位分配决策,有利于缓解堆场交通拥堵、提高集装箱码头生产作业效率,推进集装箱码头智慧化建设。
附图说明
图1是码头平面布置示意图;
图2是临近箱区概念示意图;
图3是二维箱区状态-一维堆场状态转换示意图;
图4是不同聚类簇数的各簇中心点与样本距离;
图5是堆场已堆存量典型状态聚类结果;(a)-(h)分别对应典型堆场状态1-典型堆场状态8;
图6是各簇已堆存量典型状态折线图;
图7是不同堆场状态的箱区选择次数;(a)为箱区已堆存量状态;(b)为箱区作业数状态;(c)为箱区堆箱作业比例;
图8是卸船箱区箱位分配特征重要性计算结果;
图9是卸船箱箱位分配启发式智能算法逻辑流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明以2019年斯里兰卡科伦坡港CICT码头集装箱卸船箱区、箱位分配为实施例。
步骤一:收集集装箱码头卸船作业与堆场状态历史数据。
所述收集的数据包括集装箱码头平面布置相关数据、卸船作业数据以及堆场状态数据。
码头平面布置相关数据包括泊位数量、堆场布置形式以及箱区数量等。本案例中,共有4个泊位,堆场采用水平布置形式,共有38个重箱箱区,3个空箱箱区,2个冷藏箱箱区,泊位与堆场布置图如图1所示。
卸船作业数据包括卸船时间、卸船泊位、落箱箱区以及卸船箱数据。卸船箱数据包括进出口类型与集装箱货主。本案例中,卸船箱包括进口箱、转运箱以及倒柜箱三种类型,其中,进口箱需要由外集卡进行提箱,倒柜箱仅需内集卡在堆场内进行运输,转运箱包括在当前码头装船和在其他码头装船两种情况,前者的作业流程与倒柜箱类似,后者作业流程与进口箱类似。将提箱集卡所属公司作为卸船箱的货主信息,对于进口箱和在其他码头装船的转运箱,其货主为提箱外集卡的所属公司代码,对于倒柜箱和在当前码头装船的转运箱,货主为当前码头(CICT)。
堆场状态数据包括堆场内各重箱箱区在各时段的已堆存量、作业数、场桥数以及堆箱作业比例。其中某箱区的已堆存量包括该箱区各贝位、各栈的堆存数,作业数包括堆箱作业数、取箱作业数和倒箱作业数,场桥数为各时段内在该箱区内有作业记录的场桥总数,堆箱作业比例为该箱区的堆箱作业数占总作业数比例。
针对以上收集的集装箱码头卸船作业数据和堆场状态数据,利用数据挖掘方法,分析集装箱属性、堆场状态与箱区选择间的关联关系,从海量历史数据中提取卸船箱落箱箱区选择规则。
步骤二:基于无监督学习算法,根据历史数据计算堆场状态,利用聚类算法提取典型堆场状态。
如步骤一中所述,选择各时段内各箱区的已堆存量状态、作业数状态、场桥数状态以及堆箱作业比例状态来描述堆场在当前时段的状态,本案例中,以一小时为一个时间段,统计各箱区已堆存量、作业数、场桥数和堆箱作业比例。将箱区i附近相邻的8个箱区定义为箱区i的临近箱区j(j=1,2,···,8),如图2所示。
以已堆存量状态为例,将当前箱区的已堆存量依次与临近箱区的已堆存量进行对比,相对关系记为vi,j,j=1,2,···,8,当前箱区已堆存量若大于临近箱区已堆存量,则vi,j=1,若小于临近箱区已堆存量,则vi,j=-1,若与临近箱区已堆存量相同,则vi,j=0,该箱区的已堆存量状态Vi∈[-8,8]。Vi越大,表示该箱区的已堆存量在临近箱区中相对越大;Vi越小,表示该箱区的已堆存量在临近箱区中相对越小。
各箱区状态表示方法确定后,将二维分布的箱区状态转换为一维的堆场状态,得到堆场状态值向量,转换过程如图3所示。
以小时为单位,按照上述方法计算得到2019年全年共8760小时的堆场已堆存量状态值向量,得到各小时的堆场已堆存量状态值向量折线,利用机器学习中的无监督学习算法,构建基于K-means的堆场状态值向量聚类模型,根据样本间的相似性,对各小时的堆场已堆存量状态值向量进行聚类,首先计算不同聚类簇数的各簇中心点与样本的距离,如图4所示。
随聚类簇数增加,各簇中心点与样本点之间的距离逐渐减小,聚类准确度逐渐提高,聚类效率随之下降。综合考虑聚类效率和聚类准确性,将聚类簇数设置为8,对堆场已堆存量状态值向量进行聚类,得到各小时堆场已堆存量状态值向量所属的簇类,在每一类堆场状态值向量簇中,取各簇堆场状态值向量的平均值作为该簇样本的典型堆场状态,共提取得到8类堆场已堆存量典型状态,如图5所示。
图5中的黑色折线表示各簇的堆场已堆存量典型状态,提取各平均已堆存量状态进行对比,如图6所示。
通过图6对比可知,部分箱区在全年中均保持已堆存量相对较高或相对较低的状态(例如:18、33、35箱区等),同时,部分箱区在不同簇类的堆存量状态相差较大(例如:5、14、21箱区等)。
步骤三:集装箱卸船箱区选择影响因素分析。
根据图1可知,堆场共分为4个区域(01~04),其中01、03、04号堆存区域各有10个重箱箱区(A~K排),02号区域有8个重箱箱区(A~H排)。基于统计学理论,通过整理历史数据中不同区域、不同排中各类型卸船集装箱的箱区选择情况,分析集装箱属性特征(进出口类型)、卸船特征(泊位编号)以及堆场状态特征(堆存量类型、作业数类型、场桥数类型、堆箱作业比例类型)对箱区分配的影响。
(1)进出口类型
如步骤一中所述,本案例中的卸船箱包括需要在本码头装船的转运箱、倒柜箱以及需要提箱的进口箱、转运箱,因此,根据卸船箱去向,分别统计历史数据(2019年)中需要装船和提箱的卸船箱堆存箱区位置,统计结果如下表所示:
表1需要装船的卸船箱堆存箱区所在排号
表2需要提箱的卸船箱堆存箱区所在排号
根据统计数据可知,需要装船的卸船箱大多堆存在靠近岸侧的箱区,需要提箱的卸船箱大多堆存在靠近陆侧的箱区。结果表明,在本案例码头的卸船箱区分配过程中,倾向于将需要装船的卸船箱分配至靠近岸侧的箱区,便于后续装船作业,对于需要提箱的卸船箱,倾向去将其分配至靠近陆侧的箱区,便于后续提箱作业。
(2)泊位编号
分别统计历史数据(2019年)中在不同泊位卸船的集装箱堆存箱区所在区域,统计结果如下表所示:
表3不同泊位的卸船箱堆存箱区所在区域
根据统计数据可知,由于02区域的箱区数量(8个)少于01、03、04区域(10个),因此各泊位的卸船箱在02区域的堆存数量较少,同时,各泊位的卸船箱在靠近卸船泊位区域的堆存数量相对较多。结果表明,本案例码头在进行卸船箱区分配过程中,倾向于选择距离卸船泊位较近的箱区。
(3)堆场状态
如步骤1中所述,选取各时段内各箱区的已堆存量状态、作业数状态和堆箱作业比例来描述堆场状态,其中已堆存量状态和作业数状态的表示方法如步骤二所述。分别统计历史数据(2019年)中选择不同已堆存量状态、不同作业数状态以及不同堆箱作业比例的卸船箱区次数,结果如图7所示。
根据统计结果可知,约74%的卸箱任务选择了已堆存量、作业数相对较少的箱区,且大部分落箱箱区的已堆存量和作业数状态值为-8、-6、-4、-2、0、2;约42%的卸箱任务选择了堆箱作业比例超过90%的箱区,约33%的卸箱任务选择了堆箱作业比例为100%的箱区,随着堆箱作业比例降低,相应箱区的选择次数逐渐减少。结果表明,在本案例码头在卸船箱区分配过程中,倾向于选择已堆存量相对较少、作业数相对较少且堆箱作业比例较高的箱区。
步骤四:基于机器学习的卸船箱堆存箱区选择规则提取。
利用步骤二中的堆场状态聚类方法,得到各小时内的堆存量状态、作业数状态、场桥数状态和堆箱比例状态各8类,基于机器学习中的监督学习理念,对历史数据中的卸船箱堆存箱区选择规则进行挖掘。
根据卸船作业时间,为历史数据中的每一项卸船任务匹配四种类型堆场状态,当堆场中各箱区的堆存量、作业数、场桥数、堆箱作业比例状态值向量分别属于对应的某一类典型状态时,统计历史数据中该状态组合下的箱区分配特征,其中箱区分配特征包括:所分配箱区的堆存量状态值、作业数状态值、场桥数状态值以及堆箱作业比例状态值。统计各状态组合下具有不同堆存量、作业数、场桥数、堆箱作业比例状态值的箱区数量并计算出现概率,将各状态组合下具有各状态值的箱区选择概率作为卸船箱堆存箱区选择规则。以堆场堆存量状态选择规则为例,统计结果如下表所示:
表4部分堆场堆存量状态选择规则
在表4中,将堆存量状态为典型状态1、作业数状态为典型状态5、场桥数状态为典型状态3、堆箱比例状态为典型状态8的组合记为1类堆场状态,当堆场状态为1类时,在历史数据堆存量状态值为1的箱区的选择概率为25.00%、堆存量状态值为0的箱区选择概率为20.83%、堆存量状态值为-4的箱区选择概率为16.67%、堆存量状态值为-6的箱区选择概率为10.42%,分别标记为规则1-1、规则1-2、规则1-3和规则1-4。
步骤五:基于规则的卸船箱箱区分配智能算法设计与验证。
为确定不同影响因素对卸船箱箱区分配的影响程度,采用打乱顺序的随机森林算法,计算了进出口类型、卸船泊位以及四种堆场状态的特征重要性,结果如图8所示。
特征重要性计算结果显示,在四种堆场状态特征中,堆存量状态重要性>作业数状态>场桥数状态>堆箱作业比例状态。因此,在基于规则的卸船箱箱区分配智能算法中,四类规则集合按照C、J、Y、R的顺序依次调用,算法的具体实施方法如下:
首先,初始化卸船箱i的卸船时间ti、堆场状态堆场状态规则集{堆存量状态规则C、作业数状态规则J、场桥数状态规则Y、堆箱作业比例状态规则R}、备选箱区集合Bfeasible、最小备选箱区数量M,在四类规则集合中,按照C、J、Y、R中,分别按照选择概率从高到低的顺序对相应类型规则进行排序;
其次,按照四种堆场状态重要性从高到低的顺序依次调用相应状态对应的规则集合,生成可选箱区集合,调用顺序为C、J、Y、R;
按照卸船作业顺序,对每个卸船箱i,首先计算当前堆场时间段内的堆场状态sc,按照从高到低顺序,选择C中具有最高概率状态的箱区,若存在该类型箱区,则放入备选集合Bc,并进入第二层筛选,若不存在该类型箱区,则继续选择C中具有次高概率状态的箱区,直至备选集合Bc不为空集;
在第二层筛选中,计算堆场状态sj,按照选择概率从高到低顺序,依次选择J中具有较高概率状态的箱区,直至备选集合Bc和Bj的交集不为空集,进入第三层筛选;
在第三层筛选中,计算堆场状态sy,按照选择概率从高到低顺序,依次选择Y中具有较高概率状态的箱区,直至备选集合Bc、Bj和By的交集不为空集,进入第四层筛选;
在第四层筛选中,计算堆场状态sr,按照选择概率从高到低顺序,依次选择R中具有较高概率状态的箱区,直至备选集合Bc、Bj、By和Br的交集不为空集,并将备选集合Bc、Bj、By和Br的交集加入备选集合Bfeasible;
判断Bfeasible是否满足最小备选箱区数量M要求,若满足,输出备选集合Bfeasible;
若不满足要求,则从第四层筛选开始,继续选择剩余规则中最高概率状态箱区更新备选集合Br,将备选集合Bc、Bj、By和Br的交集加入备选集合Bfeasible,直至满足要求停止筛选;
若仍不满足要求,则返回第三层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合By,重复第四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
若仍不满足要求,则返回第二层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合Bj,重复第三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
若仍不满足要求,则返回第一层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合Bc,重复第二、三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
该基于规则的卸船箱箱区分配智能算法的伪代码如下:
利用箱区选择规则筛选得到卸船箱备选落箱箱区集合Bfeasible后,利用不同启发式算法对最终落箱箱区进行分配,包括随机原则、距离卸船泊位最近原则以及货主/堆存量最少原则,具体如下:
(1)随机原则:在备选落箱箱区集合中随机选择有剩余箱位的箱区作为最终落箱箱区;
(2)就近原则:在备选落箱箱区集合中选择距离卸船泊位最近、且有剩余箱位的箱区作为最终落箱箱区;
(3)空闲原则:在备选落箱箱区集合中选择已堆货主数最少、已堆存量最少、且有剩余箱位的箱区作为最终落箱箱区,其中,优先选择已有同货主集装箱堆存的箱区。
最后,对箱区分配算法进行验证。在堆箱过程中,单个箱区内的作业量越大,场桥的作业压力越大,导致集卡等待场桥作业的时间越长;同时,在未来提箱过程中,单个箱区内货主数越多,同时提箱的数量越多,产生交通拥堵的概率就会越高。因此,采用的评价指标包括堆场内各箱区作业量和货主数的最大值、最小值、平均值和方差,不同箱区分配原则下的各项评价指标对比如下表所示:
表5不同原则下的箱区分配效果对比
表5的对比结果显示,在随机选择箱区的原则下,各项指标与历史数据较为接近,说明上述卸船箱备选落箱箱区生成算法得到的备选箱区集合基本符合本案例码头实际运营过程中的箱区分配偏好,验证了步骤四中所述基于堆场状态的卸船箱落箱箱区选择规则的有效性。在三种箱区选择原则中,距离卸船泊位最近原则下各箱区的平均货主数最少,货主数/堆存量最少原则下的单箱区最大作业量和各箱区作业量方差较小,两种原则均优于历史数据。
步骤六:卸船箱箱位分配启发式智能算法设计与验证。
根据步骤五中不同箱区选择原则对比结果,选择最佳原则确定最终落箱箱区。卸船箱的落箱箱区确定后,按照如下原则进行箱位分配:
(1)相同货主集装箱尽可能堆存在相同或相邻贝位,不同货主的集装箱尽可能分散堆存;
(2)在贝位中选择箱位时,尽可能选择剩余箱位较少的栈位;
(3)不同货主集装箱在同一贝位中堆存时,尽可能选择不同栈位分别堆存各货主集装箱。
基于以上原则,在已知落箱箱区的前提下,设计卸船箱箱位分配启发式算法,算法的主要逻辑流程如下:
(1)任一卸船箱的落箱箱区确定后,首先判断当前箱区是否有相同货主的集装箱;若没有,进一步判断当前箱区是否有未被其他货主占据的贝位,若有,则在可行贝位中选择距离其他货主占据的贝位最远的贝位,并选择已堆存量最少的栈进行堆存;若所有贝位均已被其他货主占据,则在可行贝位中选择货主数最少的贝位,并选择已堆存量最多的栈进行堆存;
(2)若当前箱区已有相同货主的集装箱,判断是否有仅被当前货主集装箱占据的贝位,若有,进一步判断是否有空余箱位,若有,则选择剩余箱位最少且有空余箱位的栈进行堆存;
(3)若仅被该货主占据的贝位没有空余箱位,进一步判断其他贝位中的货主占据情况,若有未被其他货主占据的其他贝位,则选择距离该货主占据的贝位最近的贝位,并选择已堆货主数最少、剩余箱位最少的栈进行堆存;
(4)若各贝位均已被其他货主占据,进一步判断是否有当前货主集装箱堆存的贝位,若有,则在有当前货主集装箱堆存的贝位中选择货主数最少、剩余箱位最少的栈进行堆存;若其他贝位中没有当前货主集装箱堆存的贝位,则在所有可行贝位中选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
(5)若当前箱区只有同时被当前货主和其他货主占据的贝位,或仅被其他货主占据的贝位,进一步判断包含该货主集装箱的贝位中是否有空余箱位,若有,则在包含该货主集装箱的所有可行贝位中选择货主数最少的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;若仅有不包含该货主集装箱的可行贝位,则选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存。
算法逻辑流程图9所示。
箱位确定后,对箱位分配结果进行验证。在箱区内取箱时,若同货主集装箱集中堆存,则有利于减少场桥在箱区内的移动,提高场桥取箱作业效率;若同货主集装箱分散堆存,则会增加提箱过程中场桥沿贝位方向的空车移动,降低作业效率,进而延长取箱集卡排队时间,造成箱区间的车道拥堵。考虑同货主集装箱在箱区内的分布情况,采用同货主集装箱堆存密度作为箱位分配评价指标,计算方法如下:
其中,ni为货主i在当前箱区占据的贝位数,fi为货主i在当前箱区占据的最前方的贝位编号,li为货主i在当前箱区占据的最后方的贝位编号。
同货主集装箱堆存密度的取值范围为(0,1],该指标越接近0,表示同一货主的集装箱堆存的贝位越分散,越接近1,表示同一货主的集装箱堆存的贝位越密集。该箱位分配启发式算法与历史数据中各箱区的同货主集装箱堆存密度对比如下表所示:
表6箱位分配启发式算法效果对比
由表6对比可知,在本案例码头的历史运营过程中,同货主集装箱堆存密度最多达到了23,说明箱区内存在较多不同货主集装箱混堆的情况;在本研究设计的箱位分配启发式算法计算结果中,所有箱区、所有货主的集装箱堆存密度均为1,说明所有集装箱均按照货主集中堆存,没有出现混堆情况。结果表明,本研究设计的箱位分配启发式算法能够有效避免不同货主集装箱混堆,有利于提高取箱时的场桥作业效率。
Claims (4)
1.一种基于机器学习的卸船集装箱箱区、箱位分配智能算法,其特征在于,包括以下步骤:
步骤一、收集集装箱码头卸船作业与堆场状态历史数据,包括集装箱码头平面布置数据、卸船作业数据以及堆场状态数据;
集装箱码头平面布置数据包括泊位数量、堆场布置形式以及箱区数量;卸船作业数据包括卸船时间、卸船泊位、落箱箱区以及卸船箱数据;卸船箱数据包括进出口类型与集装箱货主;堆场状态数据包括堆场内各箱区在各时段的已堆存量、作业数、场桥数以及堆箱作业比例;其中箱区的已堆存量包括该箱区各贝位、各栈的堆存数;箱区的作业数包括堆箱作业数、取箱作业数和倒箱作业数;箱区的场桥数为各时段内在该箱区内有作业记录的场桥总数;箱区的堆箱作业比例为该箱区的堆箱作业数占总作业数比例;
步骤二、基于无监督学习算法,根据历史数据计算堆场状态,并利用聚类算法提取典型堆场状态;
堆场状态包括已堆存量状态、作业数状态、场桥数状态以及堆箱作业比例状态;其中,堆场的某一状态是由各箱区相应状态值构成的向量表示,向量的长度等于堆场中的箱区数;
各箱区相应状态为当前箱区的各状态参数在其相邻的8个箱区中的相对大小;状态参数为已堆存量/作业数/场桥数/堆箱作业比例;
计算方法为:将任一箱区的状态参数与其相邻箱区依次两两对比,当该箱区参数值大于某一相邻箱区时,将该箱区的相应状态值+1;当该箱区参数值小于某一相邻箱区时,将该箱区的相应状态值-1;当该箱区参数值与某一相邻箱区相等时,保持相应状态值不变;与全部8个相邻箱区两两对比结束后,得到累加后的箱区相应状态值,取值范围为[-8,8];
构建基于K-means的堆场状态值向量聚类模型,设置聚类簇数,分别对各箱区已堆存量、各箱区作业数、各箱区场桥数、各箱区堆箱作业比例四类堆场状态进行聚类;在每一类堆场状态中,取各簇堆场状态值向量的平均值作为该簇样本的典型堆场状态,典型堆场状态数量与聚类簇数相等;
步骤三、集装箱卸船箱区选择影响因素分析;
集装箱卸船箱区选择影响因素包括集装箱属性特征、卸船特征以及堆场状态特征;集装箱属性特征包括集装箱进出口类型;卸船特征包括卸船泊位编号;堆场状态特征包括各箱区的已堆存量类型、作业数类型、场桥数类型以及堆箱作业比例类型;
步骤四、提取基于机器学习的卸船箱堆存箱区选择规则;
基于机器学习中的监督学习理念,当堆场中各箱区的已堆存量、作业数、场桥数、堆箱作业比例状态值向量分别属于对应的某一类典型堆场状态时,统计历史数据中该堆场状态组合下的箱区分配特征;箱区分配特征包括:所分配箱区的已堆存量状态值、作业数状态值、场桥数状态值以及堆箱作业比例状态值;统计各堆场状态组合下具有不同已堆存量、作业数、场桥数、堆箱作业比例状态值的箱区数量并计算出现概率,将各堆场状态组合下具有各状态值的箱区选择概率作为卸船箱堆存箱区选择规则;
步骤五、基于规则的卸船箱箱区分配智能算法设计,包括特征重要性计算、启发式对比规则设计、算法验证;
(1)采用打乱顺序的随机森林算法计算卸船箱区箱位分配特征重要性,卸船箱区箱位分配特征包括进出口类型、卸船泊位、堆场各箱区已堆存量状态、作业数状态、场桥数状态、堆箱作业比例状态;
基于规则的卸船箱箱区分配智能算法,具体如下:
首先,初始化卸船箱i的卸船时间ti、堆场状态堆场状态规则集{堆存量状态规则C、作业数状态规则J、场桥数状态规则Y、堆箱作业比例状态规则R}、备选箱区集合Bfeasible、最小备选箱区数量M,在四类规则集C、J、Y、R中,分别按照箱区选择概率从高到低的顺序对相应类型规则进行排序;
其次,按照四类堆场状态重要性从高到低的顺序依次调用相应状态对应的规则集合,生成可选箱区集合,调用顺序表示为RULE1、RULE2、RULE3、RULE4;
按照卸船作业顺序,对每个卸船箱i,根据规则集分为四层筛选,分层正序筛选,依次将各类堆场状态下概率最高的箱区选入不同的备选集合;获得的四个不同备选集合的交集加入备选箱区集合Bfeasible;
判断Bfeasible是否满足最小备选箱区数量M要求,当满足时,输出备选集合Bfeasible;当不满足要求时,从第四层开始筛选,继续选择剩余规则中最高概率状态箱区加入备选集合Bfeasible,直至满足要求停止筛选;当仍不满足要求时,进行倒序筛选,获得剩余规则中最高概率状态箱区加入对应层的备选集合中,从该层开始正序筛选,获得Bfeasible,直至该备选集合Bfeasible符合要求后,停止筛选;
(2)启发式对比规则用于在备选箱区集合Bfeasible中确定最终落箱箱区,包括随机原则、就近原则以及空闲原则;其中随机原则为在Bfeasible中随机选择最终落箱箱区,就近原则为在Bfeasible中选择距离当前任务中集装箱的卸船泊位最近的箱区,空闲原则为在Bfeasible中选择货主数或已堆存量最少的箱区;
(3)算法验证用于验证该基于规则的卸船箱箱区分配智能算法的箱区分配效果,采用的评价指标包括堆场内各箱区作业量和货主数的最大值、最小值、平均值和方差;
步骤六、卸船箱箱位分配启发式智能算法设计,包括箱位分配原则设置、卸船箱箱位分配启发式算法设计与验证;
卸船箱箱位分配启发式智能算法遵循的箱位分配原则包括:(1)相同货主集装箱堆存在相同或相邻贝位,不同货主的集装箱分散堆存;(2)在贝位中选择箱位时,选择剩余箱位少的栈位;(3)不同货主集装箱在同一贝位中堆存时,选择不同栈位分别堆存各货主集装箱;
任一卸船箱的落箱箱区确定后进行判断;卸船箱箱位分配启发式算法的逻辑具体如下;
判断当前箱区是否有相同货主的集装箱;
1)当当前箱区没有相同货主的集装箱时,进一步判断当前箱区是否有未被其他货主占据的贝位;
1.1)当有被其他货主占据的贝位时,则在可行贝位中选择距离其他货主占据的贝位最远的贝位,并选择已堆存量最少的栈进行堆存;
1.2)当所有贝位均已被其他货主占据时,则在可行贝位中选择货主数最少的贝位,并选择已堆存量最多的栈进行堆存;
2)当当前箱区已有相同货主的集装箱时,判断是否有仅被当前货主集装箱占据的贝位;
2.1)当有仅被当前货主集装箱占据的贝位时,进一步判断是否有空余箱位;2.1.1)当有空余箱位时,则选择剩余箱位最少且有空余箱位的栈进行堆存;
2.1.2)当没有空余箱位时,进一步判断是否有未被其他货主占据贝位的情况;
2.1.2.1)当有未被其他货主占据的其他贝位时,则选择距离该货主占据的贝位最近的贝位,并选择已堆货主数最少、剩余箱位最少的栈进行堆存;
2.1.2.2)当各贝位均已被其他货主占据时,进一步判断是否有当前货主集装箱堆存的贝位;
2.1.2.2.1)当有当前货主集装箱堆存的贝位时,在有当前货主集装箱堆存的贝位中选择货主数最少、剩余箱位最少的栈进行堆存;
2.1.2.2.2)当没有当前货主集装箱堆存的贝位时,在所有可行贝位中选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
2.2)当当前箱区只有同时被当前货主和其他货主占据的贝位,或仅被其他货主占据的贝位时,进一步判断包含该货主集装箱的贝位中是否有空余箱位;
2.2.1)当包含该货主集装箱的贝位中有空余箱位时,在包含该货主集装箱的所有可行贝位中选择货主数最少的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
2.2.2)当包含该货主集装箱的贝位中没有空余箱位时,选择距离该货主贝位最近的贝位,并选择货主数最少、剩余箱位最少的栈进行堆存;
卸船箱箱位分配启发式算法的验证采用同货主集装箱堆存密度作为箱位分配效果评价指标,计算方法如下式所示;
其中,ni为货主i在当前箱区占据的贝位数,fi为货主i在当前箱区占据的最前方的贝位编号,li为货主i在当前箱区占据的最后方的贝位编号;
同货主集装箱堆存密度的取值范围为(0,1],该指标越接近0,表示同一货主的集装箱堆存的贝位越分散,越接近1,表示同一货主的集装箱堆存的贝位越密集。
2.根据权利要求1所述的基于机器学习的卸船集装箱箱区、箱位分配智能算法,其特征在于,所述根据规则集合分为四层筛选具体为;
首先计算当前堆场时间段内的堆场状态s1,按照箱区选择概率从高到低顺序,选择RULE1中具有最高概率状态的箱区;当存在该类型箱区时,放入备选集合B1,并进入第二层筛选;当不存在该类型箱区时,继续选择RULE1中具有次高概率状态的箱区,直至备选集合B1不为空集;
在第二层筛选中,计算堆场状态s2,按照选择概率从高到低顺序,依次选择RULE2中具有最高概率状态的箱区,直至备选集合B1和B2的交集不为空集,进入第三层筛选;
在第三层筛选中,计算堆场状态s3,按照选择概率从高到低顺序,依次选择RULE3中具有较高概率状态的箱区,直至备选集合B1、B2和B3的交集不为空集,进入第四层筛选;
在第四层筛选中,计算堆场状态s4,按照选择概率从高到低顺序,依次选择RULE4中具有较高概率状态的箱区,直至备选集合B1、B2、B3和B4的交集不为空集,并将备选集合B1、B2、B3和B4的交集加入备选集合Bfeasible。
3.根据权利要求1或2所述的基于机器学习的卸船集装箱箱区、箱位分配智能算法,其特征在于,所述Bfeasible不满足最小备选箱区数量M要求时,具体步骤为;
当Bfeasible不满足最小备选箱区数量M要求时,则从第四层筛选开始,继续选择剩余规则中最高概率状态箱区加入备选集合Bfeasible,直至满足要求停止筛选;
当仍不满足要求,则返回第三层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B3,重复第四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
当仍不满足要求,则返回第二层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B2,重复第三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible;
若仍不满足要求,则返回第一层筛选,继续选择剩余规则中最高概率状态箱区,更新备选集合B1,重复第二、三、四层筛选过程,直至满足要求停止筛选,输出备选集合Bfeasible。
4.根据权利要求1所述的基于机器学习的卸船集装箱箱区、箱位分配智能算法,其特征在于,所述聚类簇数设置为8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099026.7A CN116402173A (zh) | 2022-09-06 | 2022-09-06 | 一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211099026.7A CN116402173A (zh) | 2022-09-06 | 2022-09-06 | 一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402173A true CN116402173A (zh) | 2023-07-07 |
Family
ID=87009142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211099026.7A Pending CN116402173A (zh) | 2022-09-06 | 2022-09-06 | 一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402173A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101585453A (zh) * | 2008-05-20 | 2009-11-25 | 上海海事大学 | 集装箱码头出口箱堆场分配方法 |
CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
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 |
CN113205444A (zh) * | 2021-05-31 | 2021-08-03 | 上海海事大学 | 区域集装箱海运物理层-任务层-信息层网络模型 |
CN113962278A (zh) * | 2021-01-12 | 2022-01-21 | 大连理工大学 | 基于聚类的智能集成学习分类方法 |
-
2022
- 2022-09-06 CN CN202211099026.7A patent/CN116402173A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101585453A (zh) * | 2008-05-20 | 2009-11-25 | 上海海事大学 | 集装箱码头出口箱堆场分配方法 |
CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
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 |
CN113962278A (zh) * | 2021-01-12 | 2022-01-21 | 大连理工大学 | 基于聚类的智能集成学习分类方法 |
CN113205444A (zh) * | 2021-05-31 | 2021-08-03 | 上海海事大学 | 区域集装箱海运物理层-任务层-信息层网络模型 |
Non-Patent Citations (1)
Title |
---|
董侨等: "《道路工程数据分析原理与方法》", 31 January 2022, 东南大学出版社, pages: 147 - 148 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101585453B (zh) | 集装箱码头出口箱堆场自动分配方法 | |
Kozan et al. | Genetic algorithms to schedule container transfers at multimodal terminals | |
CN103246941B (zh) | 一种出口集装箱码头堆存空间调度方法 | |
Yang et al. | A grouped storage method for minimizing relocations in block stacking systems | |
Chou | AHP model for the container port choice in the multiple-ports region | |
CN110599000B (zh) | 自动化码头翻箱评估方法、箱位分配方法及相关装置 | |
CN113689037B (zh) | 一种散货港口生产调度优化方法 | |
Yu et al. | Flexible yard management in container terminals for uncertain retrieving sequence | |
CN101986313A (zh) | 基于知识的集装箱码头泊位与岸桥调度方法 | |
CN114841642B (zh) | 基于鹰栖息优化的辅料入库货位分配方法 | |
Ilesaliev et al. | Peculiarities of container terminal functioning in delivery chains | |
CN115511151A (zh) | 集装箱落位筛选方法、***、存储介质和电子设备 | |
Cho et al. | GMM-based online optimization for container stacking in port container terminals | |
Mengjue et al. | Storage allocation in automated container terminals: the upper level | |
Ambrosino et al. | Optimization approaches for defining storage strategies in maritime container terminals | |
CN116402173A (zh) | 一种基于机器学习的卸船集装箱箱区、箱位分配智能算法 | |
Hsu et al. | Heuristic/Metaheuristic-based simulation optimization approaches for integrated scheduling of yard crane, yard truck, and quay crane considering import and export containers | |
CN112926873A (zh) | 集装箱码头船舶配载深度学习混合训练*** | |
Murty | Yard crane pools and optimum layouts for storage yards of container terminals | |
CN117078124A (zh) | 一种基于遗传算法的船舶指泊方法及*** | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
CN113435810B (zh) | 一种二段式集装箱自动派位方法和*** | |
CN1702655A (zh) | 一种装船时减少集装箱翻箱量的优化方法 | |
Said et al. | An intelligent optimization approach for storage space allocation at seaports: A case study | |
Fibrianto et al. | A simulation study of a storage policy for a container terminal |
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 |