CN111985683B - 一种多目标离散装配车间物料配送的路径优化方法 - Google Patents
一种多目标离散装配车间物料配送的路径优化方法 Download PDFInfo
- Publication number
- CN111985683B CN111985683B CN202010673799.6A CN202010673799A CN111985683B CN 111985683 B CN111985683 B CN 111985683B CN 202010673799 A CN202010673799 A CN 202010673799A CN 111985683 B CN111985683 B CN 111985683B
- Authority
- CN
- China
- Prior art keywords
- station
- delivery
- distribution
- target
- path
- 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
- 239000000463 material Substances 0.000 title claims abstract description 195
- 238000009826 distribution Methods 0.000 title claims abstract description 147
- 238000005457 optimization Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 235000006679 Mentha X verticillata Nutrition 0.000 claims 1
- 235000002899 Mentha suaveolens Nutrition 0.000 claims 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种多目标离散装配车间物料配送的路径优化方法,包括:以配送设备运输时间消耗、配送服务满意度以及配送设备负载作为问题优化目标,对离散装配车间物料配送路径优化过程进行整体建模;对N台具有载量约束的配送设备的物料配送路径进行编码,随机产生目标模型的物料配送路径初始解;利用基于概率的多邻域随机局部搜索方法对初始解的邻域空间进行局部搜索,求取目标模型的物料配送路径更优解;利用禁忌表对搜索过程进行禁忌操作,记录已被搜索的邻域空间结构;重复步骤,直到满足搜索终止条件,输出最优车间物料配送路径方案。本发明在目标问题优化过程运算时间短,能应对存在实时状态更新变化的问题场景。
Description
技术领域
本发明涉及离散装配车间生产资源调度优化技术领域,具体涉及一种多目标离散装配车间物料配送的路径优化方法。
背景技术
离散装配车间生产的产品是由一系列零部件组装加工而成,其生产过程具有生产工艺离散化和生产工位物理位置分散等关键特征,使得产品不同模块的加工和装配在不同的地点进行,进而造成了每个生产工位的线边库存同样跟随着生产工位分散于不同的位置。为了保证离散装配车间的生产活动顺利有序进行,必定需要对车间内的生产物料资源进行合理管理,而有效地安排好离散装配车间内的物料资源的配送路径,实现对存在不同物料资源补充需求的物理位置分散的工位的物料配送和补充,是离散装配车间生产物料资源管理中的重要一环。考虑当前生产制造工业面临的信息化和工业化两化深度融合、制造过程智能化等新要求,以及当前离散装配车间生产制造过程工艺工序日渐细化细分的生产特点,利用智能优化算法对离散装配车间物料配送路径进行优化是在新时代、新要求下的工业制造过程控制与管理中的一个重要研究方向。
目前,以遗传算法、遗传算法的改进和变体为代表的启发式算法以及以蚁群算法、鱼群算法为代表的各类群体智能算法虽然在解决离散装配车间物料配送路径优化问题上具有相当不错的算法性能,同时也能够针对不同的优化目标取得不错的优化结果,但这些算法运算所需的时间消耗通常被研究者所忽略,在目标问题优化过程往往需要耗费大量的运算时间,进而导致在更多的时候无法应对存在实时状态更新变化的问题场景,约束了各类智能优化算法的落地应用。离散装配车间生产制造过程是一个对效率要求较高的活动过程,因此如何解决生产过程中离散装配车间物料配送路径优化方法的时效性问题,同时保证方法能够优化物料配送过程,是离散装配车间物料配送路径优化过程值得考虑解决的关键问题。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种在目标问题优化过程运算速度快且能够优化物料配送过程的多目标离散装配车间物料配送的路径优化方法。
本发明的目的通过以下的技术方案实现:
一种多目标离散装配车间物料配送的路径优化方法,包括:
S1.以配送设备运输时间消耗、配送服务满意度以及配送设备负载作为问题优化目标,对离散装配车间物料配送路径优化过程进行整体建模,得到目标模型;
S2.对N台具有载量约束的配送设备的物料配送路径进行编码,随机产生目标模型的物料配送路径初始解;N≥2;
S3.利用基于概率的多邻域随机局部搜索方法对初始解的邻域空间进行局部搜索,求取目标模型的物料配送路径更优解;
S4.利用禁忌表对搜索过程进行禁忌操作,记录已被搜索的邻域空间结构;
S5.重复步骤S3至S4,直到满足搜索终止条件,对搜索获得的最优解进行解码,输出最优车间物料配送路径方案。
优选地,步骤S1的目标模型考虑的是N台具有载量约束的配送设备为K个工位进行物料配送的离散装配车间物料配送问题场景,每个工位要求不同物料在对应的期望时间到达工位,K≥2;该问题场景的数学模型构造如下:
sij=v×tij (1)
0<Di≤Dmax (3)
其中,M表示配送设备总数量,N表示目标配送工位总数量,sij表示工位i与工位j间的路径距离,v表示配送设备的移动速度,tij表示配送设备从工位i移动到工位j所消耗的时间,di表示工位i的物料需求量,Di表示配送设备i被分配的物料负载量,Dmax为配送设备的最大物料负载上限,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,yij表示表征配送设备j是否分配了工位i的物料配送任务的判断变量。
3、根据权利要求1所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,步骤S1中的目标模型的优化指标包括:配送运输时间优化指标、配送服务满意度优化指标以及配送设备负载优化指标;目标模型的目标优化函数具体如下:
min Tcom=TK1×T1+TK2×T2+TK3×T3 (15)
s.t.
其中,Tcom表示离散装配车间物料配送路径优化模型的综合优化目标,T1表示配送运输时间优化指标,T2表示配送服务满意度优化指标,T3表示配送设备负载优化指标,TK1表示配送运输时间优化指标权重,TK2表示配送服务满意度优化指标权重,TK3表示配送设备负载优化指标权重,M表示配送设备总数量,N表示目标配送工位总数量,tij表示配送设备从工位i移动到工位j所消耗的时间,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,Pi(t′i)表示配送设备在时刻t′i到达目标工位i的满意度惩罚值,Dmax表示配送设备的最大物料负载,Di表示配送设备i被分配的物料装载总量。
优选地,配送服务满意度优化指标采用配送服务满意度惩罚进行量化计算和等效评估,配送服务满意度惩罚模型采用分段式线性关系进行构建,具体考虑了以下5种情形:
1)物料在工位的物料到达期望时间范围内到达目标工位;
2)物料早于工位的物料到达期望时间到达目标工位;
3)物料过分早于工位的物料到达期望时间到达目标工位;
4)物料晚于工位的物料到达期望时间到达目标工位;
5)物料过分晚于工位的物料期望到达时间到达目标工位;
相应地,配送服务满意度惩罚模型具体如下:
其中,t′i是配送设备到达目标工位i的实际时刻,Pi(t′i)是配送设备在时刻t′i到达目标工位i的满意度惩罚值,PB1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚值上限,PB2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚值上限,TLi和TRi分别为工位i的物料到达期望时间范围的上下限,TLLi为配送设备早于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB1的时间点,TRRi为配送设备晚于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB2的时间点,PK1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚权重,PK2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚权重。
优选地,步骤S2包括:
S2.1假设ni为某台配送设备的第i个目标配送工位,该配送设备一共需要对t个目标配送工位进行物料配送,则该配送设备的配送路径可以表示为:
n0→n1→n2→…→nt→n0
其中n0是配送设备的出发点,即企业工厂的物料仓库;
S2.2对车间内每个工位都分配一个唯一的整数编码标识,如工位n1编码为1,工位n2编码为2,工位nt编码为t,企业工厂的物料仓库编码为0,则基于整数编码后的配送设备的配送路径表示为:
0→1→2→…→t→0
假设xi为配送设备i的配送路径序列,则有:
xi={0,1,2,…,t,0}
S2.3假设配送设备i的配送路径上的第j个目标工位整数编码标识为则离散装配车间物料配送路径优化模型的物料配送路径x表示为:
其中,N*是正整数集,M是配送设备总数;
S2.4对物料配送路径x做出进一步简化,最后把象征企业工厂的物料仓库的整数编码0去除,形成如下物料配送路径最终编码方式;
优选地,在步骤S3中的基于概率的多邻域随机局部搜索方法采用了插入、互换以及2-opt三种邻域结构;
假设以上三种邻域空间结构所造出的邻域空间分别为s1(x)、s2(x)和s3(x),x为当前离散装配车间物料配送路径优化问题目标模型的初始解,基于概率的多邻域随机局部搜索方法分别给定邻域空间s1(x)、s2(x)和s3(x)的邻域搜索概率为r1、r2和r3,其中,r1、r2和r3满足:
r1+r2+r3=1 (20)
s.t.
0<r1<1 (21)
0<r2<1 (22)
0<r3<1 (23)
随机产生一个在0~1之间的小数,采用轮盘赌算法判断该小数所处邻域空间概率位置,根据判断结果采用相应的邻域空间结构对初始解的邻域空间进行局部搜索。
优选地,步骤S4中禁忌操作过程设计了如下禁忌元素结构对具体邻域操作信息进行记录:
e={NeighbourhoodType,Operation,tabulen} (24)
其中,e为邻域操作信息结构,NeighbourhoodType为邻域操作类型,Operation为特定邻域类型的具体操作,tabulen为该邻域操作当前的禁忌长度;
令T为离散装配车间物料配送路径优化方法中的禁忌表,即有
T={e1,e2,…,et} (25)
e1,e2,…,et是禁忌表内的禁忌元素;假设candidate_set为从邻域空间中选取的较优的候选邻域解的集合,Operating(x,e)方法为根据邻域结构操作信息e对目标解x进行邻域结构扰动产生新邻域解的操作函数,c(x’)为计算目标解x’的优化目标值计算方法;禁忌表T在离散装配车间物料配送路径优化方法执行过程中的更新操作具体如下:
S4.1对禁忌表内所有已知的禁忌元素的禁忌长度进行更新操作,e.tabulen←e.tabulen–1,若此时禁忌元素的禁忌长度变成0,禁忌表解除对该禁忌元素的禁忌;
S4.2遍历所有在candidate_set中的邻域操作信息结构,计算c(Operating(x,e)),并将未在禁忌表中存在的邻域操作信息结构记录到禁忌表中;若当前邻域操作信息结构已存在于禁忌表中,但对当前目标解的扰动操作满足禁忌表的藐视规则,则将该邻域操作信息结构的原有禁忌信息抹除,重新登记进禁忌表中;若当前目标解的扰动操作不满足禁忌表的藐视规则,则不对禁忌表进行任何操作。
优选地,步骤S5包括:
S5.1判断解x的所有编码元素是否已经被解析。若是,进入步骤S5.5;否则,进入步骤S5.2;
S5.2判断当前是否存在正在解析的配送路径序列route;若是,直接进入步骤S5.3;否则,创建空的配送路径序列route,该配送路径序列与单一配送设备挂钩,该配送设备当前的负载总量curLoad=0;进入步骤S5.3;
S5.3利用函数GetMaterialReauirements()计算解x未被解析的剩余编码元素中的第一编码元素x[index]所代表的目标工位的配送物料需求量,并将该物料需求量增加到配送路径序列route的负载curLoad当中,即
curLoad←curLoad+GetMaterialRequirements(x[index]) (26)
S5.4判断变化后的负载curLoad是否超过配送设备的最大负载约束maxCapacity;若是,当前配送路径序列route添加到配送路径序列集合RouteList当中,当前没有正在解析的配送路径序列,返回步骤S5.2;否则,将当前x[index]所代表的目标工位添加到配送路径序列route当中,编码元素x[index]标记为已解析,进入步骤S5.1;
S5.5将最后一个配送路径序列route添加到配送路径序列集合RouteList当中,返回解x所包含的所有配送设备的配送路径序列的集合RouteList,结束操作;
其中,x为经过优化算法运算后所得的优化配送路径,x[index]是解x的第index个编码元素,maxCapacity是所有配送设备的最大负载上限,curLoad是当前配送设备的当前负载总量,RouteList是解x所包含的所有配送设备的配送路径序列集合,route是当前解析的配送设备的配送路径序列,函数GetMaterialRequirements()可获取当前编码元素x[index]所代表的工位的配送物料需求量。
本发明相对于现有技术具有如下优点:
1.本发明设计了一种基于概率的多邻域随机局部搜索方法,该方法通过利用不同的邻域空间搜索结构对离散装配车间物料配送路径进行局部搜索,避免了搜索过程中陷入某一邻域结构操作下的局部最优,同时保证算法搜索过程具有较快的运算速度,在目标问题优化过程运算时间短,这样能应对存在实时状态更新变化的问题场景。
2.本发明设计了邻域操作信息结构对具体邻域空间操作进行记录,并利用禁忌表对搜索过程已被搜索的邻域空间结构进行禁忌操作,避免出现重复搜索,陷入搜索循环,保证优化离散装配车间物料配送过程。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的多目标离散装配车间物料配送的路径优化方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
参见图1,一种多目标离散装配车间物料配送的路径优化方法,包含以下步骤:
S1.以优化配送设备运输时间消耗、配送服务满意度以及配送设备负载作为问题优化目标,对离散装配车间物料配送路径优化过程进行整体建模。
根据拟解决的多台具有载量约束的配送设备为多个具有不同物料到达期望时间的工位进行物料配送的离散装配车间物料配送问题场景,构建如下数学模型:
sij=v×tij (1)
0<Di≤Dmax (3)
其中:M表示配送设备总数量,N表示目标配送工位总数量,sij表示工位i与工位j间的路径距离,v表示配送设备的移动速度,tij表示配送设备从工位i移动到工位j所消耗的时间,di表示工位i的物料需求量,Di表示配送设备i被分配的物料负载量,Dmax为配送设备的最大物料负载上限,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,yij表示表征配送设备j是否分配了工位i的物料配送任务的判断变量。式(1)是两个工位间的路径距离、配送设备移动速度以及配送设备在两个工位间的移动时间消耗三者间的相互关系;式(2)表示每台配送设备的物料装载量等于该配送设备被分配的目标工位的配送任务的物料需求量总和,且式(3)保证每台配送设备的物料负载量不超过配送设备的最大物料负载上限,同时每台配送设备也分配有明确的物料配送任务,避免空载出发;式(4)明确每个具有物料补充需求的工位都是由一台配送设备满足配送服务;式(5)与式(6)表示某个工位是否被某一配送设备经过,取决于该配送设备是否被分配了该目标工位提供的物料配送任务;式(7)与式(10)象征所有配送设备都由企业工厂的物料仓库出发进行物料配送;式(8)与式(11)表示所有的配送设备在完成所有所分配的物料配送任务之后,返回企业工厂的物料仓库;式(9)表示所有具有物料配送需求的工位都会被进行物料配送,所有配送任务都会被完成;式(12)表示所有配送设备所配送的物料的负载量总和与所有具有物料配送需求的工位的物料需求量总和相等,即车间物料配送过程中所有的物料配送需求都会被满足;式(13)和式(14)是离散装配车间物料配送路径优化模型中的决策变量。
基于所构建的离散装配车间物料配送场景数学模型(目标模型),采集离散装配车间物料配送过程中的企业工厂物料仓库位置、待配送工位总量、待配送工位位置、工位的物料需求量、工位的物料到达期望时间、配送设备的最大负载量等模型相关信息,计算配送设备在不同工位两两之间进行移动的具体距离,并进一步计算移动过程中的时间消耗。
根据优化配送设备运输时间消耗、配送服务满意度以及配送设备负载这三个优化目标,构建目标车间物料配送路径优化模型的三个优化指标,包括配送运输时间优化指标、配送服务满意度优化指标以及配送设备负载优化指标。
其中,配送服务满意度优化指标采用配送服务满意度惩罚进行量化计算和等效评估,其分段式线性模型构建如下:
其中,t′i是配送设备到达目标工位i的实际时刻,Pi(t′i)是配送设备在时刻t′i到达目标工位i的满意度惩罚值,PB1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚值上限,PB2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚值上限,TLi和TRi分别为工位i的物料到达期望时间范围的上下限,TLLi为配送设备早于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB1的时间点,TRRi为配送设备晚于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB2的时间点,PK1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚权重,PK2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚权重。
离散装配车间物料配送路径优化过程整体模型的目标优化函数具体如下:
min Tcom=TK1×T1+TK2×T2+TK3×T3 (16)
s.t.
其中,式(16)是离散装配车间物料配送路径优化过程整体模型的目标优化函数,式(17)是配送设备运输时间优化指标的计算方法,式(18)是配送服务满意度优化指标的计算方法,式(19)是配送设备负载优化指标的计算方法,Tcom表示离散装配车间物料配送路径优化模型的综合优化目标,T1表示配送运输时间优化指标,T2表示配送服务满意度优化指标,T3表示配送设备负载优化指标,TK1表示配送运输时间优化指标权重,TK2表示配送服务满意度优化指标权重,TK3表示配送设备负载优化指标权重,M表示配送设备总数量,N表示目标配送工位总数量,tij表示配送设备从工位i移动到工位j所消耗的时间,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,Pi(t′i)表示配送设备在时刻t′i到达目标工位i的满意度惩罚值,Dmax表示配送设备的最大物料负载,Di表示配送设备i被分配的物料装载总量。企业工厂可根据现实生产要求,对目标优化函数及三个优化指标的具体参数进行设置。
S2.对多台具有载量约束的配送设备的物料配送路径进行编码操作,随机产生目标模型的物料配送路径初始解。
对多台具有载量约束的配送设备的物料配送路径进行编码操作,具体步骤如下:
S2.1假设ni为某台配送设备的第i个目标配送工位,该配送设备一共需要对t个目标配送工位进行物料配送,则该配送设备的配送路径可以表示为:
n0→n1→n2→…→nt→n0
其中n0是配送设备的出发点,即企业工厂的物料仓库。
S2.2对车间内每个工位都分配一个唯一的整数编码标识,如工位n1编码为1,工位n2编码为2,工位nt编码为t,企业工厂的物料仓库编码为0,则基于整数编码后的配送设备的配送路径可以表示为:
0→1→2→…→t→0
假设xi为配送设备i的配送路径序列,则有:
xi={0,1,2,…,t,0}
S2.3假设配送设备i的配送路径上的第j个目标工位整数编码标识为则离散装配车间物料配送路径优化模型的物料配送路径x可表示为
其中,N*是正整数集。
S2.4对物料配送路径x做出进一步简化,最后把象征企业工厂的物料仓库的整数编码0去除,形成如下物料配送路径最终编码方式。
S3.利用基于概率的多邻域随机局部搜索方法对目标解的邻域空间进行局部搜索操作,求取目标模型的物料配送路径更优解。
采用插入、互换以及2-opt三种邻域结构作为基于概率的多邻域随机局部搜索方法的邻域空间搜索算子,假设以上三种邻域空间结构所造出的邻域空间分别为s1(x)、s2(x)和s3(x),x为当前离散装配车间物料配送路径优化问题模型的目标解(初始解),基于概率的多邻域随机局部搜索方法分别给定邻域空间s1(x)、s2(x)和s3(x)的邻域搜索概率为r1、r2和r3,其中,r1、r2和r3满足:
r1+r2+r3=1 (20)
s.t.
0<r1<1 (21)
0<r2<1 (22)
0<r3<1 (23)
随机产生一个在0~1之间的小数,采用轮盘赌算法判断该小数所处邻域空间概率位置,根据判断结果采用相应的邻域空间结构对目标解的邻域空间进行局部搜索。
S4.利用禁忌表对搜索过程进行禁忌操作,记录已被搜索的邻域空间结构。
伴随更优解搜索过程,构建每一步搜索的邻域操作信息结构,即
e={NeighbourhoodType,Operation,tabulen} (24)
其中,e为邻域操作信息结构,NeighbourhoodType为邻域操作类型,Operation为特定邻域类型的具体操作,tabulen为该邻域操作当前的禁忌长度。
令T为离散装配车间物料配送路径优化方法中的禁忌表,即有
T={e1,e2,…,et} (25)
e1,e2,…,et是禁忌表内的禁忌元素。假设candidate_set为从邻域空间中选取的较优的候选邻域解的集合,Operating(x,e)方法为根据邻域结构操作信息e对目标解x进行邻域结构扰动产生新邻域解的操作函数,c(x’)为计算目标解x’的优化目标值计算方法。禁忌表T在离散装配车间物料配送路径优化方法执行过程中的更新操作具体如下:
S4.1对禁忌表内所有已知的禁忌元素的禁忌长度进行更新操作,e.tabulen←e.tabulen–1,若此时禁忌元素的禁忌长度变成0,禁忌表解除对该禁忌元素的禁忌。
S4.2遍历所有在candidate_set中的邻域操作信息结构,计算c(Operating(x,e)),并将未在禁忌表中存在的邻域操作信息结构记录到禁忌表中。若当前邻域操作信息结构已存在于禁忌表中,但对当前目标解的扰动操作满足禁忌表的藐视规则,则将该邻域操作信息结构的原有禁忌信息抹除,重新登记进禁忌表中;若当前目标解的扰动操作不满足禁忌表的藐视规则,则不对禁忌表进行任何操作。
S5.重复以上S3至S4搜索过程,直到满足搜索终止条件,对搜索获得的最优解进行解码操作,输出最优车间物料配送路径方案。
令x为经过优化算法运算后所得的优化配送路径,x[index]是解x的第index个编码元素,maxCapacity是所有配送设备的最大负载上限,curLoad是当前配送设备的当前负载总量,RouteList是解x所包含的所有配送设备的配送路径序列集合,route是当前解析的配送设备的配送路径序列,函数GetMaterialRequirements()可获取当前编码元素x[index]所代表的工位的配送物料需求量,一种多目标离散装配车间物料配送的路径优化方法的最优解的解码操作具体步骤如下:
S5.1判断解x的所有编码元素是否已经被解析。若是,进入步骤S5.5;否则,进入步骤S5.2。
S5.2判断当前是否存在正在解析的配送路径序列route。若是,直接进入步骤S5.3;否则,创建空的配送路径序列route,该配送路径序列与单一配送设备挂钩,该配送设备当前的负载总量curLoad=0。进入步骤S5.3。
S5.3利用函数GetMaterialRequirements()计算解x未被解析的剩余编码元素中的第一编码元素x[index]所代表的目标工位的配送物料需求量,并将该物料需求量增加到配送路径序列route的负载curLoad当中,即
curLoad←curLoad+GetMaterialRequirements(x[index]) (26)
进入步骤S5.4。
S5.4判断变化后的负载curLoad是否超过配送设备的最大负载约束maxCapacity。若是,当前配送路径序列route添加到配送路径序列集合RouteList当中,当前没有正在解析的配送路径序列,返回步骤S5.2;否则,将当前x[index]所代表的目标工位添加到配送路径序列route当中,编码元素x[index]标记为已解析,进入步骤S5.1。
S5.5将最后一个配送路径序列route添加到配送路径序列集合RouteList当中,返回解x所包含的所有配送设备的配送路径序列的集合RouteList,结束操作。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.一种多目标离散装配车间物料配送的路径优化方法,其特征在于,包括:
S1.以配送设备运输时间消耗、配送服务满意度以及配送设备负载作为问题优化目标,对离散装配车间物料配送路径优化过程进行整体建模,得到目标模型;
S2.对N台具有载量约束的配送设备的物料配送路径进行编码,随机产生目标模型的物料配送路径初始解;N≥2;
S3.利用基于概率的多邻域随机局部搜索方法对初始解的邻域空间进行局部搜索,求取目标模型的物料配送路径更优解;
在步骤S3中的基于概率的多邻域随机局部搜索方法采用了插入、互换以及2-opt三种邻域结构;
假设以上三种邻域空间结构所造出的邻域空间分别为s1(x)、s2(x)和s3(x),x为当前离散装配车间物料配送路径优化问题目标模型的初始解,基于概率的多邻域随机局部搜索方法分别给定邻域空间s1(x)、s2(x)和s3(x)的邻域搜索概率为r1、r2和r3,其中,r1、r2和r3满足:
r1+r2+r3=1 (20)
0<r1<1 (21)
0<r2<1 (22)
0<r3<1 (23)
随机产生一个在0~1之间的小数,采用轮盘赌算法判断该小数所处邻域空间概率位置,根据判断结果采用相应的邻域空间结构对初始解的邻域空间进行局部搜索;
S4.利用禁忌表对搜索过程进行禁忌操作,记录已被搜索的邻域空间结构;
步骤S4中禁忌操作过程设计了如下禁忌元素结构对具体邻域操作信息进行记录:
e={NeighbourhoodType,Operation,tabulen} (24)
其中,e为邻域操作信息结构,NeighbourhoodType为邻域操作类型,Operation为特定邻域类型的具体操作,tabulen为该邻域操作当前的禁忌长度;
令T为离散装配车间物料配送路径优化方法中的禁忌表,即有
T={e1,e2,…,et} (25)
e1,e2,…,et是禁忌表内的禁忌元素;假设candidate_set为从邻域空间中选取的较优的候选邻域解的集合,Operating(x,e)方法为根据邻域结构操作信息e对目标解x进行邻域结构扰动产生新邻域解的操作函数,c(x’)为计算目标解x’的优化目标值计算方法;禁忌表T在离散装配车间物料配送路径优化方法执行过程中的更新操作具体如下:
S4.1对禁忌表内所有已知的禁忌元素的禁忌长度进行更新操作,e.tabulen←e.tabulen-1,若此时禁忌元素的禁忌长度变成0,禁忌表解除对该禁忌元素的禁忌;
S4.2遍历所有在candidate_set中的邻域操作信息结构,计算c(Operating(x,e)),并将未在禁忌表中存在的邻域操作信息结构记录到禁忌表中;若当前邻域操作信息结构已存在于禁忌表中,但对当前目标解的扰动操作满足禁忌表的藐视规则,则将该邻域操作信息结构的原有禁忌信息抹除,重新登记进禁忌表中;若当前目标解的扰动操作不满足禁忌表的藐视规则,则不对禁忌表进行任何操作;
S5.重复步骤S3至S4,直到满足搜索终止条件,对搜索获得的最优解进行解码,输出最优车间物料配送路径方案。
2.根据权利要求1所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,步骤S1的目标模型考虑的是N台具有载量约束的配送设备为K个工位进行物料配送的离散装配车间物料配送问题场景,每个工位要求不同物料在对应的期望时间到达工位,K≥2;该问题场景的数学模型构造如下:
sij=v×tij (1)
0<Di≤Dmax (3)
其中,M表示配送设备总数量,N表示目标配送工位总数量,sij表示工位i与工位j间的路径距离,v表示配送设备的移动速度,tij表示配送设备从工位i移动到工位j所消耗的时间,di表示工位i的物料需求量,Di表示配送设备i被分配的物料负载量,Dmax为配送设备的最大物料负载上限,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,yij表示表征配送设备j是否分配了工位i的物料配送任务的判断变量。
3.根据权利要求1所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,步骤S1中的目标模型的优化指标包括:配送运输时间优化指标、配送服务满意度优化指标以及配送设备负载优化指标;目标模型的目标优化函数具体如下:
minTcom×TK1×T1+TK2×T2+TK3×T3 (15)
其中,Tcom表示离散装配车间物料配送路径优化模型的综合优化目标,T1表示配送运输时间优化指标,T2表示配送服务满意度优化指标,T3表示配送设备负载优化指标,TK1表示配送运输时间优化指标权重,TK2表示配送服务满意度优化指标权重,TK3表示配送设备负载优化指标权重,M表示配送设备总数量,N表示目标配送工位总数量,tij表示配送设备从工位i移动到工位j所消耗的时间,xijk表示表征配送设备k是否具有从工位i到工位j的配送路径的判断变量,Pi(t′i)表示配送设备在时刻t′i到达目标工位i的满意度惩罚值,Dmax表示配送设备的最大物料负载,Di表示配送设备i被分配的物料装载总量。
4.根据权利要求3所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,配送服务满意度优化指标采用配送服务满意度惩罚进行量化计算和等效评估,配送服务满意度惩罚模型采用分段式线性关系进行构建,具体考虑了以下5种情形:
1)物料在工位的物料到达期望时间范围内到达目标工位;
2)物料早于工位的物料到达期望时间到达目标工位;
3)物料过分早于工位的物料到达期望时间到达目标工位;
4)物料晚于工位的物料到达期望时间到达目标工位;
5)物料过分晚于工位的物料期望到达时间到达目标工位;
相应地,配送服务满意度惩罚模型具体如下:
其中,t′i是配送设备到达目标工位i的实际时刻,Pi(t′i)是配送设备在时刻t′i到达目标工位i的满意度惩罚值,PB1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚值上限,PB2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚值上限,TLi和TRi分别为工位i的物料到达期望时间范围的上下限,TLLi为配送设备早于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB1的时间点,TRRi为配送设备晚于物料到达期望时间将物料送达目标工位i时工位对本次配送服务的满意度恰好取得最低阈值PB2的时间点,PK1是配送设备早于物料到达期望时间到达目标工位i的满意度惩罚权重,PK2是配送设备晚于物料到达期望时间到达目标工位i的满意度惩罚权重。
5.根据权利要求1所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,步骤S2包括:
S2.1假设ni为某台配送设备的第i个目标配送工位,该配送设备一共需要对t个目标配送工位进行物料配送,则该配送设备的配送路径可以表示为:
n0→n1→n2→…→nt→n0
其中n0是配送设备的出发点,即企业工厂的物料仓库;
S2.2对车间内每个工位都分配一个唯一的整数编码标识,如工位n1编码为1,工位n2编码为2,工位nt编码为t,企业工厂的物料仓库编码为0,则基于整数编码后的配送设备的配送路径表示为:
0→1→2→…→t→0
假设xi为配送设备i的配送路径序列,则有:
xi={0,1,2,…,t,0}
S2.3假设配送设备i的配送路径上的第j个目标工位整数编码标识为则离散装配车间物料配送路径优化模型的物料配送路径x表示为:
其中,N*是正整数集,M是配送设备总数;
S2.4对物料配送路径x做出进一步简化,最后把象征企业工厂的物料仓库的整数编码0去除,形成如下物料配送路径最终编码方式;
6.根据权利要求1所述的多目标离散装配车间物料配送的路径优化方法,其特征在于,步骤S5包括:
S5.1判断解x的所有编码元素是否已经被解析;若是,进入步骤S5.5;否则,进入步骤S5.2;
S5.2判断当前是否存在正在解析的配送路径序列route;若是,直接进入步骤S5.3;否则,创建空的配送路径序列route,该配送路径序列与单一配送设备挂钩,该配送设备当前的负载总量curLoad=0;进入步骤S5.3;
S5.3利用函数GetMaterialRequirements()计算解x未被解析的剩余编码元素中的第一编码元素x[index]所代表的目标工位的配送物料需求量,并将该物料需求量增加到配送路径序列route的负载curLoad当中,即
curLoad←curLoad+GetMaterialRequirements(x[index]) (26)
S5.4判断变化后的负载curLoad是否超过配送设备的最大负载约束maxCapacity;若是,当前配送路径序列route添加到配送路径序列集合RouteList当中,当前没有正在解析的配送路径序列,返回步骤S5.2;否则,将当前x[index]所代表的目标工位添加到配送路径序列route当中,编码元素x[index]标记为已解析,进入步骤S5.1;
S5.5将最后一个配送路径序列route添加到配送路径序列集合RouteList当中,返回解x所包含的所有配送设备的配送路径序列的集合RouteList,结束操作;
其中,x为经过优化算法运算后所得的优化配送路径,x[index]是解x的第index个编码元素,maxCapacity是所有配送设备的最大负载上限,curLoad是当前配送设备的当前负载总量,RouteList是解x所包含的所有配送设备的配送路径序列集合,route是当前解析的配送设备的配送路径序列,函数GetMaterialRequirements()可获取当前编码元素x[index]所代表的工位的配送物料需求量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673799.6A CN111985683B (zh) | 2020-07-14 | 2020-07-14 | 一种多目标离散装配车间物料配送的路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010673799.6A CN111985683B (zh) | 2020-07-14 | 2020-07-14 | 一种多目标离散装配车间物料配送的路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985683A CN111985683A (zh) | 2020-11-24 |
CN111985683B true CN111985683B (zh) | 2023-10-24 |
Family
ID=73439419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010673799.6A Active CN111985683B (zh) | 2020-07-14 | 2020-07-14 | 一种多目标离散装配车间物料配送的路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985683B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686504B (zh) * | 2020-12-17 | 2023-08-01 | 华人运通(江苏)技术有限公司 | 生产线物料的分配方法、物流执行系统及存储介质 |
CN112801484B (zh) * | 2021-01-20 | 2022-06-21 | 同济大学 | 一种考虑配料误差的物料配送调度方法和系统 |
CN113570308B (zh) * | 2021-07-27 | 2023-08-04 | 重庆大学 | 多目标交付同步优化模型建模方法及面向订单制造的车间物料配送边缘-雾-云系统构架 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN101763601A (zh) * | 2010-01-12 | 2010-06-30 | 武汉大学 | 基于禁忌搜索算法的土地利用分区方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN104036333A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解单车场时变关联物流运输车辆路径问题的算法 |
CN108364105A (zh) * | 2018-02-26 | 2018-08-03 | 镇江宝华物流股份有限公司 | 一种物流配送线路的目标优化方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
CN111382947A (zh) * | 2020-03-17 | 2020-07-07 | 郑州天迈科技股份有限公司 | 一种基于贪婪禁忌搜索的车辆排班算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392402B (zh) * | 2017-09-11 | 2018-08-31 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
-
2020
- 2020-07-14 CN CN202010673799.6A patent/CN111985683B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN101763601A (zh) * | 2010-01-12 | 2010-06-30 | 武汉大学 | 基于禁忌搜索算法的土地利用分区方法 |
CN103413209A (zh) * | 2013-07-17 | 2013-11-27 | 西南交通大学 | 多客户多仓库物流配送路径选择方法 |
CN104036333A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解单车场时变关联物流运输车辆路径问题的算法 |
CN108364105A (zh) * | 2018-02-26 | 2018-08-03 | 镇江宝华物流股份有限公司 | 一种物流配送线路的目标优化方法 |
CN111144568A (zh) * | 2019-12-19 | 2020-05-12 | 华南理工大学 | 一种多目标城市物流配送路径规划方法 |
CN111382947A (zh) * | 2020-03-17 | 2020-07-07 | 郑州天迈科技股份有限公司 | 一种基于贪婪禁忌搜索的车辆排班算法 |
Non-Patent Citations (3)
Title |
---|
R公司装配车间物料配送路径优化研究;刘腾越;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190915;第20-34页 * |
基于改进禁忌搜索算法的VRPSPDTW研究;张思;王海;;物流科技(第07期);全文 * |
随机需求订单可拆分的多目标车辆路径问题;张得志;何亦扬;龚浩翔;;铁道科学与工程学报(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111985683A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985683B (zh) | 一种多目标离散装配车间物料配送的路径优化方法 | |
Lee et al. | Robotics in order picking: evaluating warehouse layouts for pick, place, and transport vehicle routing systems | |
CN108550007B (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
Tan et al. | A hybrid multi-objective evolutionary algorithm for solving truck and trailer vehicle routing problems | |
Ene et al. | Storage location assignment and order picking optimization in the automotive industry | |
CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
Zhang et al. | Energy-efficient path planning for a single-load automated guided vehicle in a manufacturing workshop | |
CN111860754A (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
Derhami et al. | A simulation-based optimization approach to design optimal layouts for block stacking warehouses | |
CN106773686B (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
Srinivas et al. | Collaborative order picking with multiple pickers and robots: Integrated approach for order batching, sequencing and picker-robot routing | |
CN112990818A (zh) | 一种基于拍卖机制的自动化仓库货位优化方法及系统 | |
Yousefikhoshbakht et al. | A mixed integer programming formulation for the heterogeneous fixed fleet open vehicle routing problem | |
CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN113935452A (zh) | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 | |
CN114358233A (zh) | 基于双混合粒子群的多agv路径规划问题优化方法及系统 | |
Teck et al. | A bi-level memetic algorithm for the integrated order and vehicle scheduling in a RMFS | |
Gómez-Montoya et al. | Picking Routing Problem with K homogenous material handling equipment for a refrigerated warehouse | |
CN112989696A (zh) | 一种基于移动机器人的自动拣选系统货位优化方法及系统 | |
Pfrommer et al. | Autonomously organized block stacking warehouses: A review of decision problems and major challenges | |
CN112508481A (zh) | 一种智能仓储多agv调度方法 | |
CN116523221A (zh) | 一种智能仓储拣选任务的优化调度方法及系统 | |
Xu et al. | Research on dynamic storage location assignment of picker-to-parts picking systems under traversing routing method | |
CN115358455A (zh) | 考虑电池更换和混合时间窗约束的电动车路径优化方法 |
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 |