CN104331749A - 基于模拟退火粒子群的agv优化调度方法 - Google Patents
基于模拟退火粒子群的agv优化调度方法 Download PDFInfo
- Publication number
- CN104331749A CN104331749A CN201410578563.9A CN201410578563A CN104331749A CN 104331749 A CN104331749 A CN 104331749A CN 201410578563 A CN201410578563 A CN 201410578563A CN 104331749 A CN104331749 A CN 104331749A
- Authority
- CN
- China
- Prior art keywords
- agv
- particle
- simulated annealing
- value
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 82
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title abstract description 15
- 230000008929 regeneration Effects 0.000 claims description 9
- 238000011069 regeneration method Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 230000006698 induction Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模拟退火粒子群的AGV优化调度方法,首先对AGV的调度过程进行抽象,建立相应的数学模型,利用粒子群算法初始化种群,确定适应度函数,计算粒子的适应度值;结合模拟退火算法,更新粒子的速度和位置,确定新粒子的适应度值,最终得到最优结果。本发明通过实例在不同配置条件下,与标准粒子群算法进行比较,验证了该算法具有收敛速度快且稳定性高等优点,避免结果陷入局部最优,最终收敛效果优于标准粒子群算法,充分验证了该发明能提高AGV利用率,且作业货次越多,其利用率越高,可有效解决输送系统的大规模调度问题。
Description
技术领域
本发明属于自动化立体仓库优化调度技术领域,涉及一种AGV优化调度方法,具体涉及一种基于模拟退火粒子群算法的AS/RS输送系统AGV优化调度方法。
背景技术
AS/RS(Automated Storage and Retrieval System)系统硬件设备的研究发展己趋于完整,现代企业对AS/RS工作效率的要求增加,更多集中在对系统优化管理、调度和作业的优化。AS/RS的输送系统已经成为影响仓库作业的瓶颈,因此需要采用合适的方法解决输送系统AGV(Automatic Guided Vehicle)优化调度问题,以增加仓储系统的工作效率、提升企业的营业利润,降低企业物流费用,提高企业竞争力。
输送系统是自动化立体仓库的一个重要组成部分。对它调度问题的优化研究,能够使输送系统资源得到充分的利用,同时避免发生系统死锁及系统瓶颈效应,从而提高输送系统的作业效率。输送系统的调度优化实质上就是指AGV的优化调度问题,它的研究目标主要就是在多个约束条件下,将要完成的输送任务合理分配给AGV,使系统的输送能力和设备的资源利用率得到提高,进而提高自动化立体仓库系统的吞吐率,降低系统的物流成本。
对于AGV运输线路优化调度的研究,目前国内学者提出的优化算法包括:遗传算法、蚁群算法、粒子群算法(PSO)、混合粒子群算法及人工鱼群算法等。遗传算法是一种全局性概率搜索算法,但是应用遗传算法编码过程过于复杂并且搜索速率较慢。蚁群算法是一种基于种群的模拟进化算法,但容易陷入局部最优造成早熟、停滞现象。粒子群算法简单而容易实现,早期收敛速度快,但标准粒子群算法一般兼顾不了收敛速度、全局及局部精细搜索能力,且作为一种通用的随机全局搜索算法,它也存在早熟收敛和陷入局部搜索的缺点。
发明内容
本发明的目的在于提供一种基于模拟退火粒子群的AGV优化调度方法,解决了自动化立体仓库输送系统优化调度的问题。
为达到上述目的,本发明采用了以下技术方案:
步骤1:将上/下包台、入/出库台及AGV定为调度对象,并以AGV完成输送任务所花费的工作时间最小作为优化调度的目标构造AGV调度优化问题数学模型;
步骤2:以基于调度对象的三维矩阵对粒子位置进行编码,并采用模拟退火粒子群算法对AGV调度优化问题数学模型进行求解,得到给定任务量下AGV的最优调度方案。
所述编码方式采用整数编码。
所述AGV调度优化问题数学模型表示为:
min{max(T1,T2,...,Tk,...,TL)} (2)
Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk
其中,Tk表示第k辆AGV的工作时间,L表示AGV数量;dik表示第k辆AGV离开第i个入/出库台的时间,rik表示第k辆AGV到达第i个入/出库台的时间,djk表示第k辆AGV离开第j个上/下包台的时间,rjk表示第k辆AGV到达第j个上/下包台的时间,Q表示AGV的编号集合,S表示入/出库台的编号集合,S'表示上/下包台的编号集合,tijk表示第k辆AGV从第i个入/出库台到第j个上/下包台的时间。
所述步骤(2)具体包括以下步骤:
1)种群初始化
首先,设定粒子种群大小N、最大迭代数mmax、学习因子以及粒子速度VA的最大值和最小值;
然后,对种群中粒子进行初始化:
位置初始化:XA=unifrnd(Qi,Si,S'i)T;
速度初始化:VA=unifrnd(vi,vi,vi)T;
Qi表示随机选择的AGV的编号,Si表示随机选择的入/出库台的编号,S'i表示随机选择的上/下包台的编号,Qi∈Q,Si∈S,S'i∈S',vi表示速度的随机数;i=1,2,...,N,N为粒子种群大小;
2)以Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk为适应度函数,根据适应度函数计算粒子在各个维度的适应度值;
3)根据粒子在各个维度的适应度值并利用模拟退火算法更新种群的个体极值位置;
4)经过步骤3)后,根据更新后的个体极值位置利用模拟退火算法更新种群的全局极值位置;
5)根据 和 更新粒子的速度与位置,计算更新后粒子的适应度值,然后更新种群的个体极值位置和全局极值位置,然后利用退温循环进行迭代,d=1,2,...,D,D是寻优空间维度;m为迭代变量;c1、c2为学习因子;r1和r2取值为在(0,1)上均匀分布的随机数;v为粒子速度;为步骤3)得到的更新后的个体极值位置;为步骤4)得到的更新后的全局极值位置;x为粒子位置,ω为惯性因子;
6)若迭代达到最大迭代数,则输出步骤(5)更新后的全局极值位置及对应的全局极值;否则,返回步骤3)。
所述N为40,mmax为1000,学习因子均取值为2,D的取值为50,VA的最大值为3,VA的最小值-3。
本发明的有益效果体现在:
本发明在AGV优化调度中提出将模拟退火的方法引用到粒子群算法当中,由于模拟退火算法具有跳出局部最小的突跳性能,糅合后的算法就具有了减小算法陷入局部极小解的可能,提高了粒子群的多样性、算法的搜索能力,从而改善粒子群算法的缺点,提高了算法的应用性能。
本发明使用粒子群算法对种群初始化,在迭代过程中,在粒子群算法进化进入停滞状态时,利用模拟退火算法的概率突跳能力,使搜索跳出局部最优并继续搜索,直至获得最理想的解。本发明提出的模拟退火粒子群算法解决了自动化立体仓库中输送系统AGV优化调度问题,与标准粒子群算法进行对比,通过实例证明基于模拟退火粒子群算法的优化具有有效性和优越性。
附图说明
图1是本发明方法中模拟退火粒子群算法流程图;
图2是任务量为50货次时两种算法的对比效果图;
图3是任务量为100货次时两种算法的对比效果图;
图4是任务量为200货次时两种算法的对比效果图;
图5是自动化立体仓库输送系统平面图。
具体的实施方式
下面结合附图和实施例对本发明进行详细说明。
参见图1,本发明提供一种基于模拟退火粒子群的AS/RS输送系统AGV优化调度方法,具体按照以下步骤实施:
步骤1:将上/下包台、入/出库台(即I/O台)及AGV定为调度对象,以三维矩阵方式对粒子位置进行编码。
AGV优化调度的目标是找到一个有效地调度策略,能够使AGV完成输送任务所花费得时间最小。数学模型表述如下:
首先对一些参数作出如下定义:
n:入/出库台的总数量;
S={1,2,...,n}:入/出库台的编号集合;
m:分拣系统上/下包台的数量;
S'={1,2,...,m}:上/下包台编号集合;
L:AGV数量;
sk:第k辆AGV运行状态;
Q={1,2,...,L}:AGV的编号集合;
tijk:第k辆AGV从I/O台i到上/下包台j的时间;
rik:第k辆AGV到达I/O台i的时间;
rjk:第k辆AGV到达上/下包台j的时间;
dik:第k辆AGV离开I/O台i的时间;
djk:第k辆AGV离开上/下包台j的时间。
第k辆AGV工作时间:
Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk (1)
目标函数即为:
min{max(T1,T2,...,Tk,...,TL)} (2)
其中,式(2)目的是使AGV在输送过程所花费的总时间最小;式(3)保证AGV只有在空闲状态时可分配任务;式(5)说明AGV的调用是双向的,即I/O台与拣选上/下包台间相对应。
常用的编码方式有实数编码、二进制编码、符号编码等,本发明在求解种群粒子及其速度中采用整数编码,整数编码需要优化的变量比较小,可以减少约束条件,提高计算速度。AGV调度中由于任务对象为上/下包台以及入/出库台,加上AGV自身,有三个调度对象,所以对粒子的位置编码采取三维矩阵的表达方式,以设备配置中的配置1(表1)以及任务量50货次为例,矩阵大小为3行50列,如下所示:
粒子矩阵:
上述粒子矩阵的理解:货次50表示固定货架缓存区有50个货箱需要拣选;AGV、入/出库台、拣选台由数字作出编号,便于调度分配;对货次1的操作解释为,由2号AGV完成4号入/出库台到1号拣选台的运输任务;对货次6的操作解释为,由2号AGV完成3号入/出库台到2号拣选台的运输任务,依次类推。(拣选台或分拣台包括上包台和下包台,即上/下包台)
步骤2:使用粒子群算法对种群初始化,在迭代过程中,在粒子群算法进化进入停滞状态时,利用模拟退火算法的概率突跳能力,使搜索跳出局部最优并继续搜索,直至获得最理想的解。基于模拟退火的粒子群算法详细步骤为:
(1)种群初始化,产生一个随机矩阵,矩阵元素满足编码要求。设粒子种群大小N为40,最大迭代数mmax为1000,学习因子c1、c2均为2,以及粒子速度边界值(Vmax=3,Vmin=-3),取惯性因子ω(t)的最大值为0.9,取惯性因子ω(t)的最小值为0.4,惯性因子按照以下公式进行递减:
其中,m为迭代变量,ωstart为惯性因子的初始值,ωend为惯性因子的最终值;
惯性因子的作用是为了提高粒子群算法的收敛性能和避免算法陷入局部最优,使得粒子群算法在初始迭代过程中倾向于全局寻优搜索,随后逐渐转向于局部的最优搜寻,从而在局部区域对解进行调整,本算法采用的惯性因子的值是递减的;
位置初始化:XA=unifrnd(Qi,Si,S'i)T;T表示矩阵的转置,unifrnd表示表示生成(连续)均匀分布的随机数;
速度初始化:VA=unifrnd(vi,vi,vi)T;
Qi表示AGV的随机号,Si表示入/出库台的随机号,S'i表示上/下包台的随机号,vi表示速度的随机数,i=1,2,...,N,N为粒子种群大小;
利用以下公式计算初始温度:
t0=-fpg/ln(0.2)
其中,t0为初始温度,fpg为初始种群中的全局极值;
(2)确定适应度函数,直接将目标函数转化为适应度函数:
Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk
,根据适应度函数计算粒子在各个维度的适应度值;
(3)根据粒子在各个维度的适应度值并利用模拟退火算法更新种群的个体极值位置;具体而言,即从诸多pid(pid表示i粒子在d维度时的个体位置)中选取一个位置,记作pg'来替代更新公式中的pg,借用模拟退火算法机制,认为pid是比pg差的特殊解,温度t时pid相对pg的突跳概率为其中f表示目标函数值。将此突跳概率值当作pid的适配值,则pid替代pg的概率为其中N为粒子种群大小。根据替代概率,采用轮盘赌策略来确定替代pg的pid;
(4)经过步骤(3)后,根据更新后的个体极值位置利用模拟退火算法更新种群的全局极值位置;具体而言,即从诸多更新后的pg中选取一个位置,记作pgl'来替代更新公式中的温度t时pg相对的突跳概率为pg替代pgl的概率为 根据替代概率,采用轮盘赌策略来确定替代pgl的pg;
(5)根据更新公式 和更新粒子的速度与位置,计算更新后粒子的适应度值,然后更新种群的个体极值位置和全局极值位置,然后利用退温循环进行迭代,退温方式由tm+1=r×tm确定,r取值为在(0,1)上均匀分布的随机数。d=1,2,...,D,D是寻优空间维度,D的取值为50;m为迭代变量;c1、c2为学习因子;r1和r2取值为在(0,1)上均匀分布的随机数;v为粒子速度;为步骤(3)得到的更新后的个体极值位置;为步骤(4)得到的更新后的全局极值位置;x为粒子位置,tm为当前粒子温度,r为退温速率;对于速度的更新变化,当更新值超过了其边界范围时,取其边界值;
(6)若迭代达到最大迭代数,则输出步骤(5)更新后的全局极值位置及其对应的全局极值;否则,返回步骤(3)。
输送系统AGV调度实例分析:
设一个自动化立体仓库的固定货架有13排,每排货架有10层72列共720个货位,自动化立体仓库的设备配置详见表1。
表1 自动化立体仓库设备配置表
对于不同的自动化立体仓库的设备配置,为了能够更好的对算法性能进行分析,以及获得更好的问题求解结果,作业任务量作了如此分派:50,100以及200货次,其算法仿真实验结果见表2,表3和表4。
表2 任务量为50货次时两种算法的实验结果
表3 任务量为100货次时两种算法的实验结果
表4 任务量为200货次时两种算法的实验结果
通过上述表2~表4可得出如下结论:
(1)两种算法(标准粒子群和模拟退火粒子群)都很好的解决了AGV的调度问题,且模拟退火粒子群算法的优化结果要好于标准粒子群算法,说明融合其他算法改进粒子群算法的思路是正确的,具有进一步研究的意义。
(2)对于不同的设备配置,AGV的利用率是不同的,设备配置的合理与否直接与设备的利用率相关,对建立自动化立体仓库系统时的设备配置,本发明的研究为其提供了有效的数据价值。
(3)在相同配置条件下,作业货次越多,AGV的利用率越高,说明对解决大规模的自动化立体仓库系统调度,本发明算法具有有效地应用价值与研究意义。
根据图2~图4,经对比,做出如下分析:
(1)两种算法(标准粒子群和模拟退火粒子群)的收敛性能均良好,迭代搜索规律,有效地解决了AGV的调度问题。
(2)在任务规模增大后,模拟退火粒子群算法的最终收敛值最小,即优化结果最好;说明这种算法在一定程度上改进了标准的粒子群算法,进一步说明这种改进方法是可行的,这种改进粒子群算法的思路的研究是正确的,具有深入研究的意义。
本发明提供一种基于模拟退火粒子群的AGV优化调度方法,首先对AGV的调度过程进行抽象,建立相应的数学模型,利用粒子群算法初始化种群,确定适应度函数,计算粒子的适应度值;结合模拟退火算法,更新粒子的速度和位置,确定新粒子的适应度值,最终得到最优结果。由于利用了模拟退火算法的概率突跳特性,避免迭代过程中陷入局部极小。本发明基于粒子群算法、模拟退火算法相结合的自动化立体仓库输送系统AGV调度方法,通过实例在不同配置条件下,与标准粒子群算法进行比较,验证了该算法具有收敛速度快且稳定性高等优点,避免结果陷入局部最优,最终收敛效果优于标准粒子群算法,充分验证了该发明能提高AGV利用率,且作业货次越多,其利用率越高,可有效解决输送系统的大规模调度问题。
Claims (5)
1.一种基于模拟退火粒子群的AGV优化调度方法,其特征在于:包括以下步骤:
步骤1:将上/下包台、入/出库台及AGV定为调度对象,并以AGV完成输送任务所花费的工作时间最小作为优化调度的目标构造AGV调度优化问题数学模型;
步骤2:以基于调度对象的三维矩阵对粒子位置进行编码,并采用模拟退火粒子群算法对AGV调度优化问题数学模型进行求解,得到给定任务量下AGV的最优调度方案。
2.根据权利要求1所述一种基于模拟退火粒子群的AGV优化调度方法,其特征在于:所述编码方式采用整数编码。
3.根据权利要求1所述一种基于模拟退火粒子群的AGV优化调度方法,其特征在于:所述AGV调度优化问题数学模型表示为:
min{max(T1,T2,...,Tk,...,TL)} (2)
Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk
其中,Tk表示第k辆AGV的工作时间,L表示AGV数量;dik表示第k辆AGV离开第i个入/出库台的时间,rik表示第k辆AGV到达第i个入/出库台的时间,djk表示第k辆AGV离开第j个上/下包台的时间,rjk表示第k辆AGV到达第j个上/下包台的时间,Q表示AGV的编号集合,S表示入/出库台的编号集合,S'表示上/下包台的编号集合,tijk表示第k辆AGV从第i个入/出库台到第j个上/下包台的时间。
4.根据权利要求3所述一种基于模拟退火粒子群的AGV优化调度方法,其特征在于:所述步骤(2)具体包括以下步骤:
1)种群初始化
首先,设定粒子种群大小N、最大迭代数mmax、学习因子以及粒子速度VA的最大值和最小值;
然后,对种群中粒子进行初始化:
位置初始化:XA=unifrnd(Qi,Si,S'i)T;
速度初始化:VA=unifrnd(vi,vi,vi)T;
Qi表示随机选择的AGV的编号,Si表示随机选择的入/出库台的编号,S'i表示随机选择的上/下包台的编号,Qi∈Q,Si∈S,S'i∈S',vi表示速度的随机数;i=1,2,...,N,N为粒子种群大小;
2)以Tk=dik-rik+Pk×sk×tijk+djk-rjk+Pk×sk×tijk为适应度函数,根据适应度函数计算粒子在各个维度的适应度值;
3)根据粒子在各个维度的适应度值并利用模拟退火算法更新种群的个体极值位置;
4)经过步骤3)后,根据更新后的个体极值位置利用模拟退火算法更新种群的全局极值位置;
5)根据 和 更新粒子的速度与位置,计算更新后粒子的适应度值,然后更新种群的个体极值位置和全局极值位置,然后利用退温循环进行迭代,d=1,2,...,D,D是寻优空间维度;m为迭代变量;c1、c2为学习因子;r1和r2取值为在(0,1)上均匀分布的随机数;v为粒子速度;为步骤3)得到的更新后的个体极值位置;为步骤4)得到的更新后的全局极值位置;x为粒子位置,ω为惯性因子;
6)若迭代达到最大迭代数,则输出步骤(5)更新后的全局极值位置及对应的全局极值;否则,返回步骤3)。
5.根据权利要求4所述一种基于模拟退火粒子群的AGV优化调度方法,其特征在于:所述N为40,mmax为1000,学习因子均取值为2,D的取值为50,VA的最大值为3,VA的最小值-3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410578563.9A CN104331749A (zh) | 2014-10-24 | 2014-10-24 | 基于模拟退火粒子群的agv优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410578563.9A CN104331749A (zh) | 2014-10-24 | 2014-10-24 | 基于模拟退火粒子群的agv优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104331749A true CN104331749A (zh) | 2015-02-04 |
Family
ID=52406470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410578563.9A Pending CN104331749A (zh) | 2014-10-24 | 2014-10-24 | 基于模拟退火粒子群的agv优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331749A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
CN107169602A (zh) * | 2017-05-12 | 2017-09-15 | 坚元智能科技(深圳)有限公司 | Agv系统设备协同优化方法 |
CN108288105A (zh) * | 2017-01-10 | 2018-07-17 | 重庆邮电大学 | 一种快递物流背包优化方法 |
CN108899936A (zh) * | 2018-08-31 | 2018-11-27 | 广东工业大学 | 一种基于模拟退火粒子群算法的波浪发电方法 |
CN109062657A (zh) * | 2018-07-02 | 2018-12-21 | 南京邮电大学 | 基于粒子群优化的Docker容器调度方法 |
CN109230142A (zh) * | 2018-10-22 | 2019-01-18 | 陕西科技大学 | 一种密集仓储系统复合作业的调度路径优化方法 |
CN109581987A (zh) * | 2018-12-29 | 2019-04-05 | 广东飞库科技有限公司 | 一种基于粒子群算法的agv调度路径规划方法及系统 |
CN109871989A (zh) * | 2019-01-29 | 2019-06-11 | 国网山西省电力公司吕梁供电公司 | 一种含分布式电源的配电网分层规划方法 |
CN112153595A (zh) * | 2020-10-20 | 2020-12-29 | 上海交通大学 | 一种智能工厂agv场景移动的端-边-云协同数据传输方法 |
CN113132471A (zh) * | 2021-03-31 | 2021-07-16 | 长沙理工大学 | 云服务预算优化调度方法、装置、设备和存储介质 |
CN113160197A (zh) * | 2021-04-29 | 2021-07-23 | 长春工业大学 | 一种基于混合智能优化策略的mkl-svm算法的肺结节识别方法 |
CN113917929A (zh) * | 2021-11-11 | 2022-01-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于混合粒子群算法的无人船路径优化方法和系统 |
CN115002139A (zh) * | 2022-05-11 | 2022-09-02 | 国网区块链科技(北京)有限公司 | 一种跨链缓存策略生成方法及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222268A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多种群混合粒子群算法的流水车间调度方法 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
-
2014
- 2014-10-24 CN CN201410578563.9A patent/CN104331749A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222268A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多种群混合粒子群算法的流水车间调度方法 |
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
Non-Patent Citations (4)
Title |
---|
徐松 等: "基于模拟退火粒子群算法的水电站优化调度", 《人民黄河》 * |
曹有辉 等: "基于改进粒子群优化算法的AGV全局路径规划", 《计算机工程与应用》 * |
杨玮 等: "基于混合粒子群的AS/RS输送系统优化调度", 《HTTP://WWW.DOC88.COM/P-5886861843652.HTML》 * |
杨玮 等: "基于粒子群算法的农产品冷链物流配送路径优化研究", 《陕西科技大学学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
CN108288105A (zh) * | 2017-01-10 | 2018-07-17 | 重庆邮电大学 | 一种快递物流背包优化方法 |
CN107169602A (zh) * | 2017-05-12 | 2017-09-15 | 坚元智能科技(深圳)有限公司 | Agv系统设备协同优化方法 |
CN109062657A (zh) * | 2018-07-02 | 2018-12-21 | 南京邮电大学 | 基于粒子群优化的Docker容器调度方法 |
CN108899936A (zh) * | 2018-08-31 | 2018-11-27 | 广东工业大学 | 一种基于模拟退火粒子群算法的波浪发电方法 |
CN109230142A (zh) * | 2018-10-22 | 2019-01-18 | 陕西科技大学 | 一种密集仓储系统复合作业的调度路径优化方法 |
CN109581987A (zh) * | 2018-12-29 | 2019-04-05 | 广东飞库科技有限公司 | 一种基于粒子群算法的agv调度路径规划方法及系统 |
CN109871989A (zh) * | 2019-01-29 | 2019-06-11 | 国网山西省电力公司吕梁供电公司 | 一种含分布式电源的配电网分层规划方法 |
CN112153595A (zh) * | 2020-10-20 | 2020-12-29 | 上海交通大学 | 一种智能工厂agv场景移动的端-边-云协同数据传输方法 |
CN112153595B (zh) * | 2020-10-20 | 2021-11-05 | 上海交通大学 | 一种智能工厂agv场景移动的端-边-云协同数据传输方法 |
CN113132471A (zh) * | 2021-03-31 | 2021-07-16 | 长沙理工大学 | 云服务预算优化调度方法、装置、设备和存储介质 |
CN113132471B (zh) * | 2021-03-31 | 2023-02-21 | 长沙理工大学 | 云服务预算优化调度方法、装置、设备和存储介质 |
CN113160197A (zh) * | 2021-04-29 | 2021-07-23 | 长春工业大学 | 一种基于混合智能优化策略的mkl-svm算法的肺结节识别方法 |
CN113917929A (zh) * | 2021-11-11 | 2022-01-11 | 中国船舶重工集团公司第七一九研究所 | 一种基于混合粒子群算法的无人船路径优化方法和系统 |
CN115002139A (zh) * | 2022-05-11 | 2022-09-02 | 国网区块链科技(北京)有限公司 | 一种跨链缓存策略生成方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331749A (zh) | 基于模拟退火粒子群的agv优化调度方法 | |
CN104408589A (zh) | 基于混合粒子群算法的agv优化调度方法 | |
CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
CN105787595B (zh) | 一种基于改进蚁群算法的应急物流中转站选址方法 | |
CN105354648A (zh) | Agv调度管理的建模及其优化方法 | |
CN110334837A (zh) | 一种基于petri网分解的多AGV调度方法 | |
CN106506657A (zh) | 一种基于多目标的云计算虚拟机分配调整方法 | |
CN107578199A (zh) | 一种求解二维装载约束物流车辆调度问题的方法 | |
Dolatshahi-Zand et al. | Design of SCADA water resource management control center by a bi-objective redundancy allocation problem and particle swarm optimization | |
CN106203689A (zh) | 一种梯级水电站群联合运行多目标优化调度方法 | |
CN104239213A (zh) | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 | |
CN109677830B (zh) | 一种四向穿梭车式密集仓储系统资源配置优化方法 | |
CN105096006A (zh) | 一种智能电能表的配送车辆路径优化方法 | |
CN104216782A (zh) | 高性能计算和云计算混合环境中的动态资源管理方法 | |
CN103870317A (zh) | 云计算中的任务调度方法及系统 | |
Zhao et al. | A discrete hybrid invasive weed optimization algorithm for the capacitated vehicle routing problem | |
CN105550033A (zh) | 私有云环境下基于遗传禁忌混合算法的资源调度策略方法 | |
CN105426241A (zh) | 一种基于云计算数据中心的统一资源调度节能方法 | |
CN103246941A (zh) | 一种出口集装箱码头堆存空间调度方法 | |
CN106193734A (zh) | 一种立体车库调度控制装置 | |
CN105761192A (zh) | 村镇区域土地利用规划智能化方法和智能化集成系统 | |
CN104217258A (zh) | 一种电力负荷条件密度预测方法 | |
CN102681901A (zh) | 一种分区域的可重构硬件任务放置方法 | |
CN103246969A (zh) | 一种物流调配的实现方法和装置 | |
CN105005503A (zh) | 基于元胞自动机的云计算负载均衡任务调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150204 |
|
RJ01 | Rejection of invention patent application after publication |