港口企业场站堆场堆存服务能力计划模型及算法

doi:10.13196/j.cims.2014.10.028

计算机集成制造系统 ›› 2014, Vol. 20 ›› Issue (10): 2608-2616.DOI: 10.13196/j.cims.2014.10.028

港口企业场站堆场堆存服务能力计划模型及算法

何霆,徐汉川,张文会

哈尔滨工业大学计算机科学与技术学院

出版日期:2014-10-31 发布日期:2014-10-31
基金资助:
国家自然科学基金资助项目(71171066);国家863计划重点资助项目(2012AA040904);欧盟第七框架玛丽·居里行动计划资助项目(PIRSES-GA-2011-295130)。

Stockpiling service capability planning model and its optimization algorithm for containers yard area of port

Online:2014-10-31 Published:2014-10-31
Supported by:
Project supported by the National Natural Science Foundation,China(No.71171066),the National Hi-Tech.R&D Program,China(No.2012AA040904),and the Marie Curie Actions of the 7th Framework Programme of EU(No.PIRSES-GA-2011-295130).

摘要/Abstract

摘要： 为了提高港口企业的物流服务效率和服务水平,以其场站堆场堆存服务为研究对象,建立了堆场堆存服务计划优化模型,并设计了带约束的离散多目标动态优化粒子群算法来求解该类问题。实验结果表明,所提模型和算法不但能够有效提高场站堆场空间资源利用率,而且能够有效减少箱区翻箱以及场站－码头双向运输负荷,从而既节省了物流服务资源,降低了港口企业运营成本,又能提供较好的港口服务水平。

关键词: 港口企业, 场站堆场, 堆存服务能力计划模型, 粒子群优化算法

Abstract: To improve the logistics service efficiency and service level of port firm,an optimal planning model of stockpiling service for the containers yard area was built,and a discrete Dynamic Multi-objective optimization Particle Swarm Optimization algorithm with Constraints (CMDPSO) was developed to solve this kind of problems.The case study showed that the proposed model and algorithm could not only effectively increase the utilization rate of container yard's space resources,but also decrease the turning-box rate and the transportation burden between the container yard and the port.Thus the logistics service resource was saved,the operating cost was reduced and the service level of ports was improved.

Key words: port, container yard, stockpiling service capability planning model, particle swarm optimization algorithm

中图分类号:

TP39

何霆,徐汉川,张文会. 港口企业场站堆场堆存服务能力计划模型及算法[J]. 计算机集成制造系统, 2014, 20(10): 2608-2616.

[1]	冯国奇,崔东亮,代学武,俞胜平. 数据视角下神经网络增量学习支持的涡轮盘多目标优化[J]. 计算机集成制造系统, 2021, 27(8): 2393-2404.
[2]	李永湘,姚锡凡,刘敏. 基于可靠性可信性分析的云制造服务组合优化[J]. 计算机集成制造系统, 2021, 27(6): 1780-1798.
[3]	杨延璞,余进,王刚锋. 基于不完全互惠偏好关系的产品工业设计方案决策[J]. 计算机集成制造系统, 2021, 27(3): 878-886.
[4]	李浩君,张鹏威,郭海东. 基于种群曼哈顿距离的自适应多目标粒子群优化算法[J]. 计算机集成制造系统, 2020, 26(第4): 1019-1032.
[5]	田长乐,周光辉,张俊杰,王闯. 碳排放约束下基于特征的刀具选配与切削参数集成优化[J]. 计算机集成制造系统, 2020, 26(8): 2060-2072.
[6]	曹小华,朱孟. 基于冲突预测的多自动导引小车避碰决策优化[J]. 计算机集成制造系统, 2020, 26(8): 2092-2098.
[7]	李万清,刘辉,李忠金,袁友伟. 移动边缘计算环境下面向安全和能耗感知的服务工作流调度方法[J]. 计算机集成制造系统, 2020, 26(7): 1831-1842.
[8]	陈久梅,张松毅,但斌. 求解多隔室车辆路径问题的改进粒子群优化算法[J]. 计算机集成制造系统, 2019, 25(第11): 2952-2962.
[9]	吴泽斌,吴立珺,许菱. 基于0-1背包策略改进离散粒子群算法的产业链金融产品双边匹配优化模型[J]. 计算机集成制造系统, 2019, 25(12): 3279-3288.
[10]	李莉,程发新,程显钦,王广东,潘婷. 基于改进多目标粒子群优化算法的企业再制造物流网络优化[J]. 计算机集成制造系统, 2018, 24(第8): 2122-2132.
[11]	许荣斌,王业国,王福田,何明慧,汪梦龙,谢莹. 基于改进PSO-BP算法的快递业务量预测[J]. 计算机集成制造系统, 2018, 24(第7): 1871-1879.
[12]	王武礼,段黎明,王浩宇,白洋. 基于动态误差控制和PSO的三角网格模型简化优化方法[J]. 计算机集成制造系统, 2018, 24(第1): 63-71.
[13]	王亚辉,余隋怀. 基于多目标粒子群优化算法的汽车造型设计决策模型[J]. 计算机集成制造系统, 2017, 23(第4期): 681-688.
[14]	吴永明,戴隆州,李少波,罗利飞. 基于改进粒子群优化算法的混流装配线演进平衡[J]. 计算机集成制造系统, 2017, 23(第4期): 781-790.
[15]	郭健全,王心月. 碳交易下生鲜电商跨区域闭环物流网络及路径[J]. 计算机集成制造系统, 2017, 23(第4期): 874-882.

港口企业场站堆场堆存服务能力计划模型及算法

Stockpiling service capability planning model and its optimization algorithm for containers yard area of port

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics