[发明专利]一种求解船舶交通组织与调度问题的自适应启发式算法

说明书

本发明提出了一种求解船舶交通组织与调度问题的自适应启发式算法，包括建立以最小化船舶进出港总时间为目标的单向航道船舶交通组织与调度数学模型；获取黄骅港综合港区船舶基础信息、泊位信息、锚地信息；采用一种自适应启发式算法(AHA)来求解此模型。在AHA中，遗传算法被当作基本的优化模型，迭代过程中利用Q‑learning自适应调整船舶编号与进出港方向相匹配的交叉和变异算子。考虑算法会陷入局部最优解，本发明引入模拟退火算法对遗传操作后的部分优秀个体进行退火操作。本发明方法在保证安全前提下，显著缩短船舶进出港总时间，提高单向通航港口船舶调度效率，同时该方法为港口船舶交通组织与调度优化提供一种新工具，弥补现有船舶交通组织优化方法的不足。

技术领域

本发明涉及船舶交通组织与调度技术领域，具体而言，尤其涉及一种求解船舶交通组织与调度问题的自适应启发式算法。

背景技术

随着全球贸易的快速发展，海上运输业也蒸蒸日上，世界海运贸易量从2006年的77亿吨增加到2016年的103亿吨。港口作为综合运输的重要组成部分，承担着辐射带动沿海地区经济发展的重要使命，因而受到了学术界和工业界的广泛关注。然而，港口船舶频繁停靠导致船舶延误和交通拥堵时有发生，使得运营成本大幅提高，服务质量严重下降。立足于当前港口的实际情况，合理调度进出港船舶是缓解交通拥堵和船舶延误最有效的方法。

根据多次港口调研情况发现，目前船舶进出港主要是由VTS工作人员在港口船舶航行规则的指导下凭借人工经验进行调度。很明显这一计划更多考虑了人为因素，缺乏一定的理论指导，很难保证调度的高效性以及合理性，导致进出港船舶增加不必要的等待时间。因此，对港口管理人员来说，提出一种高效的船舶交通组织与调度算法使复杂交通问题得以优化是亟待解决的问题。

目前，大量学者对船舶交通组织与调度这一复杂问题提出了多种算法进行求解。一些学者提出了精确算法来最小化船舶延误时间。但是精确算法耗时较长，即使是小规模算例也很难得到全局最优解。于是，许多学者开始提出许多启发式方法来求解船舶交通组织与调度问题。但启发式算法性能的好坏与多种因素有关，最主要还是和参数的选择有关，但是，如何来确定优化算法参数使得问题求解质量更高，目前学术界研究还相对较少。近几年随着机器学习技术的迅速发展，少量学者尝试利用强化学习来自适应调整启发式算法参数。相对于启发式算法在指定解空间直接给定具体参数的局限性，强化学习拥有能够通过揭示种群内部结构而搜寻到最优参数的优势。鉴于此，本发明设计一种基于强化学习的自适应遗传模拟退火算法来求解单向航道船舶调度问题，以期短船舶进出港总时间，并提高船舶进出港效率。

发明内容

根据上述提出的技术问题，提供一种求解船舶交通组织与调度问题的自适应启发式算法，以缩短船舶进出港总时间，并提高船舶进出港效率。本发明在自适应启发式算法中，遗传算法被当作基本的优化模型，迭代过程中利用Q-learning自适应调整船舶编号与进出港方向相匹配的交叉和变异算子。同时，本文构建了能动态调整参数的马尔科夫决策过程(MDP)模型。在模型中，通过分析影响船舶调度效率的两个主要因素，提出了适用于船舶调度问题的状态集，且本文设计了一种能有效优化算法当前代船舶进出港总时间的奖励机制。考虑到算法可能陷入局部最优解，本文引入了模拟退火算法对遗传操作后的部分优秀个体进行退火操作。本发明采用的技术手段如下：

一种求解船舶交通组织与调度问题的自适应启发式算法，包括：

以最小化船舶进出港总时间为目标，构建单向航道船舶交通组织与调度模型；

获取黄骅港综合港区船舶基础信息、泊位信息、锚地信息；

采用基于自适应算法，对构建的所述单向航道船舶交通组织与调度模型进行求解，得到优化的调度方案。

进一步地，所述以最小化船舶进出港总时间为目标，构建单向航道船舶交通组织与调度模型，包括：

计算最小化船舶进出港总时间，计算公式如下：