集装箱码头堆场空间资源智能分配法实施方案及效果

<正>随着智能制造时代的来临,国内传统集装箱码头掀起智能化转型的浪潮,从而对码头生产作业提出全新要求。集装箱码头堆场空间资源分配决定集装箱的堆存状态,并且直接影响码头作业效率,是码头生产作业组织和管理的核心问题之一,也是传统集装箱码头在智能化转型过程中的关键技术环节。本文针对传统集装箱码头堆场空间资源两阶段分配法存在的不足之处,提出应用集装箱码头堆场     

增强学习算法在集装箱船舶配载问题上的应用

正集装箱船舶配载是集装箱码头生产作业的重要环节之一,其直接影响码头整体装卸作业效率。目前,我国集装箱码头主要采用传统在线搜索算法解决集装箱船舶配载问题,但此类方法在求解大规模算例时效率较低。为此,本文采用增强学习算法,将大量耗时计算前置到线下训练阶段,实际配载时则利用训练好的网络直接求解,从而提高求解效率。具体思路如下:首先,分析集装箱船舶配载问题的     

考虑一致性约束的车辆路径问题综述

车辆路径问题是物流和交通运输领域的研究热点.近年来,为应对激烈的市场竞争,越来越多的企业开始关注如何在降低成本的同时保证服务效率和服务质量.实践表明提高车辆路径方案的一致性不仅可以提高服务效率,还能显著提高客户满意度.因此,考虑一致性约束的车辆路径问题(又称一致性车辆路径问题)应运而生.一致性车辆路径问题是相对较新的车辆路径问题变种,相关成果具有重要的实践和学术价值.随着多样化一致性约束的提出以及相关数学模型和优化方法的迭代更新,目前针对一致性车辆路径问题已有一定数量的研究积累.本文从车辆路径问题的分类、一致性车辆路径问题的背景介绍、模型、求解算法等方面对该问题进行了综述.在一致性车辆路径问题中,一致性约束主要有时间一致性、人员一致性和路线一致性要求.时间一致性和人员一致性约束较为常见,路线一致性约束则相对更为新颖.一致性车辆路径问题的求解方法以启发式算法为主,尤其是大、中型实例(时间周期5d,客户数量50以上)的求解;而部分精确式算法对中小型实例(时间周期3～5d,客户数量50及以下)也展现了良好的性能.