自动化码头装卸混合模式下QC、L-AGV及ARMG协同调度方法

为解决复杂的自动化码头设备协同调度问题,考虑码头各作业间的相互作用和制约,以最小化船舶在港时间和主要设备作业成本为目标,构建新的装卸混合模式下岸桥(quay crane,QC)、顶升式自动引导车(lifting automated guided vehicle,L-AGV)及自动化轨道吊(automated rail mounted gantry crane,ARMG)协同调度的混合整数非线性规划模型。提出一种遗传算法与启发式策略结合的协同调度方法,实现在系统整体性能最优情况下的设备作业序列优化。该模型能充分保障QC、L-AGV、ARMG之间的协同性,并引入QC调度的主要约束,更利于与QC调度模型进一步集成。数值试验证明了该方法的有效性,可为码头装卸作业调度提供决策支持。

基于PSO的自动化集装箱码头双小车岸桥和AGV的协同调度

为研究自动化集装箱码头的双小车岸桥QCs(Quay Cranes)与自动导引小车AGV(Automated Guided Vehicle)的协同调度问题,以自动化集装箱码头多种装卸运输设备为研究对象,以AGV调度为主,建立以卸船作业最末任务结束时间最小化为目标的混合整数规划模型,采用多层编码粒子群算法(PSO)进行求解。在卸船任务数量变化下,通过改变双小车岸桥和AGV数量的配置,得出不同情况下作业完成时间,在相应最优调度方案下给出调度甘特图。运用CPLEX软件、PSO和GA(Genetic Algorithm)分别进行求解分析,通过计算结果对比分析PSO的有效性。结果表明:卸船作业完成时间随着任务数量的增加而增加,随着AGV数量的增加而减少,但是并不是AGV数量越多,整个码头运作效率就会越高,算例证明了模型的实用性和有效性。

自动化集装箱码头AGV换电管理与调度优化

目前实际营运中的自动化集装箱码头作业效率远未达到预期,效率瓶颈主要集中于AGV(自动导引运输车)的调度问题.针对洋山四期自动化码头运营实际中AGV粗放的换电管理规则和AGV作业效率待提升问题,为减少AGV在换电站换电排队等待时间,构建AGV作业与换电的协同调度优化模型,并设计遗传算法进行问题的求解,通过数值实验验证模型的有效性和算法的可行性.数值实验结果表明,换电模式的优化以及换电与作业协同调度能有效减少AGV的换电排队时间,从而提高AGV作业效率.

密集仓储环境下多AGV/RGV调度方法研究

针对密集仓储环境下,出库作业时,有轨车(Rail guided vehicle,RGV)在不同货架间运送货物的换乘需要借助穿梭车(Automated guided vehicle,AGV)实现,入库作业时,货物先由穿梭车从输送带送达货架口,再由有轨车完成入库操作等特征,构建密集仓储环境下考虑多出入库任务的多AGV/RGV作业调度模型,包括穿梭车任务分配模型、协同有轨车选择模型和出入库完工时间数学模型。为实现密集仓储环境下的多AGV/RGV调度,提出适应不同出入库货位分布的穿梭车任务分配规则,实现考虑执行任务均衡的穿梭车任务分配;利用遗传算法实现多AGV/RGV出入库协同调度,对遗传算法关键解码算子进行详细设计,解码确定各穿梭车与有轨车执行出入库任务的顺序、任务的起始时间和结束时间,使得所有出入库任务的总完工时间最短。最后,通过某物流仓储企业实际案例进行测试,测试结果表明,提出的启发式规则能实现穿梭车任务的均衡分配,基于遗传算法的协同调度方法能有效地产生多AGV/RGV协同调度方案,减少出入库作业总时间,提高了仓储作业整体效率。