CN111784037B - 基于混合局部搜索和蚁群优化的混装线序列恢复方法 - Google Patents
基于混合局部搜索和蚁群优化的混装线序列恢复方法 Download PDFInfo
- Publication number
- CN111784037B CN111784037B CN202010585223.4A CN202010585223A CN111784037B CN 111784037 B CN111784037 B CN 111784037B CN 202010585223 A CN202010585223 A CN 202010585223A CN 111784037 B CN111784037 B CN 111784037B
- Authority
- CN
- China
- Prior art keywords
- sequence
- vehicle
- optimal
- lane
- vehicles
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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"
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合局部搜索和蚁群优化的混装线序列恢复方法,包括:1、确定上游序列、目标序列、缓冲区的属性参数;2、设置并初始化局部搜索算法的参数,构建初始最优车辆排布方案和最优恢复序列;3、对当前的车辆排布方案进行扰动;4、采用蚁群算法优化扰动后的车辆排布方案的释放顺序,得到最优下游序列;5、比较最优下游序列与最优恢复序列,根据比较结果更新或保留最优恢复序列以及对应的最优车辆排布方案;6、如达到局部搜索算法结束条件,得到上游序列恢复后的最优下游序列,以及对应的缓冲区内车辆排布方案;否则跳转至步骤3进行下一次局部搜索。该方法能够将上游序列恢复为与目标序列相比所有车辆总位置偏移量最小或近似最小的下游序列。
Description
技术领域
本发明属于混合型装配线生产计划与调度领域,特别涉及一种基于混合局部搜索和蚁群优化的混装线序列恢复方法。
背景技术
混合型装配线是一种在一条流水线上同时加工混合排列的不同类型产品的柔性生产系统。在汽车装配厂中,混合型装配线上的车辆依次经过车身、涂装、总装车间完成加工装配,这三个车间对于产品投产顺序具有不同的偏好和要求。
由于大部分装配工作是在总装车间完成,汽车制造商通常按照总装车间的生产需求确定混装线的初始产品投产顺序,并事先向供应商发布零部件需求。在生产过程中,制造商往往会根据途经不同车间的生产需求主动对初始产品序列进行适当调整,这导致很多车辆在生产过程中就已经离开了它们在初始计划序列中的位置。另一方面,生产中存在的各种不确定性和意外(如残次品和机器故障)也会使得序列中车辆的位置发生改变。实际上,当抵达总装车间时,序列中大部分车辆的位置都已发生了不同程度的偏离。因此,为使装配能够按照计划进行,减少序列临时发生改变对于制造商和供应商造成的负面影响,有必要将被打乱的车辆序列进行调整,使其尽量恢复成为初始计划序列。
混合型装配线上的序列恢复(即重排序)多借助于车辆缓冲设施得以实现。线性缓冲区是一种应用最为广泛的重排序设施,具有成本低、占地小、重排效果好等优点。如图1所示,线性缓冲区有多个车道;待恢复车辆序列即上游序列,按照某种次序进入线性缓冲区,得到缓冲区内的车辆排布方案,然后再按照某种次序从各车道前端释放车辆,得到下游序列,即恢复后的车辆序列。
缓冲区重排序能力的充分发挥离不开科学有效的操控方法。然而在实际生产中,大多数汽车装配厂采用的仍然是基于操作者经验或简单规则的重排序方法,而文献中也未发现关于有使用线性缓冲区进行序列恢复的研究。
发明内容
发明目的:针对现有技术中存在的问题,本发明公开了一种混装线序列恢复方法,在汽车总装车间前利用线性缓冲区采用该方法能够得到逼近目标序列的下游序列。
技术方案:本发明采用如下技术方案:
基于混合局部搜索和蚁群优化的混装线序列恢复方法,包括:
S1、确定上游序列Sup中车辆的总数T、每一个车辆在目标序列中的位置pi,缓冲区车道数L和每条车道的容量W;T≤L×W;
S2、设置局部搜索算法的最大迭代次数smax,初始化局部搜索算法迭代次数s=1;根据填充规则为上游序列的每一个车辆选择进入的缓冲区车道,构建缓冲区内初始车辆排布方案A(0),作为初始的最优车辆排布方案Abest;根据释放规则得到所述初始车辆排布方案A(0)对应的下游序列,作为初始的最优恢复序列Sdown;
S3、对车辆排布方案A(s-1)进行扰动,得到第s代车辆排布方案A(s);
S4、采用蚁群算法优化第s代车辆排布方案A(s)的释放顺序,得到第s代车辆排布方案对应的最优下游序列Sbest(s);
S5、如果Sup释放为Sbest(s)的车辆总位置偏移量小于Sup释放为最优恢复序列Sdown的车辆总位置偏移量,将最优恢复序列Sdown更新为Sbest(s),最优车辆排布方案Abest更新为A(s);
S6、判断是否满足局部搜索算法结束条件;如不满足,令s=s+1,跳转至步骤S3进行下一次局部搜索;如满足,最优恢复序列Sdown即为上游序列Sup恢复后的序列,最优车辆排布方案Abest为与Sdown对应的缓冲区内车辆排布方案。
所述步骤S2中根据填充规则选择上游序列第i(i=1,2,…,T)辆车进入的车道步骤为:
(A.1)如果i=1,随机选取一条车道;
(A.2)如果未填满车道l最后一辆车在上游序列中的序号为j,且满足pi=pj+1,则选择车道l;其中pi、pj分别为第i辆车、第j辆车在目标序列中的位置;l∈[1,2,…,L];
(A.3)如果缓冲区存在空车道,任选一条空车道;
(A.4)如果缓冲区内的未填满车道满足第一条件,则选择该车道;如满足第一条件的车道数大于1,则选择其中pi-pj最小的车道;所述第一条件为:最后一辆车在上游序列中的序号为j,且pi-pj>1;
(A.5)如果缓冲区内的未填满车道满足第二条件,则选择该车道;如满足第二条件的车道数大于1,则选择其中pj-pi最小的车道;所述第二条件为:最后一辆车在上游序列中的序号为j,且pi-pj<0。
所述步骤S2中的释放规则用于从缓冲区内所有非空车道最前端车辆中选择一辆车释放,直到缓冲区为空,构成下游序列;具体步骤为:
(B.1)n=1;
(B.2)缓冲区内所有非空车道最前端的车辆组成候选集;
如果候选集中存在车辆m满足条件:pm=n,则释放车辆m;如不存在,则释放在目标序列中的位置最小的车辆;
(B.3)令n=n+1,跳转至步骤(B.2)选择下一辆释放车辆,直到缓冲区为空。
所述步骤S3中的扰动操作为:
随机选择缓冲区内两辆位于不同车道的车辆,交换所述两辆车所在的车道,并按照先到达先进入的原则调整所述两车道内车辆的停放顺序。
所述步骤S4具体包括:
S41、确定蚂蚁的活动区域为x,y∈[1,2,…,T]约束的矩形区域Area;蚂蚁从初始位置出发爬向x=T的节点为一次迭代,一次迭代包括T-1步,所经过的路径节点依次为Path=P(1,y1),P(2,y2),…,P(T,yT),yt∈{1,…,T},t=1,2,…,T;
S42、设置并初始化蚁群优化算法参数,包括:
设置蚁群优化算法的最大迭代次数hmax、蚂蚁的数量K、信息素局部挥发比例参数ρl、信息素全局挥发比例参数ρg、遗留信息素的重要程度α、启发信息的第一重要程度β和第二重要程度γ、[0,1]之间的常数q0;0<ρl<1,0<ρg<1;
初始化上游序列中第i辆车和第j辆车之间的信息素浓度τij(0)=τ0,τ0为预设的常数,i,j=1,2,…,T;迭代次数h初始化为0;每只蚂蚁的候选集Candk初始化为缓冲区以A(s)排布车辆时所有非空车道最前端车辆组成的集合;k=1,2,…,K,第k只蚂蚁的初始位置为Pk(1,y1),y1为候选集Candk中随机选择的车辆在上游序列中的序号;将选择的车辆从缓冲区释放,根据非空车道最前端车辆更新候选集Candk;当前爬行步数t=1;初始化当前全局最优下游序列Sbest(s)的车辆总位移偏移量为正无穷大;
S43、第h次迭代的第t步中,每一只蚂蚁从x=t的节点爬向x=t+1的节点;计算x=t+1的每个可能位置的启发信息ηm:
m为第k只蚂蚁的候选集Candk中的车辆在上游序列中序号;
dm=t+1-pm,|dm|表示释放车辆m引起的序列中的车辆总位置偏移增量,vm为车辆m是否出现在其目标序列位置pm的系数,当t+1=pm时,vm取为0,反之为1;
计算第k只蚂蚁从Pk(t,yt)爬向节点Pk(t+1,yt+1)的转移概率pk(yt,yt+1):
第k只蚂蚁第t步的目的节点Pk(t+1,yt+1)所表示的本次迭代中第k只蚂蚁第t步选择释放上游序列中的第yt+1辆车,按照以下方法选择:
蚂蚁爬行一步,即释放候选集Candk中的一辆车,根据非空车道最前端车辆更新候选集Candk;
S45、更新当前全局最优下游序列Sbest(s)对应路径上相邻车辆的信息素浓度:
令h加1,跳转到S43进行下一次迭代,直到满足蚁群优化算法的结束条件。
其中di表示上游序列中第i辆车在序列Seq中的位置iSeq与在目标序列位置pi的差值,即:di=iSeq-pi。
局部搜索算法结束条件为:s大于局部搜索算法的最大迭代次数smax,或连续s′max代最优恢复序列Sdown没有更新;s′max为预设的常数。
蚁群优化算法的结束条件为:
h大于蚁群优化算法的最大迭代次数hmax,或连续h′max代粒子群优化算法中全局最优下游序列Sbest(s)没有更新;h′max为预设的常数。
有益效果:本发明公开的混装线序列恢复方法结合局部搜索和蚁群优化两种优化算法,其中使用局部搜索算法寻找车辆在缓冲区内的排布方式,然后应用蚁群优化算法确定车辆离开缓冲区的最优释放顺序,能够将上游序列恢复为与目标序列相比所有车辆总位置偏移量最小(或近似最小)的下游序列。数值试验结果表明,该方法可以求解不同规模的被动重排序问题,显著降低序列中车辆的总位置偏移量,获得与目标序列具有较大相似度的下游序列。
附图说明
图1为3车道3车位(3×3)的线性缓冲区示意图;
图2为本发明公开的混装线序列恢复方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种混装线序列恢复方法,用于操控汽车总装车间前的线性缓冲区,从而实现对上游车辆序列的调整,获得与目标序列具有较大相似度的下游实际释放序列。描述此被动重排序问题的数学优化模型如下:
Minimize:
Subject to:
上述模型中:i,j为车辆在上游序列中的位置编号,T为上游序列中含有的车辆总数;l为线性缓冲区的车道编号,L为车道总数;W为线性缓冲区每条车道的容量;pi为上游序列第i辆车在目标序列中的位置;M表示一个极大的正数;xit表示一个0-1决策变量,如果上游序列第i个车辆在重排后处于下游实际序列中第t个位置则取为1,否则为0;yil代表一个0-1决策变量,如果上游序列第i辆车在重排过程中选择进入线性缓冲区的第l个车道,则取值为1,否则为0;di表示重排序后上游序列第i辆车在序列中的位置与该车辆在目标序列中位置的偏移量,即车辆i在下游实际序列中的位置与目标序列位置pi的差值。
上述模型中,式(1)为重排序问题的目标函数,di的绝对值表示重排后上游车辆i的序列位置的偏移量,模型的优化目标是序列中所有车辆的总位置偏移量Z最小;式(2)和(3)确保了重排序前后序列中的每一辆车一一对应;式(4)可确保每辆车必须且仅能选择进入一个车道;式(5)限制进入每个车道的车辆数不超过该车道的车位容量;式(6)定义了重排后每辆车在序列中的位置偏移移量,即每辆车在下游实际序列中的位置与其目标序列位置的差值;式(7)规定了依次进入缓冲区同一条车道的车辆在释放时需要遵循先进先出的原则;式(8)和式(9)分别声明了xit和yil为二元0-1决策变量。
基于上述数学模型,本发明公开的基于混合局部搜索和蚁群优化的混装线序列恢复方法的流程如图2所示,其具体实施步骤如下:
S1、确定上游序列Sup中车辆的总数T、每一个车辆在目标序列中的位置pi,缓冲区车道数L和每条车道的容量W;T≤L×W;
S2、设置局部搜索算法的最大迭代次数smax,初始化局部搜索算法迭代次数s=1;根据填充规则为上游序列的每一个车辆选择进入的缓冲区车道,构建缓冲区内初始车辆排布方案A(0),作为初始的最优车辆排布方案Abest;根据释放规则得到所述初始车辆排布方案A(0)对应的下游序列,作为初始的最优恢复序列Sdown;
所述根据填充规则选择上游序列第i辆车进入的车道步骤为:
(A.1)如果i=1,随机选取一条车道;
(A.2)如果未填满车道l最后一辆车在上游序列中的序号为j,且满足pi=pj+1,则选择车道l;其中pi、pj分别为第i辆车、第j辆车在目标序列中的位置;l∈[1,2,…,L];
(A.3)如果缓冲区存在空车道,任选一条空车道;
(A.4)如果缓冲区内的未填满车道满足第一条件,则选择该车道;如满足第一条件的车道数大于1,则选择其中pi-pj最小的车道;所述第一条件为:最后一辆车在上游序列中的序号为j,且pi-pj>1;
(A.5)如果缓冲区内的未填满车道满足第二条件,则选择该车道;如满足第二条件的车道数大于1,则选择其中pj-pi最小的车道;所述第二条件为:最后一辆车在上游序列中的序号为j,且pi-pj<0。
所述释放规则用于从缓冲区内所有非空车道最前端车辆中选择一辆车释放,直到缓冲区为空,构成下游序列;具体步骤为:
(B.1)n=1;
(B.2)缓冲区内所有非空车道最前端的车辆组成候选集;
如果候选集中存在车辆m满足条件:pm=n,则释放车辆m;如不存在,则释放在目标序列中的位置最小的车辆;
(B.3)令n=n+1,跳转至步骤(B.2)选择下一辆释放车辆,直到缓冲区为空。
S3、对车辆排布方案A(s-1)进行扰动,得到第s代车辆排布方案A(s);本实施例中扰动操作为:
随机选择缓冲区内两辆位于不同车道的车辆,交换所述两辆车所在的车道,并按照先到达先进入的原则调整所述两车道内车辆的停放顺序。
S4、采用蚁群算法优化第s代车辆排布方案A(s)的释放顺序,得到第s代车辆排布方案对应的最优下游序列Sbest(s);具体步骤为:
S41、确定蚂蚁的活动区域为x,y∈[1,2,…,T]约束的矩形区域Area;蚂蚁从初始位置出发爬向x=T的节点为一次迭代,一次迭代包括T-1步,所经过的路径节点依次为Path=P(1,y1),P(2,y2),…,P(T,yT),yt∈{1,…,T},t=1,2,…,T;
S42、设置并初始化蚁群优化算法参数,包括:
设置蚁群优化算法的最大迭代次数hmax、蚂蚁的数量K、信息素局部挥发比例参数ρl、信息素全局挥发比例参数ρg、遗留信息素的重要程度α、启发信息的第一重要程度β和第二重要程度γ、[0,1]之间的常数q0;0<ρl<1,0<ρg<1;
初始化上游序列中第i辆车和第j辆车之间的信息素浓度τij(0)=τ0,τ0为预设的常数,i,j=1,2,…,T;迭代次数h初始化为0;每只蚂蚁的候选集Cqndk初始化为缓冲区以A(s)排布车辆时所有非空车道最前端车辆组成的集合;k=1,2,…,K,第k只蚂蚁的初始位置为Pk(1,y1),y1为候选集Candk中随机选择的车辆在上游序列中的序号;将选择的车辆从缓冲区释放,根据非空车道最前端车辆更新候选集Candk;当前爬行步数t=1;初始化当前全局最优下游序列Sbest(s)的车辆总位移偏移量为正无穷大;
S43、第h次迭代的第t步中,每一只蚂蚁从x=t的节点爬向x=t+1的节点;计算x=t+1的每个可能位置的启发信息ηm:
m为第k只蚂蚁的候选集Candk中的车辆在上游序列中序号;
dm=t+1-pm,|dm|表示释放车辆m引起的序列中的车辆总位置偏移增量,vm为车辆m是否出现在其目标序列位置pm的系数,当t+1=pm时,vm取为0,反之为1;
计算第k只蚂蚁从Pk(t,yt)爬向节点Pk(t+1,yt+1)的转移概率pk(yt,yt+1):
第k只蚂蚁第t步的目的节点Pk(t+1,yt+1)所表示的本次迭代中第k只蚂蚁第t步选择释放上游序列中的第yt+1辆车,按照以下方法选择:
蚂蚁爬行一步,即释放候选集Candk中的一辆车,根据非空车道最前端车辆更新候选集Candk;
其中di表示上游序列中第i辆车在序列Seq中的位置iSeq与在目标序列位置pi的差值,即:di=iSeq-pi。
S45、更新当前全局最优下游序列Sbest(s)对应路径上相邻车辆的信息素浓度:
令h加1,跳转到S43进行下一次迭代,直到满足蚁群优化算法的结束条件;
本发明中蚁群优化算法的结束条件为:h大于蚁群优化算法的最大迭代次数hmax,或连续h′max代粒子群优化算法中全局最优下游序列Sbest(s)没有更新;h′max为预设的常数。
S5、如果Sup释放为Sbest(s)的车辆总位置偏移量小于Sup释放为最优恢复序列Sdown的车辆总位置偏移量,将最优恢复序列Sdown更新为Sbest(s),最优车辆排布方案Abest更新为A(s);
S6、判断是否满足局部搜索算法结束条件,局部搜索算法结束条件为:s大于局部搜索算法的最大迭代次数smax,或连续s′max代最优恢复序列Sdown没有更新;s′max为预设的常数;
如不满足,令s=s+1,跳转至步骤S3进行下一次局部搜索;如满足,最优恢复序列Sdown即为上游序列Sup恢复后的序列,最优车辆排布方案Abest为与Sdown对应的缓冲区内车辆排布方案。
本实施例中采用一组算例测试本发明所提出的基于混合局部搜索和蚁群优化的混装线序列恢复方法的性能。算例中,序列车辆总数T分别取值为30,56,和100。对应于T的不同取值,分别采用5×6,7×8或10×10的线性缓冲区对上游序列进行重排。另外,对于每一个T值,根据参数vT、Db、Sr的不同组合要求随机生成5个上游序列。其中vT为上游序列中仍处于目标序列位置的车辆(即满足i=pi)数目与T的比值;Db为剩余车辆中滞后车辆(即满足i>pi)的数目所占T的比例;Sr为滞后车辆的最大位移量(即i-pi)与T–1的比值。这三个参数的组合体现了初始计划序列(即目标序列)被打乱的程度。vT取值为10%和30%;Db取值为40%和60%;Sr取值为25%和50%。发明所公开的混合局部搜索和蚁群优化的序列恢复方法采用Microsoft Visual Studio中的C++语言编程,并在一台CPU主频为1.60GHz,内存为8.00GB的个人PC上运行。局部搜索算法中,迭代次数smax=100;蚁群优化算法中,迭代次数hmax=200,蚂蚁数量K=5,τ0=1,ρl=ρg=0.2,q0=0.5,α=1,β=2,γ=4。
采用本发明所公开的基于混合局部搜索和蚁群优化的序列恢复方法求解所有算例。另外,采用一种未引入迭代搜索的基于启发式规则的序列恢复方法进行求解作为对比,该方法使用本发明步骤S2中的填充规则和释放规则对上游序列进行调整,可对在线被动重排序问题进行实时求解。表1列出了各参数组合下5个算例求解结果的平均值,即平均下游序列中所有车辆的总位置偏移量。计算结果表明,本发明所公开的序列恢复方法可以在(平均不超过3min的)较短时间内对被动重排序问题进行求解,显著降低序列中车辆的总位置偏移量,且获得的序列恢复效果明显优于基于启发式规则的序列恢复方法。
表1两种序列恢复方法的求解结果
Claims (8)
1.基于混合局部搜索和蚁群优化的混装线序列恢复方法,其特征在于,包括:
S1、确定上游序列Sup中车辆的总数T、每一个车辆在目标序列中的位置pi,缓冲区车道数L和每条车道的容量W;T≤L×W;
S2、设置局部搜索算法的最大迭代次数smax,初始化局部搜索算法迭代次数s=1;根据填充规则为上游序列的每一个车辆选择进入的缓冲区车道,构建缓冲区内初始车辆排布方案A(0),作为初始的最优车辆排布方案Abest;根据释放规则得到所述初始车辆排布方案A(0)对应的下游序列,作为初始的最优恢复序列Sdown;
S3、对车辆排布方案A(s-1)进行扰动,得到第s代车辆排布方案A(s);
S4、采用蚁群算法优化第s代车辆排布方案A(s)的释放顺序,得到第s代车辆排布方案对应的最优下游序列Sbest(s);
S5、如果Sup释放为Sbest(s)的车辆总位置偏移量小于Sup释放为最优恢复序列Sdown的车辆总位置偏移量,将最优恢复序列Sdown更新为Sbest(s),最优车辆排布方案Abest更新为A(s);
S6、判断是否满足局部搜索算法结束条件;如不满足,令s=s+1,跳转至步骤S3进行下一次局部搜索;如满足,最优恢复序列Sdown即为上游序列Sup恢复后的序列,最优车辆排布方案Abest为与Sdown对应的缓冲区内车辆排布方案。
2.根据权利要求1所述的混装线序列恢复方法,其特征在于,所述步骤S2中根据填充规则选择上游序列第i辆车进入的车道步骤为:
(A.1)如果i=1,随机选取一条车道;
(A.2)如果未填满车道l最后一辆车在上游序列中的序号为j,且满足pi=pj+1,则选择车道l;其中pi、pj分别为第i辆车、第j辆车在目标序列中的位置;l∈[1,2,…,L];
(A.3)如果缓冲区存在空车道,任选一条空车道;
(A.4)如果缓冲区内的未填满车道满足第一条件,则选择该车道;如满足第一条件的车道数大于1,则选择其中pi-pj最小的车道;所述第一条件为:最后一辆车在上游序列中的序号为j,且pi-pj>1;
(A.5)如果缓冲区内的未填满车道满足第二条件,则选择该车道;如满足第二条件的车道数大于1,则选择其中pj-pi最小的车道;所述第二条件为:最后一辆车在上游序列中的序号为j,且pi-pj<0。
3.根据权利要求1所述的混装线序列恢复方法,其特征在于,所述步骤S2中的释放规则用于从缓冲区内所有非空车道最前端车辆中选择一辆车释放,直到缓冲区为空,构成下游序列;具体步骤为:
(B.1)n=1;
(B.2)缓冲区内所有非空车道最前端的车辆组成候选集;
如果候选集中存在车辆m满足条件:pm=n,则释放车辆m;如不存在,则释放在目标序列中的位置最小的车辆;
(B.3)令n=n+1,跳转至步骤(B.2)选择下一辆释放车辆,直到缓冲区为空。
4.根据权利要求1所述的混装线序列恢复方法,其特征在于,所述步骤S3中的扰动操作为:
随机选择缓冲区内两辆位于不同车道的车辆,交换所述两辆车所在的车道,并按照先到达先进入的原则调整所述两车道内车辆的停放顺序。
5.根据权利要求1所述的混装线序列恢复方法,其特征在于,所述步骤S4具体包括:
S41、确定蚂蚁的活动区域为x,y∈[1,2,…,T]约束的矩形区域Area;蚂蚁从初始位置出发爬向x=T的节点为一次迭代,一次迭代包括T-1步,所经过的路径节点依次为Path=P(1,y1),P(2,y2),…,P(T,yT),yt∈{1,…,T},t=1,2,…,T;
S42、设置并初始化蚁群优化算法参数,包括:
设置蚁群优化算法的最大迭代次数hmax、蚂蚁的数量K、信息素局部挥发比例参数ρl、信息素全局挥发比例参数ρg、遗留信息素的重要程度α、启发信息的第一重要程度β和第二重要程度γ、[0,1]之间的常数q0;0<ρl<1,0<ρg<1;
初始化上游序列中第i辆车和第j辆车之间的信息素浓度τij(0)=τ0,τ0为预设的常数,i,j=1,2,…,T;迭代次数h初始化为0;每只蚂蚁的候选集Candk初始化为缓冲区以A(s)排布车辆时所有非空车道最前端车辆组成的集合;k=1,2,…,K,第k只蚂蚁的初始位置为Pk(1,y1),y1为候选集Candk中随机选择的车辆在上游序列中的序号;将选择的车辆从缓冲区释放,根据非空车道最前端车辆更新候选集Candk;当前爬行步数t=1;初始化当前全局最优下游序列Sbest(s)的车辆总位移偏移量为正无穷大;
S43、第h次迭代的第t步中,每一只蚂蚁从x=t的节点爬向x=t+1的节点;计算x=t+1的每个可能位置的启发信息ηm:
m为第k只蚂蚁的候选集Candk中的车辆在上游序列中的序号;
dm=t+1-pm,|dm|表示释放车辆m引起的序列中的车辆总位置偏移增量,vm为车辆m是否出现在其目标序列位置pm的系数,当t+1=pm时,vm取为0,反之为1;
计算第k只蚂蚁从Pk(t,yt)爬向节点Pk(t+1,yt+1)的转移概率pk(yt,yt+1):
第k只蚂蚁第t步的目的节点Pk(t+1,yt+1)所表示的本次迭代中第k只蚂蚁第t步选择释放上游序列中的第yt+1辆车,按照以下方法选择:
蚂蚁爬行一步,即释放候选集Candk中的一辆车,根据非空车道最前端车辆更新候选集Candk;
S45、更新当前全局最优下游序列Sbest(s)对应路径上相邻车辆的信息素浓度:
令h加1,跳转到S43进行下一次迭代,直到满足蚁群优化算法的结束条件。
7.根据权利要求1所述的混装线序列恢复方法,其特征在于,局部搜索算法结束条件为:s大于局部搜索算法的最大迭代次数smax,或连续s′max代最优恢复序列Sdown没有更新;s′max为预设的常数。
8.根据权利要求5所述的混装线序列恢复方法,其特征在于,蚁群优化算法的结束条件为:
h大于蚁群优化算法的最大迭代次数hmax,或连续h′max代蚁群优化算法中全局最优下游序列Sbest(s)没有更新;h′max为预设的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585223.4A CN111784037B (zh) | 2020-06-24 | 2020-06-24 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010585223.4A CN111784037B (zh) | 2020-06-24 | 2020-06-24 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784037A CN111784037A (zh) | 2020-10-16 |
CN111784037B true CN111784037B (zh) | 2022-10-28 |
Family
ID=72759742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010585223.4A Active CN111784037B (zh) | 2020-06-24 | 2020-06-24 | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784037B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
CN109164810B (zh) * | 2018-09-28 | 2021-08-10 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN111291969B (zh) * | 2020-01-14 | 2023-04-25 | 东南大学 | 基于遗传算法的汽车重排序方法 |
-
2020
- 2020-06-24 CN CN202010585223.4A patent/CN111784037B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111784037A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
Rashid et al. | Mobile robot path planning using Ant Colony Optimization | |
McKinnon et al. | Learn fast, forget slow: Safe predictive learning control for systems with unknown and changing dynamics performing repetitive tasks | |
CN112835333A (zh) | 一种基于深度强化学习多agv避障与路径规划方法及系统 | |
CN112783172B (zh) | 基于离散鲸鱼优化算法的agv与机器集成调度方法 | |
CN114237222B (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
CN109581987B (zh) | 一种基于粒子群算法的agv调度路径规划方法及系统 | |
Watanabe et al. | Intelligent AGV driving toward an autonomous decentralized manufacturing system | |
CN113534819B (zh) | 用于领航跟随型多智能体编队路径规划的方法和存储介质 | |
CN111784037B (zh) | 基于混合局部搜索和蚁群优化的混装线序列恢复方法 | |
CN115373400A (zh) | 基于动态更新机制蚁群算法的机器人路径规划方法及系统 | |
CN114839982A (zh) | 一种面向自动化运输设备的路径规划方法及系统 | |
CN115470651A (zh) | 一种基于蚁群算法的带道路与时间窗车辆路径优化方法 | |
Nair et al. | Stochastic mpc with dual control for autonomous driving with multi-modal interaction-aware predictions | |
CN112558559B (zh) | 一种串联线性缓冲区及其序列恢复方法 | |
CN112008707B (zh) | 一种基于部件分解的机器人控制方法及装置 | |
CN114253215A (zh) | 一种基于改进蚁群算法的民机舱门自动钻铆路径规划方法 | |
CN113792933A (zh) | 一种车间布局优化方法、装置、电子设备及存储介质 | |
CN116698069A (zh) | 一种基于混沌粒子群优化算法的拣货路径优化方法 | |
CN114493181B (zh) | 一种智能仓储环境下的多负载agv任务调度方法 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
CN114742261B (zh) | 一种多目标设备布局和物流系统设计协同优化方法及系统 | |
Ramadhan et al. | Threshold based algorithms for the multi-product multi-period inventory routing problem | |
CN113805592A (zh) | 路径规划方法及系统 | |
CN112365067A (zh) | 一种snap-drift布谷鸟搜索算法优化灰色神经网络的预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |