随着全球气候变化问题的日益严峻,我国提出了“双碳”目标(碳达峰和碳中和)。而港口作为物流枢纽和货物集散地,它的碳排放问题尤为突出。针对港口作业调度优化问题,考虑船舶到港时间、货物装卸需求、岸桥作业能力及碳排放成本等关键因素...随着全球气候变化问题的日益严峻,我国提出了“双碳”目标(碳达峰和碳中和)。而港口作为物流枢纽和货物集散地,它的碳排放问题尤为突出。针对港口作业调度优化问题,考虑船舶到港时间、货物装卸需求、岸桥作业能力及碳排放成本等关键因素,构建最小化碳排放成本和码头运营成本的作业调度优化模型,并提出一种“双碳”目标下基于改进型非支配排序遗传算法(NSGA-Ⅱ)(E-NSGA-Ⅱ)的港口作业调度优化算法。首先,调整算法的编码策略、种群初始化方法和交叉变异操作;其次,设计不可行解的基因修复算子,并引入自适应交叉与变异概率机制。实验结果表明,与FCFS(First Come First Service)调度算法相比,所提算法在模型求解中的总成本下降了7.9%,碳排放成本下降了19.7%,码头运营成本下降了6.5%。以上研究结果丰富了多目标优化算法和港口作业调度理论,并为港口企业实现绿色调度、降低运营成本和提升经济效益提供了有力支持。展开更多
针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提...针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提下,实现NO_(x)排放和有效燃油消耗率(brake specific fuel consumption,BSFC)的同步下降。为避免大规模试验带来的成本增加,首先基于高斯过程回归建立DMCC发动机排放的NO_(x)体积分数、BSFC和指示功率预测模型;然后将所建模型与第二代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)结合,对NO_(x)的体积分数和BSFC进行优化,并将Pareto前沿解集代入逼近理想解排序法(the technique for order preference by similarity to an ideal solution,TOPSIS)寻找最优控制参数组合;最后将最优控制参数组合标定至电子控制单元,与原机数据进行对比分析。结果表明:基于高斯过程回归建立的预测模型的拟合优度大于0.95,均方根误差小于1,具有良好的一致性和准确性;使用NSGA-Ⅱ获取的最佳控制参数与优化前(原机工况)的相比,NO_(x)的排放量下降74.5%,仅为3.47 g/(kW·h),BSFC平均下降6.7%,仅为203.5 g/(kW·h)。展开更多
文摘随着全球气候变化问题的日益严峻,我国提出了“双碳”目标(碳达峰和碳中和)。而港口作为物流枢纽和货物集散地,它的碳排放问题尤为突出。针对港口作业调度优化问题,考虑船舶到港时间、货物装卸需求、岸桥作业能力及碳排放成本等关键因素,构建最小化碳排放成本和码头运营成本的作业调度优化模型,并提出一种“双碳”目标下基于改进型非支配排序遗传算法(NSGA-Ⅱ)(E-NSGA-Ⅱ)的港口作业调度优化算法。首先,调整算法的编码策略、种群初始化方法和交叉变异操作;其次,设计不可行解的基因修复算子,并引入自适应交叉与变异概率机制。实验结果表明,与FCFS(First Come First Service)调度算法相比,所提算法在模型求解中的总成本下降了7.9%,碳排放成本下降了19.7%,码头运营成本下降了6.5%。以上研究结果丰富了多目标优化算法和港口作业调度理论,并为港口企业实现绿色调度、降低运营成本和提升经济效益提供了有力支持。
文摘针对柴油发动机推进特性下的中高负荷工况出现的NO_(x)排放峰值现象,以及燃油价格日益上涨带来降低油耗率的迫切需求,本研究通过调节柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)发动机多种控制参数,在保证动力性前提下,实现NO_(x)排放和有效燃油消耗率(brake specific fuel consumption,BSFC)的同步下降。为避免大规模试验带来的成本增加,首先基于高斯过程回归建立DMCC发动机排放的NO_(x)体积分数、BSFC和指示功率预测模型;然后将所建模型与第二代非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)结合,对NO_(x)的体积分数和BSFC进行优化,并将Pareto前沿解集代入逼近理想解排序法(the technique for order preference by similarity to an ideal solution,TOPSIS)寻找最优控制参数组合;最后将最优控制参数组合标定至电子控制单元,与原机数据进行对比分析。结果表明:基于高斯过程回归建立的预测模型的拟合优度大于0.95,均方根误差小于1,具有良好的一致性和准确性;使用NSGA-Ⅱ获取的最佳控制参数与优化前(原机工况)的相比,NO_(x)的排放量下降74.5%,仅为3.47 g/(kW·h),BSFC平均下降6.7%,仅为203.5 g/(kW·h)。
