[发明专利]一种智能的集装箱码头装卸调度装置

权利要求书

1.一种智能的集装箱码头装卸调度装置。其特征是：该装置由装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块组成。四个模块依次连接，以装卸信息输入模块、装卸方案生成模块、装卸过程寻优模块和调度方案输出模块的顺序进行数据传输。

该装置将集装箱码头装卸过程满足以下条件：

(1)对于每艘轮船，只有完成卸货之后才能进行装货。

(2)每艘轮船，可由一个或多个装卸设备同时装卸货物。

(3)每个装卸设备有相同的装卸能力，且只能同时在一艘轮船上进行装卸作业。

(4)装卸设备变换的等待时间包括在装卸时间之内。

整个装置运行具体包括以下几个步骤：

1)n艘轮船同时到达码头，记做集合J＝{1,2,…,n}，每艘轮船都要完成卸货、装货两个阶段，卸货阶段有m₁台卸货设备，装货阶段有m₂台装货设备。已知size_1j与p_1j分别表示轮船j在卸货阶段需要的卸货设备与卸货时间；size_2j与p_2j分别表示轮船j在装货阶段需要的装货设备与装货时间。已知轮船的装卸设备及对应时间信息，数据上传至装卸信息输入模块。

2)参数设置，种群个体数N、最大迭代次数t_max、随机参数α、个体吸引力β₀、介质吸收率γ，Levy随机参数c；其中令N＝20，t_max＝500，α＝0.5，β₀＝0.2，γ＝1，c＝1.5。

3)种群个体初始化。

生成种群X＝(x₁,x₂,…,x_N)，种群中的第s个个体x_s＝(x_s1,…,x_sn)，x_sj为0～n之间的实数，s∈{1,2,…,N}，j∈{1,2}。由于个体x_s的坐标是连续的实数，而工作序列是离散的整数序列，用最小排序方法将连续坐标转化为工作序列，即将个体x_s＝(x_s1,…,x_sn)的各个维度从小到大排序，排序的序号构成的整数序列作为卸货阶段的工作序列π₁。

4)计算每个个体对应的装卸完成时间C_max。

萤火虫算法的目标函数为序列对应的装卸完成时间C_max。本发明基于先到先得的原则，根据各轮船卸货完成时间顺序构造装货序列，然后根据一定规则对生成的装货序列进行适当调整，灵活地进行装货排序，减少装货过程的空闲时间，最终得到最优的装卸调度方案及装卸完成时间C_max。

4.1)根据构造出卸货阶段的调度方案。其中h∈J，π₁(h)表示序列π₁中第h个元素对应的轮船，表示第π₁(h)艘轮船所需的卸货设备数量。

4.2)在装货时，将轮船卸货完成时间进行非递减顺序排序，得到装货的调度顺序π₂。对于任意的π₁(h)和π₁(l)，h,l∈J，当且h<l时，进行π₂排序时假定然后根据π₂(h)对应轮船的装货设备数量构造出装货过程的具体调度方案。

4.3)令j＝1，根据适当规则调整序列π₂中第j和j+1艘轮船的次序。

对于装货过程中相邻的三艘轮船A,B,C，A＝π_2,p，B＝π_2,p+1，C＝π_2,p+2。根据ST_2A与ST_2B的关系，可分别提出以下规则来得到更优的处理序列。

a.ST_2A>ST_2B

规则1-i，若size_2B+size_2C>m₂，size_2A+size_2C>m₂，则交换A与B的处理顺序。

规则1-ii，若size_2B+size_2C≤m₂，size_2A+size_2C>m₂，size_2A+size_2B>m₂，且max{{ST_2B+p_2B,ST_2A}+p_2A,ST_2C}<max{ST_2A+p_2A+p_2B,ST_2C+p_2C}，则交换A与B的处理顺序。

规则1-iii，若size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

规则1-iv，若size_2B+size_2C≤m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

b.ST_2A＝ST_2B

规则2，若size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

c.ST_2A<ST_2B

规则3，若ST_2A+p_2A>ST_2B，size_2A+size_2B>m₂，size_2B+size_2C>m₂，size_2A+size_2C≤m₂，则交换A与B的处理顺序。

其中，ST_2A、ST_2B、ST_2C分别表示轮船A、B、C的最早装货开始时间，size_2A、size_2B、size_2C分别表示轮船A、B、C需要的装货设备，p_2A、p_2B、p_2C分别表示轮船A、B、C的装货时间，m₂表示装货设备总数。

4.4)若j＝n-2计算π₂中各轮船的装货完成时间，即目标函数装卸完成时间C_max，继续；否则j＝j+1，转至步骤4.3)。

4.5)将该个体C_max与全局最优值G_best进行比较，若C_max<G_best，则令G_best＝C_max，同时记录该个体的装卸调度序列π₁和π₂。

5)对于每个个体，如在种群中有装卸完成时间更小的个体，则按照式(4)向该个体移动。

v=xL|yL|1/c---(1)]]>

其中，v表示个体移动的速度，x_L和y_L是符合正态分布的随机数，它们的标准差为和c是Levy随机参数，和满足：

σxL(c)=[Γ(1+c)×sin(πc/2)Γ((1+c)/2)×2(c-1)/2c]1/c---(2)]]>

σyL=1---(3)]]>

xs=xs+β0e-γrsb2(xb-xs)+αv---(4)]]>

式(4)表示个体x_s向更亮个体x_b移动。其中Γ表示欧拉第二积分伽马函数，α为[0,1]间的值，β₀为距离为0时的吸引力，常数γ为介质的吸收率，r_sb为个体x_s和个体x_b的之间的欧几里德距离；c∈[0.3,1.99]，决定了Levy飞行分布的性质，c越小则Levy飞行的特性越显著，c>2时基本等同于正态分布；v∈[-1,1]。随机搜索的方向由v决定，步长由v与随机参数α决定。Levy飞行行走步长满足一个重尾的稳定分布，在这种形式的行走中，短距离的探索与偶尔较长距离的行走相间。因此，引入Levy飞行能扩大算法搜索范围，增加种群多样性，并且更容易跳出局部最优点。

6)迭代次数达到t_max，调度方案输出模块显示G_best和调度方案和否则转至步骤4)。