(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211359685.X (22)申请日 2022.11.02 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 陈琳瑛　孙长萍　牟军敏　陈鹏飞　 黄亚敏　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 黄君军 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于人机协同的港口拖轮作业智能调 度方法 (57)摘要 本发明提供了一种基于人机协同的港口拖 轮作业智能调度方法， 包括： 基于预设遗传算法 确定港口拖轮作业调度计划的理论最优调度方 案； 基于预设的神经网络自编码器模 型对所述港 口拖轮作业调度计划 中调度员的人为习惯特征 分类； 基于预设的神经网络融合模 型对所述理论 最优调度方案和调度员的人为习惯特征分类进 行融合， 得到融合最优调度方案； 基于预设的调 度阈值和所述融合最优调度方案确定目标调度 方案。 本发 明提供的基于人机协同的港口拖轮作 业智能调度方法能够将得到的理论最优调度方 案与调度员人为习惯特征分类融合， 使得到的调 度方案包含调度员人为习惯特征， 能够兼顾调度 计划的稳定性以及与调度人员的协调性， 提高拖 轮作业的效率， 并降低成本 。 权利要求书2页 说明书9页 附图3页 CN 115471142 A 2022.12.13 CN 115471142 A 1.一种基于人机协同的港口拖轮作业智能调度方法， 其特 征在于， 包括： 基于预设遗传算法确定 港口拖轮作业调度计划的理论 最优调度方案； 基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人为习 惯特征进行分类， 得到习惯特 征分类信息； 基于预设的神经网络融合模型对所述理论最优调度方案和习惯特征分类信息进行融 合， 得到融合 最优调度方案； 基于预设的调度阈值和所述融合 最优调度方案确定目标调度方案 。 2.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述基于预设遗传算法确定 港口拖轮作业调度计划的理论 最优调度方案， 包括： 对所述港口拖轮作业调度计划中相关元素进行编码， 得到编码表格， 根据所述编码表 格随机生成个 体， 产生初始种群； 以空驶时间最小为目标定义目标函数， 并设定所述目标函数的倒数为 适应度； 基于锦标赛法在所述初始种群中筛 选出满足所述 适应度的个 体作为最优个体； 使用Order  Crossover交叉算子， 在交叉过程中选取所述最优个体 的一对染色体作为 父本染色体和母本染色体， 以所述父本染色体和母本染色体为基础 迭代进行交叉运算并将 产生的后代加入到基因集中， 并设定交叉率； 使用位置变异法作为变异算子， 随机选择所述基因集中的染色体， 在所述染色体中随 机产生两个位置交换这两个位置的值， 并设定变异率； 从所述基因集中得到满足适应度的理论 最优调度方案 。 3.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述预设的神经网络自编码器模型包括第一编码器和第一 解码器； 所述基于预设的神经网络自编码器模型对所述港口拖轮作业调度计划中调度员的人 为习惯特 征进行分类， 得到习惯特 征分类信息， 包括： 基于所述第 一编码器提取所述港口拖轮作业调度计划中调度员的人为习惯特征， 将所 述习惯特 征转化为一个N维的特 征向量； 基于所述第 一解码器对所述特征向量进行解码， 恢 复为所述港口拖轮作业调度计划中 的调度信息内容， 得到习惯特 征分类信息 。 4.根据权利要求3所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 得 到所述预设的神经网络自编码器， 包括: 获取历史港口拖轮作业调度数据， 构建数据集； 建立初始神经网络自编码器模型， 以所述数据集为输入， 调度员的人为习惯分类为输 出， 迭代训练所述初始神经网络自编码器模型， 得到所述预设的神经网络自编码器模型。 5.根据权利要求4所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述迭代训练所述初始神经网络自编码器模型， 包括： 获取所述数据集的历史港口拖轮作业调度数据， 依次输入所述第一编码器中， 得到编 码信息； 将所述编码信息 输入所述第一 解码器中， 得到解码信息； 检验所述解码信 息与输入的历史港口拖轮作业调度 数据相似度， 并调整所述编码器和 解码器的参数使重构误差最小， 直到所述解码器输出的解码信息与所述历史港口拖轮作业权　利　要　求　书 1/2 页 2 CN 115471142 A 2调度数据相似度达 到设定阈值。 6.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述预设的神经网络融合模型包括第二编 码器和第二解码 器； 所述基于预设的神经网络融合 模型对所述理论最优调度方案和习惯特征分类信息进行融合， 得到融合最优调度方案， 包 括： 根据所述第二编码器提取 所述理论 最优调度计划 和习惯特 征分类信息的特 征向量； 很具所述第二解码器对所述理论最优调度计划和习惯特征分类信息的特征向量进行 解码还原， 并根据预设的强化学习算法得到融合 最优调度方案 。 7.根据权利要求6所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述根据预设的强化学习算法得到融合 最优调度方案， 包括： 根据所述预设的强化学习算法的状态、 动因、 动作和奖励要素将所述港口拖轮作业调 度计划中拖轮定义为动因要素， 状态要素为所述理论最优调度计划， 动作要素为所述调度 员的人为习惯特征分类， 奖励要素为包含所述调度员的人为习惯特征分类的调度方案， 建 立一个以状态要素为行、 动作要素为列的Q值表， 通过每个动作带来的奖励不断更新所述Q 值表中的Q值， 从而获得理想状态要素下、 理想动作要素的Q值， 根据所述理想状态要素下、 理想动作要素的Q 值得到融合 最优调度方案 。 8.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述基于预设的调度阈值和所述融合 最优调度方案确定目标调度方案， 包括： 设定调度阈值， 并对比实际调度结果与所述融合 最优调度方案的相同率； 当所述相同率高于所述调度阈值时输出目标调度方案； 当所述相同率低于调度阈值时根据预设的网络模型 得到目标调度方案 。 9.根据权利要求8所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 所 述当所述相同率低于设定阈值时根据预设的网络模型 得到目标调度方案， 包括： 获取历史数据的实 际调度结果数据， 构建训练集对所述网络模型进行训练， 得到所述 预设的网络模型； 当所述相同率低于所述调度阈值时将所述调度计划融合最优解输入所述预设的网络 模型， 得到目标调度方案 。 10.根据权利要求1所述的基于人机协同的港口拖轮作业智能调度方法， 其特征在于， 还包括： 设置滚动窗口， 实时更新所述港口拖轮作业调度计划， 当所述港口拖轮作业调度计划 中出现变动时， 更新整个学习过程， 得到新的目标调度方案 。权　利　要　求　书 2/2 页 3 CN 115471142 A 3