一种基于人机协同的港口拖轮作业智能调度方法技术

本发明专利技术提供了一种基于人机协同的港口拖轮作业智能调度方法，包括：基于预设遗传算法确定港口拖轮作业调度计划的理论最优调度方案；基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习惯特征分类；基于预设的神经网络融合模型对所述理论最优调度方案和调度员的人为习惯特征分类进行融合，得到融合最优调度方案；基于预设的调度阈值和所述融合最优调度方案确定目标调度方案。本发明专利技术提供的基于人机协同的港口拖轮作业智能调度方法能够将得到的理论最优调度方案与调度员人为习惯特征分类融合，使得到的调度方案包含调度员人为习惯特征，能够兼顾调度计划的稳定性以及与调度人员的协调性，提高拖轮作业的效率，并降低成本。并降低成本。并降低成本。

【技术实现步骤摘要】
一种基于人机协同的港口拖轮作业智能调度方法


[0001]本专利技术涉及港口调度
，具体涉及一种基于人机协同的港口拖轮作业智能调度方法。

技术介绍

[0002]拖轮作业调度系统是港口体系中必不可少的一部分，关系到船舶能否安全快速准时的进入码头泊位。目前各港口的拖轮调度主要依靠港口资深调度员凭借经验进行人工调度计划安排。
[0003]在现有技术中，拖轮调度多采用智能算法寻求调度计划最优解，例如人工蜂群算法、粒子群算法、遗传算法等，取得了较好的结果。在现有的技术中，各自智能算法虽然能得到调度最优解，但各种模型的建立都比较理想化，容易陷入局部最优，所得到的调度最优解与人工调度计划相差较大，不能满足调度人员对复杂调度的业务规则需求。人工调度的优点是易于操作和临时调整，考虑情况复杂，约束优先级可根据情况调整，缺点是因人而异，调度结果受人为经验影响较大，随机性强不稳定。智能算法虽求解快速准确但难以求解复杂调度问题。
[0004]综上，现有技术中得到的拖轮调度计划无法兼顾调度计划的稳定性以及与调度人员的协调性，导致拖轮作业的效率不高，成本增加。

技术实现思路

[0005]有鉴于此，有必要提供一种基于人机协同的港口拖轮作业智能调度方法，解决现有技术中得到的拖轮调度计划无法兼顾调度计划的稳定性以及与调度人员的协调性，从而导致拖轮作业的效率不高，成本增加的技术问题。
[0006]为了解决上述技术问题，本专利技术提供了一种基于人机协同的港口拖轮作业智能调度方法，包括：基于预设遗传算法确定港口拖轮作业调度计划的理论最优调度方案；基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习惯特征进行分类，得到习惯特征分类信息；基于预设的神经网络融合模型对所述理论最优调度方案和习惯特征分类信息进行融合，得到融合最优调度方案；基于预设的调度阈值和所述融合最优调度方案确定目标调度方案。
[0007]在一些可能实现的方式中，所述基于预设遗传算法确定港口拖轮作业调度计划的理论最优调度方案，包括：对所述港口拖轮作业调度计划中相关元素进行编码，得到编码表格，根据所述编码表格随机生成个体，产生初始种群；以空驶时间最小为目标定义目标函数，并设定所述目标函数的倒数为适应度；基于锦标赛法在所述初始种群中筛选出满足所述适应度的个体作为最优个体；
使用Order Crossover交叉算子，在交叉过程中选取所述最优个体的一对染色体作为父本染色体和母本染色体，以所述父本染色体和母本染色体为基础迭代进行交叉运算并将产生的后代加入到基因集中，并设定交叉率；使用位置变异法作为变异算子，随机选择所述基因集中的染色体，在所述染色体中随机产生两个位置交换这两个位置的值，并设定变异率；从基因集中得到满足适应度调度的理论最优调度方案。
[0008]在一些可能实现的方式中，所述预设的神经网络自编码器模型包括第一编码器和第一解码器；所述基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习惯特征进行分类，得到习惯特征分类信息，包括：基于所述第一编码器提取所述港口拖轮作业调度计划中调度员的人为习惯特征，将所述习惯特征转化为一个N维的特征向量；基于所述第一解码器对所述特征向量进行解码，恢复为所述港口拖轮作业调度计划中的调度信息内容，得到习惯特征分类信息。
[0009]在一些可能实现的方式中，得到所述预设的神经网络自编码器，包括:获取历史港口拖轮作业调度数据，构建数据集；建立初始神经网络自编码器模型，以所述数据集为输入，调度员的人为习惯分类为输出，迭代训练所述初始神经网络自编码器模型，得到所述预设的神经网络自编码器模型。
[0010]在一些可能实现的方式中，所述迭代训练所述初始神经网络自编码器模型，包括：获取所述数据集的历史港口拖轮作业调度数据，依次输入所述第一编码器中，得到编码信息；将所述编码信息输入所述第一解码器中，得到解码信息；检验所述解码信息与输入的历史港口拖轮作业调度数据相似度，并调整所述编码器和解码器的参数使重构误差最小，直到所述解码器输出的解码信息与所述历史港口拖轮作业调度数据相似度达到设定阈值。
[0011]在一些可能实现的方式中，所述预设的神经网络融合模型包括第二编码器和第二解码器；所述基于预设的神经网络融合模型对所述理论最优调度方案和习惯特征分类信息进行融合，得到融合最优调度方案，包括：基于所述第二编码器提取所述理论最优调度计划和习惯特征分类信息的特征向量；基于所述第二解码器对所述理论最优调度计划和习惯特征分类信息的特征向量进行解码还原，并根据预设的强化学习算法得到融合最优调度方案。
[0012]在一些可能实现的方式中，所述根据预设的强化学习算法得到融合最优调度方案，包括：根据所述预设的强化学习算法的状态、动因、动作和奖励要素将所述港口拖轮作业调度计划中拖轮定义为动因要素，状态要素为所述理论最优调度计划，动作要素为所述调度员的人为习惯特征分类，奖励要素为包含所述调度员的人为习惯特征分类的调度方案，建立一个以状态要素为行、动作要素为列的Q值表，通过每个动作带来的奖励不断更新所述Q值表中的Q值，从而获得理想状态要素下、理想动作要素的Q值，根据所述理想状态要
素下、理想动作要素的Q值得到融合最优调度方案。
[0013]在一些可能实现的方式中，所述基于预设的调度阈值和所述融合最优调度方案确定目标调度方案，包括：设定调度阈值，并对比实际调度结果与所述融合最优调度方案的相同率；当所述相同率高于所述调度阈值时输出目标调度方案；当所述相同率低于设定阈值时根据预设的网络模型得到目标调度方案。
[0014]在一些可能实现的方式中，所述当所述相同率低于设定阈值时根据预设的网络模型得到目标调度方案，包括：获取历史数据的实际调度结果数据，构建训练集对所述网络模型进行训练，得到所述预设的网络模型；当所述相同率低于所述调度阈值时将所述调度计划融合最优解输入所述预设的网络模型，得到目标调度方案。
[0015]在一些可能实现的方式中，还包括：设置滚动窗口，实时更新所述港口拖轮作业调度计划，当所述港口拖轮作业调度计划中出现变动时，更新整个学习过程，得到新的目标调度方案。
[0016]采用上述实施例的有益效果是：本专利技术提供的基于人机协同的港口拖轮作业智能调度方法通过遗传算法确定港口拖轮作业调度计划的理论最优调度方案，并根据神经网络自编码器模型得到调度员的人为习惯特征分类，将理论最优调度方案和调度员的人为习惯特征分类进行融合，使得到的融合最优调度方案包含了理论最优调度方案稳定性和调度员与调度方案的协调性，同时设置调度阈值，能够根据调度阈值对方案进行相应调整，进一步增加了调度方案的可行性及稳定性，最后通过设置的滚动窗口，能够根据调度计划中的变动实时更新调度方案，增加了方案的实时性，使得本专利技术提供的基于人机协同的港口拖轮作业智能调度方法能够兼顾调度计划的稳定性以及与调度人员的协调性，提高拖轮作业的效率，并降低成本。
附图说明
[0017]为了更清楚地说明本专利技术实施例中的技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人机协同的港口拖轮作业智能调度方法，其特征在于，包括：基于预设遗传算法确定港口拖轮作业调度计划的理论最优调度方案；基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习惯特征进行分类，得到习惯特征分类信息；基于预设的神经网络融合模型对所述理论最优调度方案和习惯特征分类信息进行融合，得到融合最优调度方案；基于预设的调度阈值和所述融合最优调度方案确定目标调度方案。2.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法，其特征在于，所述基于预设遗传算法确定港口拖轮作业调度计划的理论最优调度方案，包括：对所述港口拖轮作业调度计划中相关元素进行编码，得到编码表格，根据所述编码表格随机生成个体，产生初始种群；以空驶时间最小为目标定义目标函数，并设定所述目标函数的倒数为适应度；基于锦标赛法在所述初始种群中筛选出满足所述适应度的个体作为最优个体；使用Order Crossover交叉算子，在交叉过程中选取所述最优个体的一对染色体作为父本染色体和母本染色体，以所述父本染色体和母本染色体为基础迭代进行交叉运算并将产生的后代加入到基因集中，并设定交叉率；使用位置变异法作为变异算子，随机选择所述基因集中的染色体，在所述染色体中随机产生两个位置交换这两个位置的值，并设定变异率；从所述基因集中得到满足适应度的理论最优调度方案。3.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法，其特征在于，所述预设的神经网络自编码器模型包括第一编码器和第一解码器；所述基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习惯特征进行分类，得到习惯特征分类信息，包括：基于所述第一编码器提取所述港口拖轮作业调度计划中调度员的人为习惯特征，将所述习惯特征转化为一个N维的特征向量；基于所述第一解码器对所述特征向量进行解码，恢复为所述港口拖轮作业调度计划中的调度信息内容，得到习惯特征分类信息。4.根据权利要求3所述的基于人机协同的港口拖轮作业智能调度方法，其特征在于，得到所述预设的神经网络自编码器，包括:获取历史港口拖轮作业调度数据，构建数据集；建立初始神经网络自编码器模型，以所述数据集为输入，调度员的人为习惯分类为输出，迭代训练所述初始神经网络自编码器模型，得到所述预设的神经网络自编码器模型。5.根据权利要求4所述的基于人机协同的港口拖轮作业智能调度方法，其特征在于，所述迭代训练所述初始神经网络自编码器模型，包括：获取所述数据集的历史港口拖轮作业调度数据，依次输入所述第一编码器中，得到...

【专利技术属性】
技术研发人员：陈琳瑛，孙长萍，牟军敏，陈鹏飞，黄亚敏，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：