基于改進離散粒子群算法的船舶引航排班方法
【專利摘要】本發(fā)明公開了一種基于改進離散粒子群算法的船舶引航排班方法。本發(fā)明在分析引航排班各種規(guī)則和習(xí)慣的基礎(chǔ)上，提出了船舶引航排班問題的數(shù)學(xué)模型；為求解該模型，提出了基于動態(tài)粒子子群的改進離散粒子群算法；針對常規(guī)求解方法存在大量不可行解的困難，提出了采用偽旅行商問題方法進行粒子適應(yīng)度計算的方法。所提模型是可行的，所提算法具有搜索速度快，搜索精度高，穩(wěn)定性強的特點，是適于求解復(fù)雜的引航排班問題的。
【專利說明】基于改進離散粒子群算法的船舶引航排班方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于船舶引航調(diào)度中的引航任務(wù)排班方法，具體涉及一種船舶引航排班問 題模型與基于動態(tài)粒子子群改進離散粒子群算法的求解方法。

【背景技術(shù)】
[0002] 我國是一個港口大國，然而，在港口迅猛發(fā)展的同時，我國港口在引航調(diào)度效率上 相對落后，這嚴(yán)重制約了港口的核心競爭力，也造成了一定的資源浪費。各引航公司迫切需 要建立一個高效可行的引航調(diào)度體系實現(xiàn)引航資源優(yōu)化配置，提高港口競爭力。引航調(diào)度 的管理重點就在引航排班上，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)鍵理論問題。
[0003] 引航排班問題屬于NP難的組合優(yōu)化問題。由于此類問題規(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題中得到廣泛運用。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、運用智能優(yōu)化算法對初始引航任務(wù)組進行搜索，生成可行 的任務(wù)組組合。
[0004] 現(xiàn)有引航排班方法存在以下問題：
[0005] 1.兩步走的思路在算法搜索過程中易產(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)之間等待時間，引航任務(wù)組時間均衡，引航任務(wù)組始末地點轉(zhuǎn)移帶來的成本問題。


【發(fā)明內(nèi)容】

[0007] 為了解決現(xiàn)有技術(shù)中的問題，本發(fā)明提供了一種具有搜索速度快，搜索精度高，穩(wěn) 定性強的特點，是適于求解復(fù)雜的引航排班問題的基于改進離散粒子群算法的船舶引航排 班方法。
[0008] 為了解決上述問題，本發(fā)明所采取的技術(shù)方案是：
[0009] 基于改進離散粒子群算法的船舶引航排班方法，其特征在于：包括以下步驟，
[0010] 步驟（A)，建立本地數(shù)據(jù)庫，進行合同收池；
[0011] 步驟（B)，從池中選出待引航排班船舶，統(tǒng)計待引航排班船舶任務(wù)數(shù)Ntask,建立引 航排班問題模型；
[0012] 步驟（C)，基于動態(tài)粒子子群改進離散粒子群算法對引航排班問題模型進行求解， 找出最優(yōu)引航排班計劃；
[0013] 步驟（D)，根據(jù)確定的最優(yōu)引航排班計劃進行引航排班。
[0014] 前述的基于改進離散粒子群算法的船舶引航排班方法，其特征在于：步驟（B)包 括建立引航排班問題模型，包括以下步驟：
[0015] 步驟（B1)，考慮引航中心各種成文的排班規(guī)則及不成文排班習(xí)慣，建立約束條 件；
[0016] 步驟（B2)，將引航排班所涉及的各約束條件轉(zhuǎn)化為費用函數(shù)，構(gòu)建引航排班問題 的數(shù)學(xué)模型，如下：
[0017] Z = C1^ob J-^c2=IiOb j2+C3*obj3+C4*obj4 (1)
[0018] 其中Obj1為目標(biāo)函數(shù)第1部分，表示一個可行的引航任務(wù)組組合中引航任務(wù)組的 數(shù)目；Obj 2為目標(biāo)函數(shù)第2部分，表示一個可行的引航任務(wù)組組合中各引航任務(wù)組的時間 等待費用之和；Obj3為目標(biāo)函數(shù)第3部分，表示一個可行的引航任務(wù)組組合中各引航任務(wù) 組的外站過夜費用之和；Obj 4為目標(biāo)函數(shù)第4部分，表示一個可行的引航任務(wù)組組合中各 引航任務(wù)組工作時間的標(biāo)準(zhǔn)差，其中Cl、c 2、c3、C4為系數(shù)權(quán)值；
[0019] 步驟（B3)，引航排班數(shù)學(xué)模型中Obj1表達式如下：
[0020] Obj1 = taskno (2)
[0021] 其中，taskno為任務(wù)組數(shù)目；
[0022] 步驟（B4)，引航排班問題數(shù)學(xué)模型中Obj2表達式如下：

【權(quán)利要求】
1. 基于改進離散粒子群算法的船舶引航排班方法，其特征在于：包括以下步驟， 步驟（A)，建立本地數(shù)據(jù)庫，進行合同收池； 步驟（B)，從池中選出待引航排班船舶，統(tǒng)計待引航排班船舶任務(wù)數(shù)Ntask,建立引航排 班問題模型； 步驟（C)，基于動態(tài)粒子子群改進離散粒子群算法對引航排班問題模型進行求解，找出 最優(yōu)引航排班計劃； 步驟（D)，根據(jù)確定的最優(yōu)引航排班計劃進行引航排班。
2. 根據(jù)權(quán)利要求1所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟（B)包括建立引航排班問題模型，包括以下步驟： 步驟（BI)，考慮引航中心各種成文的排班規(guī)則及不成文排班習(xí)慣，建立約束條件； 步驟（B2)，將引航排班所涉及的各約束條件轉(zhuǎn)化為費用函數(shù)，構(gòu)建引航排班問題的數(shù) 學(xué)模型，如下： Z= 氺obj2+c3 氺obj3+c4 氺obj4 (1) 其中Obj1為目標(biāo)函數(shù)第1部分，表示一個可行的引航任務(wù)組組合中引航任務(wù)組的數(shù) 目；Obj2為目標(biāo)函數(shù)第2部分，表示一個可行的引航任務(wù)組組合中各引航任務(wù)組的時間等 待費用之和；〇bj3為目標(biāo)函數(shù)第3部分，表示一個可行的引航任務(wù)組組合中各引航任務(wù)組 的外站過夜費用之和； 〇bj4為目標(biāo)函數(shù)第4部分，表示一個可行的引航任務(wù)組組合中各引 航任務(wù)組工作時間的標(biāo)準(zhǔn)差，其中Cl、c2、c3、C4為系數(shù)權(quán)值； 步驟（B3)，引航排班數(shù)學(xué)模型中Obj1表達式如下： Obj1=taskno(2) 其中，taskno為任務(wù)組數(shù)目； 步驟（B4)，引航排班問題數(shù)學(xué)模型中Obj2表達式如下： taskno oh/\ -V uy7/7 CosZy (3) /=1 其中，WaitCOSti為任務(wù)組i的等待費用，其計算方式如下： [wait time^ω wait time < VT 而/./cosi, =<! , 、 - (4) IVT*OJn + (wait_time - VT) *wb wait_time>VT wait_time為同一引航任務(wù)組中兩銜接引航任務(wù)之間的等待時間，VT為等待時間閾 值，ω?、Ob為等待時間權(quán)重系數(shù)，且ω ?〈ω?3,表不等待時間越長，所廣生的時間等待費用 越大； 步驟（Β5)，引航排班問題數(shù)學(xué)模型中Obj3表達式如下： taskno 咖=Σ"ολχοΗ (5) ?=1 -- 如果引航任務(wù)組〖的結(jié)束地點與起始地點不相同 停簡/,.二^。 (6) 1〇 如果引航任務(wù)組/的結(jié)束地點與起始地點相同 POSCOSti為引航任務(wù)組i的外站過夜花費，COgp為外站過夜花費權(quán)值； 步驟（B6)，引航排班問題數(shù)學(xué)模型中Obj4表達式如下：
其中，gtask_timei為任務(wù)組i的工作時間，taskno為任務(wù)組數(shù)目，為一個任務(wù)組組合 平均工作時間，其計算公式如下：
3. 根據(jù)權(quán)利要求2所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：對于步驟（C)，基于動態(tài)粒子子群改進離散粒子群算法的引航排班模型求解，其步驟如 下： 步驟（Cl):初始化參數(shù)，設(shè)置種群大小popsize，總運行代數(shù)gen，變異概率？。1，初始化 運行次數(shù)g=1 ; 步驟（C2):初始化種群，隨機產(chǎn)生popsize個粒子，每個粒子為一具有Ntask個元素的整 數(shù)序列，粒子中的各元素從集合{1，2，一,NtaslJ中取值且互不重復(fù)； 步驟（C3):計算適應(yīng)度，根據(jù)適應(yīng)度函數(shù)計算每個粒子適應(yīng)度值。若當(dāng)前粒子適應(yīng)度 值小于其個體極值Pbest,則更新該粒子的個體極值Pbest及個體最優(yōu)粒子，若當(dāng)前粒子適應(yīng)度 值小于全局極值gbest，則更新當(dāng)前種群的全局極值gbest及全局最優(yōu)粒子； 步驟（C4):適應(yīng)度排序，將粒子按適應(yīng)度由小到大順序進行排序； 步驟（C5):計算當(dāng)前種群pop的適應(yīng)度平均值avgi并選擇所有適應(yīng)度小于avgi的粒 子，得到粒子子群Subpop1,記Subpop1種群大小為Popsize1 ; 步驟（C6):計算粒子子群Subpop1的適應(yīng)度平均值avg2并選擇所有適應(yīng)度小于avg2的 粒子，得到粒子子群Subpop2,記Subpop2種群大小為popsize2 ;設(shè)置動態(tài)學(xué)習(xí)概率ps; a由熱本登yi撫：袞μπτ由下=pff?縣.
其中，min為取小函數(shù)、Θ為一常數(shù)。 步驟（C7):從粒子群中選擇一粒子進行動態(tài)粒子子群學(xué)習(xí)； 步驟（C8):對學(xué)習(xí)后的粒子計算適應(yīng)度，如果該值小于學(xué)習(xí)前適應(yīng)度，則更新當(dāng)前粒 子；否則，對當(dāng)前粒子以概率Pm執(zhí)行變異操作，其具體步驟為：隨機產(chǎn)生一個（〇, 1)間實數(shù) r，如果r<變異概率Pm，則對當(dāng)前粒子執(zhí)行基于序列倒置的變異操作； 步驟（C9):若當(dāng)前運行次數(shù)g小于總運行代數(shù)gen，g加1，轉(zhuǎn)步驟（C3); 步驟（ClO):輸出全局極值gbest及全局最優(yōu)粒子。
4. 根據(jù)權(quán)利要求3所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：對于步驟（C3)，計算每個粒子適應(yīng)度值采用的是偽旅行商問題的譯碼方法，其具體步 驟如下： 步驟（C31):設(shè)gtask = 1，Vtask = 1，gtask代表當(dāng)前引航任務(wù)組序號，Vtask代表當(dāng)前引航 任務(wù)序號； 步驟（C32):將引航任務(wù)Vtask放入gtask任務(wù)組，Vtask加I; 步驟（C33):訪問引航任務(wù)Vtask，如果滿足當(dāng)前訪問的引航任務(wù)的起始地點等于之前 訪問的引航任務(wù)的結(jié)束地點，當(dāng)前訪問的引航任務(wù)的起始時間不早于之前訪問的引航任務(wù) 的結(jié)束時間且從當(dāng)前訪問的引航任務(wù)組的第一個引航任務(wù)的起始時間到當(dāng)前訪問的引航 任務(wù)的結(jié)束時間間隔小于工作時間閾值T，則把該任務(wù)放入gtask任務(wù)組，Vtask加1，轉(zhuǎn)步驟 (C34);否則，gtaskW1，把當(dāng)前任務(wù)放入更新的gtasl^i務(wù)組，VtaskW1 ; 步驟（C34):如果Vtask彡Ntask,轉(zhuǎn)步驟（C33); 步驟（C35):按式（1)計算引航排班問題的總費用，即為粒子的適應(yīng)度值。
5. 根據(jù)權(quán)利要求4所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：對于步驟（C7)，從粒子群中選擇一粒子進行動態(tài)粒子子群學(xué)習(xí)，其具體步驟如下： 步驟（C71):隨機產(chǎn)生一個（0, 1)間實數(shù)r; 步驟（C72):如果r<ps且 0〈popsize2/popsize<σ,則從步驟（C6)的子群Subpop2 中隨機選擇一個粒子作為學(xué)習(xí)對象；如果r<ps且〇 <p〇psize2/popsize,則從步驟（C5) 的子群Subpop1中隨機選擇一個粒子作為學(xué)習(xí)對象；如果r>ps，貝U從當(dāng)前種群pop中隨機選 擇一個粒子作為學(xué)習(xí)對象；當(dāng)前粒子與所選學(xué)習(xí)對象進行交叉操作；其中，σ為一常數(shù)。
6. 根據(jù)權(quán)利要求5所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟（BI)中包括以下約束條件： (1) 將時間上可以順承，地點相同的引航任務(wù)銜接，搭建引航任務(wù)組； (2) -個引航任務(wù)組的起始地點與結(jié)束地點保持盡可能相同，避免引航員外站過夜； (3) 每個引航任務(wù)組的工作時間相對均衡； (4) 每個引航任務(wù)組的工作時間符合引航中心（引航站）的工作時間制，避免疲勞引 航。
7. 根據(jù)權(quán)利要求6所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟（B2)中，Cl、c2、c3、C4為系數(shù)權(quán)值，四個系數(shù)權(quán)值對應(yīng)的優(yōu)選值分別為1，1，1，0.02。
8. 根據(jù)權(quán)利要求7所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟（B4)中，c〇a、Cob優(yōu)選值分別為1，1.5。
9. 根據(jù)權(quán)利要求8所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟（C)中，各參數(shù)優(yōu)選值為：群大小popsize優(yōu)選為Ntask的2至4倍，運行代數(shù)gen優(yōu) 選為1000,變異概率Pm優(yōu)選為0. 25,Θ優(yōu)選為〇. 55，
10. 根據(jù)權(quán)利要求9所述的基于改進離散粒子群算法的船舶引航排班方法，其特征在 于：步驟⑶中，〇優(yōu)選為〇. 1。
【文檔編號】G06Q10/04GK104239975SQ201410465516
【公開日】2014年12月24日 申請日期: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, 王思睿, 吳和峰 申請人:河海大學(xué)常州校區(qū)