[论文解读] Automated design of relocation rules for minimising energy consumption in the container relocation problem

Marko Ðurasević, Mateja Đumić+2 more|arXiv (Cornell University)|Jul 4, 2023

Maritime Ports and Logistics被引用 4

一句话总结

本文提出一种基于遗传编程（GP）的超启发式方法，用于自动生成集装箱堆场中重堆规则（RRs）的优先级函数，旨在最小化能耗。与先前研究中基于遗传算法（GA）的方法相比，GP在能耗方面表现更优，平均能耗降低约5%，尤其在禁止非必要移动的受限规则变体中优势更为显著。

ABSTRACT

The container relocation problem is a combinatorial optimisation problem aimed at finding a sequence of container relocations to retrieve all containers in a predetermined order by minimising a given objective. Relocation rules (RRs), which consist of a priority function and relocation scheme, are heuristics commonly used for solving the mentioned problem due to their flexibility and efficiency. Recently, in many real-world problems it is becoming increasingly important to consider energy consumption. However, for this variant no RRs exist and would need to be designed manually. One possibility to circumvent this issue is by applying hyperheuristics to automatically design new RRs. In this study we use genetic programming to obtain priority functions used in RRs whose goal is to minimise energy consumption. We compare the proposed approach with a genetic algorithm from the literature used to design the priority function. The results obtained demonstrate that the RRs designed by genetic programming achieve the best performance.

研究动机与目标

• 为解决集装箱重堆问题（CRP）中缺乏专门针对能耗优化的重堆规则（RRs）的问题。
• 开发一种基于遗传编程（GP）的超启发式框架，自动生成以能耗最小化为目标的重堆规则优先级函数（PFs）。
• 将GP生成的RRs与先前文献中基于遗传算法（GRH）的方法进行比较，后者手动定义PF结构并优化参数。
• 评估GP通过演化任意PF结构是否能比具有固定结构但仅通过优化系数的PF实现更高的能耗效率。
• 通过统计检验在标准CRP基准实例上验证GP生成RRs的优越性。

提出的方法

• 使用遗传编程（GP）演化优先级函数（PFs），根据场站状态特征对潜在的集装箱重堆操作进行排序。
• GP系统采用标准算子：锦标赛选择、单点交叉和子树交叉，以及包括节点替换和收缩在内的变异算子。
• 适应度函数为将所演化RR应用于给定CRP实例后生成解序列的总能耗（TEC）。
• GP中使用的场站状态特征与先前工作（Hussein和Petering，2012）一致，包括集装箱高度、堆叠可用性及目标集装箱位置。
• 评估两种RR变体：无限制（U），允许任意重堆；受限（R），通过避免非必要移动以减少能耗浪费。
• 在两个基准数据集（Caserta和Zhu）上测试演化RR的性能，每种方法独立运行30次，并通过Kruskal-Wallis检验和Dunn事后检验评估统计显著性。

实验结果

研究问题

• RQ1 遗传编程能否自动生成高质量的优先级函数，以最小化集装箱重堆问题中的总能耗？
• RQ2 GP是否在能耗最小化目标下优于基于遗传算法的方法（GRH），后者通过优化手动定义的PF结构的系数？
• RQ3 在能耗效率和解质量方面，受限与无限制重堆规则变体有何差异？
• RQ4 GP生成RRs的性能提升在基准实例上是否具有统计显著性？
• RQ5 GP能否演化出比固定结构且仅通过GA优化参数的优先级函数更有效的PF？

主要发现

• 在Caserta和Zhu数据集上，GP生成的重堆规则在最小能耗和中位数能耗方面均持续优于基于GA的GRH方法。
• GP生成RRs的受限变体（GP-R）显著优于所有其他RR变体，包括GP-U和GRH-R，其最差结果也优于GRH的最佳结果。
• 平均而言，与GRH相比，GP-R将总能耗降低了约5%，展现出显著的性能提升。
• 无限制变体（GP-U和GRH-U）表现显著劣于其受限对应变体，原因在于非必要重堆增加了能耗。
• 统计检验证实，GP-R在所有其他RR类型中的优越性具有高度显著性（p < 0.05），验证了其在能耗最小化CRP中的有效性。