[论文解读] A Genetic algorithm to solve the container storage space allocation problem

I. Ayachi, Ryan Kammarti+8 more|arXiv (Cornell University)|Mar 5, 2013

Maritime Ports and Logistics参考文献 8被引用 16

一句话总结

本文提出一种遗传算法（GA）以优化港口的集装箱堆存空间分配，解决多种集装箱类型及目标（如减少重新装卸次数和船舶停靠时间）的问题。通过智能的染色体编码与适应度评估，该GA在减少运营延迟和提升堆存效率方面优于LIFO基线方法。

ABSTRACT

This paper presented a genetic algorithm (GA) to solve the container storage problem in the port. This problem is studied with different container types such as regular, open side, open top, tank, empty and refrigerated containers. The objective of this problem is to determine an optimal containers arrangement, which respects customers delivery deadlines, reduces the rehandle operations of containers and minimizes the stop time of the container ship. In this paper, an adaptation of the genetic algorithm to the container storage problem is detailed and some experimental results are presented and discussed. The proposed approach was compared to a Last In First Out (LIFO) algorithm applied to the same problem and has recorded good results

研究动机与目标

• 解决具有多种集装箱类型的集装箱码头中复杂的集装箱堆存空间分配问题。
• 通过优化堆存策略，减少因低效堆叠导致的重新装卸操作，从而缩短集装箱提取延迟。
• 通过优化集装箱放置与提取顺序，减少集装箱船舶的总停靠时间。
• 开发一种元启发式解决方案，以超越传统基于LIFO的存储策略。
• 评估定制化遗传算法在处理实际港口物流约束方面的有效性。

提出的方法

• 设计一种遗传算法，其染色体表示编码了堆场中集装箱的位置信息。
• 适应度函数基于重新装卸次数、交货截止时间符合度以及船舶停靠时间对解进行评估。
• 交叉与变异算子经过定制，以保持有效的堆叠配置及集装箱类型约束。
• 采用多目标优化方法，平衡重新装卸减少与计划遵守之间的关系。
• 通过修复机制确保解的可行性，强制执行堆叠规则与集装箱类型兼容性。
• 在相同问题实例下，将该方法与标准LIFO策略进行对比测试，以确保公平比较。

实验结果

研究问题

• RQ1 与传统LIFO策略相比，遗传算法能否有效减少集装箱堆场中的重新装卸操作？
• RQ2 所提出的GA在提升集装箱提取效率与减少船舶停靠时间方面，改善程度如何？
• RQ3 GA在处理多种集装箱类型（包括冷藏箱、罐式箱和敞顶箱）方面表现如何，是否能有效应对堆叠约束？
• RQ4 染色体编码与遗传算子对解的质量与收敛速度有何影响？
• RQ5 所提出的GA在不同集装箱吞吐量与调度场景下是否具备鲁棒性与可扩展性？

主要发现

• 所提出的遗传算法相比LIFO策略显著减少了重新装卸操作，提升了堆场效率。
• 通过优化集装箱堆叠以匹配提取顺序，GA成功降低了船舶总停靠时间。
• 该算法有效管理了包括冷藏箱、敞顶箱与罐式箱在内的多种集装箱类型，且未违反堆叠约束。
• 实验结果表明，GA在减少重新装卸与计划符合度方面均优于LIFO基线。
• 适应度函数通过平衡多个目标，有效引导搜索过程朝向高质量解。
• GA在处理不同集装箱吞吐量与调度配置时表现出良好的鲁棒性与可扩展性。