一种基于蚁群算法的多目标岸桥‑泊位调度优化方法技术

本发明专利技术公开了一种基于蚁群算法的多目标岸桥‑泊位调度优化方法，属于港口调度领域。针对本申请提出的多目标岸桥‑泊位调度模型，本申请基于蚁群算法，提出了两个用于求解模型的算法。本申请通过算法可以对到港集装箱船舶进行调度优化，从而提高了算法的执行效率，可以更短的时间内求得我们所需要的Pareto最优解，从而提高了港口运行的效率，不仅可以节约港口运营成本，对促进区域和国家经济发展也有重要意义；最后本申请通过仿真实验，对本申请中所提出的算法进行验证，在试验中，比较了算法与其它算法在收敛性和算法执行时间两个方面的比较，都验证了本申请算法的优越性。

【技术实现步骤摘要】
一种基于蚁群算法的多目标岸桥-泊位调度优化方法
本专利技术属于港口调度领域，具体涉及一种基于蚁群算法的多目标岸桥-泊位调度优化方法。
技术介绍
港口问题的研究涉及十分广泛，最初只是利用经验来人工的进行调度，但是随着港口规模的扩大，进出港口船只的增加，这种靠人工分配泊位的方法越来越不能适应全球经济快速发展对现代化港口要求。所以人们尝试建立起智能分配系统来代替人工分配，这种智能优化调度大大提高了港口的工作效率，节约了港口调度成本，为港口带来巨大的经济效益。K.Shih最早提出了关于集装箱船舶调度问题的研究。国外的港口调度研究人员将港口调度分为静态的和动态的，分别建立了静态的和动态的两种数学调度模型。针对泊位分配的静态模型，Imai给出了一种求解的该模型的启发式算法；而对于泊位分配的动态模型，Imai给出了一种利用拉格朗日松弛法求解的算法。Papadimitriou提出了一种基于船舶优先服务的数学模型。Nishimura在Imai的动态调度模型的基础上，加入了船舶停靠的限制条件，比如泊位的水深和船舶的长度等。Sun在以前的基础上，提出了一种连续泊位分配的方法，他将泊位看做连续的空间，根据船本文档来自技高网...

【技术保护点】
一种基于蚁群算法的多目标岸桥‑泊位调度优化方法，其特征在于：首先对蚁群算法的包括信息素蒸发率ρ、启发因子α和β、算法的启发函数、信息素浓度更新规则以及算法中的选择概率函数在内的参数进行改进；其中，对信息素蒸发率ρ进行如下改进：ρ初始化为ρ(n0)，当算法经过n次循环，所得到的解无明显变化时候，ρ的值作如下改进：

【技术特征摘要】
1.一种基于蚁群算法的多目标岸桥-泊位调度优化方法，其特征在于：首先对蚁群算法的包括信息素蒸发率ρ、启发因子α和β、算法的启发函数、信息素浓度更新规则以及算法中的选择概率函数在内的参数进行改进；其中，对信息素蒸发率ρ进行如下改进：ρ初始化为ρ(n0)，当算法经过n次循环，所得到的解无明显变化时候，ρ的值作如下改进：其中，ρmin是ρ可以取的最小值；对启发因子α和β进行如下改进：使两者之间的关系满足α+β＝1；对启发函数进行如下改进：在算法中，每一个船舶的分配计划都用一只蚂蚁表示，每一个方案也代表了问题的最优解，我们用R(i,j,c)来标识每个解向量的分量，表示第j艘船分配到泊位i上并且分配c个岸桥，R(i,j,c)这个动作的启发信息用ηijc表示，这个信息表示集装箱船舶j分配到泊位i并分配c个岸桥；通过公式(2)计算动作R(i,V,c)总的启发信息：ηiVc＝ηiVc1×ηiVc2×ηiVc3(2)；其中，ηiVc1是针对最小在港时间的启发函数，ηiVc2是针对最小装卸成本的启发函数，ηiVc3是针对最小拖车成本的启发函数，ηiVc是每一艘集装箱船舶分配泊位和岸桥数目的总的启发函数；对信息素浓度更新规则进行如下改进：通过如下规则来计算每一次迭代执行后路径ij上信息素浓度的变化量Δτij(t+1)：Δτij(t+1)＝Δτij(t)+(t×δ)(3)；其中，δ是一个很小的正数，t是当前迭代的次数，Δτij(t)表示本次迭代过程中路径ij上蚂蚁留下的信息素浓度；在人工蚂蚁搜索完成所有解空间后，对全局的信息素浓度进行更新，则更新规则如下：其中，ρ为信息素蒸发率，(1-ρ)表示信息素残留率，ρ∈(0，1]，τij(t)表示蚂蚁从状态i变化到状态j时的信息素浓度，τij(t-1)表示在迭代执行前路径ij上的信息素浓度，表示迭代执行后路径ij上所有人工蚂蚁留下的信息素浓度的变化之和，m表示蚁群个数；其中，为第k只蚂蚁在路径ij上留下的信息素浓度；xij是人工蚂蚁求得的候选解集；对选择概率函数进行如下改进：将概率计算公式改进为：

【专利技术属性】
技术研发人员：刘庆金，李鹏，陈军伟，
申请(专利权)人：青岛大学附属医院，
类型：发明
国别省市：山东,37