集装箱码头连续泊位动态分配优化模型及算法
- 格式：pdf
- 大小：394.67 KB
- 文档页数：2
交通运输
集装箱码头连续泊位动态分配优化模型及算法
张佳运1,卢 刚2
(辽宁省交通工程质量与安全监督局,沈阳 110005;2.丹东市交通工程质量与安全监督处,丹东 118000)
摘 要:以泊位配置问题为研究对象,以到港船舶总在港时间最短为目标,建立优化模型。
设计了基于Q学习方法的优化算法,并以某集装箱码头的实际船舶作业数据为例,对模型及算法的有效性进行了验证。
关键词:集装箱码头;泊位分配;Q学习算法
中图分类号:U653.2 文献标识码:B 文章编号:1673-6052(2011)04-0127-02
1引言
近年来,各区域内集装箱码头公司间的竞争日益激烈,各集装箱码头公司纷纷会采用各种竞争策略,提高码头的服务水平,减少船舶的在港时间,以提高顾客(船公司)的满意度,也希望营运成本最小,以保持竞争优势。
提高集装箱码头服务效率,最直接的方法就是扩大港口规模、更新港口设备,但投资是非常大的。
因此,合理地分配现有资源,显得更为重要。
基于这种考虑,K i m[1]用混合整数规划模型来确定船舶在岸线停靠位置和停靠时间,并用模拟淬火算法给出了该模型的近似最优解;李平[2]以船舶总在港时间最小为目标建立了泊位调度问题的非线性规划模型,并应用混合优化策略(GATS)求解了模型;张煜[3]针对泊位调度问题,将岸线连续化,建立了泊位的动态调度模型,并利用遗传算法求解模型。
2问题的描述
所谓泊位分配问题,就是为到港的船舶指定适当的位置,供其靠泊作业,以减少船舶的在港时间。
所谓连续是指将岸线作为连续的,满足船舶物理条件(水深和长度)限制的位置就能靠泊;所谓动态是相对于静态(在调度时,所有的船舶都已抵港等待靠泊)而言的,指所考虑的船舶可以在其它船舶靠泊后才到达。
船舶总在港时间可分为待泊时间和作业时间两部分。
本研究数学模型的建立基于以下假设条件:
(1)泊位水深能满足所有到港船舶的吃水要求;
(2)不考虑船舶移泊,每个船舶只有一次靠泊机会;
(3)当多个岸桥为同一艘船舶服务时,相互间会有所干扰,影响工作效率;
(4)船舶在锚地检验检疫时间为常数,在本研究中不考虑其影响。
3数学模型
F:船舶总在港时间;I:研究时间内所有到港船舶的集合;L:岸线总长度;N:计划期长度;m i:船舶i 开始被服务的时间;A i:船舶i的到港时间;t i:船舶i 在本港的装卸时间;l i:船舶i的长度,i S;q i:船舶i 开始靠泊的岸线点;b i:船舶i的富裕宽度;x ij:决策变量,如果j时刻船舶i靠泊,则取1,否则取0。
目标函数为:
m i n F=
j N
i I
(m i-A i+t i)x ij(1) s..t
i I
(l i+b i)x ij L j N(2) m i-A i 0 i I(3)
q i+1 q i+l i+b i j N(4)
q i-1+l i-1 q i+b i j N(5)
式(1)上层规划目标函数是从船公司的角度最小化船舶的总在港时间;式(2)表示在任意j时刻,所在靠泊船舶的总长加上船舶间的富裕宽度应满足码头岸线总长的约束;式(3)表示所有船舶都在到港后才被服务;式(4)和式(5)表示任意时刻,相邻靠泊的船舶关系互不重叠。
4 Q学习算法
Q学习是对状态动作对的值函数进行估计以求得策略,简单的一种Q学习形式为单步Q学习,其更新规则为:
127
第4期 北方交通
Q n (a ,s) (1- n )Q n -1(a ,s)+ n [ s +ar g m ax a
Q n-1(a -s )](6)
式中:s 表示状态;a 表示动作;Q n (a ,s)是迭代n 次后在状态s 下执行动作a 的效用值; n 是转移概率,即控制学习的收敛率; s 是即时回报。
本模型中,船舶的靠泊时间是连续的,为了应用Q 学习算法应将其离散化。
在求解时可根据船舶实际待泊情况设定:
船舶i 的动作集A i ={a i1,a i 2,a i 3, ,a i9,a i10}={到港后0.5h 内靠泊,等待0.5~1.0h 后靠泊,等待1.0~1.5h 后靠泊, ,等待4.5~5.0h 后靠泊,等待时间大于5.0h 后靠泊};船舶i 的状态集S i ={s i1,s i2}={等待,靠泊};回报函数 is =F *
-F,式中,前项为当前的最短的船舶总在港时间,后项为每次迭代后的船舶总在港时间。
算法流程如图1所示。
5 算例
以中国某集装箱码头5个泊位的实际船舶作业数据为例,随机选取连续一月内到港船舶(260艘)的作业调度数据。
为便于计算,到港时间以第一艘船到港天的0点为基准,比如第一艘船到港时间5.82h 表示距离基准5h50m i n 到达港口,以此类推。
已知该港采用人工分配泊位,260艘船舶实际船舶总等待时间为347.76h 。
采用本文设计的优化算法,对该港的泊位分配问题进行求解。
船舶总等待时间为304.64h 。
平均每艘船舶在港时间节省0 17h 。
6 结论
本文以船舶总在港时间最短为目标,建立了连续泊位的动态优化模型,并采用Q 学习算法求解模型。
通过算例分析,Q 学习算法可有效求解本文建立的模型,
将本文提出的优化模型及算法设计的泊
图1 Q 学习算法流程
位分配方案与实际生产中的分配方案进行比较,可以看出采用本文提出的分配方法可以有效的节省船舶的在港时间。
参考文献
[1]K i m ,K.H.and M oon,K.C..Bert h schedu li ng by s i m u lated ann ea
li ng .T ran s port ati on Research Part B.2003,37(6):541-560.[2]李平,孙俊清,韩梅.泊位调度问题的GATS 混合优化策略.天津理工大学学报.2006,22(4):58-61.
[3]张煜,王少梅.基于遗传算法的泊位连续化动态调度研究.系统仿真学报,2007,19(10):2161-2164.
Dyna m i c A llocati on O pti m i zed M odel and Calcu l ati on
o f Conti nuous Bert h at Contai ner T er m i n al
Abstr act Tak i n g berth all o cation for study ,opti m ized m ode l is established by a i m i n g at t h e shortest tota l
round peri o d o f vessels arri v ing at the po r.t Op ti m ized ca lculati o n based on Q study m ethod is designed .Taking the act u a l vesse lwork i n g data of certain container ter m i n al for exa m ple ,the effectiveness of m odel and calc u lation is ver ified .
Key wor ds Conta i n er ter m ina;l Bert h allocati o n;Q study calculati o n
128 北方交通 2011。
