集装箱船全航线配载智能优化研究

论文摘要

集装箱运输具有“快速、安全、质优、价廉”的优势,在世界范围内得到了飞速发展,已成为世界各国交通运输现代化的重要标志及保证国际贸易的最优运输方式.配载是集装箱运输过程的一个核心环节,目的是寻求一种在满足既定约束条件下倒箱最少、作业高效的装载方案,是集装箱码头作业规划的重要组成部分.配载的优劣直接关系到集装箱海上运输的安全性和经济性,如何在众多可行的方案中寻求一种相对最优的配载方案,以保证船舶安全、降低运输成本、提高营运效率和市场竞争力,是航运业致力追求的主要目标之一。 由于配载问题是带有复杂约束的多目标组合优化问题,随着船舶载箱量增加和挂靠港口数量增多,问题的规模变得十分庞大,问题的解决也变得更为复杂.国内外许多专家在此领域作了许多有益的探索,也提出了许多解决问题的方法,但到目前为止,还鲜有解决配载问题的完整模型.作者在深入集装箱码头调研及查阅大量文献资料的基础上,探讨了集装箱船配载的特点、要求、过程及问题的复杂性,以集装箱船全航线配载研究为主线,使用智能优化算法与技术,对全航线配载及其相关问题进行研究,提出了求解配载问题的一些新方法。 大多数船在一个航次中要挂靠多个港口,编制配载计划时,要有全航线的整体观念,要对船舶在整个航线的挂港顺序和各港的箱源情况进行综合考虑,所以在一个码头配载时,必须考虑其对后续港口装卸的影响。由于在制订当前码头配载规划时,后续港口箱量信息还不能确定,给当前码头配载规划带来困难。为了解决这个问题,本文提出利用预测模型预测后续港口的箱量信息,为船舶全航线配载提供数据支持,在此基础上建立全航线预配和Bay位排箱优化模型,使用配载评价模型对配载方案进行综合评价及优选。 首先应用支持向量机理论建立了后续港口箱量信息预测模型。分析影响航次箱量的因素,建立全航线航次箱量预测指标体系,对后续港口的箱量信息进行预测。SVM模型适用于小样本、高维预测问题,具有较强的适应性及泛化能力,为集装箱船航次箱量这样一个小样本、多影响因素预测问题提供了一种新的有效方法。 建模是系统优化的基础,由于配载问题的复杂性,单纯使用一种方法无法很好地满足系统建模要求。本文在对问题分析的基础上,将配载问题分解为预配和Bay位排箱两个子问题,分别建立子问题的优化模型,并构造相应的算法,然后再组合成为原问题的解,可降低问题求解难度和时间复杂度。 预配主要是将装载港的集装箱按类型、尺寸及目的港组成同类箱组,以同类箱组为处理单元,依据一定的优化目标将其分配到船舶不同Bay位上。预配阶段以全航线倒箱数量

论文目录

• 摘要
• Abstract
• 插图和附表清单
• 1 绪论
• 1.1 论文选题依据、研究背景及意义
• 1.1.1 选题依据
• 1.1.2 研究背景和问题的提出
• 1.1.3 研究集装箱配载问题的重要性
• 1.1.4 研究集装箱配载问题的必要性
• 1.1.5 集装箱配载问题的复杂性
• 1.2 相关领域国外研究现状
• 1.2.1 概率模拟方法
• 1.2.2 启发式方法
• 1.2.3 数学规划法
• 1.2.4 决策支持系统
• 1.2.5 配载专家系统
• 1.2.6 模拟进化算法
• 1.3 配载问题国内研究概况
• 1.4 配载研究中存在的主要问题
• 1.5 论文主要研究内容及安排
• 1.5.1 总体研究思路
• 1.5.2 论文内容及各章组织结构
• 1.5.3 论文研究流程
• 1.6 本章小结
• 2 集装箱运输及与配载问题相关的概念
• 2.1 集装箱的概念及分类方法
• 2.2 集装箱船种类及结构特点
• 2.2.1 集装箱船种类
• 2.2.2 集装箱船结构特点
• 2.3 船舶坐标系及船上箱位表示
• 2.3.1 船舶坐标系
• 2.3.2 集装箱船箱位表示方法
• 2.4 集装箱出口作业流程及阶段划分
• 2.4.1 集装箱出口作业流程简介
• 2.4.2 集装箱出口作业流程阶段划分
• 2.5 集装箱船配载过程
• 2.5.1 配载的概念
• 2.5.2 人工配载过程简介
• 2.5.3 配载图制订过程简介
• 2.5.4 预配原则
• 2.5.5 集装箱船的实配
• 2.6 倒箱及倒箱产生的原因
• 2.6.1 倒箱
• 2.6.2 倒箱产生原因
• 2.6.3 倒箱代价定性计算
• 2.7 本章小结
• 3 集装箱船航次箱量预测模型
• 3.1 集装箱船航次箱量预测的概念及预测模型的选择
• 3.1.1 航次箱量预测的概念
• 3.1.2 预测模型的选择
• 3.2 SVM的基本原理与算法
• 3.2.1 最优超平面
• 3.2.2 SVM
• 3.3 SVM回归模型及算法
• 3.3.1 SVM回归模型
• 3.3.2 SVM回归的优化算法
• 3.4 基于SVM的集装箱船航次箱量预测模型
• 3.4.1 集装箱航船航次箱量预测的指标体系
• 3.4.2 预测实例及预测结果分析
• 3.5 本章小结
• 4 集装箱船配载问题分析及相关理论与算法
• 4.1 集装箱船配载问题复杂性
• 4.2 影响配载的因素
• 4.3 配载问题的目标函数
• 4.4 配载问题约束条件分析
• 4.4.1 与集装箱有关的约束条件
• 4.4.2 与船舶稳性相关的约束条件
• 4.4.3 与强度相关的约束条件
• 4.5 集装箱船结构描述及集装箱属性分类树
• 4.5.1 集装箱船结构分解
• 4.5.2 集装箱及集装箱多属性分类树
• 4.6 配载问题求解策略
• 4.6.1 预配
• 4.6.2 Bay位排箱
• 4.6.3 集装箱配载问题的启发式规则
• 4.7 配载问题相关优化理论与算法综述
• 4.7.1 组合优化与计算复杂性
• 4.7.2 启发式算法
• 4.7.3 禁忌搜索算法
• 4.7.4 布局问题概述
• 4.7.5 装箱问题及算法
• 4.8 本章小结
• 5 集装箱船全航线预配优化模型与算法研究
• 5.1 基本概念及定义
• 5.1.1 船舶坐标系定义
• 5.1.2 同类箱组
• 5.1.3 装箱矩阵
• 5.1.4 等截面Bay位、主截面Bay位
• 5.2 预配优化模型的假设条件
• 5.3 预配优化数学模型
• 5.3.1 设计变量及参数
• 5.3.2 目标函数
• 5.3.3 约束条件
• 5.3.4 预配阶段数学模型的特点及求解策略
• 5.4 多目标优化函数的处理
• 5.5 基于“超尺寸物品装箱算法”的集装箱船预配启发式算法
• 5.5.1 基本思路
• 5.5.2 算法设计
• 5.6 实例模拟与结果分析
• 5.7 本章小结
• 6 集装箱船Bay位排箱优化模型与算法研究
• 6.1 Bay位排箱优化模型分类
• 6.2 Bay位坐标系定义及Bay位中箱位描述
• 6.2.1 船舶坐标系定义
• 6.2.2 Bay位中箱位描述
• 6.3 单一目的港Bay位排箱优化研究
• 6.3.1 问题的表述及优化策略
• 6.3.2 指派问题的描述及模型
• 6.3.3 单一目的港Bay位排箱与指派问题的联系
• 6.3.4 Bay位多目标排箱优化模型
• 6.3.5 基于禁忌搜索算法的Bay位排箱优化研究
• 6.3.6 Bay位排箱优化模拟实例及结果分析
• 6.4 混合目的港Bay位排箱优化研究
• 6.4.1 问题的描述
• 6.4.2 建立数学模型的假设条件
• 6.4.3 数学模型的建立
• 6.4.4 集装箱船全航线Mixed-Bay排箱算法
• 6.4.5 配载模拟实例及结果分析
• 6.5 本章小结
• 7 集装箱船配载方案综合评价研究
• 7.1 基于粗集数据分析的集装箱船配载方案综合评价
• 7.1.1 粗集数据分析
• 7.1.2 多目标多层次决策系统模糊优选模型
• 7.1.3 模型有效性验证-船型方案多目标模糊优选
• 7.1.4 配载方案综合评价指标体系
• 7.1.5 配载方案多目标综合评价层次结构模型
• 7.1.6 配载方案的多目标多层次模糊综合评价实例
• 7.2 配载方案评价的Hopfield神经网络模型
• 7.2.1 Hopfield神经网络模型与算法
• 7.2.2 配载方案评价模型
• 7.2.3 Hopfield网络在集装箱船配载方案评价中的应用
• 7.2.4 本章小结
• 8 出口集装箱堆场取箱作业优化模型研究
• 8.1 堆场作业管理方式
• 8.2 门式起重机取箱作业特点
• 8.3 门式起重机小车取箱作业优化模型
• 8.3.1 Bay位坐标系定义
• 8.3.2 基本假设
• 8.3.3 优化模型
• 8.4 基于Kurskal最小生成树取箱作业启发式优化算法
• 8.4.1 Kurskal最小生成树算法
• 8.4.2 基于Kruskal最小生成树取箱作业启发式算法步骤
• 8.5 实例模拟与优化结果分析
• 8.6 本章小结
• 9 结论与展望
• 9.1 研究工作回顾及结论
• 9.2 展望
• 参考文献
• 攻读博士学位期间发表学术论文情况
• 攻读博士学位期间参与科研项目情况
• 创新点摘要
• 致谢
• 大连理工大学学位论文版权使用授权书