基于机器学习的多任务多设备匹配算法研究

发布时间：2021-10-30 08:13

　　在多种实际场景中存在着各种多任务与多设备之间的匹配问题,目前大多情况下仍是相关人员按照个人经验进行人工手动匹配指派。因此,设计相应的智能匹配算法对于提高效率和降低人力成本很有必要。机器学习作为近些年最为热门的学科之一,因其强大的归纳和学习能力,在解决许多领域的问题中,都获得了较好的结果。本文以国内某大型港口的集疏运调度系统为背景,将其调度问题定义为多任务多设备匹配问题,根据调度过程中不同阶段的匹配问题设计不同的机器学习算法,充分利用历史人工匹配数据训练算法模型,并将算法应用于仿真系统中进行验证。首先,本文介绍了集疏运调度相关的布局和流程,将整个调度流程分为了任务批次与集卡车队匹配和具体任务与车辆匹配两个部分,设计了总体流程的算法模型。其次,根据当前人工调度流程中任务批次与集卡车队的匹配问题,设计了基于决策树的匹配算法,运用历史派车数据训练出了接近人工决策规则的决策树模型。然后针对具体集装箱运输任务和车辆的匹配指派问题,设计了基于神经网络的优化算法,定义了任务与设备之间的代价系数,用Hopfield神经网络求解最优解。最后将两种算法整合设计了完整的智能调度匹配算法,并对集疏运调度过程中的... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图２．１集疏运体系布局??其中１为集装箱货轮，是以运送集装箱为主的运输船舶

新以及日后查证。??２．１．２集疏运流程管理??整个集疏运体系运作流程一般都如图２．２所示，分成计划和调度两部分。??Ｉ计划中心???计划％ｆ???调度??＜场站?分配车队?调度中心??卡车司机??图２．２集疏运业务流程??７??

人员将新的集疏运任务添加到任务池中，权衡多种因素考量空闲车队，生成任务批次与车队之间的派车单。由于港口规围场站和集卡车队与码头公司间只是合作租赁关系，并不全门，因此在任务批次和车队的匹配上存在着诸多限制。例如地为Ａ场站，目的地为五期码头，车队ａ与场站Ａ之间没车队ａ的车辆无法进入场站Ａ去装载集装箱，只能由与场队ｂ去完成该批次的任务。同时港口业务已发展多年，某些

【参考文献】：
期刊论文
[1]基于eM-plant的集装箱码头堆场闸口系统仿真研究[J]. 张玉.  物流工程与管理. 2018(01)
[2]集装箱智能化码头集成仿真平台[J]. 李新照,耿增涛.  港口科技. 2017(01)
[3]Improved Hungarian algorithm for assignment problems of serial-parallel systems[J]. Tingpeng Li,Yue Li,Yanling Qian.  Journal of Systems Engineering and Electronics. 2016(04)
[4]面向计算思维的集装箱码头装卸作业调度[J]. 李斌.  交通运输系统工程与信息. 2016(03)
[5]考虑集装箱簇边装边卸的港口集卡调度模型求解[J]. 梁承姬,贾帅帅.  计算机应用研究. 2017(02)
[6]基于遗传算法的卡车调度模型的研究[J]. 汪洋,王山东.  长春师范大学学报. 2015(10)
[7]基于施工效能最大化的多设备多任务匹配研究[J]. 晋良海,周律豪,韩兰珍,谢慧云,陈雁高.  水电能源科学. 2015(01)
[8]集卡动态调度路径优化算法[J]. 李广儒,杨大奔,任大伟.  交通运输工程学报. 2012(03)
[9]港口集装箱码头集卡优化调度研究[J]. 康志敏,吴洪明.  物流工程与管理. 2011(02)



本文编号：3466395