CN103279857A - 数控车间自动配送车辆调度方法 - Google Patents

Abstract

一种数控车间自动配送车辆调度方法，其特征是：在对数控车间内的车辆调度问题进行约束分析和数学建模的基础上，首先采用独创的矩阵扫描法为车辆分配配送任务，显著优化了后续遗传算法的初始种群，而后采用遗传算法求解单个车辆的最优配送顺序，针对数控车间中配送车辆的行驶特点，使用独创的带方向的坐标加减法计算车辆的实际行驶距离，在此基础上使用黄金分割法求得车辆的最佳配送时间，并采用精英保留策略避免了算法的局部收敛，从而得到了理想的车辆调度优化方案。本发明解决了在数控车间内，由于用户点的特定分布和配送的特殊过程所导致的现有车辆调度算法低效的问题，并且算法高效可行。

Description

数控车间自动配送车辆调度方法

技术领域

本发明涉及一种物流技术，尤其是一种数控加工车间中的物流配送技术，具体地说是一种基于矩阵扫描、黄金分割和遗传算法的数控车间自动配送车辆调度方法，它通过使用矩阵扫描法为不同车辆分配任务和使用遗传算法求解单个车辆的TSP（Traveling Salesman Problem，旅行商问题），并最终得到最优车辆调度方案。

背景技术

在现代物流配送的研究中，以有效控制配送中发生的库存成本、运输成本和运输时间为内容的运输调度问题成为研究的核心和目标。物流配送中的车辆调度问题即是在满足用户需求的条件下，为用户配送合理的货物数量，派遣最少的车辆，并为配送车辆指派运输时间和运输费用最省的路线。

车辆调度问题是一个相当复杂的问题，属于典型的NP（Non-deterministicPolynominal，非确定性多项式）难题，常使用精确算法及启发式算法来解决此类问题。传统的精确算法虽然可以在理论上无限逼近问题的最优解，但其求解时间随问题规模的增大而成指数增长，因此对于约束较多的复杂问题并不适用。而启发式算法虽然出现的较晚，但伴随着现代计算机技术的飞速发展，它能够在较短的时间内，得到近似最优解，因而在实际应用中获得了巨大的成功，越来越受到人们的重视。

随着工业生产技术的快速发展，数控加工在实际生产中所占据的地位越来越重要，因此数控车间中的刀具配送逐渐成为一种常见的物流配送问题。因此对数控车间配送车辆的优化调度研究，可以显著减少配送成本，提高配送效率，具有很大的经济效益和工程意义。

数控车间内的车辆调度问题实质是单一配送中心，单一车型，有车辆容量和配送时间限制，车辆在完成配送配送任务后需返回配送中心的，带软时间窗的单车场非满载车辆优化调度问题，即VRPTW（Vehicle Routing Problemwith Time Windows，有时间窗车辆路径问题）。其数学模型可以描述如下：

数控车间内存在一个配送中心和n个用户点（i=1，2…n），i=0表示配送中心，且已知其各自在车间中的位置。配送中心拥有刀具容量为q的k辆配送小车，已知每个用户点的刀具需求量为g_i（i=1，2…n），且有Max g_i≤q。每个用户点可接受的配送时间为[a_i,b_i]，配送车辆迟到和早到的时间惩罚值分别为d和e。定义变量如下：

$\min z=\underset{i}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{c}_{\mathrm{ij}}{x}_{\mathrm{ijk}}+d\underset{i}{\mathrm{\Σ}}\max (s_i-b_i,0)+e\underset{i}{\mathrm{\Σ}}\max (a_i-s_i,0)---\left(1\right)$

$\underset{i}{\mathrm{\Σ}}{g}_i{y}_{\mathrm{ki}}\≤q,(\∀k)---\left(2\right)$

$\underset{i}{\mathrm{\Σ}}{y}_{\mathrm{ki}}=1,(i=1,...,n)---\left(3\right)$

$\underset{i}{\mathrm{\Σ}}{x}_{\mathrm{ijk}}=y_{\mathrm{kj}},(i=1,...,n;\∀k)---\left(4\right)$

$\underset{j}{\mathrm{\Σ}}{x}_{\mathrm{ijk}}=y_{\mathrm{ki}},(j=1,...,n;\∀k)---\left(5\right)$

$\underset{j}{\mathrm{\Σ}}{x}_{0\mathrm{jk}}=1,\underset{i}{\mathrm{\Σ}}{x}_{i0k}=1,(\∀k)---\left(6\right)$

$\underset{i}{\mathrm{\Σ}}{x}_{\mathrm{ihk}}-\underset{j}{\mathrm{\Σ}}{x}_{\mathrm{hjk}}=0,(\∀h,\∀k)---\left(7\right)$

约束（2）保证每辆车的负载约束能力；约束（3）保证每个用户都被服务；约束（4）和（5）保证每个用户仅被一辆车服务；约束（6）和（7）保证每辆车从配送中心出发，访问用户后，最后回到配送中心。

数控车间内刀具配送过程的高度自动化需要借助一定的运送工具，AGV（Automated Guided Vehicle，自动导航车）正是这样一种典型的物流搬运工具。AGV小车本身具有诸多优点，如自动化程度高、方便快捷、占地面积小等，是完成刀具配送任务的理想工具，因而常见于国内各数控车间中。然而，其自身的特点也同样明显，AGV小车通常只能沿着车间中预设的固定路径进行循迹行驶；并且在行驶过程中，小车无法调头向后，只能始终向着车头方向前进。在考虑数控车间内的车辆调度问题时，如果不考虑AGV的行驶特点，而只把它当作普通的车辆处理，会使得求解过程偏离实际情况，结果也自然没有现实意义。

目前国内针对数控车间这一特定背景下的车辆调度问题的研究少之又少，且多数研究只是在城市物流配送问题的研究基础上，照搬其车辆调度方法并进行简单的细节修改，采用单一的传统启发式算法（如节约发、扫描法等）或者智能启发式算法（如遗传算法、蚁群算法等）来求解该问题。然而这些算法并没有针对数控车间中用户的特定分布（矩阵分布）和配送的特殊过程（如AGV小车的行驶特点）进行具体设计，使得算法十分低效，不仅需要耗费较长的时间，而且往往无法得到理想的全局最优解。因此，为了更高效地求解这一问题，需要进一步考虑该问题的特殊性，在这些研究的基础上开发一种新的数控车间配送车辆的调度方法。

发明内容

本发明的目的是针对现有的数控车间物流配送方法单一，效率低的问题，根据数据车间内用户的特定分布和配送的特殊过程，发明一种基于矩阵扫描、黄金分割和遗传算法的数控车间自动配送车辆调度方法，以解决车辆任务分配、车辆路径优化的难题。

本发明解决其技术问题所采用的技术方案是：

一种数控车间自动配送车辆调度方法，其特征是所述方法主要包括以下步骤：

（1）配送中心获得配送指令信息，所述的配送中心指在数控车间中进行物料配送的场所，所述的配送指令信息包括：用户需求、用户位置以及用户要求的配送时间窗；

（2）根据用户的位置和需求量，在满足配送车辆负载约束的条件下，采用矩阵扫描法，将各用户的配送任务分配给不同的车辆，根据扫描起始点的不同，扫描法产生不同的车辆任务分配组合；

（3）考虑不同车辆任务组合中每一辆车的配送问题，即在配送任务已知的情况下，根据用户位置和相应的时间窗约束，应用遗传算法来优化其配送顺序；

（4）在遗传算法求解车辆最优配送方案的过程中，利用黄金分割法和带方向的坐标计算法，在考虑时间惩罚值的基础上，计算不同方案的配送成本，求出车辆的最优配送时间，从而使配送过程的时间惩罚值最小；同时采用精英保留策略以避免遗传算法过早的陷入局部收敛，从而保证最终得到全局最优解；

（5）在得到各车辆的最优配送方案后，求解每个配送任务组合的车辆总配送成本，并通过比较不同组合的总成本，确定最优的车辆调度方案。

所述的步骤（2）中，矩阵扫描法能够使车辆的配送点更为集中，从而有效提高其配送效率。为车辆分配配送任务的矩阵扫描法考虑到数控车间各用户点呈矩阵分布的特殊性，其具体步骤是：

第一步：自数控车间中任一用户点开始，沿特定的顺序进行扫描，直到与某用户点相交；

第二步：计算如果在线路上增加该用户点，是否会超过车辆的承载能力，若没有，继续扫描，直到与下一个用户点相交，并再次进行相应的计算；若超过，就剔除最后的用户点，并确定第一辆车所需配送的用户点；

第三步：随后，从被剔除的用户点开始，继续扫描并重复第二步中的过程，寻找第二辆车所需配送的用户点；

第四步：如此重复，直到所有的用户点都被分配给各自的车辆。

所述的步骤（4）中，数控车间中所采用的配送车辆是AGV小车，考虑到其行驶特点，采用带方向的坐标加减法，可以模拟车辆实际行驶路径，计算其真实行驶距离。

所述的步骤（4）中，黄金分割法可以求出车辆的最优配送时间，从而使配送过程的时间惩罚值最小，其具体步骤是：

第一步：根据车辆的行驶距离，可求出其穿梭于不同用户点之间所需要的行驶时间（默认行驶速度一定），再加上车辆在每个用户点所停留的一段固定时间，便得到了完成该配送任务所需要的全部时间；

第二步：选定黄金分割的一个区间[a,b]，其中a为从配送中心出发的最早时间（首先找出该车所需配送各用户点中最早到达时间的最小值，再用其减去一个足够大的预留值），b为从配送中心出发的最晚时间（该车所需配送各用户点中最晚到达时间的最大值）；

第三步：以a作为车辆出发时刻，计算其到达各用户点的时间；

第四步：根据各用户点给出的时间窗约束，可以求得小车完成所有任务的早到时间之和与迟到时间之和，由已知的早到惩罚因子和迟到惩罚因子，可求出总体的惩罚值；

第五步：以b作为车辆出发时刻，并重复第三步和第四步，得到相应惩罚值；

第六步：比较两个惩罚值，以惩罚值最小为目标，确定新的分割区间[a′,b′]；

第七步：重复第三步到第六步，当时间的区间上下限之差小于预设的精度值时，停止迭代过程，所得到的时间即为该车辆的最优配送时间。

所述的步骤（4）中，精英保留策略可以避免遗传算法过早的陷入局部收敛，从而保证最终收敛得到全局最优解，其具体实现方法是：设到第m代时，群体中a(t)为最优染色体，存放在群体A(t)中第n+1个个体中（n为种群规模）。A(t+1)为新一代群体，若A(t+1)中不存在比a(t)更优的个体，则用a(t)代替A(t+1)中的最差个体，并且仍作为最优个体存入A(t+1)的第n+1个个体中；若存在比a(t)更优的个体，则将其作为最优个体存入A(t+1)的第n+1个个体中。

本发明的有益效果：

本发明针对数控车间内的刀具配送过程，提出了一种基于矩阵扫描、黄金分割和遗传算法的配送车辆调度方法，它包括车辆配送任务的分配和车辆配送路径的优化，采用矩阵扫描-遗传算法的二阶段法进行具体求解。

本发明针对数控车间中用户的特定分布，摒弃传统的射线扫描法，采用独创的矩阵扫描法对车间中的用户点进行扫描，从而将各用户的需求分配给不同的车辆，形成多种配送任务组合。而后在利用遗传算法求解单个车辆的TSP问题时，针对配送车辆的行驶特点，使用带方向的坐标计算法求解车辆的实际行驶距离，使用黄金分割法求解车辆的最佳出发时间，并采用精英保留策略算使法能够收敛得到该车辆的最优配送顺序。最终通过比较不同配送任务组合的总配送成本，确定最优的车辆调度方案。

利用本发明的方法可以实现数控车间中车辆配送任务的分配和车辆配送路径的优化。

本发明解决了在数控车间内，由于用户的特定分布和配送的特殊过程所导致的现有车辆调度算法低效的问题，通过扫描算法分配任务，显著优化了遗传算法中的初始种群，大大提高了算法的效率，而且本发明算法具有收敛性高的特点，可以有效实现配送车辆的优化调度，提高数控车间中车辆的利用率、减少配送成本，从而提高数控车间的生产效率。

附图说明

图1是本发明的算法流程图。

图2是本发明的数控车间机床坐标图。

图3是本发明的矩阵扫描法示例图。

图4是本发明的行驶距离算法图。

表1是本发明的用户配送信息表。

表2是本发明的车辆最优调度方案表。

具体实施方式

下面结合附图和数控车间中的配送实例对本发明作进一步的说明。

如图1所示。

一种数控车间自动配送车辆调度方法，包括以下步骤：

（1）配送中心获得配送指令信息，所述的配送中心指在数控车间中进行物料配送的场所，所述的配送指令信息包括：用户需求、用户位置以及用户要求的配送时间窗；

（2）根据用户的位置和需求量，在满足配送车辆负载约束的条件下，采用矩阵扫描法，将各用户的配送任务分配给不同的车辆，根据扫描起始点的不同，扫描法产生不同的车辆任务分配组合，以使车辆的配送点更为集中，从而有效提高其配送效率；矩阵扫描法步骤为：

第一步：自数控车间中任一用户点开始，沿特定的顺序进行扫描，直到与某用户点相交；

第二步：计算如果在线路上增加该用户点，是否会超过车辆的承载能力，若没有，继续扫描，直到与下一个用户点相交，并再次进行相应的计算；若超过，就剔除最后的用户点，并确定第一辆车所需配送的用户点；

第三步：随后，从被剔除的用户点开始，继续扫描并重复第二步中的过程，寻找第二辆车所需配送的用户点；

第四步：如此重复，直到所有的用户点都被分配给各自的车辆。

（3）考虑不同车辆任务组合中每一辆车的配送问题，即在配送任务已知的情况下，根据用户位置和相应的时间窗约束，应用遗传算法来优化其配送顺序；

2、（4）在遗传算法求解车辆最优配送方案的过程中，利用黄金分割法和带方向的坐标计算法，在考虑时间惩罚值的基础上，计算不同方案的配送成本，求出车辆的最优配送时间，从而使配送过程的时间惩罚值最小；同时采用精英保留策略以避免遗传算法过早的陷入局部收敛，从而保证最终得到全局最优解；其中：

黄金分割法包括以下步骤：

第一步：根据车辆的行驶距离，可求出其穿梭于不同用户点之间所需要的行驶时间（默认行驶速度一定），再加上车辆在每个用户点所停留的一段固定时间，便得到了完成该配送任务所需要的全部时间；

第二步：选定黄金分割的一个区间[a,b]，其中a为从配送中心出发的最早时间即先找出该车所需配送各用户点中最早到达时间的最小值，再用其减去一个足够大的预留值，b为从配送中心出发的最晚时间，即该车所需配送各用户点中最晚到达时间的最大值；

第三步：以a作为车辆出发时刻，计算其到达各用户点的时间；

第四步：根据各用户点给出的时间窗约束，可以求得小车完成所有任务的早到时间之和与迟到时间之和，由已知的早到惩罚因子和迟到惩罚因子，求出总体的惩罚值；

第五步：以b作为车辆出发时刻，并重复第三步和第四步，得到相应惩罚值；

第六步：比较两个惩罚值，以惩罚值最小为目标，确定新的分割区间[a′,b′]；

第七步：重复第三步到第六步，当时间的区间上下限之差小于预设的精度值时，停止迭代过程，所得到的时间即为该车辆的最优配送时间。

带方向的坐标计算法是指：

通过采用是AGV小车作为配送车辆，以实现带方向的坐标加减法，模拟出车辆实际行驶路径，计算其真实行驶距离；

所述的精英保留策略包括以下步骤：

设到第m代时，群体中a(t)为最优染色体，存放在群体A(t)中第n+1个个体中，n为种群规模；A(t+1)为新一代群体，若A(t+1)中不存在比a(t)更优的个体，则用a(t)代替A(t+1)中的最差个体，并且仍作为最优个体存入A(t+1)的第n+1个个体中；若存在比a(t)更优的个体，则将其作为最优个体存入A(t+1)的第n+1个个体中。

（5）在得到各车辆的最优配送方案后，求解每个配送任务组合的车辆总配送成本，并通过比较不同组合的总成本，确定最优的车辆调度方案。

以下结合一个具体车间实施作进一步的说明。

如图1-4，表1所示。

本实施实例中就数控车间内某一具体刀具配送问题展开研究。

在实际的生产现场中，数控车间的刀具配送问题可描述如下：车间内有16个用户点需要车辆配送刀具，其位置已知且具有不同的配送要求。同时已知配送小车的容量为20，对于用户要求的时间窗，配送车辆早到和迟到的时间惩罚值分别为0.2，0.5。在考虑时间惩罚值的基础上，以车辆配送成本最低为目标，求该问题的车辆配送方案。

参照图1，一种数控车间自动配送车辆调度方法，包括以下具体步骤：

第一步：配送中心查询数控车间中现有的用户委托单，获得相应的配送指令信息，包括：用户需求、用户位置以及用户要求的配送时间窗，如表1所示。为了便于问题的求解，根据用户在车间中的实际位置，将这16个用户点连同配送中心放置在平面坐标系内，如图2所示。图中坐标原点处即为配送中心，点1～16处则分别为各用户点所在的位置。

表1用户配送信息表

用户点	1	2	3	4	5	6
							坐标位置	(1,1)	(2,1)	(3,1)	(4,1)	(1,2)	(2,2)
需求量	2	3	2	2	3	1
							时间窗	9:25-9:30	9:40-9:45	9:37-9:46	9:14-9:30	9:41-9:52	9:24-9:30
用户点	7	8	9	10	11	12
							坐标位置	(3,2)	(4,2)	(1,3)	(2,3)	(3,3)	(4,3)
需求量	3	2	2	2	2	3
							时间窗	9:38-9:50	9:25-9:35	9:08-9:15	9:30-9:40	9:35-9:40	9:05-9:10
用户点	13	14	15	16
							坐标位置	(1,4)	(2,4)	(3,4)	(4,4)
需求量	2	2	1	2
							时间窗	9:10-9:20	9:25-9:45	9:10-9:30	9:30-9:40

第二步：根据各用户的位置和需求量，在满足配送车辆负载约束的条件下，采用矩阵扫描法，将各用户的配送任务分配给不同的车辆。图3中所示即为该问题所适用的四种扫描顺序，根据扫描起始点的不同，该扫描法理论上可产生64种不同的车辆任务分配组合。

第三步：考虑不同的车辆任务组合中每一辆车的配送问题，即在其配送任务已知的情况下，根据用户位置和相应的时间窗约束，应用遗传算法来优化其配送顺序。

第四步：遗传算法的具体求解过程如下：

（1）设定遗传算法的参数，令种群规模为60，交叉概率为0.9，变异概率为0.08，算法终止条件为种群中的染色体相似度达到90%。同时将表1中该车辆的配送任务、用户位置和时间窗约束等信息读入遗传算法中。

（2）采用自然数对可行线路进行编码，如（1 3 5 2 4 6 8 7）这样一条染色体表示车辆从配送中心出发后，依次经过1，3，5，2，4，6，8，7号用户点，完成全部配送任务后，返回配送中心。使用洗牌算法随机产生一个车辆配送点的全排列，形成一条初始染色体。如此反复，直到染色体数量达到种群规模，便得到遗传算法的初始种群。

（3）根据不同染色体对应的配送方案，利用黄金分割法和带方向的坐标计算法，在考虑时间惩罚值的基础上，计算该车辆完成所有配送任务的成本，染色体的适应度定义为该成本的倒数。

本发明的带方向的坐标加减法，可以针对数控车间中AGV小车的行驶特点，在当前配送顺序下，计算配送车辆的实际行驶距离。其具体方法描述如下：

如图4中所示，配送中心和每个机床（图中空心圆圈表示）的坐标位置已知（X,Y方向间隔均为单位长度），第i个机床的坐标表示为（X_i，Y_i）。小车在所有机床的停留位置都唯一的处在其正下方（图中实心小圆点表示），小车在车间中可以循迹行驶的线路均布在各机床之间（图中以粗实现表示）。在求解小车行驶距离时，设一个方向变量A，表征小车当前的车头方向（A=-1表示向左，A=1表示向右）。令小车当前位置是机床i，下一个配送机床为i+1，两点之间的行驶距离为Li，分别考虑以下三种情况：

I(X_i+1-X_i)×A>0即小车当前方向与小车所需前进方向相同。

此时小车行驶距离L_i=|X_i+1-X_i|+|Y_i+1-Y_i|，A保持不变。

例如图4中小车从机床15驶向机床12，小车当前方向向右。行驶距离为1+1=2，小车到达机床12后，方向仍旧向右。

II(X_i+1-X_i)×A≤0，Y_i+1≠Y_i即小车当前方向与小车所需前进方向不同，且下一机床与当前机床不处于同一Y坐标线上。

此时小车行驶距离L_i=|X_i+1-X_i|+|Y_i+1-Y_i|+1，A=A×(-1)

例如图4中小车从机床10驶向机床13，小车当前方向向右。行驶距离为1+1+1=3，小车到达机床13后，方向变为向左。

III(X_i+1-X_i)×A<0，Y_i+1=Y_i即小车当前方向与其所需前进方向不同，且下一机床与当前机床处于同一Y坐标线上。

此时小车行驶距离L_i=|X_i+1-X_i|+|Y_i+1-Y_i|+3，A=A×(-1)

例如图4中小车从机床3驶向机床1，小车当前方向向右。行驶距离为2+0+3=5，小车到达机床1后，方向变为向左。

（4）根据染色体的适应度，采用前述的精英保留策略，并选用轮盘赌选择算子、顺序交叉算子和倒位变异算子来实现染色体选择、复制、交叉和变异的过程，形成新的种群。

本遗传算法中，选择算子采用轮盘赌选择方法。其基本思想为：染色体被选中的概率与其适应度函数值大小成正比。其具体实现步骤为：

I计算群体中所有染色体的适应度值；

II计算每个染色体的选择概率；

III计算每个染色体积累概率；

IV采用模拟赌盘操作（即生成0到1之间的随机数与每个染色体遗传到下一代群体的概率进行匹配）来确定各染色体是否遗传到下一代群体中。

本遗传算法中，选用顺序交叉（Ordered Crossover,OX）算子并对其进行了相应的创新。该算子从一个父体选取一段路径，并在保持另一父体中用户点相对次序的同时，将其与原父体合体，构造出新的后代。

例如有两父体：

P1：（12345678）和P2：（37218564）

此时传统的OX算子会设立两个固定的切割点，进行交叉。本算法中，并不设立固定的切割点，每次执行交叉算子时，都随机生成两个切割点（两个切割点用“|”表示），进一步提高基因重组的随机性，有效增强交叉算子繁殖结果的多样性。将两个切割点之间的内容复制到后代中，得到（假设两切割点分别为三四点和六七点之间）：

P1：（×××|456|××）和P2：（×××|185|××）

接着，从一个父体的第二个切割点开始，来自另一个父体的用户点依同样的次序被复制（复制过程中省略在第一个父体中，两切割点间被保留的用户点）。当到达个体串尾时，跳至串首继续，直至生成一个新的后代。以此类推，可得到另一个后代。最终得到的两个后代为：

P1：（218|456|37）和P2：（467|185|23）

本遗传算法中使用倒位变异算子并进行相应的改造。该算子将父体两个切割点之间的内容倒序，并连同切割点外的内容一起复制，形成新的后代。

例如，对于父体：P：（12345678），通过随机的方法，生成两切割点（假设分别为二三点和六七点之间），则后代为：P：（12|6543|78）。

（5）重复（1）到（4）的迭代过程，在满足预设的终止条件后，遗传算法最终收敛得到一个全局最优解，该解即为目标车辆的最优配送方案。

第五步：由上一步中所得不同车辆组合中各车辆的最优配送方案，计算得到每个配送任务组合的总配送成本。通过比较不同组合的总配送成本，确定最优的车辆调度方案，如表2所示。

表2车辆最优调度方案表

车辆号	配送任务点及配送顺序	车辆出发时间
			1	0-13-9-1-4-8-3-2-5-0	9：00
2	0-6-12-15-14-10-11-7-0	9：01

本实例中，从调用用户的配送委托单到获得最优调度方案，整个求解过程仅用时9秒，证明这是一个高效可行的车辆调度方法。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (5)

1.一种数控车间自动配送车辆调度方法，其特征是它包括以下步骤：

（1）配送中心获得配送指令信息，所述的配送中心指在数控车间中进行物料配送的场所，所述的配送指令信息包括：用户需求、用户位置以及用户要求的配送时间窗；

（2）根据用户的位置和需求量，在满足配送车辆负载约束的条件下，采用矩阵扫描法，将各用户的配送任务分配给不同的车辆，根据扫描起始点的不同，扫描法产生不同的车辆任务分配组合，以使车辆的配送点更为集中，从而有效提高其配送效率；

（3）考虑不同车辆任务组合中每一辆车的配送问题，即在配送任务已知的情况下，根据用户位置和相应的时间窗约束，应用遗传算法来优化其配送顺序；

（4）在遗传算法求解车辆最优配送方案的过程中，利用黄金分割法和带方向的坐标计算法，在考虑时间惩罚值的基础上，计算不同方案的配送成本，求出车辆的最优配送时间，从而使配送过程的时间惩罚值最小；同时采用精英保留策略以避免遗传算法过早的陷入局部收敛，从而保证最终得到全局最优解；

（5）在得到各车辆的最优配送方案后，求解每个配送任务组合的车辆总配送成本，并通过比较不同组合的总成本，确定最优的车辆调度方案。

2.根据权利要求1所述的调度方法，其特征是所述的矩阵扫描法包括以下步骤：

第一步：自数控车间中任一用户点开始，沿特定的顺序进行扫描，直到与某用户点相交；

第二步：计算如果在线路上增加该用户点，是否会超过车辆的承载能力，若没有，继续扫描，直到与下一个用户点相交，并再次进行相应的计算；若超过，就剔除最后的用户点，并确定第一辆车所需配送的用户点；

第三步：随后，从被剔除的用户点开始，继续扫描并重复第二步中的过程，寻找第二辆车所需配送的用户点；

第四步：如此重复，直到所有的用户点都被分配给各自的车辆。

3.根据权利要求1所述的调度方法，其特征是所述的步骤（4）中数控车间中通过采用是AGV小车作为配送车辆，以实现带方向的坐标加减法，模拟出车辆实际行驶路径，计算其真实行驶距离。

4.根据权利要求1所述的调度方法，其特征是所述的黄金分割法包括以下步骤：

第一步：根据车辆的行驶距离，可求出其穿梭于不同用户点之间所需要的行驶时间（默认行驶速度一定），再加上车辆在每个用户点所停留的一段固定时间，便得到了完成该配送任务所需要的全部时间；

第二步：选定黄金分割的一个区间[a,b]，其中a为从配送中心出发的最早时间即先找出该车所需配送各用户点中最早到达时间的最小值，再用其减去一个足够大的预留值，b为从配送中心出发的最晚时间，即该车所需配送各用户点中最晚到达时间的最大值；

第三步：以a作为车辆出发时刻，计算其到达各用户点的时间；

第四步：根据各用户点给出的时间窗约束，可以求得小车完成所有任务的早到时间之和与迟到时间之和，由已知的早到惩罚因子和迟到惩罚因子，求出总体的惩罚值；

第五步：以b作为车辆出发时刻，并重复第三步和第四步，得到相应惩罚值；

第六步：比较两个惩罚值，以惩罚值最小为目标，确定新的分割区间[a′,b′]；

第七步：重复第三步到第六步，当时间的区间上下限之差小于预设的精度值时，停止迭代过程，所得到的时间即为该车辆的最优配送时间。

5.根据权利要求1所述的调度方法，其特征是所述的精英保留策略包括以下步骤：设到第m代时，群体中a(t)为最优染色体，存放在群体A(t)中第n+1个个体中，n为种群规模；A(t+1)为新一代群体，若A(t+1)中不存在比a(t)更优的个体，则用a(t)代替A(t+1)中的最差个体，并且仍作为最优个体存入A(t+1)的第n+1个个体中；若存在比a(t)更优的个体，则将其作为最优个体存入A(t+1)的第n+1个个体中。

Images