CN101944205A - 一种工厂物料配送车辆调度系统 - Google Patents

Abstract

本发明涉及一种工厂物料配送车辆调度系统，包括样本与实时数据采集器和物料车路线指引器，收集工位的工位数据、物料配送车辆行驶的车辆数据并通过所述无线传感网络传给安装在物料配送车辆上的物料车路线指引器；该物料车路线指引器包括运算模块和路线指引模块，所述物料车路线指引器接受所述无线传感网络传送的数据并通过所述运算模块计算出车辆实时的配送方案，所述路线指引模块将计算的配送方案通过显示设备展示给物料车辆操作人员，实现对物料的调度配送。本发明能处理不确定信息，得到比现有调度规则更好的车辆配送路线，实时指导物料配送高效率的进行，减少因物料配送不及时而导致的误工，减少配送的运力成本，提高企业的生产效率。

Description

一种工厂物料配送车辆调度系统

技术领域

本发明涉及一种工厂物料配送车辆调度系统，特别涉及一种能处理不确定信息的工厂物料配送车辆调度系统。

背景技术

工厂物料配送是指按工位对物料的需求，在配送中心进行分货、配货，并将配好的货物及时送达生产工位的活动。作为物料配送中关键步骤，车辆的优化调度问题(Vehicle Routing Problem，VRP)研究受到了人们的广泛关注。随着诸多新技术如，数据通讯传输技术、电子传感技术、电子控制技术及信息处理技术已在物流领域得到广泛应用，企业迫切需要在这些技术的支持下，开发能快速处理多种信息的车辆调度系统。然而在以往的研究中，人们通常假定在构造路径之前，所有的信息(包括顾客信息、车辆信息、路况信息和线路制定者信息)都是确定的，这类车辆路径问题被称为确定性车辆路径问题。但由于车辆调度问题中存在着大量不确定信息，使得经典VRP理论难应用于实际问题。不确定信息包含物料配送中货物需求量不确定、货物需求时间不确定和在各路段的行车时间不确定。不确定信息按照主客观描述可以分为模糊信息和随机信息。用模糊信息求解VRP问题可称为模糊VRP。模糊VRP的解不具有确定性情况下解的一般特征，目前大多数车辆调度系统都不能较好的解决该类问题。由于刘宝锭在模糊规划问题求解上做了一定研究，提出了用模糊模拟技术和神经网络等方法来求解(刘宝锭等.不确定规划及应用[M].清华大学出版社，2003.8)，使得模糊VRP问题具备了定量的求解方法。本发明研究一整套新工厂物料配送模糊VRP求解方法以针对实际运作中出现的不确定信息，设计一套可处理不确定信息的物料配送系统，合理的指导物料配送的过程。

发明内容

本发明的目的为了针对现有技术不足，实现工厂车间物料配送作业中的物料运输监控，工位需求实时数据采集与分析，组织配送车辆高效率低成本的作业，而提供一种操作简单，智能计算和能处理不确定信息的工厂物料配送车辆调度系统。

为实现本发明的目的所采用的技术方案如下：

一种工厂物料配送车辆调度系统，其特征在于，该系统包括样本与实时数据采集器和物料车路线指引器，所述的样本与实时数据采集器包括工位数据采集客户端、车辆数据采集客户端和无线传感网络，所述工位数据采集客户端收集工位数据，所述车辆数据采集客户端收集物料配送车辆行驶的车辆数据，上述工位数据和车辆数据通过所述无线传感网络传给安装在物料配送车辆上的物料车路线指引器；该物料车路线指引器包括运算模块和路线指引模块，所述物料车路线指引器接受所述无线传感网络传送的数据并通过所述运算模块计算出车辆实时的配送方案，所述路线指引模块将计算的配送方案通过显示设备展示给物料车辆操作人员，实现对物料配送车辆的调度。

作为本发明的进一步改进，所述的工位数据采集客户端负责收集工位各种信息，该工位数据采集客户端包括数据采集装置，数据发射器和运算处理器，所述数据采集装置收集工位数据，并利用数据发射器通过无线传感网络将收集的工位数据传递给物料车路线指引器，其中采集与发射过程由运算处理器来协调完成。

作为本发明的进一步改进，所述的车辆数据采集客户端安装在运输小车上，自动完成车辆数据的采集，该车辆数据采集客户端包括无线射频识别读取器，无线射频识别标签，数据发射器和运算处理器，无线射频识别标签安装在各个生产工位位置和物料配送中心，其识别半径覆盖该工位车辆停靠的服务点，以识别车辆临近的工位或配送中心的ID，运算处理器记录对应的ID和时刻，并计算出车辆行驶当前工位，记录两工位间车辆行驶时间，通过数据发射器将车辆数据广播到无线传感网络中去。

作为本发明的进一步改进，所述无线传感网络用于将工位数据采集客户端和车辆数据采集客户端产生的数据上传给物料车路线指引器，其包括多个终端、多个路由器、一个协调器和一个主机，所述主机与协调器相连以控制整个网络的运转，协调器与多个路由器相连，每个路由器可连接多个终端。

作为本发明的进一步改进，所述运算模块将接收的数据训练神经网络，模拟不确定信息的表现特征，将车辆候选路径作为寻优解进行编码，采用处理模糊信息的车辆调度方法进行寻优，找出车辆的最佳配送方案。

作为本发明的进一步改进，所述处理模糊信息的车辆调度方法具体包括以下步骤：

(1)用模糊模拟技术为不确定约束函数

产生输入输出数据，其中，x为输入，g(x)为输出，f(x，ξ)为带模糊因子的约束方程，

为约束下界值，β为置信度，Pos{A}描述了事件A发生的可能性；

(2)根据产生的输入输出数据训练一个神经元网络逼近上述不确定函数g(x)；

(3)运用RHA启发式算法选取多个染色体，并利用训练好的神经元网络检验染色体的可行性；

(4)采取双选择双变异率遗传算法流程对种群进行交叉变异操作；

(5)利用训练好的神经元网络计算所有染色体的目标值，并根据目标值计算每个染色体的适应度；

(6)通过旋转赌轮方式选择染色体；

(7)重复步骤(4)～(6)直到完成给定的循环次数，再将得到的染色体中最好的染色体作为最优解，即为车辆配送的最佳路线方案；

其中，所述的RHA启发式算法计算步骤如下：

(3.1)建立简化确定型模型

设

为隶属度函数，α为置信度，将工位需求和运输时间在隶属度函数满足置信度大于α的自变量空间ξ⁰ò{ξ_inf(α)，ξ_sup(α)}随机取值，ξ_inf(α)为自变量ξ⁰的下确界，ξ_sup(α)为自变量ξ⁰的上确界，模糊预约时间简化为以t_ei和t_li值为上下界，满意度为1的传统时间窗，得到确定型模型；

(3.2)取一辆车进行服务，当前点选择配送中心；

(3.3)选中当前的点，将所有未被安排的工位与该点连接起来，保留符合约束条件的路径，其中约束条件包括车辆装载能力约束和时间窗约束，以路径的长短评价保留的路径值，即路径越短评价值越高，转步骤(3.4)；如果没有一条路径符合条件，当前车辆配送路线安排完毕，转步骤(3.2)；

(3.4)将保留的路径进行高低排列和区域划分，路径值高的占有的区域值就大，旋转一次赌轮，抽出一条符合条件的路径，删除其他路径，保留选中的点为下一步的当前点；

(3.5)如果所有的工位已经安排完毕，则结束，否则转步骤(3.3)；

所述双选择双变异率遗传算法的具体步骤如下：

(4.1)初始化种群数量，种群为pop，大小为size；

(4.2)用适应度函数EVAL(x)评价每个染色体；

(4.3)对种群pop进行选择操作，得到子群pope；

(4.4)以概率Pc选择所述子群pope，再对达到一定海明距离的染色体进行交叉操作，得到临时种群TempPop，该临时种群的大小为TempPop_size；

(4.5)判断TempPop_size＞size是否成了，若成立，跳转到步骤(4.6)，否则以概率Pn1对子群pope进行变异，跳转到步骤(4.4)；

(4.6)用适应度函数EVAL(X)评价每个染色体；

(4.7)对临时种群TempPop进行选择操作并替代子群pope；

(4.8)以概率Pn2对替代后的子群pope全局变异，得到下一代子群。

作为本发明的进一步改进，所述的路线指引模块是后期处理优化结果并展示给车辆驾驶员的装置，该装置具体处理过程如下：

(1)获取当前车辆所停靠的工位或配送中心ID；

(2)根据运算模块计算出来的最佳路线方案，得到后续要服务工位的顺序，统计需要装载的物料种类、数量信息；

(3)计算该车辆下一个服务工位的ID，查询当前工位到下一工位的最佳路线表，得到小车路线行驶方案；

(4)上述得到的小车路线行驶方案在显示设备上显示，指引物料车辆配送。

本发明带来的有益效果有：更真实的实时的反应现场物料的需求情况，可处理物料需求快慢变换，数量变换，配送车辆行驶状况等不确定信息，使配送系统的可靠性增强，也使得系统带有一定的物料需求预测能力，使物料供应及时准确，提高生产效率；为物料配送部门提供智能化的配送方案，减少按计划，按经验配送导致的物料配送有时过多，有时不足，耗费大量运输工具，浪费配送成本的现象，为企业生产计划等决策提供决策依据，提高业务管理效率；系统简单易用，适用性广，稳定可靠，成本低；可与其他工业系统兼容，方便企业数据的统计。

附图说明

图1为本发明的系统结构示意图。

图2为本发明的无线网络现场布局图。

图3为本发明的双选择双变异率遗传算法流程图。

具体实施方式

本发明结合附图和具体实施例作进一步的描述：

如图1所示，一种工厂物料配送车辆调度系统，能处理不确定信息的，该系统包括样本与实时数据采集器1和物料车路线指引器4。其中所述的样本与实时数据采集器1包括工位数据采集客户端2、车辆数据采集客户端3和无线传感网络部分。工位数据采集客户端2收集工位的各种信息，车辆数据采集客户端3收集物料配送车辆行驶的各种数据，经过统计分析处理后，通过无线传感网络传给安装在物料配送车辆上的物料车路线指引器4。所述的物料车路线指引器4包括运算模块和路线指引模块，物料车路线指引器接受这些数据并用运算模块计算出车辆实时的配送方案，路线指引模块根据计算的配送方案通过LCD显示器展示给物料车辆操作人员。

所述样本与实时数据采集器1是系统中的数据采集装置，它能收集工位和车辆行驶的实时数据，经过统计整理，为物料车路线指引器提供数据准备。其数据来源包括：工位对物料种类的需求，对物料种类需求的量，对该物料需要送达工位的时间(其中包括最早可到达时间，最佳到达时间和截止达到时间)，车辆行驶当前工位，记录两工位间车辆行驶时间，两工位间行驶的最佳选择路线。以上数据通过收集整理后，通过分布在工位和关键道路的无线传感网络，传到物料车路线指引器。

样本与实时数据采集器1包括工位数据采集客户端2、车辆数据采集客户端3和无线传感网络三部分。

(a)工位数据采集客户端

工位数据采集客户端2的使用对象为生产车间的工位操作人员，负责收集工位各种信息。客户端主要包括数据采集装置(如条码枪，触摸屏，鼠标点选)，数据发射器和低功耗小运算能力的处理器。采集装置将收集的信息使用数据发射器采用无线传感网络传递给物料车路线指引器。中间的采集与发射功能由处理器来协调完成。

(b)车辆数据采集客户端

车辆数据采集客户端3需要安装在运输小车上，自动完成车辆数据的采集。客户端主要包括无线射频识别读取器，无线射频识别标签，数据发射器和低功耗小运算能力的处理器。无线射频识别标签需要安装在各个生产工位位置和物料配送中心，识别半径应覆盖该工位车辆停靠的服务点。当车辆在行驶过程中车辆靠近贴有无线射频识别标签的工位或者配送中心时，可以识别车辆临近的工位或配送中心的ID，记录下对应ID和时刻，从而计算出车辆行驶当前工位，记录两工位间车辆行驶时间，并广播到无线传感网络中去。两工位间行驶的最佳选择路线表可以通过有经验的驾驶员手工录入，也可以采用目前流行的蚁群算法计算得到结果。

(c)无线传感网络

无线传感网络将工位数据采集客户端和车辆数据采集客户端准备的数据上传给物料车路线指引器。其包括多个终端、多个路由器、一个协调器、一个主机，主机通过串口与协调器相连以达到控制协调器来控制整个网络的运转，协调器与多个路由器相连，每个路由器可连接多个终端，组成无线传感网络。终端与路由器分布在工位、道路、配送中心和路口关键位置，协调器和主机安装在配送中心，见附图2。

本实施例中所述样本与实时数据采集器的具体工作过程如下所示：

(1)基础数据准备：

连接工位数据采集客户端2，连接车辆数据采集客户端3，收集的基础信息包括：工位需求物料的代码W_c，需求的数量Q_p，实际消耗的数量Q_r，希望能到达的时间t_p，实际货物到达的时间tr(排除过早或过晚导致服务失败的时间)，车辆在固定的工位i和工位j之间行驶的时间t_ij(也包括配送中心到达工位的时间)。取样本N组，N＝50～100。根据经验或者蚁群算法计算出工位i和工位j之间最短的路线方案，编成两工位之间最佳路线表。

(2)服务工位数据实时采集：

工位作业人员根据物料消耗情况，通过数据采集装置(如条码枪，触摸屏，鼠标点选)，上传物料需求物料的代码W_c，物料需求的时间t_d，物料需求的数量Q_d。

(3)得到委运单

以配送周期T为单位，统计该周期中得到的服务工位实时数据，得到如下格式的委运单表格：

工位代码ID	物料代码Wc	需求数量Qd	物料需求时间td

(4)车辆行驶数据采集

在车辆行驶过程中，根据车辆无线射频识别读取器感应工位和配送中心的无线射频识别标签的过程，记录车辆当前服务的工位i，下一个准备服务工位j，从工位i到工位j行驶的时间t_ij。

物料车路线指引器是安装在物料配送车辆上可以接受无线数据，带有逻辑运算功能的路线指引装置，其主要功能包括接受数据进行运算分析，将优化结果通过人机界面直接指导配送车辆操作人员行驶。在硬件上，它包括ARM运算处理器，LCD显示屏，无线接受器。在功能上，它又分为运算模块和路线指引模块。无线接受器接受样本与实时数据采集器采集的数据信息，包含工位数据采集客户端和车辆数据采集客户端采集的数据。采集的数据通过集成在ARM运算处理器内的运算模块加工后得到本车本次任务的物料配送信息，包括物料种类，数量，待服务工位顺序和行驶最佳路线。这些信息通过LCD显示屏展示给车辆驾驶员参考。

运算模块是系统的核心功能模块，提供了物料配送车辆的工位服务顺序。包括物料配送的数学模型，模糊模拟技术训练神经网络，编解码，车辆路线寻优的调度算法和结果输出。

(1)数学模型的建立

以车辆行驶总路径为最短的目标的数学模型如下表示：

$\min {\mathrm{\Σ}}_{k=1}^K{\mathrm{\Σ}}_{i=1}^N{\mathrm{\Σ}}_{j=1}^N{l}_{\mathrm{ij}}{x}_{\mathrm{ijk}}$

S.T.

$\mathrm{pos}\{{\mathrm{\Σ}}_{i=1}^N{\tilde{D}}_i{y}_{\mathrm{ik}}\≤Q\}\≥{\mathrm{\α}}_1,k=\mathrm{1,2},..,K$

$x_{\mathrm{ijk}}=1\→\mathrm{pos}\{t_i+t_i^s+{\tilde{T}}_{\mathrm{ij}}\≤t_j\}\≥{\mathrm{\α}}_2$

$\mathrm{pos}\{t_{\mathrm{ri}}^{\%}=t_i\}\≥{\mathrm{\α}}_3$

${\mathrm{\Σ}}_{k=1}^K{y}_{\mathrm{ik}}=1$

${\mathrm{\Σ}}_{i=1}^N{x}_{\mathrm{ijk}}=y_{\mathrm{jk}}$

${\mathrm{\Σ}}_{j=1}^N{x}_{\mathrm{ijk}}=y_{\mathrm{ik}}$

${\mathrm{\Σ}}_{i=1}^R{\mathrm{\Σ}}_{j=1}^R{x}_{\mathrm{ijk}}\≤\left|R\right|-1,R\∈\{\mathrm{1,2},...,N\}$

y_ik∈{0，1}，x_ijk∈{0，1}

式中：

-模糊变量；

N-需要服务的工位总数；

K-参与服务的车辆总数；

Q-每个车辆的运载能力；

l_ij-工位i行驶到工位j的距离；

-车辆在工位i服务的时间；

t_i-工位i开始服务的时间；

α_n-模糊约束的置信度α_n∈[0，1]，n＝1，2，3；

x_ijk-(0-1)决策变量，x_ijk＝1表示车辆k从工位i驶往工位j；

y_ik-(0-1)辅助决策变量，y_ik＝1表示工位i采用车辆k服务；

其中i＝1，2，..，N；j＝1，2，..，N；k＝1，2，..，K。

(2)模糊变量的表达方式

所述的工厂物料配送的数学模型包含三种模糊变量。即模糊物料需求量、模糊运输时间和模糊工位需求时间窗。

(I)对采集的工位需求模糊信息根据常用统计方法可以表示为：

设工位i的物料需求量为一模糊数

取

为三角模糊数

${\tilde{D}}_i=(d_{1i},d_{2i},d_{3i})$

式中，d_1i和d_3i分别为三角模糊数的上界和下界，d_2i为隶属度为1的点。

(II)对采集的运输时间模糊信息根据常用统计方法可以表示为：

设工位i到工位j之间的运输时间为一模糊数

取

为三角模糊数

$T_{\mathrm{ij}}^{\%}=({t_{\mathrm{ij}}}^1,{t_{\mathrm{ij}}}^2,{t_{\mathrm{ij}}}^3)$

式中，t_ij ¹和t_ij ³分别为三角模糊数的上界和下界，t_ij ²为隶属度为1的点。

(III)对采集的时间窗的模糊信息根据常用统计方法可以表示为：

工位i的模糊时间窗采用工位模糊预约时间

来表示，取

为三角模糊数

$t_{\mathrm{ri}}^{\%}=(t_{\mathrm{ei}},t_{\mathrm{di}},t_{\mathrm{li}})$

式中，t_ei和t_li分别为三角模糊数的上界和下界，t_di为隶属度为1的点。

(3)模糊模拟技术训练神经网络

所述的模糊模拟技术训练神经网络目的是模拟带有模糊参数的约束，步骤如下：

由模糊向量ξ随机生成一个清晰向量ξ⁰使μ(ξ⁰)≥α，即在模糊向量ξ的α水平截集中随机抽取一个向量。如果向量ξ⁰满足g_i(ξ⁰)≤0，i＝1，2，Λ，k，则认为Pos{g_i(ξ)≤0，i＝1，2，Λ，k}≥α成立，否则，按同样方法，由模糊向量ξ重新生成清晰向量ξ⁰，并检验约束条件，经过给定的N次循环后，如果没有生成可行的向量ξ⁰，则认为Pos{g_i(ξ)≤0，i＝1，2，Λ，k}≥α不成立。

过程如下：

(1)随机的从模糊向量ξ的α水平截集中随机抽取一个向量ξ⁰；

(2)若g_i(ξ⁰)≤0，i＝1，2，Λ，k，返回“成立”；

(3)重复步骤1，2共N次；

(4)返回“不成立”。

(5)收集输入的ξ⁰和输出的返回值，组合为训练样本训练神经网络，使神经网络逼近模糊约束方程。

(4)编码和解码方式

所述的编码方法使用自然数编码。染色体形式如下

(0，i₁，i₂，...i_j，0，i_k，...，i_l，0，...，0，i_p，...，i_q，0)

整数i_j表示子路径的第j个工位点，0表示配送中心，数目为m+1个，首尾要求都是0。中间m+1个0把编码分为m段，形成m个子路径，表示由m辆车来完成所有的运输任务。染色体编码中子路径内部是有序的，而子路径之间是无序的。

所述的解码方法如下：

这样的染色体编码可以解释为：第一辆车从配送中心出发，经过i₁，i₂，...，i_j点后又回到配送中心，形成第一条车辆路径1；第二辆车从配送中心出发，经过i_k，...，i_l点后又回到配送中心，形成路径2；m辆车依次出发，形成m条子路径。

(5)车辆路线寻优的调度算法

所述的车辆路线寻优的调度算法步骤如下：

(1)用模糊模拟技术为下列不确定函数产生输入输出数据

$x\→\min \left\{\stackrel{\‾}{f}\right|\mathrm{Pos}\{f(x,\mathrm{\ξ})\≥\stackrel{\‾}{f}\}\≥\mathrm{\β}\}.$

(2)根据产生的数据训练一个神经元网络逼近不确定函数。

(3)随机取ξ⁰∈{ξ_inf(α)，ξ_sup(α)}，运用RHA启发式算法选取pop_size个染色体，并利用训练好的神经元网络检验染色体的可行性。

(4)采取双选择双变异率遗传算法流程对种群进行交叉，变异操作。

(5)利用训练好的神经元网络计算所有染色体的目标值。

(6)根据目标值计算每个染色体的适应度。

(7)通过旋转赌轮方式选择染色体。

(8)重复步骤(4)～(7)直到完成给定的循环次数。

(9)给出最好的染色体作为最优解。

所述的RHA启发式算法计算步骤如下。

(1)建立简化确定型模型。

为隶属度函数，α为置信度，将工位需求和运输时间在隶属度函数满足置信度大于α的自变量空间ξ⁰ò{ξ_inf(α)，ξ_sup(α)}随机取值，ξ_inf(α)为自变量ξ⁰的下确界，ξ_sup(α)为自变量ξ⁰的上确界。模糊预约时间简化为以t_ei和t_li值为上下界，满意度为1的传统时间窗，得到确定型模型。

(2)选中当前的点，若当前未有选定点则选择配送中心。将所有未被安排的工位与该点连接起来，保留符合约束条件的路径(约束包括车辆装载能力约束，时间窗约束)，以路径的长短评价保留的路径值，转步骤(3)。如果没有一条符合条件，这条线安排完毕，另取一辆车服务，当前点改为配送中心，转步骤(2)。

(3)采用轮盘赌的方式将保留的路径进行高低排列和区域划分，路径值高的占有的区域值就大。旋转一次赌轮，抽出一条符合条件的路径，删除其他路径，保留选中的点为下一步的当前点。

(4)如果所有的工位已经安排完毕，则结束，否则转步骤(2)。

每循环执行一次，便可以得出一个车辆路径计划方案，作为一个染色体，再重复执行，可以得到不同的染色体。重复多次，即可得到初始种群。该初始种群范围缩小到模糊机会约束规划模型的期望解空间中，极大的减少解的搜索范围和收敛时间。

所述的双选择双变异率遗传算法，双选择指使用海明相似度区分染色体并进行交叉算子运算前，先淘汰一批不良染色体，在海明相似度区分染色体并进行交叉算子运算后，再进行一次过滤，得到交叉操作后的较优群体。双变异率指局部小变异和全局变异。局部小变异是当交叉操作产生个体数较少时而进行局部小变异。全局变异是在每一代交叉操作结束，并按照适应度值择优选择完成后对这部分群体进行的。具体流程见附图3。其计算步骤如下：

(1)初始化种群数量，种群为pop，大小为size。

(2)用适应度函数EVAL(x)评价每个染色体。

(3)对pop进行选择操作，从中选择得到子群pope。

(4)以较大概率Pc选择子群pope，再对达到一定海明距离的染色体进行交叉操作，得到临时种群TempPop，该临时种群的大小为TempPop_size。

(5)判断TempPop_size＞size，是，跳转(6)，不是，以小概率Pn1对pope进行变异，跳转(4)。

(6)用适应度函数EVAL(X)评价每个染色体。

(7)对TempPop进行选择操作并替代POPE。

(8)以概率Pn2对替代后的POPE全局变异。

(9)得到下一代POP(size)。

路线指引模块是后期处理优化结果并展示给车辆驾驶员的装置，包括如下步骤：

(1)获取当前车辆所停靠的工位或配送中心ID。

(2)根据运算模块计算出来的路线方案，得到后续要服务工位的顺序，统计需要装载的物料种类，数量等信息。

(3)计算该车辆下一个服务工位的ID，查询当前工位到下一工位的最佳路线表，得到小车路线行驶方案。

(4)在LCD显示屏上按照得到的小车路线行驶方案指引车辆货物配送。

下面以实例说明该系统的运行结果：

某装配生产线，需要配送7种零件到生产线7个工位(编号1，2，...，7)，从配送中心出发，每辆车的载重量为8单位，各任务货运量已按统计方法得到如下所示(需求量和预约时间均为三角模糊数)，

以及各工位间行驶时间和行驶费用如下所示(行驶时间为三角模糊数，且系数矩阵对称)，

要求每辆车不超载，且能满足每个工位的送货量前提下，安排车辆路线使得运输总距离最少。

设置算法参数：选择概率1取0.8，选择概率2取0.8，交叉概率取0.8，局部变异概率取0.1，全局变异概率取0.2，种群大小为100，海明相似度不超过0.5，迭代步数终止设定为200。模糊数置信度的选择上，预约时间取0.2，行驶时间取0.8，工位需求取0.8。

本系统求解出最优染色体为053067042010，解码后得最优路线方案如下

路线1：配送中心-工位5-工位3-配送中心；

路线2：配送中心-工位6-工位7-配送中心；

路线3：配送中心-工位4-工位2-配送中心；

路线4：配送中心-工位1-配送中心。

行驶总距离为179.71。

本系统采用的改进混合智能算法比目前传统混合智能算法收敛速度上提升了63％和计算优化结果改进了21％，使得本算法应用在实际中有较好的实时性，能更好的提供优化方案。本系统其能处理不确定信息的能力可真实的反应现场物料配送的情况，正确指导配送过程的作业，其简单性，易用性，实时性和可靠性正是本发明的特色。

Claims (7)

1.一种工厂物料配送车辆调度系统，其特征在于，该系统包括样本与实时数据采集器和物料车路线指引器，所述的样本与实时数据采集器包括工位数据采集客户端、车辆数据采集客户端和无线传感网络，所述工位数据采集客户端收集工位数据，所述车辆数据采集客户端收集物料配送车辆行驶的车辆数据，上述工位数据和车辆数据通过所述无线传感网络传给安装在物料配送车辆上的物料车路线指引器；该物料车路线指引器包括运算模块和路线指引模块，所述物料车路线指引器接受所述无线传感网络传送的数据并通过所述运算模块计算出车辆实时的配送方案，所述路线指引模块将计算的配送方案通过显示设备展示给物料车辆操作人员，实现对物料配送车辆的调度。

2.根据权利要求1所述的一种工厂物料配送车辆调度系统，其特征在于，所述的工位数据采集客户端负责收集工位各种信息，该工位数据采集客户端包括数据采集装置，数据发射器和运算处理器，所述数据采集装置收集工位数据，并利用数据发射器通过无线传感网络将收集的工位数据传递给物料车路线指引器，其中采集与发射过程由运算处理器来协调完成。

3.根据权利要求1或2所述的一种工厂物料配送车辆调度系统，其特征在于，所述的车辆数据采集客户端安装在运输小车上，自动完成车辆数据的采集，该车辆数据采集客户端包括无线射频识别读取器，无线射频识别标签，数据发射器和运算处理器，无线射频识别标签安装在各个生产工位位置和物料配送中心，其识别半径覆盖该工位车辆停靠的服务点，以识别车辆临近的工位或配送中心的ID，运算处理器记录对应的ID和时刻，并计算出车辆行驶当前工位，记录两工位间车辆行驶时间，通过数据发射器将车辆数据广播到无线传感网络中去。

4.根据权利要求1-3之一所述的一种工厂物料配送车辆调度系统，其特征在于，所述无线传感网络用于将工位数据采集客户端和车辆数据采集客户端产生的数据上传给物料车路线指引器，其包括多个终端、多个路由器、一个协调器和一个主机，所述主机与协调器相连以控制整个网络的运转，协调器与多个路由器相连，每个路由器可连接多个终端。

5.根据权利要求1-4之一所述的一种工厂物料配送车辆调度系统，其特征在于，所述运算模块将接收的数据训练神经网络，模拟不确定信息的表现特征，将车辆候选路径作为寻优解进行编码，采用处理模糊信息的车辆调度方法进行寻优，找出车辆的最佳配送方案。

6.根据权利要求5所述的一种工厂物料配送车辆调度系统，其特征在于，所述处理模糊信息的车辆调度方法具体包括以下步骤：

(1)用模糊模拟技术为不确定约束函数

产生输入输出数据，其中，x为输入，g(x)为输出，f(x，ξ)为带模糊因子的约束方程，

为约束下界值，β为置信度，Pos{A}描述了事件A发生的可能性；

(2)根据产生的输入输出数据训练一个神经元网络逼近上述不确定函数g(x)；

(3)运用RHA启发式算法选取多个染色体，并利用训练好的神经元网络检验染色体的可行性；

(4)采取双选择双变异率遗传算法流程对种群进行交叉变异操作；

(5)利用训练好的神经元网络计算所有染色体的目标值，并根据目标值计算每个染色体的适应度；

(6)通过旋转赌轮方式选择染色体；

(7)重复步骤(4)～(6)直到完成给定的循环次数，再将得到的染色体中最好的染色体作为最优解，即为车辆配送的最佳路线方案；

其中，所述的RHA启发式算法计算步骤如下：

(3.1)建立简化确定型模型

设

为隶属度函数，α为置信度，将工位需求和运输时间在隶属度函数满足置信度大于α的自变量空间ξ⁰ò{ξ_inf(α)，ξ_sup(α)}随机取值，ξ_inf(α)为自变量ξ⁰的下确界，ξ_sup(α)为自变量ξ⁰的上确界，模糊预约时间简化为以t_ei和t_li值为上下界，满意度为1的传统时间窗，得到确定型模型；

(3.2)取一辆车进行服务，当前点选择配送中心；

(3.3)选中当前的点，将所有未被安排的工位与该点连接起来，保留符合约束条件的路径，其中约束条件包括车辆装载能力约束和时间窗约束，以路径的长短评价保留的路径值，即路径越短评价值越高，转步骤(3.4)；如果没有一条路径符合条件，当前车辆配送路线安排完毕，转步骤(3.2)；

(3.4)将保留的路径进行高低排列和区域划分，路径值高的占有的区域值就大，旋转一次赌轮，抽出一条符合条件的路径，删除其他路径，保留选中的点为下一步的当前点；

(3.5)如果所有的工位已经安排完毕，则结束，否则转步骤(3.3)；

所述双选择双变异率遗传算法的具体步骤如下：

(4.1)初始化种群数量，种群为pop，大小为size；

(4.2)用适应度函数EVAL(x)评价每个染色体；

(4.3)对种群pop进行选择操作，得到子群pope；

(4.4)以概率Pc选择所述子群pope，再对达到一定海明距离的染色体进行交叉操作，得到临时种群TempPop，该临时种群的大小为TempPop_size；

(4.5)判断TempPop_size＞size是否成了，若成立，跳转到步骤(4.6)，否则以概率Pn1对子群pope进行变异，跳转到步骤(4.4)；

(4.6)用适应度函数EVAL(X)评价每个染色体；

(4.7)对临时种群TempPop进行选择操作并替代子群pope；

(4.8)以概率Pn2对替代后的子群pope全局变异，得到下一代子群。

7.根据权利要求1-6之一所述的一种工厂物料配送车辆调度系统，其特征在于，所述的路线指引模块是后期处理优化结果并展示给车辆驾驶员的装置，该装置具体处理过程如下：

(1)获取当前车辆所停靠的工位或配送中心ID；

(2)根据运算模块计算出来的最佳路线方案，得到后续要服务工位的顺序，统计需要装载的物料种类、数量信息；

(3)计算该车辆下一个服务工位的ID，查询当前工位到下一工位的最佳路线表，得到小车路线行驶方案；

(4)上述得到的小车路线行驶方案在显示设备上显示，指引物料车辆配送。

Images