CN110263970A - 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 - Google Patents

一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 Download PDF

Info

Publication number
CN110263970A
CN110263970A CN201910396223.7A CN201910396223A CN110263970A CN 110263970 A CN110263970 A CN 110263970A CN 201910396223 A CN201910396223 A CN 201910396223A CN 110263970 A CN110263970 A CN 110263970A
Authority
CN
China
Prior art keywords
solution
rail car
small rail
bee
automatic small
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.)
Granted
Application number
CN201910396223.7A
Other languages
English (en)
Other versions
CN110263970B (zh
Inventor
潘全科
邹温强
汪小帆
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910396223.7A priority Critical patent/CN110263970B/zh
Publication of CN110263970A publication Critical patent/CN110263970A/zh
Application granted granted Critical
Publication of CN110263970B publication Critical patent/CN110263970B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/04—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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Medicines Containing Material From Animals Or Micro-Organisms (AREA)
  • Accessories For Mixers (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法。在线性制造车间中，自动轨道小车被用来给数控机床所在的单元上料，自动轨道小车的优化调度能够降低运输成本，提高生产效率。为了解决自动轨道小车上料调度问题，我们提出了一种混合的离散人工蜂群算法。算法设计主要体现在：提出最近邻启发式算法来生成一个优质初始解；设计6个邻域操作算子来提高算法的探索与开发能力；提出一种观察蜂邻域勘探更新策略。与现有的一些算法相比，本发明得到了一个更优质的自动轨道小车上料调度解决方案。

Description

一种求解自动轨道小车上料调度问题的混合离散人工蜂群 算法
技术领域
本发明涉及一种求解自动轨道小车(AGV)上料调度问题的智能优化算法，具体是一种适用于现代智能制造车间的求解AGV上料调度问题的混合离散人工蜂群算法，可为具有线性制造车间布局的制造型企业提供优秀的AGV上料调度方案。
背景技术
随着计算机集成制造技术的发展，以及智能制造战略的不断推进，目前的制造型企业亟需进行制造车间的智能化升级。不但生产阶段要智能化，而且物流阶段也需要智能化，据相关资料显示，在产品生产的整个过程中，用于加工制造的环节仅占5％的时间，其余95％都用于储存、装卸、等待加工和输送等环节。由此可见，物流智能化带来的价值并不比生产智能化低。传统的制造车间采用的上料方案是：物料由传送带运输至各CNC机床，然后RGV将传送带上的物料抓取到CNC机床。但这种方式耗费了太多的资源，因为CNC机床上料时间间隔比较长，而传送带不停的运转会造成极大的能源浪费。因此，越来越多的企业利用AGV来代替传送带给CNC机床运输物料，这样可以节省很多能源，又兼顾了生产线的柔性。
线性制造车间(如图2所示)是目前制造型企业最为青睐的车间布局之一。在一个线性制造车间中，有若干呈对称分布的CNC单元分布在轨道两侧，每个CNC单元中含有若干CNC机床，AGV(自动轨道小车)负责为需要物料补给的CNC单元(简称叫料单元)上料。目前大多企业采用“先叫先到”算法(FCFS)对AGV进行调度。“先叫先到”算法是指先向控制中心请求物料补给的CNC单元优先给于AGV上料。这种方法已被证明不是一种合格的调度方法。因此，企业们在一些智能优化算法上做了一些尝试，如基因算法(GA)、文化基因算法(MA)，粒子群算法(PSO)和声算法(HS)和改进的和声算法(IHS)。这些智能优化算法在一定程度上取得了不错的效果，但是对于成本和利润优先的制造企业来说，优化还有很大的进步空间。与上述算法相比，离散人工蜂群算法的优点是：控制参数少，易编码，尤其是离散应用问题的解决能力，因此本发明提出一种混合的离散人工蜂群算法，在满足问题要求的同时，使问题得到更进一步的优化。
发明内容
针对现有技术的不足，本发明的目的在于提供一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，可直接应用于目前制造企业的线性制造车间中，解决AGV上料过程中的各项成本优化问题(比如AGV的运输距离优化问题、叫料单元的等待时间优化问题)。
为了解决上述技术问题,本发明将采用如下技术方案：
一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，包括以下步骤：
(1)种群初始化策略：
步骤11：建立同时考虑AGV行驶距离和叫料单元等待时间的索引函数funi，函数表达式为其中Dij表示两个叫料单元i和j间的距离，Ti表示叫料单元i的叫料时间，表示函数的权重参数；
步骤12：提出最近邻启发式算法：首先AGV从仓库点出发，将它作为AGV行驶路线的始发点，再在解空间中搜索一新的离刚加入的叫料单元索引函数值最小的叫料单元，将它并入到AGV行驶路线中，以此类推，直到把所有叫料单元都加入到AGV行驶路线中去；
步骤13：利用最近邻启发式算法生成一个优质初始解，剩余的初始解则被随机生成。
(2)随机邻域搜索策略：
步骤21：提出6个基于插入、交换、倒置、免疫、两次插入和两次交换的邻域结构；
步骤22：雇佣蜂随机选择一个邻域结构进行邻域解勘探；
步骤23：观察蜂采用锦标赛策略探索好解，然后随机选择一个邻域结构进行邻域解勘探；
(3)提出一种新的解勘探更新策略：应用于观察蜂的邻域解探测过程中，其中未改进次数最多的解如果差于新获得的邻域解，那么它将被更新。
采用上述方案后，本发明有益效果是：本发明通过混合离散人工蜂群算法自动计算出满足全局优化、计算时间、解的质量、收敛速度等综合要求的一个最优解决方案(包括AGV行驶距离、叫料单元等待时间、叫料单元等待时间标准差及行驶路线等)。与现有的一些算法相比，缩短了AGV物料运输距离，减少了叫料单元等待时间，从而显著提高了企业生产效率。另外，本项目的研究成果具有广大的市场应用前景。
附图说明
图1混合离散人工蜂群算法流程图
图2线性制造车间布局图
图3最优适应度值收敛图
图4线性制造车间算例示意图
图5算法实验结果示意图
具体实施方式
本发明的优选实施例结合附图详述如下：
实施例一：参见图1-图5，本求解自动轨道小车上料调度问题的混合离散人工蜂群算法，操作步骤如下：
(1)种群初始化策略：
步骤11：建立同时考虑AGV行驶距离和叫料单元等待时间的索引函数funi，函数表达式为其中Dij表示两个叫料单元i和j间的距离，Ti表示叫料单元i的叫料时间，表示函数的权重参数；
步骤12：提出最近邻启发式算法：首先AGV从仓库点出发，将它作为AGV行驶路线的始发点，再在解空间中搜索一新的离刚加入的叫料单元索引函数值最小的叫料单元，将它并入到AGV行驶路线中，以此类推，直到把所有叫料单元都加入到AGV行驶路线中去；
步骤13：利用最近邻启发式算法生成一个优质初始解，剩余的初始解则被随机生成；
(2)随机邻域搜索策略：
步骤21：提出6个基于插入、交换、倒置、免疫、两次插入和两次交换的邻域结构；
步骤22：雇佣蜂随机选择一个邻域结构进行邻域解勘探；
步骤23：观察蜂采用锦标赛策略探索好解，然后随机选择一个邻域结构进行邻域解勘探；
(3)提出一种新的解勘探更新策略：应用于观察蜂的邻域解探测过程中，其中未改进次数最多的解如果差于新获得的邻域解，那么它将被更新。
实施例二：本实施例与实施例一基本相同，特别之处如下：所述的步骤11中，线性制造车间把AGV行驶距离和叫料单元等待时间作为重要的评价指标，每个叫料单元的指标函数值将通过叫料时间和到其他叫料单元的距离来计算，不同环境线性制造车间的索引函数应用需要通过评测其权重参数来确定。所述的步骤12中，AGV从仓库出发，利用步骤11中的索引函数计算每个叫料单元的索引函数值，将最小索引函数值对应的叫料单元作为仓库点的最近邻插入到AGV路线中。所述的步骤13中，种群初始化策略从平衡初始解的优质性和多样性角度出发，利用最近邻启发式算法获得一个优质的初始解，剩余初始解被随机生成是为了平衡种群的多样性。所述的步骤21-23中，随机邻域搜索策略是每只雇佣蜂或观察蜂从插入、交换、倒置、免疫、两次插入和两次交换邻域结构中随机选择一个进行邻域搜索。所述的步骤22-23中，每只雇佣蜂都要基于随机邻域搜索策略进行一次邻域搜索，而观察蜂则是基于锦标赛策略，对获胜的观察蜂基于随机邻域搜索策略进行一次邻域搜索。在观察蜂的邻域解勘探过程中，获得的优质邻域解不是用来替换当前解，而是替换当前种群中未改进次数最多的解，这种策略是为了给有希望的解更多进化的机会。
实施例三：
步骤1：根据线性制造车间在某时间段内的CNC单元叫料情况，给出配送中心所在位置、AGV出发时间和速度，以及各叫料单元的编号、位置和叫料时间等信息集。本方法适用于配送中心唯一，配送车辆唯一，求解目标是在线性制造车间中寻找一个AGV服务各叫料单元的最佳调度方案，达到配送总成本最低。
具体地，配送中心坐标为(0,0)，AGV出发时间、速度、卸料用时分别是0、0.45m/s和30s,各CNC单元间的距离皆为5.5m，各叫料单元的编号和叫料时间如图4所示，而叫料单元的位置可以通过图2所示布局计算获得。
步骤2：设置算法参数：种群大小(PS＝10)、预定义次数(limit＝200)，解的大小为N＝15，解未改进次数(unchangi＝0,i＝1,2,…,PS)雇佣蜂和观察蜂的数量相同为10。对于图4所示算例来说，算法被运行25次，每次运行迭代10000次。
步骤3：初始化种群，首先利用提出的最近邻启发式算法来生成一个优质初始解，其他的初始解则被随机生成。所有生成的初始解用πi(i＝1,2,3,…,PS)表示。索引函数中的设定为0.7，通过使用最近邻启发式算法，获得图4中算例的调度方案，即AGV从控制中心(j＝0,T0＝0)出发，搜索到任一叫料单元i的距离，然后利用公式(1)计算到任一叫料单元i的funi值,funi值最小的叫料单元i作为AGV下一起点,并且被并入AGV行驶路线，依次类推直到全部叫料单元并入路线为止。
步骤4：计算各初始解的适应度值fit(πi),它的计算方法如下：
利用AGV上料调度问题的模型公式来计算fit(πi)(即为Minf(X))，问题模型为
Minf(X)＝ω1·f1+ω2·f2 (2)
参数ω1和ω2分别为0.7和0.3，时间片RTS＝1000，call(xi)为叫料单元xi的叫料时间，rT为算法运行时间10s，Tsl为卸料时间30s,pos(xi)为叫料单元xi的位置，Vagv为AGV的平均速度0.45m/s。
步骤5：执行算法在雇佣蜂阶段的操作，令πi为第i个雇佣蜂对应的解，雇佣蜂从6种邻域结构中随机选择一个邻域操作算子来生成新解πnew，如果fit(πnew)>fit(πi),则πnew替换πi；否则，unchangi自加1；
插入操作算子：随机选择πi的两个不同元素p1和p2，将p2插入到p1所在的位置，p1及p1之后的元素依次后移；
交换操作算子：随机选择πi的两个不同元素p1和p2，两个元素互换位置，其他元素不变；
倒置操作算子：随机选择πi的两个不同元素p1和p2，将p1、p2及之间的元素倒置排列，其他元素不变；
免疫操作算子：随机从πi中选择一个元素p1，然后再从πi中选择一个离p1索引函数值最小的元素p2插入到元素p1之后；
两次插入操作算子：执行两次插入操作算子；
两次交换操作算子：执行两次交换操作算子；
步骤6：雇佣蜂分享所有解的信息给观察蜂，令πi为第i个观察蜂对应的解，并开始观察蜂阶段的解进化操作。
步骤7：观察蜂采用锦标赛策略搜索更好的解，即随机选择两个不同的解πi和πj,fit(πi)和fit(πj)值小者赢得了比赛；
步骤8：对赢得比赛的解(若为πj)，观察蜂采用随机邻域搜索策略勘探当前解πi的邻域，并获得新解πnew。然后再从当前种群中选择一个未改进次数(unchangi，i≠j)最多的解πt,如果fit(πnew)<fit(πt),则πnew替换πt；否则unchangj自加1；
步骤9：如果当前解πi优于迄今为止最好的解πbest,那么将πi替换πbest；
步骤10：如果当前解πi的未改进次数unchangi超过了预定义次数200，那么雇佣蜂将变成侦查蜂。侦查蜂随机产生一个新解πnew来替换πi，侦查蜂再次变成雇佣蜂；
步骤11：如果当前迭代次数小于预置迭代次数(10000次)，那么算法进入下一次迭代搜索；否则算法当前运行结束，记录迄今为止最好的解πbest；
步骤12：如果算法当前运行次数小于预置运行次数(25次)，那么开始下一次的运行；否则算法结束，此时的迄今为止最好的解πbest即是本发明最优调度方案。
如图3和图5所示，混合离散人工蜂群算法相较于其他现有算法，在AGV旅行距离、叫料单元等待时间、叫料单元等待时间标准差以及最优适应度值都要好于现有算法。
利用混合离散人工蜂群算法获得的AGV上料调度序列为：{1 16 2 21 28 8 3 515 30 18 19 6 9 12}。
本发明的技术效果在于，本发明相较于现有的一些算法来说，能够为AGV上料调度问题提供更高质量的解，也说明提出的混合离散人工蜂群算法目前更适合线性制造车间的AGV上料调度问题。

Claims (7)

1.一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，操作步骤如下：
(1)种群初始化策略：
步骤11：建立同时考虑AGV行驶距离和叫料单元等待时间的索引函数funi，函数表达式为其中Dij表示两个叫料单元i和j间的距离，Ti表示叫料单元i的叫料时间，表示函数的权重参数；
步骤12：提出最近邻启发式算法：首先AGV从仓库点出发，将它作为AGV行驶路线的始发点，再在解空间中搜索一新的离刚加入的叫料单元索引函数值最小的叫料单元，将它并入到AGV行驶路线中，以此类推，直到把所有叫料单元都加入到AGV行驶路线中去；
步骤13：利用最近邻启发式算法生成一个优质初始解，剩余的初始解则被随机生成；
(2)随机邻域搜索策略：
步骤21：提出6个基于插入、交换、倒置、免疫、两次插入和两次交换的邻域结构；
步骤22：雇佣蜂随机选择一个邻域结构进行邻域解勘探；
步骤23：观察蜂采用锦标赛策略探索好解，然后随机选择一个邻域结构进行邻域解勘探；
(3)提出一种新的解勘探更新策略：应用于观察蜂的邻域解探测过程中，其中未改进次数最多的解如果差于新获得的邻域解，那么它将被更新。
2.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：所述的步骤11中，线性制造车间把AGV行驶距离和叫料单元等待时间作为重要的评价指标，每个叫料单元的指标函数值将通过叫料时间和到其他叫料单元的距离来计算，不同环境线性制造车间的索引函数应用需要通过评测其权重参数来确定。
3.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：所述的步骤12中，AGV从仓库出发，利用步骤11中的索引函数计算每个叫料单元的索引函数值，将最小索引函数值对应的叫料单元作为仓库点的最近邻插入到AGV路线中。
4.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：所述的步骤13中，种群初始化策略从平衡初始解的优质性和多样性角度出发，利用最近邻启发式算法获得一个优质的初始解，剩余初始解被随机生成是为了平衡种群的多样性。
5.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：所述的步骤21-23中，随机邻域搜索策略是每只雇佣蜂或观察蜂从插入、交换、倒置、免疫、两次插入和两次交换邻域结构中随机选择一个进行邻域搜索。
6.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：所述的步骤22-23中，每只雇佣蜂都要基于随机邻域搜索策略进行一次邻域搜索，而观察蜂则是基于锦标赛策略，对获胜的观察蜂基于随机邻域搜索策略进行一次邻域搜索。
7.如权利要求1所述的一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法，其特征在于：在观察蜂的邻域解勘探过程中，获得的优质邻域解不是用来替换当前解，而是替换当前种群中未改进次数最多的解，这种策略是为了给有希望的解更多进化的机会。
CN201910396223.7A 2019-05-14 2019-05-14 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 Active CN110263970B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910396223.7A CN110263970B (zh) 2019-05-14 2019-05-14 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396223.7A CN110263970B (zh) 2019-05-14 2019-05-14 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法

Publications (2)

Publication Number Publication Date
CN110263970A true CN110263970A (zh) 2019-09-20
CN110263970B CN110263970B (zh) 2023-02-10

Family

ID=67914625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396223.7A Active CN110263970B (zh) 2019-05-14 2019-05-14 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法

Country Status (1)

Country Link
CN (1) CN110263970B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149876A (zh) * 2020-08-27 2020-12-29 上海大学 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法
CN113064392A (zh) * 2021-03-22 2021-07-02 聊城大学 基于矩阵车间agv调度的离散型优化方法
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN107203190A (zh) * 2017-05-18 2017-09-26 广州智能装备研究院有限公司 一种基于复杂路径的惯性导航agv调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251009A (zh) * 2016-07-27 2016-12-21 清华大学 一种求解有时间窗的车辆路径问题的优化算法
CN107203190A (zh) * 2017-05-18 2017-09-26 广州智能装备研究院有限公司 一种基于复杂路径的惯性导航agv调度方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵雪松等: "多目标复合AGV调度系统建模及在电力计量检定中的应用", 《江苏电机工程》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149876A (zh) * 2020-08-27 2020-12-29 上海大学 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法
CN112149876B (zh) * 2020-08-27 2023-07-18 上海大学 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法
CN113064392A (zh) * 2021-03-22 2021-07-02 聊城大学 基于矩阵车间agv调度的离散型优化方法
CN113064392B (zh) * 2021-03-22 2023-09-08 聊城大学 基于矩阵车间agv调度的离散型优化方法
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN113822588B (zh) * 2021-09-28 2023-12-19 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法

Also Published As

Publication number Publication date
CN110263970B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN110263970A (zh) 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN109948855A (zh) 一种带时间窗的异构危化品运输路径规划方法
He et al. The two-echelon multi-trip vehicle routing problem with dynamic satellites for crop harvesting and transportation
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
CN107168267A (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
CN110298583B (zh) 基于多车场多车型的低成本的车辆调度和路径规划方法
CN105974891B (zh) 一种基于动态看板的模具生产过程自适应控制方法
CN110276488A (zh) 一种基于分块矩阵和模糊运输时间的车辆路径优化方法
Lenin et al. Multi-objective optimization in single-row layout design using a genetic algorithm
CN110070305A (zh) 一种资源转移视角下的双目标鲁棒资源分配方法
Zou et al. An effective discrete artificial bee colony algorithm for scheduling an automatic-guided-vehicle in a linear manufacturing workshop
Maghrebi et al. Scheduling concrete delivery problems by a robust meta heuristic method
Liang et al. Multiobjective Optimal Formulations for Bus Fleet Size of Public Transit under Headway‐Based Holding Control
CN114626718A (zh) 一种基于订单资源共享和农机资源共用的农机调度方法
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN114897266A (zh) 基于深度强化学习的微电网能源系统的多目标安全优化方法
CN105160403B (zh) 一种云制造环境下的资源服务序列验证方法
Noori et al. High-level relay hybrid metaheuristic method for multi-depot vehicle routing problem with time windows
Gökçe A revised ant colony system approach to vehicle routing problems
Dayou et al. Development of a multiobjective GA for advanced planning and scheduling problem
CN112700190B (zh) 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法
Chen et al. A novel genetic algorithm with population perturbation and elimination for multi-satellite TT&C scheduling problem
Ye et al. Analysis on transformation and upgrading levels of three industries in 11 prefectures of Zhejiang based on shift-share method
CN114331146A (zh) 一种基于大数据预测的纺织厂供应链管理系统
Cekała et al. Truck loading schedule optimization using genetic algorithm for yard management

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