集裝箱卡車(chē)（簡(jiǎn)稱集卡）是港口調(diào)度裝卸作業(yè)過(guò)程中的重要設(shè)施,是港口作業(yè)調(diào)度的重要組成部分,對(duì)港口的裝卸效率具有重要的影響。傳統(tǒng)的集卡裝卸作業(yè)按靜態(tài)的裝卸計(jì)劃,以固定作業(yè)線的方式進(jìn)行,這種方式導(dǎo)致作業(yè)效率不高,集卡利用效率低下。在港口裝卸作業(yè)調(diào)度中,實(shí)現(xiàn)全港實(shí)時(shí)的集卡調(diào)度是提升作業(yè)效率的重要手段。本文以提升集卡作業(yè)效率為出發(fā)點(diǎn),面向全港動(dòng)態(tài)實(shí)時(shí)的集卡調(diào)度開(kāi)展相關(guān)的研究,對(duì)提高港口的綜合競(jìng)爭(zhēng)力具有非常重要的現(xiàn)實(shí)意義及應(yīng)用價(jià)值。首先,通過(guò)對(duì)現(xiàn)有港口集卡調(diào)度特點(diǎn)的分析與總結(jié),明確了動(dòng)態(tài)實(shí)時(shí)集卡調(diào)度要實(shí)現(xiàn)的功能和解決的問(wèn)題,以“重來(lái)重去”（即穿梭于岸邊--泊位之間實(shí)施裝卸作業(yè)的集卡都裝載集裝箱）為目標(biāo),引入多Agent系統(tǒng)設(shè)計(jì)思想,結(jié)合蟻群算法,提出了一種分布式并行集卡調(diào)度算法模型。其次,根據(jù)其作業(yè)的特點(diǎn)設(shè)計(jì)了多Agent系統(tǒng)之間的框架模型和問(wèn)題模型,其中在Agent的功能設(shè)計(jì)時(shí),為了達(dá)到并行計(jì)算的目的將智能算法拆分并放到多Agent體的智能模塊中,通過(guò)Agent之間的信息協(xié)同實(shí)現(xiàn)智能算法的優(yōu)化求解,這種利用多Agent并行計(jì)算方式來(lái)實(shí)現(xiàn)調(diào)度作業(yè),極大地提高了運(yùn)行處理效率,從而可以提高集卡調(diào)度的實(shí)... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 論文技術(shù)路線和內(nèi)容
2 相關(guān)技術(shù)及算法
    2.1 集卡相關(guān)理論概述
        2.1.1 集卡作業(yè)流程概述
        2.1.2 VRP概述
        2.1.3 動(dòng)態(tài)實(shí)時(shí)調(diào)度
    2.2 多Agent的相關(guān)技術(shù)
        2.2.1 Agent與多Agent系統(tǒng)
        2.2.2 多Agent之間的通信方式
    2.3 常見(jiàn)智能優(yōu)化算法
        2.3.1 模擬退火算法
        2.3.2 禁忌搜索算法
        2.3.3 蟻群算法
        2.3.4 粒子群優(yōu)化算法
        2.3.5 遺傳算法
    2.4 智能優(yōu)化算法的選擇
    2.5 本章小結(jié)
3 基于多Agent的集卡調(diào)度框架功能設(shè)計(jì)
    3.1 智能模型設(shè)計(jì)
        3.1.1 問(wèn)題描述
        3.1.2 模型假設(shè)與參數(shù)定義
        3.1.3 模型的構(gòu)造
        3.1.4 模型的求解
        3.1.5 智能模型的分析與評(píng)價(jià)
    3.2 總體框架模型設(shè)計(jì)
    3.3 Agent體設(shè)計(jì)
        3.3.1 集卡調(diào)度Agent設(shè)計(jì)
        3.3.2 管理Agent設(shè)計(jì)
        3.3.3 集卡Agent設(shè)計(jì)
    3.4 交互設(shè)計(jì)
    3.5 本章小結(jié)
4 集卡實(shí)時(shí)調(diào)度的實(shí)現(xiàn)與應(yīng)用
    4.1 Agent部署
    4.2 調(diào)度系統(tǒng)的實(shí)現(xiàn)
        4.2.1 多Agent的交互實(shí)現(xiàn)
        4.2.2 調(diào)度系統(tǒng)的執(zhí)行機(jī)制
    4.3 實(shí)例應(yīng)用分析
        4.3.1 案例背景
        4.3.2 數(shù)據(jù)來(lái)源
        4.3.3 參數(shù)分析與結(jié)果展示
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]混合變異和時(shí)變慣量的混沌多目標(biāo)粒子群優(yōu)化[J]. 朱沙,陳臣,田月娜.  統(tǒng)計(jì)與決策. 2019(08)
[2]基于信息素的多Agent車(chē)間調(diào)度策略[J]. 陳鳴,朱海華,張澤群,金永喬,王盈聰,唐敦兵.  中國(guó)機(jī)械工程. 2018(22)
[3]基于改進(jìn)模擬退火算法的虛擬機(jī)調(diào)度優(yōu)化方法[J]. 馬小晉,許華虎,卞敏捷,高洪皓,段玉聰.  通信學(xué)報(bào). 2018(S1)
[4]多Agent動(dòng)態(tài)任務(wù)分配問(wèn)題[J]. 張家良,王迎磊,李復(fù)名,周濤.  電子技術(shù)與軟件工程. 2018(18)
[5]基于Agent的智能制造系統(tǒng)實(shí)時(shí)動(dòng)態(tài)調(diào)度機(jī)制研究[J]. 黃騰霄,唐敦兵,張海濤,許超.  機(jī)械制造與自動(dòng)化. 2017(06)
[6]改進(jìn)遺傳模擬退火算法在TSP優(yōu)化中的應(yīng)用[J]. 何慶,吳意樂(lè),徐同偉.  控制與決策. 2018(02)
[7]基于Agent的混合流水車(chē)間動(dòng)態(tài)調(diào)度系統(tǒng)[J]. 王芊博,張文新,王柏琳,吳子軒.  計(jì)算機(jī)應(yīng)用. 2017(10)
[8]一種基于多目標(biāo)優(yōu)化的混合在線集卡調(diào)度方法[J]. 李凡,杜玉越.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[9]一種動(dòng)態(tài)劃分的混合連續(xù)域蟻群優(yōu)化算法[J]. 姜道銀,葛洪偉,袁羅.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[10]基于Dijkstra算法的集裝箱港口集卡調(diào)度場(chǎng)規(guī)劃研究[J]. 盧飛.  中國(guó)水運(yùn). 2017(01)

博士論文
[1]改進(jìn)免疫遺傳算法及其在優(yōu)化調(diào)度問(wèn)題中的應(yīng)用研究[D]. 馬佳.東北大學(xué) 2008

碩士論文
[1]港口集裝箱碼頭岸橋與場(chǎng)橋聯(lián)合調(diào)度優(yōu)化研究[D]. 吳勇智.集美大學(xué) 2018
[2]基于多Agent的柔性生產(chǎn)動(dòng)態(tài)調(diào)度系統(tǒng)研究[D]. 梁慰樂(lè).華南理工大學(xué) 2018
[3]集裝箱碼頭堆場(chǎng)作業(yè)重調(diào)度研究[D]. 張桂榕.大連海事大學(xué) 2018
[4]港口集裝箱運(yùn)輸車(chē)輛調(diào)度模型及算法研究[D]. 殷晶晶.深圳大學(xué) 2017
[5]集裝箱碼頭集卡調(diào)度優(yōu)化研究[D]. 張芳芳.深圳大學(xué) 2017
[6]集裝箱碼頭外集卡預(yù)約到港優(yōu)化研究[D]. 黃曉笛.大連海事大學(xué) 2017
[7]基于多Agent的鍛造生產(chǎn)調(diào)度系統(tǒng)研究[D]. 徐青.南京理工大學(xué) 2014
[8]基于裝卸協(xié)調(diào)作業(yè)的集裝箱碼頭集卡路徑優(yōu)化研究[D]. 劉豐碩.大連海事大學(xué) 2010



本文編號(hào)：3691415