CN110471287A - 一种多有轨穿梭小车的实时调度方法及系统 - Google Patents
一种多有轨穿梭小车的实时调度方法及系统 Download PDFInfo
- Publication number
- CN110471287A CN110471287A CN201910794373.3A CN201910794373A CN110471287A CN 110471287 A CN110471287 A CN 110471287A CN 201910794373 A CN201910794373 A CN 201910794373A CN 110471287 A CN110471287 A CN 110471287A
- Authority
- CN
- China
- Prior art keywords
- parameter
- scheduling
- rail shuttling
- shuttling trolley
- rail
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种多有轨穿梭小车的实时调度方法及系统。本发明提供的神经网络调度模型的确定方法包括:获取训练样本集;训练样本集包括多个训练样本对,每一训练样本对包括一个输入和一个输出;输入为有轨穿梭小车参数及任务参数的集合,输出为与输入对应的各调度方案中,调度时间最短的调度方案;利用训练样本集训练BP神经网络,获得神经网络调度模型。本发明使用大量的训练样本对训练BP神经网络,使获得的神经网络调度模型能够适用于多有轨穿梭小车配置的各种任务站点。采用本发明提供的神经网络调度模型能够对环形有轨穿梭小车系统进行实时高效调度,能够节省大量人力、物力和时间,极大地提高工业物流运作效率。
Description
技术领域
本发明涉及调度领域,特别是涉及一种多有轨穿梭小车的实时调度方法及系统。
背景技术
随着自动化物流系统和自动化仓库的发展,RGV(有轨穿梭小车,Rail GuidedVehicle)在物流领域得到了广泛的应用。RGV可以十分方便地与其他物流系统实现自动连接,如出/入库站台、各种缓冲站、输送机、升降机和机器人等,按照计划进行物料的输送。另外,RGV无需人员操作,运行速度快,能够显著降低仓库管理人员的工作量,提高劳动生产率。
目前的RGV系统分为直线往复式和环形轨道式两种,环形轨道RGV系统比直线往复式RGV系统更加高效。然而,由于其采用封闭式轨道,且每个时刻会有多个任务和多个RGV在轨道上调度,若调度策略选择不当,极易出现堵塞以及调度效率低下的问题。如何合理的调度RGV和任务,对于提高环形轨道RGV系统的整体效率十分关键。
发明内容
本发明的目的是提供一种多有轨穿梭小车的实时调度方法及系统,能够对环形有轨穿梭小车系统进行实时高效调度,能够节省大量人力、物力和时间,极大地提高工业物流运作效率。
为实现上述目的,本发明提供了如下方案:
一种多有轨穿梭小车的实时调度方法,所述方法包括:
获取目标有轨穿梭小车参数及目标任务参数;
将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案;所述神经网络调度模型的确定方法包括:
获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案;
利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
可选的,生成所述训练样本对的方法包括:
获取轨道参数、有轨穿梭小车参数和任务参数;
根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;
计算各调度方案的调度时间;
筛选出调度时间最短的调度方案;
将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
可选的,所述根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案,具体包括:
根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
可选的,所述调度方案采用防碰撞方法避免有轨穿梭小车之间的碰撞,所述防碰撞方法包括:
获取有轨穿梭小车之间的最小安全距离;
判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果;
当所述第一判断结果表示是,则判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆;
当所述第二判断结果表示是,则修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;
当所述第二判断结果表示否,则将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
一种多有轨穿梭小车的实时调度系统,所述系统包括:
目标参数获取模块,获取目标有轨穿梭小车参数及目标任务参数;
最优方案确定模块,用于将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案;所述神经网络调度模型的确定子系统包括:
样本集获取模块,用于获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案;
训练模块,用于利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
可选的,生成所述训练样本对的样本对生成模块包括:
参数获取单元,用于获取轨道参数、有轨穿梭小车参数和任务参数;
调度方案生成单元,用于根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;
调度时间计算单元,用于计算各调度方案的调度时间;
筛选单元,用于筛选出每一轨道上调度时间最短的调度方案;
样本对生成单元,用于将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
可选的,所述调度方案生成单元包括:
邻接矩阵生成子单元,用于根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
随机子单元,用于根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
排列组合子单元,用于根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
可选的,所述系统还包括防碰撞模块,所述防碰撞模块包括:
安全距离获取单元,用于获取有轨穿梭小车之间的最小安全距离;
第一判断单元,用于判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果;
第二判断单元,用于当所述第一判断结果表示是时,判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆;
车速修改单元,用于当所述第二判断结果表示是时,修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;当所述第二判断结果表示否时,将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种多有轨穿梭小车的实时调度方法及系统中,神经网络调度模型的确定方法包括:获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案;利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。本发明使用大量的训练样本对训练BP神经网络,使获得的神经网络调度模型能够适用于多有轨穿梭小车配置的各种任务站点。采用本发明提供的神经网络调度模型能够对环形有轨穿梭小车系统进行实时高效调度,能够节省大量人力、物力和时间,极大地提高工业物流运作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种多有轨穿梭小车的实时调度方法的流程图;
图2为本发明实施例提供神经网络调度模型的确定方法的流程图;
图3为本发明实施例提供的一种多有轨穿梭小车的实时调度系统的结构框图;
图4为本发明实施例提供的神经网络调度模型的确定子系统的结构框图;
图5为本发明实施例提供的有轨穿梭小车系统结构图;
图6为本发明实施例提供的有轨穿梭小车执行任务流程图;
图7为本发明实施例提供的最优调度方案的计算流程图;
图8为本发明实施例提供的防碰撞方法的实施流程图;
图9为BP神经网络的结构图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多有轨穿梭小车的实时调度方法及系统,能够对环形有轨穿梭小车系统进行实时高效调度,能够节省大量人力、物力和时间,极大地提高工业物流运作效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的一种多有轨穿梭小车的实时调度方法的流程图。如图1所示,所述方法包括:
步骤101:获取目标有轨穿梭小车参数及目标任务参数。
步骤102:将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案。
图2为本发明实施例提供神经网络调度模型的确定方法的流程图。如图2所示,所述神经网络调度模型的确定方法包括:
步骤201:获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案。
步骤202:利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
作为一种优选方式,生成所述训练样本对的方法包括:
获取轨道参数、有轨穿梭小车参数和任务参数。
根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;具体包括:
根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
计算各调度方案的调度时间。
筛选出调度时间最短的调度方案。
将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
为了避免有轨穿梭小车碰撞,采用排列组合方法生成多种调度方案时,本发明采用防碰撞方法避免有轨穿梭小车之间的碰撞,所述防碰撞方法包括:
获取有轨穿梭小车之间的最小安全距离;
判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果;
当所述第一判断结果表示是,则判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆;
当所述第二判断结果表示是,则修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;
当所述第二判断结果表示否,则将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
图3为本发明实施例提供的一种多有轨穿梭小车的实时调度系统的结构框图。如图3所示,所述系统包括:
目标参数获取模块301,获取目标有轨穿梭小车参数及目标任务参数。
最优方案确定模块302,用于将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案。
图4为本发明实施例提供的神经网络调度模型的确定子系统的结构框图。如图4所示,所述神经网络调度模型的确定子系统包括:
样本集获取模块401,用于获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案。
训练模块402,用于利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
作为一种优选方式,生成所述训练样本对的样本对生成模块包括:
参数获取单元,用于获取轨道参数、有轨穿梭小车参数和任务参数;
调度方案生成单元,用于根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;
调度时间计算单元,用于计算各调度方案的调度时间;
筛选单元,用于筛选出每一轨道上调度时间最短的调度方案;
样本对生成单元,用于将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
具体地,所述调度方案生成单元包括:
邻接矩阵生成子单元,用于根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
随机子单元,用于根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
排列组合子单元,用于根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
进一步地,为了避免有轨穿梭小车碰撞,所述系统还包括防碰撞模块,所述防碰撞模块包括:
安全距离获取单元,用于获取有轨穿梭小车之间的最小安全距离。
第一判断单元,用于判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果。
第二判断单元,用于当所述第一判断结果表示是时,判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆。
车速修改单元,用于当所述第二判断结果表示是时,修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;当所述第二判断结果表示否时,将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
下面以某物流公司实际使用的轨道为例,介绍本发明的具体实施过程:
(1)根据输入的轨道参数,生成有轨穿梭小车轨道拓扑结构。
为了进行有轨穿梭小车运行仿真,将有轨穿梭小车轨道看成一种有向图结构,轨道边相当于图的边,轨道交叉点相当于图的结点。由于有轨穿梭小车只能沿轨道单向运行,故结点之间为有向边。输入的轨道参数包括边和结点参数。其中,边Edge包括直线边和弧线边两种,二者的参数不同。直线边参数包括边长length、边的两个结点vertex1和vertex2,弧线边还包括弧线所在圆的半径radius、圆心center、弧线角度范围的起始角度startDeg和终止角度endDeg。结点信息包括结点位置pos和索引index。有向图使用邻接矩阵表示,轨道参数如表1所示。
表1轨道参数
生成轨道拓扑结构时,为了便于计算路径,使用Floyd算法生成所有结点间的最短路径信息。具体的,路径信息为一二维数组,每个元素表示行列下标对应结点之间的最短路径,每一路径的信息包括路径长度、路径上的所有结点序列。
图5为本发明实施例提供的有轨穿梭小车系统结构图。如图5所示,本实施例中,有轨穿梭小车系统的轨道是一种环形轨道结构,有三个有轨穿梭小车同时工作,系统有6个任务道口,有的道口可同时取货/卸货,有的只可取货或者卸货。其中,双向箭头表示有轨穿梭小车可在此处取货/卸货,箭头朝向轨道外侧表示有轨穿梭小车只可卸货,箭头朝向轨道内侧表示有轨穿梭小车只可取货,轨道箭头表示有轨穿梭小车运行方向,本实施例中均为单向运行。
(2)根据有轨穿梭小车参数和任务参数,初始化有轨穿梭小车和任务状态信息。
有轨穿梭小车参数和任务参数如下表所示:
表2有轨穿梭小车参数
参数名 | ID | pos | workState | Speed | edge |
含义 | 唯一编号 | 当前位置 | 运行状态 | 运行速度 | 所在边 |
表3任务参数
中央调度单元接收这些参数信息,并将有轨穿梭小车参数和任务参数存入全局变量中,完成对有轨穿梭小车和任务信息的初始化。本实施例中,系统中有5个存储有轨穿梭小车和任务状态信息的全局变量,如下表所示。
表4全局变量
其中,任务没有采用队列存储,是为了达成多任务总调度时间最短的目标,任务不会严格按时间顺序完成。有轨穿梭小车和任务分为可分配和不可分配两部分,是为了应对有轨穿梭小车系统的不同情况,即当系统中有一部分任务还可以自由调度,而有一部分任务已在取货状态之后导致无法重新分配时,本发明的方法仍适用。
(3)根据有轨穿梭小车和任务状态信息,初始化所有有轨穿梭小车的仿真运行模块,结合排列组合算法和有轨穿梭小车仿真运行模块,得到系统当前状态下的最佳调度方案。
首先,调用中央调度单元,使用全排列和组合算法得到所有可能的有轨穿梭小车和任务匹配方案,即各种调度方案。计算时要区分可分配、不可分配的有轨穿梭小车和任务,前者可以随意进行排列组合,后者任务已经确定,只可进行组合,没有排列过程。其中一种调度方案如下表所示。
表5调度方案
本实施例中,有3个有轨穿梭小车和9个任务,故得到的是未来所有任务和有轨穿梭小车的分配方案。
接着,计算每种调度方案的调度时间,并比较得出调度时间最短的调度方案。具体的,构造一个有轨穿梭小车仿真运行模块模拟有轨穿梭小车在环形轨道中的运行,每个有轨穿梭小车挂载一个仿真运行模块,模块中有有轨穿梭小车、任务、运行路径等信息,采用基于状态和模拟帧运行机制实现有轨穿梭小车的运行仿真。有轨穿梭小车执行任务的流程图如图6所示。具体的,将调度模块的每次运行作为一帧时间,模拟有轨穿梭小车和任务在一帧内的状态改变,不同状态对应不同的运行流程。每一模拟帧开始时,其会检测有轨穿梭小车当前状态,根据状态动态更新有轨穿梭小车和任务状态,直至任务完成。
上述仅为每个仿真运行模块的流程,而调度时间的计算还需中央调度模块参与。因一个有轨穿梭小车只能同时调度一个任务,故每一时刻至多有有轨穿梭小车数目的任务被调度。调度开始后,每次由中央调度模块从总匹配序列里取出至多有轨穿梭小车数目的有轨穿梭小车-任务对,并初始化对应的有轨穿梭小车仿真运行模块。每次遍历所有的有轨穿梭小车仿真运行模块,运行一次累加一个模拟帧的时间,并动态更新场景中的有轨穿梭小车和任务信息,直到该组有轨穿梭小车调度模块完成所有任务。有轨穿梭小车的任务执行流程如图6所示。再从剩余匹配序列中取出若干有轨穿梭小车-任务对,直至任务全部完成,累计时间即为总调度时间。
有轨穿梭小车完成单个任务的时间可表示如下:
TaTask=Tway+Tload+Tunload+Tblocked+Tother (1)
式(1)中,TaTask是有轨穿梭小车完成一个任务的总时间,Tway是有轨穿梭小车在轨道上运行的时间,Tload和Tunload分别是有轨穿梭小车取货和卸货的时间,Tblocked是有轨穿梭小车的阻塞等待时间,Tother为其他时间,包括系统响应时间和指令下达时间等。
任务分配后,每个有轨穿梭小车都有自己的任务队列,式(2)中,为一个有轨穿梭小车完成自己所有任务的时间,为有轨穿梭小车分配的任务数目。
式(3)为系统调度所有任务的总时间,实际调度时所有有轨穿梭小车会同时执行任务,故总时间并非单个任务总和,而是为TaTotal的最大值,其中,n为有轨穿梭小车的数量。
式(4)中,Ntotal是调度方案的总数,NRGV是有轨穿梭小车总数,Ntask是任务总数。
从Ntotal个调度方案中筛选出调度时间最短的调度方案作为最优调度方案,最优调度方案的计算流程如图7所示。
在调度多个有轨穿梭小车时,为了模拟真实情况,本发明考虑了有轨穿梭小车之间的碰撞,并采用了防碰撞方法避免有轨穿梭小车碰撞。防碰撞方法的实施流程如图8所示。具体的,设置有轨穿梭小车之间的最小安全距离,对于每个有轨穿梭小车调度模块,实时检测在其安全距离内是否有其他有轨穿梭小车,若有,将其标记为目标有轨穿梭小车,然后根据两车状态决定下一步。若本车速度可变,判断目标有轨穿梭小车相对于自己的前后顺序,若本车在前,说明本车被目标有轨穿梭小车追赶,则修改本车的速度,使其脱离后车的追赶;若本车在后,说明本车追上了目标有轨穿梭小车,判断目标有轨穿梭小车的速度是否可变,若不可变,修改本车速度为目标有轨穿梭小车的速度,同时修改自身速度为不可变。采用本发明提供的防碰撞方法,当本车追上了一个正在取货或者卸货的有轨穿梭小车时,需要停下来等待,同时还能防止其他有轨穿梭小车修改其速度导致系统运行出错。
(4)根据各轨道参数、有轨穿梭小车参数和任务参数,结合随机生成方法,采用步骤(1)-(3)的方法生成大量调度输入数据,作为训练样本集的训练样本对。
将有轨穿梭小车参数和任务参数分为可随机参数和其他参数,可随机参数包括有轨穿梭小车的轨道位置、初始速度、初始状态,以及任务的位置、卸货/取货的时间等,其取值可在随机范围内变化。其他参数即为取值固定的参数,包括有轨穿梭小车编号和任务编号等。
采用参数分割和随机生成的方法生成多个部分参数的随机数据池,然后通过在每个数据池中随机产生部分参数,其共同组成完整的调度输入数据。首先根据轨道参数得到一个位置数据池,具体的,设置一个距离步长,从轨道的初始位置开始遍历,存储当前的位置和所在边信息,这些组成随机数据池。一个调度输入数据包括任务参数和有轨穿梭小车参数,从位置数据池中随机两个位置组成取货和卸货位置信息,即可得到一个随机任务参数。对于有轨穿梭小车参数,从位置数据池中随机一个位置得到有轨穿梭小车当前位置信息,然后从有轨穿梭小车运行状态数据池中随机一个运行状态,结合ID、当前速度得到一个随机有轨穿梭小车参数。设置有轨穿梭小车和任务的数目范围及每次需要随机它们的数目,得到多个随机有轨穿梭小车和任务参数,二者组成一个完整的调度输入数据,即为一种调度方案。重复上述方法,可得到大规模的调度输入数据集。
遍历调度输入数据集,对每个有轨穿梭小车和任务输入,将其置入中央调度单元中进行仿真调度,使用步骤(3)的方法得到其最佳调度方案,二者共同组成一组完整调度数据。输入数据集遍历后,便可得到完整的调度数据集。
(5)对调度数据集进行预处理和特征提取等处理,得到训练集、验证集和测试集,并采用训练集训练BP神经网络,通过验证集优化参数,通过测试集测试最终的泛化能力,最终得到神经网络调度模型。
得到调度数据集后,首先对数据集进行预处理,预处理操作包括去除重复项、处理离散特征、数据归一化等。接着进行特征工程,即构造、提取所需要的特征。调度数据集分为三项:RGV参数信息、任务参数信息,以及其对应的最优调度方案,包含最优调度方案和对应的最优调度时间,其均属于表格数据。这其中有一些冗余参数,有些参数需要进行转换,有些需要合并,本实施例采用了主元素分析和聚类方法分析,最终得到的神经网络输入参数如下表所示。
表6有轨穿梭小车输入参数
表7任务输入参数
调度方案参数为多个有轨穿梭小车ID和任务ID的匹配序列,每个序列格式为(TaskID:有轨穿梭小车ID),以及一个Float类型的调度时间参数。
对调度数据集处理后,就得到了BP神经网络训练所需的训练集和测试集。本发明选择的BP神经网络的结构如图9所示,包括一个输入层、一个输出层及一个隐含层,输入层神经元个数与输入数据的维数相同,输出层神经元个数与需要拟合的数据个数相同,隐含层的节点需要另外确定。训练BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层。第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置。
本实施例中,BP神经网络的整个训练过程如下:
1)网络初始化。
对BP神经网络中的各种参数进行初始化,包括使用随机方法初始化各层的连接权值、设置各层结点数、隐含层参数,以及学习速率、最大学习次数、激活函数等。具体的,输入层的节点个数为m,隐含层的节点个数为l,输出层的节点个数为n。m即为训练样本输入参数的个数,n为训练样本输出参数的个数,隐含层的结点数目满足:其中β为一个1-10的常数,本实施例中选择5。
输入层到隐含层的权重为ωij,隐含层到输出层的权重为ωjk,输入层到隐含层的偏置为αj,隐含层到输出层的偏置为bk,学习速率为η,选择sigmoid函数作为激活函数,公式为:f(x)=1/1+e-x。
2)将训练集的所有样本对的输入及其对应的期望输出输入到神经网络中。
3)计算隐含层和输出层各个神经元的输入和输出,计算公式如下:
Hj为隐含层的输出,Ok为输出层的输出。
4)计算输出层和隐含层的误差。
计算期望输出Yk和训练输出Ok间的误差,总误差E为:
5)更新各层的权值和偏置
即为误差反向传播的过程,目标是使得误差函数达到最小值,这里使用梯度下降法,根据4)中的各层输入输出及误差,对各层的权值和偏置进行更新,分为隐含层到输出层的权重、偏置更新和输入层到隐含层的权重、偏置更新。
6)判断迭代是否结束
本实施例设置了两种结束的条件,第一个条件为最大迭代次数,第二个条件为判断总误差是否足够小,二者有一个满足则终止训练。
7)验证
训练结束后,使用验证集检测模型的误差,若误差过大,则调整神经网络参数,再使用验证集重新检测误差,重复上述过程直到验证集中的误差达到最小。最后使用测试集评估最终模型的泛化能力,保证训练的模型具有较强的适用性。
本发明充分考虑了多有轨穿梭小车运行时的多种因素,且使用大量数据用于训练神经网络,使得本发明适用于多有轨穿梭小车配置的各种任务站点,在有轨穿梭小车和任务数量很多的情况下仍能得到最优调度方案。为了保证训练集的质量,本发明充分考虑了有轨穿梭小车之间的阻塞等待、路径最短等因素,保证调度方案是在考虑了多种因素下的近似最优解,这样训练得到的神经网络调度模型通用性和实用性更强。同时,本发明将有轨穿梭小车轨道抽象为有向图的拓扑结构,使得本发明可用于各种结构的有轨穿梭小车系统,只需修改轨道参数并只需进行一次训练,一旦训练完成,神经网络调度模型便可对环形有轨穿梭小车系统进行实时高效调度,能够节省大量人力、物力和时间,极大提高工业物流的运作效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多有轨穿梭小车的实时调度方法,其特征在于,所述方法包括:
获取目标有轨穿梭小车参数及目标任务参数;
将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案;所述神经网络调度模型的确定方法包括:
获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案;
利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
2.根据权利要求1所述的方法,其特征在于,生成所述训练样本对的方法包括:
获取轨道参数、有轨穿梭小车参数和任务参数;
根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;
计算各调度方案的调度时间;
筛选出调度时间最短的调度方案;
将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
3.根据权利要求2所述的方法,其特征在于,所述根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案,具体包括:
根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
4.根据权利要求3所述的方法,其特征在于,所述调度方案采用防碰撞方法避免有轨穿梭小车之间的碰撞,所述防碰撞方法包括:
获取有轨穿梭小车之间的最小安全距离;
判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果;
当所述第一判断结果表示是,则判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆;
当所述第二判断结果表示是,则修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;
当所述第二判断结果表示否,则将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
5.一种多有轨穿梭小车的实时调度系统,其特征在于,所述系统包括:
目标参数获取模块,获取目标有轨穿梭小车参数及目标任务参数;
最优方案确定模块,用于将所述目标有轨穿梭小车参数及所述目标任务参数输入神经网络调度模型,获得最优调度方案;所述神经网络调度模型的输入为有轨穿梭小车参数及任务参数的集合,所述神经网络调度模型的输出为与输入的所述集合对应的各调度方案中,调度时间最短的调度方案;所述神经网络调度模型的确定子系统包括:
样本集获取模块,用于获取训练样本集;所述训练样本集包括多个训练样本对,每一所述训练样本对包括一个输入和一个输出;所述输入为有轨穿梭小车参数及任务参数的集合,所述输出为与所述输入对应的各调度方案中,调度时间最短的调度方案;
训练模块,用于利用所述训练样本集训练BP神经网络,获得所述神经网络调度模型。
6.根据权利要求5所述的系统,其特征在于,生成所述训练样本对的样本对生成模块包括:
参数获取单元,用于获取轨道参数、有轨穿梭小车参数和任务参数;
调度方案生成单元,用于根据所述轨道参数、所述有轨穿梭小车参数和所述任务参数,采用随机生成方法和排列组合方法生成所述轨道上不同有轨穿梭小车的多种调度方案;
调度时间计算单元,用于计算各调度方案的调度时间;
筛选单元,用于筛选出每一轨道上调度时间最短的调度方案;
样本对生成单元,用于将所述有轨穿梭小车参数和任务参数的集合作为一个训练样本对的输入,将筛选出的调度时间最短的调度方案作为所述训练样本对的输出,生成所述训练样本集的各个训练样本对。
7.根据权利要求6所述的系统,其特征在于,所述调度方案生成单元包括:
邻接矩阵生成子单元,用于根据所述轨道参数生成表征有轨穿梭小车运行轨道的邻接矩阵;所述邻接矩阵的每个元素表征所述有轨穿梭小车运行轨道的一条边;
随机子单元,用于根据所述有轨穿梭小车参数和所述任务参数,使用随机生成方法生成大量不同的有轨穿梭小车训练参数和任务训练参数;
排列组合子单元,用于根据所述有轨穿梭小车训练参数和所述任务训练参数,采用排列组合方法生成多种调度方案。
8.根据权利要求7所述的系统,其特征在于,所述系统还包括防碰撞模块,所述防碰撞模块包括:
安全距离获取单元,用于获取有轨穿梭小车之间的最小安全距离;
第一判断单元,用于判断在当前有轨穿梭小车的最小安全距离范围内是否存在其他有轨穿梭小车,获得第一判断结果;
第二判断单元,用于当所述第一判断结果表示是时,判断所述当前有轨穿梭小车是否位于目标车辆的前方,获得第二判断结果;所述目标车辆为位于所述当前有轨穿梭小车的最小安全距离范围内的车辆;
车速修改单元,用于当所述第二判断结果表示是时,修改所述当前有轨穿梭小车的车速使所述当前有轨穿梭小车的车速大于所述目标车辆的车速;当所述第二判断结果表示否时,将所述当前有轨穿梭小车的车速修改为所述目标车辆的车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910794373.3A CN110471287A (zh) | 2019-08-27 | 2019-08-27 | 一种多有轨穿梭小车的实时调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910794373.3A CN110471287A (zh) | 2019-08-27 | 2019-08-27 | 一种多有轨穿梭小车的实时调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110471287A true CN110471287A (zh) | 2019-11-19 |
Family
ID=68512229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910794373.3A Pending CN110471287A (zh) | 2019-08-27 | 2019-08-27 | 一种多有轨穿梭小车的实时调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471287A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253684A (zh) * | 2021-05-31 | 2021-08-13 | 杭州蓝芯科技有限公司 | 基于图卷积神经网络的多agv调度方法及装置、电子设备 |
CN113534755A (zh) * | 2021-06-21 | 2021-10-22 | 深圳远荣智能制造股份有限公司 | 基于有轨穿梭小车的物料存取方法、装置和智能设备 |
CN116307646A (zh) * | 2023-05-23 | 2023-06-23 | 科大智能物联技术股份有限公司 | 一种基于两阶段动态分区算法的一轨双车调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663574A (zh) * | 2012-03-23 | 2012-09-12 | 合肥工业大学 | 基于遗传算法的多rgv动态调度方法 |
CN109816246A (zh) * | 2019-01-28 | 2019-05-28 | 江苏大地物流有限责任公司 | 基于gis和智能算法的物流调度系统 |
-
2019
- 2019-08-27 CN CN201910794373.3A patent/CN110471287A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663574A (zh) * | 2012-03-23 | 2012-09-12 | 合肥工业大学 | 基于遗传算法的多rgv动态调度方法 |
CN109816246A (zh) * | 2019-01-28 | 2019-05-28 | 江苏大地物流有限责任公司 | 基于gis和智能算法的物流调度系统 |
Non-Patent Citations (3)
Title |
---|
林佳良: "基于现实的自动化立体仓库轨道式循环搬运系统构建与调度优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
江唯 等: "基于混合算法的环形轨道RGV系统调度优化研究", 《计算机工程与应用》 * |
高新浩 等: "多AGV动态交通调度算法设计", 《山东工业技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253684A (zh) * | 2021-05-31 | 2021-08-13 | 杭州蓝芯科技有限公司 | 基于图卷积神经网络的多agv调度方法及装置、电子设备 |
CN113253684B (zh) * | 2021-05-31 | 2021-09-21 | 杭州蓝芯科技有限公司 | 基于图卷积神经网络的多agv调度方法及装置、电子设备 |
CN113534755A (zh) * | 2021-06-21 | 2021-10-22 | 深圳远荣智能制造股份有限公司 | 基于有轨穿梭小车的物料存取方法、装置和智能设备 |
CN116307646A (zh) * | 2023-05-23 | 2023-06-23 | 科大智能物联技术股份有限公司 | 一种基于两阶段动态分区算法的一轨双车调度方法 |
CN116307646B (zh) * | 2023-05-23 | 2023-09-01 | 科大智能物联技术股份有限公司 | 一种基于两阶段动态分区算法的一轨双车调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471287A (zh) | 一种多有轨穿梭小车的实时调度方法及系统 | |
Seker et al. | A neuro-fuzzy model for a new hybrid integrated Process Planning and Scheduling system | |
Li et al. | Learning to optimize industry-scale dynamic pickup and delivery problems | |
Kazemi et al. | A cost-oriented model for balancing mixed-model assembly lines with multi-manned workstations | |
CN110187647A (zh) | 模型训练方法及系统 | |
CN105931109A (zh) | 一种实现账户余额更新的方法及装置 | |
CN110132282A (zh) | 无人机路径规划方法及装置 | |
CN111353256A (zh) | 航空电子设备中的机器学习 | |
Lugaresi et al. | Generation and tuning of discrete event simulation models for manufacturing applications | |
Göppert et al. | Automated scenario analysis of reinforcement learning controlled line-less assembly systems | |
CN115730947A (zh) | 银行客户流失预测方法及装置 | |
CN102799960B (zh) | 面向数据模型的并行业务流程异常检测方法 | |
Rifai et al. | Reentrant FMS scheduling in loop layout with consideration of multi loading-unloading stations and shortcuts | |
Geng et al. | Scatter search based particle swarm optimization algorithm for earliness/tardiness flowshop scheduling with uncertainty | |
CN106228029B (zh) | 基于众包的量化问题求解方法和装置 | |
Roldán et al. | Using process mining to model multi-UAV missions through the experience | |
CN116862206A (zh) | 一种自适应优化生产计划的分布式制造执行的方法和系统 | |
CN116306216A (zh) | 列生成的多车型路径规划方法、系统、设备及介质 | |
CN109993415A (zh) | 构建投入产出表的方法、装置以及存储介质 | |
Luque et al. | Selection pressure and takeover time of distributed evolutionary algorithms | |
Cichos et al. | Integration of a physical model into the realization of engineering changes in manufacturing systems | |
Kumar et al. | A neural network-based algorithm for flow shop scheduling problems under fuzzy environment | |
CN111047144B (zh) | 一种用于机组排班的航班任务环生成方法和装置 | |
Ben-Arieh | Manufacturing system application of a knowledge based simulation | |
Seow et al. | Supervising passenger land-transport systems |
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: 20191119 |