CN109685243B - 一种基于遗传算法的作业车间物流配送路径优化方法 - Google Patents

一种基于遗传算法的作业车间物流配送路径优化方法 Download PDF

Info

Publication number
CN109685243B
CN109685243B CN201811305313.2A CN201811305313A CN109685243B CN 109685243 B CN109685243 B CN 109685243B CN 201811305313 A CN201811305313 A CN 201811305313A CN 109685243 B CN109685243 B CN 109685243B
Authority
CN
China
Prior art keywords
node
path
logistics distribution
nodes
target
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
CN201811305313.2A
Other languages
English (en)
Other versions
CN109685243A (zh
Inventor
谢乃明
郑绍祥
吴乔
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811305313.2A priority Critical patent/CN109685243B/zh
Publication of CN109685243A publication Critical patent/CN109685243A/zh
Application granted granted Critical
Publication of CN109685243B publication Critical patent/CN109685243B/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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于遗传算法的作业车间物流配送路径优化方法，用于有效规划离散式作业车间内带优先级的多目标节点物流配送路径。基于作业车间的布局图和邻接矩阵，运用算法对车间物流配送的路径进行优化，并使得目标函数最优。传统的多目标路径规划中将路径规划划分为多个单目标节点单起始节点的路径规划问题，但通常只能取得局部最优而非全局最优。建立多目标节点路径优化模型，从全局最优角度出发，运用提出的交叉算子和变异算子，提高求解速度并增加求解精度。采用本发明方法，不仅可以有效降低作业车间内物流配送的路径距离，还能提升车间内物流配送运行效率，为提升车间内生产效率，提升企业收益创造条件。

Description

一种基于遗传算法的作业车间物流配送路径优化方法
技术领域
本发明属于物联感知和路径优化技术领域，具体涉及一种基于遗传算法的作业车间物流配送路径优化方法。
背景技术
21世纪是信息化和智能化的时代，在当前去工业化的背景下，世界各国纷纷将物联网和智能服务引入制造业，随着当前科技地迅猛发展和科技愈加广泛地应用，以信息化背景作为依托，物联网成为各国的建设目标。在我国制造型车间中，物流成本居高不下，对作业车间内物流配送的研究，将为车间内物流运行效率的提升和企业成本的降低创造条件，形成科学合理的物流管控方案，提升企业的核心竞争力。这也是我国发展制造型企业提升自身综合竞争力的必通之路。
自物流配送路径优化的研究兴起以来，人们在这个领域做了大量的研究工作。然而，目前最常见的物流配送研究为一个配送中心和多个客户终端模式的研究，而对车间内物流配送模型的研究相对较少。目前研究路径优化的论文也主要集中在传统的单起始节点和单目标节点，涵盖了机器人路径研究、单目标物流配送路径规划等领域，而研究的方法主要以蚁群算法、禁忌搜索算法、粒子群算法和遗传算法等。蚁群算法在搜索中容易出现停滞现象陷入局部最优解，且算法本身较为复杂。禁忌搜索算法是单操作，对初始解的依赖性过强。粒子群算法对于离散的优化问题处理上则效果不佳。而遗传算法作为一种鲁棒性强的生物智能算法，其求解的流程和问题本身并没有太大的联系，只要能构造出合法的种群以及合适的交叉算子和变异算子，遗传算法能表现出较高的全局性和良好的性能。本发明的方法将基于对传统路径优化的研究，结合离散式作业车间内的实际情况，构造一种适合作业车间内的物流配送模型，并使用遗传算法来求解得到最后的结果。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于遗传算法的作业车间物流配送路径优化方法，以解决现有技术中车间内物流配送的研究方法复杂、依赖性强及效果不佳的问题。本发明的方法用于作业车间的多目标节点路径配送路径优化，提升物流配送的效率。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于遗传算法的作业车间物流配送路径优化方法，包括步骤如下：
(1)通过物联网技术实时采集各离散式机床节点的物流信息，确定相应机床所需的信息；
(2)考虑需要经过的各节点优先级，即当离散式机床节点产生需求，先取料后送料，同时构建物流配送的路径距离目标函数；
(3)以路径最优为目标函数构建作业车间物流配送模型；
(4)改进传统遗传算法；
(5)以作业车间内布局图和节点邻接矩阵为基础，距离最优为目标函数，物流物料信息为导向，运用步骤(4)改进的算法求解物作业车间物流配送路径。
进一步地，所述步骤(1)中相应机床所需的信息包含：物料、工具以及取料的节点。
进一步地，所述步骤(1)中物联网技术指通过射频识别(RFID)、红外感应器、全球定位系统及激光扫描器将任何物品与互联网相连接，进行信息交换和通讯。
进一步地，所述步骤(2)中目标函数如下所示：
Figure BDA0001853393860000021
其中，dij表示节点i和节点j之间距离，xij为0-1变量，当所规划路径由节点i开始经过弧(i，j)时，xij＝1，否则，xij＝0，dse表示由起始点到目标点的总距离。
进一步地，所述步骤(3)中作业车间物流配送模型表示为：物流配送工具处在任意节点位置，各节点的位置和物料信息已知，相应的物料取料节点位置已知，要求当随机产生一个及以上的机床需求节点时，合理规划车间内物流配送路线，使得目标函数最小，并满足约束条件：路径规划中需要经过的各节点存在优先级，且在每次路径规划中优先级有所不同，即满足先取料后送料；以s表示起始节点，e表示目标节点，V表示所有节点的集合，ti表示经过节点i的时间点，v表示配送车辆的速度；则构建的物流配送路径规划模型如下所示：
Figure BDA0001853393860000022
Figure BDA0001853393860000023
Figure BDA0001853393860000024
Figure BDA0001853393860000025
tj＝ti+dij/v,(i,j)∈V2 (6)
ti≥tj，(i，j)∈(p，o) (7)
xij＝0或xij＝1 (8)
由于起始点在一条路径中经过至少一次，故式(2)表示路径从起始点出发的次数比返回起始点的次数多一次；同理，式(3)表示路径从目标节点出发的次数比到达目标点的次数少一次；V\{s,e}是除了起始节点和目标节点之外的所有其他节点的集合，式(4)表示路径中所有进入节点t和从节点t出发的次数相同；式(5)表示路径必须经过取料节点p∈{p1，p2，···，pn}和送料节点o∈{o1，o2，···，on}；式(6)表示到达节点的时间等于处于上一个节点的时间点加上经过弧的时间；式(7)表示先取料后送料的约束；式(8)为变量xij的取值范围，当时表示路径不经过弧(i，j)时xij＝0，反之当路径经过弧(i，j)，xij＝1。
进一步地，所述步骤(4)具体包括：在已经构建了满足约束节点优先级的种群的前提下，对每次任意选择的两条染色体父代parent1和parent2进行交叉时，随机找到两条染色体中具有相同起始节点和目标节点的子路径A1和B1，其中，起始节点和目标节点是路径必须经过的节点；判断A1和B1起始节点和目标节点是相同还是相反，若相同，则直接交换这两条路径，否则，取反后再交换，当得到新的子代满足节点优先级的要求时，即输出子染色体SA和SB，否则重新选择子路径进行交换，直到满足要求为止；在每次选择任意一条染色体chrome进行变异操作时，找到chrome中所有取/配料节点的位置，从中随机选择两个相邻的节点，调用最短路径算法随机重新确定一条两节点之间的最短路径，即构建了作业车间多目标节点物流配送路径优化算法。
进一步地，所述步骤(5)具体包括：每次物流路径规划中，初始路径种群的产生将基于最短路径算法，每次将需要经过的离散式节点顺序按一定规则打乱产生一个合法序列，并对任意两个需要经过的节点调用最短路径算法，循环往复，直到产生了一条合法的染色个体路径为止；再对种群不断进行选择操作，同时对选择后的种群完成新设计的交叉和变异操作，最后通过不断迭代规划出最优的物流配送路径。
本发明的有益效果：
1、本发明结合离散式作业车间的实际情况，构建了适合作业车间的多目标节点物流配送路径优化模型，对作业车间内物流配送与规划有良好的指导意义。
2、本发明通过构建了合适的交叉算子和变异算子，将遗传算法具有良好适应性与收敛性的优点很好的应用于本问题，解决了离散式作业车间内物流配送路径优化问题，保证了车间内物流配送路径优化的效果，同时为降低物流成本、提升车间生产效率、提高企业生产效益创造了条件。
附图说明
图1为本发明方法的流程图。
图2是构建的算法流程图。
图3为离散式车间布局图。
图4为最优路径规划图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
如图1，图2所示，本发明的一种基于遗传算法的作业车间物流配送路径优化方法，包括步骤如下：
(1)通过物联网技术(即：通过射频识别(RFID)、红外感应器、全球定位系统、激光扫描器等信息传感设备，将任何物品与互联网相连接，进行信息交换和通讯，以实现智能化识别、定位、追踪、监控和管理的一种技术)实时采集各离散式机床节点的物流信息，确定相应机床所需的信息，其包含：物料、工具以及取料的节点。
(2)考虑需要经过的各节点优先级，即当离散式机床节点产生需求，必须先取料后送料，同时构建物流配送的路径距离目标函数；该目标函数如下所示：
Figure BDA0001853393860000041
其中，dij表示节点i和节点j之间距离，xij为0-1变量，当所规划路径由节点i开始经过弧(i，j)时，xij＝1，否则，xij＝0，dse表示由起始点到目标点的总距离。
(3)考虑一个仓库、多个取料节点、多个配送节点的情况，以路径最优为目标函数构建作业车间物流配送模型；
(4)改进传统遗传算法，构建新的交叉算子和变异算子；
(5)以作业车间内布局图和节点邻接矩阵为基础，距离最优为目标函数，物流物料信息为导向，运用步骤(4)构建的交叉算子和变异算子来求解物作业车间物流配送路径。
其中，所述步骤(3)中作业车间物流配送模型表示为：物流配送工具处在任意节点位置，各节点的位置和物料信息已知，相应的物料取料节点位置已知，要求当随机产生一个及以上的机床需求节点时，合理规划车间内物流配送路线，使得目标函数最小，并满足约束条件：路径规划中需要经过的各节点存在优先级，且在每次路径规划中优先级有所不同，即满足先取料后送料；以s表示起始节点，e表示目标节点，V表示所有节点的集合，ti表示经过节点i的时间点，v表示配送车辆的速度；则构建的物流配送路径规划模型如下所示：
Figure BDA0001853393860000042
Figure BDA0001853393860000043
Figure BDA0001853393860000044
Figure BDA0001853393860000045
tj＝ti+dij/v,(i,j)∈V2 (6)
ti≥tj，(i，j)∈(p，o) (7)
xij＝0或xij＝1 (8)
由于起始点在一条路径中经过至少一次，故式(2)表示路径从起始点出发的次数比返回起始点的次数多一次；同理，式(3)表示路径从目标节点出发的次数比到达目标点的次数少一次；V\{s,e}是除了起始节点和目标节点之外的所有其他节点的集合，式(4)表示路径中所有进入节点t和从节点t出发的次数相同；式(5)表示路径必须经过取料节点p∈{p1，p2，···，pn}和送料节点o∈{o1，o2，···，on}；式(6)表示到达节点的时间等于处于上一个节点的时间点加上经过弧的时间；式(7)表示先取料后送料的约束；式(8)为变量xij的取值范围，当时表示路径不经过弧(i，j)时xij＝0，反之当路径经过弧(i，j)，xij＝1。
其中，所述步骤(4)具体包括：在已经构建了满足约束节点优先级的种群的前提下，对每次任意选择的两条染色体父代parent1和parent2进行交叉时，随机找到两条染色体中具有相同起始节点和目标节点的子路径A1和B1，其中，起始节点和目标节点是路径必须经过的节点；判断A1和B1起始节点和目标节点是相同还是相反，若相同，则直接交换这两条路径，否则，取反后再交换，当得到新的子代满足节点优先级的要求时，即输出子染色体SA和SB，否则重新选择子路径进行交换，直到满足要求为止；在每次选择任意一条染色体chrome进行变异操作时，找到chrome中所有取/配料节点的位置，从中随机选择两个相邻的节点，调用最短路径算法随机重新确定一条两节点之间的最短路径，即构建了作业车间多目标节点物流配送路径优化算法。
其中，所述步骤(5)具体包括：每次物流路径规划中，初始路径种群的产生将基于最短路径算法，每次将需要经过的离散式节点顺序按一定规则打乱产生一个合法序列，并对任意两个需要经过的节点调用最短路径算法，循环往复，直到产生了一条合法的染色个体路径为止；再对种群不断进行选择操作，同时对选择后的种群完成新设计的交叉和变异操作，最后通过不断迭代规划出最优的物流配送路径。
下面将构造一个路径规划的实例，结合本发明的遗传算法(Genetic Algorithm,GA)进行求解，设置交叉概率和变异概率分别为pc＝0.8，pm＝0.1，种群数目Np＝100，迭代次数Gen＝100。
如图3所示，该部分构造一个离散式车间具有28个节点的布局图，其中机器编号M1～M20.其中，节点1为起始节点，节点之间的连线表示连通，即运输车辆可以从一个节点达到另一个节点。
同时，为了方便路径规划，在路口的交叉处增加了节点数量，因此，节点数目不等于机器数目，当前布局下节点和机器的对应关系如表1所示：
表1
Figure BDA0001853393860000051
Figure BDA0001853393860000061
某次实时调度情景下目标节点为18和22，其中，节点18的上道工序为节点10，节点22上道工序为节点17，先取料后送料。产生的最优路径为1→2→3→4→11→10→11→18→17→18→23→22，如图4所示。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种基于遗传算法的作业车间物流配送路径优化方法，其特征在于，包括步骤如下：
(1)通过物联网技术实时采集各离散式机床节点的物流信息，确定相应机床所需的信息；
(2)考虑需要经过的各节点优先级，即当离散式机床节点产生需求，先取料后送料，同时构建物流配送的路径距离目标函数；
(3)以路径最优为目标函数构建作业车间物流配送模型；
(4)改进传统遗传算法；
(5)以作业车间内布局图和节点邻接矩阵为基础，距离最优为目标函数，物流物料信息为导向，运用步骤(4)中改进的算法来求解物作业车间物流配送路径；
所述步骤(3)中作业车间物流配送模型表示为：物流配送工具处在任意节点位置，各节点的位置和物料信息已知，相应的物料取料节点位置已知，要求当随机产生一个及以上的机床需求节点时，合理规划车间内物流配送路线，使得目标函数最小，并满足约束条件：路径规划中需要经过的各节点存在优先级，且在每次路径规划中优先级有所不同，即满足先取料后送料；以s表示起始节点，e表示目标节点，V表示所有节点的集合，ti表示经过节点i的时间点，v表示配送车辆的速度；则构建的物流配送路径规划模型如下所示：
Figure FDA0003941286570000011
Figure FDA0003941286570000012
Figure FDA0003941286570000013
Figure FDA0003941286570000014
tj＝ti+dij/v,(i,j)∈V2 (6)
ti≥tj，(i，j)∈(p，o) (7)
xij＝0或xij＝1 (8)
由于起始点在一条路径中经过至少一次，故式(2)表示路径从起始点出发的次数比返回起始点的次数多一次；同理，式(3)表示路径从目标节点出发的次数比到达目标点的次数少一次；V\{s,e}是所有除了起始节点和目标节点的集合，式(4)表示路径中所有进入节点t和从节点t出发的次数相同；式(5)表示路径必须经过取料节点p∈{p1，p2，···，pn}和送料节点o∈{o1，o2，···，on}；式(6)表示到达节点的时间等于处于上一个节点的时间点加上经过弧的时间；式(7)表示先取料后送料的约束；式(8)为变量xij的取值范围，当时表示路径不经过弧(i，j)时xij＝0，反之当路径经过弧(i，j)，xij＝1；
所述步骤(4)具体包括：在已经构建了满足约束节点优先级的种群的前提下，对每次任意选择的两条染色体父代parent1和parent2进行交叉时，随机找到两条染色体中具有相同起始节点和目标节点的子路径A1和B1，其中，起始节点和目标节点是路径必须经过的节点；判断A1和B1起始节点和目标节点是相同还是相反，若相同，则直接交换这两条路径，否则，取反后再交换，当得到新的子代满足节点优先级的要求时，即输出子染色体SA和SB，否则重新选择子路径进行交换，直到满足要求为止；在每次选择任意一条染色体chrome进行变异操作时，找到chrome中所有取/配料节点的位置，从中随机选择两个相邻的节点，调用最短路径算法随机重新确定一条两节点之间的最短路径，即构建了作业车间多目标节点物流配送路径优化算法。
2.根据权利要求1所述的基于遗传算法的作业车间物流配送路径优化方法，其特征在于，所述步骤(1)中相应机床所需的信息包含：物料、工具以及取料的节点。
3.根据权利要求1所述的基于遗传算法的作业车间物流配送路径优化方法，其特征在于，所述步骤(1)中物联网技术指通过射频识别、红外感应器、全球定位系统及激光扫描器将任何物品与互联网相连接，进行信息交换和通讯。
4.根据权利要求1所述的基于遗传算法的作业车间物流配送路径优化方法，其特征在于，所述步骤(2)中目标函数如下所示：
Figure FDA0003941286570000021
其中，dij表示节点i和节点j之间距离，xij为0-1变量，当所规划路径由节点i开始经过弧(i，j)时，xij＝1，否则，xij＝0，dse表示由起始点到目标点的总距离。
5.根据权利要求1所述的基于遗传算法的作业车间物流配送路径优化方法，其特征在于，所述步骤(5)具体包括：每次物流路径规划中，初始路径种群的产生将基于最短路径算法，每次将需要经过的离散式节点顺序按一定规则打乱产生一个合法序列，并对任意两个需要经过的节点调用最短路径算法，循环往复，直到产生了一条合法的染色个体路径为止；再对种群不断进行选择操作，同时对选择后的种群完成新设计的交叉和变异操作，最后通过不断迭代规划出最优的物流配送路径。
CN201811305313.2A 2018-11-05 2018-11-05 一种基于遗传算法的作业车间物流配送路径优化方法 Active CN109685243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811305313.2A CN109685243B (zh) 2018-11-05 2018-11-05 一种基于遗传算法的作业车间物流配送路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811305313.2A CN109685243B (zh) 2018-11-05 2018-11-05 一种基于遗传算法的作业车间物流配送路径优化方法

Publications (2)

Publication Number Publication Date
CN109685243A CN109685243A (zh) 2019-04-26
CN109685243B true CN109685243B (zh) 2023-03-31

Family

ID=66184556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811305313.2A Active CN109685243B (zh) 2018-11-05 2018-11-05 一种基于遗传算法的作业车间物流配送路径优化方法

Country Status (1)

Country Link
CN (1) CN109685243B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976294B (zh) * 2019-05-07 2020-05-08 天津中新智冠信息技术有限公司 一种智能停车方法和系统
CN110276499A (zh) * 2019-06-28 2019-09-24 青岛立东生态有限公司 一种垃圾清运路线优化计算方法
US10867309B1 (en) 2019-09-19 2020-12-15 Coupang Corp. Systems and methods for outbound forecasting based on a fulfillment center priority value
CN111652550A (zh) * 2020-05-28 2020-09-11 优信数享（北京）信息技术有限公司 一种智能寻找最佳环线集合的方法、系统及设备
CN111815079B (zh) * 2020-09-03 2020-12-01 江苏铨铨信息科技有限公司 一种基于遗传算法的智慧城市下物联网物流规划管理方法
CN112149910A (zh) * 2020-09-28 2020-12-29 上海汽车集团股份有限公司 一种路径规划方法及装置
CN112256029A (zh) * 2020-10-16 2021-01-22 中冶赛迪上海工程技术有限公司 一种无人抓钢机控制方法及系统
CN113313286A (zh) * 2021-04-23 2021-08-27 北京国信云服科技有限公司 基于遗传算法的末端物流网点布局方法、装置、设备及介质
CN113379228A (zh) * 2021-06-08 2021-09-10 天津大学 一种垃圾清运车的调度优化方法
CN113589811A (zh) * 2021-07-26 2021-11-02 浙江工业大学 一种基于黏菌导航针对制造企业物流的寻优算法
CN113685923B (zh) * 2021-10-25 2021-12-21 南通朗迪机械科技有限公司 一种口罩生产的无尘车间环境调控方法及系统
CN114493465B (zh) * 2022-02-21 2022-09-16 深圳佳利达供应链管理有限公司 一种多目标物流路径优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894222A (zh) * 2014-12-16 2016-08-24 重庆邮电大学 一种物流配送路径优化方法
CN106681334A (zh) * 2017-03-13 2017-05-17 东莞市迪文数字技术有限公司 基于遗传算法的自动搬运小车调度控制方法
CN108460463B (zh) * 2018-03-20 2020-09-01 合肥工业大学 基于改进遗传算法的高端装备流水线生产调度方法

Also Published As

Publication number Publication date
CN109685243A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685243B (zh) 一种基于遗传算法的作业车间物流配送路径优化方法
CN107179078A (zh) 一种基于时间窗优化的agv路径规划方法
CN110084405B (zh) 吞吐柔性智能装配物流路径规划方法
Gopala Krishna et al. Optimisation of operations sequence in CAPP using an ant colony algorithm
Li et al. Data-based scheduling framework and adaptive dispatching rule of complex manufacturing systems
CN110488810B (zh) 基于改进型粒子群算法的焊接机器人最优路径规划方法
CN113516429B (zh) 一种基于网络拥堵模型的多agv全局规划方法
CN109709985A (zh) 一种无人机任务优化方法、装置及系统
Xiao et al. A CEGA‐Based Optimization Approach for Integrated Designing of a Unidirectional Guide‐Path Network and Scheduling of AGVs
Thimm et al. A graph theoretic approach linking design dimensioning and process planning: Part 1: Designing to process planning
Fontes et al. Energy-efficient job shop scheduling problem with transport resources considering speed adjustable resources
CN115249123A (zh) 一种基于爬山法的柔性制造系统智能排产方法及系统
CN117132181B (zh) 一种分布式柔性生产与运输协同调度方法
Saravanan et al. An artificial bee colony algorithm for design and optimize the fixed area layout problems
Xu et al. Dynamic scheduling model of rail-guided vehicle (RGV) based on genetic algorithms in the context of mobile computing
Burger et al. Complete field coverage as a multi-vehicle routing problem
Pan et al. Optimization of warehouse layout based on genetic algorithm and simulation technique
CN111353621A (zh) 一种基于冷热度原理改进蚁群算法的agv路径规划方法
CN114444239A (zh) 基于混合遗传算法的作业车间运动轨道路径导向优化方法
Pu et al. Improved ant colony algorithm in path planning of a single robot and multi-robots with multi-objective
Lee et al. Novel method for welding gantry robot scheduling at shipyards
Dao et al. Optimisation of assembly scheduling in VCIM systems using genetic algorithm
De Zarza et al. Decentralized Platooning Optimization for Trucks: A MILP and ADMM-based Convex Approach to Minimize Latency and Energy Consumption
CN108153254B (zh) 一种基于萤火虫算法的零件群集成工艺路线规划方法
Gothwal et al. Optimisation of AGVs path layout in flexible manufacturing system using 0–1 linear integer programming

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