本技术属于船舶作业，尤其涉及一种干散货港口装船作业调度方法。
背景技术：
1、干散货港口作为海运贸易的重要中转站，其作业效率直接影响着干散货的运输水平。随着智慧化港口理念的逐渐推广，干散货港口也已向信息化、数字化、智能化转型，因此，在码头硬件资源条件有限的前提下，如何合理调度现有泊位和设备资源，以实现干散货的高效运输成为核心问题。目前，很多港口的装船作业调度方案和泊位分配方案是由调度员根据他们的经验来制定的，当预报进港的船舶数量增加时，调度员的经验往往具有很大的局限性，不能有效的将装船作业调度分配和泊位分配协同起来，容易造成因为冲突从而延长船舶的作业时间，进而影响整个港口的作业效率。
2、数学模型由于其客观性不会被调度员个人的实践经验所局限而被应用于干散货港口作业研究中，现有的研究主要集中在堆场和泊位分配以及两者的协同研究方面；基于堆场的研究，主要分析取料作业流程，建立取料机作业模型，并设计算法进行求解，但该模型没有考虑装船机约束；基于泊位的研究，考虑船舶预报进港时间和船舶物理条件，计算船舶进港时间和停泊位置，没有将装船机和取料机的作业效率以及冲突考虑进去。然而，装船机和取料机在港口的作业流程有着复杂的工艺和流程冲突，会影响船舶的离港时间，并进一步影响下一艘船舶的进港时间。面向智慧化的港口调度作为一个整体，考虑的因素是否完全紧密影响着港口的作业效率，上述技术难以直接应用在复杂的大型港口场景。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种干散货港口装船作业调度方法，通过将泊位分配和装船方案制定结合起来，并同时考虑装船机和取料机的作业冲突问题，以建立泊位-装船设备协同调度模型，实现缩短所有船舶的装船作业完成时间，为每艘船舶分配合理的泊位、取料机、装船机等资源的目的，以提高港口的整体作业效率。
2、本技术提供了一种干散货港口装船作业调度方法，所述调度方法，包括：
3、以船舶总在港时间最小为目标函数建立泊位-装船设备协同调度模型；所述泊位-装船设备协同调度模型的约束条件包括：泊位分配约束、取料机分配约束、泊位-装船机分配约束、取料机行走时间约束、装船机行走时间约束、装船作业完成时间约束、船舶作业时间和离港时间约束；
4、获取数据集；所述数据集包括：泊位基本数据、装船机信息、取料机信息、来港船舶基本信息和船舶装舱信息；
5、使用所述数据集，利用离散优化算法求解所述泊位-装船设备协同调度模型，以获得各泊位和装船设备的调度方案。
6、进一步的，所述泊位-装船设备协同调度模型的假设条件如下：
7、(1)每台取料机连续执行同一船舶的取料任务；
8、(2)船舶的需求和船舶的装舱顺序已知；
9、(3)船舶装船作业完成后则立即申请离港；
10、(4)取料机的作业效率和皮带运输机的运输效率均已知；
11、(5)不考虑装船设备的故障；
12、(6)不考虑多台取料机的配料作业；
13、(7)不考虑多台装船机的联机作业。
14、进一步的，所述使用所述数据集，利用离散优化算法求解所述泊位-装船设备协同调度模型，以获得各泊位和装船机的调度方案，包括：
15、s1、初始化参数设置；所述参数包括：种群数量n、最大迭代次数maxt和迁徙系数m；
16、s2、根据装船作业流程，利用三层实数编码方式，生成初始种群；
17、s3、计算当前种群中每个个体的适应度值f；
18、s4、判断当前迭代次数t是否达到最大迭代次数maxt；
19、若当前迭代次数t未达到最大迭代次数maxt，则执行步骤s5；
20、若当前迭代次数t达到最大迭代次数maxt，则执行步骤s8；
21、s5、利用人工蜂鸟优化算法，更新当前种群中的个体位置；
22、s6、判断当前迭代次数t是否达到迁徙系数m；
23、若当前迭代次数t达到迁徙系数m，则执行步骤s7；
24、s7、利用迁徙觅食的方式，将当前种群中适应度值f最小的个体xworst随机化到新的个体，以纠正个体位置，并执行步骤s3；
25、若当前迭代次数t未达到迁徙系数m，则执行步骤s3；
26、s8、输出当前种群的全局最优个体位置和最优适应度值f。
27、进一步的，利用三层实数编码方式，生成初始种群，包括：
28、分别对泊位、装船机和取料机进行编号；
29、针对每一个船舶，随机分配泊位、装船机和取料机，以生成该船舶的多个调度方案，并分别利用泊位编号、装船机编号和取料机编号表征该船舶的每一个调度方案；
30、利用所有船舶分别对应的一个调度方案共同表征初始种群中任一个体的位置，以生成初始种群。
31、进一步的，所述适应度值为目标函数值；通过以下公式计算种群中每个个体的适应度值f：
32、
33、式中，f为目标函数值，即适应度值；tei为船舶i的结束作业时刻；tii为船舶i的计划进港时刻。
34、进一步的，所述利用人工蜂鸟算法，更新当前种群中的个体位置，包括：
35、s5a、判断随机数rand是否大于0.5；
36、若随机数rand大于0.5，则执行步骤s5b、利用以下公式计算动态调节函数p：
37、
38、s5b、判断随机数rand是否大于动态调节函数p；
39、当随机数rand大于动态调节函数p时，则执行步骤s5c、利用如下式所示的第一种引导觅食方式更新当前种群中的个体位置：
40、xnew＝cross(xtarget,xi)
41、式中，xnew为个体的更新位置，即新基因，xtarget为目标个体的位置，即目标基因，xi为个体的原始位置，即原基因；
42、所述第一种引导觅食方式是指：从目标基因xtarget中随机选择d个点位，其中d为方向向量，嵌入到新基因xnew中的相应点位，新基因xnew的其余点位由原基因xi中的序列一一补全；
43、当随机数rand不大于动态调节函数p时，则执行步骤s5d、利用如下式所示的第二种引导觅食方式更新当前种群中的个体位置：
44、xnew＝cross(xtarget,xi,xpbest,xgbest)
45、式中，xpbest为当前最优个体，xgbest为全局最优个体；
46、所述第二种引导觅食方式是指：利用全局最优个体和当前最优个体进行飞行引导，各列分别按照所述第一种引导觅食方式由xtarget，xpbest和xgbest进行引导生成新基因xnew；
47、若随机数rand不大于0.5，则执行步骤s5e、利用如下式所示的区域觅食的方式更新当前种群中的个体位置：
48、xnew＝reverse(xi)
49、所述区域觅食是指：在原基因xi上随机选择d个点位，并把选择的点位进行逆序排列，再依次插入到原基因xi中组成新基因xnew。
50、进一步的，在利用人工蜂鸟优化算法，更新当前种群中的个体位置后，还包括：利用以下方式对更新后的个体进行检测与修复：
51、针对每一艘船舶，按照以下方式依次对该船舶进行检测和修复：
52、检查船舶的靠泊位置是否超出泊位取值范围，若船舶的靠泊位置超出泊位取值范围，则在泊位取值范围内随机产生一个泊位；
53、检查泊位的靠泊能力是否满足相应停靠船舶，若泊位的靠泊能力不满足相应停靠船舶，则在满足船舶和泊位可达性矩阵约束下随机产生一个泊位；
54、检查两艘船舶分配同一泊位在某一时间段是否发生重叠，若两艘船舶分配同一泊位在某一时间段发生重叠，则根据先到先占用原则和泊位分配约束，为该船舶重新分配泊位，如果没有找到合适的泊位，则推迟靠泊时间，直到找到可行泊位为止；
55、检查装船机分配是否满足泊位-装船机可达性约束以及装船机之间是否存在交叉作业冲突，若装船机分配不满足泊位-装船机可达性约束，或者，装船机之间存在交叉作业冲突，则为该船舶重新分配装船机，如果没有找到合适的装船机，则推迟装船机开始作业时间，直到找到可行装船机为止；
56、检查取料机分配是否满足取料机-堆场可达性约束以及取料机之间的是否存在交叉作业冲突或者碰撞作业冲突，若取料机分配不满足取料机-堆场可达性约束，或者，取料机之间存在交叉作业冲突，或者，取料机之间存在碰撞作业冲突，则为该船舶重新分配取料机，如果没有找到合适的取料机，则推迟取料机开始作业时间，直到找到可行取料机为止。
57、本技术提供的干散货港口装船作业调度方法，通过将泊位分配和装船方案制定结合起来，并同时考虑装船机和取料机的作业冲突问题，以建立泊位-装船设备协同调度模型，实现缩短所有船舶的装船作业完成时间，为每艘船舶分配合理的泊位、取料机、装船机等资源的目的，以提高港口的整体作业效率。
1.一种干散货港口装船作业调度方法，其特征在于，所述调度方法，包括：
2.如权利要求1所述的方法，其特征在于，所述泊位-装船设备协同调度模型的假设条件如下：
3.如权利要求1所述的方法，其特征在于，所述使用所述数据集，利用离散优化算法求解所述泊位-装船设备协同调度模型，以获得各泊位和装船机的调度方案，包括：
4.如权利要求3所述的方法，其特征在于，所述根据装船作业流程，利用三层实数编码方式，生成初始种群，包括：
5.如权利要求3所述的方法，其特征在于，所述适应度值为目标函数值；通过以下公式计算种群中每个个体的适应度值f：
6.如权利要求3所述的方法，其特征在于，所述利用人工蜂鸟算法，更新当前种群中的个体位置，包括：
7.如权利要求3所述的方法，其特征在于，在利用人工蜂鸟优化算法，更新当前种群中的个体位置后，还包括：利用以下方式对更新后的个体进行检测与修复：
