CN108921338B - 一种多车辆车间物流运输调度方法 - Google Patents

一种多车辆车间物流运输调度方法 Download PDF

Info

Publication number
CN108921338B
CN108921338B CN201810638771.1A CN201810638771A CN108921338B CN 108921338 B CN108921338 B CN 108921338B CN 201810638771 A CN201810638771 A CN 201810638771A CN 108921338 B CN108921338 B CN 108921338B
Authority
CN
China
Prior art keywords
solution
point
sequence
vehicle
current
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.)
Active
Application number
CN201810638771.1A
Other languages
English (en)
Other versions
CN108921338A (zh
Inventor
蔡延光
徐泽峰
蔡颢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810638771.1A priority Critical patent/CN108921338B/zh
Publication of CN108921338A publication Critical patent/CN108921338A/zh
Application granted granted Critical
Publication of CN108921338B publication Critical patent/CN108921338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/083—Shipping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种多车辆车间物流运输调度方法。首先建立多车辆车间物流运输调度的数学模型，然后提出一种混沌布谷鸟算法求解。具体步骤：(1)建立多车辆车间物流运输调度的数学模型；(2)参数初始化；(3)种群中所有个体混沌初始化；(4)对所有个体进行混沌扰动；(5)对所有个体进行局部搜索；(6)更新算法最优解，淘汰部分个体，判断是否达到最大循环次数；(7)得到最优解。本发明能够有效的求解多车辆车间物流运输调度问题。

Description

一种多车辆车间物流运输调度方法
技术领域
本发明属于物流管理领域，具体涉及一种多车辆车间物流运输调度方法。
背景技术
车间物流运输调度问题是车间物流管理的核心问题，调度质量的好坏直接影响车间的生产周期和物流成本。多车辆车间物流运输调度问题可以简单描述为：一个车间内有一条流水线，允许使用多辆车为这条流水线完成运输任务。车需要完成原料物流和工序间物流两方面的任务。仓库是原料输送的起点，车在仓库装载要运送到各工位的原料，然后从仓库出发开始运输这些原料。此外，对流水线上每两个相邻工位，需要将待加工产品从前一个工位运输到后一个工位，这同样是运输车辆需要完成的任务。车具有一定的载重，一次装载所有工位所需的原料通常不可能，且同时还需要完成运输待加工产品的任务，因此车需要多次返回仓库来装载原料。
而现有车间物流运输调度普遍依赖工人向车辆发出的运输需求，效率十分低下。
发明内容
针对现有车间物流运输调度技术的问题，本发明提供了一种运行速度快、收敛能力强、寻优效率高的基于布谷鸟算法的多车辆车间物流运输调度方法。
为了实现上述目的，本发明的技术方案为：
一种多车辆车间物流运输调度方法，包括以下步骤：
S1：建立多车辆车间物流运输调度的数学模型：
Figure BDA0001701716300000011
Figure BDA0001701716300000012
Figure BDA0001701716300000013
Figure BDA0001701716300000014
Figure BDA0001701716300000015
唯一整数对(i,j),i∈[1,m],j∈[1,Li],
Figure BDA0001701716300000016
Figure BDA0001701716300000021
若
Figure BDA0001701716300000022
则
Figure BDA0001701716300000023
Figure BDA0001701716300000024
若
Figure BDA0001701716300000025
则
Figure BDA0001701716300000026
Figure BDA0001701716300000027
若
Figure BDA0001701716300000028
且
Figure BDA0001701716300000029
则
Figure BDA00017017163000000210
Figure BDA00017017163000000211
若
Figure BDA00017017163000000212
对
Figure BDA00017017163000000213
有
Figure BDA00017017163000000214
则
Figure BDA00017017163000000215
Figure BDA00017017163000000216
Figure BDA00017017163000000217
Figure BDA00017017163000000218
Figure BDA00017017163000000219
Figure BDA00017017163000000220
其中，T(单位：分)表示流水线的实际生产周期；n(单位：个)表示工位的总数；m(单位：辆)表示允许使用的车辆的总数；tij(单位：分)表示工位或仓库i和j之间的行驶时间；qi(单位：千克)表示工位i生产一单位产品所需的原料重；q(单位：千克)表示一单位待加工产品的重量；Q(单位：千克)表示车的最大载重。
问题的解表示为m个整数序列
Figure BDA00017017163000000221
每一个序列的周期为Li。序列中的每个整数
Figure BDA00017017163000000222
代表车对某个工位或仓库的一次访问。对工位i，其对应三个访问点，分别是3i-2，3i-1，3i，分别对应原料输送，装载待加工产品，卸载待加工产品。对整数
Figure BDA00017017163000000223
当
Figure BDA00017017163000000224
时对应仓库访问；当
Figure BDA00017017163000000225
整除3分别余1，2，0时分别对应工位
Figure BDA00017017163000000226
的原料输送，装载待加工产品和卸载待加工产品，其中[]表示取整。每一个序列Si表示车i的一个运输周期。载重变化
Figure BDA00017017163000000227
用于表示每一辆车进行每次访问时其当前载重的变化；载重
Figure BDA00017017163000000228
用于表示每一辆车进行每次访问时的当前载重；最高载重
Figure BDA00017017163000000229
用于表示每一辆车在所有访问中的最大载重；装卸颠倒次数wi用于表示每一辆车在一个运输周期内的装卸颠倒次数。
式(1)为目标函数，以最小化流水线生产周期，即所有车的运输周期最小者为目标。式(2)保证每个序列中的每个元素对应对仓库访问或对某个工位的三种访问之一。式(3)表示每辆车的运输从仓库开始。式(4)表示每个序列均为循环序列。式(5)表示每个工位对应的每个访问点只能被一辆车访问一次。式(6)、(7)、(8)、(9)给出载重变化的计算方式。式(10)给出载重的计算方式。式(11)给出最大载重的计算方式。式(12)给出装卸颠倒次数的计算方式。式(13)表示在整个运输期间车不允许超载。式(14)表示每一个装载待加工产品点和它对应的卸载待加工产品点必须位于同一个序列中。
S2：初始化。
S2-1：参数设置：设置个体数目为N；算法最大循环次数Dmax；扰动最大移动点数目Nm；最小无改进循环次数Ce；超载惩罚系数pol。
S2-2：初始化种群：每个个体的当前解用生成初始解方法生成，基解复制当前解，无改进循环次数为0。算法循环次数为0。
提出一种混沌贪婪插入法来生成初始解：起始时，解中有m个序列，每个序列有一条空线路。每轮循环随机取一个访问点，考察所有序列的所有插入位置，取最优的位置插入。所有访问点插入完毕后，初始解生成完毕。
在选择每一个要插入的点时，生成混沌变量来确定所选择的点。利用混沌变量的遍历性，增加生成的初始解的覆盖范围，从而增强算法的全局搜索能力。
为保证解生成完毕后每一个装载点和它对应的卸载点位于同一个序列，在生成解的过程中，每选中一个要插入的点，首先检查该点的类型。若是装载点或卸载点，则检查其对应点是否已经插入解中。若是，则该点只能与其对应点插入同一个序列中，此时只能检查对应点所在序列的所有插入位置，寻求最优的位置插入。否则，若对应点未插入解中，则须检查所有序列的所有插入位置，选择最优的位置插入。
S3：对所有个体的当前解进行混沌扰动。提出一种混沌布谷鸟发散策略：生成一个满足Levy分布的随机数e，若e大于Nm则将e定为Nm。对e取整作为要移动的点的数目。在移动每一点时，随机等概率取得要移动的点A，然后随机等概率取第二个点B来指定点A要移动的中心位置。点A将移动到点B之后，并与点B相邻。生成混沌随机整数Z。Z的符号决定A在序列中进一步移动的方向，Z为正时A向序列的第一点方向移动，否则A向序列的最后一点方向移动。Z的绝对值则决定A在序列中的移动步数。
S4：局部搜索。
S4-1：对所有个体的当前解进行局部搜索。
S4-2：若局部搜索之后个体的当前解不是可行解，则对其进行修复。
提出一种逐渐增加超载惩罚的修复策略：首先将超载惩罚加倍，然后检查局部搜索邻域中是否存在评价值低于当前解的解。若存在，则用邻域中评价值最低的解替换当前解。然后继续检查邻域，直到邻域中不存在评价值更低的解。此时，检查当前解是否为可行解，若是，则修复结束。若不是，则将超载惩罚继续加倍，并使循环继续。
S4-3：若个体的当前解优于基解，则基解复制当前解，个体的无改进循环次数归零；否则，个体的无改进循环次数加一。
S5：更新算法最优解，淘汰群体中部分个体。算法循环次数加一。若算法循环次数未达到最大循环次数，则返回S3。
提出一种按无改进循环次数淘汰的策略：先将群体中所有个体按基解的目标函数值从大到小排序，然后依次检查每个个体的无改进循环次数。对一个个体A’，设A’排序中的顺位为i，则若A’的无改进循环次数大于iCe，则将该个体淘汰，即用S2-2所述的生成初始解方法重新生成A’的当前解，然后将A’的基解复制当前解，A’的无改进循环次数归零。顺位越高，即越优秀的个体淘汰难度越大，有利于保持种群中解的总体质量。
S6：结束算法，输出最优结果。
本发明的一种多车辆车间物流运输调度方法，是首先建立多车辆车间物流运输调度的数学模型，然后提出一种布谷鸟算法求解。具体步骤：(1)建立多车辆车间物流运输调度的数学模型；(2)参数初始化；(3)种群中所有个体混沌初始化；(4)对所有个体进行混沌扰动；(5)所有个体进行局部搜索；(6)更新算法最优解，淘汰部分个体，判断是否达到最大循环次数；(7)得到最优解作为运输调度方案。本发明能够有效的求解多车辆车间物流运输调度问题。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制。
图1为本发明的一种多车辆车间物流运输调度方法的流程图。
具体实施方案
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。为了证明本发明的优越性，下面将本发明进行具体实施到某车间的多车辆物流运输调度中，其步骤如下：
S1：建立多车辆车间物流运输调度的数学模型：
Figure BDA0001701716300000051
Figure BDA0001701716300000052
Figure BDA0001701716300000053
Figure BDA0001701716300000054
Figure BDA0001701716300000055
唯一整数对(i,j),i∈[1,m],j∈[1,Li],
Figure BDA0001701716300000056
Figure BDA0001701716300000057
若
Figure BDA0001701716300000058
则
Figure BDA0001701716300000059
Figure BDA00017017163000000510
若
Figure BDA00017017163000000511
则
Figure BDA00017017163000000512
Figure BDA00017017163000000513
若
Figure BDA00017017163000000514
且
Figure BDA00017017163000000515
则
Figure BDA00017017163000000516
Figure BDA00017017163000000517
若
Figure BDA00017017163000000518
对
Figure BDA00017017163000000519
有
Figure BDA00017017163000000520
则
Figure BDA00017017163000000521
Figure BDA00017017163000000522
Figure BDA00017017163000000523
Figure BDA00017017163000000524
Figure BDA00017017163000000525
Figure BDA00017017163000000526
其中，T(单位：分)表示流水线的实际生产周期；n(单位：个)表示工位的总数有15个；m(单位：辆)表示允许使用的车辆的总数为3；tij(单位：分)表示工位或仓库i和j之间的行驶时间，各工位和仓库的坐标见表1所示，每两点间的欧氏距离即两点间的行驶时间；qi(单位：千克)表示工位i生产一单位产品所需的原料重，见表2所示；q(单位：千克)表示一单位待加工产品的重量为1kg；Q(单位：千克)表示车的最大载重为15kg。
表1一种车间物流运输调度方法的各工位的编号和坐标，0表示仓库
Figure BDA0001701716300000061
表2一种车间物流运输调度方法的各工位需求原料重量(工位需求原料表)
Figure BDA0001701716300000062
Figure BDA0001701716300000071
表3求解结果表
Figure BDA0001701716300000072
问题的解表示为m个整数序列
Figure BDA0001701716300000073
每一个序列的周期为Li。序列中的每个整数
Figure BDA0001701716300000074
代表车对某个工位或仓库的一次访问。对工位i，其对应的三个访问分别是3i-2，3i-1，3i，分别对应原料输送，装载待加工产品，卸载待加工产品。对整数
Figure BDA0001701716300000075
当
Figure BDA0001701716300000076
时对应仓库访问；当
Figure BDA0001701716300000077
整除3分别余1，2，0时分别对应工位
Figure BDA0001701716300000078
的原料输送，装载待加工产品和卸载待加工产品，其中[]表示取整。每一个序列Si表示车i的一个运输周期。载重变化
Figure BDA0001701716300000079
用于表示每一辆车进行每次访问时其当前载重的变化；载重
Figure BDA00017017163000000710
用于表示每一辆车进行每次访问时的当前载重；最高载重
Figure BDA00017017163000000711
用于表示每一辆车在所有访问中的最大载重；装卸颠倒次数wi用于表示每一辆车在一个运输周期内的装卸颠倒次数。
S2：初始化。
S2-1：参数设置：设置个体数目N为10；算法最大循环次数Dmax为300；扰动最大移动点数目Nm为10；最小无改进循环次数Ce为3；超载惩罚系数pol＝5。
S2-2：初始化种群：每个个体的当前解用生成初始解方法生成，基解复制当前解，无改进循环次数为0。算法循环次数为0。
使用混沌贪婪插入法来生成初始解：起始时，解中有m个序列，每个序列有一条空线路。每轮循环随机取一个访问点，考察所有序列的所有插入位置，取最优的位置插入。所有访问点插入完毕后，初始解生成完毕。
在选择每一个要插入的点时，生成混沌变量来确定所选择的点。利用混沌变量的遍历性，增加生成的初始解的覆盖范围，从而增强算法的全局搜索能力。
为保证解生成完毕后每一个装载点和它对应的卸载点位于同一个序列，在生成解的过程中，每选中一个要插入的点，首先检查该点的类型。若是装载点或卸载点，则检查其对应点是否已经插入解中。若是，则该点只能与其对应点插入同一个序列中，此时只能检查对应点所在序列的所有插入位置，寻求最优的位置插入。否则，若对应点未插入解中，则须检查所有序列的所有插入位置，选择最优的位置插入。
在本实施例中，采用Logistic混沌映射来得到[0,1]的混沌随机数，如式(15)所示。
xn+1＝μxn(1-xn) (15)
其中，n为迭代次数。当初值x0∈[0,1]且μ＝4时，系统处于完全混沌状态，可以用于生成混沌随机数。
S3：对所有个体的当前解进行混沌扰动。提出一种混沌布谷鸟发散策略：生成一个满足Levy分布的随机数e，若e大于Nm则将e定为Nm。对e取整作为要移动的点的数目。在移动每一点时，随机等概率取得要移动的点A，然后随机等概率取第二个点B来指定点A要移动的中心位置。点A将移动到点B之后，并与点B相邻。生成混沌随机整数Z。Z的符号决定A在序列中进一步移动的方向，Z为正时A向序列的第一点方向移动，否则A向序列的最后一点方向移动。Z的绝对值则决定A在序列中的移动步数。
采用式(15)来得到[0,1]的混沌随机数。
S4：局部搜索。
S4-1：对所有个体的当前解进行局部搜索。局部搜索依照评价值判断解的优劣。评价值为解的目标函数值与超载惩罚值之和，其计算方式如式(16)、(17)所示。
Figure BDA0001701716300000091
Figure BDA0001701716300000092
其中，C为评价值；Tt表示解的目标函数值；Oi为序列中第i个访问处的超载量，用式(16)来计算。
采用全邻域搜索方法来进行局部搜索，所采用的邻域为单点移动，即将解中一个点移动到新的位置。为保证每一个装载点和它对应的卸载点位于同一个序列，当将一个非原料输送点移动到另一个序列时，须同时将它对应的装载点或卸载点移动到同一个序列。在每轮循环中，检查解在邻域中的最优解。若该最优解优于当前解，则以之替换当前解。循环持续，直到当前解成为局部最优。
S4-2：若局部搜索之后个体的当前解不是可行解，则对其进行修复。
提出一种逐渐增加超载惩罚的修复策略：首先将超载惩罚加倍，然后检查局部搜索邻域中是否存在评价值低于当前解的解。若存在，则用邻域中评价值最低的解替换当前解。然后继续检查邻域，直到邻域中不存在评价值更低的解。此时，检查当前解是否为可行解，若是，则修复结束。若不是，则将超载惩罚继续加倍，并使循环继续。
S4-3：若个体的当前解优于基解，则基解复制当前解，个体的无改进循环次数归零；否则，个体的无改进循环次数加一。
S5：更新算法最优解，淘汰群体中部分个体。算法循环次数加一。若算法循环次数未达到最大循环次数，则返回S3。
提出一种按无改进循环次数淘汰的策略：先将群体中所有个体按基解的目标函数值从大到小排序，然后依次检查每个个体的无改进循环次数。对一个个体A，设A排序中的顺位为i，则若A的无改进循环次数大于iCe，则将该个体淘汰，即用S2-2所述的生成初始解方法重新生成A的当前解，然后将A的基解复制当前解，A的无改进循环次数归零。顺位越高，即越优秀的个体淘汰难度越大，有利于保持种群中解的总体质量。
S6：结束算法，输出最优结果。
本发明提出的布谷鸟算法的流程如图1所示。
通过对本发明提出的多车辆车间物流运输调度问题进行求解，得到计算结果，流水线的生产周期为193.755分。本发明能够有效的求解多车辆车间物流运输调度问题。

Claims (5)

1.一种多车辆车间物流运输调度方法，其特征在于，包括以下步骤：
S1：建立多车辆车间物流运输调度的数学模型：
Figure FDA0001701716290000011
Figure FDA0001701716290000012
Figure FDA0001701716290000013
Figure FDA0001701716290000014
Figure FDA00017017162900000116
Figure FDA00017017162900000117
唯一整数对(i,j),i∈[1,m],j∈[1,Li],
Figure FDA00017017162900000115
Figure FDA0001701716290000015
Figure FDA0001701716290000016
Figure FDA0001701716290000017
Figure FDA0001701716290000018
Figure FDA0001701716290000019
Figure FDA00017017162900000110
Figure FDA00017017162900000111
Figure FDA00017017162900000112
Figure FDA00017017162900000113
其中，T(单位：分)表示流水线的实际生产周期；n(单位：个)表示工位的总数；m(单位：辆)表示允许使用的车辆的总数；tij(单位：分)表示工位或仓库i和j之间的行驶时间；qi(单位：千克)表示工位i生产一单位产品所需的原料重；q(单位：千克)表示一单位待加工产品的重量；Q(单位：千克)表示车的最大载重；
问题的解表示为m个整数序列
Figure FDA00017017162900000114
每一个序列的周期为Li；序列中的每个整数
Figure FDA0001701716290000021
代表车对某个工位或仓库的一次访问；对工位i，其对应三个访问点，分别是3i-2，3i-1，3i，分别对应原料输送，装载待加工产品，卸载待加工产品；对整数
Figure FDA0001701716290000022
当
Figure FDA0001701716290000023
时对应仓库访问；当
Figure FDA0001701716290000024
整除3分别余1，2，0时分别对应工位
Figure FDA0001701716290000025
的原料输送，装载待加工产品和卸载待加工产品，其中[]表示取整；每一个序列Si表示车i的一个运输周期；载重变化
Figure FDA0001701716290000026
用于表示每一辆车进行每次访问时其当前载重的变化；载重
Figure FDA0001701716290000027
用于表示每一辆车进行每次访问时的当前载重；最高载重
Figure FDA0001701716290000028
用于表示每一辆车在所有访问中的最大载重；装卸颠倒次数wi用于表示每一辆车在一个运输周期内的装卸颠倒次数；
式(1)为目标函数，以最小化流水线生产周期，即所有车的运输周期最小者为目标；式(2)保证每个序列中的每个元素对应对仓库访问或对某个工位的三种访问之一；式(3)表示每辆车的运输从仓库开始；式(4)表示每个序列均为循环序列；式(5)表示每个工位对应的每个访问点只能被一辆车访问一次；式(6)、(7)、(8)和(9)为载重变化的计算方式；式(10)为载重的计算方式；式(11)为最大载重的计算方式；式(12)为装卸颠倒次数的计算方式；式(13)表示在整个运输期间车不允许超载；式(14)表示每一个装载待加工产品点和它对应的卸载待加工产品点必须位于同一个序列中；
S2：初始化；
S2-1：参数设置：设置个体数目为N；算法最大循环次数Dmax；扰动最大移动点数目Nm；最小无改进循环次数Ce；超载惩罚系数pol；每个个体具有三个属性，分别为基解，当前解，无改进循环次数；
S2-2：初始化种群：每个个体的当前解用生成初始解方法生成，基解复制当前解，无改进循环次数为0；算法循环次数为0；
S3：对所有个体的当前解进行混沌扰动；
S4：局部搜索；
S4-1：对所有个体的当前解进行局部搜索；
S4-2：若局部搜索之后个体的当前解不是可行解，则对其进行修复；
S4-3：若个体的当前解优于基解，则基解复制当前解，个体的无改进循环次数归零；否则，个体的无改进循环次数加一；
S5：更新算法最优解，淘汰群体中部分劣势个体；算法循环次数加一；若算法循环次数未达到最大循环次数，则返回S3；
S6：结束算法，输出最优结果即可得到多车辆车间物流运输调度方案。
2.如权利要求1所述的方法，其特征在于，所述的步骤S2-2的生成初始解方法，进一步包括：
提出一种混沌贪婪插入法来生成初始解，具体为：起始时，解中有m个序列，每个序列有一条空线路；每轮循环随机取一个访问点，考察所有序列的所有插入位置，取最优的位置插入；所有访问点插入完毕后，初始解生成完毕；
在选择每一个要插入的点时，生成混沌变量来确定所选择的点；利用混沌变量的遍历性，增加生成的初始解的覆盖范围，从而增强算法的全局搜索能力；
为保证解生成完毕后每一个装载点和它对应的卸载点位于同一个序列，在生成解的过程中，每选中一个要插入的点，首先检查该点的类型；若是装载点或卸载点，则检查其对应点是否已经插入解中；若是，则该点只能与其对应点插入同一个序列中，此时只能检查对应点所在序列的所有插入位置，寻求最优的位置插入；否则，若对应点未插入解中，则须检查所有序列的所有插入位置，选择最优的位置插入。
3.如权利要求2所述的方法，其特征在于，所述的步骤S3的混沌扰动，具体为：
提出一种混沌布谷鸟发散策略：生成一个满足Levy分布的随机数e，若e大于Nm则将e定为Nm；对e取整作为要移动的点的数目；在移动每一点时，随机等概率取得要移动的点A，然后随机等概率取第二个点B来指定点A要移动的中心位置；点A将移动到点B之后，并与点B相邻；生成混沌随机整数Z；Z的符号决定A在序列中进一步移动的方向，Z为正时A向序列的第一点方向移动，否则A向序列的最后一点方向移动；Z的绝对值则决定A在序列中的移动步数。
4.如权利要求3所述的方法，其特征在于，所述的步骤S4-2中的修复不可行解，进一步包括：
提出一种逐渐增加超载惩罚的修复策略：首先将超载惩罚加倍，然后检查局部搜索邻域中是否存在评价值低于当前解的解；若存在，则用邻域中评价值最低的解替换当前解；然后继续检查邻域，直到邻域中不存在评价值更低的解；此时，检查当前解是否为可行解，若是，则修复结束；若不是，则将超载惩罚继续加倍，并使循环继续。
5.如权利要求4所述的方法，其特征在于，所述的步骤S5的淘汰部分较劣的个体，包括：
提出一种按无改进循环次数淘汰的策略：先将群体中所有个体按基解的目标函数值从大到小排序，然后依次检查每个个体的无改进循环次数；对一个个体A’，设A’排序中的顺位为i，则若A’的无改进循环次数大于iCe，则将该个体淘汰，即用S2-2所述的生成初始解方法重新生成A’的当前解，然后将A’的基解复制当前解，A’的无改进循环次数归零；顺位越高，即越优秀的个体淘汰难度越大，有利于保持种群中解的总体质量。
CN201810638771.1A 2018-06-20 2018-06-20 一种多车辆车间物流运输调度方法 Active CN108921338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810638771.1A CN108921338B (zh) 2018-06-20 2018-06-20 一种多车辆车间物流运输调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810638771.1A CN108921338B (zh) 2018-06-20 2018-06-20 一种多车辆车间物流运输调度方法

Publications (2)

Publication Number Publication Date
CN108921338A CN108921338A (zh) 2018-11-30
CN108921338B true CN108921338B (zh) 2022-04-19

Family

ID=64421576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810638771.1A Active CN108921338B (zh) 2018-06-20 2018-06-20 一种多车辆车间物流运输调度方法

Country Status (1)

Country Link
CN (1) CN108921338B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334853A (zh) * 2019-06-10 2019-10-15 福建工程学院 一种物流配送中心仓库选址的仿自然体优化方法
CN112836846B (zh) * 2020-12-02 2022-07-08 红云红河烟草(集团)有限责任公司 一种卷烟发货多库点多方向联运调度双层优化算法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010111452A (ja) * 2008-11-04 2010-05-20 Internatl Business Mach Corp <Ibm> 複数車両の配送経路を求めるための方法、装置及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260785B (zh) * 2015-08-24 2020-06-23 屈迟文 一种基于改进布谷鸟算法的物流配送车辆路径优化方法
CN106611382A (zh) * 2016-07-30 2017-05-03 四川用联信息技术有限公司 一种基于布谷鸟搜索算法解决作业车间工艺瓶颈问题
CN107784427A (zh) * 2017-08-08 2018-03-09 国网江苏省电力公司盐城供电公司 一种基于布谷鸟算法的虚拟电厂优化调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010111452A (ja) * 2008-11-04 2010-05-20 Internatl Business Mach Corp <Ibm> 複数車両の配送経路を求めるための方法、装置及びプログラム

Also Published As

Publication number Publication date
CN108921338A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108764777B (zh) 带时间窗的电动物流车调度方法和系统
CN108985597B (zh) 一种动态物流调度方法
CN109034481A (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
CN109784566A (zh) 一种订单排序优化方法及装置
CN110322066B (zh) 一种基于共享承运人和共享仓库的协同车辆路径优化方法
CN110189077A (zh) 一种考虑三维装载约束的多阶段车货匹配方法
CN114237222B (zh) 一种基于强化学习的取送货车辆路径规划方法
Hoogeboom et al. Efficient neighborhood evaluations for the vehicle routing problem with multiple time windows
CN108921338B (zh) 一种多车辆车间物流运输调度方法
US20220292413A1 (en) Bike sharing rebalancing optimization method based on adaptive neighborhood search algorithm
CN108564211B (zh) 物流运输路径规划方法及系统
CN115576343B (zh) 一种结合无人机配送的多目标车辆路径优化方法
CN113673764A (zh) 一种订单配送方法、装置、电子设备及存储介质
CN113516429B (zh) 一种基于网络拥堵模型的多agv全局规划方法
CN110852530A (zh) 一种多车场多车型的车辆路径规划方法
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
CN116820058B (zh) 考虑agv约束的液压缸工艺规划与调度集成优化方法
Chaovalitwongse et al. GRASP with a new local search scheme for vehicle routing problems with time windows
CN110275535B (zh) 一种基于改进a星算法的多状态车辆路径规划方法
CN117314055A (zh) 基于强化学习的智能制造车间生产-运输联合调度方法
CN115358455A (zh) 考虑电池更换和混合时间窗约束的电动车路径优化方法
CN112862212B (zh) 基于改进麻雀搜索算法的多agv调度方法、装置及设备
CN113177781B (zh) 基于变邻域和遗传算子的生产组装协同调度方法及系统
Yazdani et al. Truck routing and scheduling for cross-docking in the supply chain: model and solution method
Liao et al. A hybrid tabu search algorithm for the variable periodic vehicle routing problem

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
GR01 Patent grant
GR01 Patent grant