换一批散粮码头协同调度的分层优化与强化学习
Layered Optimization and Reinforcement Learning for Collaborative Scheduling in Grain Terminals
摘要针对目前散粮码头在智能化推进中仍以人工经验排产,致使资源配置失衡与作业效率偏低的问题,本文在系统梳理进出仓、倒仓等关键工艺流程的基础上,提出一套"预测—规划—执行"的分层协同调度框架.预测层采用XGBoost/分位回归对工序时长与拥堵风险建模;规划层构建含机会约束与切换代价的多目标MILP,并结合GA/PSO生成可执行日计划;执行层以在线强化学习在滚动时窗内实施细粒度重决策,实现对到港扰动与设备状态的自适应修正.基于多个模拟数据开展对比实验,结果显示,相较SVM+规则与端到端RL,本文方法将船舶总在港时间降至 59.3 h,作业时间降至 52.0 h,设备利用率提升至 85.7%.机理分析表明,机会约束在计划期完成"前馈削峰",切换代价实现"长批少切"的批量整形,滚动RL以小幅动作维持扰动下的可行与稳健,研究为散粮码头协同调度的工程落地提供了可复用的技术路径.
更多相关知识
关键词
散粮码头多目标优化协同调度分层优化强化学习机会约束grain terminalmulti-objective optimizationcollaborative schedulinglayered optimizationreinforcement learningchance constraints
分类号
U691.3
栏目名称
DOI
10.16736/j.cnki.cn41-1434/ts.2025.19.003
发布时间
2025-12-04（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
