一种基于多目标优化的岸桥-AVG联合调度方法

一种基于多目标优化的岸桥-avg联合调度方法
技术领域
1.本发明涉及联合调度领域，尤其涉及一种基于多目标优化的岸桥-avg联合调度方法。


背景技术：

2.自20世纪70年代以来，集装箱运输凭借其低成本、低货损率和高运量的优势迅速发展。全球约60％以上的海运货物是通过集装箱运输。到2020年，全球集装箱吞吐量达到约7.99亿标准箱，与2010年相比增长了近50％。随着船舶大型化、快速化的发展，码头集装箱吞吐量不断增加，这使港口物流更加复杂。unctad(2021)的数据显示，从2011年至2021年，全球大型集装箱船运载的海运货物比例已从最初的6％增加到近40％。但是，集装箱船舶运载量的大幅增加导致了其周转时间的增加，尤其是船舶靠泊后需要更多的时间装卸货物，因此给码头的装卸作业效率提出了更高的要求。
3.通常码头经营者可以通过以下两种方式提高装卸作业效率：(1)增加码头的作业设备数量；(2)对码头各环节作业进行合理调度。对码头现有装卸资源进行合理调度和优化,可以有效提高码头作业效率，确保整个集装箱码头生产作业系统中各个环节都有序进行，从而保证集装箱码头作业系统整体的稳定性。增加码头作业设备数量是一种有效提高码头作业服务效率的途径，但是由于设备购买成本很高，而且增加作业设备后，还需要为其配备大量的作业人员，会导致运营成本和管理难度增大。


技术实现要素：

4.本发明提供一种基于多目标优化的岸桥-avg联合调度方法，以克服上述技术问题。
5.一种基于多目标优化的岸桥-avg联合调度方法，包括，
6.步骤一、获取港口数据，并设计港口岸桥-agv联合调度的假设条件，
7.步骤二、基于联合调度的假设条件构建多目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，
8.步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和avg进行调度。
9.优选地，所述联合调度的假设条件包括，
10.s 1、港口的堆场区域分为出口箱区和进口箱区；
11.s2、根据航运运营商获取船舶的装载计划，
12.s3、集装箱之间存在作业先后顺序约束，
13.s4、岸桥不能交叉作业且岸桥编号从左到右依次增大，
14.s5、两个相邻的岸桥之间必须间隔一个贝位的安全距离，否则其作业会受到干扰，
15.s6、岸桥在完成当前作业之前不能为其他集装箱服务。
16.优选地，所述基于联合调度的假设条件构建多目标优化模型包括根据公式(1)、
(2)设计调度目标函数，根据公式(3)-(20)设计约束条件，
[0017][0018][0019][0020][0021][0022][0023][0024][0025][0026][0027][0028][0029][0030][0031][0032][0033][0034][0035][0036][0037]
其中，ω0为所有岸桥的虚拟初始任务集合，ωf为所有岸桥的虚拟终止任务集合，ω1为进口箱任务集合，ω2为出口箱任务集合，ω为所有作业任务的集合，ω＝ω1+ω2，q为岸桥集合，t为agv集合，b为船舶贝位集合，ψ为有作业顺序约束的任务对集合，(i，j)∈ψ表示任务i要先于任务j作业，eh为贝位h上的任务集合，si为任务i的岸桥服务结束时间，s
′i为任务i的agv开始服务时间，wi为岸桥完成集装箱i作业所需时间，vi为agv将集装箱i从初始位置运输到目的地所需的时间，ui为集装箱i的agv服务结束时间，sti为集装箱i的启动时间，即agv从当前位置到集装箱i初始位置所需时间，ah为贝位h的起始服务时间，dh为贝位h的结束服务时间，li为集装箱i所在贝位，表示如果岸桥q在完成集装箱i的作业后立即为集装箱j服务，则否则如果集装箱j是岸桥q服务的第一个任务，则
同样，如果集装箱j是岸桥q服务的最后一个任务，则表示如果agv u在完成集装箱i的作业后立即为集装箱j服务，则否则否则表示如果集装箱i有岸桥q装卸，则否则表示如果集装箱i由agvu运输，则否则表示如果贝位h的集装箱由岸桥q作业，则否则z
hh
′
表示如果贝位h的作业完成时间不晚于贝位h
′
的开始作业时间，则z
hh
′
＝1，否则z
hh
′
＝0，f1为完工时间，f2为空载行驶时间。
[0038]
优选地，所述构建多目标优化算法为nsga-ii算法。
[0039]
优选地，所述对多目标优化算法进行改进包括构建基于贝位的岸桥分配策略和基于集装箱的岸桥-agv调度策略对nsga-ii算法的种群进行初始化。
[0040]
本发明提供一种基于多目标优化的岸桥-avg联合调度方法，通过设计六项关于联合调度的假设条件、调度目标函数以及约束条件，根据nsga-ii算法对调度目标函数计算，根据计算结果对岸桥和avg进行联合调度，通过本发明能够有效解决岸桥和agv的联合调度问题，提高港口的作业效率。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]
图1是本发明方法流程图；
[0043]
图2是本发明基于贝位的岸桥分配流程；
[0044]
图3是本发明基于集装箱的岸桥-agv调度流程；
[0045]
图4是本发明基因编码；
[0046]
图5是本发明交叉操作示意图；
[0047]
图6是本发明变异操作示意图；
[0048]
图7a是本发明迭代次数g
max
变化的效果；
[0049]
图7b是本发明种群数量popsize变化的效果；
[0050]
图8是本发明当ω＝150时qc变化的效果图；
[0051]
图9a是本发明箱量为50与不同agv配比下的计算结果；
[0052]
图9b是本发明箱量为150与不同agv配比下的计算结果。
具体实施方式
[0053]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
图1为本发明方法流程图，如图1所示，本实施例的方法可以包括：
[0055]
步骤一、获取港口数据，并设计港口岸桥-agv联合调度的假设条件，
[0056]
步骤二、基于联合调度的假设条件构建多目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，
[0057]
步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和avg进行调度。
[0058]
基于上述方案，通过建立一个多目标的整数规划模型，并设计nsga-ii算法来求解所建模型。结果表明，设计的nsga-ii算法能够有效解决多目标的岸桥-agv联合调度问题，且相比于基于权重的算法(weighted-sum)求解效果更好，对于大规模的港口联合调度问题，nsga-ii算法具有更明显的优越性。最后本发明通过敏感度分析为码头经营者提供了一些决策建议。
[0059]
港口的作业效率是其服务水平的关键评价指标之一。鉴于单设备的集装箱码头设备调度计划忽视了各作业环节的联系，不能很好确保码头的作业效率，本发明基于nsga-ii算法研究了集装箱码头岸桥和agv(automated guided vehicle，无人引导的集装箱输送小车)的联合调度问题，并将该问题抽象为一个多目标整数规划模型。
[0060]
步骤一、获取港口数据，并设计港口岸桥-agv联合调度的假设条件，
[0061]
所述联合调度的假设条件包括，
[0062]
s1、港口的堆场区域分为出口箱区和进口箱区；
[0063]
s2、根据航运运营商获取船舶的装载计划，在实际作业过程中，装载计划通常是由航运运营商制定的，而港口通常会根据船舶提前48小时提供的装载计划制定装卸计划。因此，本假设是符合实际作业情况的。
[0064]
s3、集装箱之间存在作业先后顺序约束，比如，同一个贝位中，进口箱要先于出口箱作业；位于甲板上的进口箱要先于舱内的进口箱作业。
[0065]
s4、岸桥不能交叉作业且岸桥编号从左到右依次增大，在码头的实际作业中，岸桥在同一轨道上，因此无法穿越彼此进行装卸作业。
[0066]
s5、两个相邻的岸桥之间必须间隔一个贝位的安全距离，否则其作业会受到干扰，
[0067]
s6、岸桥在完成当前作业之前不能为其他集装箱服务。
[0068]
步骤二、基于联合调度的假设条件构建多目标目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，
[0069]
所述基于联合调度的假设条件构建多目标优化模型包括根据公式(1)、(2)设计调度目标函数，根据公式(3)-(20)设计约束条件，
[0070][0071]
f2＝min∑
i∈ω
stiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0072][0073][0074][0075][0076]
[0077][0078][0079][0080][0081][0082][0083][0084][0085][0086][0087][0088][0089][0090]
其中，ω0为所有岸桥的虚拟初始任务集合，ωf为所有岸桥的虚拟终止任务集合，ω1为进口箱任务集合，ω2为出口箱任务集合，ω为所有作业任务的集合，ω＝ω1+ω2，q为岸桥集合，t为agv集合，b为船舶贝位集合，ψ为有作业顺序约束的任务对集合，(i，j)∈ψ表示任务i要先于任务j作业，eh为贝位h上的任务集合，si为任务i的岸桥服务结束时间，s
′i为任务i的agv开始服务时间，wi为岸桥完成集装箱i作业所需时间，vi为agv将集装箱i从初始位置运输到目的地所需的时间，ui为集装箱i的agv服务结束时间，sti为集装箱i的启动时间，即agv从当前位置到集装箱i初始位置所需时间，ah为贝位h的起始服务时间，dh为贝位h的结束服务时间，li为集装箱i所在贝位，表示如果岸桥q在完成集装箱i的作业后立即为集装箱j服务，则否则如果集装箱j是岸桥q服务的第一个任务，则同样，如果集装箱j是岸桥q服务的最后一个任务，则表示如果agvu在完成集装箱i的作业后立即为集装箱j服务，则否则否则表示如果集装箱i有岸桥q装卸，则否则表示如果集装箱i由agvu运输，则否则表示如果贝位h的集装箱由岸桥q作业，则否则zhh
′
表示如果贝位h的作业完成时间不晚于贝位h
′
的开始作业时间，则z
hh
′
＝1，否则z
hh
′
＝0，f1为完工时间，f2为空载行驶时间。
[0091]
靠泊船舶的完工时间(make span)是评估集装箱码头效率的一个关键性能指标。因此，第一个目标是最大限度地缩短完工时间，即f1。另一个目的是对agv进行指派及调度。在进行agv的指派和调度中，需要考虑agv的空载行驶时间(setup time，即f2)，即agv从当前位置到下个任务所在位置所需的时间，公式(2)为该目标的数学表达式。
[0092]
约束(3)-(10)是与岸桥相关的约束条件。约束(3)确保每个集装箱必须完成一次作业，并且只能由qc作业一次。约束(4)是一个流量平衡约束，它确保每个集装箱都被逐个处理。约束(5)-(6)决定了每个qc的第一个任务和最后一个任务。约束(7)确保岸桥不会相互交叉作业。约束(8)表示任务i应该在任务j之前完成。约束(9)定义了决策变量和之间的关系。约束(10)规定了每个岸桥的任务的作业顺序以及其开始作业时间和结束作业时间。约束(11)则规定每个贝位只能由一台岸桥进行作业。约束(12)表明，当某个贝位中的任何一个集装箱被作业时，该贝位的卸载就开始了。约束(13)确保只有当该贝位所有需要作业的集装箱都完成作业时，下个贝位任务才可以开始作业。约束(14)定义了二进制变量z
hh
′
。约束(15)-(20)是与agv相关的约束条件。约束(15)表示每个集装箱都只能且只能由一辆agv运输。约束(16)确保每辆agv的流量平衡。约束(17)和(18)与约束(5)、(6)类似，确定了每个agv的初始任务和最后一个任务。与约束(10)类似，约束(19)确定了分配给每辆agv的集装箱的作业顺序。
[0093]
步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和avg进行调度。具体为根据联合调度模型的特点，设计基因编码方式和种群初始化方法，并进行种群的初始化。接下来通过交叉、变异等操作生成新的种群个体，并通过非支配排序、选择等完成种群的更新。当算法迭代次数达到设计的阈值时，则输出调度方案并根据调度方案对岸桥和agv调度，反之重新生成子代种群，进入迭代。所述多目标优化算法为nsga-ii算法，所述对多目标优化算法进行改进包括构建基于贝位的岸桥分配策略和基于集装箱的岸桥-agv调度策略对种群进行初始化。
[0094]
其中，nsga-ii算法是多目标求解常用算法之一，其有三个特点：快速非支配排序、快速拥挤度计算和简单的拥挤度对比操作。本发明通过在nsga-ii算法中嵌入种群初始化的策略对nsga-ii算法进行改进。其中种群初始化的策略包括了基于贝位的岸桥分配策略和基于集装箱的岸桥-agv调度策略，基于贝位的岸桥分配策略如图2所示和基于集装箱的岸桥-agv调度策略如图3所示。
[0095]
基于贝位的岸桥分配策略具体包括首先假设岸桥平均分布在船舶所在泊位，且其空闲时间为船舶的靠泊完成时间。接着根据岸桥当前所在位置及其空闲时间依次为贝位分配岸桥，主要分为两种情况：第一种是当前贝位只有一侧有服务岸桥，则将该侧最近的岸桥分配给该当前贝位；第二种是当前贝位两侧都有服务岸桥，则将距离当前贝位最近的两台岸桥中空闲时间较早的那台分配给当前贝位。最后更新岸桥信息，为下个贝位分配岸桥，直至所有贝位全部分配完成。
[0096]
基于集装箱的岸桥-agv的调度策略具体包括，首先以贝位为单位生成每个贝位中的作业集装箱顺序，并根据岸桥分配结果计算每个集装箱的岸桥作业时间。接下来为当前任务分配空闲时间最早的agv。由于分配agv可能需要对应岸桥等待或等待岸桥作业，因此需根据任务属性(进口箱/出口箱)、agv的空闲时间和原计划岸桥作业时间更新任务的调度信息。最后更新agv的作业信息，为下一个任务分配agv，直至所有任务全部调度完成。
[0097]
nsga-ii算法的基因代表问题的一个可行解，如图4所示。本实施例主要解决三个子问题：任务作业序列决策，岸桥调度和agv调度。因此，根据问题的特性，将基因设计为一个3
×
|ω|的二维数组(ω表示需要作业的集装箱集合)。其中第一行表示集装箱的编号，并
按照分配给每台岸桥的任务作业顺序排序。第二行和第三行分别表示对应的集装箱分配的岸桥和agv。图4所示为10个作业集装箱，2台服务岸桥和3个服务agv时的一个基因表达，其中1到6号集装箱由1号岸桥作业，且作业顺序为：1,4,6,2,5,3。集装箱1,5,8和10由2号agv运输，而4,2,7号集装箱由1号agv运输，以此类推。
[0098]
nsga-ii算法在通过交叉操作生成子代种群时使用了单点交叉和基于顺序的均匀交叉两种方法。基于顺序的均匀交叉方法是经典均匀交叉策略的拓展和改进。图5为交叉操作的示意图。首先，随机选择两个父代基因，如图5(a)和(b)所示。接着随机产生一个交叉点，如图5(a)中的箭头所示，则子代1保留父代1中交叉点前面的部分和去掉对应任务编号的父代2中的部分，子代2的操作过程与子代1类似，如图5(c)和(d)所示。
[0099]
在本实施例中，通过随机选中一个基因位，并改变该基因位分配的岸桥和agv完成变异操作。图6为变异操作的示意图，其中随机选中的基因位为任务8，且其与任务7在同一贝位，则变异得到的子代基因如图6(b)所示，根据变异得到子代基因进行联合调度，具体为其中1到6号集装箱由1号岸桥作业，且作业顺序为：1,4,6,2,5,3。7到8号集装箱到3号岸桥作业，9到10号集装箱到2号岸桥作业，集装箱4、2、7由1号avg运输，集装箱1、5、10由2号avg运输，集装箱6、3、8、9由3号avg运输。
[0100]
多种设备的联合调度是将集装箱码头视为一个完整的系统，考虑了各设备之间的相互影响。相比于单种设备的调度，多种作业设备的联合调度能够有效减少设备之间的等待时间，从而提高设备的作业效率，减少船舶的周转时间。大部分学者研究单目标问题下的联合调度问题，且主要以减少船舶的周转时间为目标，忽视了码头设备，如agv的作业效率。基于上述研究背景及存在的研究问题，
[0101]
本发明针对岸桥-agv联合调度问题建立了一个多目标的整数规划模型，并设计了nsga-ii算法来求解所建模型。结果表明，本实施例设计的nsga-ii算法能够有效解决多目标的岸桥-agv联合调度问题，且相比于基于权重的算法(weighted-sum)求解效果更好，对于大规模的港口联合调度问题，nsga-ii算法具有更明显的优越性。最后本发明通过敏感度分析为码头经营者提供了一些决策建议。
[0102]
为了验证本发明和评估提出的多目标整数规划模型和nsga-ii算法的有效性，首先引入了三种多目标求解评价指标，接着使用了不同规模的41组算例对模型和算法进行验证，并将计算结果与权重法对比。
[0103]
评价指标：定义pf为帕累托最优解集。基于此，我们定义了三个评价多目标求解的指标，分别为反转世代距离(inverted generational distance，igd)、超体积比率(hypervolume ratio，hv ratio)以及帕累托解数量(number of pareto solution，nop)。
[0104]
(1)igd是1998年由czyzzak提出的用来评估算法得到的非支配解集pf
know
到pf的距离的指标，其计算公式为：
[0105][0106]
式中，表示pareto最优解集上的点到非支配解集pf
know
中个体的最小欧几里得距离。因此igd越小，算法的综合效果更好。
[0107]
(2)hv是用于评价多目标进化算法的指标。由于其良好的理论支撑，被学者广泛使
用。hv的计算公式为：
[0108][0109]
式中，λ表示勒贝格测度，vi表示参考点与非支配个体pi构成的超体积。hv值越大，表示个体距离pareto最优解集越近，因此hv越大表示算法求解效果越好
[0110]
令h(pf)为最优解集的hv值，则解集pf
know
的hv ratio可以使用一下公式计算：
[0111][0112]
hv ratio的值越大，表示该解集的求解效果越好。
[0113]
(3)nop表示算法生成的帕累托解集中解的个数，nop越大，表示算法越好。
[0114]
算例生成：为了验证所提出的模型和算法的有效性，本发明随机生成了41组实验，其中5到50个集装箱为小规模算例，70、100、150和200为大规模算例。算例生成方法如下：
[0115]
(1)岸桥装/卸一个集装箱的作业时间服从高斯分布，即wi～n(2,0.2).
[0116]
(2)agv满载时的运行速度为210m/min，空载时的速度为350m/min.
[0117]
(3)集装箱码头的岸线长度为900m，码头前沿到堆场交界处的水平距离为200m，则以码头岸线左侧边缘与对应的堆场交接位置为(0,0)点，各堆场交接区的坐标如表3所示。
[0118]
表3节点坐标
[0119][0120]
(4)算例中进口箱和出口箱的初始位置以及终点位置根据集装箱码头的布局随机生成。
[0121]
算例结果分析：根据文献中对遗传算法交叉概率及变异概率的选择，本实施例设置算法的交叉概率为pc＝0.8，变异概率pm＝0.02，并通过数值实验确定所提出的nsga-ii算法其余的参数。我们在不同的算例中测试了种群大小和迭代次数对于算法求解效果的影响，其中种群大小和迭代次数分别设置为popsize＝{30,50,100}，g
max
＝{40,100,150,200}。通过计算分析可以得到，种群数量的增加对目标的优化效果并不明显，而迭代次数的增加则可以提高解的质量。
[0122]
表4小规模算例结果
[0123][0124][0125]
表5大规模算例结果
[0126][0127]
[0128]
以集装箱数量为150为例，图7分别展示了箱量为150，岸桥数量为3，agv数量为9时迭代次数g
max
和种群数量popsize对于求解效果的影响。图中的帕累托前沿是通过g
max
＝{40,100,150,200}和popsize＝{30,50,100}产生的非支配解得到的。从图7(a)中可以看到，nsga-ii算法能够得到均匀且分布广泛的非支配解集。迭代次数增加时，得到的非支配解集pf
know
与帕累托前沿差距逐渐减小，且g
max
＝200时，得到的解集与帕累托前沿非常相近，且得到的非支配解集数量(nop)也与帕累托前沿相差不大。图7(b)则为种群数量对求解效果的影响，当popsize＝30时，得到的非支配解集与pareto前沿差距最小。
[0129]
因此我们对迭代次数和种群数量的取值分别是：g
max
＝200,popsize＝30。
[0130]
表4和表5为小规模和大规模算例下两种算法的结果对比。可以看到小规模算例中weighted-sum方法获得的nop平均值为4.75，而ngsa-ii算法为6.5，大规模算例中weighted-sum方法的nop为6，nsga-ii算法为14.08。这说明nsga-ii算法能够产生更多的pareto解。小规模下，weighted-sum方法的igd为2.4115，hv ratio为0.833，nsga-ii算法的igd值达到了1.280，hv ratio为0.934；而大规模算例中，weighted-sum的igd为10.956，hv ratio为0.8266。这表明nsga-ii算法的综合性能要明显优于weighted-sum。
[0131]
综上，nsga-ii算法在两种规模下的三个评价指标均有较好的表现，可以有效解决多目标条件下的岸桥和agv的联合调度问题。
[0132]
敏感度分析：本部分首先在岸桥和agv配比为1：3的情况下分析了大规模算例下岸桥配置对帕累托解集的影响。以作业箱量ω＝150为例(如图8所示)，当配置岸桥数量为2时，相同的agv作业效率下船舶所需的作业时间与q＝3相比显著增加，而q＝4和q＝3相比所节省的船舶作业时间约为q＝2变为q＝3节省的作业时间的1/3。通过分析可以得到在大规模算例下，船舶所需的作业时间以及agv的作业效率会随着岸桥的配置有所优化，但是其边际效益会随着岸桥配置数量的增加而减少。
[0133]
岸桥和agv的数量配比对码头的作业效率有很大影响，合理的配比能够提高码头的各设备的作业效率，因此本文分析了岸桥和agv数量配比对两目标值的影响。图9a和9b分别展示了箱量为50和150时，岸桥和agv数量配比为1:2，1:3和1:4的pareto前沿。从图9可以看到，当岸桥和agv数量配比从1:2变为1:3时，船舶的完工时间和agv的空载作业时间均有一定的优化，这是因为当配比为1:2时，agv的配置数量不足，岸桥在作业过程中会等待agv，导致岸桥的作业效率降低，船舶完工时间增加；而在agv的调度过程中，为了减少岸桥的等待时间，会降低进口集装箱和出口集装箱的配对，导致的agv的双循环作业次数减少，空载作业时间增加。但是当该配比从1:3变为1:4时，尽管船舶有可能在更短的时间内完成装卸作业，但是当船舶无需紧急作业时，agv的空载作业时间会增加。这是因为当配比为1:4时，agv配置相对较多，agv等待岸桥作业的情况会更多出现，导致其空载作业时间增加。对比图9a和9b，可以观察到作业集装箱较少时，配比为1:4的策略相比与1:3最小的船舶完工时间并没有明显优化，但是其导致的agv空载作业时间显著增加。
[0134]
通过分析可以看到，如果船舶作业箱量较大且需要快速离港时，可以平均给每台作业岸桥分配4台agv，否则，考虑到agv的作业效率，应该平均为每台岸桥分配3台agv。
[0135]
整体的有益效果：
[0136]
通过设计岸桥-agv联合调度的多目标优化模型，根据nsga-ii算法对多目标优化模型的调度目标函数进行计算，根据计算结果对岸桥和avg进行联合调度，通过本发明能够
有效解决岸桥和agv的联合调度问题，提高港口的作业效率。
[0137]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于多目标优化的岸桥-avg联合调度方法，其特征在于，包括，步骤一、获取港口数据，并设计港口岸桥-agv联合调度的假设条件，步骤二、基于联合调度的假设条件构建多目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和avg进行调度。2.根据权利要求1所述的一种基于多目标优化的岸桥-avg联合调度方法，其特征在于，所述联合调度的假设条件包括，s1、港口的堆场区域分为出口箱区和进口箱区；s2、根据航运运营商获取船舶的装载计划，s3、集装箱之间存在作业先后顺序约束，s4、岸桥不能交叉作业且岸桥编号从左到右依次增大，s5、两个相邻的岸桥之间必须间隔一个贝位的安全距离，否则其作业会受到干扰，s6、岸桥在完成当前作业之前不能为其它集装箱服务。3.根据权利要求1所述的一种基于多目标优化的岸桥-avg联合调度方法，其特征在于，所述基于联合调度的假设条件构建多目标优化模型，包括根据公式(1)、(2)设计调度目标函数，根据公式(3)-(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，(20)设计约束条件，
其中，ω0为所有岸桥的虚拟初始任务集合，ω
f
为所有岸桥的虚拟终止任务集合，ω1为进口箱任务集合，ω2为出口箱任务集合，ω为所有作业任务的集合,ω＝ω1+ω2，q为岸桥集合，t为agv集合，b为船舶贝位集合，ψ为有作业顺序约束的任务对集合，(i,j)∈ψ表示任务i要先于任务j作业，e
h
为贝位h上的任务集合，s
i
为任务i的岸桥服务结束时间，s'
i
为任务i的agv开始服务时间，w
i
为岸桥完成集装箱i作业所需时间，v
i
为agv将集装箱i从初始位置运输到目的地所需的时间，u
i
为集装箱i的agv服务结束时间，st
i
为集装箱i的启动时间，即agv从当前位置到集装箱i初始位置所需时间，a
h
为贝位h的起始服务时间，d
h
为贝位h的结束服务时间，l
i
为集装箱i所在贝位，表示如果岸桥q在完成集装箱i的作业后立即为集装箱j服务，则否则如果集装箱j是岸桥q服务的第一个任务，则同样，如果集装箱j是岸桥q服务的最后一个任务，则同样，如果集装箱j是岸桥q服务的最后一个任务，则表示如果agv u在完成集装箱i的作业后立即为集装箱j服务，则否则0，表示如果集装箱i有岸桥q装卸，则否则否则表示如果集装箱i由agvu运输，则否则否则表示如果贝位h的集装箱由岸桥q作业，则否则z
hh'
表示如果贝位h的作业完成时间不晚于贝位h
′
的开始作业时间，则z
hh'
＝1，否则z
hh'
＝0，f1为完工时间，f2为空载行驶时间。4.根据权利要求1所述的一种基于多目标优化的岸桥-avg联合调度方法，其特征在于，所述多目标优化算法为nsga-ii算法。5.根据权利要求4所述的一种基于多目标优化的岸桥-avg联合调度方法，其特征在于，所述对多目标优化算法进行改进包括构建基于贝位的岸桥分配策略和基于集装箱的岸桥-agv调度策略对nsga-ii算法的种群进行初始化。

技术总结
本发明公开了一种基于多目标优化的岸桥-AVG联合调度方法，包括步骤一、获取港口数据，并设计港口岸桥-AGV联合调度的假设条件，步骤二、基于联合调度的假设条件构建多目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和AVG进行调度。NSGA-II算法能够有效解决岸桥和AGV的联合调度问题，提高港口的作业效率。港口的作业效率。港口的作业效率。


技术研发人员：任鸿翔 段雅婷 孟耀 徐富权 潘明阳 梁霄 陶瑞 孙佳文 董雅欣
受保护的技术使用者：大连海事大学
技术研发日：2023.06.28
技术公布日：2023/10/15