CN112150088A - 一种吞吐柔性智能装配物流路径规划方法及系统 - Google Patents
一种吞吐柔性智能装配物流路径规划方法及系统 Download PDFInfo
- Publication number
- CN112150088A CN112150088A CN202011343020.0A CN202011343020A CN112150088A CN 112150088 A CN112150088 A CN 112150088A CN 202011343020 A CN202011343020 A CN 202011343020A CN 112150088 A CN112150088 A CN 112150088A
- Authority
- CN
- China
- Prior art keywords
- station
- assembly
- planning
- real
- 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.)
- Pending
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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种吞吐柔性智能装配物流路径规划方法及系统,涉及物流路径规划技术领域。本发明包括有实时路径规划智能控制系统和通信系统,所述实时路径规划智能控制系统用于根据作业需求和根据生产需求实时对物流路径进行规划。本发明方法有效解决物流企业的装配规划问题,规划方法灵活可变,能够快速调整,以最小的代价适应新的规划需求,突出优势是装配吞吐柔性可变、装配方案智能自动、物流路径高效可靠;采用本发明的系统,能够灵活安排装配工位,降低企业运营成本;确保装配工位上的装配工作安排合理,不出现工作负载不均衡的情况;获得合理的物品输送路径,仓库作业人员根据路径进行拣选任务。
Description
技术领域
本发明属于物流路径规划技术领域,特别是涉及一种吞吐柔性智能装配物流路径规划方法及系统。
背景技术
随着物流业向全球化、信息化及一体化发展,货品装配在整个物流系统中的作用变得越来越重要,物流路径规划是其重要的一环;物流路径规划是否合理直接影响到装配速度、成本和效益;物流路径规划是经典物流领域问题,通常使用启发式算法来求解,在物流领域已经有广泛的应用。
但传统的路径规划重点关注了路径的规划,物流场景是非常复杂多样的,生搬硬套路径规划方法难以满足物流企业日常需求,比如,传统方法关注路径是否最短,但缺少对货物装配策略的指导,只能限制装配容器的承载体积、重量等,然后由人工进一步规划,做不到灵活调度。再比如每个装配工位当前的繁忙空闲程度、处理效率可能均不相同,空闲的工位应该输送更多的待装配物品已提高装配效率,传统的人工调度,只能在后一天根据前一天的繁忙程度或者历史经验进行安排。
发明内容
本发明的目的在于提供一种吞吐柔性智能装配物流路径规划方法及系统,以解决了现有的问题:缺少对货物装配策略的指导,只能限制装配容器的承载体积、重量等,然后由人工进一步规划;无法根据工位的空闲程度进行输送更待装配物品,只能在后一天根据前一天的繁忙程度或者历史经验进行安排。
为解决上述技术问题,本发明是通过以下技术方案实现的:
一种吞吐柔性智能装配物流路径规划方法,所述方法包括:
规划好仓库的装配工位,得到工位数据;
对仓库的工作环境进行观察,获取真实的工作环境统计数据;
利用工作环境统计数据,编写模拟环境,利用软件模拟仓库的工作过程;
编写动态规划算法,利用模拟环境学习最优策略;
将上述算法部署到实时路径规划智能控制系统;
仓库开始作业时,初始化实时路径规划智能控制系统中的工位数据;
新的装配任务提交后,根据当前的参数,运行动态规划算法,得到最优的物流路径;
实时路径规划智能控制系统将最优的路径选择通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务;
当仓库的工位开始作业后,通过通信系统实时更新当前库位的状态以及任务队列里的任务数,实时路径规划智能控制系统收到后,立即进行参数更新,并通过动态规划算法再次计算出最优的物流路径,再次通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务。
进一步的,上述中,编写动态规划算法,利用模拟环境学习路径规划的最优策略,主要包括:
记仓库所有的工位是否已启用为一个向量,每个工位的类型为一个向量、每一个工位是否空闲为一个向量,每个工位上的任务等待数为一个向量,将这四个向量合并作为当前的仓库状态s,并记下一时刻的状态为s’;
记每个库位是否应该启用或者关闭为一个向量,下一个装配物品应该流动到哪个工位为一个向量,将这两个向量合并作为当前的工作行为a,并记下一个动作行为为a’;
一个工位如果空闲,给与负奖励,如果异常或者爆满给与负奖励,如果正常工作,则给出对装配类型匹配的正向奖励;
记Qa为从当前状态s出发,采取行为a后一直按照当前策略和环境进行交互后获得的累计的奖励;
将当前状态向量s、可能的行为a作为神经网络的输入;将预计的累计的奖励Qa作为神经网络的输出;训练目标为Qa的最大化,使用半梯度sarsa算法进行训练。
进一步的,所述工位数据至少包括:工位数量、工位的类型、工位是否已启用、工位是否空闲、工位上的任务等待数。
进一步的,所述工位的类型至少包括有大包工位、小包工位、高货值商品专用工位。
进一步的,工作环境统计数包括:每种类型的工位装配的时间快慢、工位出现异常的概率、工位的成本、工位的缓冲区最大的容积。
一种吞吐柔性智能装配物流路径规划系统,包括:实时路径规划智能控制系统和通信系统;
所述实时路径规划智能控制系统用于根据作业需求和根据生产需求实时对物流路径进行规划;
所述通信系统实时物流路径智能控制系统相连,用于通过实时物流路径智能控制系统的规划结果控制装配工位,用于将装配工位的实时信息上报给通信系统实时物流路径智能控制系统。
优选的,所述通信系统为手持pda。
本发明具有以下有益效果:
本发明使用一套智能的装配物流路径规划方法来解决物流企业的装配规划问题,规划方法灵活可变,能够快速调整,以最小的代价适应新的规划需求。突出优势是装配吞吐柔性可变、装配方案智能自动、物流路径高效可靠。采用本发明的系统,能够灵活安排装配工位,降低企业运营成本;确保装配工位上的装配工作安排合理,不出现工作负载不均衡的情况;获得合理的物品输送路径,仓库作业人员根据路径进行拣选任务。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明:图1为本发明系统的示意图。
图2为本发明方法的新的装配任务的规划时序图;
图3为本发明方法的更新实时参数的时序图。
具体实施方式:
下面将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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
参看图1:
一种吞吐柔性智能装配物流路径规划系统,包括有实时路径规划智能控制系统和通信系统。
在此,通信系统优选为手持pda。
实时路径规划智能控制系统,包括采用自主决策算法的智能控制系统处理单元,其与作业调度系统连接,根据作业需求增加或减少生产工位、根据生产需求实时动态的调节用于物品拣选和物品装配任务之间的比例、以及根据装配需求调整装配线上的物品数量和先后顺序。
通信设施,带有通信协议,其与实时物流路径智能控制系统相连,用于通过实时物流路径智能控制系统的智能控制结果控制装配工位的拣选和装配生产活动,装配工位同时通过通信设施上报当前的装配进度。
具体的,工位工人通过通信设施(手持pda)上报当前装配类型、当前工位状态、当前工位缓冲区上堆叠的等待处理任务数量、当前产品加工剩余时间;通信设施将信息传递给实时路径规划智能控制系统。实时路径规划智能控制系统通过规划算法,决定下一组装配任务的物品流动路径,决定工位的增减,并将结果通过通信设施下发到工位执行。工位通过收到规划结果,调整自己的工作状态。从而满足多种装配类型的吞吐柔性化装配。
实施例二:
参看图2-3:
在此,公开一种吞吐柔性智能装配物流路径规划方法,包括:
规划好仓库的装配工位,提供工位数据。
在此,工位数据至少包括:工位数量、工位的类型、工位是否已启用、工位是否空闲、工位上的任务等待数。
进一步的,工位的类型至少包括有大包工位、小包工位、高货值商品专用工位等。
对仓库的工作环境进行观察,获取真实的工作环境统计数据。
在此,工作环境统计数主要包括:每种类型的工位装配的时间快慢、工位出现异常的概率、工位的成本、工位的缓冲区最大的容积。
利用统计数据,编写模拟环境,利用软件模拟仓库的工作过程。
编写动态规划算法,利用模拟环境学习最优策略。
在此,动态规划算法描述如下:
一、 对问题进行抽象。
符号描述说明:
记仓库所有的工位是否已启用为一个向量,每个工位的类型为一个向量、每一个工位是否空闲为一个向量,每个工位上的任务等待数为一个向量,将这四个向量合并作为状态空间S中的状态。
记每个库位是否应该启用或者关闭为一个向量,下一个装配物品应该流动到哪个工位为一个向量(应当流向的记为1,其他为0),将这两个向量合并作为行为空间A中的行为。
记一个工位如果空闲,给与负奖励,如果异常或者爆满给与负奖励,如果正常工作,则给出对装配类型匹配的正向奖励R。
当前的仓库状态为s,下一时刻的状态为s’,当前的动作行为为a,下一个动作行为为a’。
当仓库在s的状态下,采取行为a后,将获得奖励r,系统转移到s’;记行为价值为Q,则Qa为从当前状态s出发,采取行为a后一直按照当前策略和环境进行交互后获得的累计的奖励。
二、选择算法,设计神经网络对问题进行学习。
设计一个三层神经网络。将当前状态向量s、可能的行为a作为神经网络的输入;将预计的累计回报作为神经网络的输出;训练目标为输出最大化。
本发明使用半梯度sarsa算法,进行行为价值的学习。
伪代码如下:
1.初始化神经网络。网络的输入为状态s、行为a,网络的权值w随机初始化为很小的数。
在模拟环境中一直循环(按回合);
3.随机初始化当前状态s,根据贪婪策略选择一个行为a;
4.循环和模拟环境进行一步交互;
5.环境提交s和a,观察到s’和奖励r;
6.如果s’是终止状态;
7.更新权值w;
8.退出当前回合,进行下一回合;
9.根据贪婪策略选择下一个行为a’;
10.将s’、a’带入网络求得下一个行为价值r’;
11.使用自举更新权值w;
12.s’取代s,a’取代a进行下一个时间步的交互。
第7步和第11步使用半梯度sarsa算法,向行为价值增大的梯度方向进行少量的更新,直到网络稳定。
将算法部署到实时路径规划智能控制系统。
当新的任务提交到系统后,系统根据当前的状态S,遍历所有的可选行为a,得到最优的行为,行为包括是否开启或者关闭一个工位,下一个物品应该流动到哪个工位;行为形成方案,通过通讯系统推送给工位工作人员,指导仓库作业。
仓库开始作业时,初始化实时路径规划智能控制系统中的工位数据。
在此,当前库位数据主要包括当前有多少库位,每个库位是否空闲,如果不是空闲,等待装配的任务有多少个。
当新的装配任务提交后,实时路径规划智能控制系统首先调用算法计算当前的工位类型,然后根据当前的参数,运行动态规划算法,得到最优的物流路径。
实时路径规划智能控制系统将最优的路径选择通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务。
当仓库的工位开始作业后,通过通信系统实时更新当前库位的状态以及任务队列里的任务数。实时路径规划智能控制系统收到后,立即进行参数更新,并通过动态规划算法再次计算出最优的物流路径,再次通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务。
用于实现本发明进行信息控制的程序,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例方法的部分步骤。
而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (7)
1.一种吞吐柔性智能装配物流路径规划方法,其特征在于,所述方法包括:
规划好仓库的装配工位,得到工位数据;
对仓库的工作环境进行观察,获取真实的工作环境统计数据;
利用工作环境统计数据,编写模拟环境,利用软件模拟仓库的工作过程;
编写动态规划算法,利用模拟环境学习最优策略;
将上述算法部署到实时路径规划智能控制系统;
仓库开始作业时,初始化实时路径规划智能控制系统中的工位数据;
新的装配任务提交后,根据当前的参数,运行动态规划算法,得到最优的物流径;
实时路径规划智能控制系统将最优的路径选择通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务;
当仓库的工位开始作业后,通过通信系统实时更新当前库位的状态以及任务队列里的任务数,实时路径规划智能控制系统收到后,立即进行参数更新,并通过动态规划算法再次计算出最优的物流路径,再次通过通信系统推送到工位上,工位的工作人员接受到后,进行拣选任务。
2.根据权利要求1所述的一种吞吐柔性智能装配物流路径规划方法,其中,编写动态规划算法,利用模拟环境学习路径规划的最优策略,主要包括:
记仓库所有的工位是否已启用为一个向量,每个工位的类型为一个向量、每一个工位是否空闲为一个向量,每个工位上的任务等待数为一个向量,将这四个向量合并作为当前的仓库状态s,并记下一时刻的状态为s’;
记每个库位是否应该启用或者关闭为一个向量,下一个装配物品应该流动到哪个工位为一个向量,将这两个向量合并作为当前的工作行为a,并记下一个动作行为为a’;
一个工位如果空闲,给与负奖励,如果异常或者爆满给与负奖励,如果正常工作,则给出对装配类型匹配的正向奖励;
记Qa为从当前状态s出发,采取行为a后一直按照当前策略和环境进行交互后获得的累计的奖励;
将当前状态向量s、可能的行为a作为神经网络的输入;将预计的累计的奖励Qa作为神经网络的输出;训练目标为Qa的最大化,使用半梯度sarsa算法进行训练。
3.根据权利要求1所述的一种吞吐柔性智能装配物流路径规划方法,其特征在于,所述工位数据至少包括:工位数量、工位的类型、工位是否已启用、工位是否空闲、工位上的任务等待数。
4.根据权利要求3所述的一种吞吐柔性智能装配物流路径规划方法,其特征在于,所述工位的类型至少包括有大包工位、小包工位、高货值商品专用工位。
5.根据权利要求1所述的一种吞吐柔性智能装配物流路径规划方法,其特征在于,工作环境统计数包括:每种类型的工位装配的时间快慢、工位出现异常的概率、工位的成本、工位的缓冲区最大的容积。
6.一种吞吐柔性智能装配物流路径规划系统,其特征在于,包括:实时路径规划智能控制系统和通信系统;
所述实时路径规划智能控制系统用于根据作业需求和根据生产需求实时对物流路径进行规划;
所述通信系统实时物流路径智能控制系统相连,用于通过实时物流路径智能控制系统的规划结果控制装配工位,用于将装配工位的实时信息上报给通信系统实时物流路径智能控制系统。
7.根据权利要求6所述的一种吞吐柔性智能装配物流路径规划系统,所述通信系统为手持pda。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343020.0A CN112150088A (zh) | 2020-11-26 | 2020-11-26 | 一种吞吐柔性智能装配物流路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011343020.0A CN112150088A (zh) | 2020-11-26 | 2020-11-26 | 一种吞吐柔性智能装配物流路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150088A true CN112150088A (zh) | 2020-12-29 |
Family
ID=73887391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011343020.0A Pending CN112150088A (zh) | 2020-11-26 | 2020-11-26 | 一种吞吐柔性智能装配物流路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150088A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078149A (zh) * | 2023-10-12 | 2023-11-17 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117555296A (zh) * | 2023-10-27 | 2024-02-13 | 深圳市万邑通信息科技有限公司 | 一种基于数据分析的自动作业任务调度分析系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788787A (zh) * | 2009-12-31 | 2010-07-28 | 合肥工业大学 | 多站点传送带给料生产加工站系统的优化控制方法 |
CN108427412A (zh) * | 2018-03-21 | 2018-08-21 | 广州市申迪计算机系统有限公司 | Agv调度方法、装置、计算机设备和存储介质 |
CN110058573A (zh) * | 2019-04-01 | 2019-07-26 | 青岛科技大学 | 吞吐柔性智能装配物流路径规划平台 |
CN110084405A (zh) * | 2019-04-01 | 2019-08-02 | 青岛科技大学 | 吞吐柔性智能装配物流路径规划方法 |
CN110443412A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 动态优化加工过程中物流调度及路径规划的强化学习方法 |
CN110488781A (zh) * | 2019-08-26 | 2019-11-22 | 华南理工大学 | 一种基于迁移强化学习的生产系统调度方法 |
CN111461321A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于Double DQN的改进深度强化学习方法及系统 |
CN111507523A (zh) * | 2020-04-16 | 2020-08-07 | 浙江财经大学 | 一种基于强化学习的线缆生产调度优化方法 |
CN111985672A (zh) * | 2020-05-08 | 2020-11-24 | 东华大学 | 一种多Agent深度强化学习的单件作业车间调度方法 |
-
2020
- 2020-11-26 CN CN202011343020.0A patent/CN112150088A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788787A (zh) * | 2009-12-31 | 2010-07-28 | 合肥工业大学 | 多站点传送带给料生产加工站系统的优化控制方法 |
CN108427412A (zh) * | 2018-03-21 | 2018-08-21 | 广州市申迪计算机系统有限公司 | Agv调度方法、装置、计算机设备和存储介质 |
CN110058573A (zh) * | 2019-04-01 | 2019-07-26 | 青岛科技大学 | 吞吐柔性智能装配物流路径规划平台 |
CN110084405A (zh) * | 2019-04-01 | 2019-08-02 | 青岛科技大学 | 吞吐柔性智能装配物流路径规划方法 |
CN110443412A (zh) * | 2019-07-18 | 2019-11-12 | 华中科技大学 | 动态优化加工过程中物流调度及路径规划的强化学习方法 |
CN110488781A (zh) * | 2019-08-26 | 2019-11-22 | 华南理工大学 | 一种基于迁移强化学习的生产系统调度方法 |
CN111461321A (zh) * | 2020-03-12 | 2020-07-28 | 南京理工大学 | 基于Double DQN的改进深度强化学习方法及系统 |
CN111507523A (zh) * | 2020-04-16 | 2020-08-07 | 浙江财经大学 | 一种基于强化学习的线缆生产调度优化方法 |
CN111985672A (zh) * | 2020-05-08 | 2020-11-24 | 东华大学 | 一种多Agent深度强化学习的单件作业车间调度方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078149A (zh) * | 2023-10-12 | 2023-11-17 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117078149B (zh) * | 2023-10-12 | 2024-02-02 | 深圳市万邑通信息科技有限公司 | 一种基于人工智能的仓库货运路径规划系统 |
CN117555296A (zh) * | 2023-10-27 | 2024-02-13 | 深圳市万邑通信息科技有限公司 | 一种基于数据分析的自动作业任务调度分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Application of reinforcement learning for agent-based production scheduling | |
Lin et al. | Hybrid evolutionary optimisation with learning for production scheduling: state-of-the-art survey on algorithms and applications | |
CN109658027A (zh) | 一种订单任务的处理方法、装置、服务器和介质 | |
Barak et al. | Energy-efficient multi-objective flexible manufacturing scheduling | |
He et al. | Integrated scheduling of production and distribution operations in a global MTO supply chain | |
CN112150088A (zh) | 一种吞吐柔性智能装配物流路径规划方法及系统 | |
Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
Qu et al. | Learning adaptive dispatching rules for a manufacturing process system by using reinforcement learning approach | |
Wauters et al. | Boosting metaheuristic search using reinforcement learning | |
Atabaki et al. | Hybrid genetic algorithm and invasive weed optimization via priority based encoding for location-allocation decisions in a three-stage supply chain | |
Liu et al. | Integration of deep reinforcement learning and multi-agent system for dynamic scheduling of re-entrant hybrid flow shop considering worker fatigue and skill levels | |
Zhang et al. | Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning | |
Bargiacchi et al. | Cooperative Prioritized Sweeping. | |
Ajorlou et al. | Optimization of a multiproduct conwip-based manufacturing system using artificial bee colony approach | |
WO2020229904A1 (en) | System and method for actor based simulation of complex system using reinforcement learning | |
Ge et al. | Logistics optimisation of slab pre-marshalling problem in steel industry | |
CN113034084B (zh) | 一种单元化智慧仓库动态配置方法及终端 | |
Beeks et al. | Deep reinforcement learning for a multi-objective online order batching problem | |
Ge et al. | Integrated optimisation of storage and pre-marshalling moves in a slab warehouse | |
Bonini et al. | Automation of Intralogistic Processes through Flexibilisation-A method for the flexible configuration and evaluation of systems of systems | |
Morariu et al. | Multi-agent system for heterarchical product-driven manufacturing | |
US11615497B2 (en) | Managing optimization of a network flow | |
CN112514352A (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
Liu et al. | Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource | |
CN114418504A (zh) | 仓储物流方案的规划方法及系统 |
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: 20201229 |