背景

碼頭管理中進口箱選位一直是一個難題，特別是對于堆場面積小的碼頭而言，翻箱率居高不下會導致企業資源浪費，作業效率下降。今天，小編帶您一起看看上海浦東國際集裝箱碼頭有限公司是如何從箱位堆放上入手，優化進口箱選位算法，實現降低翻箱率（箱操作數/總操作數）的。

堆場管理現狀

1.1進口重箱作業特點

上海浦東國際集裝箱碼頭有限公司是上海港最早經營集裝箱的碼頭，公司航線多，船舶小，船期密度大，箱區安排緊張。雖然部分進口箱采用大票集中堆放，總體上可以降低部分翻箱率，但大部分進口箱位置的選擇，主要采用大計劃方式，隨機堆放。用戶前來提箱的時候，并沒有一定的規律，也屬于隨機提取。鑒于這些情況，公司原有進口堆場選位算法并沒有發揮太大作用。因此，我們考慮到對進口箱的選位進行優化。

1.2進口重箱選位問題

根據進口箱具體情況，我們確定研究的問題：在貝位已知的前提下，貝位內每個箱子的進場時間和天數是已確定，但提箱時間未知?？梢悦枋鰹椋航o定一個貝位，當前貝位上有一定數量的已知進場天數的集裝箱，要進來一個已知進場時間的新的集裝箱，位置上已有集裝箱和將要進入的集裝箱，提離的時間都不確定。

對此，我們設計一個評分函數，對即將進入研究貝位的箱子以及它周邊的箱子進行評分，根據評分情況，利用啟發式算法，為每個進場的箱子選擇一個最為合適的位置，降低翻箱率。

數據分析

2.1數據采集分析

要分析堆場上集裝箱位置變化的信息，先要獲取有代表性的數據，然后利用數據分析器進行擴展模擬。我們選取箱量較高的12月份箱動態信息數據，作為分析的初始數據依據。數據信息包含了集裝箱的初始計劃選擇位置、實際落箱位置、非進出（裝船或提箱）位置變化動態。問題可以轉化為：已知后續所有集裝箱進場的序列和具體時間，以及所有集裝箱的出場序列和具體時間，現需要安排操作，在假設未知出場序列的前提下，模擬每一個集裝箱進場并且進行位置選擇，模擬每一個集裝箱在場翻箱操作，統計最終的移動數量。

首先對進口卸船提箱時間進行分析，對其規律進行探尋。我們建立一個單獨的數據分析器，這個分析器可以完成以下模擬任務，使得其能夠對信息進行分析。

（1）模擬到任意一個時刻進行暫停，且能夠獲得此時的在場箱位置列表、狀態列表，以及此時的后續任務。此外，模擬在場箱動態信息數據中的每一個動作，并且在動作執行時，進行數據的統計和記錄。該部分模擬的意義在于，可以對所有動作截取任意時長進行統計，即對相關整體數據進行統計和分析。

（2）截取某一個貝位，能夠對該貝位內的所有相關操作進行統計和分析，即可以獲得一系列僅針對該貝位內操作的分析，且該分析過程獨立于整體模擬，并且有極高效率支持多組數據模擬和分析。該部分模擬的意義在于，可以單獨研究每個貝位上的具體情況，截取數據并且進行模擬。

2.2評分機制引入

對整體數據的進口箱提箱天數進行分析，進口箱提箱天數和百分比見表1。其中第一行代表該箱在堆場中的天數，第二行表示在堆場中等待該天數的箱的提箱占總數的百分比，第三行表示在該天數下，占剩余的百分比數值。

從統計可以看出，平均堆存天數約為4.5天。9天以上的集裝箱分布較為分散，因此我們將提箱時間大于等于9天的箱全部進行合并統計，其總量在4%左右，和第一天較為接近。2-6天為進口重箱主要提箱時間，該部分合計約有79%。箱子在場時間越長，則在后一天被提走的概率都會被增加。而我們看到其主要集中在3-5天的分布，其連續三天加起來接近53.61%，因此我們考慮當堆存天數相差3天以上會出現大概率的翻箱。

此外，我們對箱量達到100自然箱的船舶進行了進口箱提離場地的時間分布統計分析，船舶進口箱提離堆場的時間分布表見表2。

由于進口提箱沒有預約機制，客戶辦理時間隨機而無序，實際提箱時間差別較大。由此可以看出，直接按照“船到來的日期”進行選位，是不可行的。因此，我們考慮引入評分機制，進行選位的優化。

2.3進口重箱堆存算法優化設想

為了降低進口箱的提箱翻箱率，我們必須對進口箱進入場地貝位前進行優化位置的優化選擇。由于受堆場的限制和船舶效率的要求，且進口箱選位一直采用大計劃的方式，如果采用對選位算法做過多過細的選位規則的方法，算法改進的效果并不大。通過前期數據分析，我們發現在輪胎吊堆場中，進口箱選位和翻箱選位當前仍有很大的優化空間。因此，我們考慮不去修改橋邊手持機改變原有的選位信息，而是在橋邊指定了具體的箱區、貝位之后，在輪胎吊RPS端進行指定貝位選位的優化建議。

具體情況就是，貝位已知，貝位內每個箱子的進場時間確定，但是提箱時間未知，我們設想是否有一種在已知進口卸船的預計提箱時間的前提下，結果較優的堆疊算法。該算法主要思路：假定預計提箱時間不同，那么在選位和翻箱過程中，在同樣的空間下，我們優先選擇預計剩余堆存天數大于當前箱的位置進行堆疊。

選位算法實現方法

算法根據當前堆存高度、當前堆存天數，來對進口箱在單個貝位的堆疊策略和翻箱策略進行修改并且優化。

3.1算法設計

對于任意一個進口箱的堆疊，我們可以將其分為多種具體情況。針對不同情況設計相關的具體策略。具體策略的生成，我們直接進行條件假設，即以下三個條件：

（1）新進入堆場的集裝箱，根據上面的統計概率，在壓到進場天數大于此集裝箱的箱上時，容易造成翻箱，因此應當盡量避免此情況；

（2）在已有堆存天數較多的集裝箱進行翻箱時，如果沒有空列，由于該箱被提走的概率較高，那么放在盡可能高的位置，可以為其它箱的后續堆疊節約空間；

（3）如果兩個集裝箱的在場天數差距在3天以上時，其被提走的概率相差較大，因此可以近似認為堆存較久的集裝箱會被先提走。

在根據統計結果形成的以上假設條件下，我們設計相應的評分函數和基礎公式，并且在此公式基礎上進行數值驗證和結果計算。后面關于時間的計算，全部采用最小單位為“天”的單位。

對此，首先定義三個變量。

定義1：接近時間Ｔ1(x)：針對即將要堆疊的排T進行計算。如果該列存在某個進場時間在該箱之前的箱子，Ｔ1(x)為“當前時間-要移動的箱的進場時間”，即“當前移動的箱子在場了幾天”，如果不存在則Ｔ1(x)取10。

定義2：接近時間Ｔ2(x)：針對即將要堆疊的排T進行計算。如果該列存在某個進場時間在該箱之前的箱子，Ｔ2(x)為“當前時間-要移動的箱的進場時間”，即“當前移動的箱子在場了幾天”，如果不存在則Ｔ2(x)取3。如果T2(x)>3，那么令T2(x)取3。

定義3：當前高度Ｈ：同樣針對即將堆疊的排T進行計算，即當前排的高度。

在此基礎上，我們使用兩個分數計算公式來進行判斷，兩個公式總計有5個參數，分別是常數C，H的系數D和D1，T(x)的系數K和K1。公式中我們假設這些變量滿足線性模型。

當列T存在某個集裝箱，其進場時間大于要進入這一列的箱x時，使用公式（1），否則使用公式（2）。使用兩個公式是因為，如果該列內沒有在場時間在此箱之前的，那么說明該箱大概率不會引起翻箱，就不算作翻箱數；而使用公式（2），意味著該箱很大概率會引起翻箱，則在此情況下參數應該單獨進行設定。

對該貝位逐列進行F(x)值計算，選擇F(x)最大且和起始列不同的一列作為該箱所翻到的列。

3.2算法實現

以圖例說明公式使用情況如下。

堆疊列T內所有箱進場時間均在當前移動箱之后示意圖見圖1。箱子上的數字代表該箱的進場日期。進場的集裝箱日期為1，意味著該列其它集裝箱的進場日期都在此箱之后，因此使用公式（1），其Ｔ1(x)=10，令C=40，D=-1，K=2，由此可得F(x) =40 - 1* 4+ 2 * 10 = 56。

堆疊列T內部分箱進場時間均在當前移動箱之后見圖2。圖2中則是該列中有在此箱后，也有在此箱前進場的集裝箱，因此仍然使用公式（1），其T1(x)=1，令C=40，D= -1， K=2，則此處F(x)=40-1*4+2*1= 38。

堆疊列T內所有箱進場時間均在當前移動箱進場時間之前示意圖見圖3。圖3中則是滿足T2(x)的計算條件，該列的所有進場時間都小于該箱，因此使用公式（2），其T2(x)=1，令D1=1，K1= -2 ，則其F(x) =1*4 + (-2) *2 = 0。

根據公式（1）和（2），按照圖例中所給出的情況，設計相關源代碼，進行試驗分析和驗證。

試驗驗證

為了進行批量的測試和結果對比，我們使用分析器進行數據提取和生成，以突出代表的24箱區12貝位作為40尺貝位試驗數據，44箱區21貝位作為20尺貝位試驗數據。

數據生成的方法如下：對整個貝位上的所有操作進行數據截取，保留所有的進箱、提箱、翻箱操作來進行數據生成。由于實際進箱滿足假設，因此我們生成了足夠多組數據（1000組）來進行實驗和對比。每一組數據中，我們保留該箱的實際進場時間，之后根據統計的提箱天數概率，來為該箱隨機添加提箱日期，這樣生成出的數據就符合統計的概率分布，可以在多組實驗的情況下與原始翻箱操作數結果進行對比。

4.2 評價指標和參數調整

分別針對每種不同數據，進行相應實驗結果研究和對比，以及進行參數決定。

首先對公式中的C值進行研究。暫時固定K值和D值為初始設計的（D=1，K = -2，D1 = -1，K1 = 2）的條件下，進行C值的求解。取C=-1 作為參數C的取值。

在固定C值前提下，隨著K和D值變化求翻箱率。此處我們K1和D1仍然取-1和2。

參數K和D求解表格見表3。根據表3中的數據結果，我們可以得出，原始參數設置的D=1，K=-2是合理的。在此基礎上，我們進行K1和D1的求解。

參數K1和D1求解表格見表4。根據表4可知，對于K1和D1的取值分別在D1=-3，K1=2時達到最優。因此，在進行為期一月的進箱數據模擬時，其翻箱率在取D=1，K=-2，D1=-3，K1=2的時候會獲得最優結果。

4.3 實驗結果總結

此外，我們對原有數據進行修改，即對進箱假設條件進行更改。例如24箱區12貝位生成的進箱數據，假設的進箱時間是固定的，但是我們在這里假設其分布的更加均勻后觀察其實驗結果，均勻分布下的翻箱率見表5。

其中“2412”代表24箱區12貝位使用調整后的參數的結果，“2412改”代表24箱區12貝位使用修改生成概率的數據后的結果，“2412實際”代表實際翻箱率，而“全箱區”代表全場翻箱率。“2412改”和“4421改”比起實際結果，均有較小幅度的翻箱數百分比上升。

對實際數據結果分析過程中，發現有一些較大的結果出現，說明該算法的應用范圍可能僅適用于確定進箱分布下的情況。從上表看，對于“4421”貝位情況，其翻箱率優化值較低，而對于“2412”其實際優化值較高。因此，對于不同的分布假設，仍需要參數調整。

在此研究基礎上的下一步的工作方向，主要分為兩個部分：一是進行更多的數據測試和對比。本文中的數據量可以擴展到多個代表貝位，時間跨度可以使用多個月的數據。二是對相關參數設計進行優化。在本文中的相關參數是根據經驗直接確定的，因此可能會有其他一些有影響的參數也可以加入到決策公式中，使結果更優。