一種船舶引航排班問(wèn)題模型與求解方法
【專利摘要】本發(fā)明公開了一種船舶引航排班問(wèn)題模型與求解方法，在分析引航排班各種成文的排班規(guī)則及不成文的排班習(xí)慣的基礎(chǔ)上，針對(duì)常規(guī)求解方法存在大量不可行解的困難，提出了將該模型轉(zhuǎn)化為偽旅行商問(wèn)題的方法；該方法依次包括以下步驟：步驟(1):建立本地?cái)?shù)據(jù)庫(kù)，進(jìn)行合同收池;步驟(2):從池中選出待引航排班船舶，建立引航排班問(wèn)題模型；步驟(3):基于分布估計(jì)改進(jìn)離散粒子群算法對(duì)引航排班問(wèn)題模型進(jìn)行求解，找出最優(yōu)引航排班計(jì)劃；步驟(4):根據(jù)確定的最優(yōu)引航排班計(jì)劃進(jìn)行引航排班。本發(fā)明為提高算法效率，通過(guò)引入最優(yōu)粒子子群，其具有搜索速度快，搜索精度高的特點(diǎn)。本發(fā)明所提引航排班問(wèn)題模型是有效的，求解方法是高效的。
【專利說(shuō)明】一種船舶引航排班問(wèn)題模型與求解方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于引航調(diào)度中的引航任務(wù)排班方法，具體涉及的是一種船舶引航排班問(wèn) 題模型與求解方法。

【背景技術(shù)】
[0002] 我國(guó)是一個(gè)港口大國(guó)。然而，在港口迅猛發(fā)展的同時(shí)，我國(guó)港口在引航調(diào)度效率上 相對(duì)落后，這嚴(yán)重制約了港口的核心競(jìng)爭(zhēng)力，也造成了一定的資源浪費(fèi)。各引航公司迫切需 要建立一個(gè)高效可行的引航調(diào)度體系實(shí)現(xiàn)引航資源優(yōu)化配置，提高港口競(jìng)爭(zhēng)力。引航調(diào)度 的管理重點(diǎn)就在引航排班上，因此，探討引航調(diào)度中引航排班的建模優(yōu)化和有效的解決方 法，成為亟待解決的關(guān)鍵理論問(wèn)題。
[0003] 引航排班問(wèn)題屬于NP-hard組合優(yōu)化問(wèn)題。由于此類問(wèn)題規(guī)模龐大并且限制因素 復(fù)雜，所以智能算法在解決該類問(wèn)題中得到廣泛運(yùn)用。目前應(yīng)用于組合優(yōu)化的算法主要有 局部搜索法，模擬退火算法，遺傳算法，神經(jīng)網(wǎng)絡(luò)等。引航排班方法主要有基于集覆蓋方法， 基于遺傳算法的方法，基于模擬退火算法的方法。排班問(wèn)題的解決思路大同小異，分為兩 步：1、產(chǎn)生初始引航任務(wù)組；2、運(yùn)用智能優(yōu)化算法對(duì)初始引航任務(wù)組進(jìn)行搜索，生成可行 的任務(wù)組組合。
[0004] 目前有的引航排班方法存在以下問(wèn)題：
[0005] 1.兩步走的思路在算法搜索過(guò)程中易產(chǎn)生不可行解，智能優(yōu)化算法中需添加必要 的排除非可行解策略，加大算法的設(shè)計(jì)難度；
[0006] 2.現(xiàn)有方法只考慮了在引航規(guī)則范圍內(nèi)找到可行排班結(jié)果，未綜合考慮到引航任 務(wù)之間等待時(shí)間，引航任務(wù)組時(shí)間均衡，引航任務(wù)組始末地點(diǎn)轉(zhuǎn)移帶來(lái)的成本問(wèn)題。
[0007] 3.基本智能優(yōu)化算法搜索能力有限，特別是當(dāng)引航任務(wù)數(shù)目較多，考慮因素增多 時(shí)，搜索最優(yōu)解將顯得無(wú)能為力。


【發(fā)明內(nèi)容】

[0008] 本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案是提出了一種船舶引航排班問(wèn)題模 型與求解方法，該方法包括以下步驟：
[0009] 步驟⑴：建立本地?cái)?shù)據(jù)庫(kù)，進(jìn)行合同收池；
[0010] 步驟⑵：從池中選出待引航排班船舶，統(tǒng)計(jì)待引航排班船舶任務(wù)數(shù)Ntask，建立引 航排班問(wèn)題模型；
[0011] 步驟（3):基于分布估計(jì)改進(jìn)離散粒子群算法對(duì)引航排班問(wèn)題模型進(jìn)行求解，找 出最優(yōu)引航排班計(jì)劃；
[0012] 步驟（4):根據(jù)確定的最優(yōu)引航排班計(jì)劃進(jìn)行引航排班。
[0013] 其中，步驟（2)建立引航排班問(wèn)題模型主要考慮引航中心（引航站）各種成文的 排班規(guī)則及不成文排班習(xí)慣，這些約束主要包括：
[0014] (a)將時(shí)間上可以順承，地點(diǎn)相同的引航任務(wù)銜接，搭建引航任務(wù)組；
[0015] (b) -個(gè)引航任務(wù)組的起始地點(diǎn)與結(jié)束地點(diǎn)保持盡可能相同，避免引航員外站過(guò) 夜；
[0016] (c)每個(gè)引航任務(wù)組的工作時(shí)間相對(duì)均衡；
[0017] ⑷每個(gè)引航任務(wù)組的工作時(shí)間符合引航中心（引航站）的工作時(shí)間制，避免疲勞 引航。
[0018] 在考慮這些約束條件下，本發(fā)明構(gòu)建引航排班問(wèn)題數(shù)學(xué)模型如下：
[0019] Z = c^ob j1+c2*ob j2+c3*ob j3+c4*ob j4 (1)
[0020] 其中obi為目標(biāo)函數(shù)第1部分，表示一個(gè)可行的引航任務(wù)組組合中引航任務(wù)組的 數(shù)目；〇bj 2為目標(biāo)函數(shù)第2部分，表示一個(gè)可行的引航任務(wù)組組合中各引航任務(wù)組的時(shí)間 等待費(fèi)用之和；〇bj3為目標(biāo)函數(shù)第3部分，表示一個(gè)可行的引航任務(wù)組組合中各引航任務(wù) 組的外站過(guò)夜費(fèi)用之和；〇bj 4為目標(biāo)函數(shù)第4部分，表示一個(gè)可行的引航任務(wù)組組合中各 引航任務(wù)組工作時(shí)間的標(biāo)準(zhǔn)差。Cl、 C2、c3、C4為系數(shù)權(quán)值。
[0021] 進(jìn)一步，引航排班問(wèn)題數(shù)學(xué)模型中obji表達(dá)式可由下式求得：
[0022] obj-! = taskno (2)
[0023] taskno為任務(wù)組數(shù)目。
[0024] 引航排班問(wèn)題數(shù)學(xué)模型中obj2表達(dá)式可由下式求得：

【權(quán)利要求】
1. 一種船舶引航排班問(wèn)題模型與求解方法，包括建立本地?cái)?shù)據(jù)庫(kù)，進(jìn)行合同收池，其特 征在于：該方法依次包括以下步驟： 步驟（la):建立本地?cái)?shù)據(jù)庫(kù)，進(jìn)行合同收池； 步驟（lb):從池中選出待引航排班船舶，統(tǒng)計(jì)待引航排班船舶任務(wù)數(shù)Ntask，建立引航排 班問(wèn)題模型； 步驟（lc):基于分布估計(jì)改進(jìn)離散粒子群算法對(duì)引航排班問(wèn)題模型進(jìn)行求解，找出最 優(yōu)引航排班計(jì)劃； 步驟（Id):根據(jù)確定的最優(yōu)引航排班計(jì)劃進(jìn)行引航排班。
2. 根據(jù)權(quán)利要求1所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 述步驟（lb)，建立引航排班問(wèn)題數(shù)學(xué)模型Z的計(jì)算公式如下： Z = c^ob j1+c2*ob j2+c3*ob j3+c4*ob j4 (1) 其中obi為目標(biāo)函數(shù)第1部分，表示一個(gè)可行的引航任務(wù)組組合中引航任務(wù)組的數(shù) 目；〇bj2為目標(biāo)函數(shù)第2部分，表示一個(gè)可行的引航任務(wù)組組合中各引航任務(wù)組的時(shí)間等 待費(fèi)用之和；〇bj 3為目標(biāo)函數(shù)第3部分，表示一個(gè)可行的引航任務(wù)組組合中各引航任務(wù)組 的外站過(guò)夜費(fèi)用之和；〇bj4為目標(biāo)函數(shù)第4部分，表示一個(gè)可行的引航任務(wù)組組合中各引 航任務(wù)組工作時(shí)間的標(biāo)準(zhǔn)差 ；Cl、c2、c3、c4為系數(shù)權(quán)值。
3. 根據(jù)權(quán)利要求2所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，所述引 航排班問(wèn)題數(shù)學(xué)模型中obi表達(dá)式如下： obji = taskno (2) 其中，taskno為任務(wù)組數(shù)目； 所述引航排班問(wèn)題數(shù)學(xué)模型中〇bj2表達(dá)式如下：
(3) wait cosh為任務(wù)組i的等待費(fèi)用，其計(jì)算方式如下：
(4) wait_time為同一引航任務(wù)組中兩銜接引航任務(wù)之間的等待時(shí)間，VT為等待時(shí)間閾 值，c〇a、c〇b為等待時(shí)間權(quán)重系數(shù)，且c〇a〈c〇b ;taskno為任務(wù)組數(shù)目； 所述引航排班問(wèn)題數(shù)學(xué)模型中〇bj3表達(dá)式如下：
(^)
如果引航任務(wù)組/的結(jié)束地點(diǎn)與起始地點(diǎn)不相同 如果引航任務(wù)組/的結(jié)束地點(diǎn)與起始地點(diǎn)相同 pos costi為引航任務(wù)組i的外站過(guò)夜花費(fèi)，為外站過(guò)夜花費(fèi)權(quán)值； 所述引航排班問(wèn)題數(shù)學(xué)模型中〇bj4表達(dá)式如下： (7) 其中，taskno為任務(wù)組數(shù)目；gtask^timei為任務(wù)組i的工作時(shí)間；avetime為一個(gè)任 務(wù)組組合平均工作時(shí)間，其計(jì)算公式如下：
(8)。
4. 根據(jù)權(quán)利要求2所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 述步驟（lc)，基于分布估計(jì)改進(jìn)離散粒子群算法對(duì)引航排班問(wèn)題模型進(jìn)行求解，其步驟如 下： 步驟（4a):初始化參數(shù)；設(shè)置種群大小popsize，運(yùn)行總代數(shù)gen，變異概率pm; 步驟（4b):初始化種群；置運(yùn)行代數(shù)g= 1，隨機(jī)產(chǎn)生popsize個(gè)粒子，每個(gè)粒子為一 具有Ntask個(gè)元素的整數(shù)序列，粒子中的各元素從集合{1，2，…，隊(duì)^}中取值且互不重復(fù)； 步驟（4c):計(jì)算粒子適應(yīng)度；根據(jù)適應(yīng)度函數(shù)計(jì)算每個(gè)粒子適應(yīng)度值并保存每個(gè)粒子 找到的個(gè)體極值Pbest及整個(gè)種群的全局極值gbest ; 步驟（4d):將所有個(gè)體極值進(jìn)行排序，以比率γ選擇具有最優(yōu)個(gè)體極值的粒子構(gòu)建最 優(yōu)粒子子群； 步驟（4e):根據(jù)最優(yōu)粒子子群中各序列元素所代表的引航任務(wù)的鄰接關(guān)系建立各引 航任務(wù)的鄰接元素概率分布模型； 步驟（4f):每個(gè)粒子根據(jù)引航任務(wù)的鄰接元素概率分布模型執(zhí)行學(xué)習(xí)采樣過(guò)程； 步驟（4g):對(duì)學(xué)習(xí)后的粒子計(jì)算適應(yīng)度值，如果該值小于學(xué)習(xí)前適應(yīng)度值，則更新當(dāng) 前粒子；否則，對(duì)當(dāng)前粒子以概率？111執(zhí)行變異操作； 步驟（4h):置運(yùn)行代數(shù)g加1，如果g彡gen，轉(zhuǎn)步驟（4c); 步驟（4i):輸出全局極值gbest及全局最優(yōu)粒子。
5. 根據(jù)權(quán)利要求4所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于 所述步驟（4c)，計(jì)算每個(gè)粒子適應(yīng)度值采用的是偽旅行商問(wèn)題的譯碼方法，其具體步驟如 下： 步驟（5a):設(shè)gtask= l，vtask= 1 ;gtask代表當(dāng)前引航任務(wù)組序號(hào)，vtaskR表當(dāng)前引航任 務(wù)序號(hào)； 步驟（5b):將引航任務(wù)vtask放入gtask任務(wù)組，vtask加1 ; 步驟（5c):訪問(wèn)引航任務(wù)vtask，如果滿足當(dāng)前訪問(wèn)的引航任務(wù)的起始地點(diǎn)等于之前訪 問(wèn)的引航任務(wù)的結(jié)束地點(diǎn)，當(dāng)前訪問(wèn)的引航任務(wù)的起始時(shí)間遲于之前訪問(wèn)的引航任務(wù)的結(jié) 束時(shí)間且從當(dāng)前訪問(wèn)的引航任務(wù)組的第一個(gè)引航任務(wù)的起始時(shí)間到當(dāng)前訪問(wèn)的引航任務(wù) 的結(jié)束時(shí)間間隔小于工作時(shí)間閾值T，則把該任務(wù)放入g task任務(wù)組，vtaskW 1，轉(zhuǎn)步驟（5d); 否則，gtask加1，把當(dāng)前任務(wù)放入更新的gtask任務(wù)組，v task加1; 步驟（5d):如果vtask彡Ntask，轉(zhuǎn)步驟（5c); 步驟（5e):按建立引航排班問(wèn)題數(shù)學(xué)模型的計(jì)算公式（1)計(jì)算引航排班問(wèn)題的總費(fèi) 用，即為粒子的適應(yīng)度值。
6. 根據(jù)權(quán)利要求4所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 述步驟（4d)，最優(yōu)粒子子群的構(gòu)建方法步驟如下： 步驟^a):將所有粒子的個(gè)體極值由小到大進(jìn)行排序； 步驟（6b):根據(jù)比率γ和種群大小popsize依次選擇適應(yīng)度值較小的 [Y *popsize+0. 5]個(gè)粒子組成最優(yōu)粒子子群，其中[γ *popsize+0. 5]代表對(duì) Y *popsize+0. 5 取整。
7. 根據(jù)權(quán)利要求4所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 述步驟（4e)，引航排班問(wèn)題鄰接元素概率分布模型構(gòu)建步驟如下： 步驟（7a):統(tǒng)計(jì)最優(yōu)粒子子群中粒子序列元素i的鄰接元素j出現(xiàn)的次數(shù)nij ; 步驟（7b):構(gòu)建鄰接元素的概率模型； 步驟（7c):構(gòu)建鄰接元素的概率分布模型。
8. 根據(jù)權(quán)利要求7所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 述步驟（7a)，鄰接次數(shù)r^_的計(jì)算步驟如下：
步驟（8a):記最優(yōu)粒子子群為E，其中第k個(gè)個(gè)體表示為 L 為粒子長(zhǎng)度； 步驟（8b):建立一個(gè)鄰接次數(shù)矩陣N，N中的元素表示序列元素i與序列元素j的 鄰接次數(shù)，初始化為0,矩陣如下所示：
(9) 步驟（8c):遍歷最優(yōu)粒子子群中的每個(gè)粒子，r^_按如下方式更新：
(10) 其中，4 =/，<=./; 對(duì)于所述步驟（7b)，鄰接元素的概率模型建立步驟如下： 步驟（8d):建立鄰接元素概率矩陣P如下：
(11) 步驟（8e):更新概率Pm如下式所示：
(12)。
9. 根據(jù)權(quán)利要求7所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于所 (13) 述步驟（7c)，鄰接元素的概率分布模型建立步驟如下： 步驟（9a):建立鄰接元素概率分布矩陣F如下： 步驟（9b):更新概率&_，如下式所示：
(14)。 i = l，2"..Lj = 0，l，2"..L
10.根據(jù)權(quán)利要求4所述一種船舶引航排班問(wèn)題模型與求解方法，其特征在于，對(duì)于步 驟（4f)，每個(gè)粒子根據(jù)引航任務(wù)的鄰接元素概率分布模型執(zhí)行學(xué)習(xí)采樣過(guò)程的具體步驟如 下： 步驟（l〇a):隨機(jī)產(chǎn)生兩個(gè)粒子位XpX2，保持粒子中粒子位&、&之間的序列不變，其 余粒子位置空； 步驟（10b):對(duì)于剩余粒子位元素值，采用輪盤賭方法，采樣引航排班問(wèn)題鄰接元素概 率分布模型，得到新粒子； 步驟（l〇c):由步驟（l〇b)所得新粒子，若其適應(yīng)度值優(yōu)于采樣學(xué)習(xí)前的適應(yīng)度值，則 將新粒子替換采樣學(xué)習(xí)前的粒子；否則，對(duì)當(dāng)前粒子以概率Pm執(zhí)行變異操作。
【文檔編號(hào)】G06F19/00GK104217118SQ201410467131
【公開日】2014年12月17日 申請(qǐng)日期:2014年9月12日 優(yōu)先權(quán)日:2014年9月12日
【發(fā)明者】薛云燦, 張海霞, 楊啟文, 李彬, 王思睿 申請(qǐng)人:河海大學(xué)常州校區(qū)