雙向航道集裝箱港口船舶調(diào)度優(yōu)化

　　摘要：針對擁有雙向航道的集裝箱港口中船舶進出港所遇到的會遇和追越等問題，提出了一種重點考慮服務(wù)規(guī)則的新型船舶調(diào)度優(yōu)化算法。首先，考慮雙向航道的現(xiàn)實約束限制，兼顧港口夜航的安全規(guī)定;然后，構(gòu)建了以所有船舶在港總等待時間最小為目標(biāo)的混合整數(shù)規(guī)劃模型，得出最佳的船舶進出港次序;最后，設(shè)計了嵌入聚合式策略的分支切割算法進行求解。通過數(shù)值實驗可知，運用嵌入聚合策略的分支切割算法所得結(jié)果與下界值的平均相對偏差為2.59%;同時與模擬退火算法與量子差分進化算法的對比結(jié)果表明，所提分支切割算法所得的目標(biāo)函數(shù)值相較于后兩者所得目標(biāo)函數(shù)值分別減少了23.56%和17.17%，驗證了該算法的有效性。在所提算法所得方案的敏感性分析中比較了抵港安全時間間隔和船舶類型比例對方案結(jié)果的影響，為雙向航道船舶進出港調(diào)度次序的優(yōu)化提供了決策支持。

　　關(guān)鍵詞：雙向航道;集裝箱港口;船舶調(diào)度;嵌入式聚合;分支切割算法

　　1引言

　　隨著航運業(yè)的蓬勃發(fā)展，擁有雙向航道的各大集裝箱港口的業(yè)務(wù)越來越繁忙，盡可能減少抵港船舶的等待時間是相關(guān)各方關(guān)注的焦點;但在這類港口中，船舶于航道內(nèi)、航道與港池交匯處時常發(fā)生的會遇現(xiàn)象和航道內(nèi)不同類型船舶間的追越現(xiàn)象，不僅給船舶的進出港過程帶來極大的安全隱患，還對船舶的等待時間造成較大影響，必須重點關(guān)注。國內(nèi)外學(xué)者針對港口減少船舶等待時間的問題已經(jīng)進行了大量深入細致的研究，并取得了階段性成果。根據(jù)其所提出的方法不同，主要分為以下三類。

　　航道論文范例：長江敘渝段航道最大開發(fā)尺度研究

　　1)主要著重從泊位分配角度來減少船舶總等待時間。Imai等[1]針對泊位分配和船舶服務(wù)優(yōu)先級問題，以到港船舶的作業(yè)與等待時間之和最短為優(yōu)化目標(biāo)，構(gòu)建了相應(yīng)混合整數(shù)模型，并設(shè)計了一種基于遺傳算法的拓展啟發(fā)式算法進行求解。Xiang等[2]研究了不確定性泊位分配問題，以最小化泊位分配成本和最大化客戶滿意度為雙目標(biāo)，建立了一個旨在優(yōu)化泊位分配、減小船舶總等待時間的雙目標(biāo)模型，并提出了一種自適應(yīng)灰狼優(yōu)化算法來求解。Mauri等[3]研究了抵港船舶的泊位分配問題，以所有抵港船舶的在港時間最短為目標(biāo)，構(gòu)建了一個連續(xù)泊位與離散泊位通用的數(shù)學(xué)模型，并設(shè)計了自適應(yīng)大鄰域搜索啟發(fā)式算法來求解。Dulebenets等[4]研究了船舶導(dǎo)流相關(guān)問題，以船舶服務(wù)成本最小為目標(biāo)，建立了一種利用備用港池來疏導(dǎo)多用戶集裝箱船的模型，采用了文化基因啟發(fā)式算法來求解。

　　Ting等[5]研究了離散動態(tài)情況下的泊位分配問題，以所有船舶的等待與作業(yè)時間之和最短為目標(biāo)，構(gòu)建了相應(yīng)混合整數(shù)規(guī)劃模型，并設(shè)計了粒子群優(yōu)化算法進行求解。udipriyanto等[6]研究了泊位的協(xié)同分配問題，以船舶等待時間、集裝箱裝卸時間和船舶總周轉(zhuǎn)時間之和最小為目標(biāo)，采用了離散事件仿真對系統(tǒng)進行建模求解。Kordić等[7]考慮了離散泊位分配問題和混合泊位分配問題，以泊位分配成本最小為目標(biāo)，提出了一種基于沉積算法的精確組合算法對模型進行求解。Qin等[8]針對水深變化時的泊位分配問題，以泊位服務(wù)時間最小為目標(biāo)，建立了整數(shù)規(guī)劃模型，并用啟發(fā)式算法進行了求解。

　　2)主要著眼于通過泊位與岸橋的協(xié)同調(diào)度來減少船舶總等待時間。Correcher等[9]針對泊位和岸橋的協(xié)同分配問題，以最小化泊位和岸橋分配成本為目標(biāo)，提出了一種新的混合整數(shù)模型，并用分支定界算法進行了求解。Xiang等[10]研究了集裝箱碼頭離散泊位與岸橋的協(xié)同分配問題，以船舶抵港時間偏差、船舶裝卸作業(yè)時間偏差和計劃外船舶�？繉�協(xié)同分配的歸一化干擾成本最小為目標(biāo)，提出了一種考慮實際約束的混合整數(shù)規(guī)劃模型，并提出了一種滾動水平啟發(fā)式算法來對其求解。Agra等[11]研究了一種基于相對位置的泊位和岸橋協(xié)同調(diào)度問題，提出了一種將時間和空間變量離散化的泊位分配模型，最后以泊位分配與岸橋調(diào)度協(xié)同成本最小為目標(biāo)，用分支切割算法對模型進行了求解。韓駿等[12]為縮短船舶在港停留時間，考慮到集裝箱港內(nèi)泊位與岸橋分配的集成與合作對港口營運效率的影響，以船舶總在港時間最小為目標(biāo)，提出了一種全新的泊位與岸橋協(xié)同調(diào)度方法，并設(shè)計了免疫遺傳算法對所建模型進行了求解。周鵬飛等[13]以到港船舶的平均等待時間最短為目標(biāo)，構(gòu)建了泊位與岸橋協(xié)同分配模型，并設(shè)計了新型改進遺傳算法用于求解。

　　3)主要從航道內(nèi)船舶的調(diào)度角度出發(fā)，對如何減小船舶總等待時間作出了細致的分析。張新宇等[14]研究了單向航道內(nèi)的調(diào)度問題，以船舶總等待時間與總調(diào)度時間之和最短為目標(biāo)，建立了相應(yīng)船舶調(diào)度優(yōu)化模型，并設(shè)計了新型遺傳算法進行求解。鄭紅星等[15]針對多港池散貨港口的船舶調(diào)度優(yōu)化問題，考慮了進出港時段交替條件和成簇進出港規(guī)則，以進港船舶等待時間最短為目標(biāo)，建立了混合整數(shù)線性規(guī)劃模型，并設(shè)計了模擬退火算法與新型啟發(fā)式規(guī)則相結(jié)合的混合算法對模型進行了求解。

　　Zhang等[16]綜合考慮港口資源利用效率，提出了一種新型的泊位與航道協(xié)同分配方法，以所有到港船舶等待時間與在港時間之和最短為目標(biāo)，構(gòu)建了基于單向航道的船舶調(diào)度優(yōu)化模型，并設(shè)計了啟發(fā)式算法進行求解。何春華[17]考慮到擁有雙向航道的港口船舶通行能力有足夠的上升空間，建立了基于大數(shù)據(jù)信息傳遞的船舶調(diào)度優(yōu)化模型，并設(shè)計了基于模糊波束集成法的聚類分析策略對模型進行了求解，成功提高了雙向航道港口的船舶調(diào)度效率。

　　綜上，現(xiàn)有研究主要通過泊位和岸橋的協(xié)同分配調(diào)度減少抵港船舶的總等待時間，其中：第1)類方法僅通過關(guān)注泊位分配問題來減少船舶的總等待時間，研究數(shù)量最多且研究歷史最長;第2)類方法通過綜合考慮泊位和岸橋的集成分配優(yōu)化來研究該問題，研究數(shù)量次之且近年來數(shù)量增長較快;第3)類方法重點考慮航道對該問題的影響，研究數(shù)量較少且重點關(guān)注單向航道。但在港口的實際工作中，航道內(nèi)、航道與港池交匯處的交通規(guī)則和夜晚作業(yè)的規(guī)章制度對船舶的進出港過程有很大的影響，進而影響船舶的總等待時間，在現(xiàn)實作業(yè)中不可忽略，而這些方面的現(xiàn)有研究較少，與碼頭實際不太相符，急需深入研究。

　　為此，不同于現(xiàn)有研究，本文以擁有雙向航道的集裝箱港口為研究對象，重點考慮船舶進出港過程中發(fā)生的會遇、追越等現(xiàn)象對船舶進出港過程的影響，兼顧港口夜航規(guī)則和不同類型船舶的進出港服務(wù)規(guī)則，研究最優(yōu)的船舶進出港次序，使得所有抵港船舶的總等待時間最小。問題描述一般來說，在固定計劃期開始，預(yù)計抵港的船舶及時將船型、載貨狀況和船期等相關(guān)信息發(fā)送給港方;港方依據(jù)收集到的船舶信息，結(jié)合港口的泊位和岸橋等作業(yè)資源實時狀況，以及航道通行的交通規(guī)則，提前為抵港船舶制定相應(yīng)的錨地停泊、進港時間、泊位分配方案和出港時間等方案。在港方制定的上述方案中，就擁有雙向航道的港口而言，船舶進出港過程中的追越和會遇現(xiàn)象需要重點考慮。

　　在港口實際作業(yè)過程中，在同一方向行進的船舶可通過追越前船來實現(xiàn)快速進港或離港，但受航道的自然環(huán)境所限，在航道的一些特定航段內(nèi)的追越風(fēng)險極大(類似航段的會遇簡稱為危險追越)，必須避免;而在相反方向、錯位方向行進的船舶，會遇現(xiàn)象屢見不鮮，且多見于主航道上正常行駛的進港和出港船舶間、不同港池的航道口與主航道的相交處(類似會遇簡稱為風(fēng)險會遇)，必須合理調(diào)配船舶的進出次序，以避免進出港池的船舶和行駛在主航道上的船舶會遇，消除在一些地形較為復(fù)雜航段的主航道船舶會遇。另外在港口的實際運營過程中，航道和港池內(nèi)的船舶駕駛主要服從以下規(guī)則：

　　1)錯位會遇時，直行船舶先行;2)相向會遇時，大船先行;3)窄航道內(nèi)不可追越;4)追越前船為大船，后船也為大船時不可追越;5)夜間不可航行大船;6)危險品船不可追越，且不能在夜間進出港。本文問題可描述為：在船舶預(yù)�？坎次灰阎�的情況下，以一固定計劃期內(nèi)港口預(yù)計抵港的所有船舶為研究對象，重點關(guān)注規(guī)避風(fēng)險會遇和消除危險航段追越等現(xiàn)實約束，兼顧船期和各種船舶駕駛服務(wù)規(guī)則，以所有抵港船舶的總等待時間最小為優(yōu)化目標(biāo)，最終給出每艘抵港船舶的最佳進出港時機。

　　2算法設(shè)計

　　在本文中，確定進出港船的優(yōu)先級問題是關(guān)鍵，通過測算不同交通狀況下的不同類型船舶完成追越或會遇所需時間，計算出相應(yīng)延遲時間，進而計算出所有船舶的總等待時間。算法的設(shè)計思路是用分支定界法將總等待時間的計算問題分解成處于不同交通狀態(tài)下船舶延遲時間的子問題，再引入割平面對子問題進行迭代尋優(yōu)。

　　2.1進出港船舶優(yōu)先級的設(shè)定

　　進出港過程中船舶會發(fā)生以下幾種追越或會遇：

　　1)兩船相向會遇，若一艘為大船，一艘為小船，則大船先行;若兩艘船為同類型的船(即都為大船或都為小船)，則出港船先行。2)一船從港池口出(過彎)，一船在主航道內(nèi)行駛(直行)，則由直行船先行。3)前船為大船時，后船為速度較快的小船，此時若兩船所在航段為寬航道，則可進行追越;前船為小船時，后船為速度較快的大船，此時若兩船所在航段為寬航道，則可進行追越;前船為小船時，后船為速度較快的小船，此時若兩船所在航段為寬航道，則可進行追越;其余任何情況均禁止追越。危險品船可視為在固定時段才可進出港的大型船舶。

　　2.2確定進港船數(shù)

　　考慮當(dāng)前時段內(nèi)有艘進港船舶，此艘在理想狀態(tài)下可以全部一次性進港，也可將其拆分至不同批次依次進港(批次可分為均等批次與非均等批次)，共有以下種情況：1)船舶進港過程中暢通無阻，沒有任何出港船與其發(fā)生會遇現(xiàn)象;2)船舶進港過程中存在出港船與其發(fā)生會遇現(xiàn)象，但在服務(wù)規(guī)則下無需避讓，該情況實際等同于情況;3)船舶進港過程中存在出港船與其發(fā)生會遇現(xiàn)象，且在服務(wù)規(guī)則下需要進行避讓，此情況會造成一段的整體性延時;4)船舶進港過程中存在追越現(xiàn)象，造成一段的整體性延時。

　　結(jié)語

　　在綜合考慮雙向航道港口的船舶調(diào)度效率影響因素的基礎(chǔ)上，設(shè)計了新型船舶服務(wù)規(guī)則，并構(gòu)建了新的船舶調(diào)度模型，最終對船舶進出港次序優(yōu)先級進行了優(yōu)化，有效地減小了船舶等待時間。同時，設(shè)計了分支切割算法，并融入了聚合策略，以此拓寬了算法思路，在一定程度上對算法的性能進行了提升。針對安全間隔時間和大小船比例進行了敏感性分析實驗，結(jié)果表明，隨著安全間隔時間越長，目標(biāo)值優(yōu)化率先變大后變平穩(wěn);而隨著大小船比例增大，目標(biāo)值優(yōu)化率前期略微變小，后期幾乎保持不變。綜合考慮這兩個因素，安全間隔時間對本文方案的影響更大。

　　船舶大型化是可預(yù)知的發(fā)展趨勢，未來船舶進出港受潮汐的影響也將更大，在此方面本文并未重點考慮，進一步的研究可詳細分析潮汐因素對雙向航道船舶調(diào)度的影響，并考慮更多服務(wù)規(guī)則下的港口船舶調(diào)度優(yōu)化問題。

　　參考文獻

　　[1]MAI，ISHIMURA，APADIMITRIOU.Berthallocationwithservicepriority[].TransportationesearchPartBMethodological，2003，37(5):437457

　　[2]IANG，UCC，IAOLX.Abiobjectiverobustmodelforberthallocationschedulingunderuncertainty[J].TransportationResearchPartE:LogisticsandTransportationReview，2017，106:294319

　　[3]AURIGR，IBEIROGM，UIZAN，et.a.AnadaptivelargeneighborhoodsearchforthediscreteandcontinuousBerthallocationproblem[J].ComputersandOperationsResearch，2016，70:140154

　　[4]ULEBENETS，OLIAS，MISHRAS.Acollaborativeagreementforberthallocationunderexcessivedemand[J].EngineeringApplicationsofArtificialIntelligence，2018，69:7692

　　[5]TINGCJ，WUKC，HAOC.Particleswarmoptimizationalgorithmfortheberthallocationproblem.ExpertsystemswithApplications，2014，41(4):15431550

　　作者：鄭紅星1,2*，朱徐濤1，李振飛2

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jzlw/27475.html