CN112150059B - 一种基于乌鸦算法的计量器具智能仓库调度优化方法 - Google Patents

一种基于乌鸦算法的计量器具智能仓库调度优化方法 Download PDF

Info

Publication number
CN112150059B
CN112150059B CN202010578044.8A CN202010578044A CN112150059B CN 112150059 B CN112150059 B CN 112150059B CN 202010578044 A CN202010578044 A CN 202010578044A CN 112150059 B CN112150059 B CN 112150059B
Authority
CN
China
Prior art keywords
crow
scheduling
appliance
minimizing
warehouse
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
CN202010578044.8A
Other languages
English (en)
Other versions
CN112150059A (zh
Inventor
田昕怡
滕永兴
杨霖
曹国瑞
朱逸群
于学均
孙淑娴
钟睿君
李振龙
王子南
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010578044.8A priority Critical patent/CN112150059B/zh
Publication of CN112150059A publication Critical patent/CN112150059A/zh
Application granted granted Critical
Publication of CN112150059B publication Critical patent/CN112150059B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
    • G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
    • G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Toxicology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于乌鸦算法的计量器具智能仓库调度优化方法，包括如下步骤：步骤一，识别器具所属类别，生成新器具入库数据；步骤二，根据入库数据对调度作业轨迹进行编码；步骤三，以调度作业轨迹编码为自变量，分别建立最小化作业时间和最小化同类器具距离的目标函数和约束条件；步骤四，对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理，并构建转移作业路径优化数学模型；步骤五，基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解。本方法适用于存储量大、存储器具种类多的计量器具智能仓库，采用的算法具有更高的局部寻优能力，能够为计量器具智能仓库提供更加完备的调度方案。

Description

一种基于乌鸦算法的计量器具智能仓库调度优化方法
技术领域
本发明属于计量器具智能仓库调度技术领域，涉及一种基于乌鸦算法的计量器具智能仓库调度优化方法。
背景技术
根据国网公司“集约化程度高、自动化水平高、协调能力强、保障机制完善”的省级计量中心建设原则，天津市电力公司充分考虑电能计量中心的检定能力和计量检定生产特点，建成计量器具智能化仓储系统，通过各类计量资产的存储、检定、配送、领用等业务的输送调度与管理，实现自动化线体与仓储系统的紧密衔接，达到电能多种计量设备的集约化校验、规模化配送。作为一种新型的仓储技术，计量器具智能仓库的调度能力直接影响计量资产的配置效率，优化调度过程、合理选择作业路径对于计量资产管理的降本增效具有重要意义。
现有国内外对于智能仓库调度问题的研究主要以最小化作业路径、时间或能耗为目标，忽略了存储对象的异质性；常用的调度优化算法包括遗传算法、粒子群算法、模拟退火算法以及蚁群算法等，虽运行时间较短，但存在陷入局部最优的缺点。
发明内容
本发明的目的在于解决现有技术的不足，提供一种基于乌鸦算法的计量器具智能仓库调度优化方法。
本发明解决其技术问题是通过以下技术方案实现的：
一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：包括如下步骤：
步骤一，利用条码扫描设备扫描入库包装箱条码，识别器具所属类别，生成新器具入库数据；
步骤二，基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码；
步骤三，以调度作业轨迹编码为自变量，分别建立最小化作业时间和最小化同类器具距离的目标函数和约束条件；
步骤四，对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理，并应用层次分析法对各目标函数赋予权重，构建转移作业路径优化数学模型；
步骤五，基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案。
而且，所述基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码的方法为：
器具入库时坐标表示为(x0，y0，z0)；器具i的坐标表示为(xi，yi，zi)；运动速度表示为(vx，vy，vz)；ki表示器具i入库时仓库中已有同类器具的数量；定义同类器具的平均坐标为
Figure GDA0003739229920000021
而且，所述建立最小化作业时间的目标函数和约束条件为：
Figure GDA0003739229920000022
其中lx，ly，lz分别表示周转箱的长、宽、高，Lx，Ly，Lz分别表示周转箱存放区的长、宽、高；x0，y0，z0分别表示器具入库时的坐标；xi，yi，zi分别表示器具i的坐标；vx，vy，vz分别表示器具在三个坐标上的运动速度；
所述建立最小化同类器具距离的目标函数和约束条件为：
Figure GDA0003739229920000023
其中K表示为此类计量器具的最大存储量。
而且，所述对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理的方法为：按照式(3)进行无量纲化处理：
Figure GDA0003739229920000024
F1min表示作业时间的最小值，F2min表示同类器具距离的最小值。
而且，所述构建转移作业路径优化数学模型为：
Figure GDA0003739229920000031
式中，w1，w2分别为使用层次分析法为两个目标函数赋予权重值；
Figure GDA0003739229920000032
表示无量纲化处理后的最小化作业时间目标函数，
Figure GDA0003739229920000033
表示无量纲化处理后的最小化同类器具距离目标函数。
而且，所述基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案的方法为：包括如下步骤：
1)设置初始种群规模p，察觉概率r，飞行步长fl以及最大迭代次数T，确定乌鸦初始位置和藏食位置；其中初始种群规模代表了调度作业可能存在的路径个数，乌鸦初始位置和藏食位置分别代表了初始路径方案和待对比的路径方案；
2)求解初始种群中个体的适应度，即转移作业路径优化的目标函数值；
3)按照式(5)更新乌鸦位置，生成新的调度作业路径，若新的路径可行则更新，反之不进行更新；
Figure GDA0003739229920000034
式中
Figure GDA0003739229920000035
和
Figure GDA0003739229920000036
分别表示在第t次迭代时乌鸦i所处的位置和藏食位置，hi,hj为[0,1]之间的任意值，
Figure GDA0003739229920000037
和
Figure GDA0003739229920000038
分别表示在第t次迭代时乌鸦i的飞行步长和乌鸦j的察觉概率；
4)计算乌鸦新位置的适应度，与原适应度作比较，若更优则更新藏食位置，变更路径方案，反之不进行更新；
5)重复更新乌鸦位置至迭代终止，输出全局最优轨迹。
本发明的优点和有益效果为：
1、本基于乌鸦算法的计量器具智能仓库调度优化方法，兼顾了最小化作业时间和最小化同类器具距离的调度优化目标，更加适用于存储量大、存储器具种类多的计量器具智能仓库，采用的算法具有更高的局部寻优能力，能够为计量器具智能仓库提供更加完备的调度方案，提高计量资产周转效率，降低管理运营成本。
附图说明
图1为本发明的方法流程图；
图2为本发明计量器具智能仓库局部设备分布图。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
天津市电力公司电能计量中心计量器具智能仓库，具有2个巷道的周转箱立体仓库，共计16400个周转箱储位，能够容纳单相表、三相表、用电采集终端以及500V互感器等多种计量器具。该智能仓库主要设备包括巷道堆垛机、周转箱出入库输送及控制设备、AGV小车、RFID数据采集系统等。智能仓库的转移作业由AGV运行区和周转箱库搬运输送区共同完成，其中AGV小车实现计量器具的取货，固定条码扫描器实现新器具的数据采集，输送机和堆垛机将其输送至指定货位进行存储。
一种基于乌鸦算法的计量器具智能仓库调度优化方法，其创新之处在于：包括如下步骤：
步骤一，利用条码扫描设备扫描入库包装箱条码，识别器具所属类别，生成新器具入库数据；
步骤二，基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码；
步骤三，以调度作业轨迹编码为自变量，分别建立最小化作业时间和最小化同类器具距离的目标函数和约束条件；
步骤四，对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理，并应用层次分析法对各目标函数赋予权重，构建转移作业路径优化数学模型；
步骤五，基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案。
所述基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码的方法为：
器具入库时坐标表示为(x0，y0，z0)；器具i的坐标表示为(xi，yi，zi)；运动速度表示为(vx，vy，vz)；ki表示器具i入库时仓库中已有同类器具的数量；定义同类器具的平均坐标为
Figure GDA0003739229920000041
所述建立最小化作业时间的目标函数和约束条件为：
Figure GDA0003739229920000051
其中lx，ly，lz分别表示周转箱的长、宽、高，Lx，Ly，Lz分别表示周转箱存放区的长、宽、高；x0，y0，z0分别表示器具入库时的坐标；xi，yi，zi分别表示器具i的坐标；vx，vy，vz分别表示器具在三个坐标上的运动速度；
所述建立最小化同类器具距离的目标函数和约束条件为：
Figure GDA0003739229920000052
其中K表示为此类计量器具的最大存储量。
所述对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理的方法为：按照式(3)进行无量纲化处理：
Figure GDA0003739229920000053
F1min表示作业时间的最小值，F2min表示同类器具距离的最小值。
所述构建转移作业路径优化数学模型为：
Figure GDA0003739229920000054
式中，w1，w2分别为使用层次分析法为两个目标函数赋予权重值；
Figure GDA0003739229920000055
表示无量纲化处理后的最小化作业时间目标函数，
Figure GDA0003739229920000056
表示无量纲化处理后的最小化同类器具距离目标函数。
所述基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案的方法为：包括如下步骤：
1)设置初始种群规模p，察觉概率r，飞行步长fl以及最大迭代次数T，确定乌鸦初始位置和藏食位置；其中初始种群规模代表了调度作业可能存在的路径个数，乌鸦初始位置和藏食位置分别代表了初始路径方案和待对比的路径方案；
2)求解初始种群中个体的适应度，即转移作业路径优化的目标函数值；
3)按照式(5)更新乌鸦位置，生成新的调度作业路径，若新的路径可行则更新，反之不进行更新；
Figure GDA0003739229920000061
式中
Figure GDA0003739229920000062
和
Figure GDA0003739229920000063
分别表示在第t次迭代时乌鸦i所处的位置和藏食位置，hi,hj为[0,1]之间的任意值，
Figure GDA0003739229920000064
和
Figure GDA0003739229920000065
分别表示在第t次迭代时乌鸦i的飞行步长和乌鸦j的察觉概率；
4)计算乌鸦新位置的适应度，与原适应度作比较，若更优则更新藏食位置，变更路径方案，反之不进行更新；
5)重复更新乌鸦位置至迭代终止，输出全局最优轨迹。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：包括如下步骤：
步骤一，利用条码扫描设备扫描入库包装箱条码，识别器具所属类别，生成新器具入库数据；
步骤二，基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码；
步骤三，以调度作业轨迹编码为自变量，分别建立最小化作业时间和最小化同类器具距离的目标函数和约束条件；
步骤四，对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理，并应用层次分析法对各目标函数赋予权重，构建转移作业路径优化数学模型；
步骤五，基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案。
2.根据权利要求1所述的一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：所述基于计量器具智能仓库的结构和功能，根据入库数据对调度作业轨迹进行编码的方法为：
器具入库时坐标表示为(x0，y0，z0)；器具i的坐标表示为(xi，yi，zi)；运动速度表示为(vx，vy，vz)；ki表示器具i入库时仓库中已有同类器具的数量；定义同类器具的平均坐标为
Figure FDA0003755616690000011
3.根据权利要求1所述的一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：所述建立最小化作业时间的目标函数和约束条件为：
Figure FDA0003755616690000012
s.t.lx≤|xi-x0|≤Lx
ly≤|yi-y0|≤Ly
lz≤|zi-z0|≤Lz (1)
其中lx，ly，lz分别表示周转箱的长、宽、高；Lx，Ly，Lz分别表示周转箱存放区的长、宽、高；x0，y0，z0分别表示器具入库时的坐标；xi，yi，zi分别表示器具i的坐标；vx，vy，vz分别表示器具在三个坐标上的运动速度；
所述建立最小化同类器具距离的目标函数和约束条件为：
Figure FDA0003755616690000021
s.t.1≤ki≤K (2)
其中K表示为此类计量器具的最大存储量；ki表示器具i入库时仓库中已有同类器具的数量。
4.根据权利要求1所述的一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：所述对建立的最小化作业时间和最小化同类器具距离的目标函数进行无量纲化处理的方法为：按照式(3)进行无量纲化处理：
Figure FDA0003755616690000022
其中，F1min表示作业时间的最小值，F2min表示同类器具距离的最小值。
5.根据权利要求1所述的一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：所述构建转移作业路径优化数学模型为：
Figure FDA0003755616690000023
式中，w1，w2分别为使用层次分析法为两个目标函数赋予权重值，
Figure FDA0003755616690000024
表示无量纲化处理后的最小化作业时间目标函数，
Figure FDA0003755616690000025
表示无量纲化处理后的最小化同类器具距离目标函数。
6.根据权利要求1所述的一种基于乌鸦算法的计量器具智能仓库调度优化方法，其特征在于：所述基于乌鸦算法，对构建的转移作业路径优化数学模型进行求解，得到计量器具智能仓库调度作业的最优方案的方法为：包括如下步骤：
1)设置初始种群规模p，察觉概率r，飞行步长fl以及最大迭代次数T，确定乌鸦初始位置和藏食位置；其中初始种群规模代表了调度作业可能存在的路径个数，乌鸦初始位置和藏食位置分别代表了初始路径方案和待对比的路径方案；
2)求解初始种群中个体的适应度，即转移作业路径优化的目标函数值；
3)按照式(5)更新乌鸦位置，生成新的调度作业路径，若新的路径可行则更新，反之不进行更新；
Figure FDA0003755616690000031
式中
Figure FDA0003755616690000032
和
Figure FDA0003755616690000033
分别表示在第t次迭代时乌鸦i所处的位置和藏食位置，hi,hj为[0,1]之间的任意值，fli t和rj t分别表示在第t次迭代时乌鸦i的飞行步长和乌鸦j的察觉概率；
4)计算乌鸦新位置的适应度，与原适应度作比较，若更优则更新藏食位置，变更路径方案，反之不进行更新；
5)重复更新乌鸦位置至迭代终止，输出全局最优轨迹。
CN202010578044.8A 2020-06-23 2020-06-23 一种基于乌鸦算法的计量器具智能仓库调度优化方法 Active CN112150059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010578044.8A CN112150059B (zh) 2020-06-23 2020-06-23 一种基于乌鸦算法的计量器具智能仓库调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010578044.8A CN112150059B (zh) 2020-06-23 2020-06-23 一种基于乌鸦算法的计量器具智能仓库调度优化方法

Publications (2)

Publication Number Publication Date
CN112150059A CN112150059A (zh) 2020-12-29
CN112150059B true CN112150059B (zh) 2022-09-02

Family

ID=73892160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010578044.8A Active CN112150059B (zh) 2020-06-23 2020-06-23 一种基于乌鸦算法的计量器具智能仓库调度优化方法

Country Status (1)

Country Link
CN (1) CN112150059B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077082B (zh) * 2021-03-26 2022-09-23 安徽理工大学 一种基于改进乌鸦搜索算法的矿区开采沉降预测方法
CN114707930B (zh) * 2022-03-31 2023-04-21 红云红河烟草(集团)有限责任公司 基于拣货动线模型的卷烟成品智慧园区管控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105632502A (zh) * 2015-12-10 2016-06-01 江西师范大学 一种基于加权成对约束度量学习算法的说话人识别方法
CN105976054A (zh) * 2016-04-29 2016-09-28 国家电网公司 一种计量器具仓储系统的货位优化方法
CN109146163A (zh) * 2018-08-07 2019-01-04 上海大学 自动分拣系统分拣距离的优化方法、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107504972B (zh) * 2017-07-27 2018-08-07 北京航空航天大学 一种基于鸽群算法的飞行器航迹规划方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105632502A (zh) * 2015-12-10 2016-06-01 江西师范大学 一种基于加权成对约束度量学习算法的说话人识别方法
CN105976054A (zh) * 2016-04-29 2016-09-28 国家电网公司 一种计量器具仓储系统的货位优化方法
CN109146163A (zh) * 2018-08-07 2019-01-04 上海大学 自动分拣系统分拣距离的优化方法、设备及存储介质

Also Published As

Publication number Publication date
CN112150059A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
Zhou et al. A multi-objective differential evolution algorithm for parallel batch processing machine scheduling considering electricity consumption cost
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
CN112150059B (zh) 一种基于乌鸦算法的计量器具智能仓库调度优化方法
Zhang et al. A hybrid multi-objective artificial bee colony algorithm for burdening optimization of copper strip production
CN108803332A (zh) 基于改进生物地理学的路径规划方法
CN110046845A (zh) 一种场区车辆装载方法和装载系统
CN107609816A (zh) 基于混合量子算法的智慧车辆调度管理系统及其工作方法
Shang et al. Spatial scheduling optimization algorithm for block assembly in shipbuilding
Meng et al. Modeling and solution algorithm for optimization integration of express terminal nodes with a joint distribution mode
Chen et al. An effective path planning of intelligent mobile robot using improved genetic algorithm
CN102722570A (zh) 一种面向地理空间优化的人工免疫智能优化系统
Chatzikonstantinou A 3-dimensional architectural layout generation procedure for optimization applications: DC-RVD
CN110516408B (zh) 一种基于Demo3D仿真的四线一库设计管理系统
Xu et al. Research of Electric Cable Path Planning Based on Heuristic Optimization Algorithm in Mixed-Land Scenario
CN104392344A (zh) 一种基于多种群pso的逆向物流网络排布方法
CN103136594A (zh) 基于智能算法的气田布局优化系统
Yang et al. A simulation-based optimization method for facility layout considering the AGV path
Liu et al. Multiple Local‐Edge‐Cloud Collaboration Strategies in Industrial Internet of Things: A Hybrid Genetic‐Based Approach
Wang Planning and layout of intelligent logistics park based on improved genetic algorithm
Zheng et al. Simulation of crowd emergency evacuation based on the optimal algorithm of invasive weeds
Jiao Electronic Commerce Logistics Network Optimization Based on Swarm Intelligent Algorithm.
Elbeltagi et al. Genetic optimization of site layout planning
CN117688845B (zh) 一种建筑物化阶段施工方案多目标优化方法及系统
Hu et al. A hybrid discrete state transition algorithm for combinatorial optimization problems
CN117236821B (zh) 一种基于层次强化学习的在线三维装箱方法

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