企业官网建设流程全解析

商业网站模板制作与开发,广州天呈网站建设,个人网站 网站名称,如何浏览国外网站?集装箱码头是全球供应链中重要的货物转运枢纽#xff0c;处理超过80%的国际海运贸易货物。面对日益增长的集装箱处理需求和成本压力#xff0c;全球集装箱码头正在经历向自动化和智能化码头的转型。自动化集装箱码头的一个重要特点是采用自动导引车#xff08;Automated Gui…集装箱码头是全球供应链中重要的货物转运枢纽处理超过80%的国际海运贸易货物。面对日益增长的集装箱处理需求和成本压力全球集装箱码头正在经历向自动化和智能化码头的转型。自动化集装箱码头的一个重要特点是采用自动导引车Automated Guided VehicleAGV替代传统的集装箱卡车。由于AGV是无人驾驶的它们的作业模式与传统集装箱卡车有显著的不同因此如何实现AGV的高效运转是当前自动化码头建设面临的一个重大课题。论文链接或点击“阅读原文”跳转https://doi.org/10.1016/j.trc.2024.104724一、AGV调度的目标当一艘集装箱船舶在集装箱码头作业时由分配给该船舶的多个岸边桥式起重机岸桥将集装箱装上或卸下船舶。对于装船任务集装箱需要从堆场运输到岸桥下而对于卸船任务集装箱需要从岸桥下运输到堆场。这些集装箱水平运输任务由分配给该船舶的一组AGV执行。图1展示了自动化集装箱码头的布局以及AGV的行驶车道。由于AGV是连接岸桥和堆场的重要水平运输工具因此这也成为自动化集装箱码头整体效率的瓶颈。集装箱码头AGV调度的目标在于动态优化任务分派与实时智能路径规划确保将合适的任务高效匹配给合适的AGV以平衡负载最小化装卸船作业的任务延误。同时生成无冲突、距离短的AGV行驶路线以适应实时路况变化避免拥堵碰撞最终实现AGV车队的高效协同运行无缝衔接岸桥与堆场作业最大程度提升集装箱流转效率和码头整体吞吐能力。图1. 自动化码头布局示意图二、AGV调度的两个系统在大多数自动化集装箱码头中AGV同时由两个软件系统控制即码头操作系统Termina Operation SystemTOS和设备控制系统Equipment Control SystemECS如图2所示。TOS将集装箱水平运输任务分派给AGV目标是按时完成船舶服务而ECS根据任务分派结果控制AGV的运动并为AGV规划路径以完成指定任务。这种序贯决策的AGV调度机制存在一些缺陷可能导致AGV运行效率低下。首先这两个系统都是基于部分信息进行决策TOS分配任务时缺乏对AGV交通环境的监控和评估ECS以被动的方式执行任务缺乏对调度周期内任务集的汇总和分析。其次ECS在进行路径规划时聚焦于路径的可行性可能会违背任务分派时的期望目标导致较高的延误。最后固定的任务分派结果可能会产生无法避免的冲突尤其是把任务分派给堵塞区域的AGV时会进一步加剧任务延误和路径冲突。图2. 当前AGV调度方法与提出的AGV调度方法示意图三、动态AGV调度的分层架构为解决当前AGV调度方法的缺陷并提高作业效率我们提出了一个用于集成AGV任务分派和路径规划的算法协调TOS系统和ECS系统如图3所示。值得注意的是这种集成式决策方法可以在不改变现有TOS和ECS功能的情况下实现只是在两者之间通过构建中间件的方式来协调两个系统因此这种方法是自动化集装箱码头AGV调度的一种可行的替代方案。这个集成式的算法采用分层架构上层是一个用于动态任务分派的强化学习RL算法下层是一个用于路径规划的启发式算法。图3展示了我们解决方案架构。图3. 动态AGV调度的分层架构示意图在强化学习环境中把AGV车队作为一个智能体任务到达后触发决策。在每个决策节点如果存在20尺集装箱运输任务应用集装箱匹配启发式方法来聚合20尺集装箱并生成聚合任务。我们使用具有Actor-Critic结构的近端策略优化算法PPO来训练智能体。下层的路径规划算法需要为Actor网络生成的任务分派动作生成AGV路径并给出相应的路径评估奖励值这个奖励值随后被输入到Critic网络中以更新状态价值函数的估计并用于计算优势值以更新Actor网络的策略。奖励函数的设计考虑了AGV行驶距离和任务延误成本以及路径的可行性因此可以作为链接上下层算法的协调组件。这种全新的架构考虑了任务分派和路径规划的耦合关系能够在提供无冲突路径的同时减少AGV的任务延误即同时实现了两个模块的优化。其次奖励函数的设计提供了路径规划结果的评估使得任务分派能够具备交通环境的感知能力并提供了通过调整任务分派来减少路径冲突的机会从而使得整个解决方案能够更好地适应动态环境下AGV的调度问题。与传统强化学习调度方法相比新的动态调度方法能够有效优化路网上的交通流量分布从而避免AGV路径冲突。该方案不仅适用于集装箱码头的AGV动态调度对于更多的工业场景例如自动化仓库的AGV动态无冲突调度也具有可观的应用前景。图4. 分层调度框架与传统强化学习框架性能对比参考文献1. Li S, Fan L, Jia S. 2024. A hierarchical solution framework for dynamic and conflict-free AGV scheduling in an automated container terminal. Transportation Research Part C, 165:104724. https://doi.org/10.1016/j.trc.2024.104724.教授专栏由香港科技大学主理出品的【教授专栏】汇集来自不同领域教授的学术成果、前沿论断及知识科普用最新鲜的视角解读社会动态以最前沿的角度解释科技奥秘。期待通过香港科技大学的平台聚合更多新锐观点打造出一期又一期生动又深刻的【教授专栏】教授简介贾帅教授香港科技大学广州智能交通学域助理教授香港理工大学物流及航运学系获得博士学位曾在新加坡国立大学运筹与分析研究院IORA和土木与环境工程学系CIVIL从事博士后研究工作。贾教授的研究主要集中在城市交通管理、物流与供应链管理、生产排程与资源调度等领域。擅长运用运筹优化、人工智能、系统仿真等方法解决上述领域的管理运营问题。近年来在交通与物流管理领域权威期刊Transportation Science, Transportation Research Part B/C/D/E等发表学术论文30余篇主持国家自然科学基金项目3项青年B类、青年C类、面上、广东省科研项目2项省杰出青年、111联合资助项目、新加坡NOL研究项目等以及多项企业委托项目。往期回顾教授专栏191 |齐晔: 全球气候行动何去何从教授专栏190 | 马军:机器人仓储系统如何进一步推动智慧物流的发展主编 | 袁冶责编 | 周姗核校 | 柳松、许珺、吴倩来源 | 转载自香港科技大学广州|系统枢纽公众平台