钢铁产品散装货运船舶积配载方法技术

钢铁产品散装货运船舶积配载方法，运用了混合遗传算法：用启发式方法确定各舱货物的具体摆放方式，满足货物装载质量要求；遗传算法调用启发式方法，计算配载指标，来确定货物在各舱的分布，以满足各舱的仓容限制，制定合理的货物配载方案。本发明专利技术根据船方的配载要求和不同货物的摆放要求，迅速计算货物在各舱中的分布和具体摆放顺序，实现了货物的自动配载，保障了货物运输质量；根据配载计算的结果确定货物的发货顺序，提高了装船效率。

【技术实现步骤摘要】

本专利技术涉及货运船舶货物配载方法，适用于钢铁企业产成品的船舶配载，用于计算卷、板等产品在散装货运船舶各个船舱的分布和具体摆放方法，确定配载方案。
技术介绍
钢铁产品的出厂一般采用大型散装货运船舶运输的方式，为了保证航行安全和在各个港口装卸货物的顺畅，考虑船舶稳性、纵强度和吃水差等性能指标，船方要根据货物和船舶的具体情况确定各舱货物的到港和允许重量；从港方的角度来说，为保证货物运输质量，对货物在船舱中的具体摆放方式有严格的要求。大型钢铁企业一个船批的货物数量庞大，种类繁多，并且货物的配载存在上述的到港、船舱允许重量和货物的摆放要求等许多约束，因此完成整船货物的配载方法是一个复杂的组合优化问题，属于NP-hard问题(nondeterministic polynomial time hard problem)。现在的散装货运船舶运输的配载大都由配载员一般凭经验手工制定配载方案，工作量大，工作效率较低，并且由于无法考虑到货物在船舱中的具体摆放顺序，货物运输质量难以保证。
技术实现思路
本专利技术的目的在于提供一种，根据船方确定的各舱货物的到港和允许重量，以及不同货物的摆放要求，确定货物在各舱中的分布和具体摆放方法，以保证货物运输质量，提高装船效率。本专利技术方法的核心是配载计算，由于船方已经指定了各舱货物的到港，因此可以对每个港口的货物分别配载，即选定一个港口的货物关单和对应船舱后，确定这些关单在各舱的分布和具体摆放顺序。由于钢铁产品船舶配载问题属于NP-hard问题，为求解此问题，运用了混合遗传算法用启发式方法确定各舱货物的具体摆放方式，满足货物装载质量要求；遗传算法调用启发式方法，计算配载指标，来确定货物在各舱的分布，以满足各舱的仓容限制，制定合理的货物配载方案。下面先介绍遗传算法的相关设计，再说明配载计算的具体过程，然后说明启发式方法的设计。遗传算法是求解复杂组合优化问题常用的局域搜索方法，已经形成较完整的理论，有许多工具软件可以直接使用，如在本方法中使用的GALib。遗传算法主要包括4部分编码、解码、适应度函数和遗传算子。编码指将所求解问题的解描述成遗传算法要求的形式，即将问题的解编译成染色体。解码指将遗传算法经过若干次进化后得到的染色体转换为问题的解，这是编码的逆过程；适应度函数用来描述染色体的适应性，即解的优劣；遗传算子用来实现迭代过程中染色体的进化，即解的改进，包括选择算子、交叉算子和变异算子等。运用遗传算法求解实际问题时，主要是根据问题的特点设计编码、解码方式以及适应度函数，而各种遗传算子都有多种方法来实现，并且在工具软件中可以直接使用，只需根据问题的特点选择合适的方法。遗传算法的特点我们知道，传统的优化方法主要有三种枚举法、启发式算法和搜索算法(1)枚举法，枚举出可行解集合内的所有可行解，以求出精确最优解。对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。此外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算工具上无法求解。(2)启发式算法，寻求一种能产生可行解的启发式规则，以找到一个最优解或近似最优解。该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则，这个启发式规则一般无通用性，不适合于其他问题。(3)搜索算法，寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。遗传算法是从代表问题因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度(丘tness)大小挑选(selection)个体，并借助于自然遗传学的遗传算子(geneticoperators)进行组合交叉(crossover)和变异(mutatton)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更女口适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。遗传算法采纳了自然进化模型，如选择、交叉、变异、迁移、局域与邻域等。图1表示了基本遗传算法的过程。计算开始时，一定数目N个个体(父个体1、父个体2、父个体3、父个体4……)即种群随机地初始化，并计算每个个体的适应度函数，第一代也即初始代就产生了。如果不满足优化准则，开始产生新一代的计算。为了产生下一代，按照适应度选择个体，父代要求基因重组(交叉)而产生子代。所有的子代按一定概率变异。然后子代的适应度又被重新计算，子代被插入到种群中将父代取而代之，构成新的一代(子个体1、子个体2、子个体3、子个体4……)。这一过程循环执行，直到满足优化准则为止。尽管这样单一种群的遗传算法很强大，可以很好地解决相当广泛的问题。但采用多种群即有子种群的算法往往会获得更好的结果。每个子种群像单种群遗传算法一样独立地演算若干代后，在子种群之间进行个体交换。这种多种群遗传算法更加贴近于自然中种族的进化，称为并行遗传算法。随着问题种类的不同以及问题规模的扩大，要寻求一种能以有限的代价来解决搜索和优化的通用方法，遗传算法正是为我们提供的一个有效的途径，它不同于传统的搜索和优化方法。主要区别在于 ①自组织、自适应和自学习性(智能性)。应用遗传算法求解问题时，在编码方案、适应度函数及遗传算子确定后，算法将利用进化过程中获得的信息自行组织搜索。由于基于自然的选择策略为“适者生存，不适应者被淘汰”，因而适应度大的个体具有较高的生存概率。通常，适应度大的个体具有更适应环境的基因结构，再通过基因重组和基因突变等遗传操作，就可能产生更适应环境的后代。进化算法的这种自组织、自适应特征，使它同时具有能根据环境变化来自动发现环境的特性和规律的能力。自然选择消除了算法设计过程中的一个最大障碍，即需要事先描述问题的全部特点，并要说明针对问题的不同特点算法应采取的措施。因此，利用遗传算法的方法，我们可以解决那些复杂的非结构化问题。②遗传算法的本质并行性。遗传算法按并行方式搜索一个种群数目的点，而不是单点。它的并行性表现在两个方面，一是遗传算法是内在并行的(inherent parallelism)，即遗传算法本身非常适合大规模并行。最简单的并行方式是让几百甚至数千台计算机各自进行独立种群的演化计算，运行过程中甚至不进行任何通信(独立的种群之间若有少量的通信一般会带来更好的结果)，等到运算结束时才通信比较，选取最佳个体。这种并行处理方式对并行系统结构没有什么限制和要求，可以说，遗传算法适合在目前所有的并行机或分布式系统上进行并行处理，而且对并行效率没有太大影响。二是遗传算法的内含并行性(implicit parallelismm)。由于遗传算法采用种群的方式组织搜索，因而可同时搜索解空间内的多个区域，并相互交流信息。使用这种搜索方式，虽然每次只执行与种群规模n成比例的计算，但实质上已进行了大约O(n3)次有效搜索，这就使遗本文档来自技高网...

【技术保护点】
钢铁产品散装货运船舶积配载方法，其包括如下步骤：（１）数据准备，确定货物信息、船舱信息和船方预配信息；货物以关单形式组织，包括关单信息和货物明细信息等，这些信息以数据表的形式存放在数据库中；（２）选择一个港口的货物关单和对应 船舱；（３）遗传算法初始化：置进化代数ｔ＝０，最大进化代数为Ｔ，按编码方法对选定的关单进行编码，并随机生成Ｍ个染色体，作为初始种群ＰＯＰ（０）；（４）计算配载指标：对每个染色体，应用解码方法得到一个对应的货物分布方案，根据该 方案，对每个船舱中的货物，应用货物摆放计算方法确定货物在船舱中的具体摆放方式，并计算该舱的舱容利用率，由各舱的舱容利用率计算货物分布方案的配载指标；（５）进化：对种群ＰＯＰ（ｔ）中的染色体，根据其配载指标，运用选择算子、交叉算子和变 异算子生成ｐＲｅｐｌ＊Ｍ个个体，组成临时种群ｔｍｐＰＯＰ（ｔ）；将初始种群ＰＯＰ（ｔ）与临时种群ｔｍｐＰＯＰ（ｔ）合并，从中淘汰掉差的个体，使种群规模恢复到Ｍ，得到下一代种群：ｔ：＝ｔ＋１；（６）遗传算法终止准则判断：如果ｔ＜Ｔ，则 转到第４步；否则输出ＰＯＰ（ｔ）中最优的解，作为该港口货物的配载方案；（７）如果还有港口货物没有进行配载计算，则转到第２步，否则停止。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈通强，吴君梁，马建华，沈益军，肖海平，吴正祥，周家富，
申请(专利权)人：宝山钢铁股份有限公司，
类型：发明
国别省市：31[中国|上海]