岸桥并行作业效率约束下泊位与岸桥集成分派

针对多个岸桥并行作业时的相互干扰而影响岸桥工作效率的问题,研究了岸桥并行作业效率约束下船舶作业泊位分派和岸桥分配优化的方法。建立了以船舶在港惩罚成本最小为目标的混合整数线性规划模型,引入不同作业环境下的干扰因子和偏离最佳靠泊泊位的惩罚系数,分析了岸桥工时和惩罚成本的影响。研究了并行作业岸桥数量变化对效率的影响。算例分析表明:虽然岸桥并行作业的数量增多能够加快装卸,减少船在港惩罚成本,但是会降低岸桥工作效率,增加岸桥总工时,从而增加集装箱港口的运作成本。

考虑碳排放的潮汐港泊位与岸桥联合分配方法研究

当前内河码头为了进一步提高客户满意度,泊位计划等运营决策需要充分考虑船方成本、收益等指标,因此为解决泊位与岸桥联合分配问题,建立了以港区碳排放成本和船舶在港成本之和最小为目标函数的混合整数规划模型;同时考虑潮汐因素对内河码头泊位分配的影响,在模型中加入了潮汐约束条件。为了提高算法求解该模型的适用性,对粒子群算法进行改进,设计了一种粒子群-遗传(PSO-GA)混行优化算法,采用遗传算法的交叉、变异算子在优化过程中可以实现对群体进化的智能调节,从而提高了优化的准确性和优越性。最后,根据某集装箱码头的实际数据对算法进行算例验证,然后将算法优化后的验证结果与传统遗传算法、粒子群算法相比总成本分别降低了约12.5%和11.3%,证明了算法的优越性和模型的可行性。

基于强化学习的连续泊位岸桥联合调度优化研究

为了提高算法在大规模问题上的求解速度,提高集装箱码头的船舶周转速度。本文针对船舶泊位分配与岸桥调度都具有时序性,提出了一种包含状态、动作和奖励函数的马尔科夫决策过程的强化学习调度算法。在考虑泊位分配与岸桥数量调度问题的基础上,研究了同时决策泊位分配与岸桥调度,并考虑岸桥移动与具体岸桥编号分配的动态调度方法,建立了目标为船舶在港时间最短的连续泊位岸桥联合调度的数学模型。实验结果表明强化学习算法在大规模数据上求解速度明显比遗传算法和CPLEX快,解的质量也是相对优秀,证明了算法的有效性与优越性。为了改进该算法本文最后分析了强化学习算法的学习率、动作选择概率和折扣因子对结果的影响。

基于惩罚函数的集装箱码头连续泊位-岸桥联合调度

为对连续泊位与岸桥联合调度问题进行求解,从码头运营者的角度出发,以最小化惩罚为优化目标建立数学模型,设计一种嵌套式遗传算法。在客户满意率最大的情况下,求得船舶的靠、离泊时间和位置及最优装卸序列。通过进行数值模拟案例分析,验证该优化方法可在提高客户满意率的同时,缩短船舶在港时间,对集装箱码头生产运作实践具有一定的参考价值。

基于服务损失函数的集装箱码头泊位—岸桥联合调度优化

面对不确定环境、多样性和差异化服务需求,集装箱码头亟需改进和优化调度方法,提高码头作业效率和客户满意度。针对集装箱码头泊位与岸桥的资源分配问题,通过添加缓冲时间来吸收不确定因素对调度计划产生的影响,引入多元服务质量损失函数建立以偏离最优靠泊位置、岸桥移动损失及在港时间损失为目标的优化模型,利用改进的遗传算法对模型进行求解,并通过试验算例证明了模型及算法的有效性。

基于复合成本的集装箱码头泊位-岸桥联合调度优化方法

针对集装箱码头泊位与岸桥调度中的资源和成本问题,考虑不确定因素的影响,采用增添缓冲时间方式,以复合成本最低为目标建立泊位岸桥联合调度优化模型,设计改进的遗传算法对模型进行求解.在案例数据分析中,比较了港口和船公司在不同成本比率下的调度结果,验证了该方法能在保证客户满意度的同时不损害码头利益,对港口生产操作决策具有一定参考价值.