一种散货船配载仪的自动配载方法

摘要

本发明公开了一种散货船配载仪的自动配载方法，包括如下步骤：将初始数据输入到配载仪中；根据浮态方程组确定自动配载的目标函数、设计变量及约束条件；使用差分进化算法对上述目标函数进行求解、寻优；遍历符合条件的个体集合，筛选出符合要求的个体；使用快速非支配排序算法对筛选出的个体集合进行剪力、弯矩排序，找出第一个非支配解集并输出。由于本发明采用差分进化算法进行模型的寻优求解，并使用快速非支配排序算法对符合条件的结果进行排序，无需建立知识库，有效减少了人为的不确定因素，使配载结果更加合理。不仅可以找到合理的配载方案使船舶达到符合约束条件的状态，而且能够找到使船舶的剪力和弯矩达到最佳或最优状态的配载方案。

说明书

技术领域

本发明涉及一种散货船配载仪，特别是一种散货船配载仪的自动配载方法。

背景技术

在散货船的货物装载、运输和卸载过程中，保障船舶及货物的安全是一项重要的 工作。导致散货船不安全的因素有很多，其中配载不合理是一个重要原因。为保障散货船运 输的安全性,IMO(国际海事组织)规定自1998年7月1日起，所有新建造的及现有的总长超过 150m的散货船和符合船级社规范所定义的甲板大开口船必须装备配载仪，该配载仪应能提 供规定的船体的剪力和弯矩资料。

在计算机广泛应用之前，船舶驾驶员需要根据装载手册，花费大量时间去查阅装 载手册中的图表、曲线，计算校核修正稳性、浮态、强度等，并需要多次修改来制定配载方 案，计算过程复杂并且易错。随着信息技术的发展，出现了在确定船舶载重量后在计算机上 通过手动完成船舶配载的计算软件，但仍需要驾驶员多次调整计算得出合理的配载方案， 智能化程度还不是很高。随着计算机技术和人工智能的不断发展，人工智能在船舶上的应 用越来越广泛，散货船自动配载就是人工智能的应用之一，是配载仪的发展方向。

目前散货船自动配载大多采用专家系统理论，专家系统的设计方法如下：

知识+推理＝系统

专家系统的主要内容包括：知识库、数据库和推理机。其基本步骤如下：

首先，按照舱容比进行货物的初始配载，并确定货物调整时的效能矩阵或货物移 动方向；然后，采用效能矩阵或根据配载人员经验逐次对首尾货舱、次首尾货舱进行货物的 调整。

2000年，邢向辉根据货量、吃水差或最大吃水要求，首先为保证船舶的纵向强度， 按各货舱舱容比分配货物重量；然后根据船舶原理的相关知识，计算调整货物重量，先对前 后舱进行货物的调整；若货物不能装下，再向次前舱和次后舱进行货物调整，重复进行直到 符合吃水、稳性和强度的要求。

2004年，杜嘉立、杨盐生和张义军等人开发出了散货船自动配载仪。该配载仪根据 船舶载货量、积载因数、吃水等要求，自动确定船舶的配载方案，并给出满足相关规范、公约 要求的船舶稳性、浮态、强度等指标的计算结果，并在自动配载的基础上增加了手动微调的 功能，使得程序更加合理、实用，从而提高了船舶的配载效率，为保证船舶的安全卸载提供 了理论依据。

2004年，杨军采用VisualBasic及MS-Access数据库开发出一套散货船自动配载 原型系统，给出了利用专家系统理论设计散货船自动配载的思路，并联系实际情况给出了 散货船配载专家系统知识库+推理机的设计方案，同时提出了利用效能矩阵实现货物自动 调整的方法。

2006年，朴占锋采用VisualC++和MS-ACCESS数据库设计并开发了固体散装船智 能装载系统。借助专家系统的观点和原理，进行了散装船装载系统推理机的研究，设计了散 装船自动配载的程序流程。

但上述方法仍存在如下缺点：

1、专家系统知识库的建立需要有丰富经验的大副或船长的参与，增加了人为不确 定因素。

2、知识库中的知识不够完善，容易出现不完整和不一致的情况。

3、由于每个货舱的形状各不相同，导致很难设定效能矩阵中合理有效的效用值， 在货物调整中容易出现调整不合理的情况。

4、现有方法给出的配载方案只能保证船舶的状态达到合理状态，而无法给出散货 船的最佳或最优配载方案。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能够给出散货船的最佳或最 优配载方案的散货船配载仪的自动配载方法。

为了实现上述目的，本发明的技术方案如下：一种散货船配载仪的自动配载方法， 包括如下步骤：

A、将下述数据输入到配载仪中：在船舶每个舱无货情况下，自动配载前船舶总的 排水量M₀、重心的纵向坐标重心的横向坐标和重心的垂向坐标自动配载后船舶 总的排水量浮心的纵向坐标浮心的横向坐标和浮心的垂向坐标

B、根据下述浮态方程组确定自动配载的目标函数、设计变量及约束条件：

船舶平衡时所确定的浮态方程组为：

其中：Δ为船舶排水量，ρ为水的密度，▽为船舶的排水体积；x_G、y_G、z_G分别为船舶 重心的纵向坐标、横向坐标及垂向坐标；x_B、y_B、z_B分别为船舶浮心的纵向坐标、横向坐标及 垂向坐标；θ和分别为船舶的纵倾角和横倾角。

B1、设定目标函数：

目标函数

其中：P为设计变量，n为船舶的货舱总数，p_i为第i个货舱装载的货物重量。

B2、确定设计变量：

由目标函数确定设计变量为P＝(p₁,p₂,...p_n)。

B3、确定约束条件：

根据船舶平衡时所确定的浮态方程、每个舱室允许装载的最大装货重量和最小装 货重量，得到约束条件如下：

其中p_iMax为第i个货舱的最大装货重量，和为自动配载前除货舱外船 舶重心的纵向坐标、横向坐标和垂向坐标；和分别为第i个货舱重心的纵向坐 标、横向坐标和垂向坐标；和分别为自动配载后所需要的船舶浮心的纵向坐 标、横向坐标和垂向坐标。

C、使用差分进化算法对上述目标函数进行求解、寻优：

C1、初始化差分进化算法所需的进化种群。

C11、设定种群大小为NP，NP取值范围为40-60；

C12、随机生成NP个种群个体，即设计变量，每个个体xtj的每一维生成方法如下：

$p_i=p_i^{\min }+\mathrm{rand}\left(\mathrm{0,1}\right)\times (p_i^{\max }-p_i^{\min })$

其中，表示第t代中第j个个体，这里t＝1；

rand(0,1)表示一个位于0到1之间的满足均匀分布的随机数；分别表示初始化要 调整舱中第i个货舱的重量时选取的货舱载重量最大值和最小值，对于不同的解向量，它的每一维元素值都是独立生成的。

C13、计算每个个体的目标函数值，其中根据“船舶舱容表”计算货舱任意装货体积 下与之对应重心的纵向坐标、横向坐标和垂向坐标值。计算方法如下：

目标函数值：

$\left(x_j^t\right)=\left|\underset{i=1}{\overset{n}{\Sigma }}{p}_i(M_{\mathrm{last}}-M_0)\right|$

根据舱容表计算货舱任意装货体积Vnet下与之对应的重心的纵向坐标Xg、横向坐 标Yg、垂向坐标Zg的值。每个货舱的数据是按照Vnet递增顺序存储的，有：

Vnet_min＝Vnet₁，Vnet_max＝Vnet_last

Vnet_min、Vnet_max、Vnet₁、Vnet_last分别表示货舱装载货物净体积的最小值、净体积最 大值、存储的首个值和存储的末尾值。以下分三种情况计算Xg和Zg的值：

C131、当Vnet_min≤Vnet≤Vnet_max时，即Vnet在净体积的最小值、最大值之间，选择 与之相邻的Vnet_k-1和Vnet_k进行插值求得Xg、Yg和Zg的值。具体方法如下：

$\mathrm{Xg}=\frac{{\mathrm{Xg}}_k-{\mathrm{Xg}}_{k-1}}{{\mathrm{Wnet}}_k-{\mathrm{Vnet}}_{k-1}}(\mathrm{Vnet}-{\mathrm{Vnet}}_{k-1})+{\mathrm{Xg}}_{k-1}$

$Yg=\frac{{\mathrm{Yg}}_k-{\mathrm{Yg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Yg}}_{k-1}$

$Zg=\frac{{\mathrm{Zg}}_k-{\mathrm{Zg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(Vnet-{\mathrm{Vnet}}_{k-1})+{\mathrm{Zg}}_{k-1}$

其中：Vnet_k-1≤Vnet≤Vnet_k2≤k≤last

C132、当Vnet<Vnet_min时，即Vnet小于净体积的最小值，选择最小的两个体积值 Vnet₁和Vnet₂进行插值求得Xg、Yg和Zg的值。具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_2-{\mathrm{Xg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Xg}}_1$

$Yg=\frac{{\mathrm{Yg}}_2-{\mathrm{Yg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Yg}}_1$

$Zg=\frac{{\mathrm{Zg}}_2-{\mathrm{Zg}}_1}{{\mathrm{Vnet}}_2-{\mathrm{Vnet}}_1}(Vnet-{\mathrm{Vnet}}_1)+{\mathrm{Zg}}_1$

C133、当Vnet＞Vnet_max时，即Vnet大于净体积最大值，选择最大的两个体积值 Vnet_last和Vnet_last-1进行插值求得Xg、Yg和Zg的值。具体方法如下：

$Xg=\frac{{\mathrm{Xg}}_{last}-{\mathrm{Xg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Xg}}_{last-1}$

$Yg=\frac{{\mathrm{Yg}}_{last}-{\mathrm{Yg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Yg}}_{last-1}$

$Zg=\frac{{\mathrm{Zg}}_{last}-{\mathrm{Zg}}_{last-1}}{{\mathrm{Vnet}}_{last}-{\mathrm{Vnet}}_{last-1}}(Vnet-{\mathrm{Vnet}}_{last-1})+{\mathrm{Zg}}_{last-1}$

C14、计算每个个体的违反约束值，将约束条件改写成如下形式：

$\left(\begin{array}{cc}{g}_r\left(x_j^t\right)\le 0,& r=1,...,q\\ h_r\left(x_j^t\right)=0,& r=q+1,...,m\end{array}\right)$

分别表示不等式约束和等式约束；q、m-q分别表示不等式约束的 数量和等式约束的数量，这里q＝2n，m＝2n+2。

个体违反第r个约束的值的表示方法如下：

$G_r\left(x_j^t\right)=\left(\begin{array}{cc}max\{0,g_r\left(x_j^t\right)\}& 1\le r\le q\\ max\{0,|h_r\left(x_j^t\right)|-\delta \}& q+1\le r\le m\end{array}\right)$

δ为等式约束的容许误差，δ取值范围为0.001-0.01。

则个体的违反约束值为：

$G\left(x_j^t\right)=\underset{r=1}{\overset{m}{\Sigma }}{G}_r\left(x_j^t\right)$

并将符合下述条件的个体记录在集合List_0中：

并且

其中表示的违反约束值。

C2、计算种群中符合约束的个体占总个体的比例，即可行率，用rate表示，计算方 法如下：

C3、设定缩放因子F和交叉概率因子CR的值：

$F=\frac{(0.9-0.4)(T-t)}{T}+0.4;$

$CR=\frac{(0.9-0.3)*t}{T}+0.3;$

其中T为最大进化代数，t为当前代数。

C4、用差分进化算法进行变异、交叉和选择操作，并令j＝1；

C41、变异操作，按照如下方式进行：

$m_j^t=x_{r_1}^t+F(x_{r_2}^t-x_{r_3}^t)$

这里r₁,r₂,r₃是区间[1，NP]内与j不等的随机整数，且满足两两互不相等；表示 产生的第t代第j个变异个体。

C42、交叉操作，按照如下方式进行：

$u_{j,i}^t=\left(\begin{array}{cc}{m}_{j,i}^t& if\left(rand\right(0,1)\le Cr)or(i=sn)\\ x_{j,i}^t& otherwise\end{array}\right)$

其中表示第t代第j个实验个体；sn是一个随机整数，满足sn∈[1,2,…,n]；i表 示第i维；

C43、选择操作：

计算实验个体和目标个体的修正目标函数值，计算方法如下：

C431、标准化目标函数值：