本發(fā)明屬于水運交通智能管理，更具體地，涉及一種基于航道-船閘協(xié)調的汛期船舶調度優(yōu)化方法及系統(tǒng)。

背景技術：

1、內(nèi)河航運是實現(xiàn)沿海港口與內(nèi)陸地區(qū)聯(lián)系的重要途徑，對流域地區(qū)的經(jīng)濟增長和國際貿(mào)易發(fā)展具有重要影響。近年來，內(nèi)河航運對經(jīng)濟發(fā)展的作用愈發(fā)明顯，使得長江等內(nèi)河航運規(guī)模持續(xù)擴大，導致船舶過壩需求激增。然而，內(nèi)河航道和船閘的通行能力是有限的，已成為制約長江水路運輸發(fā)展的主要瓶頸。此外，大多數(shù)水利樞紐的船閘和航道調度是獨立決策的，這進一步限制了船舶航行效率的提升。鑒于此，開發(fā)一種高效的汛期船舶調度優(yōu)化方法及系統(tǒng)，通過協(xié)調航道和船閘資源，可在保障船舶通航安全的同時，減少船舶的等待時間，這具有重要的實際意義和應用價值。

2、目前，已有多位學者對船閘調度問題和航道分配問題進行了研究，但缺乏船閘與航道之間協(xié)調調度方法的研究。此外，船閘調度問題和航道分配問題的研究主要集中在正常情況下的優(yōu)化，如天氣條件好、水位條件正常等。然而，三峽樞紐水流量的變化對船閘調度和航道配置有重要影響，特別在汛期，水流量的變化會影響船舶的出港時間、航道分配、閘室利用率以及船舶的碳排放。因此，如何將正常情況下的船舶調度全面拓展為汛期復雜水流量條件下的航道-船閘協(xié)調調度，更具現(xiàn)實性和創(chuàng)新性。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提出了一種基于航道-船閘協(xié)調的汛期船舶調度優(yōu)化方法及系統(tǒng)，能更好地保證船舶在汛期的航行安全，提高船舶的通航效率。

2、為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于航道-船閘協(xié)調的汛期船舶調度優(yōu)化方法，包括：

3、獲取水運交通樞紐的船舶信息、船閘屬性信息和汛期航道通航要求信息；

4、基于所述水運交通樞紐的船舶信息、船閘屬性信息和汛期航道通航要求信息，以最小化船舶在錨地的總等待時間為優(yōu)化目標，構建船舶調度優(yōu)化模型，建立汛期船舶過閘調度滿足的約束條件；

5、基于重組學習和混合突變的動態(tài)多種群粒子群優(yōu)化算法，求解所述船舶調度優(yōu)化模型，得到優(yōu)化后的汛期船舶調度方案；

6、基于所述優(yōu)化后的汛期船舶調度方案，估算船舶碳排放量。

7、在一些可選的實施方案中，所述船舶信息包括：船舶到錨時間、航行速度、船舶長度、船舶面積以及船舶可接受的最大水流量標準；

8、所述船閘屬性信息包括：調度周期、船閘面積、閘室容量；

9、所述汛期航道通航要求信息包括：當船舶駛向船閘時，為保障航道通行安全，需要保證相鄰兩船之間有時間間隔；船舶航行時，當前航道水流量標準不超過船舶的最大可接受值。

10、在一些可選的實施方案中，所述以最小化船舶在錨地的總等待時間為優(yōu)化目標，構建船舶調度優(yōu)化模型，建立汛期船舶過閘調度滿足的約束條件，包括：

11、計算船舶在錨地的總等待時間；

12、根據(jù)計算的船舶在錨地的總等待時間，構建所述汛期船舶過閘調度滿足的約束條件。

13、在一些可選的實施方案中，由minz＝∑i∈n(tbi-tai)計算船舶的總等待時間，其中，z為船舶的總等待時間，tai為船舶到達待閘區(qū)域的時間，tbi為船舶離開待閘區(qū)域的時間，n表示一組需調度的船舶數(shù)量。

14、在一些可選的實施方案中，所述約束條件包括：

15、約束條件1：其中，ts為調度期開始時間；

16、約束條件2：其中，yik∈{0,1}，若船舶轉移至船閘，則yik＝1，否則yik＝0，k表示船閘閘次的集合，m表示常數(shù)；

17、約束條件3：其中，li為船舶通過航道到達船閘的距離，vi為船舶通過航道速度，tci為船舶離開航道以及靠近船閘的時間；

18、約束條件4：約束條件5：n；其中，連續(xù)兩艘船駛向大壩時的最小時間間隔為△t，γ為船舶長度倍數(shù)，li為船舶長度；

19、約束條件6：其中，tk為單個閘次所需時長，tdi為船舶離開船閘的時間；

20、約束條件7：其中，te為調度期結束時間；

21、約束條件8：zk表示閘次被使用，則等于1，否則為0；

22、約束條件9：約束條件10：其中，tl為船閘閘次時長上限，tk為船閘閘次開始時間；

23、約束條件11：約束條件12：其中，σ表示連續(xù)閘次的最小時間間隔；

24、約束條件13：其中，zk∈{0,1}，若船閘閘次開始，則zk＝1，否則zk＝0；

25、約束條件14：其中，ξit∈{0,1}，若船舶在時間步長內(nèi)進入航道，則ξit＝1，否則ξit＝0，t為時間步長的集合；

26、約束條件15：

27、約束條件16：

28、約束條件17：

29、其中，ηikt∈{0,1}，若船舶進入通道且在時間步長內(nèi)通過船閘，則ηikt＝1，否則ηikt＝0；

30、約束條件18：其中，fi為船舶可接受水流標準，為時間步長內(nèi)航道實際水流值；

31、約束條件19：其中，ai為船舶面積，ak為閘室面積；

32、約束條件20：其中，qt表示在時間步長內(nèi)航道容量上限。

33、在一些可選的實施方案中，所述基于重組學習和混合突變的動態(tài)多種群粒子群優(yōu)化算法求解所述船舶調度優(yōu)化模型，得到優(yōu)化后的汛期船舶調度方案，包括：

34、確定個體維度n，n表示一組需調度的船舶數(shù)量，矢量表示在待閘區(qū)域的船舶出發(fā)時間和順序，初始向量范圍[ts,te]，基于大語言模型生成初始解，ts為調度期開始的時間，te為調度期結束的時間；

35、將船舶的總等待時間作為適應度值，利用適應度值的中位數(shù)作為邊界，將種群劃分為三個子種群：鄰域域、異化域、重組域，多種群在不同區(qū)域進行搜索，確定最優(yōu)船舶調度方案，并在指定時間間隔內(nèi)，采用動態(tài)隨機重組機制持續(xù)搜索過程；

36、通過動態(tài)調整和混合使用反向學習方法及高斯突變方法，生成重構粒子，在更新粒子速度時保留歷史最優(yōu)位置的子空間信息。

37、在一些可選的實施方案中，所述基于大語言模型生成初始解，包括：

38、針對汛期船舶調度問題，獲取船舶任務數(shù)據(jù)，由船舶任務數(shù)據(jù)劃分訓練樣本，得到訓練集、驗證集和測試集；

39、選擇基于transformer的大語言模型，理解自然語言文本、處理結構化數(shù)據(jù)以及生成汛期船舶調度方案；

40、將訓練集數(shù)據(jù)輸入模型，通過前向傳播生成預測的汛期船舶調度方案，計算預測與真實結果的損失函數(shù)，通過反向傳播算法更新模型參數(shù)，迭代訓練直至模型在驗證集上達到滿意性能；

41、基于元優(yōu)化器，使用船舶任務數(shù)據(jù)對驗證結果為通過的模型進行微調；

42、使用測試集評估模型的性能，當評估通過，將模型部署到實際應用中，用于生成足夠的初始解來構成初始種群。

43、在一些可選的實施方案中，所述通過動態(tài)調整和混合使用反向學習方法及高斯突變方法，生成重構粒子，包括：

44、由確定需要突變的維度數(shù)，其中，dim為選擇突變的維數(shù)，d表示維數(shù)，j表示迭代次數(shù)，gbest(d)為最優(yōu)粒子，gbest(d)′為產(chǎn)生的新最優(yōu)粒子，fit()為對應粒子的適應度函數(shù)；

45、判斷時變概率tp是否小于反向學習概率op，當tp＜op時，對全局最優(yōu)解執(zhí)行反向學習方法，tp≥op時，對全局最優(yōu)解執(zhí)行高斯突變方法；

46、執(zhí)行反向學習方法后，判斷動態(tài)邊界是否已超過，若gbest(d)＜min(gbest)或gbest(d)＞max(gbest)，隨機化gbest，min(gbest)為最優(yōu)粒子的最小值，max(gbest)為最優(yōu)粒子的最大值；

47、比較新個體與原個體的適應值，輸出重構粒子。

48、在一些可選的實施方案中，所述基于所述優(yōu)化后的汛期船舶調度方案，估算船舶碳排放量，包括：

49、由ship?emission?reduction＝(tstart-z)·e估算船舶碳排放量，其中，vi為船舶速度，wi為船舶負載，ψi為船舶重量，為碳排放系數(shù)，α,β,q為調整參數(shù)，參數(shù)α調節(jié)船舶相關特性和裝載條件，β調節(jié)船舶低速時的油耗，q為油耗與航速的相關系數(shù)，tstart為原船調度方案的總等待時間，為船舶航行過程中的燃油消耗，為船舶錨地靠泊過程中的燃油消耗，e為單位時間的碳排放量。

50、按照本發(fā)明的另一方面，提供了一種基于航道-船閘協(xié)調的汛期船舶調度優(yōu)化系統(tǒng)，包括：

51、獲取模塊，用于獲取水運交通樞紐的船舶信息、船閘屬性信息和汛期航道通航要求信息；

52、構建模塊，用于基于所述水運交通樞紐的船舶信息、船閘屬性信息和汛期航道通航要求信息，以最小化船舶在錨地的總等待時間為優(yōu)化目標，構建船舶調度優(yōu)化模型，建立汛期船舶過閘調度滿足的約束條件；

53、優(yōu)化求解模塊，用于基于重組學習和混合突變的動態(tài)多種群粒子群優(yōu)化算法，求解所述船舶調度優(yōu)化模型，得到優(yōu)化后的汛期船舶調度方案；

54、驗證可持續(xù)性模塊，用于基于所述優(yōu)化后的汛期船舶調度方案，估算船舶碳排放量。

55、總體而言，通過本發(fā)明所構思的以上技術方案與現(xiàn)有技術相比，能夠取得下列有益效果：

56、本發(fā)明提供的一種基于航道-船閘協(xié)調的汛期船舶調度優(yōu)化方法及系統(tǒng)，創(chuàng)新性地擴展了現(xiàn)有船閘調度研究，建立了基于船閘-航道協(xié)調的船舶調度優(yōu)化模型。綜合考慮了船舶離錨地時間的優(yōu)化、航道水流量的變化、航道與船閘的協(xié)調配置等因素。建立了船舶總等待時間最小的船舶調度優(yōu)化模型，促進了不同場景下航道和船閘的協(xié)調，保證了船舶通航安全，提高了船舶調度效率。

57、同時本發(fā)明提出的模型估計了不同場景下船舶調度方案的碳減排量。通過確定船舶離開錨地的最佳出發(fā)時間，有效匹配船舶航道運行時間和船閘啟用時間，保證船舶離開航道時船閘可用，有效協(xié)調船閘與航道，減少船舶在錨地的延誤時間和碳排放。此外，與正常情況相比，考慮汛期水流量可以保證船舶的航行安全，增加船舶調度方案的可行性。