基于目标工程的自动化集装箱堆场优化仿真系统研究

闫广利 黄元涛 孙佳隆

摘 要：为配合日照港新建自动化集装箱堆场的优化建设，利用AnyLogic仿真平台，搭建了基于多智能体（multi-agent）的设备控制系统（ECS）仿真模型，研究集装箱码头建模、设备调度优化及数据库驱动测试等关键技术。系统仿真日照港新建自动化集装箱堆场作业流程，对自动化集装箱堆场堆放策略、堆场布局、堆场设备分配和运输规划进行验证和优化，为最终决策提供参考依据。

关键词：AnyLogic；自动化集装箱堆场；设备控制系统；仿真

中图分类号：U653 文献标志码：A

0 引言

随着集装箱运输量的大幅增加，集装箱码头运营商必须提高吞吐量，以满足不断增长的需求。目前，码头提高集装箱吞吐量的方式仅有2种：物理扩张或提高集装箱码头运作效率。然而，物理扩张依赖许多外部因素（象土地可用性、政治、财务可行性、大量资本可用性等），这些因素可能会影响投资决策。因此，集装箱码头的性能提升更可能依赖码头业务流程的优化和改进，其中最主要的2个影响因素为更合理的资源管理分配和新技术、新设备投入。

近年来，随着计算机仿真技术的引入，利用仿真技术作为辅助工具逐渐成为提高集装箱码头运作效率的重要手段。利用仿真技术不仅能够验证和优化码头布局、设备资源分配以及作业流程，为集装箱码头的生产调度提供准确有效的决策支持，还可以大大减少集装箱码头运营成本。

1 问题描述

为提高日照港新建集装箱堆场利用率，现有以下要求：

1）进出口集装箱分别按箱区和贝位2种集装箱堆放策略进行堆放时作业效率对比；

2）集装箱堆放层高分别为3/4/5/6层时作业效率的对比；

根据上述要求，利用ECS仿真系统进行仿真，给出最佳的集装箱堆放方案。

2 建模与仿真

基于multi-agent的仿真系统使物流和制造业等传统领域的模型更加灵活易用。该文利用仿真平台AnyLogic，搭建基于multi-agent的ECS仿真系统，对上述问题进行仿真对比，仿真结果为最终决策提供参考。

2.1 基于multi-agent的ECS建模

基于Agent建模，从实际应用角度出发，是本质上分散化，及个体为中心（系统层的反面）的建模。确定主动实体，即智能体（可以是人、物体、产品、项目等），定义他们的行为（状态、反应），把它们放到一个中心环境中，或可建立连接。

根据ECS系统的组成、特点以及其中实体对象及其相互关系，可以将ECS抽象分为如图1所示的多种Agent，并将其分为2类：资源/设备控制决策Agent和资源/设备执行Agent，前者主要实现各个环节资源/设备的分配管理，后者则是实现单个设备的具体执行过程控制/资源的存取调度。

基于multi-agent的ECS模型主要实现的智能体包括主智能体Main、任务智能体JOB_Q、ECS控制器智能体Controller、场桥控制智能体ARMG_Controller、场桥智能体CraneARMG、岸桥控制智能体QC_Controller、岸桥智能体CraneQC、内集卡智能体CNTR_Truck、集装箱智能体Containers和箱区智能体CArea，具体为：

（1）Main定义了仿真模型中的初始参数和边界条件，构成模型运行的外部条件。其主要功能有：根据方案实现堆场箱区及车场布置、港内设备及道路交通网的配置；实现与本地数据库或其他相关系统（象TOS等）的对接；2D/3D实时动态显示整个模型的运行过程；以图表形式实时展示模型运行过程中的数据指标和状态变化。

（2）JOB_Q用于保存来自本地数据库或TOS的任务，包括任务类型、任务起始位置、任务终点位置、任务集装箱编号等信息。

（3）Controller作为整个模型的主控制器，主要负责将任务拆解、分发给Truck_Controller、QC_Controller和ARMG_Controller，并记录资源/设备相关信息，其状态流程如图2所示。

（4）ARMG_Controller是ECS模型中所有场桥的控制器。ARMG_Controller中配有2个资源池：ARMG资源池和任务资源池，前者存储了模型中所有ARMG Agent和状态，后者则记录了ARMG_Controller接收到的所有任务及其状态。ARMG_Controller通过调度算法为当前任务分配合适的ARMG资源。

（5）CraneARMG模拟场桥的装卸作业过程。智能体由ARMG大车、小车和吊具3套状态流程图组成，分别实现ARMG平行箱区运动、小车垂直箱区运动和吊具垂直运动，协同完成箱区内集装箱的装卸作业。

（6）QC_Controller与ARMG_Controller的功能类似，不作赘述。

（7）CraneQC与CraneARMG的功能类似，不作赘述。

（8）CNTR_Truck模拟内集卡的作业过程。在港口装卸作业中，内集卡运动过程可拆分为2个阶段：移动到起始位置（箱区/船的指定贝位）；移动到终点位置（船/箱区的指定贝位、车场）。

（9）Containers根据导入的集装箱数据和CArea生成堆场地图，并存储ECS模型执行过程中的所有集装箱信息。

（10）CArea提供箱区贝位数、排数和集装箱层高3个参数的输入，制定每个箱区的规格；CArea保存了一个箱区固定坐标位置，配合Containers可以找到堆场中每個集装箱的位置。

2.2 输入条件

该自动化集装箱堆场为顺岸式布置，采用“单小车岸桥 + 内集卡 + 自动化轨道吊”的装卸工艺，共有2个泊位，每个泊位配有3台岸桥，岸桥与内集卡的机械配比约为1︰3，单船装/卸300～500箱，整个堆场共有8台场桥。

为便于建模，ECS模型内设备速度均设为匀速，设备速度参数见表1。

2.3 仿真结果分析

根据上述问题描述和输入条件，利用ECS仿真系统分别进行不同集装箱堆放策略和不同集装箱堆放层高2组对比试验，每组反复运行10次，得出的对比结果如下。

2.3.1 不同集装箱堆放策略执行效率对比

从表2中可以看出，进出口箱按箱区堆放比按贝位堆放平均作业时间减少5.63 %左右。

ARMG装卸效率也略有差异，如图3所示。

2.3.2 不同集装箱堆放层高对比

从图4中可以看出，集装箱堆放5层时，作业时间最短。不同堆放层高下ARMG平均效率也存在一定差距，其中：堆放5层时，ARMG效率最高；堆放3层时，ARMG效率最低；堆放4层、6层时，ARMG效率基本一致。

3 结语

根据上述仿真结果，当堆场采用按箱区堆放策略、堆放层高为5层时作业效率最高。采用基于multi-agent的ECS模型能够较为真实地对自动化集装箱堆场的装卸作业流程进行仿真，可有效地对自动化集装箱堆场布局、策略和设备分配进行验证和优化，为自动化集装箱堆场的作业和规划布置提供决策支持。

参考文献

[1]王刚，魏众，关伟.基于Multi-Agent的港口集装箱码头物流作业系统集成优化研究[J].物流技术，2007，26（4）：31-33，46.

[2]席钌姿，张峰.基于多智能体技术的物流运输调度系统分析[J].物流工程与管理，2017（5）：75-78.

[3]魏星，刘影，刘晓明，等.AnyLogic系统仿真环境[C]//中国航空学会信号与信息处理专业全国第八届学术会议论文集.北京：北京航空航天大学出版社，2004：166-169.