一种火车中心站多轨道吊无冲突作业调度优化方法

1.本发明涉及多式联运集装箱码头智能优化调度技术领域，尤其涉及一种火车中心站多轨道吊无冲突作业调度优化方法。


背景技术：

2.近年来，铁公联运、铁海联运和铁空联运越来越受到重视。铁海联运的快速发展积极适应了物流市场的发展趋势和需求结构的变化。它不仅充分扩大了铁路和海上运输的辐射范围，而且有效的填补了各自运输功能的不足。
3.在铁路集装箱多式联运问题中，作为核心的中心站的运作效率和服务水平是影响铁路运输竞争力的关键因素，决定了铁路运输方式在整个物流运输网络体系中的生存能力和发展潜能。轨道吊作为中心站的重要设备，承担着集装箱的抓取、转运和堆垛工作。此外，一批集装箱任务通常由多台轨道吊共同完成，因此在确定每个集装箱任务的作业顺序时需要考虑多轨道吊之间的无冲突约束和安全距离约束，通过缩短轨道吊的运行时间，可以提高火车中心站的生产运营效率，并且随着人们对自动化码头和环境污染的日益关注，减少碳排放和和作业时间将成为码头未来迫切关注的问题。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明提供了一种火车中心站多轨道吊无冲突作业调度优化方法解决现有技术中火车中心站的生产运营效率较低的问题。
7.为解决上述技术问题，本发明提供如下技术方案：
8.基于集装箱任务的作业顺序，构建多轨道吊无冲突作业协同调度框架；
9.通过改进的布谷鸟算法对模型进行多目标优化，获得多轨道吊无冲突作业调度问题的最优解。
10.作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述多轨道吊无冲突作业协同调度框架，还包括以下步骤：
11.构建初始解：获取各轨道吊当前位置与目标集装箱任务的初始位置，初始化算法参数并使用随机初始化方法产生第一代种群；
12.个体离散化：利用最大值排序规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算每个个体的最大完工时间、设备总空行驶时间和设备总能耗；
13.得到所有集装箱任务的作业顺序；
14.利用改进的布谷鸟算法进行个体更新；
15.对迭代终止条件进行判断；
16.输出外部档案。
17.作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述计算每个个体最大完工时间c
max
，设备总空行驶时间t和设备总能耗w分别表示为：
[0018][0019][0020][0021][0022][0023]
其中，i，j＝1，2，...n，n表示集装箱任务数量；k＝1，2，...g，g表示轨道吊数量；表示轨道吊k开始集装箱任务j的时间；表示轨道吊k完成集装箱任务i的时间；表示轨道吊k对集装箱任务i作业完成之后紧接着对任务j作业，表示集装箱任务i，j不是轨道吊k的接续任务；表示轨道吊k的空行驶时间，初始时表示轨道吊k的空行驶时间，初始时表示集卡m开始作业任务i的时间，初始时wm表示采用混合间接装卸策略时集卡m能耗，p
t
为集卡移动功率，表示集卡m作业完成任务i的时间；wk表示轨道吊k的设备能耗，p为轨道吊移动功率，表示轨道吊k开始作业任务i的时间；
[0024]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述改进的布谷鸟算法，包括以下步骤：
[0025]
利用模糊关联熵规则计算适应度值，选出当前种群的pareto_1解集，引导进化；
[0026]
使用莱维飞行和抛弃概率对当前种群所有个体进行更新得到新种群；
[0027]
对轨道吊无冲突作业任务进行分配；
[0028]
利用模糊关联熵规则从更新后的种群中选出新种群的pareto_2解集，将pareto_2中的个体替换新种群中部分个体；
[0029]
将pareto_1与pareto_2中的个体融合，更新外部档案；
[0030]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述利用模糊关联熵规则选出当前种群的pareto_1解集，进行更新，采用隶属度函数构造参考点模糊集u(a)和比较点模糊集u(xi)，得到参考点模糊集和比较点模糊集后分别计算对应的信息熵，信息熵，模糊关联熵和模糊关联熵系数，将参考点模糊集和比较点模糊集的模糊关联熵系数作为种群适应度值；隶属度函数，信息熵、偏熵、模糊关联熵和模糊关联熵系数分别表示为：
[0031][0032][0033][0034][0035][0036][0037][0038]
其中，uj(a)和uj(xi)分别为模糊集u(a)和u(xi)的第j个隶属度值，j＝{1,2,
…
,m}，m为正整数；e(a)和e(xi)分别为u(a)和u(xi)的信息熵。表示为以xi为基准模糊集，模糊集a关于模糊集xi得偏熵，代表时在给定模糊集xi情况下，参考点模糊集a的不确定程度的度量，ea(xi)与之相反。e(a:xi)表示两模糊集的模糊关联熵。ce(a:xi)表示两模糊集的模糊关联熵系数，其中k为归一化因子，取k为
[0039]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述个体离散化中，继续采用模糊关联熵规则保留较优个体，较优个体的进化公式表示为：
[0040][0041]
其中，和分别表示第i个个体在第k代和第k+1代时的位置向量；表示点乘；α为控制步长的步长因子，α＝o(1)；l
é
vy(λ)为莱维飞行搜索路径。
[0042]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述莱维飞行搜索路径与时间t的关系服从莱维分布表示为：
[0043]
levy(λ)～u＝t-λ
，(1＜λ≤3)
[0044]
其中，λ为幂系数；
[0045]
所述根据抛弃概率pa判断是否对莱维飞行公式中保留的个体进行更新，抛弃概率的更新公式表示为：
[0046][0047]
其中，γ和β二者均服从均匀分布，γ，β∈u[0，1]；其中分别为第t代中三个不同的随机个体；h为赫威赛德函数。
[0048]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述赫威赛德函数表示为：
[0049][0050]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：所述对轨道吊无冲突作业任务进行分配，包括以下步骤：
[0051]
任务初始位置与各轨道吊之间的相对距离；
[0052]
将任务分配给其中一台轨道吊；
[0053]
判断是否会发生轨道吊作业冲突，若无冲突则按照当前分配作业，若有冲突，则采用混合间接装卸策略，使用集卡代替轨道吊大车的移动；
[0054]
作为本发明所述的火车中心站多轨道吊无冲突作业调度优化方法的一种优选方案，其中：对迭代终止条件进行判断，若迭代时间没有超过时间限制，则返回将连续的个体转化为离散个体；若迭代时间超过时间限制，则输出外部档案。
[0055]
本发明的有益效果：本发明采用混合间接装卸策略来避免多轨道吊之间的作业冲突，并利用改进布谷鸟算法更新迭代，优化问题建模，获得多轨道吊无冲突作业调度问题的最优解，提高火车中心站的生产运营效率。
附图说明
[0056]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0057]
图1为本发明一个实施例提供的一种火车中心站多轨道吊无冲突作业调度优化方法的基本流程示意图；
[0058]
图2为本发明一个实施例提供的一种火车中心站多轨道吊无冲突作业调度优化方法的改进的布谷鸟算法的流程示意图；
[0059]
图3为本发明一个实施例提供的一种火车中心站多轨道吊无冲突作业调度优化方法的轨道吊防冲突作业设备分配详细步骤流程图；
具体实施方式
[0060]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下
所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0061]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0062]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0063]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0064]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0065]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0066]
实施例1
[0067]
参照表1，为本发明的一个实施例，提供了一种火车中心站多轨道吊无冲突作业调度优化方法，包括：
[0068]
s1：基于集装箱任务的作业顺序，构建多轨道吊无冲突作业协同调度框架；
[0069]
更进一步的，多轨道吊无冲突作业协同调度框架，还包括以下步骤：还包括以下步骤：
[0070]
a1：构建初始解：获取各轨道吊当前位置与目标集装箱任务的初始位置，初始化算法参数并使用随机初始化方法产生第一代种群；
[0071]
a2：个体离散化：利用lov(最大值排序)规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算每个个体的最大完工时间、设备总空行驶时间和设备总能耗；
[0072]
a3：得到所有集装箱任务的作业顺序；
[0073]
a4：利用改进的布谷鸟算法进行个体更新；
[0074]
a5：对迭代终止条件进行判断；
[0075]
a6：输出外部档案。
[0076]
更进一步的，计算每个个体的最大完工时间c
max
，设备总空行驶时间t和设备总能耗w分别表示为：
[0077]
[0078][0079][0080][0081][0082]
其中，i，j＝1，2，...n，n表示集装箱任务数量；k＝1，2，...g，g表示轨道吊数量；表示轨道吊k开始集装箱任务j的时间；表示轨道吊k完成集装箱任务i的时间；表示轨道吊k对集装箱任务i作业完成之后紧接着对任务j作业，表示集装箱任务i，j不是轨道吊k的接续任务；表示轨道吊k的空行驶时间，初始时表示轨道吊k的空行驶时间，初始时表示集卡m开始作业任务i的时间，初始时wm表示采用混合间接装卸策略时集卡m能耗，p
t
为集卡移动功率，表示集卡m作业完成任务i的时间；wk表示轨道吊k的设备能耗，p为轨道吊移动功率，表示轨道吊k开始作业任务i的时间；
[0083]
s2：通过改进的布谷鸟算法对模型进行多目标优化，获得多轨道吊无冲突作业调度问题的最优解。
[0084]
更进一步的，改进的布谷鸟算法，包括以下步骤：
[0085]
利用模糊关联熵规则计算适应度值，选出当前种群的pareto_1解集，引导进化；
[0086]
使用莱维飞行和抛弃概率对当前种群所有个体进行更新得到新种群；
[0087]
对轨道吊无冲突作业任务进行分配；
[0088]
利用模糊关联熵规则从更新后的种群中选出新种群的pareto_2解集，将pareto_2中的个体替换新种群中部分个体；
[0089]
将pareto_1与pareto_2中的个体融合，更新外部档案；
[0090]
更进一步的，利用模糊关联熵规则选出当前种群的pareto_1解集，进行更新，采用隶属度函数构造参考点模糊集u(a)和比较点模糊集u(xi)，得到参考点模糊集和比较点模糊集后分别计算对应的信息熵，信息熵，模糊关联熵和模糊关联熵系数，将参考点模糊集和比较点模糊集的模糊关联熵系数作为种群适应度值；隶属度函数，信息熵、偏熵、模糊关联熵和模糊关联熵系数分别表示为：
[0091]
[0092][0093][0094][0095][0096][0097][0098]
其中，uj(a)和uj(xi)分别为模糊集u(a)和u(xi)的第j个隶属度值，j＝{1,2,
…
,m}，m为正整数；e(a)和e(xi)分别为u(a)和u(xi)的信息熵。表示为以xi为基准模糊集，模糊集a关于模糊集xi得偏熵，代表时在给定模糊集xi情况下，参考点模糊集a的不确定程度的度量，ea(xi)与之相反。e(a:xi)表示两模糊集的模糊关联熵。ce(a:xi)表示两模糊集的模糊关联熵系数，其中k为归一化因子，取k为
[0099]
更进一步的，开始更新，随机挑选一个个体，根据莱维飞行对个体更新，产生一个新个体；利用lov规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算新个体的三个目标函数值c
max
、t以及w，继续采用模糊关联熵规则保留较优个体，较优个体计算公式表示为：
[0100][0101]
其中，和分别表示第i个个体在第k代和第k+1代时的位置向量；表示点乘；α为控制步长的步长因子，大多数情况下，α＝o(1)；l
é
vy(λ)为莱维飞行搜索路径。
[0102]
莱维飞行搜索路径与时间t的关系服从莱维分布表示为：
[0103]
levy(λ)～u＝t-λ
，(1＜λ≤3)
[0104]
式中，λ为幂系数。可以看出该分布使布谷鸟的连续位置形成了一种带重尾的概率分布，能扩大搜索范围，增加种群多样性，且容易跳出局部最优。
[0105]
更进一步的，根据抛弃概率pa判断是否对莱维飞行公式中保留的个体进行更新，若更新，在更新之后利用lov规则建立连续域与离散域空间的映射，将新的连续个体转化为离散个体，并计算新个体的三个目标函数值c
max
、t和w。然后对更新前后两个个体采用模糊关联熵规则保留较优个体。关于抛弃概率的更新公式表示为：
[0106]
[0107]
其中，γ和β二者均服从均匀分布，γ，β∈u[0，1[；其中分别为第t代中三个不同的随机个体；h为赫威赛德函数，公式如下：
[0108][0109]
更进一步的，对轨道吊无冲突作业任务进行分配，包括以下步骤：
[0110]
任务初始位置与各轨道吊之间的相对距离；
[0111]
将任务分配给其中一台轨道吊；
[0112]
判断是否会发生轨道吊作业冲突，若无冲突则按照当前分配作业，若有冲突，则采用混合间接装卸策略，使用集卡代替轨道吊大车的移动；
[0113]
对轨道吊无冲突作业任务进行分配，还具有更详细的步骤：
[0114]
b1：输入集装箱序列；
[0115]
b2：读取当前集装箱i的初始位置p
si
和目标位置p
ti
；
[0116]
b3：为集装箱i的取箱分配距离p
si
最近的轨道吊x；
[0117]
b31：判断p
si
是否小于等于pk，若不是，转到b32，若是，则将任务i分配给轨道吊k，进行冲突判断，若不会发生冲突，转到b6，若有冲突，则将任务i从轨道吊k的作业序列中删除并转到b5；
[0118]
b32：判断p
si
是否大于等于p
k+1
，若不是，转到b4，若是，则将任务i分配给轨道吊k+1，进行冲突判断，若不会发生冲突，转到b6，若有冲突，则将任务i从轨道吊k+1的作业序列中删除并转到b5；
[0119]
b4：将任务i分配给tk和t
k+1
中较小的那个轨道吊，进行冲突判断，若不会发生冲突，转到b6，若有冲突，则将任务i从该轨道吊的作业序列中删除并分配给另一台轨道吊，进行冲突判断，若不会发生冲突，转到b6，若仍会发生冲突，则将任务i从此轨道吊的作业序列中删除并转到b5；
[0120]
b5：将任务i分为三阶段进行作业，判断p
si
与pk和p
k+1
的位置关系，并选择符合位置关系且最早可用的轨道吊作业任务i的第一阶段，并将任务i的第三阶段作业添加到另一台轨道吊的作业序列中，从集卡池中选择t
tq
和t
t(q+1)
中较小的集卡作业任务i的第三阶段；
[0121]
b6：更新该轨道吊的时间和位置信息；
[0122]
b7：更新该集卡的时间和位置信息；
[0123]
b8：判断当前任务i是否为最后一项任务，若是，转b9，若不是，i＝i+1，转b2；
[0124]
b9：输出任务集设备分配。
[0125]
表1设备调度策略符号说明
[0126]
符号含义i任务编号p
si
任务i的初始位置p
ti
任务i的目标位置pk轨道吊k作业完上一任务后的位置p
k+1
轨道吊k+1作业完上一任务后的位置
tk轨道吊k最早可用时间t
k+1
轨道吊k+1最早可用时间t
tq
集卡q最早可用时间t
t(q+1)
集卡q+1最早可用时间
[0127]
应说明的是，本发明中算法要能进行优化迭代，解的编码是基础。通过编码方式可以建立问题解空间和算法空间的合理映射，不仅可以有效的反映自身的有效结构特性，同时也方便进行调度。
[0128]
实施例2
[0129]
参照表2-4，为本发明的一个实施例，提供了一种火车中心站多轨道吊无冲突作业调度优化方法，为了验证其有益效果，通过具体的实施方式以及实施效果进行科学论证。
[0130]
本实施例具体如下：
[0131]
某集装箱码头火车中心站需要装卸一批8种不同规模的集装箱任务，集装箱数量为h＝15，p＝2100kw，p
t
＝17kw。
[0132]
集装箱任务作业的调度优化方法的具体步骤如下：
[0133]
步骤1：设置初始种群大小为100，利用随机初始化方法产生100个不同的集装箱任务排序，该初始化步骤最终得到100个个体。
[0134]
步骤2：利用lov规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算每个个体的最大完工时间、设备总空行驶时间和设备总能耗。
[0135]
步骤2.1：首先，在更新前，利用模糊关联熵规则计算适应度值，选出当前种群的pareto_1解集，引导进化。然后进行以下更新。
[0136]
首先，对其中一半种群采用布谷鸟算法分别对最大完工时间c
max
、设备总空行驶时间t以及设备总能耗w进行优化，得到每种目标的最优值构成参考点。另一半种群作为比较点集合。
[0137]
然后，采用隶属度函数构造参考点模糊集和比较点模糊集。得到两模糊集后分别计算模糊两者的模糊关联熵和模糊关联熵系数，将两者的模糊关联熵系数作为种群适应度值；
[0138]
步骤2.2：开始更新，随机挑选一个个体，根据莱维飞行对个体更新，产生一个新个体；利用lov规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算新个体的三个目标函数值c
max
、t以及w；继续采用模糊关联熵规则保留较优个体；
[0139]
根据抛弃概率pa判断对莱维飞行公式中保留的个体进行更新，若更新，在更新之后利用lov规则建立连续域与离散域空间的映射，将新的连续个体转化为离散个体，并计算新个体的三个目标函数值c
max
、t和w。然后对更新前后两个个体采用模糊关联熵规则保留较优个体。
[0140]
步骤2.3：判断任务初始位置与各轨道吊之间的相对距离，并将任务分配给其中一台轨道吊；若发生轨道吊作业冲突，则采用混合间接装卸策略，使用集卡代替轨道吊大车的移动，若无冲突则按照当前分配作业。
[0141]
步骤2.3：利用模糊关联熵规则从更新后的种群中选出的pareto_2解集。
[0142]
步骤2.3：将得到的pareto_1与pareto_2融合，更新当前外部档案。
[0143]
步骤3：迭代终止条件判断。若继续迭代，则重回步骤2，否则进入步骤4。
[0144]
步骤4：输出外部档案。
[0145]
表2迭代次数ngen＝1时集装箱工序
[0146]
作业序号任务编号设备操作作业序号任务编号设备操作114r296r1-t1-r2210r1101r139r1117r148r1-t2-r2123r1512r21315r264r11411r272r11513r285r1-t1-r2
ꢀꢀꢀ
[0147]
表中设备操作r1表示由轨道吊1进行作业，r1-t1-r2表示某项任务由轨道吊1进行卸载作业，然后再由集卡1进行水平运输作业，最后由轨道吊2进行装载作业。
[0148]
表3迭代次数ngen＝100时集装箱工序
[0149]
作业序号任务编号设备操作作业序号任务编号设备操作112r297r223r1108r231r1116r142r1-t2-r2125r1513r1139r2611r21415r2714r2154r1810r1-t2-r2
ꢀꢀꢀ
[0150]
表4迭代次数ngen＝1和100时目标函数值
[0151] c
max
twngen＝1187.448116.9334.76e+05ngen＝100119.35799.8413.54e+05
[0152]
综上所述，表2和表3分别给出了当集装箱数量为15个时，第1代和第100代所求得的15个集装箱的作业顺序以及使用集卡进行水平运输作业的集装箱。表4中可以看出，在第100代获得的三个优化目标最大完工时间、设备空行驶时间和设备能耗，均比第一代获得三个优化目标更优。
[0153]
实施例3
[0154]
参照表5，为本发明的一个实施例，提供了一种火车中心站多轨道吊无冲突作业调度优化方法，为了验证其有益效果，提供了多种方案的对比结果。
[0155]
本文选取8种不同规模的集装箱算例(h＝15,30,45,60,75,90,105,120)，将本发明方法与其他两种常见作业策略进行对比。
[0156]
对比方案一：轨道吊静态平均区域作业策略，即将轨道吊的作业区域划分为静态或者动态的固定范围的方式，轨道吊只能在各自给定的区间内移动，从而避免产生轨道吊
之间的交叉冲突问题，一般为平均每个轨道吊的作业范围。
[0157]
对比方案二：轨道吊动态区域作业策略，轨道吊可以在任意范围内移动，集装箱任务分配更加灵活，同时也可以有效利用各轨道吊，以便获得更高的作业效率和作业均衡率。但采用此种作业策略对中心站调度组织能力要求较高，也会造成轨道吊的长距离水平移动，增加中心站设备能耗。
[0158]
我方方案：采用混合间接装卸策略来避免多轨道吊之间的作业冲突，并利用改进布谷鸟算法更新迭代，优化问题建模，取得轨道吊作业集装箱顺序的优良级解。
[0159]
对比结果如下：
[0160]
表5对比表
[0161][0162]
表5中加粗部分为较优结果，结果说明本发明方法在最大完工时间和设备总能耗方面均有一定的优势。
[0163]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种火车中心站多轨道吊无冲突作业调度优化方法，其特征在于，包括：基于集装箱任务的作业顺序，构建多轨道吊无冲突作业协同调度框架；通过改进的布谷鸟算法对模型进行多目标优化，获得多轨道吊无冲突作业调度问题的最优解。2.如权利要求1所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述多轨道吊无冲突作业协同调度框架，还包括以下步骤：构建初始解：获取各轨道吊当前位置与目标集装箱任务的初始位置，初始化算法参数并使用随机初始化方法产生第一代种群；个体离散化：利用最大值排序规则建立连续域与离散域空间的映射，将连续的个体转化为离散个体；计算每个个体的最大完工时间、设备总空行驶时间和设备总能耗；得到所有集装箱任务的作业顺序；利用改进的布谷鸟算法进行个体更新；对迭代终止条件进行判断；输出外部档案。3.如权利要求1或2所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述计算每个个体最大完工时间c
max
，设备总空行驶时间t和设备总能耗w分别表示为：，设备总空行驶时间t和设备总能耗w分别表示为：，设备总空行驶时间t和设备总能耗w分别表示为：，设备总空行驶时间t和设备总能耗w分别表示为：，设备总空行驶时间t和设备总能耗w分别表示为：其中，i，j＝1，2，...n，n表示集装箱任务数量；k＝1，2，...g，g表示轨道吊数量；表示轨道吊k开始集装箱任务j的时间；表示轨道吊k完成集装箱任务i的时间；表示轨道吊k对集装箱任务i作业完成之后紧接着对任务j作业，表示集装箱任务i，j不是轨道吊k的接续任务；表示轨道吊k的空行驶时间，初始时表示轨道吊k的空行驶时间，初始时表示集卡m开始作业任务i的时间，初始时w
m
表示采用混合间接装卸策略时集卡m能耗，p
t
为集卡移动功率，表示集卡m作业完成任务i的时间；w
k
表示轨道吊k的设备能耗，p为轨道吊移动功率，表示轨道吊k开始作业任务i的时间。4.如权利要求3所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述改进的布谷鸟算法，包括以下步骤：利用模糊关联熵规则计算适应度值，选出当前种群的pareto_1解集，引导进化；
使用莱维飞行和抛弃概率对当前种群所有个体进行更新得到新种群；对轨道吊无冲突作业任务进行分配；利用模糊关联熵规则从更新后的种群中选出新种群的pareto_2解集，将pareto_2中的个体替换新种群中部分个体；将pareto_1与pareto_2中的个体融合，更新外部档案。5.如权利要求4所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述利用模糊关联熵规则选出当前种群的pareto_1解集，进行更新，采用隶属度函数构造参考点模糊集和比较点模糊集，得到参考点模糊集和比较点模糊集后分别计算对应的信息熵，信息熵，模糊关联熵和模糊关联熵系数，将参考点模糊集和比较点模糊集的模糊关联熵系数作为种群适应度值；隶属度函数，信息熵、偏熵、模糊关联熵和模糊关联熵系数分别表示为：示为：示为：示为：示为：示为：示为：其中，u(a)表示为参考点模糊集，u(x
i
)表示为比较点模糊集，u
j
(a)和u
j
(x
i
)分别为模糊集u(a)和u(x
i
)的第j个隶属度值，j＝{1,2,
…
,m}，m为正整数；e(a)和e(x
i
)分别为u(a)和u(x
i
)的信息熵；e
xi
(a)表示为以x
i
为基准模糊集，模糊集a关于模糊集x
i
得偏熵，代表时在给定模糊集x
i
情况下，参考点模糊集a的不确定程度的度量，e
a
(x
i
)与之相反；e(a:x
i
)表示两模糊集的模糊关联熵；c
e
(a:x
i
)表示两模糊集的模糊关联熵系数，其中k为归一化因子，取k为6.如权利要求5所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所
述个体离散化中，继续采用模糊关联熵规则保留较优个体，较优个体的进化公式表示为：其中，和分别表示第i个个体在第k代和第k+1代时的位置向量；表示点乘；α为控制步长的步长因子，α＝o(1)；l
é
vy(λ)为莱维飞行搜索路径。7.如权利要求4-6任一项所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述莱维飞行搜索路径与时间t的关系服从莱维分布表示为：levy(λ)～u＝t-λ
，(1＜λ≤3)其中，λ为幂系数；所述根据抛弃概率pa判断是否对莱维飞行公式中保留的个体进行更新，抛弃概率的更新公式表示为：其中，γ和β二者均服从均匀分布，γ，β∈u[0，1]；其中分别为第t代中三个不同的随机个体；h为赫威赛德函数。8.如权利要求7所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述赫威赛德函数表示为：9.如权利要求8所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：所述对轨道吊无冲突作业任务进行分配，包括以下步骤：任务初始位置与各轨道吊之间的相对距离；将任务分配给其中一台轨道吊；判断是否会发生轨道吊作业冲突，若无冲突则按照当前分配作业，若有冲突，则采用混合间接装卸策略，使用集卡代替轨道吊大车的移动。10.如权利要求8或9所述的火车中心站多轨道吊无冲突作业调度优化方法，其特征在于：对迭代终止条件进行判断，若迭代时间没有超过时间限制，则返回将连续的个体转化为离散个体；若迭代时间超过时间限制，则输出外部档案。

技术总结
本发明公开了一种火车中心站多轨道吊无冲突作业调度优化方法，包括：基于集装箱任务的作业顺序，构建多轨道吊无冲突作业协同调度模型；通过改进的布谷鸟算法对模型进行多目标优化，获得多轨道吊无冲突作业调度问题的最优解。本发明通过改进的布谷鸟算法求得所有集装箱任务的作业顺序及作业类型，同时优化轨道吊作业的最大完工时间、设备总空行驶时间和设备总能耗，通过缩短轨道吊的运行时间，可以提高火车中心站的生产运营效率。火车中心站的生产运营效率。火车中心站的生产运营效率。


技术研发人员：李文锋 钟祾充 杜帅帅 贺利军
受保护的技术使用者：武汉理工大学
技术研发日：2023.05.16
技术公布日：2023/9/12