CN110826819B - 一种自动化集装箱码头车辆的路径规划方法 - Google Patents

一种自动化集装箱码头车辆的路径规划方法 Download PDF

Info

Publication number
CN110826819B
CN110826819B CN201911180062.4A CN201911180062A CN110826819B CN 110826819 B CN110826819 B CN 110826819B CN 201911180062 A CN201911180062 A CN 201911180062A CN 110826819 B CN110826819 B CN 110826819B
Authority
CN
China
Prior art keywords
node
path
solution
nodes
algorithm
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
CN201911180062.4A
Other languages
English (en)
Other versions
CN110826819A (zh
Inventor
周红
朱瑾
王佳
卜人杰
郭昆仑
沈磊
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201911180062.4A priority Critical patent/CN110826819B/zh
Publication of CN110826819A publication Critical patent/CN110826819A/zh
Application granted granted Critical
Publication of CN110826819B publication Critical patent/CN110826819B/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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种自动化集装箱码头车辆的路径规划方法，将路径规划问题分解为主问题和子问题，并对主问题和子问题采用不同的算法求解，即主问题采用分支定价算法的框架，子问题采用遗传算法求解。本发明将分支定价算法与遗传算法结合起来，在保证解的质量的同时，有效提高了算法的效率，能够在较短的时间内得到问题的解。

Description

一种自动化集装箱码头车辆的路径规划方法
技术领域
本发明涉及路径规划领域，尤其涉及用精确算法求解大规模的自动化集装箱码头ASC路径问题。
背景技术
自动化集装箱码头的自主无人跨运车(Autonomous Straddle Carrier，ASC)路径规划问题是一类复杂的组合优化问题，属于NP难问题，目前已经发展出许多变体问题，其中大规模带硬时间窗的自动化集装箱码头车辆路径问题不仅要求车辆必须在取/送货点指定的时间窗范围内完成任务，而且求解的规模大。对于大规模的复杂组合优化问题，目前已有的求解方法主要是精确算法和启发式算法，精确算法求得的解虽然是精确解，但求解难度很大，不一定能够在可接受的时间范围内得到最优解，因此在自动化集装箱码头的车辆路径规划上应用较少。
分支定价算法是分支定界法与列生成法的结合，属于精确算法。对于小规模带硬时间窗的码头车辆路径问题能够在可接受的时间范围内找到最优解，但随着问题规模的增大会产生“组合爆炸”，此时分支定价算法很难得到问题的最优解；启发式算法可以快速求解得到许多大规模复杂组合优化问题的解，在自动化集装箱码头的车辆路径问题中应用广泛，但求得的解是近似解而不是最优解。
发明内容
本发明提出了一种自动化集装箱码头车辆的路径规划方法，基于“分而治之，算法互补”的思路提出了一种分支定价算法与遗传算法结合的算法，在分支定价算法的框架下求解主问题，采用遗传算法求解子问题，在保证解的质量的同时，有效提高了算法的效率。
为了达到上述目的，本发明提供了一种自动化集装箱码头车辆的路径规划方法，将自动化集装箱码头车辆的路径规划问题分解为主问题和子问题，采用分支定价算法解算主问题，并采用双点交叉的遗传算法求解子问题。
优选地，所述的一种自动化集装箱码头车辆的路径规划方法包括以下步骤：
S1、根据码头车辆的路径规划问题建立数学模型，并将数学模型作为分支定界树的根节点；
S2、初始化分支定界树的根节点，并建立带有节点编号的待分支节点的节点表；
S3、根据节点编号依次提取待分支节点表中的节点，并将提取出的节点分解为主问题和子问题；
S4、采用分支定价算法解算节点的主问题，并采用双点交叉的遗传算法求解子问题，得出该节点的优化解；
S5、待分支节点表为空集且当前求解时间在多项式时间内不可解时，输出所有节点优化解中的最优解作为数学模型的最优解。
优选地，所述的步骤S2包括以下步骤：
S2.1、通过启发式算法解算数学模型，得到车辆的初始可行路径定为数学模型解的下界，同时设置数学模型解的上界为无穷大；
S2.2、对分支定界树的根节点分支，建立待分支节点的节点表，并依据待分支节点的添加顺序依次给节点编号。
优选地，采用Danzig-Wolf分解算法将码头车辆路径规划问题分解为主问题和子问题。
优选地，所述的步骤S4包括以下步骤：
S4.1、将主问题线性化，并通过启发式算法解算满足线性主问题的初始可行解，得到限制主问题；
S4.2、通过数学求解器解算限制主问题，得到对偶变量；
S4.3、采用双点交叉的遗传算法求解子问题，并代入对偶变量；
S4.4、检验子问题的优化解是否小于0，若是，将子问题优化解小于0所对应的子问题的解设为该节点产生的新列，将产生的新列加入到限制主问题中，重复步骤S4.2-S4.4；若不是，则输出限制主问题的初始优化解；
S4.5、判断限制主问题的初始优化解是否为整数，若是，则输出该节点的优化解，若不是，则对该节点分支，并采用分支定价算法分别解算该节点的分节点，选取分节点的初始优化解中的最优解做为该节点的优化解。
优选地，采用遗传算法求解子问题包括以下步骤：
对子问题的可行路径集中的客户点编码，并设置遗传算法的最大迭代次数和变异概率；
将车辆的初始可行路径设为父代路径，计算父代路径的适应度值，并采用轮盘赌规则选择两个父代路径A、B；
对父代路径A、B采用双点交叉产生子代1和子代2；
子代1和子代2按照变异概率变异后得到子代A和子代B；
判断遗传算法的迭代次数是否达到最大值，如是，则输出子问题的优化解，若不是，则重复上述步骤。
优选地，适应度值函数为：
Figure BDA0002291009610000031
式中，α为访问某个客户点优先级；
父代个体i被选中的概率为：
Figure BDA0002291009610000032
fi是父代路径i的适应度值，
Figure BDA0002291009610000033
是所有父代路径适应度值之和。
本发明采用分支定价算法混合遗传算法求解自动化集装箱码头车辆路径规划问题，对原问题分解得到的主问题采用分支定价算法的框架，并对子问题采用遗传算法求解，将分支定价算法与遗传算法结合起来，能够有效提高算法的求解速度，使算法效率更高，此外，采用遗传算法求解子问题降低了子问题的求解难度，缩短了求解所需时间，有效提高了算法的效率，能够在较短的时间内得到问题的解。
附图说明
图1为本发明实施例提供的一种解决自动化集装箱码头车辆路径规划问题的流程图；
图2为本发明实施例提供的遗传算法求解子问题的流程图；
图3为本发明实施例提供的双点交叉产生子代的原理图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种自动化集装箱码头车辆的路径规划方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。
如图1所示，为本发明提供的一种自动化集装箱码头车辆的路径规划方法，包括以下步骤：
S1、根据码头车辆路径规划问题建立数学模型，并将数学模型作为分支定界树的根节点；
具体地，码头ASC路径规划问题为带硬时间窗的码头路径规划问题，有向图G＝(C,A)表示码头ASC路径网络，其中，A表示弧段集合，C＝{0,1,2,…,n,n+1}，表示为客户集，节点0和n+1表示车场，其他表示n个客户的顶点集合记为N。每个客户i(i∈N)具有特定的需求di、相应的服务时间si和时间窗[ai，bi]，其中ai和bi分别是客户的最早开始服务时间和最晚开始服务时间，ASC车辆可以在客户i的最早服务时间ai之前到达，但是需要等待到最早服务时间ai才能开始服务，而且车辆必须在最晚服务时间bi之前到达，否则这条路径不可行，sik定义为车辆k在客户点i处开始服务的时间；车场的时间窗为[a0，b0]，即车辆执行完任务后最晚的返回时间是b0；每辆车属于一个由V辆同类型车辆组成的车队，每辆车的最大载重量为q，Cij表示车辆由i点行驶到j点的距离，若车辆k由i点行驶到j点，则xijk＝1，否则为0。
在不考虑码头ASC发生拥堵的情况下，客户点的服务类型为仅取货或送货，每个客户点的需求量、在该点服务的时间及车场及待服务客户的坐标位置均事先给定，且每个客户点只能被访问一次、每辆车只能服务于一条路径，每个客户点的访问必须在规定的时间窗内完成，车场只有一个，并且所有车辆从车场出发并在规定的时间窗内返回车场。根据所描述的码头ASC路径规划问题所建立的数学模型如下：
Figure BDA0002291009610000041
Figure BDA0002291009610000051
Figure BDA0002291009610000052
Figure BDA0002291009610000053
Figure BDA0002291009610000054
Figure BDA0002291009610000055
Figure BDA0002291009610000056
ai≤sik≤bi i∈N，k∈V (8)
xijk∈{0，1} i∈N，j∈N，k∈V (9)
其中，约束条件公式(1)为ASC车辆总的行驶距离的最小化，公式(2)保证每个客户点只能被访问一次，公式(3)表示车辆只能在它的容量限制内装载，即不能超过容量限制，公式(4-6)表示每辆车必须由车场0出发，到达一个客户点后必须驶向下一个客户点最终到达车场n+1，公式(7)表示车辆离开当前客户点与到达下一个客户点之间的时间关系，公式(8)保证车辆在客户点的服务时间必须在该点的时间窗范围内，公式(9)为二进制决策变量的约束，即xijk只能为1或0。
S2、初始化分支定界树的根节点，并建立带有节点编号的待分支节点的节点表(Node Queue)；
所述的步骤S2包括以下步骤：
S2.1、通过启发式算法解算数学模型，将得到的车辆的初始可行路径定为数学模型解的下界，同时设置数学模型解的上界为无穷大；
采用启发式算法解算数学模型时，先不考虑xijk为二进制决策变量的约束，初始解算后得到的xijk值为小数时，则该节点待分支。
S2.2、对分支定界树的根节点分支，建立待分支节点的节点表，并依据待分支节点的添加顺序依次给节点编号。
分别将xijk＝0和xijk＝1代入数学模型中，得到分支定界树根节点的两个分支节点，这两个分支节点即为待分支的两个分支节点，建立待分支节点的节点表，并依据待分支节点的添加顺序依次给节点编号。
S3、判断待分支节点表是否为非空集、当前求解时间是否在多项式时间内可解，若是，则转到步骤S4，若不是，则运算结束，输出数学模型最优解；
S4、根据节点编号依次提取待分支节点表中的节点，并对提取出的节点采用Danzig-Wolf(丹茨格-沃尔夫)分解算法将码头ASC路径规划问题分解为主问题和子问题；
所述的Danzig-Wolf分解算法包括以下步骤：
设Pk为车辆k(k∈V)的可行路径集合，二进制决策变量
Figure BDA0002291009610000061
表示车辆k在它的可行路径集合中的路径p(p∈Pk)中从i到j，否则为0，
Figure BDA0002291009610000062
表示车辆k是否经过路径p，则：
Figure BDA0002291009610000063
Figure BDA0002291009610000064
Figure BDA0002291009610000065
公式(11-13)表示车辆k是否在路径p中由i行驶到j；
通过
Figure BDA0002291009610000066
可以定义一条路径的花费为
Figure BDA0002291009610000067
车辆k访问客户点i的次数为
Figure BDA0002291009610000068
表示为：
Figure BDA0002291009610000069
Figure BDA00022910096100000610
进一步，令
Figure BDA00022910096100000611
又因为单车场同质车辆的情况下所有的Pk都是确定的，即Pk＝P，k∈V；
得到主问题为：
Figure BDA00022910096100000612
Figure BDA00022910096100000613
Figure BDA00022910096100000614
分解得到的子问题如下：
Figure BDA0002291009610000071
Figure BDA0002291009610000072
Figure BDA0002291009610000073
Figure BDA0002291009610000074
Figure BDA0002291009610000075
Figure BDA0002291009610000076
Figure BDA0002291009610000077
Figure BDA0002291009610000078
Figure BDA0002291009610000079
Figure BDA00022910096100000710
其中，
Figure BDA00022910096100000711
πi为对偶变量；当(i,j)是路径中第l个弧段时，
Figure BDA00022910096100000712
Figure BDA00022910096100000713
否则为
Figure BDA00022910096100000714
Figure BDA00022910096100000715
表示在客户点i处任务l开始服务的时间，
Figure BDA00022910096100000716
Figure BDA00022910096100000717
约束条件公式(17)表示为子问题，即带资源约束的最短路径，公式(18)表示第l个弧段只能经过一次，公式(19)表示弧段l只有在弧段l-1经过的情况下才可以访问，公式(20-26)是由公式(3-9)经过变量替换由公式(3-9)得到的。
S5、将主问题线性化，并通过启发式算法解算满足线性主问题的初始可行解，得到限制主问题；
得到的限制主问题如下：
Figure BDA00022910096100000718
Figure BDA0002291009610000081
Figure BDA0002291009610000082
其中，P′是所有的已经生成的可行路径。
S6、通过数学求解器解算限制主问题，得到对偶变量πi；
通过优化软件Cplex求解限制主问题，计算得到对偶变量πi，对偶变量πi代入到子问题中求解。
S7、采用双点交叉的遗传算法求解子问题；
码头ASC路径规划问题分解得到的子问题，为带资源约束的最短路径，子问题的可行路径集不包含限制主问题已有的可行路径，采用遗传算法求解子问题，可以降低子问题的求解难度，缩短求解所需时间。
如图2所示为遗传算法求解子问题，包括以下步骤：
S7.1、对子问题的可行路径集中的客户点编码，并设置遗传算法的最大迭代次数和变异概率；
遗传算法的最大迭代次数设置为1000，变异概率设置为0.01；
S7.2、将车辆的初始可行路径设为父代路径，计算父代路径的适应度值，并采用轮盘赌规则选择两个父代路径A、B；
适应度值函数为：
Figure BDA0002291009610000083
式中，α为访问某个客户点的优先级；
父代路径i被选中的概率为：
Figure BDA0002291009610000084
fi是父代路径i的适应度值，
Figure BDA0002291009610000085
是所有父代路径适应度值之和；
S7.3、对父代路径A、B采用双点交叉产生子代1和子代2；
如图3所示，采用双点交叉产生子代的过程为：
任意选择两个切割点，将父代路径A和父代路径B分别分为三个部分，交换父代路径A和父代路径B的中间部分路径，得到父代路径A′和父代路径B′；
根据父代路径A′、B′中间部分路径之间的映射关系依次对父代路径A′和父代路径B′中冲突的客户点编码进行检测，直到父代路径A′和父代路径B′中没有重复的客户点编码。
S7.4、子代1和子代2按照变异概率变异后得到子代A和子代B；
S7.5、判断遗传算法的迭代次数是否达到最大值，如是，则输出子问题的优化解，若不是，则转入步骤S7.1。
S8、判断子问题优化解是否小于0，若是，则转入步骤S9,若不是，则转入步骤S10；
S9、将子问题优化解小于0所对应的子问题的解设为该节点产生的新列，将产生的新列加入到限制主问题中，并转入到步骤S6；
S10、输出限制主问题的初始优化解，并判断该初始优化解是否为整数，若是，则转入步骤S12，若不是，则转入步骤S11；
当子问题迭代求解完成后，即没有新的列加入到限制主问题中时，限制主问题输出的值为优化解。
S11、该节点分支生成两个子节点，在待分支节点表中删除该节点，并加入两个子节点，转入到步骤S3；
S12、判断限制主问题的优化解是否优于当前的最优解，若是，则转入步骤S13，若不是，则转入步骤S3；
S13、在待分支节点表中删除该节点，并将限制主问题的最优解作为数学模型解的上界，转入步骤S3。
本发明采用分支定价算法混合遗传算法求解自动化集装箱码头ASC路径规划问题，对原问题分解得到的主问题采用分支定价算法的框架，并对子问题采用遗传算法求解，将分支定价算法与遗传算法结合起来，能够有效提高算法的求解速度，使算法效率更高，此外，采用遗传算法求解子问题降低了子问题的求解难度，缩短了求解所需时间，有效提高了算法的效率，能够在较短的时间内得到问题的解。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (2)

1.一种自动化集装箱码头车辆的路径规划方法，其特征在于，包括以下步骤：
S1、根据码头车辆的路径规划问题建立数学模型，并将数学模型作为分支定界树的根节点；
S2、初始化分支定界树的根节点，并建立带有节点编号的待分支节点的节点表；
S3、根据节点编号依次提取待分支节点表中的节点，并将提取出的节点分解为主问题和子问题；
S4、采用分支定价算法解算节点的主问题，并采用双点交叉的遗传算法求解子问题，得出该节点的优化解；
S5、待分支节点表为空集且当前求解时间在多项式时间内不可解时，输出所有节点优化解中的最优解作为数学模型的最优解；
所述的步骤S2包括以下步骤：
S2.1、通过启发式算法解算数学模型，得到车辆的初始可行路径定为数学模型解的下界，同时设置数学模型解的上界为无穷大；
S2.2、对分支定界树的根节点分支，建立待分支节点的节点表，并依据待分支节点的添加顺序依次给节点编号；
采用Danzig-Wolf分解算法将码头车辆路径规划问题分解为主问题和子问题；
所述的步骤S4包括以下步骤：
S4.1、将主问题线性化，并通过启发式算法解算满足线性主问题的初始可行解，得到限制主问题；
S4.2、通过数学求解器解算限制主问题，得到对偶变量；
S4.3、采用双点交叉的遗传算法求解子问题，并代入对偶变量；
S4.4、检验子问题的优化解是否小于0，若是，将子问题优化解小于0所对应的子问题的解设为该节点产生的新列，将产生的新列加入到限制主问题中，重复步骤S4.2-S4.4；若不是，则输出限制主问题的初始优化解；
S4.5、判断限制主问题的初始优化解是否为整数，若是，则输出该节点的优化解，若不是，则对该节点分支，并采用分支定价算法分别解算该节点的分节点，选取分节点的初始优化解中的最优解做为该节点的优化解；
采用遗传算法求解子问题包括以下步骤：
对子问题的可行路径集中的客户点编码，并设置遗传算法的最大迭代次数和变异概率；
将车辆的初始可行路径设为父代路径，计算父代路径的适应度值，并采用轮盘赌规则选择两个父代路径A、B；
对父代路径A、B采用双点交叉产生子代1和子代2；
子代1和子代2按照变异概率变异后得到子代A和子代B；
判断遗传算法的迭代次数是否达到最大值，如是，则输出子问题的优化解，若不是，则重复上述步骤。
2.如权利要求1所述一种自动化集装箱码头车辆的路径规划方法，其特征在于，适应度值函数为：
Figure FDA0003977955810000021
式中，α为访问某个客户点优先级；
父代个体i被选中的概率为：
Figure FDA0003977955810000022
fi是父代路径i的适应度值，
Figure FDA0003977955810000023
是所有父代路径适应度值之和。
CN201911180062.4A 2019-11-27 2019-11-27 一种自动化集装箱码头车辆的路径规划方法 Active CN110826819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911180062.4A CN110826819B (zh) 2019-11-27 2019-11-27 一种自动化集装箱码头车辆的路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911180062.4A CN110826819B (zh) 2019-11-27 2019-11-27 一种自动化集装箱码头车辆的路径规划方法

Publications (2)

Publication Number Publication Date
CN110826819A CN110826819A (zh) 2020-02-21
CN110826819B true CN110826819B (zh) 2023-04-07

Family

ID=69560029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911180062.4A Active CN110826819B (zh) 2019-11-27 2019-11-27 一种自动化集装箱码头车辆的路径规划方法

Country Status (1)

Country Link
CN (1) CN110826819B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149910B (zh) * 2020-09-28 2024-06-21 上海汽车集团股份有限公司 一种路径规划方法及装置
CN113762855B (zh) * 2020-11-20 2023-12-05 北京京东振世信息技术有限公司 一种资源配置方法和装置
CN112862162A (zh) * 2021-01-20 2021-05-28 华中科技大学 一种考虑阶梯运价补贴的车辆调度方法
CN112884383B (zh) * 2021-04-19 2024-04-05 上海海事大学 考虑时间窗约束的集装箱港口应急物资优化调运方法
CN113822486B (zh) * 2021-09-29 2022-04-15 北京外国语大学 基于列生成算法的车辆路径规划方法、装置和系统
CN116579511A (zh) * 2023-03-20 2023-08-11 广东工业大学 基于sp模型的两阶段路径规划优化方法
CN116777063B (zh) * 2023-06-20 2024-02-27 广东工业大学 基于一刀切约束和分支定价算法的二维装箱方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968860A (zh) * 2010-10-09 2011-02-09 北京物资学院 订单拣选方法及系统
CN109919365A (zh) * 2019-02-19 2019-06-21 清华大学 一种基于双策略搜索的电动车辆路径规划方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107229972A (zh) * 2017-03-10 2017-10-03 东莞理工学院 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101968860A (zh) * 2010-10-09 2011-02-09 北京物资学院 订单拣选方法及系统
CN109919365A (zh) * 2019-02-19 2019-06-21 清华大学 一种基于双策略搜索的电动车辆路径规划方法及系统

Also Published As

Publication number Publication date
CN110826819A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110826819B (zh) 一种自动化集装箱码头车辆的路径规划方法
Wang et al. Solving multitrip pickup and delivery problem with time windows and manpower planning using multiobjective algorithms
CN111178582B (zh) 一种基于改进遗传算法的物流配送优化方法
CN103413209B (zh) 多客户多仓库物流配送路径选择方法
CN110555563B (zh) 大规模钢筋分组及下料优化方法及装置
CN109919532B (zh) 一种物流节点确定方法及装置
Berghida et al. EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows
Pan et al. Ridesharing: simulator, benchmark, and evaluation
JP2007241340A (ja) Ｎ分割巡回経路探索システム、経路探索サーバ、ｎ分割巡回経路探索方法
Sales et al. Memetic algorithm for the heterogeneous fleet school bus routing problem
CN114111830A (zh) 一种基于ai模型的路径规划方法及装置
CN111860858B (zh) 一种模型更新参数的确定方法、确定装置及可读存储介质
CN113780676A (zh) 一种瓶装液化气车辆配送路径优化方法
Guloyan et al. Optimization of capacitated vehicle routing problem for recyclable solid waste collection using genetic and seed genetic algorithms hybridized with greedy algorithm
CN115080550B (zh) 路网交通量分配方法及装置
CN115130791A (zh) 面向车载智能机场的无人机与车辆协同调度方法及装置
CN114723373A (zh) 保健用品的配货调度管理方法、装置、设备及存储介质
CN111339468B (zh) 信息推送方法、装置、电子设备和存储介质
CN111612198B (zh) 预测拼单成功率的方法、装置和电子设备
CN116090268B (zh) 一种公路交通网络枢纽节点识别方法、装置、设备和介质
Yoga et al. Advanced Traveler Information Systems: Itinerary Optimisation Using Orienteering Problem Model and Genetic Algorithm
CN112149910A (zh) 一种路径规划方法及装置
CN112862212A (zh) 基于改进麻雀搜索算法的多agv调度方法、装置及设备
CN107301040B (zh) 一种基于子树分解的软件产品线产品派生方法
de Araujo Sabry et al. Evolutionary algorithms for the traveling car renter with passengers

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