基于集装箱堆场翻箱问题历史研究成果的探究

集装箱堆场为提高堆场效率,减少船舶在港时间,在岸桥、场桥、龙门吊、集卡及其它们之间的协同运作和集装箱的操作方面都做出了努力,集装箱翻箱问题作为影响集装箱堆场的重要指标也受到了高度的重视。已有的文献已经对堆场中的翻箱问题做出了一定的研究,并取得了一定的成果,对堆场实际运作提供了理论支持。本文主要是通过对已有文献中针对翻箱问题的解决方案进行归纳总结,结合对实际堆场的调查提出目前解决翻箱问题的关键点和未来可能的研究方向。     

考虑翻箱作业时出口箱堆场作业调度优化

基于出口箱的堆场操作实务,考虑堆场起重机取箱作业的现实约束,以作业过程中翻箱次数最少为目标,对堆场作业调度问题进行建模,提出了两阶段混合动态规划算法,将启发式规则嵌入动态规划算法中,以避免出现状态数"组合爆炸"增长的情况.通过仿真算例,并与实际调度规则及现有研究方法所得调度方案进行对比,验证了模型以及优化算法的有效性与实用性.结果表明,所提出的模型和算法可以在较短的求解时间内获得多组装船方案,且其翻箱次数显著降低.     

一种求解翻箱问题的启发式算法

在集装箱堆场,翻箱操作不可避免,为降低翻箱次数,提高作业效率,有必要找到一种有效的方法来解决这一问题.在已知每个集装箱提箱顺序的前提下,如何安排翻箱作业顺序是典型的NP难问题.为此提出了一种启发式算法,并通过算例实验与已有算法的结果进行对比,实验结果表明本文提出的算法较优.     

基于逆向强化学习的装船时堆场翻箱智能决策

集装箱码头装船时堆场翻箱具有时序性与动态性,属于NP(non-deterministic polynomial)难问题。针对常见的顺岸式集装箱码头堆场,以最小化总翻箱次数为优化目标,考虑翻箱对装船连续性及效率的影响,基于马尔科夫决策过程构建装船时堆场翻箱模型,设计逆向强化学习算法。为验证算法的有效性,以随机决策为基准,将设计的逆向强化学习算法与码头常见规则决策、随机决策对比。结果表明,贝位堆存状态不佳时,常见的规则决策不一定优于随机决策;逆向强化学习算法可有效挖掘隐含专家经验,收敛至最小翻箱次数的概率更高,且不同堆存状态下均能更好地限制单次发箱的翻箱次数,可实现装船时堆场翻箱智能决策。     

基于最小费用流模型的不正常航班恢复问题研究

突发事件会导致航班计划无法按原计划执行,给航空公司及旅客带来巨大损失。而航班恢复问题的难点除了相关因素的复杂性,主要的体现在恢复方案的即时性。因此,为了提出快速有效的航班恢复方案,以降低损失,笔者通过时空网络技术对不正常航班的恢复问题进行描述,实现了对航班在空间和时间上的追踪。基于最小费用流模型,建立了以最小总延误时间为目标函数的整数规划模型,模型同时考虑了航班延误,飞机置换及航班取消的调度策略,并提出采用Floyd-Warshall算法对建立的模型进行求解。最后,通过算例对模型及算法进行验证。研究结果表明:针对突发状况,建立的模型及算法可提出合理的航班恢复方案,证明了模型及算法的可行性及有效性。建立的模型具有普适性,对不正常航班恢复问题的研究具有借鉴意义。