CN107578119A - 一种智能调度系统的资源分配全局优化方法 - Google Patents
一种智能调度系统的资源分配全局优化方法 Download PDFInfo
- Publication number
- CN107578119A CN107578119A CN201710675952.7A CN201710675952A CN107578119A CN 107578119 A CN107578119 A CN 107578119A CN 201710675952 A CN201710675952 A CN 201710675952A CN 107578119 A CN107578119 A CN 107578119A
- Authority
- CN
- China
- Prior art keywords
- mrow
- agv
- msub
- individual
- task
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种智能调度系统的资源分配全局优化方法，采用新型遗传算法来实现。该方法考虑了AGV满载行驶路径与空载行驶路径的区别，在空载行驶路径前加了折算系数α，其值在(0,1)之间，并建立了AGV全局优化调度的新型数学模型f＝min max{d1,d2,...,dn}；通过对交叉算子进行改进，在综合两点交叉和BCBRC的混合交叉模式基础上，提出一种最好‑最差交叉模式，避免了由于染色体编码规则变化容易产生不可行解的问题；采用基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题。
Description
技术领域
本发明属于AGV运行调度技术领域,具体涉及一种智能调度系统的资源分配全局优化方法。
背景技术
在智能物流调度系统中涉及资源分配问题，其中资源主要指的是自动导引车(Automated Guided Vehicle，AGV)，即分拣仓库内AGV小车的最优调度问题。AGV小车作为一种灵活高效的输送设备在制造系统、仓储系统等领域得到了广泛推广和应用。AGV小车的优化调度问题一般定义为对一系列装货点或卸货点，组织适当的行车顺序，使AGV小车有序通过，在满足一定的约束条件(如货物需求量、发送量、交发货时间、车辆容量限制、行驶里程限制、时间限制、电量大小等)下，达到一定的目标(如路程最短、费用最少、时间尽量小、利润最大、使用车辆数尽量少等)，所以AGV小车的调度优化是一种有约束的组合优化问题。
目前国内外对AGV小车的调度研究主要集中于AGV的路径和生产效率优化方面。王国新等针对制造系统中单AGV任务调度优化问题，提出离散仿真和分支定界(Branch andBound Algorithm，BBA)相结合的方法，但是该方法迭代次数较多；罗建等针对自动仓储系统调度优化问题，建立单AGV调度数学模型，运用一种改进量子微粒群算法(QuantumParticle Swarm Optimization，QPSO)来求解模型，但是没有考虑多任务调度问题；Nishi等针对制造系统中多AGV路径规划问题，建立多AGV调度模型，提出一种分解算法进行求解。但是多集中于单AGV单任务的调度问题，本发明针对多AGV小车的调度问题进行研究，提出一种新的遗传算法实现多AGV小车的全局优化调度。
发明内容
本发明的目的在于提供一种智能调度系统的资源分配全局优化方法，其采用直接反映AGV配送任务分配的整数编码方式，避免了常规交叉变异过程中产生不可行解的情况，改进了交叉变异算子，采用最好－最差交叉模式和基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题，获取优化的调度方案。
为实现上述目的，本发明采用的技术方案是：
一种智能调度系统的资源分配全局优化方法，其包括以下步骤：
步骤1、建立多AGV调度优化的数学模型：
f＝min max{d1,d2,...,dn} (1)
其约束条件如下：
其中，uj表示第j个任务的起点；
vj表示第j个任务的终点；
r(uj,vj)表示AGV执行任务j时从起点uj执行装载操作后运行到终点vj的行驶路径；
r(vj-1,uj)表示AGV执行完任务j-1的卸载操作后，由任务j-1终点vj-1运行到任务j起点uj的行驶路径；
α表示AGV的空载距离折算系数；
式(1)表示最小化完成所有任务AGV的行驶路径；
式(2)表示第i辆AGV的行驶路径；
式(3)表示同一任务只能分配给一辆AGV；
式(4)表示一辆AGV同时只能完成一个任务；
步骤2、对所需处理的任务进行染色体整数编码，个体基因信息解释为AGV任务分配信息和任务配送路径信息；然后采用新遗传算法对AGV调度优化数学模型进行求解，获取AGV小车的全局优化方案，具体如下：
(1)初始化：采用随机方法初始化产生初始种群，将初始种群作为父代种群；
(2)选择操作：采用轮盘赌选择法，将种群中所有个体按照适应度升序排列，各个个体被选择的概率与其适应度成正比，每次从父代种群中选择两个个体进入交叉变异操作；
所述个体Si适应度函数F(Si)定义如下：
其中，Total表示表示当前种群中所有个体目标值的总和；Ps表示当前种群的规模；f(Si)表示个体Si的目标值；
(3)交叉操作：采用最好－最差交叉模式将两父代个体的部分基因进行替换或重组从而生成新的个体；
(4)变异操作：采用基因段随机交换的变异模式，即从交叉操作后产生的个体的两个不同配送路径中随机取两段基因，然后将两段基因进行交换形成新个体；
(5)精英保留策略：父代种群经过选择、交叉和变异操作后形成子代种群，与父代种群合并得到2Ps个个体作为候选种群，计算候选种群中每个个体的目标值和平均值，对其中目标值相同而基因不同的个体，根据其平均值进行筛选，对平均值高的个体处以罚函数，降低其适应度；将调整后的2Ps个个体按其适应度进行降序排列，取其中适应度高的Ps个个体作为下一代父代种群；
(6)当种群均值连续8代不发生变化则迭代停止，输出最优解。
所述最好－最差交叉模式具体如下：首先，父代个体S1和S2中选择最好和最差的两条配送路径；然后用S1中的最优配送路径替换S2中最差配送路径，从而产生子代P2，S2中最优配送路径替换S1中最差配送路径，从而产生子代P1；最后删掉P1，P2中重复的货物，并同时将失去的货物重新修补插入到最佳位置。
所述罚函数为高斯罚函数：
式中：p(x)为罚函数，x为AGV行驶路径长度，μ为均值，σ2为方差。
采用上述方案后，本发明具有以下优点：
一、本发明考虑到AGV满载行驶路径与空载行驶路径的区别，在空载行驶路径前加了折算系数α，其值在(0,1)之间，并建立了AGV全局优化调度的新型数学模型f＝min max{d1,d2,...,dn}；
二、本发明对交叉算子进行改进，在综合两点交叉和BCBRC的混合交叉模式基础上，提出一种最好-最差交叉模式，避免了由于染色体编码规则变化容易产生不可行解的问题。
三、本发明采用基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题。
四、本发明将迭代终止条件改进为种群均值连续8代不发生变化时迭代停止。而通常遗传算法迭代终止条件是连续数代目标值或最优解不发生变化，但是在迭代过程中往往个体目标值虽没有发生变化，种群均值却不断变化，种群仍在进化。
附图说明
图1为本发明新遗传算法流程图；
图2为本发明个体编码示意图；
图3a为本发明父代种群中两个自个体的最好和最差路径选取示意图；
图3b为本发明交叉操作过程中形成的新个体删除修补示意图；
图3c为本发明交叉操作后形成的新个体示意图；
图4为本发明变异过程示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明进行详述。
如图1所示，本发明揭示了一种智能调度系统的资源分配全局优化方法，其包括以下步骤：
步骤1、根据自动化仓库系统中多AGV的工作原理，首先建立多AGV调度优化的数学模型。
假设在自动化仓库中共有n辆相同容量的AGV小车，某时段系统有p个任务需要处理。如果将任务j(＝1,2,...,p)分配给AGVi(＝1,2,...,n)来执行，记为变量Xij＝1，否则Xij＝0，其满足
所有AGV中行驶路径最长耗时最多的AGV完成任务的时间点即是所有任务的完成时间点，通过保证系统中耗时最多的AGV运行时间最短来减少多AGV完成所有任务的时间。
假设系统中n辆AGV小车的行驶路径长度为d1,d2,...,dn，为了使AGV完成货物运送行驶路径最短，建立数学模型如下：
f＝min max{d1,d2,...,dn} (1)
约束条件如下：
其中，uj表示第j个任务的起点；
vj表示第j个任务的终点；
r(uj,vj)表示AGV执行任务j时从起点uj执行装载操作后运行到终点vj的行驶路径；
r(vj-1,uj)表示AGV执行完任务j-1的卸载操作后，由任务j-1终点vj-1运行到任务j起点uj的行驶路径；
α表示AGV的空载距离折算系数。
式(1)表示最小化完成所有任务AGV的行驶路径；式(2)表示第i辆AGV的行驶路径；式(3)表示同一任务只能分配给一辆AGV；式(4)表示一辆AGV同时只能完成一个任务。
步骤2、对所需处理的任务进行染色体整数编码，个体基因信息解释为AGV任务分配信息和任务配送路径信息；然后采用新遗传算法对AGV调度优化数学模型进行求解，获取AGV小车的全局优化方案；
如图2所示，一个包含12个任务的个体S1的编码，其中，0表示工作人员分拣区，数字1～12是各任务编号。图中每一条支线代表一辆AGV执行货物运送任务，支线的数量为系统中参与货物运送的AGV数量，编号顺序代表AGV执行配送任务的先后顺序，其序列表达方式为[0,1,3,4,7,0,2,8,9,10,0,5,6,11,12]。
优化方案的获取具体如下：
(3)初始化：采用随机方法初始化产生初始种群，将初始种群作为父代种群；
(4)选择操作：采用轮盘赌选择法，将种群中所有个体按照适应度升序排列，各个个体被选择的概率与其适应度成正比，然后每次从父代种群中选择两个个体进入交叉变异操作。
通过模拟AGV调度过程，记录每辆AGV完成任务的目标值，进而获得个体的目标值，而个体Si适应度函数F(Si)定义如下：
其中，Total表示表示当前种群中所有个体目标值的总和；Ps表示当前种群的规模；f(Si)表示个体Si的目标值。
根据上述定义可知，个体的目标值越大，其适应度值越小。
交叉操作：交叉是将两父代个体的部分基因进行替换或重组从而生成新的个体，本发明在两点交叉和BCBRC(Best Cost Best Route Crossover)相结合的混合交叉模式基础上，提出一种最好－最差交叉模式，其基本思想是保证优秀基因在进化过程中不被破坏。
如图3a至图3c所示，最好－最差交叉模式的过程如下：首先，父代个体S1和S2中选择最好和最差的两条配送路径；然后用S1中的最优配送路径替换S2中最差配送路径，从而产生子代P2，S2中最优配送路径替换S1中最差配送路径，从而产生子代P1；最后删掉P1，P2中重复的货物，并同时将失去的货物重新修补插入到最佳位置。
(4)变异操作：变异算子影响种群的多样性和局部搜索能力，本发明采用基因段随机交换的变异模式。如图4所示，具体操作过程如下：从个体P1的两个不同配送路径中随机取两段基因，然后将两段基因进行交换形成新的个体P1，采用此种方法可以保证新个体中含有所有的工作站。
(5)精英保留策略：父代种群经过选择、交叉和变异操作后形成子代种群，与父代种群合并得到2Ps个个体作为候选种群，计算候选种群中每个个体的目标值和平均值，对其中目标值相同而基因不同的个体，根据其平均值进行筛选，对平均值高的个体处以罚函数，降低其适应度；将调整后的2Ps个个体按其适应度进行降序排列，取其中适应度高的Ps个个体作为下一代父代种群。此种方法能够保证在种群进化过程中保留优良个体，避免伪优良个体即目标值低而平均值高的个体大量充斥解空间。
本发明采用高斯罚函数：
式中：p(x)为罚函数，x为AGV行驶路径长度，μ为均值，σ2为方差，本发明取σ2＝0.04。
(6)当种群均值连续8代不发生变化则迭代停止，输出最优解。
本发明考虑到AGV满载行驶路径与空载行驶路径的区别，在空载行驶路径前加了折算系数α，其值在(0,1)之间，并建立了AGV全局优化调度的新型数学模型f＝min max{d1,d2,...,dn}；通过对交叉算子进行改进，在综合两点交叉和BCBRC的混合交叉模式基础上，提出一种最好-最差交叉模式，避免了由于染色体编码规则变化容易产生不可行解的问题；采用基因段随机交换的变异模式，避免了采用实数制编码方式时常规变异方式容易产生含有相同节点不可行解的问题；在精英保留策略中综合考量个体的目标值和平均值，保证在种群进化过程中保留优良个体，避免伪优良个体目标值低而平均值高的优良个体大量充斥解空间。
以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.一种智能调度系统的资源分配全局优化方法，其特征在于：包括以下步骤：
步骤1、建立多AGV调度优化的数学模型：
f＝min max{d1,d2,...,dn} (1)
其约束条件如下：
<mrow>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>u</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<mi>r</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>u</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>&Element;</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>p</mi>
</munderover>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
<mo>;</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>p</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，uj表示第j个任务的起点；
vj表示第j个任务的终点；
r(uj,vj)表示AGV执行任务j时从起点uj执行装载操作后运行到终点vj的行驶路径；
r(vj-1,uj)表示AGV执行完任务j-1的卸载操作后，由任务j-1终点vj-1运行到任务j起点uj的行驶路径；
α表示AGV的空载距离折算系数；
式(1)表示最小化完成所有任务AGV的行驶路径；
式(2)表示第i辆AGV的行驶路径；
式(3)表示同一任务只能分配给一辆AGV；
式(4)表示一辆AGV同时只能完成一个任务；
步骤2、对所需处理的任务进行染色体整数编码，个体基因信息解释为AGV任务分配信息和任务配送路径信息；然后采用新遗传算法对AGV调度优化数学模型进行求解，获取AGV小车的全局优化方案，具体如下：
(1)初始化：采用随机方法初始化产生初始种群，将初始种群作为父代种群；
(2)选择操作：采用轮盘赌选择法，将种群中所有个体按照适应度升序排列，各个个体被选择的概率与其适应度成正比，每次从父代种群中选择两个个体进入交叉变异操作；
所述个体Si适应度函数F(Si)定义如下：
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
<mo>&CenterDot;</mo>
<mi>T</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>l</mi>
</mrow>
</mfrac>
</mrow>
其中，Total表示表示当前种群中所有个体目标值的总和；Ps表示当前种群的规模；f(Si)表示个体Si的目标值；
(3)交叉操作：采用最好－最差交叉模式将两父代个体的部分基因进行替换或重组从而生成新的个体；
(4)变异操作：采用基因段随机交换的变异模式，即从交叉操作后产生的个体的两个不同配送路径中随机取两段基因，然后将两段基因进行交换形成新个体；
(5)精英保留策略：父代种群经过选择、交叉和变异操作后形成子代种群，与父代种群合并得到2Ps个个体作为候选种群，计算候选种群中每个个体的目标值和平均值，对其中目标值相同而基因不同的个体，根据其平均值进行筛选，对平均值高的个体处以罚函数，降低其适应度；将调整后的2Ps个个体按其适应度进行降序排列，取其中适应度高的Ps个个体作为下一代父代种群；
(6)当种群均值连续8代不发生变化则迭代停止，输出最优解。
2.根据权利要求1所述的一种智能调度系统的资源分配全局优化方法，其特征在于：所述最好－最差交叉模式具体如下：首先，父代个体S1和S2中选择最好和最差的两条配送路径；然后用S1中的最优配送路径替换S2中最差配送路径，从而产生子代P2，S2中最优配送路径替换S1中最差配送路径，从而产生子代P1；最后删掉P1，P2中重复的货物，并同时将失去的货物重新修补插入到最佳位置。
3.根据权利要求1所述的一种智能调度系统的资源分配全局优化方法，其特征在于：所述罚函数为高斯罚函数：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
式中：p(x)为罚函数，x为AGV行驶路径长度，μ为均值，σ2为方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710675952.7A CN107578119A (zh) | 2017-08-09 | 2017-08-09 | 一种智能调度系统的资源分配全局优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710675952.7A CN107578119A (zh) | 2017-08-09 | 2017-08-09 | 一种智能调度系统的资源分配全局优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107578119A true CN107578119A (zh) | 2018-01-12 |
Family
ID=61034126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710675952.7A Pending CN107578119A (zh) | 2017-08-09 | 2017-08-09 | 一种智能调度系统的资源分配全局优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107578119A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108594813A (zh) * | 2018-04-18 | 2018-09-28 | 苏州大学张家港工业技术研究院 | 一种大尺度室内环境下多清洁机器人任务分配方法 |
| CN109347913A (zh) * | 2018-09-13 | 2019-02-15 | 山东大学 | 一种基于智能遗传算法的web服务协同调度方法及系统 |
| CN109409603A (zh) * | 2018-10-26 | 2019-03-01 | 广东科达洁能股份有限公司 | 一种应用于多行车的调度算法 |
| CN109858787A (zh) * | 2019-01-17 | 2019-06-07 | 新奥数能科技有限公司 | 一种能源调度管理方法、装置、可读介质及电子设备 |
| CN109934411A (zh) * | 2018-11-09 | 2019-06-25 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
| CN110070305A (zh) * | 2019-05-05 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种资源转移视角下的双目标鲁棒资源分配方法 |
| CN110092158A (zh) * | 2018-01-31 | 2019-08-06 | 上海海洋大学 | 交叉环单向循环搬运系统的调度方法 |
| CN110275535A (zh) * | 2019-06-27 | 2019-09-24 | 大连理工大学 | 一种基于改进a星算法的多状态车辆路径规划方法 |
| CN110298531A (zh) * | 2019-04-15 | 2019-10-01 | 同济大学 | 一种基于多元数据的电动车调度方法 |
| CN110348791A (zh) * | 2019-07-15 | 2019-10-18 | 重庆工程学院 | 一种应用于多agv任务调度的动态交叉遗传算法 |
| CN111526495A (zh) * | 2020-04-22 | 2020-08-11 | 华中科技大学 | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 |
| CN112561434A (zh) * | 2020-12-18 | 2021-03-26 | 上海交通大学宁波人工智能研究院 | 一种传统集装箱码头联合调度方法和辅助调度系统 |
| CN113240215A (zh) * | 2021-07-12 | 2021-08-10 | 湖北浩蓝智造科技有限公司 | 一种仓储agv的调度方法、系统、存储介质及电子设备 |
| CN113988377A (zh) * | 2021-09-30 | 2022-01-28 | 东方电气集团东方电机有限公司 | 一种智能车间agv充电站位置优化布置方法 |
| CN114493047A (zh) * | 2022-04-06 | 2022-05-13 | 中国人民解放军96901部队 | 一种基于可用资源编码的多对多货物调度优化分配方法 |
| CN115457484A (zh) * | 2022-11-10 | 2022-12-09 | 梁山华鲁专用汽车制造有限公司 | 一种用于半挂车自动卸货的控制方法及装置 |
| CN117151590A (zh) * | 2023-09-13 | 2023-12-01 | 哈尔滨理工大学 | 基于平移时间窗和任务路径规划的agv调度方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
-
2017
- 2017-08-09 CN CN201710675952.7A patent/CN107578119A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘旭 等: "基于改进遗传算法的物料配送多AGV调度优化", 《机械设计与制造工程》 * |
| 杨小明等: "《自动化集装箱码头设计与仿真》", 31 January 2016, 上海科学技术出版社 * |
| 罗勋杰等: "《集装箱码头控制优化管理》", 31 December 2010, 大连海事大学出版社 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110092158A (zh) * | 2018-01-31 | 2019-08-06 | 上海海洋大学 | 交叉环单向循环搬运系统的调度方法 |
| CN108594813B (zh) * | 2018-04-18 | 2021-04-09 | 苏州大学张家港工业技术研究院 | 一种大尺度室内环境下多清洁机器人任务分配方法 |
| CN108594813A (zh) * | 2018-04-18 | 2018-09-28 | 苏州大学张家港工业技术研究院 | 一种大尺度室内环境下多清洁机器人任务分配方法 |
| CN109347913A (zh) * | 2018-09-13 | 2019-02-15 | 山东大学 | 一种基于智能遗传算法的web服务协同调度方法及系统 |
| CN109409603A (zh) * | 2018-10-26 | 2019-03-01 | 广东科达洁能股份有限公司 | 一种应用于多行车的调度算法 |
| CN109409603B (zh) * | 2018-10-26 | 2022-04-19 | 广东科达洁能股份有限公司 | 一种应用于多行车的调度算法 |
| CN109934411A (zh) * | 2018-11-09 | 2019-06-25 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
| CN109934411B (zh) * | 2018-11-09 | 2022-11-04 | 安庆师范大学 | 考虑紧急度的应急救灾智能路径规划方法及装置 |
| CN109858787B (zh) * | 2019-01-17 | 2021-08-27 | 新奥数能科技有限公司 | 一种能源调度管理方法、装置、可读介质及电子设备 |
| CN109858787A (zh) * | 2019-01-17 | 2019-06-07 | 新奥数能科技有限公司 | 一种能源调度管理方法、装置、可读介质及电子设备 |
| CN110298531A (zh) * | 2019-04-15 | 2019-10-01 | 同济大学 | 一种基于多元数据的电动车调度方法 |
| CN110070305A (zh) * | 2019-05-05 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种资源转移视角下的双目标鲁棒资源分配方法 |
| CN110275535A (zh) * | 2019-06-27 | 2019-09-24 | 大连理工大学 | 一种基于改进a星算法的多状态车辆路径规划方法 |
| CN110348791A (zh) * | 2019-07-15 | 2019-10-18 | 重庆工程学院 | 一种应用于多agv任务调度的动态交叉遗传算法 |
| CN111526495A (zh) * | 2020-04-22 | 2020-08-11 | 华中科技大学 | 一种基于改进遗传算法的车联网AoI优化任务卸载方法 |
| CN112561434A (zh) * | 2020-12-18 | 2021-03-26 | 上海交通大学宁波人工智能研究院 | 一种传统集装箱码头联合调度方法和辅助调度系统 |
| CN113240215B (zh) * | 2021-07-12 | 2021-09-14 | 湖北浩蓝智造科技有限公司 | 一种仓储agv的调度方法、系统、存储介质及电子设备 |
| CN113240215A (zh) * | 2021-07-12 | 2021-08-10 | 湖北浩蓝智造科技有限公司 | 一种仓储agv的调度方法、系统、存储介质及电子设备 |
| CN113988377A (zh) * | 2021-09-30 | 2022-01-28 | 东方电气集团东方电机有限公司 | 一种智能车间agv充电站位置优化布置方法 |
| CN113988377B (zh) * | 2021-09-30 | 2023-06-27 | 东方电气集团东方电机有限公司 | 一种智能车间agv充电站位置优化布置方法 |
| CN114493047A (zh) * | 2022-04-06 | 2022-05-13 | 中国人民解放军96901部队 | 一种基于可用资源编码的多对多货物调度优化分配方法 |
| CN114493047B (zh) * | 2022-04-06 | 2022-06-14 | 中国人民解放军96901部队 | 一种基于可用资源编码的多对多货物调度优化分配方法 |
| CN115457484B (zh) * | 2022-11-10 | 2023-02-07 | 梁山华鲁专用汽车制造有限公司 | 一种用于半挂车自动卸货的控制方法及装置 |
| CN115457484A (zh) * | 2022-11-10 | 2022-12-09 | 梁山华鲁专用汽车制造有限公司 | 一种用于半挂车自动卸货的控制方法及装置 |
| CN117151590A (zh) * | 2023-09-13 | 2023-12-01 | 哈尔滨理工大学 | 基于平移时间窗和任务路径规划的agv调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107578119A (zh) | 一种智能调度系统的资源分配全局优化方法 | |
| Kim et al. | A mathematical model and a genetic algorithm for two-sided assembly line balancing | |
| Chen et al. | The self-learning particle swarm optimization approach for routing pickup and delivery of multiple products with material handling in multiple cross-docks | |
| CN109447317A (zh) | 一种基于多人同时拣货的仓库最短路径优化方法 | |
| Khalili-Damghani et al. | A new bi-objective location-routing problem for distribution of perishable products: evolutionary computation approach | |
| Liu et al. | Novel multi-objective resource allocation and activity scheduling for fourth party logistics | |
| CN104835026B (zh) | 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法 | |
| CN109375601A (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
| CN107578199A (zh) | 一种求解二维装载约束物流车辆调度问题的方法 | |
| CN104408589A (zh) | 基于混合粒子群算法的agv优化调度方法 | |
| CN113159687B (zh) | 一种车间agv-uav协同的物料配送路径规划方法和系统 | |
| CN102663574A (zh) | 基于遗传算法的多rgv动态调度方法 | |
| CN106021700A (zh) | 基于分散式出/入库布局模式下的货位分配模型建立方法 | |
| CN106773686A (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
| Misir et al. | A selection hyper-heuristic for scheduling deliveries of ready-mixed concrete | |
| Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
| Zhou et al. | A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy | |
| CN110348126A (zh) | 钢厂原料堆位布局优化方法、系统、设备及存储介质 | |
| CN114358233A (zh) | 基于双混合粒子群的多agv路径规划问题优化方法及系统 | |
| CN114237222A (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| Zhou et al. | A novel hybrid-load AGV for JIT-based sustainable material handling scheduling with time window in mixed-model assembly line | |
| Gan et al. | A multi-objective evolutionary algorithm for emergency logistics scheduling in large-scale disaster relief | |
| CN112508481A (zh) | 一种智能仓储多agv调度方法 | |
| CN116882883A (zh) | 一种利用大数据的电网物资配送路径规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180112 |