一種自動化軌道式龍門起重機作業任務調度多目標優化方法

徐 波

上海振華重工(集團)股份有限公司

1 引言

自動化集裝箱軌道式龍門起重機(以下簡稱軌道吊)作為集裝箱碼頭核心的裝卸設備,其任務調度的優化是提高碼頭整體運營效率的關鍵。自動化軌道吊作業任務調度多目標優化問題是一個復雜的系統工程問題,需要考慮多個相互沖突的目標,如裝卸效率、設備利用率、能源消耗等。常規的研究方法主要包括數學建模、優化算法設計和案例分析等,其中數學建模是關鍵的一步,其通過抽象和簡化實際問題,建立相應的數學模型,為后續的優化算法設計提供基礎。優化算法設計則是利用各種計算工具和算法策略,求解數學模型的最優解或近似最優解。案例分析則是通過對一些真實的、具有代表性的案例進行詳細研究,驗證模型和算法的可行性和有效性。蔣敏敏等針對雙軌道吊協同方案通過結合蟻群算法進行最優解搜索[1];周勇等以鐵路集裝箱中心站作為研究對象,提出一種雙層柔性調度方案[2]。本研究結合雙層遺傳算法,通過構建多目標優化函數,求解并優化自動化集裝箱軌道吊作業的任務調度方案。

2 自動化軌道吊作業任務調度多目標優化研究

2.1 作業任務調度決策變量提取

為對自動化軌道吊的作業任務進行多目標優化調度研究,首先對優化問題進行多元分析處理。然后在此基礎上對決策變量進行提取,從而為后續的多目標優化調度函數的構建提供幫助。

首先,將自動化集裝箱軌道吊任務作業的調度優化問題分解為3個子問題。

問題1:考慮能耗的自動化岸邊集裝箱起重機(以下簡稱岸橋)與自動導引車(AGV)的協調調度問題[3]。

問題2:考慮能耗的自動導引車與軌道吊(ARMG)的協調調度問題。

問題3:考慮能耗的多項設備集成協調優化問題[3]。

在考慮能耗的自動化岸橋與自動導引車的協調調度問題中,所需要考慮的決策變量涉及到3個方面,分別為操作時間、操作設備參數以及作業順序。以上述3個分析方面作為切入點,提取決策變量包括貨物裝載車的停靠時間、集裝箱的具體位置信息、經過裝卸的貨物噸數、集裝箱操作的作業順序、自動導引車的運輸距離、自動導引車的運輸路徑、自動導引車在空載狀態下以及滿載狀態下的行進速度等[4]。同理,在考慮能耗的自動導引車與軌道式吊運機的協調調度問題中,針對上述3個分析方面所提取的決策變量與問題1的決策變量類似。針對問題3,所提取的決策變量包括3個運輸設備的作業順序、自動化岸橋的作業開始時間、自動引導車的運輸開始時間以及軌道吊的起吊時間。通過上述對決策變量的分析,構建關于軌道吊作業任務調度的決策變量集見表1[5]。

根據表1中的內容,構建出的決策變量集DV的具體表達式:

(1)

通過上述步驟即可完成對優化問題決策變量的提取。該變量將作為主要考慮因素,為后續的多目標優化決策函數的構建提供幫助。

2.2 優化函數構建

以軌道吊作業總延誤時間最小作為優化目標,構建出目標函數:

(2)

(3)

式中,RS和RL分別代表海側和陸側的軌道吊作業集合;di,0為作業i的操作時間;t(zi,1)和t(zi,2)分別為集裝箱在進行第一段和第二段作業任務時的持續時間。在自動化集裝箱軌道吊作業的操作過程中,海陸側的作業時間不能出現重疊的情況[6]。因此對于需要以接力方式完成的集裝箱作業來說,每段操作作業順序在操作時間上有著嚴格的限制。對此,以集裝箱作業的操作順序作為約束條件,構建出約束條件表達式:

EndBeforeStart=(zk,1,z(3-k)i,2)

(4)

式中,zk,1為由軌道吊k完成的第1段集裝箱操作作業;z(3-k)i,2為由軌道吊3-k完成的第2段集裝箱操作作業。除了上述對集裝箱作業操作順序的約束以外,還針對接力區的集裝箱容量進行了約束。采用pulse函數對接力區集裝箱容量進行約束,具體約束表達式為:

(5)

式中,QVVmax代表集裝箱所能夠支持的最大容量。

通過上述步驟即可完成對軌道吊作業任務調度多目標優化函數的有效構建。以軌道吊作業總延誤時間最小作為優化目標,并以集裝箱容量和操作作業順序作為約束條件,構建目標函數。通過對該目標函數進行求解,即可得出多目標優化調度方案。

2.3 多目標優化函數求解及調度方案生成

針對上述構建出的軌道吊作業任務多目標優化函數,采用雙層遺傳算法對其進行求解,從而生成調度方案。求解流程見圖1。

圖1 基于雙層遺傳算法的多目標優化調度函數的求解流程

首先采用上層算法對軌道吊作業任務調度多目標優化函數進行求解,生成關于自動化岸橋、自動導引車以及軌道吊的協調調度方案。在此基礎上,確認3個運輸設備的起點運輸位置以及終點運輸位置,并將位置信息輸送到下層的遺傳算法中,以上述構建的目標函數為對象,對該函數進行求解,從而得到運輸設備的運輸路徑規劃結果。在采用遺傳算法對目標函數進行求解時,主要通過對個體函數適應度值進行計算,并判斷其是否滿足終止準則來檢驗調度結果的合理性。上下層遺傳算法的適應度函數為:

(6)

式中,f(x)為上文構建的多目標優化函數;cmax為f(x)的最大估計值。模擬退火算法的具體計算公式為:

(7)

式中,Fit(i)為初始種群在變異操作開始之前的個體適應度;Fit(j)為初始種群在變異操作之后優化得到的個體適應度;T為退火溫度。通過上述操作即可完成對于多目標優化函數的有效求解,生成軌道吊作業任務的調度方案。

3 實驗論證

為了證明所提出的自動化軌道吊作業任務調度多目標優化方法在實際優化效果方面優于常規的軌道吊作業任務調度優化方法,在理論部分設計完成后,構建實驗環節,對本方法的實際優化效果進行檢驗。

3.1 實驗說明

本次實驗選取2組常規的軌道吊作業任務調度優化方法作為對比對象,分別為基于差分進化算法的軌道吊作業任務調度優化方法,以及基于啟發式算法的軌道吊作業任務調度優化方法。通過構建實驗平臺,采用3種優化方法對同一組軌道吊作業調度方案進行優化分析,對比不同方法的優化效果。

3.2 實驗對象

本次實驗選取的實驗數據來自于某自動化集裝箱作業平臺,通過對該平臺中不同設備的數據進行調取,構建出仿真運行模型,并針對生成的任務調度方案進行模擬優化與運行分析。自動化集裝箱作業區域布局見圖2。

圖2 自動化集裝箱作業區域布局圖

通過調取集裝箱操作平臺的后臺數據,獲得設備以及裝置參數見表2。

表2 設備及裝置參數

對上述設備的位置進行標定,獲取不同設備的具體位置信息,將該位置信息作為基礎參數,從而生成基礎的調度方案,然后采用3種優化方法對調度方案進行優化分析,從而比較不同方法的實際優化性能。

3.3 優化效果對比結果

本次實驗選取的對比指標為不同方法的優化效果,具體實驗指標為不同調度方案下的軌道吊作業軌跡重疊度,該值越低,代表方案的調度效果越好。具體實驗結果見圖3。

圖3 軌道吊作業軌跡重疊度對比結果

通過上述實驗結果可以看出,在自動化軌道吊作業任務多目標優化調度方法下,軌道吊作業軌跡重疊度均在15以內,遠低于2種常規調度方案下的重疊度。由此可以證明該方法對于任務調度方案的優化效果更好。

4 結語

針對自動化軌道吊作業任務調度方案進行多目標優化研究,并提出優化方案。該方案可使自動化軌道吊的作業更加高效、安全和穩定,從而滿足日益增長的海運對碼頭裝卸效率的需求。