基于遺傳算法的港口集裝箱堆場場橋智能調(diào)度優(yōu)化

初良勇， 阮志毅， 李淑娟

(1.集美大學(xué) 現(xiàn)代物流研究中心，福建 廈門 361021；2.廈門雅迅網(wǎng)絡(luò)股份有限公司 研發(fā)部，福建 廈門 361008； 3.仰恩大學(xué) 管理學(xué)院，福建 泉州 362000)

基于遺傳算法的港口集裝箱堆場場橋智能調(diào)度優(yōu)化

初良勇1， 阮志毅2， 李淑娟3

(1.集美大學(xué) 現(xiàn)代物流研究中心，福建 廈門 361021；2.廈門雅迅網(wǎng)絡(luò)股份有限公司 研發(fā)部，福建 廈門 361008； 3.仰恩大學(xué) 管理學(xué)院，福建 泉州 362000)

以港口集裝箱場橋調(diào)度為研究對象，建立集裝箱場橋的智能調(diào)度優(yōu)化數(shù)學(xué)模型，設(shè)計(jì)基于遺傳算法的模型求解策略，并根據(jù)一個(gè)典型港口的實(shí)際數(shù)據(jù)進(jìn)行驗(yàn)證。運(yùn)算結(jié)果表明，與實(shí)際操作及以前的優(yōu)化算法相比，該方法可較大幅度地縮短作業(yè)時(shí)間、降低運(yùn)作成本。

水路運(yùn)輸；港口物流；集裝箱堆場；場橋調(diào)度；遺傳算法

集裝箱碼頭的場橋作為港口物流系統(tǒng)的重要組成部分，其運(yùn)作效率的高低直接影響堆場(乃至整個(gè)港口集裝箱物流系統(tǒng))的運(yùn)作水平，進(jìn)而影響港口的綜合運(yùn)營成本及其競爭力。國內(nèi)外相關(guān)學(xué)者已對堆場和場橋的合理配置問題進(jìn)行積極探索。LEE等[1]對堆場空間分配問題和堆場車輛調(diào)度問題進(jìn)行研究，以最小化加權(quán)總延誤和車輛總運(yùn)輸時(shí)間為目標(biāo)，設(shè)計(jì)混合插入算法對問題進(jìn)行求解；SAFAEI等[2]以各箱區(qū)作業(yè)量的平衡為目標(biāo)解決進(jìn)口箱的箱位分配問題，并運(yùn)用遺傳算法進(jìn)行求解；毛鈞等[3]針對集裝箱碼頭堆場作業(yè)效率較低的問題，構(gòu)建以平衡各箱區(qū)貝位間的作業(yè)量和最小化泊位到堆場的運(yùn)輸距離為目標(biāo)的兩階段優(yōu)化模型，并運(yùn)用Lingo進(jìn)行求解；鄭紅星等[4]建立混堆模式下的多箱區(qū)場橋聯(lián)合調(diào)度的非線性數(shù)學(xué)規(guī)劃模型，并采用遺傳算法進(jìn)行求解；初良勇等[5]建立多箱區(qū)多場橋的智能調(diào)度優(yōu)化模型,并采用模擬退火算法進(jìn)行優(yōu)化求解；康海貴等[6]以解決堆場箱區(qū)間作業(yè)量的平衡和集卡行駛距離等問題為切入點(diǎn)，構(gòu)建兩階段智能算法，并利用具體算例驗(yàn)證模型和算法的有效性?？v觀國內(nèi)外相關(guān)學(xué)者對港口集裝箱場橋調(diào)度問題的研究，大部分以場橋的移動(dòng)距離或移動(dòng)時(shí)間最短為優(yōu)化目標(biāo)，還有一部分以堆場場橋的無效率作業(yè)時(shí)間最短為目標(biāo)函數(shù)構(gòu)建優(yōu)化模型。當(dāng)前，隨著信息技術(shù)的不斷發(fā)展和智慧港口建設(shè)的不斷推進(jìn)，先進(jìn)的集裝箱碼頭已可通過信息化手段提前確定集卡進(jìn)場的時(shí)間。因此，這里在構(gòu)建模型時(shí)，綜合考慮面向集卡服務(wù)的時(shí)間窗，對場橋等待集卡的時(shí)間和集卡等待場橋的時(shí)間進(jìn)行聯(lián)合優(yōu)化，并綜合考慮多場橋移動(dòng)產(chǎn)生的時(shí)間成本和均衡性，以使所構(gòu)建的模型更能符合港口信息化、智能化的發(fā)展趨勢。

（4）打破出版商尤其是大型出版巨頭的壟斷。如今，全球?qū)W術(shù)機(jī)構(gòu)每年付給出版社80億訂購費(fèi)用，而且有進(jìn)一步上漲的趨勢。為此，德國有150多個(gè)圖書館、大學(xué)和研究機(jī)構(gòu)聯(lián)合起來要求出版社改變商業(yè)模式，一些學(xué)者已經(jīng)拒絕為一些商業(yè)期刊提供同行評議或投稿［9］。

1 調(diào)度優(yōu)化模型

文獻(xiàn)[5]結(jié)合集裝箱場橋調(diào)度的特點(diǎn)建立多箱區(qū)多場橋調(diào)度的優(yōu)化模型，先期采用模擬退火算法進(jìn)行求解，實(shí)例驗(yàn)證結(jié)果顯示該算法可收斂到最優(yōu)解，并可有效縮短作業(yè)時(shí)間和降低運(yùn)作成本。為尋求更高效的求解算法，在文獻(xiàn)[5]的基礎(chǔ)上對優(yōu)化算法進(jìn)行改進(jìn)和提升，限于篇幅，這里只列出調(diào)度優(yōu)化模型的目標(biāo)函數(shù)和約束條件。

在SPOC翻轉(zhuǎn)課堂中，學(xué)生的角色發(fā)生了轉(zhuǎn)變。學(xué)生在課堂上通過小組活動(dòng)、協(xié)作學(xué)習(xí)、課堂成果展示的形式來完成對所學(xué)知識的理解、吸收、內(nèi)化和應(yīng)用，由之前知識的消費(fèi)者轉(zhuǎn)變成了知識的生產(chǎn)者[3]13。一些學(xué)習(xí)效率高、接受能力較強(qiáng)的學(xué)生還可以擔(dān)任學(xué)習(xí)效率相對較低的同伴的“小老師”。同伴互助和教師在線答疑解惑使學(xué)生在整體上達(dá)到了學(xué)習(xí)要求。與此同時(shí)，教師的角色也發(fā)生了變化，由知識的傳授者轉(zhuǎn)變成學(xué)生學(xué)習(xí)的支持者，協(xié)助他們在語言學(xué)習(xí)的道路上不斷前進(jìn)。

1) 目標(biāo)函數(shù)為

首先按自然序列{1,2,…,K}對場橋進(jìn)行編號，按自然序列{1,2,…,N}對進(jìn)場外集卡操作的任務(wù)進(jìn)行編號；隨后以一定次序?qū)⑷蝿?wù)編碼分配給場橋,根據(jù)所分配任務(wù)編碼的次序?qū)鰳蜻M(jìn)行調(diào)度。針對多場橋的調(diào)度,采用雙染色體的編碼方式[7-8],其中一條用于編碼任務(wù)，另一條用于編碼場橋，并分別記為α染色體和β染色體，圖1為2組不同編碼的雙染色體。雙染色體的解碼方式為：α染色體中編碼的任務(wù)根據(jù)β染色體對應(yīng)位置的編號分配給相應(yīng)的場橋。例如，圖1a)表示場橋1和場橋2的調(diào)度次序分別為[4-2-3-6]及[1-7-5]；圖1b)表示場橋1和場橋2的調(diào)度次序分別為[5-4-1]及[7-6-2-3]。

(1)

對于互換編碼方式,交叉算子一般可分為單點(diǎn)交叉和多點(diǎn)交叉,此外又有匹配交叉、順序交叉和循環(huán)交叉等區(qū)別。[10]這里將單點(diǎn)交叉和兩點(diǎn)交叉分別與順序交叉相組合形成4種交叉形式,并在交叉過程中等概率選擇使用。在算法中,交叉算子僅對α染色體的編碼進(jìn)行互換,保留任務(wù)與場橋間的對應(yīng)關(guān)系,即交叉后還需對β染色體編碼進(jìn)行調(diào)整。例如,以圖1中的2組雙染色體為父代,對第3個(gè)交叉點(diǎn)采用單點(diǎn)交叉和順序交叉的形式進(jìn)行交叉，其大致過程見圖2。

由上可知，“農(nóng)業(yè)為主”論在教育界乃至政界均有一定的共識，他們認(rèn)為中國“以農(nóng)立國”，而且現(xiàn)實(shí)國情也要求中國應(yīng)當(dāng)重點(diǎn)發(fā)展農(nóng)業(yè)，因此發(fā)展生產(chǎn)教育應(yīng)當(dāng)以農(nóng)業(yè)為主。其中又有“農(nóng)業(yè)為主，工業(yè)為輔”與單純強(qiáng)調(diào)“農(nóng)業(yè)為主”兩種觀點(diǎn)的區(qū)別。

(2)

(3)

(4)

(5)

在約束條件中：式(2)表示完成場橋操作的總?cè)蝿?wù)；式(3)表示場橋k操作的任務(wù)數(shù)；式(4)表示每項(xiàng)任務(wù)只由1個(gè)場橋完成；式(5)表示每個(gè)場橋的任務(wù)多于1項(xiàng)；式(7)表示對于任意由場橋k完成的任務(wù)i，至多存在某個(gè)任務(wù)p使得操作次序?yàn)閕-p; 式(8)表示對于任意由場橋k完成的任務(wù)I，至多存在某個(gè)任務(wù)q使得操作次序?yàn)閝-i; 式(9)表對于示任意由場橋k完成的任務(wù)i,至少存在某個(gè)任務(wù)p使得操作次序?yàn)閕-p; 式(10)表示相關(guān)變量的定義;式(11)表示任意時(shí)刻不同場橋之間必須保持一定的安全距離。

(6)

(7)

(8)

(9)

(10)

|Bk1(s)-Bk2(s)|>Bsafe，k1≠k2

(11)

式(1)由3部分組成，其中：第1部分表示場橋的移動(dòng)成本；第2部分表示場橋等待集卡和集卡等待場橋的總罰金；第3部分用以約束在場工作的場橋的工作時(shí)間，實(shí)現(xiàn)對均衡性的控制。

2）數(shù)值計(jì)算。數(shù)值計(jì)算包括數(shù)值類型轉(zhuǎn)換、CRC校驗(yàn)等。CRC校驗(yàn)選擇A001多項(xiàng)式碼的CRC16校驗(yàn)。

Nk>1，k=1,2,…，K

2 遺傳算法求解設(shè)計(jì)

2.1 編碼與解碼

?? ? Breidenbach ，Mediation:Struktur，Chancen und Risiken von Vermittlung im Konflikt，1995，S．72．

a)b)

圖1 雙染色體的編碼示意

2.2 適應(yīng)度函數(shù)

在本文的遺傳算法中,直接以式(1)為個(gè)體的適應(yīng)度函數(shù)。合理地限定初始代與代際間種群中個(gè)體的產(chǎn)生方式,可使所有解滿足式(2)～式(10)，而安全距離條件的約束并不容易被體現(xiàn)和滿足。因此,再在算法中針對每個(gè)個(gè)體分別設(shè)置一個(gè)安全距離標(biāo)記變量，用f表示，用以標(biāo)記對應(yīng)個(gè)體是否滿足式(11)。

對于所有種群中的個(gè)體,由初始時(shí)刻起取一定的時(shí)間步長，逐一時(shí)刻定位場橋的位置，并計(jì)算各場橋之間的距離，判斷對應(yīng)的解是否滿足式(11)。顯然，所取的時(shí)間步長必須

2.3 初始代種群

先產(chǎn)生一組{1,2,…,N}的隨機(jī)亂序數(shù)列以形成α染色體;將前K個(gè)任務(wù)分配給K個(gè)場橋作為其初始操作任務(wù),并在β染色體中進(jìn)行相應(yīng)賦值;以初始操作任務(wù)為對照,依據(jù)就近原則將剩下的任務(wù)逐一分配給相應(yīng)的場橋,從而形成β染色體。這樣即產(chǎn)生初始代種群中的一個(gè)個(gè)體。通過模擬M個(gè)個(gè)體生成初始代種群,其中M為算法中代際間種群的規(guī)模。這樣的個(gè)體既可最大程度地使解滿足安全距離條件的約束,又能得到比較優(yōu)的解,使算法以較快的速度收斂到最優(yōu)解。

2.4 遺傳算子

代際間種群遺傳過程包括個(gè)體間的選擇、交叉和變異。[9]對于每個(gè)優(yōu)化問題,所使用的選擇算子、交叉算子和變異算子及遺傳策略都有可能直接影響到求解算法的收斂效果。

2.4.1選擇算子

為模擬生物種群“優(yōu)勝劣汰”和“適者生存”的演化方式,在各代種群中執(zhí)行所選用的個(gè)體選擇機(jī)制,以保證整體朝著較優(yōu)的方向進(jìn)化，常用的方法有最優(yōu)化選擇、輪盤賭選擇和錦標(biāo)賽選擇等。在經(jīng)典的遺傳算法中,會(huì)先從父代種群中選擇出中間代種群,再經(jīng)過交叉和變異生成子代種群。在這種情況下,最優(yōu)化選擇會(huì)直接淘汰適應(yīng)度較差但帶有優(yōu)秀基因的個(gè)體;輪盤賭選擇雖然能彌補(bǔ)上述最優(yōu)化選擇的缺陷，但對于大規(guī)模問題,當(dāng)種群中存在極優(yōu)的局部最優(yōu)個(gè)體時(shí),反而容易引發(fā)算法的“早熟”現(xiàn)象。

2.4.2交叉算子

本試驗(yàn)的各項(xiàng)數(shù)據(jù)表明，不同煉苗方法對煙株生長發(fā)育和產(chǎn)值產(chǎn)量或多或少都有一些影響。本試驗(yàn)處理3的煙株總體表現(xiàn)相對較好，可能是處理3煉苗方法能夠使煙苗長壯，更好、更快地適應(yīng)大田環(huán)境。其他2個(gè)處理則隨著煉苗強(qiáng)度的減小，農(nóng)藝性狀相應(yīng)變差，但主要表現(xiàn)在產(chǎn)量上有明顯減少。所以，合理煉苗可以提高煙葉的產(chǎn)量。因此，煉苗對于培育優(yōu)質(zhì)煙是必不可少的一個(gè)關(guān)鍵工序。今后應(yīng)根據(jù)品種的特點(diǎn)和當(dāng)?shù)厣鷳B(tài)條件采用不同的煉苗方法，以保證煙葉的質(zhì)量、產(chǎn)量滿足工業(yè)需求。

2) 約束條件為

2.4.3變異算子

在場橋作業(yè)時(shí)間的均衡化方面,為使算法更高效地收斂于最優(yōu)解,采用“人工誘導(dǎo)變異”的方式進(jìn)行定向變異。變異的大致過程為：通過計(jì)算每個(gè)場橋操作最后一項(xiàng)任務(wù)的結(jié)束時(shí)刻,得到所有場橋的作業(yè)時(shí)間,若作業(yè)時(shí)間最長的場橋的任務(wù)數(shù)多于1項(xiàng),則將最后一項(xiàng)任務(wù)調(diào)配給作業(yè)時(shí)間最短的場橋作為其最后一項(xiàng)任務(wù),否則將最后一項(xiàng)任務(wù)與作業(yè)時(shí)間最短的場橋的最后一項(xiàng)任務(wù)互換,從而形成變異的新個(gè)體。

a)

b)

上述構(gòu)建的集裝箱堆場場橋智能調(diào)度優(yōu)化模型屬于不帶裝載能力約束的完全開放式車輛路徑問題。模型自身的特點(diǎn)決定著其很難獲得精確的解法。為此，設(shè)計(jì)基于遺傳算法的模型求解程序，實(shí)現(xiàn)對第2部分構(gòu)建的調(diào)度優(yōu)化模型的最優(yōu)化求解。

在算法中,變異算子僅需變更或互換β染色體的編碼。例如：若圖1a)中場橋1的作業(yè)時(shí)間長于場橋2,則將β染色體上場橋1對應(yīng)的最后一個(gè)編碼變更為2;若圖1b)中場橋2的作業(yè)時(shí)間長于場橋1,則將β染色體上場橋2對應(yīng)的最后一個(gè)編碼變更為1。上述變異結(jié)果分別見圖3a)及圖3b)。

a)b)

圖3 雙染色體的變異示意

2.4.4遺傳策略

下列是獲得的體外數(shù)據(jù)，但其臨床意義尚不清楚。下列細(xì)菌至少90%顯示低于或等于阿奇霉素對相似屬或菌群的分離菌株敏感折點(diǎn)的體外最小抑菌濃度（MIC）。然而，阿奇霉素治療由這些細(xì)菌引起的臨床感染的有效性，尚未在充分的良好對照的臨床試驗(yàn)中確定。

在一定的交義率Pc和變異率Pm下,算法先對父代種群進(jìn)行充分交叉及變異,即任取種群中2個(gè)個(gè)體執(zhí)行上述交叉算子和變異算子,得到中間代種群。同時(shí),在中間代種群中實(shí)行“精英保留策略”,即將父代種群以精英的形式保留到中間代種群中,則中間代種群的規(guī)模約為M(M-1)Pc+M。對于中間代種群,在選擇算子上采用最優(yōu)化選擇的方法,并將適應(yīng)度函數(shù)作為種群“優(yōu)勝劣汰”的唯一準(zhǔn)則。隨后結(jié)合安全距離的標(biāo)記變量(即f取值的標(biāo)示),從滿足安全距離約束的所有個(gè)體中選擇出足夠多的優(yōu)秀個(gè)體,形成子代種群。若滿足安全距離約束的個(gè)體總數(shù)少于M,則用不滿足安全距離約束的優(yōu)秀個(gè)體進(jìn)行補(bǔ)充,以維持子代種群的規(guī)模。

3 算法驗(yàn)證及對比分析

基于廈門港海天碼頭的實(shí)際運(yùn)營數(shù)據(jù)，應(yīng)用提出的優(yōu)化模型和算法進(jìn)行計(jì)算，通過與實(shí)際作業(yè)及其他優(yōu)化算法相對比,驗(yàn)證所構(gòu)建的優(yōu)化模型的有效性及用于求解的算法的顯著性。

5.由于國家對無形資產(chǎn)研發(fā)支出資本化和費(fèi)用化的規(guī)定不夠清晰明確，企業(yè)通過將研發(fā)支出資本化來平滑企業(yè)利潤是一種更為隱蔽的手段，既能夠保障賬面價(jià)值的穩(wěn)定增長，贏得投資者滿意，又能夠帶來一定的利潤增長。因此可得出結(jié)論，盈余比前一年下降的企業(yè)更愿意將研發(fā)支出資本化。

該港口各箱區(qū)左右兩側(cè)均有30個(gè)貝位,中間過道和兩側(cè)均有場橋的轉(zhuǎn)場板。對于場橋等待時(shí)間的罰金和集卡等待時(shí)間的罰金，可根據(jù)港口管理者的具體偏好設(shè)定,若更注重港口的效率和運(yùn)營成本,則可提高場橋等待時(shí)間的罰金。在該實(shí)例中,港口管理者更傾向于維護(hù)用戶的利益,因此將場橋與集卡的相關(guān)參數(shù)設(shè)置為表1所示的數(shù)值。

表1 場橋與集卡的參數(shù)設(shè)定

在模型中,假定集卡期望在其到達(dá)的30 min內(nèi)被服務(wù),即LTi=ETi+30。這里選取該港口出口箱區(qū)中4個(gè)箱區(qū)75 min內(nèi)集卡到達(dá)的40項(xiàng)任務(wù),具體數(shù)據(jù)見表2。針對本文的優(yōu)化模型，在算法的參數(shù)中：取父代和子代等代際間種群的規(guī)模M=75；取算法遺傳的終止代數(shù)G=20；將交叉率和變異率分別設(shè)置為Pc=0.95及Pm=0.05。對文獻(xiàn)[5]中的模擬退火算法相關(guān)參數(shù)進(jìn)行以下設(shè)置：初始溫度為50 000 ℃，終止溫度為10 ℃，降溫系數(shù)為0.999 75，對每個(gè)溫度增設(shè)10次內(nèi)循環(huán)。同時(shí)，根據(jù)所得的結(jié)果,由式(1)計(jì)算相應(yīng)的函數(shù)值，將其與本文涉及的遺傳算法的優(yōu)化結(jié)果相比較。

表2 實(shí)例數(shù)據(jù)

設(shè)計(jì)遺傳算法的計(jì)算機(jī)求解程序,并通過使用MATLAB軟件編程實(shí)現(xiàn)；在Inter(R) Core(TM) i5-6500 CPU @3.2GHz 8GB內(nèi)存及Windows 7 64位操作系統(tǒng)中模擬運(yùn)行，得到遺傳算法的運(yùn)行結(jié)果,并將其與實(shí)際人工操作及文獻(xiàn)[5]所設(shè)計(jì)的模擬退火算法相對比，結(jié)果見表3。

從表3中可看出，與實(shí)際人工操作相比，本文的算法可有效縮短作業(yè)時(shí)間，降低運(yùn)作成本。此外，從作業(yè)時(shí)間、目標(biāo)函數(shù)值和算法運(yùn)行時(shí)間等3個(gè)方面與文獻(xiàn)[5]中采用的模擬退火算法相比，本文采用的遺傳算法更優(yōu)，更具適應(yīng)性，收斂性更強(qiáng)。對于本文算法3個(gè)解的結(jié)果，除了場橋操作任務(wù)的次序略有區(qū)別之外，所分配到的操作任務(wù)是完全相同的。這充分說明在操作任務(wù)的分配上，本文采用的遺傳算法已“收斂”到接近最優(yōu)解。雖然以種群的方式啟發(fā)式地對優(yōu)化問題進(jìn)行求解，但往往也容易引發(fā)“早熟”現(xiàn)象。上述對比結(jié)果恰恰說明本文算法所采用的遺傳策略能有效規(guī)避“早熟”現(xiàn)象。

表3 運(yùn)行結(jié)果及對比分析

4 結(jié)束語

本文針對港口集裝箱場橋的調(diào)度問題進(jìn)行系統(tǒng)化研究，構(gòu)建多箱區(qū)多場橋的調(diào)度優(yōu)化模型，通過優(yōu)化調(diào)度過程使場橋調(diào)度移動(dòng)成本與場橋、集卡之間等待罰金之和最小化，并運(yùn)用遺傳算法對優(yōu)化模型進(jìn)行求解，同時(shí)利用實(shí)例港口的數(shù)據(jù)對模型和算法的有效性進(jìn)行驗(yàn)證。由研究結(jié)果可知，本文建立的優(yōu)化模型能有效避免場橋與場橋之間的安全距離問題，減少場橋移動(dòng)過程中產(chǎn)生的不必要的等待時(shí)間，并可有效均衡多個(gè)場橋之間的工作時(shí)間，使場橋司機(jī)的工作效率得到有效保障。在實(shí)際操作中，場橋的工作效率受眾多因素的影響，因此對堆場布局優(yōu)化、岸橋與場橋聯(lián)合調(diào)度和多種優(yōu)化算法的聯(lián)合求解等問題進(jìn)行研究將是下一階段的工作重點(diǎn)。

[1] LEE D H， CAO Z， MENG Q. Scheduling of Two-Tanstainer Systems for Loading Outbound Containers in Port Container Terminal with Simulated Annealing Algorithm[J]. International Journal of Production Economics，2007，107(1):115-124.

[2] SAFAEI N，BAZZAZI K.A Genetic Algorithm to Solve the Storage Space Allocation Problem in a Container Terminal [J]. Computers & Industrial Engineering，2008，12:1-10.

[3] 毛鈞，李娜.基于混堆模式的集裝箱碼頭堆場空間資源配置優(yōu)化[J].大連海事大學(xué)學(xué)報(bào)，2014，40(1)：117-122.

[4] 鄭紅星,吳岳,楊文滔,等.混堆模式下多箱區(qū)場橋聯(lián)合調(diào)度[J].水運(yùn)工程，2015，4(1)：113-118.

[5] 初良勇,李淑娟,阮志毅.多箱區(qū)多場橋調(diào)度優(yōu)化模型及算法實(shí)現(xiàn)[J].上海海事大學(xué)學(xué)報(bào)，2017,38(1):48-53.

[6] 康海貴，劉艷.基于混堆的集裝箱堆場動(dòng)態(tài)箱位分配研究[J].水運(yùn)工程，2009(8)：73-83.

[7] 張超群,鄭建國,錢潔.遺傳算法編碼方案比較[J].計(jì)算機(jī)應(yīng)用研究，2011,28(3): 819-822.

[8] 馮興杰,陳素敏.進(jìn)近階段飛機(jī)著陸調(diào)度優(yōu)化[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013,34(3): 1023-1028.

[9] 周冬梅,孫俊.遺傳規(guī)劃中遺傳算子對種群多樣性的影響[J].計(jì)算機(jī)工程與應(yīng)用，2016,52(20): 39-45.

[10] 李書全,孫雪,孫德輝,等.遺傳算法中的交叉算子的述評[J].計(jì)算機(jī)工程與應(yīng)用，2012,48(1): 36-39.

IntelligentSchedulingOptimizationofYardCraneinContainerTerminalBasedonGeneticAlgorithm

CHULiangyong1，RUANZhiyi2,LIShujuan3

(1. Modern Logistics Institute, Jimei University, Xiamen 361021, China; 2. R&D Department, Xiamen Yaxon Network Co., Ltd., Xiamen 361008, China; 3. Management Institution, Yangen University, Quanzhou 362000, China)

An optimizing model for intelligent scheduling of yard cranes is set up. Considered the characteristics of the model, a genetic algorithm is designed to solve the optimizing model. An example is used to illustrate the validity of the optimizing model. Compared with the practical operation and previously used algorithm, the model and solving algorithm can greatly shorten the operation time and reduce the operation cost.

waterway transportation; port logistics; container yard; crane scheduling; genetic algorithm

2017-11-15

福建省自然科學(xué)基金(2017J01796;2017J01797);集美大學(xué)研究生教育教學(xué)改革項(xiàng)目(2016)

初良勇(1973—)，男，黑龍江訥河人，副教授，碩士生導(dǎo)師，博士，研究方向?yàn)榻煌ㄟ\(yùn)輸系統(tǒng)規(guī)劃、國際航運(yùn)與物流管理等。E-mail:chuliangyong@163.com

1000-4653(2018)01-0048-05

U691

A