遗传算法在码头泊位调度和应用,本论文为您写遗传算法毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
遗传算法论文参考文献：
摘 要：为更好地优化码头泊位分配,提高泊位利用率,以实现码头泊位利用率最大化为目标,借鉴背包问题的解决方案,将船舶在港时间、作业顺序、泊位安排、机械配置、堆场安排等时空因素,结合遗传算法得出泊位资源安排的最优解.实践证明,该算法能有效缓解人工制订泊位计划所造成的考虑不周全、计划不合理等现象,有效避免了泊位冲突、极大提高了码头泊位利用率,提升了码头作业效益和服务水平.
关键词：泊位调度；背包问题；遗传算法
中图分类号： U691 文献标识码： A 文章编号： 1673-1069（2016）25-179-2
0 引言
现代港口是国际物流供应链的主要环节,能够提供快速、可靠、灵活的综合物流经营服务是现代港口的重要标志.泊位是决定港口码头的一个关键因素,相对于港口其他设施的投资来说,建造一个新的泊位的费用是非常昂贵的,所以,如何在已有泊位数量的基础上,合理的分配泊位已经成为制约当前港口发展的重要因素.
作为码头重要的作业资源,泊位、泊位计划是码头作业的基础,合理的泊位计划是提高作业效率、缩短船舶在港时间的关键因素.现在全球吞吐量排名前十的港口,其24小时内数量达到几十艘次,因此如何合理安排船舶靠泊顺序和位置,决定了码头岸线资源及堆场、设备、人力资源的合理应用程度,提高泊位计划的合理性对提升整个码头的通过能力和服务水平,有着至关重要的意义[1].
1 当前泊位计划中存在的问题
当前泊位计划编排的依据主要是根据船公司对码头的重要程度,也就是所谓的“重点客户重点服务”策略；再有就是采用所谓的“先进先出”原则,这样会导致出现物化消耗过大,服务效率低下,客户满意度不高等问题；除此之外,码头泊位计划安排的好与坏,则主要体现在计划员本身对于码头业务的理解程度、作业经验是否丰富等方面,而这些则可能导致作业线路安全隐患或者资源岸线泊位浪费等情况出现.总之缺乏必要的理论支持和系统分析,从而导致泊位计划的随机性较大,这是目前泊位计划制定过程中存在的一个比较普遍的问题.
2 通过基于背包问题的遗传算法解决组合优化问题
遗传算法已经成为组合优化问题的近似最优解的一把钥匙[2][3].它是一种模拟生物进化过程的计算模型[4],作为一种新的全局优化搜索算法,它具有简单、鲁棒性强、适应并行处理广等特点,非常适合N-P问题的求解.
背包问题是一个典型的组合优化问题,在计算理论中属于NP-完全问题, 其计算复杂度为,传统上采用动态规划来求解.
如上所述,我们可以将码头岸线长度作为横轴,时间为纵轴,两者相乘所得面积作为背包大小,其他如泊位水深、船舶吃水、装卸箱量等参数作为约束条件,从而将船舶泊位调度问题,转化为背包问题最优解的求解问题.
3 问题描述
3.1 背包问题概述
背包问题（ Knapsack Problem）的一般提法是：已知n个物品的重量（weight）及其价值（或收益profit）分别为wi>0和pi>0,背包的容量（contain）假设设为ci>0,如何选择哪些物品装入背包,可以使得在背包的容量约束限制之内所装物品的价值最大?
该问题的模型可以表示为下述0/1整数规划模型：
式中xi为0-1决策变量,xi等于1时表示将物品i装入背包中,xi等于0时则表示不将其装入背包中.
3.2 遗传算法概述
遗传算法（ Genetic Algorithms,GA） 是在1975 年首次由美国密西根大学的D.J.Holland 教授和他的同事们借鉴生物界达尔文的自然选择法则和孟德尔的遗传进化机制基础之上提出的.经过40多年的研究、应用,遗传算法已被广泛地应用于函数优化、机器人系统、模式识别、图像处理、工业优化控制等多个领域.
4 背包问题的遗传算法求解
遗传算法具有“生成+检测”的特点.其基本流程描述如下：
（1）基因编码：
基因编码将n个Xi的值顺序排列,可简单理解为,将符合要求的物品放入背包中,其他的物品则不放入.
（2）编码修复：
利用遗传算法的思想进行修复.修复的基本思想为：
在Xj等于1的所有物品中,将价值重量比（C/W）最小的物品取出,直到满足背包的容量约束为止.由此可产生一些新的基因编码串,并且这些新编码串总是相对来说质量比较好的,特别是它们肯定满足问题的约束条件.
（3）适应度函数：
由于对每个个体使用遗传算法修正已保证了不会产生无效染色体,所以在进行个体适应度评价时无须引入度函数项,而是直接用目标函数值作为适应度函数值,即：
（4）选择： 采用赌的方式进行选择.在本算法中,将各基因的适应值事先作处理：
fi（i）等于fit（i）-min（fit）+1；以防止适应度函数值出现小于零的情况,并且可以在一定程度上防止适应值差别过大时丢失低适应值基因的有用信息.
（5）交叉： 采用单点交叉方式,随机选取一点作为基因的交叉点.
（6）变异：定义参数pm作为变异操作的概率,由（5）得到每个个体中的每个基因值都以概率pm进行变异；
（7）演化：经过选择、交叉和变异操作,得到一个新的种群,对上述步骤经过给定的循环次数的种群演化,遗传算法终止[5].
根据上面分析,我们不能看出,该算法成败的关键在于适应度函数的建立,确切地说,就是其中的变量xj,以及对应参数cj.
以本案为例,我们可以将码头岸线乘以时间作为背包,单位时间内,码头所能承载的船舶数量最大化,或者说泊位利用率最高,作为我们的目标,而泊位水深、船舶吃水、装卸箱量等参数作为约束条件.
结论：关于遗传算法方面的的相关大学硕士和相关本科毕业论文以及相关遗传算法论文开题报告范文和职称论文写作参考文献资料下载。
基于改进遗传算法的车间作业调度问题
摘 要：随着科学技术的不断进步，当下现代工业也在迅猛发展中，企业的生产也朝着多类型、少批量、高要求等水平发展，这使得企业在自身生产作业计划安排和。
粒子—遗传算法在光缆车间调度应用
摘 要：针对光缆制造生产车间调度算法收敛速度慢、效率低下的问题，提出一种粒子-遗传算法（Particle Genetic Swarm Algor。
成品油二次配送调度优化模型其遗传算法求解
摘 要：成品油二次配送是成品油销售的重要环节，配送中心要以有限的车辆及时满足多个加油站的油品需求，为了节约成本，要选择最短行车路径．同时尽量满。
工序顺序柔性作业车间调度问题改进遗传算法求解
摘要：针对在工艺设计中提供工序顺序柔性的作业车间调度问题，总结了该问题中柔性工序顺序的类型和特点，并提出了一种求解该问题的改进遗传算法。以尽可能。