[发明专利]一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法

权利要求书

1.一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法，其特征在于，该方法包括以下步骤：

步骤S1：历史数据统计更新指标参数：通过拖轮运维的大量历史数据统计分析关键指标数据，并采用修改时间偏置的方式，利用船务系统历史数据进行拖轮调度的实时算法模拟；

所述关键指标数据包括：预排30小时计划、靠泊离泊作业时间的中值、拖轮完工和开工的准备时间、时间间隔不足间隔工作时间的罚值、安排非当班拖轮时增加罚值、历史统计航行小时油耗中值、历史统计航行公里油耗中值、时间模拟参数；

步骤S2：构建区域任务搜索图：根据步骤S1所述数据构建区域任务搜索图，图中的节点包括普通节点和任务节点，节点向量包括地理经度、地理纬度、作业时间窗，图中边长为拖轮完成两个节点行驶所需消耗的油量，包括途中或到达任务节点后空等的油耗；

所述普通节点包括驻点节点和拖轮当前位置节点，所述任务节点包括拖轮待命区节点和泊位节点，驻点节点的作业时间窗为零，拖轮当前位置节点的作业时间窗为完成当前任务所需的时间，拖轮待命区节点的作业时间窗为大船到达的时间，泊位节点的作业时间窗为大船离开的时间；

步骤S3：定制规则生成：将码头拖轮调度的人工排班规则模型化后输入到智能算法模型里，当搜索结果各段子路径中存在同人工规则不符路径时，增加不符路径的相应罚值；

步骤S4：模型训练：采用启发方式算法蚁群算法+区域搜索+M2M+时间窗+配置态+定制规则进行模型训练，对拖轮作业安排进行智能计算，蚁群在区域任务搜索图中从多个拖轮当前位置节点开始爬行，按作业时间窗顺序遍历所有任务节点，生成蚁群模型；

所述模型训练，还包括：

通过蚁群蚁周算法计算信息素，具体为：

其中，Q为蚂蚁信息素的总量，其中W为1次行爬行完所有任务后，第t只蚂蚁所行走的最短成本路线，i,j为节点；

模型训练还包括：全局最优解计算方法，具体为：

d_ij＝d_im+d_mj

wt_ij＝wt_j-wt_i

其中f(t)表示总体成本,d_ij为两个节点间的距离，n为任务时间段内的大船任务数，W_ij为不同路径的权重，为拖轮每公里平均油耗，wt_ij为出发节点到目标节点的时间窗口,为拖轮每小时平均油耗，∮(t)为人工规则的罚值，i，j为节点，d_ij为两个物理节点间的距离，其中m为中间停靠节点；

步骤S5：实时数据准备：实时采集数据，包括引航站的大船时间计划信息、拖轮实状态信息、泊位经纬位置信息、泊位待命区经纬位置、码头驻点经纬位置；

步骤S6:将所述实时数据输入到所述蚁群模型中，输出最终拖轮计划，内容包括作业拖轮、作业路线、出发时间、作业成本。

2.根据权利要求1所述的一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法，其特征在于，所述关键指标数据以批量的方式进行定时更新。

3.根据权利要求1所述的一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法，所述步骤S4中，蚁群模型包括动态模型和静态模型。

4.根据权利要求3所述的一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法，所述静态模型中，静态参数包括：蚁群数量，迭代次数，表征信息素重要程度，表征启发式因子重要程度，信息素蒸发系数，信息素增加强度系数。

5.根据权利要求3所述的一种通过蚁群算法结合多维度策略解决港口拖轮调度的方法，所述动态模型，在系统推理中实时生成，以静态参数为输入，在推理前进行二次实时训练，核心类为TugboatTsp、tugboat_ant，核心方法为search_path()、update_model()。