[论文解读] Automated Design of Heuristics for the Container Relocation Problem

Mrko Đurasević, Mateja Đumić|arXiv (Cornell University)|Jul 28, 2021

Maritime Ports and Logistics被引用 1

一句话总结

本文提出使用遗传编程（GP）自动演化用于集装箱调度问题（CRP）的启发式规则（RRs），其性能优于人工设计的规则。GP通过演化堆叠选择的优先级表达式，生成的RRs在多种未见过的问题中均能减少集装箱重新定位次数和吊机操作时间。

ABSTRACT

The container relocation problem is a challenging combinatorial optimisation problem tasked with finding a sequence of container relocations required to retrieve all containers by a given order. Due to the complexity of this problem, heuristic methods are often applied to obtain acceptable solutions in a small amount of time. These include relocation rules (RRs) that determine the relocation moves that need to be performed to efficiently retrieve the next container based on certain yard properties. Such rules are often designed manually by domain experts, which is a time-consuming and challenging task. This paper investigates the application of genetic programming (GP) to design effective RRs automatically. The experimental results show that GP evolved RRs outperform several existing manually designed RRs. Additional analyses of the proposed approach demonstrate that the evolved rules generalise well across a wide range of unseen problems and that their performance can be further enhanced. Therefore, the proposed method presents a viable alternative to existing manually designed RRs and opens a new research direction in the area of container relocation problems.

研究动机与目标

• 为解决手动设计有效的集装箱调度问题（CRP）重新定位规则（RRs）所面临的挑战，该挑战耗时且需要专家知识。
• 开发一种基于遗传编程（GP）的自动化方法，以生成高性能RRs，从而降低对领域专业知识的依赖。
• 评估GP演化出的RRs在未见过的问题实例上的泛化能力，并探索其进一步优化的潜力。
• 探讨GP生成的RRs在实际CRP应用中作为现有手工设计启发式规则的可行替代方案的潜力。

提出的方法

• 使用遗传编程（GP）自动演化数学表达式，根据场站状态特征为各个堆叠分配优先级得分。
• 所演化出的表达式指导一种重新定位策略（RS），用于选择最优堆叠以移动集装箱，从而最小化未来的重新定位次数。
• GP框架使用一组终端节点（例如：RI、DIFF、SH、EMP、AVG、CUR）和函数节点，构建树状结构的优先级函数。
• 评估了两种方案：'受限'（RE）和'无限制'（UN），二者在GP过程中终端节点的选择与使用方式上有所不同。
• 通过使用一部分问题实例进行验证，以调整GP参数并选择性能最佳的演化规则。
• 使用两个关键指标——集装箱重新定位次数和吊机操作时间——在未见过的测试实例上评估演化RRs的性能。

实验结果

研究问题

• RQ1 遗传编程能否有效生成CRP的重新定位规则（RRs），使其在重新定位次数和吊机操作时间方面优于人工设计的规则？
• RQ2 GP演化出的RRs在具有不同结构和操作特性的未见过的问题实例上泛化能力如何？
• RQ3 通过减少终端节点集合或演化多个优先级函数，能否进一步提升GP演化RRs的性能？
• RQ4 在演化出的RRs中，最具影响力的场站状态特征（终端节点）是什么？它们在决策过程中起到何种作用？

主要发现

• GP演化出的RRs在重新定位次数和吊机操作时间方面，显著优于多种现有手工设计的规则，包括RE、RI、RIL和Min-Max。
• 即使是最差性能的GP演化规则，在所有测试实例中也优于最佳性能的手工设计规则。
• 所演化出的RRs对未见过的问题具有良好的泛化能力，展现出在多样化场站配置和取箱顺序下的强鲁棒性。
• 通过减少终端节点集合，性能得到进一步提升：在UN方案中，仅使用四个终端节点（SH、EMP、DIFF、RI）时达到最佳结果。
• 终端节点RI和DIFF在演化规则中被最频繁使用，且最具影响力，表明其在重新定位决策中起着关键作用。
• 该方法效率高，训练时间短，执行开销可忽略不计，适合与其他优化方法集成。