技术领域
[0001] 本
发明涉及港口集装箱堆场的
起重机调度领域，特别涉及一种集装箱堆场双层高架轨道垂直运输设备调度方法。
背景技术
[0002] 传统的集装箱码头大多采用轮胎式
集装箱龙门起重机(RTG)配合集卡的工艺方式，由于同一箱区RTG占用相同的路径，因此同一箱区配备的RTG不多。较大型的集装箱堆场多采用混堆、同装同卸的工作方式，在分配若干场桥去完成若干垂直运输任务的时候，它们在堆场内箱区之间移动需花费较多时间，为了提高整个堆场的垂直运输效率，国内外目前发展了一些集装箱堆场内场桥的智能调度方法。
[0003] 混合整数规划模型是目前使用最多的集装箱堆场场桥调度模型，以最小化取箱作业完成时间提前量和存取箱作业完成时间延迟量的线性组合为目标，确定一个任务分配和任务排序方案；除此之外还有基于软
时间窗的场桥调度模型、鲁棒预调度配合反应再调度策略的场桥调度模型、包括其它一些根据实际需求建立的模型。而求解模型的优化
算法则主要包括
遗传算法、蚁群算法、模拟
退火算法及启发式算法等。
[0004] 上述模型及算法在场桥的智能调度中各有优缺点，但无一不是被应用在传统的以集装箱龙门起重机加集卡的工艺方式中的，但是本发明中涉及的全自动集装箱码头采用的是自动化双层高架轨道垂直运输设备加自动化
水平运输设备的工艺方式，其中全自动集装箱垂直运输设备与传统的集装箱龙门起重机依靠大车机构行走不同，采用的是高架轨道，集装箱起重设备在高架轨道上行走，通过高低轨道架设置，同一箱区可以布置较多的起重设备。由于全自动集装箱码头采用的设备及工艺方式都与传统集装箱码头大相径庭，因此现有的调度模型及算法已不合适应用。
发明内容
[0005] 本发明的目的在于提供一种集装箱堆场双层高架轨道垂直运输设备调度方法，达到对多台设备进行合理调度、缩短设备等待时间、提高作业效率的目的。
[0006] 本发明实现其技术目的技术方案是：一种集装箱堆场双层高架轨道垂直运输设备调度方法，针对采用双层高架轨道垂直运输设备的全自动集装箱码头设备及工艺特点建立新的集装箱垂直运输设备的调度模型及采用相应的
优化算法对其进行求解。
[0007] 在采用双层高架轨道垂直运输设备的全自动集装箱堆场中，自动化水平运输设备(包括自动导引小车、LIFT AGV、自动跨运车、无人集卡等)将集装箱水平运输至堆码箱区或运出堆场，同一箱区内配备多台高架轨道集装箱起重设备与水平运输设备配合实现集装箱的垂直运输作业，高架轨道集装箱起重设备可装载一个集装箱在箱区内行走，因此在与水平运输设备一次对接中可直接完成先卸箱再装箱两次工作。
[0008] 本发明提出将一种智能方法用于该类自动化集装箱堆场中实现同箱区内双层高架轨道集装箱垂直运输设备调度，达到对多台设备进行合理调度、缩短设备等待时间、提高作业效率的目的。该方法以水平运输设备在堆场等待时间最短为目标建立堆场集装箱垂直运输设备智能调度模型，并采用融合BP算法的混合粒子群算法求解该模型，方法包括如下步骤：
[0009] 步骤A、设定集装箱垂直运输设备智能调度模型建立条件
[0010] 1)各集装箱垂直运输设备作业能
力相同；
[0011] 2)集装箱堆场作业的作业计划及配载计划已确定；
[0012] 3)一个箱区水平运输设备只有一个泊位；
[0013] 4)同一箱区所有集装箱垂直运输设备均能到达该箱区所有泊位；
[0014] 5)集装箱垂直运输设备一次提升一个20ft标准集装箱；
[0015] 6)翻箱操作已结束，待装箱总在最上层；
[0016] 步骤B、确定智能调度模型目标函数：
[0017]
[0018] t为n个任务中集装箱水平运输设备到达
指定泊位至离开泊位的总时间，智能调度模型的目标即实现t最小。
[0019] 其中，ti1为第i个任务中集装箱垂直运输设备从当前
位置到达待装目标集装箱位置时间；ti2为第i个任务中抓取目标集装箱时间；ti3为第i个任务中集装箱垂直运输设备从抓箱位置到达集装箱水平运输设备上方所需时间；ti4为第i个任务中装箱至集装箱水平运输设备时间；ti5为第i个任务中从集装箱水平运输设备卸箱时间；ti0为第i个任务中集装箱垂直运输设备从当前位置直接到达集装箱水平运输设备上方所需时间。α、β及γ为系数，各自的取值如下：
[0020]
[0021]
[0022]
[0023] 假设箱区内可工作集装箱垂直运输设备总数为N；以集装箱水平运输设备泊位为基准，设备k当前泊位为Xki(k＝1,2,3,…,N)，第i任务的待装目标集装箱泊位为Yi；集装箱泊位间距为DB；垂直运输设备大车速度为vG。则：
[0024]
[0025] 其中i＝1,2,3,...,n。
[0026] 设集装箱垂直运输设备吊具距离地面总高HT；待装目标集装箱层数为Fi；每个集装箱层高为h；垂直运输设备起升机构速度为vH；吊具
锁箱时间及解锁时间固定，分别为tL和tUL。则：
[0027]
[0028] 设集装箱水平运输设备泊位与箱区边缘距离为DP，则：
[0029]
[0030] 设集装箱垂直运输设备小车在大梁方向横移一个20ft集装箱的时间固定，为tT；集装箱水平运输设备高度为HA，则：
[0031]
[0032]
[0033]
[0034] 其中i＝1,2,3,...,n，这里a为系数，取值如下：
[0035]
[0036] 步骤C、确定智能调度模型目标函数的约束条件
[0037] 集装箱垂直运输设备智能调度模型中的参数需要满足以下一些约束或是边界条件：
[0038] 设备当前位置Xki及待装目标集装箱位置为Yi不能超出箱区内海侧到陆侧总泊位数，设从海侧到陆侧箱区长度方向泊位数目为M，则：
[0039]
[0040] 集装箱垂直运输设备吊具距离地面总高HT需要超出集装箱总层数两层，设集装箱总层数为L，则：
[0041] HT≥(L+2)h
[0042] 且待装目标集装箱层数应不大于集装箱总层数，即Fi≤L。
[0043] 步骤D、采用融合BP算法的混合粒子群算法求解上述调度模型
[0044] 融合BP算法的混合粒子群算法是以标准粒子群算法为
基础的。
[0045] 标准粒子群算法由以下两式组成，其中(1)式称为速度方程，(2)式称为位置方程：
[0046]
[0047]
[0048] 其中：d＝1，2，3，...，D，i＝1，2，3，...，N。
[0049] 上述两式表示，在一个D维的搜索空间里有n个粒子，其中第i个粒子的当前位置是xid，当前速度为vid。记第i个粒子搜索到的最优位置记为pid，整个粒子群搜索到的最优位置记为pgd，则pgd称为全局最优值。
[0050] 标准粒子群算法表达式(1)和(2)式中k为当前
迭代次数；c1和c2是学习因子,为非负常数，一般在0-2之间取值，其中，c1调节粒子向自身最优位置飞行的步长，c2调节粒子向全局最优位置飞行的步长。γ1和γ2是[0，1]之间的随机数，且相互独立，用来保持群体的多样性；为了减小在进化过程中粒子离开搜索空间的可能性，vid通常限定在一定范围内，即vid∈[-vmax，vmax]，vmax是自行设定的常数，即粒子的速度被限制在一个最大速度vmax范围内。
[0051] 表达式(1)中的ω为惯性权重因子，用来协调基本粒子算法的全局和局部寻优能力，惯性权重因子ω由下式确定：
[0052]
[0053] 式中，ωmax与ωmin分别是ω的最大和最小权重，典型取值为ωmax＝0.9～1.4，ωmin＝0.4；k为当前迭代次数，kmax是最大迭代次数。2λ为动量，且
[0054] 融合BP算法的混合粒子群算法的就是首先进行标准粒子群算法优化，在经过了若干代进化达到全局最优结果附近时，从中随机选取粒子群的个体进行神经网络BP算法对所得参数进一步精确优化，进行局部深度搜索。
[0055] 利用融合BP算法的混合粒子群算法求解集装箱垂直运输设备调度模型，其目的就是要为集装箱码头工作计划内每个装卸工作任务配置一台合理的垂直运输设备使全部任务完成所需总时间最少；针对多个任务中的每个任务，设备的配置方案有多种，在求解算法中一个粒子即表示一个配置方案，用设备当前在箱区中的泊位与任务目标在箱区中的泊位之间的距离来表达，也就是为第i个任务配置第k台设备，用智能调度模型目标函数中ti1计算式中的|Xki-Yi|×DB来表达，该式也是算法中粒子当前位置xid的表达式；多种配置方案形成算法中的一组粒子，也称为一个粒子向量，其中最优配置方案就是算法中的全局最优值pgd，需要使得目标函数中的总时间t为最小。模型的求解过程如下：
[0056] 步骤D1、初始化算法中的基本参数；
[0057] 确定粒子的初始位置，即按照惯常或经验做法先由人工为每个任务配置一台设备，并设置多种配置方案，形成一组粒子；
[0058] 按照标准粒子群中的推荐方法确定粒子优化的初始速度，惯性权重因子ω的初值，粒子群算法中最大允许迭代步数kmax，学习因子c1和c2的值。
[0059] 步骤D2、每个粒子的当前位置就作为粒子自身当前的最优解pid，即把当前每组设备配置都看作是最优配置；直接采用垂直运输设备智能调度模型目标函数作为粒子群算法的适应函数，根据初始化的各参数计算每个粒子的初始适应度，即计算每组配置完成集装箱作业任务所需总时间t。
[0060] 步骤D3、选取所有配置中完成集装箱作业任务所需总时间t最小的一组设备配置方案作为当前最优，即选取所有个体粒子中极值最好的作为全局最优值pgd，该粒子对应的极值就是下次迭代中调度模型的最优值；
[0061] 把获得全局最优值pgd带入算法表达式式(1)和式(2)中，会计算出一组新的粒子，就是获得一套由算法确定的新的设备配置方案。
[0062] 步骤D4、重新计算新配置方案中每种方案的所需总时间，即重新评价每个新粒子的适应度，适应度最坏的粒子被存储的最好粒子代替，如果第i个粒子的新位置比当前位置pid好，则将新位置作为当前粒子的最优位置，如果所有新粒子新位置中的最好值优于当前全局最优值pgd，则pgd被所有新粒子中的最好的那个位置代替，也就是重新选择新方案中所需总时间最小的作为更新后的最优方案。
[0063] 步骤D5、如果pgd值改变非常小，如连续多次出现相邻两次迭代获得的pgd之差的绝对值小于给定的极小值常数δ，则从当前粒子群中随机挑选一个粒子开始使用BP算法在pgd附近进行局部深度搜索，用BP搜索的结果取代当前粒子群中的最坏粒子。
[0064] 步骤D6、根据式(3)更新惯性权重因子ω，重新从步骤D4开始反复执行，直至达到最大允许迭代次数或是满足目标函数要求为止，此时得到的全局最优值即为调度模型的最优解，每个任务其对应的工作设备即系统最优化的设备调度方案。
[0065] 以下将结合
附图和
实施例，对本发明进行较为详细的说明。
附图说明
[0066] 图1为本发明采用双层高架轨道垂直运输设备的全自动集装箱堆场设备布置示意图。
具体实施方式
[0067] 采用双层高架轨道垂直运输设备的全自动集装箱堆场如图1所示：1为集装箱水平运输设备、2为高低架方式设置的轨道、3为集装箱垂直运输设备、4为集装箱。集装箱水平运输设备将集装箱水平运输至堆场的堆码箱区或运出堆场，同一箱区内通过高低架轨道设置方式配备有4台集装箱起重设备与集装箱水平运输设备配合实现集装箱的垂直运输作业，集装箱垂直运输设备为无人操纵的全自动化设备，在箱区内行走时可装载一个集装箱，因此在与集装箱水平运输设备一次对接中可直接完成先卸箱再装箱两次工作。
[0068] 本发明提出将一种智能方法用于该类全自动化集装箱堆场中实现同箱区内双层高架轨道全自动集装箱垂直运输设备的调度，达到对多台设备进行合理调度、缩短设备等待时间、提高作业效率的目的。该方法以集装箱水平运输设备完成25个任务在堆场等待时间最短为目标建立堆场集装箱垂直运输设备智能调度模型，并采用融合BP算法的混合粒子群算法求解该模型，方法包括如下步骤：
[0069] 步骤S1、设定集装箱垂直运输设备智能调度模型建立条件
[0070] 1)各集装箱垂直运输设备作业能力相同；
[0071] 2)集装箱堆场作业的作业计划及配载计划已确定；
[0072] 3)一个箱区水平运输设备只有一个泊位；
[0073] 4)同一箱区所有集装箱垂直运输设备均能到达该箱区所有泊位；
[0074] 5)集装箱垂直运输设备一次提升一个20ft标准集装箱；
[0075] 6)翻箱操作已结束，待装箱总在最上层；
[0076] 步骤S2、确定智能调度模型目标函数
[0077]
[0078] 其中n＝25，t为25个任务中集装箱水平运输设备到达指定泊位至离开泊位的总时间，智能调度模型的目标即实现t最小。
[0079] 其中，ti1为第i个任务中集装箱垂直运输设备从当前位置到达待装目标集装箱位置时间；ti2为第i个任务中抓取目标集装箱时间；ti3为第i个任务中集装箱垂直运输设备从抓箱位置到达集装箱水平运输设备上方所需时间；ti4为第i个任务中装箱至集装箱水平运输设备时间；ti5为第i个任务中从集装箱水平运输设备卸箱时间；ti0为第i个任务中集装箱垂直运输设备从当前位置直接到达集装箱水平运输设备上方所需时间。α、β及γ为系数，各自的取值如下：
[0080]
[0081]
[0082]
[0083] 假设箱区内可工作集装箱垂直运输设备总数为N＝4；以集装箱水平运输设备泊位为基准，设备k当前泊位为Xki(k＝1,2,3,…,N)，第i任务的待装目标集装箱泊位为Yi；集装箱泊位间距为DB；垂直运输设备大车速度为vG。则：
[0084]
[0085] 其中i＝1,2,3,...,25。
[0086] 设集装箱垂直运输设备吊具距离地面总高HT；待装目标集装箱层数为Fi；每个集装箱层高为h＝4.572m；垂直运输设备起升机构速度为vH；吊具锁箱时间及解锁时间固定，分别为tL和tUL。则：
[0087]
[0088] 设集装箱水平运输设备泊位与箱区边缘距离为DP，则：
[0089]
[0090] 设集装箱垂直运输设备小车在大梁方向横移一个20ft集装箱的时间固定，为tT；集装箱水平运输设备高度为HA，则：
[0091]
[0092]
[0093]
[0094] 其中i＝1,2,3,...,25，这里a为系数，取值如下：
[0095]
[0096] 步骤S3、确定智能调度模型目标函数的约束条件
[0097] 集装箱垂直运输设备智能调度模型中的参数需要满足以下一些约束或是边界条件：
[0098] 设备当前位置Xki及待装目标集装箱位置为Yi不能超出箱区内海侧到陆侧总泊位数，设从海侧到陆侧箱区长度方向泊位数目为M＝40，则：
[0099]
[0100] 集装箱垂直运输设备吊具距离地面总高HT需要超出集装箱总层数两层，设集装箱总层数为L＝6，则：
[0101] HT≥(L+2)h
[0102] 且待装目标集装箱层数应不大于集装箱总层数，即Fi≤L。
[0103] 步骤S4、采用融合BP算法的混合粒子群算法求解上述调度模型
[0104] 融合BP算法的混合粒子群算法是以标准粒子群算法为基础的。
[0105] 标准粒子群算法由以下两式组成，其中(1)式称为速度方程，(2)式称为位置方程：
[0106]
[0107]
[0108] 其中：d＝1，2，3，...，D，i＝1，2，3，...，N。
[0109] 上述两式表示，在一个D维的搜索空间里有n个粒子，其中第i个粒子的当前位置是xid，当前速度为vid。记第i个粒子搜索到的最优位置记为pid，整个粒子群搜索到的最优位置记为pgd，则pgd称为全局最优值。
[0110] 标准粒子群算法表达式(1)和(2)式中k为当前迭代次数；c1和c2是学习因子,为非负常数，一般在0-2之间取值，其中，c1调节粒子向自身最优位置飞行的步长，c2调节粒子向全局最优位置飞行的步长。γ1和γ2是[0，1]之间的随机数，且相互独立，用来保持群体的多样性；为了减小在进化过程中粒子离开搜索空间的可能性，vid通常限定在一定范围内，即vid∈[-vmax，vmax]，vmax是自行设定的常数，即粒子的速度被限制在一个最大速度vmax范围内。
[0111] 表达式(1)中的ω为惯性权重因子，用来协调基本粒子算法的全局和局部寻优能力，惯性权重因子ω由下式确定：
[0112]
[0113] 式中，ωmax与ωmin分别是ω的最大和最小权重，典型取值为ωmax＝0.9～1.4，ωmin＝0.4；k为当前迭代次数，kmax是最大迭代次数；2λ为动量，且
[0114] 融合BP算法的混合粒子群算法的就是首先进行标准粒子群算法优化，在经过了若干代进化达到全局最优结果附近时，从中随机选取粒子群的个体进行神经网络BP算法对所得参数进一步精确优化，进行局部深度搜索。
[0115] 利用融合BP算法的混合粒子群算法求解集装箱垂直运输设备调度模型，其目的就是要为集装箱码头工作计划内每个装卸工作任务配置一台合理的垂直运输设备使全部任务完成所需总时间最少；针对多个任务中的每个任务，设备的配置方案有多种，在求解算法中一个粒子即表示一个配置方案，用设备当前在箱区中的泊位与任务目标在箱区中的泊位之间的距离来表达，也就是为第i个任务配置第k台设备，用智能调度模型目标函数中ti1计算式中的|Xki-Yi|×DB来表达，该式也是算法中粒子当前位置xid的表达式；多种配置方案形成算法中的一组粒子，也称为一个粒子向量，其中最优配置方案就是算法中的全局最优值pgd，需要使得目标函数中的总时间t为最小。模型的求解过程如下：
[0116] 步骤S401、初始化算法中的基本参数；
[0117] 确定粒子的初始位置，即按照惯常或经验做法先由人工为每个任务配置一台设备，并设置多种配置方案，形成一组粒子；
[0118] 按照标准粒子群中的推荐方法确定粒子优化的初始速度，惯性权重因子ω的初值，粒子群算法中最大允许迭代步数kmax，学习因子c1和c2的值。
[0119] 步骤S402、每个粒子的当前位置就作为粒子自身当前的最优解pid，即把当前每组设备配置都看作是最优配置；直接采用垂直运输设备智能调度模型目标函数作为粒子群算法的适应函数，根据初始化的各参数计算每个粒子的初始适应度，即计算每组配置完成集装箱作业任务所需总时间t。
[0120] 步骤S403、选取所有配置中完成集装箱作业任务所需总时间t最小的一组设备配置方案作为当前最优，即选取所有个体粒子中极值最好的作为全局最优值pgd，该粒子对应的极值就是下次迭代中调度模型的最优值；
[0121] 把获得全局最优值pgd带入算法表达式式(1)和式(2)中，会计算出一组新的粒子，就是获得一套由算法确定的新的设备配置方案。
[0122] 步骤S404、重新计算新配置方案中每种方案的所需总时间，即重新评价每个新粒子的适应度，适应度最坏的粒子被存储的最好粒子代替，如果第i个粒子的新位置比当前位置pid好，则将新位置作为当前粒子的最优位置，如果所有新粒子新位置中的最好值优于当前全局最优值pgd，则pgd被所有新粒子中的最好的那个位置代替，也就是重新选择新方案中所需总时间最小的作为更新后的最优方案。
[0123] 步骤S405、如果pgd值改变非常小，如连续多次出现相邻两次迭代获得的pgd之差的绝对值小于给定的极小值常数δ，则从当前粒子群中随机挑选一个粒子开始使用BP算法在pgd附近进行局部深度搜索，用BP搜索的结果取代当前粒子群中的最坏粒子。
[0124] 步骤S406、根据式(3)更新惯性权重因子ω，重新从步骤S404开始反复执行，直至达到最大允许迭代次数或是满足目标函数要求为止，此时得到的全局最优值即为调度模型的最优解，每个任务其对应的工作设备即系统最优化的设备调度方案。
[0125] 以上显示描述了本发明的基本原理和主要技术特征。本发明不受上述实施例的限制，在不脱离本发明原理和范围下，本发明还会有各种变化和改进，这些变化和改进也属于本
专利的权利。
