CN110348791A - 一种应用于多agv任务调度的动态交叉遗传算法 - Google Patents
一种应用于多agv任务调度的动态交叉遗传算法 Download PDFInfo
- Publication number
- CN110348791A CN110348791A CN201910637457.6A CN201910637457A CN110348791A CN 110348791 A CN110348791 A CN 110348791A CN 201910637457 A CN201910637457 A CN 201910637457A CN 110348791 A CN110348791 A CN 110348791A
- Authority
- CN
- China
- Prior art keywords
- agv
- website
- task
- algorithm
- dynamic
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 239000012876 carrier material Substances 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 abstract description 3
- 230000002068 genetic effect Effects 0.000 description 17
- 238000000034 method Methods 0.000 description 14
- 210000000349 chromosome Anatomy 0.000 description 10
- 230000032258 transport Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及任务调度、智能算法领域,具体为一种应用于多AGV(自动导引车)任务调度的动态交叉遗传算法,包括以下步骤:建立以单个和群体AGV电量消耗最少的多目标优化模型;在调度模型中引入AGV的电量损耗和负载能力等约束条件;设计了一种动态交叉遗传算法以求解出符合条件的调度方案。本发明能够在较短的时间内获得最优的AGV任务调度方案,该调度方案更贴合实际情况,能有效提高物流仓储或制造企业的生产效率,具有很好的实际应用效果。
Description
技术领域
本发明涉及任务调度、智能算法等领域,涉及一种智能优化算法对AGV任务调度模型的求解,来获得贴合实际应用的AGV调度方法,具体为一种多AGV任务调度的动态交叉遗传算法。
背景技术
伴随着物流设备智能化和生产制造柔性化,自动导引运输车(AGV,AutomatedGuided Vehicle)被广泛应用于只能车间、智能工厂等领域。AGV是一种具有自动化、信息化、智能化等诸多优点的现代化搬运工具,在提高企业效益、降低人力资源成本等方面发挥着重要作用。AGV系统的调度算法是AGV应用中需要重点研究的内容。
AGV的任务调度是指对AGV进行任务分配的过程,需要充分地考虑完成操作的成本和所需的时间。尤其是在柔性制造系统(FMS,Flexible manufacturing system)中,FMS的性能严重依赖于AGV的调度与协调。但是,调度问题属于NP难问题,目前的主要手段是利用强大的启发式算法或采用基于Petri网的方法解决这一问题。然而调度理论难以在实际应用过程中取得令人满意的效果,主要原因在于模型过于简化。从近三十年的研究可以看出,大部分研究都是以AGV的最大完工时间最短为优化目标,将问题简化为旅行商问题(TSP),这与实际应用中的情况严重不符,尤其是随着无轨AGV的发展,导致AGV的实际运行路线不可预测。除此之外,AGV的电量消耗也是一个值得重视的问题,如果模型过于简化,则AGV会出现因电量不足而无法完成任务的情况,导致任务调度方案不符合实际应用需求,因此采用合理的AGV系统电量管理规则可以提高系统效率并减少系统成本。
本文为解决AGV调度在实际应用中效果欠佳的问题,以单个和群体AGV电量消耗最小化为目标建立了多目标优化模型,且综合考虑了AGV的电量消耗以及负载情况,使得模型更加符合实际应用要求。
除此之外,在求解调度模型时,由于智能优化算法具备易于编程,运算速度快,求解精度高等优势,成为了目前计算调度问题的主要方法。而遗传算法由于具备较好的全局搜索和鲁棒性,应用十分广泛,但该算法存在易于陷入局部最优的缺点,同时算法在求解过程中收敛速度偏低。因此,本文则提出了一种动态交叉遗传算法,以弥补现有遗传算法在求解该调度问题的缺陷,该遗传算法在三父代交叉遗传算法的基础上,通过动态调整交叉策略,使得算法在前期运算时遗传信息更多,搜索速度更快,后期收敛时,最大限度地保留优质解的信息,从而提高算法求解精度。通过对几组实例的仿真分析,从而验证了本方法的可行性与实用性。
发明内容
AGV的任务调度本质上是一个组合优化问题,通常包括调度模型的建立、求解算法的设计,而算法的优劣将直接影响求解方案的差异。
基于现有技术存在的问题,本发明为了进一步提升AGV任务调度在实际应用中的效果,分别对调度模型和求解算法进行完善与改进。本发明建立了以单个和群体AGV电量消耗最少的多目标优化模型,在调度中模型中引入AGV的电量损耗和负载能力等约束条件,使得模型更贴合实际应用。其次,本发明对遗传算法做出了适当的改进,以更快的计算效率获得更优质的结果。
多AGV调度系统通常应用在物流或生产车间中,其环境包含货仓区域、一定数量的AGV和工作站点;除此之外,在该环境中不可避免的存在一些障碍物,如车床、箱体、货架等。根据以上实际情况,本发明在实现具体方案之前需提出相关假设条件如下:
·M个AGV配送N个站点(M<N);
·每个站点只需要一个AGV配送;
·每个AGV从同一起点(货仓)出发,完成任务后返回该起点;
·每个AGV保持固定速度运行;
·每个AGV的最大载重量为W,每个站点需要的物料重量为g;
·所有AGV的电量及负载量足够完成配送任务。
根据以上条件,本发明采用的技术路线如下,如图1所示:
一种多AGV任务调度的动态交叉遗传算法,包括以下步骤:
S1、建立多AGV调度的数学模型,具体如下:
其中,Bk为第k个AGV的耗电量,Cij为i、j两站点间的路径长度,γ与路径长度对应的电量消耗系数。等式(4)为目标函数,由于AGV行驶过程中不仅需要避让一些静态障碍物还要处理AGV之间的避让,因此在处理避让过程中,电量也会有一定程度的消耗,为避免计算的AGV电量偏低而出现无法完成任务的情况,乘上一个取值范围在1.1~1.5的系数ε,作为电量安全裕度。Lk为第k个AGV需要前往的站点总数,由于当第k个AGV前往i号站点时,变量Yki才等于1,因此等式(5)限制了每个站点只需要一个AGV。同理,通过0-1变量Xijk和Yki的控制,约束条件(6)则限制了每个AGV都从起点出发,约束条件(7)限制了每个AGV完成任务后再返回该起点。
S2、在步骤S1的基础上增设每个AGV的最大载重量的约束,该问题可以转化为每个AGV的最大运输站点数,通过如下等式进行确定:
其中,floor()为向负无穷方向取整,通过上式可知,每个AGV最多可给n个站点运送物料,因此在分配任务时需要判定每个AGV的运送站点数是否超过n;
S3、以遗传算法为基础,引入动态交叉操作,设计出动态交叉遗传算法,并采用该算法来求解满足步骤S1和步骤S2的调度结果。所述步骤S3具体包括:
S301、对遗传算法进行整数编码,即每条染色体都由一组整数组成,例如为4个AGV分配9个站点,可以得到如下所示的一条染色体:
0—6—2—7—10—1—8—11—3—4—12—5—9;
该染色体中的“10、11、12”为算法对应生成的三个分隔符号,从而将整个染色体分成了4个基因片段,每个基因段就是每个AGV需要运送的站点,因此,该染色得到的4个AGV分配结果如下:
0—6—2—7—0
0—1—8—0
0—3—4—0
0—5—9—0
其中,“0”表示AGV的起始点,即AGV都从同一起始点出发,运送任务完成后,再返回该起点。通过该染色体的编码方式可以看出,每个基因片段决定了每个AGV的运送站点,因此为了满足步骤S2的限制条件,在生成染色体时,每个基因片段的站点个数不得超过n,从而达到该限制要求;
S302、遗传算法可通过步骤S301生成一系列的初始染色体作为初始群体,为了让群体之间进行交叉生成新的群体,由于常用的遗传算法会选择两个染色体作为父代交叉,即将选取两个染色体的基因片段拼接成新的染色体,除此之外,有的方法为了增加后代染色体的信息,同时加快了算法的搜索速度,采用三个父代交叉的策略,但该方式对算法后期的收敛产生一定影响,本步骤采用动态交叉策略以合理利用这两种交叉的优势;
S303、在步骤S301和S302的改进基础上保留了原有遗传算法的选择和变异操作,从而得到改进后的动态交叉遗传算法;
进一步的,在步骤S302的具体步骤包括:
S30201、设定递减因子rt以及遗传算法其他相关参数;
S30202、如果rand()<rt,交叉操作中采用三个父代进行,否则采用两个父代进行交叉操作;其中,rand()是可以产生0~1均匀随机数;
S30203、完成一次迭代运算后,更新种群,同时更新递减因子
进一步的,所述的参数rt为递减因子,该参数随着运算迭代的增加而递减:
其中,t表示当前迭代次数,Tmax为最大迭代次数,通过该表达式让rt随着迭代次数非线性递减。该参数实现了整个算法的动态交叉过程,在算法前期,该参数取值较大,则该遗传算法主要通过双父代交叉生成调度方案,随着算法的运行,该参数逐渐减小,则算法主要采用三父代交叉生成调度方案。最后,本算法在生成的所有调度方案中选择出满足目标函数的最优方案。
本发明的有益效果:
本发明提出一种AGV的调度模型及求解该模型的改进遗传算法,该模型考虑了AGV在调度过程中遇到的实际问题,即电量消耗,AGV负载能力等约束;在算法方面,为弥补现有的三父代交叉遗传算法求解精度较低的问题,提出了动态调整交叉策略。本发明所提出的AGV任务调度具有很好的实用性。
附图说明
图1为本发明所采用的技术路线示意图
图2为本发明所涉及到的三父代交叉示意图;
图3为本发明采用的遗传算法流程图;
图4为验证本发明的仿真测试图;
图5为本发明采用的算法对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
如图2所示,本发明所涉及到的三父代交叉示意图:
三父代叉算子方法的解释如图2所示,该图表示一个新的子代是由三个父代的基因段组成的,图中所示的子代包含了父代1的两块基因段(A1、A2),父代2的一个基因段(B3)以及父代3的一个基因段(C4);
如图3所示,为本发明采用的遗传算法流程图,该算法在基本遗传算法的基础上增设了动态交叉策略,即在交叉前通过生成随机数与递减因子比较来选择具体的交叉操作;
以下将结合具体实施例以及附图对本发明进行详细的描述。
为了验证本文所提出的模型及算法的有效性,借助Matlab 2016b软件在3.3GHz处理器、4GB内存的Windows10计算机上进行计算和仿真分析,其中遗传算法的种群数量设置为80,交叉概率设置为0.9,变异概率为0.01,最大迭代次数为500,电量安全裕度系数ε=1.2。
首先采用4个电量不低于30%(电池百分比)的AGV对表1中的四种情况进行送货,来验证本方法的有效性。
表1数据描述
对表1的情况进行运算后得到的四组结果分别如图4所示,通过这4组测试可以看出,测试1与测试2是AGV的最大运送站点数相同,都为3,但是站点个数和分布情况不相同得到的结果,该结果在不超过最大运送站点个数的情况下,尽量减小单个和群体AGV的电量来调度;而后两者测试则是站点个数和分布情况一致,最大运输站点个数不同,可以看出,这种情况下,这两种调度结果也有差异,同样是因为该调度结果是在满足最大运送站点个数的前提下尽可能减少AGV的耗电量。
更进一步,为了比较本文所提出的改进算法的与现有算法的性能,采用6个AGV进行调度,并在地图中随机生成20个站点和一个起始点,分别用传统的双父代交叉算法(算法1)、三父代交叉算法(算法2)和本文提出的动态交叉策略算法(算法3)对该情况进行求解,三种算法的计算结果如图5所示。
由图5可以看出,本文所提出的动态交叉遗传算法在三父代交叉的基础上得到了进一步改进,从收敛曲线明显对比出,本算法的结果更优,此任务下的电量总消耗为25.93%,比其他两种算法节省了0.71%-1.34%左右的总电量,体现了本文所提出算法具有较好应用效果。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种应用于多AGV任务调度的动态交叉遗传算法,其特征在于包括一下步骤:
假设条件如下:
·M个AGV配送N个站点(M<N);
·每个站点只需要一个AGV配送;
·每个AGV从同一起点(货仓)出发,完成任务后返回该起点;
·每个AGV保持固定速度运行;
·每个AGV的最大载重量为W,每个站点需要的物料重量为g;
·所有AGV的电量及负载量足够完成配送任务。
步骤(1):通过以下公式建立AGV电量消耗最少的多目标优化模型,
其中,Bk为第k个AGV的耗电量,ε为电量安全裕度,取值范围在1.1~1.5;Cij为i、j两站点间的路径长度;γ为与路径长度对应的电量消耗系数;Lk为第k个AGV需要前往的站点总数,满足0<Lk<N。式(4)为目标函数,式(5)限定每个AGV从起点“0”出发,且每个站点只需要一个AGV,等式(6)、(7)保证每个AGV都从起点出发,完
成任务后再返回该起点。
步骤(2):在步骤(1)的基础上设置每个AGV的最大载重量的约束,用来判定在分配任务时每个AGV的运送站点数是否超过最大运输站点数n,如式8所示:
其中,floor()表示向负无穷方向取整,W表示每个AGV的最大载重量,g表示每个站点需要运送的物料重量。通过上式可知,每个AGV最多可给n个站点运送物料,因此在分配任务时需要判定每个AGV的运送站点数是否超过n。
在一些实际应用情况中,AGV具有较好的承载能力,但往往承载空间不足,对于这一情况,式(8)中的W可以替换为AGV的总承载物料的空间,g可替换为每个站点所需要的物料空间。
步骤(3):采用本文设计的动态交叉遗传算法来求解满足步骤(1)和步骤(2)的调度结果。
2.根据权利要求1所述的一种多AGV任务调度的动态交叉遗传算法,其特征在于:
步骤(3)中的动态交叉遗传算法具体包括以下步骤:
(3.1)设定递减因子rt;
(3.2)如果rand()<rt,交叉操作中采用三个父代进行,否则采用两个父代进行交叉操作;
其中,rand()是可以产生0~1均匀随机数;
(3.3)完成一次迭代运算后,更新种群,同时更新递减因子;
其中,步骤(3.2)中的所述参数rt为递减因子,该参数随着运算迭代的增加而递减,rt通过公式(9)获取:
其中,t表示当前迭代次数,Tmax为最大迭代次数,通过该表达式让rt随着迭代次数非线性递减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637457.6A CN110348791A (zh) | 2019-07-15 | 2019-07-15 | 一种应用于多agv任务调度的动态交叉遗传算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910637457.6A CN110348791A (zh) | 2019-07-15 | 2019-07-15 | 一种应用于多agv任务调度的动态交叉遗传算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348791A true CN110348791A (zh) | 2019-10-18 |
Family
ID=68175401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910637457.6A Pending CN110348791A (zh) | 2019-07-15 | 2019-07-15 | 一种应用于多agv任务调度的动态交叉遗传算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348791A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578752A (zh) * | 2020-12-08 | 2021-03-30 | 北京航空航天大学 | 一种仓储智能物流车的调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193658A (zh) * | 2017-05-25 | 2017-09-22 | 重庆工程学院 | 基于博弈论的云计算资源调度方法 |
CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
-
2019
- 2019-07-15 CN CN201910637457.6A patent/CN110348791A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107193658A (zh) * | 2017-05-25 | 2017-09-22 | 重庆工程学院 | 基于博弈论的云计算资源调度方法 |
CN107578119A (zh) * | 2017-08-09 | 2018-01-12 | 泉州装备制造研究所 | 一种智能调度系统的资源分配全局优化方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
Non-Patent Citations (6)
Title |
---|
FULI WANG等: "A novel scheduling method for automated guided vehicles in workshop environments", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》 * |
ZENGLIANG HAN等: "Multi-AGV path planning with double-path constraints by using an improved genetic algorithm", 《PLOS ONE》 * |
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》 * |
罗欣等: "优化的模糊决策算法在多自动引导车调度问题中的应用", 《科学技术与工程》 * |
胡晶晶等: "基于多Agent的多任务协作时间调度算法研究", 《计算机集成制造系统-CIMS》 * |
韩增亮等: "基于B-W交叉模式遗传算法的多AGV轨迹优化", 《青岛大学学报(工程技术版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578752A (zh) * | 2020-12-08 | 2021-03-30 | 北京航空航天大学 | 一种仓储智能物流车的调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408589B (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 | |
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 | |
Rubrico et al. | Online rescheduling of multiple picking agents for warehouse management | |
CN107578128B (zh) | 基于免疫粒子群算法的跨级配送网络规划方法 | |
CN111091238A (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
CN108959783B (zh) | 一种智能车间的布局仿真优化方法及装置 | |
CN102136104A (zh) | 基于负载均衡和lk算法的车辆路径规划方法 | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN105858043B (zh) | 一种升降机与穿梭车结合的仓储系统优化调度方法 | |
CN105858044B (zh) | 一种穿梭车与升降机结合的仓储系统优化调度方法 | |
Yang et al. | Modelling and production configuration optimization for an assembly shop | |
CN109081030A (zh) | 一种子母穿梭车式密集仓储系统的配置优化方法 | |
CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
Zhou et al. | A static semi-kitting strategy system of JIT material distribution scheduling for mixed-flow assembly lines | |
CN112766611A (zh) | 一种三维装车方法及装置 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
Liang et al. | Joint dispatch of shipment equipment considering underground container logistics | |
CN108959782B (zh) | 一种智能车间的布局优化方法、装置及设备 | |
Yu et al. | Logistics automation control based on machine learning algorithm | |
CN110348791A (zh) | 一种应用于多agv任务调度的动态交叉遗传算法 | |
Zhou et al. | Improved multi-objective cuckoo search algorithm with novel search strategies for point-to-point part feeding scheduling problems of automotive assembly lines | |
Yuan et al. | Quantum behaved particle swarm optimization of inbound process in an automated warehouse | |
CN108768857A (zh) | 一种虚拟路由转发方法、装置及系统 | |
CN105976052A (zh) | 基于改进量子粒子群算法的多区域经济调度方法 |
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 |
Application publication date: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |