一种基于遗传算法的自动化堆场调度方法和系统技术方案

本发明专利技术公开了一种基于遗传算法的自动化堆场调度方法和系统，提高堆场作业效率。其技术方案为：根据堆场任务二进制编码，产生第一组初始解对应堆场任务的运行方案；调用适应度函数，计算完成堆场任务的运行方案花费的总时间，其中总时间越少表示解越好，适应度越高；将解及其对应的总时间进行保存；反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。

An automatic yard scheduling method and system based on genetic algorithm

The invention discloses an automatic yard scheduling method and system based on genetic algorithm to improve the efficiency of the yard operation. The technical scheme is as follows: according to the binary encoding task yard operation plan, the first group of initial solution of the corresponding task yard; call the fitness function, the total time spent to complete the task of the yard operation plan calculation, the total time less said the better solution, the higher the degree of adaptation; the total time and the corresponding solutions are preserved; repeated iterations, where each iteration through genetic algorithm selection, crossover and mutation operation to produce the next generation of new solutions, until the number of iterations to reach the maximum end of iteration, iterative optimal genetic algorithm is given after the end preservation solution as the optimal operation plan; check after each iteration of the new solution whether there have been removed, there have been the solution will not seen solution input into the fitness function call and return to the solution of the corresponding fitness function calculation The task of spending the total time.

【技术实现步骤摘要】
一种基于遗传算法的自动化堆场调度方法和系统
本专利技术涉及自动化码头的堆场调度技术，尤其涉及基于遗传算法实现的自动化码头的堆场调度方法和系统。
技术介绍
随着人力成本的增加，全球物流需求的增长，国内外越来越多的港口开始启用自动化设备进行堆场作业，现有的做法只能根据简单的逻辑进行设备分配，例如按照工作区域进行设备分配。起重机工作效率低下。由于堆场在码头运输中的重要地位，堆场的作业效率很大程度上影响了装卸船的整体速度，是决定码头服务能力的关键因素之一。在堆场建造设计和设备机械性能一定的前提下，优化作业任务的调度可以有效的提升堆场的作业效率。但是目前还没有一种高效的自动化堆场调度系统。
技术实现思路
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。本专利技术的目的在于解决上述问题，提供了一种基于遗传算法的自动化堆场调度方法和系统，对于各种复杂工况有着更好的自适应能力，能整体提高堆场作业效率，实现自动化堆场管理和执行批任务的工作模式。本专利技术的技术方案为：本专利技术揭示了一种基于遗传算法的自动化堆场调度方法，包括：根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；将这些解及其对应的总时间进行保存；反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。根据本专利技术的基于遗传算法的自动化堆场调度方法的一实施例，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。根据本专利技术的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的选择运算是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。根据本专利技术的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。根据本专利技术的基于遗传算法的自动化堆场调度方法的一实施例，遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。本专利技术还揭示了一种基于遗传算法的自动化堆场调度系统，包括：初始化模块，根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；方案花费时间计算模块，调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；存储模块，将这些解及其对应的总时间进行保存；新解迭代模块，反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；剔除模块，查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到方案花费时间计算模块以调用适应度函数计算解对应的任务花费总时间。根据本专利技术的基于遗传算法的自动化堆场调度系统的一实施例，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。根据本专利技术的基于遗传算法的自动化堆场调度系统的一实施例，新解迭代模块中包含选择运算单元，用于将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。根据本专利技术的基于遗传算法的自动化堆场调度系统的一实施例，新解迭代模块中包含交叉运算单元，用于以设定概率相互交换某两个个体之间的部分染色体。根据本专利技术的基于遗传算法的自动化堆场调度系统的一实施例，新解迭代模块中包含变异运算单元，用于对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。本专利技术对比现有技术有如下的有益效果：本专利技术利用遗传算法模型建立堆场调度的解决方案并在计算适应度的同时得出了基于一定任务分配条件下两车避让的决策优化。相较于传统的基于就近原则的任务调度策略及其他基于固定逻辑的调度算法，此策略对于各种复杂工况有着更好的自适应能力，能整体提高堆场作业效率，实现自动化堆场管理和执行批任务的工作模式。附图说明在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本专利技术的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。图1示出了遗传算法的计算流程图。图2示出了本专利技术的基于遗传算法的自动化堆场调度方法的一实施例的流程图。图3示出了本专利技术的基于遗传算法的自适应堆场调度系统的一实施例的原理图。具体实施方式以下结合附图和具体实施例对本专利技术作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本专利技术的保护范围进行任何限制。本专利技术采用遗传算法(GeneticAlgorithm)作为系统框架来进行问题求解。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的策略。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合。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(fitness)大小选择(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(mutation)，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加适应于环境，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。如图1所示，遗传算法的计算流程如下。(1)初始化设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。(2)个体评价计算群体P(t)中各个个体的适应度。(3)选择运算将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下本文档来自技高网...

【技术保护点】
一种基于遗传算法的自动化堆场调度方法，其特征在于，包括：根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；将这些解及其对应的总时间进行保存；反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。

【技术特征摘要】
1.一种基于遗传算法的自动化堆场调度方法，其特征在于，包括：根据堆场任务进行二进制编码，产生第一组初始解对应堆场任务的一种运行方案；调用适应度函数，通过堆场任务信息计算完成这些堆场任务的运行方案所需要花费的总时间，其中总时间越少表示解越好，适应度越高；将这些解及其对应的总时间进行保存；反复进行迭代，其中每一次迭代中通过遗传算法的选择、交叉、变异运算产生下一代新的解，直到迭代次数到达最大值迭代结束，迭代结束后结束遗传算法并给出保存的最优解以作为最优的运行方案；查看每次迭代后的新的解是否已经出现过，剔除已经出现过的解，将未出现过的解输入到适应度函数并返回到调用适应度函数计算解对应的任务花费总时间的步骤。2.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，适应度函数是将遗传算法生成的二进制编码的数值进行计算，适应度函数的输入包括代表设备选择、运行方案的二进制数值、任务的具体信息、设备的运行参数，适应度函数的输出包括代表设备选择、完成运行方案的总时间。3.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的选择运算是将当前群体中适应度高的个体按照预设规则或模型遗传到下一代群体中。4.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的交叉运算是以设定概率相互交换某两个个体之间的部分染色体。5.根据权利要求1所述的基于遗传算法的自动化堆场调度方法，其特征在于，遗传算法的变异运算是对个体的某一个或某一些基因座上的基因值按照预设概率进行改变，从而产生新的个体。6.一种基于遗传算法的自动化堆场调度系统，其特征在于，包括：初始化...

【专利技术属性】
技术研发人员：孙斐，康晓巍，沈嘉荣，
申请(专利权)人：上海振华重工集团股份有限公司，
类型：发明
国别省市：上海,31