[发明专利]一种散货船配载仪中的最后分舱方法

摘要

本发明公开了一种散货船配载仪中的最后分舱方法，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最后分舱的目标函数、设计变量及约束条件；使用差分进化算法对目标函数进行求解、寻优；用差分进化算法进行变异、交叉和选择操作；遍历符合条件的个体集合，将结果输出。由于本发明不使用x_F、TPC和MTC的值进行计算，而按照浮态平衡方程组设定目标函数及约束条件，并使用差分进化算法计算，能给出较精确结果，可以有效地减小误差。本发明不仅可以使用少量货物来调整船舶的平均吃水和吃水差，还可以使用大量货物来调整，平均吃水和吃水差调整的范围广。由于本发明无需人工查询相关数据并手动输入，可以有效地减少人力，提高便捷性。

主权项

一种散货船配载仪中的最后分舱方法，其特征在于：包括如下步骤：A、将下述数据输入到配载仪中：在船舶首舱和尾舱无货情况下，最后分舱前船舶总的排水量M₀、重心的纵向坐标重心的横向坐标和重心的垂向坐标最后分舱后船舶总的排水量M_last、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最后分舱的目标函数、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$\min f\left(P\right)=|\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i-(M_{last}-M_0)|$其中：P为设计变量，n为用于最后分舱的货舱总数，p_i为用于最后分舱的货舱中第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为要调整舱中第i个货舱的最大装货重量，和为调整吃水前除调整舱外船舶重心的纵向坐标、横向坐标和垂向坐标；和分别为要调整舱中第i个货舱重心的纵向坐标、横向坐标和垂向坐标；和分别为调整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，每个个体的每一维生成方法如下：$p_i=p_i^{\min }+rand(0,1)\&times;\left(p_i^{\max }-p_i^{\min }\right)$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：$f\left(x_j^t\right)=|\underset{i=1}{\overset{n}{\&Sigma;}}{p}_i-\left(M_{last}-M_0\right)|$并记录符合下述条件的个体：$f\left(x_j^t\right)\&lt;5$并且$G\left(x_j^t\right)=0$其中表示的违反约束值；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_lastVnet_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：$Xg=\frac{{\mathrm{Xg}}_k-{\mathrm{Xg}}_{k-1}}{{\mathrm{Vnet}}_k-{\mathrm{Vnet}}_{k-1}}(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}$其中：Vnet_k‑1≤Vnet≤Vnet_k 2≤k≤lastC132、当Vnet<Vnet_min时，即Vnet小于净体积的最小值，选择最小的两个体积值Vnet₁和Vnet₂进行插值求得Xg、Yg和Zg的值；具体方法如下：$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)|-\mathrm{\&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)$C2、计算种群中符合约束的个体占总个体的比例，即可行率，用rate表示，计算方法如下：C3、设定缩放因子F和交叉概率因子CR的值：$F=\frac{(0.9-0.4)(T-t)}{T}+0.4;$$CR=\frac{(0.9-0.3)*t}{T}+0.3;$其中T为最大进化代数，t为当前代数；C4、用差分进化算法进行变异、交叉和选择操作，并令j＝1；C41、变异操作，按照如下方式进行：$m_j^t=x_{r_1}^t+F(x_{r_2}^t-x_{r_3}^t)$这里r₁,r₂,r₃是区间[1，NP]内与j不等的随机整数，且满足两两互不相等；表示产生的第t代第j个变异个体；C42、交叉操作，按照如下方式进行：$u_{j,i}^t=\left\{\begin{array}{cc}{m}_{j,i}^t& if\left(rand\right(0,1)\&le;Cr)or(i=sn)\\ x_{j,i}^t& otherwise\end{array}\right.$其中表示第t代第j个实验个体；sn是一个随机整数，满足sn∈[1,2,...,n]；i表示第i维；C43、选择操作：计算实验个体和目标个体的修正目标函数值，计算方法如下：C431、标准化目标函数值：$f_{max}^t=\max f\left(x_j^t\right),j=1,...,NP,$$f_{\min }^t=minf\left(x_j^t\right),j=1,...,NP$其中：分别表示第t代种群中最大目标函数值和最小目标函数值；当时，标准化目标函数值为：$f\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{\min }^t}{f_{\max }^t-f_{\min }^t}$$f\left(u_j^t\right)=\frac{f\left(u_j^t\right)-f_{\min }^t}{f_{max}^t-f_{min}^t}$当时，标准化目标函数值为：$f\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f\left(u_j^t\right)}{f_{max}^t-f\left(u_j^t\right)}$$f\left(u_j^t\right)=0$当时，标准化目标函数值为：$f\left(x_j^t\right)=\frac{f\left(x_j^t\right)-f_{\min }^t}{f\left(u_j^t\right)-f_{min}^t}$$f\left(u_j^t\right)=1$C432、标准化违反约束值为：$G_{max}^t=\max G\left(x_j^t\right),j=1,...,NP,$$G_{\min }^t=minG\left(x_j^t\right),j=1,...,NP$其中分别表示第t代种群中最大违反约束值和最小违反约束值；当时，标准化违反约束值为：$G\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{\min }^t}{G_{max}^t-G_{\min }^t}$$G\left(u_j^t\right)=\frac{G\left(u_j^t\right)-G_{\min }^t}{G_{max}^t-G_{min}^t}$当时，标准化违反约束值为：$G\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G\left(u_j^t\right)}{G_{max}^t-G\left(u_j^t\right)}$$G\left(u_j^t\right)=0$当时，标准化违反约束值为：$G\left(x_j^t\right)=\frac{G\left(x_j^t\right)-G_{\min }^t}{G\left(u_j^t\right)-G_{\min }^t}$$G\left(u_j^t\right)=1$C433、计算个体距离与值，方法如下：$d\left(x_j^t\right)=\left\{\begin{array}{cc}G\left(x_j^t\right)& if\left(rate=0\right)\\ \sqrt{f{\left(x_j^t\right)}^2+G{\left(x_j^t\right)}^2}& otherwise\end{array}\right.$$d\left(u_j^t\right)=\left\{\begin{array}{cc}G\left(u_j^t\right)& if\left(rate=0\right)\\ \sqrt{f{\left(u_j^t\right)}^2+G{\left(u_j^t\right)}^2}& otherwise\end{array}\right.$C434、计算惩罚项，方法如下：$X\left(x_j^t\right)=\left\{\begin{array}{cc}0& if\left(rate=0\right)\\ G\left(x_j^t\right)& otherwise\end{array}\right.$$X\left(u_j^t\right)=\left\{\begin{array}{cc}0& if\left(rate=0\right)\\ G\left(u_j^t\right)& otherwise\end{array}\right.$惩罚项与为：$p\left(x_j^t\right)=(1-rate)*X\left(x_j^t\right)+rate*Y\left(x_j^t\right)$$p\left(u_j^t\right)=(1-rate)*X\left(u_j^t\right)+rate*Y\left(u_j^t\right)$C435、修正目标函数值，计算方法如下：$F\left(x_j^t\right)=d\left(x_j^t\right)+p\left(x_j^t\right)$$F\left(u_j^t\right)=d\left(u_j^t\right)+p\left(u_j^t\right)$C436、选择方法如下：$x_j^{t+1}=\left\{\begin{array}{cc}{u}_j^t& if\left(F\right(u_j^t)\&le;F(x_j^t\left)\right)\\ x_j^t& otherwise\end{array}\right.$其中表示被选中的个体，替换原种群中的记录符合条件的个体；$f\left(x_j^{t+1}\right)\&lt;5$并且$G\left(x_j^{t+1}\right)=0$C44、如果j<NP+1，令j＝j+1，转步骤C41；否则转步骤C5；C5、当t＜T+1或没有找到最优解时，令t＝t+1，转步骤C2；当找到最优解或循环T次后停止循环，这里T＝1000；转步骤D；若无个体被记录下来，则无法找到可行方案，给出提示，并返回步骤A；D、遍历符合条件的个体集合，将结果输出。