本发明涉及码头泊位和岸桥分配，具体涉及一种海洋石油基地码头前场作业的多目标泊位-岸桥分配的方法与系统。
背景技术：
1、对于船舶装卸计划和船舶货物分类的相关研究，大部分方案都聚焦于集装箱码头，少部分聚焦于散货码头。参见公开号为cn113326999a的发明专利公开的基于港口泊位资源的船舶调度方法和系统，公开号为cn112396216a的发明专利公开的一种基于船舶动态信息的港口规划大数据处理方法及系统，公开号为cn112016730a的发明专利公开的港口泊位装卸效率挖掘方法、装置、设备和储存介质，公开号为cn111754041a的发明专利公开的一种港口泊位分配方法，公开号为cn116502866a的发明专利公开的一种智能散货船舶计划和自动分类方法等等技术方案。由上可知，现有技术的多数方案仅聚焦于船舶调度与泊位分配，以及对船舶的调度规划与泊位分配的动态匹配，并没有考虑岸桥的分配使用。
2、海洋石油基地码头属于散杂货码头，其泊位具有不同的作业属性，如装船、卸船、加油、加水、加电、输灰和输浆等。这些作业属性所包含的货物在体积、重量、形状和特性上都存在差异，需要采用不同的装卸方法和设备进行处理。同时，船舶具有不同作业属性，泊位也有相应的作业属性，某些作业能够同时进行，如装船和加水，某些作业不能同时进行，如装船和卸船，进一步加大了船舶泊位和岸桥分配的难度。现阶段，针对复杂作业属性的海洋石油基地码头，仍旧依靠人工经验实现泊位-岸桥调度，导致码头运营效率十分底下。
3、现有技术中，公开号为cn116993104a的发明专利公开了一种集装箱码头泊位与岸桥分配的通用性优化方法及应用，其包括s1、构建集装箱码头岸桥和泊位的分配优化数学模型；s2、根据s1中的分配优化数学模型构建可行解；s3、根据优化目标及其形式，选择进化算法在可行解中求出最优解；s4、终止条件判断，得到最终的最优泊位、岸桥分配方案。
4、另一篇公开号为cn116882665a的发明专利，公开了一种基于多目标优化的岸桥-avg联合调度方法，包括步骤一、获取港口数据，并设计港口岸桥-agv联合调度的假设条件，步骤二、基于联合调度的假设条件构建多目标优化模型，所述多目标优化模型包括调度目标函数和约束条件，步骤三、设计多目标优化算法，并对多目标优化算法进行改进，根据改进的多目标优化算法对调度目标函数进行计算，获取计算结果，根据计算结果对岸桥和avg进行调度。
5、另一篇公开号为cn108256769a的发明专利，公开了基于nsga-ii改进的场桥调度方法，该方法在nsga-ii的基础上主要对拥挤度计算方法和精英范围的控制进行了改进，引入包含个体更多信息的拥挤度计算方法和精英范围得到了改进的nsga-ii算法。然后将改进的nsga-ii算法应用到集装箱堆场场桥调度中，能够减少堆场集装箱作业完成时间和场桥转场时间。
6、其中，上述现有技术中，虽然提出了，新的调度模型，但是其仍然无法适应于具有复杂作业属性的海洋石油基地码头。
技术实现思路
1、在下文中给出了关于本发明实施例的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，以下概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
2、根据本技术的一个方面，提供一种多目标泊位-岸桥分配方法，包括：
3、步骤一：根据码头数据设计相应的假设条件，并根据假设条件构建多目标泊位-岸桥调度模型，所述多目标泊位-岸桥调度模型包括多个目标函数和约束条件；
4、步骤二：采用改进的nsga-ⅱ算法对多个目标函数进行计算，得到计算结果，并根据计算结果实现泊位-岸桥调度。
5、进一步的，所述假设条件包括以下假设的任意组合：
6、假设1：船舶预计到港时间、预计离港时间和船舶作业计划已知；
7、假设2：各项作业速率已知且稳定；
8、假设3：泊位为离散型，一个泊位每个时刻仅能停靠一艘船，并且不考虑船舶长度；
9、假设4：船舶每个时刻最多被一架岸桥服务；
10、假设5：岸桥不能同时进行装载作业和卸载作业；
11、假设6：船舶各项作业有且仅有一个泊位完成，装卸作业由且仅由一架岸桥完成；
12、假设7：各泊位的水深能满足任何船舶靠泊的要求；
13、假设8：岸桥的承重极限能够满足船舶的装载作业和卸载作业。
14、进一步的，所述多目标泊位-岸桥调度模型的目标函数包括船舶总延迟时间最小的目标函数1、员工总加班时间最小的目标函数2以及资源利用平衡性最大的目标函数3；
15、其中，目标函数1记为z1,表示为：
16、
17、b为所有船舶集合，其索引为i；为船舶i的预计离港时间，为船舶i的结束作业时间；
18、目标函数2记为z2,表示为：
19、
20、
21、其中，s为作业集合，索引为b，s＝{卸载，装载，加油，加电，加水，输灰，输浆}＝{1,2,3,4,5,6,7}；为船舶i作业b的开始时，为船舶i作业b的结束时间；表示船舶i作业b的员工加班时间；
22、目标函数3记为z3,表示为：
23、
24、其中，h为所有泊位集合，索引j；为0-1变量，若船舶i停靠泊位j进行作业b为1，否则为0；为0-1变量，若船舶i作业b使用岸桥a为1，否则为0；k为所有岸桥集合，索引为a。
25、目标函数2中，每个泊位具有不同的属性，属性包括卸载、装载、加油、加电等，不同于传统的社会码头，所需要的员工类型不同。与现有技术不同的是，本发明构建的是考虑泊位作业属性的多目标决策模型，在本领域是属于独创的。
26、目标函数3中，由于泊位具有不同的作业属性，因而在考虑泊位与岸桥的调配过程中，需要将泊位的作业属性纳入考虑中，故设计了目标函数3。
27、进一步的，所述约束条件包括以下约束的任意组合：
28、约束(1)：船舶i的作业b只能在1个泊位上被服务1次；
29、约束(2)：若船舶i存在装载作业或卸载作业，则装载作业或卸载作业只能被一架岸桥服务1次；
30、约束(3)：卸载作业和装载作业的优先级关系，即每艘船的卸载作业需要优先于装载作业；
31、约束(4)：加油作业的互斥关系，即加油作业不能与其他作业同时进行；
32、约束(5)：泊位时间维度约束，即一个泊位不能同时服务两艘船；
33、约束(6)：岸桥时间维度约束，即一个岸桥在不能同时服务两艘船；
34、约束(7)：船舶作业开始时间与结束时间关系，即作业结束时间等于作业开始时间加上作业时间和作业准备时间，作业时间为作业量除以作业速率；
35、约束(8)：船舶时间维度约束，即船舶作业开始时间需要晚于船舶到港时间和码头一天工作开始时间；
36、约束(9)：移泊变量联系约束；
37、约束(10)：移泊约束，即上一个作业时间加移泊时间小于下一个作业开始时间(满足两个作业在不同的泊位)；
38、约束(11)：船舶时间对应关系约束，即船舶i最早作业时间小于等于船舶i作业b开始时间；
39、约束(12)：船舶时间对应关系约束，即船舶i结束作业时间大于等于船舶i作业b结束时间；
40、约束(13)：布尔变量对应关系约束，若t时刻船舶i停靠泊位j进行作业b为1，否则为0；
41、约束(14)：布尔变量对应关系约束，若t时刻船舶i作业b使用岸桥a为1，否则为0；
42、约束(15)：决策变量取值范围约束。
43、上述约束是针对非标领域码头，经过大量的调研确认获得的约束，其与社会码头不同。约束和目标函数都及泊位的作业属性。
44、约束4是出于安全性的考虑，加油涉及到可燃物运输与作业，不能够与其他作业同时进行。
45、约束9的设计是：由于泊位具有属性，因此在移泊过程中需要考虑泊位的作业属性。
46、进一步的，所述约束条件具体表示如下：
47、约束(1)：约束(2)：约束(3)：约束(4)：约束(5)：约束(6)：约束(7)：约束(8)：约束(9)：约束(10)：
48、
49、约束(11)：约束(12)：约束(13)：约束(14)：约束(15)：
50、
51、
52、上表为各参数变量的说明。
53、本发明对于海洋石油基地码头的泊位-岸桥调度问题，通过上述方案构建一个考虑泊位作业属性的多目标泊位-岸桥可持续调度优化混合整数规划模型，同时，考虑到其求解的问题是np-难问题，其十分难以求解，因此，本技术创新性地设计了一个改进的non-dominated sorting genetic algorithm-ii(nsga-ⅱ)，以此高效地求解考虑泊位作业属性的多目标泊位-岸桥可持续调度优化问题。具体的，改进的nsga-ⅱ算法包括如下步骤：
54、步骤1：对船舶作业使用的泊位和岸桥进行编码，生成初始化种群；
55、步骤2：对初始化种群进行非支配快速排序和拥挤度计算；
56、步骤3：依据排序等级和拥挤度进行锦标赛选择，选出适合繁殖的父代；
57、步骤4：基于自适应参数动态调整交叉和变异概率，并通过交叉和变异产生子代；
58、步骤5：合并父代和子代种群，生成个数为2n的新种群，对其进行快速非支配排序；
59、步骤6：基于步骤5的排序结果，保留前n个体组成新种群；
60、步骤7：返回步骤3，直到满足设定的结束条件。
61、进一步的，步骤4中基于自适应参数动态调整交叉概率和变异概率，并通过交叉和变异产生子代，其中，自适应地调整交叉概率具体包括：
62、计算父代个体的第j个目标的适应度最小值最大值和平均值个体的适应度等于个体目标的倒数；
63、计算自适应交叉概率；预先设定算法的自适应参数pc1、pc2和pc3，第i个个体的第j个目标的适应度值表示为g(i,j)；
64、如果则表示个体的第j个目标适应度值低于种群的平均适应度值，这时交叉概率pc(i,j)取决于pc1和pc2，具体如公式(1)所示：
65、
66、如果则表示个体的第j个目标适应度值不低于种群的平均适应度值，这时交叉概率pc(i,j)取决于pc2和pc3，具体如公式(2)所示：
67、
68、根据公式(1)和(2)，本技术设定个体的交叉概率为所有目标下交叉概率的平均值，如公式(3)所示：
69、
70、其中，pc(i)为个体i在的交叉概率，pc(i，j)为个体i在目标j下的交叉概率，m为个体i的目标数。
71、对于交配池中相邻的两个个体，结合自适应交叉概率，随机选取一个交叉点进行交叉操作，将两个父代个体在交叉点处分成两段，交换两个父代个体前后的基因，最后将这两段拼接形成两个新子代个体。
72、进一步的，步骤4中，自适应参数动态调整变异概率具体是：
73、根据变异概率，对个体的第一段染色体进行修改，将船舶c在作业a和b上的泊位位置随机分别修改为集合hb中的某个值；
74、根据变异概率，对个体的第二段染色体进行修改，将船舶c在作业a和b上的岸桥位置随机修改为岸桥集合k中的某个值。
75、更进一步的，步骤4中，自适应参数动态调整变异概率具体包括：
76、预先设置自适应变异参数pm1、pm2和pm3；
77、如果则表示个体的第j个目标适应度值低于种群的平均适应度值，这时变异概率pm(i,j)取决于pm1和pm2，具体如公式(4)所示：
78、
79、如果则表示个体的第j个目标适应度值不低于种群的平均适应度值，这时变异率pm(i,j)取决于pm1和pm2，具体如公式(5)所示：
80、
81、
82、其中，pm(i)为个体i在的变异概率，pm(i,j)为个体i在目标j下的变异概率，m为个体i的目标数。
83、根据公式(4)和(5)，得到个体的变异概率为所有目标下变异概率的平均值，如公式(6)所示。
84、相较于传统的nsga-ⅱ算法中交叉和变异操作概率固定，无法适应不同问题的特征和种群的状态的问题。本发明的改进的nsga-ⅱ算法方案引入自适应参数，以此动态调整交叉和变异操作的概率，促进算法灵活性和有效性，保证求解结果贴近最优解。
85、根据本技术的另一方面，提供一种多目标泊位-岸桥分配系统，包括：
86、多目标泊位-岸桥调度模型构造模块：用于根据码头数据设计相应的假设条件，并根据假设条件构建多目标泊位-岸桥调度模型，所述多目标泊位-岸桥调度模型包括多个目标函数和约束条件；
87、泊位-岸桥调度实现模块，用于采用改进的nsga-ⅱ算法对多个目标函数进行计算，得到计算结果，并根据计算结果实现泊位-岸桥调度。
88、本发明采用上述方案，与现有技术相比，具有如下优点：
89、1、在研究码头的泊位-岸桥可持续调度时，充分考虑泊位的作业属性，进一步考虑其引申出的船舶移泊、船舶作业优先级关系和船舶作业互斥关系等现实因素。这些现实属性和因素的考虑为海洋石油后勤保障供应链网络中后勤保障物流码头的泊位-岸桥调度场景的运营可实践性和可操作性提供了重要参考。
90、2、船舶先到先服务策略能有效降低员工加班时间；船舶离港时间越早先服务策略能有效降低船舶延迟离港风险；作业准备时间的缩短能有效提升码头的可持续运营，为码头管理者和决策者进行海洋石油后勤保障供应链网络后勤保障物流码头近海端的泊位-岸桥调度运营时提供重要的管理启示和决策工具。
91、3、针对码头泊位-岸桥调度设计了一个改进nsga-ⅱ算法，其能有效缓解码头服务拥堵问题以及减少员工的加班时间，进而提升码头的可持续运营。因此，该算法为码头管理者和决策者进行可持续决策提供了重要决策工具。
92、实施结果表明，改进nsga-ⅱ算法能快速获得pareto最优解集，并且具有良好的收敛性。同时，改进nsga-ⅱ算法求解得到的方案明显优于现有技术方案；面对不同规模的数据集时，改进nsga-ⅱ算法相比于其他多目标算法，能获得更高质量的解。
1.一种多目标泊位-岸桥分配方法，其特征在于：包括：
2.根据权利要求1所述的多目标泊位-岸桥分配方法，其特征在于：
3.根据权利要求1所述的多目标泊位-岸桥分配方法，其特征在于：所述步骤二中，改进的nsga-ⅱ算法包括如下步骤：
4.根据权利要求3所述的多目标泊位-岸桥分配方法，其特征在于：步骤4中，自适应地调整交叉概率具体包括：
5.根据权利要求4所述的多目标泊位-岸桥分配方法，其特征在于：步骤4中，自适应参数动态调整变异概率具体是：
6.根据权利要求5所述的多目标泊位-岸桥分配方法，其特征在于：步骤4中，自适应参数动态调整变异概率具体包括：
7.一种多目标泊位-岸桥分配系统，用于实现如权利要求1-6任一所述的多目标泊位-岸桥分配方法，包括：
