CN112270500A - 一种智能供应链物流调度方法和系统 - Google Patents
一种智能供应链物流调度方法和系统 Download PDFInfo
- Publication number
- CN112270500A CN112270500A CN202011284555.5A CN202011284555A CN112270500A CN 112270500 A CN112270500 A CN 112270500A CN 202011284555 A CN202011284555 A CN 202011284555A CN 112270500 A CN112270500 A CN 112270500A
- Authority
- CN
- China
- Prior art keywords
- task
- time
- tasks
- vehicle
- automatic
- 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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能供应链物流调度方法和系统,本发明技术方案针对大型物流仓储系统内的自动作业车的快递件物流调度问题,综合考虑了自动作业车的调度时间和调度能耗,根据调度时自动作业车的实际运作情况,建立了物流调度的时间与能耗指标优化模型。在保持调度时间较优的情况下,有效降低了调度耗能,既拥有趋于最优的调度时间又拥有趋于最优的调度耗能。这个方案的思想也可用于跨区域物流调度的能耗控制问题。
Description
技术领域
本发明涉及物流调度技术领域,尤其涉及一种智能供应链物流调度方法和系统。
背景技术
国内区域间的物流调度系统已经比较成熟,而在区域内的大型仓储系统的调度过程中,一般采用自动作业车代替人工完成车间物流调度的技术相对成熟。其中,采用自动作业车进行运输可以减少工人劳动强度,降低企业人力成本,提升车间生产效率。在物流调度过程中,自动作业车根据具体的调度需求来完成运输任务。作业车输送效率会影响设备利用率,同时其路径规划的复杂度受作业单元布局的拓扑结构影响。
目前,现有的自动作业车物流调度中很少考虑自动作业车物流调度中的耗能问题。
发明内容
本发明一实施例提供了一种智能供应链物流调度方法,该方法构建自动作业车物流调度模型,综合考虑自动作业车运行时间、响应时间和耗能因素,自动作业车有目标任务的集合为X=(1,2,3,4...n),j为i的下一项任务(j=i+1),i∈X,j∈X;Ti是任务i的发生时刻,Tj是任务j的发生时刻,Z是自动作业车在任务点装载快递件的时间,Sij是任务i处到任务j处的自动作业车最短行驶距离,V是自动作业车的行驶速度,di是暂存区卸货点A到任务i装载处的距离,dj是暂存区卸货点A到任务j装载处的距离,tij是任务i处到任务j处的自动作业车行驶时间,ti是任务i完成的时刻,tj是任务j完成的时刻,Dj是完成任务i时,下一任务j已经发生了的时间即自动作业车的待响应时间;
TE=Tz+q3*E, (1)
tij=Sij/V, (4)
当i=ka,a=(1,2,3,4...n)时,Sij=di+dj, (5)
tj=Tj+Dj+tij+Z, (6)
Dj=ti-Tj, (7)
Dj=0,当ti<Tj时, (8)
上述式中:q1、q2、q3为权重系数;p为自动作业车的运行功率与等待功率的比值;式(2)Tz为自动作业车调度时间目标函数;式(3)E为自动作业车调度耗能目标函数;式(4)tij表示任务i处到任务j处的自动作业车行驶时间;式(5)表示自动作业车装载满k个快递件后回到起始点A卸货,再去执行下一项任务;式(6)tj表示任务j完成的时刻;式(7)Dj表示完成任务i时,任务j已经发生了的时间即自动作业车的响应时间;式(8)表示之前所有任务均已完成,后续任务仍未发生,自动作业车在任务i处原地待命。
优选地,对自动作业车运行时间、响应时间、耗能这3种因索的权重系数进行定量,采用层次分析法进行赋值。
优选地,q1、q2、q3分别为0.295、0.649、0.056。
优选地,采用以任务排序为约束的遗传交叉操作和以任务排序为约束的遗传变异操作。
优选地,采用十字交叉法进行交叉操作,并以任务序列作为其中一组,所需要交叉的位置片段是任务发生的先后顺序,也就是任务编号与任务序列的差值决定的;选择差值最大和最小的两个任务的位置作为交叉片段的两端;将任务序列的片段与群体极值相应的片段进行交叉更新;更新后得到的任务序列中如果有任务重复,即用未包含的任务来代替重复的任务。
优选地,采用位置互换的方式来进行变异操作,并以任务序列作为其中一组,选择任务序列中与任务发生的先后顺序,也就是任务编号的差值最大的和最小的两个任务作为一组变异任务,再选择任务序列中与任务编号的差值第二大的和第二小的两个任务作为一组变异任务,将每组两个任务的位置互换来进行变异操作的更新。
本发明另一实施例提供了一种智能供应链物流调度系统,其采用上述的一种智能供应链物流调度方法对自动作业车进行路径优化。
本发明另一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被计算机设备执行时能够实现本申请实施例提供的任意一种智能供应链物流调度方法的部分或全部步骤。
本发明另一实施例提供了一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时能够实现本申请实施例提供的任意一种智能供应链物流调度方法的部分或全部步骤。
本发明技术方案针对大型物流仓储系统内的自动作业车的快递件物流调度问题,综合考虑了自动作业车的调度时间和调度能耗,根据调度时自动作业车的实际运作情况,建立了物流调度的时间与能耗指标优化模型。在保持调度时间较优的情况下,有效降低了调度耗能,既拥有趋于最优的调度时间又拥有趋于最优的调度耗能。这个方案的思想也可用于跨区域物流调度的能耗控制问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是改进遗传算法流程图;
图2是大型物流仓储系统的任务点分布图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在大型物流仓储系统中,假设自动作业车初始停靠在A处(卸货点),当自动作业车接收到调度任务时便驶向需要运送快递件的任务节点,在任务节点处进行快递件的装载,当自动作业车装载满k个快递件后便驶回A处进行卸载任务,卸载完成后再开始执行新的装载任务。而在实际生产过程中自动作业车可能因为之前的任务未完成导致新的任务发生时不能及时前往任务点装载快递件,导致自动作业车待响应时间较长,所以如何以较少的自动作业车待响应时间、较短的自动作业车行驶路径来完成快递件的运载任务是关键。
建模时进行如下规定:
1)自动作业车搬运时间固定,不超时。
2)自动作业车工作内容是:将快递件装载上自动作业车,再将其运送至全检车间卸货点卸载。
3)在0时刻开始时,所有的快递件打包设备与自动作业车均处于可运行状态。
4)保证所有快递件打包设备的待打包快递件充足,不会出现缺乏待打包快递件的情况。
5)不考虑快递件的供应情况。
6)快递件打包设备在打包快递件时,不出现任何故障情况。
7)自动作业车保持匀速前进,其运载时间只与物流路径的长短有关。
8)自动作业车的容量有限制,其满载容量不能超过k个快递件。
9)当自动作业车收到装载任务后,在其相应的任务点只执行一次装载任务。
10)在0时刻所有自动作业车的装载任务已知,且每个任务的发生时间均不同。
相关参数说明如下:
有目标任务的集合为X=(1,2,3,4...n),j为i的下一项任务(j=i+1),i∈X,j∈X;Ti是任务i的发生时刻,Tj是任务j的发生时刻,Z是自动作业车在任务点装载快递件的时间,Sij是任务i处到任务j处的自动作业车最短行驶距离,V是自动作业车的行驶速度,di是暂存区卸货点A到任务i装载处的距离,dj是暂存区卸货点A到任务j装载处的距离,tij是任务i处到任务j处的自动作业车行驶时间,ti是任务i完成的时刻,tj是任务j完成的时刻,Dj是完成任务i时,下一任务j已经发生了的时间即自动作业车的待响应时间。
在快递件物流调度中,影响自动作业车调度时间的主要因索是自动作业车在任务点间的行驶时间和自动作业车收到装载任务后的待响应时间。假设自动作业车保持匀速行驶,自动作业车在任务点中的行驶时间只与其行驶路径的长短有关。自动作业车在整个调度流程中并不是时时刻刻都处于运行状态,倘若没有新的任务安排自动作业车可能会在A处或者上一项任务的任务点处等待。自动作业车运行时的功率比等待时的功率要大很多。所以,如何找到一条较优的路径使自动作业车的运行时间、响应时间、耗能都较少是问题的关键。
因此,综合考虑自动作业车运行时间、响应时间和耗能等主要因索,建立物流调度模型如下:
TE=Tz+q3*E, (1)
tij=Sij/V, (4)
当i=ka,a=(1,2,3,4...n)时,Sij=di+dj, (5)
tj=Tj+Dj+tij+Z, (6)
Dj=ti-Tj, (7)
Dj=0,当ti<Tj时, (8)
式中:q1、q2、q3为权重系数;p为自动作业车的运行功率与等待功率的比值。
式(2)Tz为自动作业车调度时间目标函数;
式(3)E为自动作业车调度耗能目标函数;
式(4)tij表示任务i处到任务j处的自动作业车行驶时间;
式(5)表示自动作业车装载满k个快递件后回到起始点A卸货,再去执行下一项任务。
式(6)tj表示任务j完成的时刻。
式(7)Dj表示完成任务i时,任务j已经发生了的时间即自动作业车的响应时间。
式(8)表示之前所有任务均已完成,后续任务仍未发生,自动作业车在任务i处原地待命。
式(1)为本发明的总目标函数,将仓储系统的物流调度的多目标模型转换成单目标模型。为了对自动作业车运行时间、响应时间、耗能这3种因索的权重系数进行定量,采用层次分析法进行赋值。采用矩阵判断标度,对矩阵中各要素的重要性进行定量显示。构造判断矩阵,运用线性变换计算各部分权重,经过一致性检验后,得到合适的权重系数如表1所示。
表1权重评定表
根据建立的自动作业车物流调度模型,采用任务排序作为粒子的编码方式,每个粒子均表示自动作业车的一个目标装载任务,粒子的编号即为任务发生的时间顺序,例如,编号为3的粒子表示第3个发生的任务。粒子的先后顺序即为自动作业车装载快递件的先后顺序,例如,个体的编码为(3,6,4,7,1,2,8,5),即任务的执行顺序为先执行第3个发生的任务再执行第6个发生的任务以此类推直至所有任务完成。
假设自动作业车满载为4个快递件(k为4),在完成4个装载任务后小车需要回到A点进行卸载,卸载完成后再继续完成任务。所以,自动作业车的实际行驶路线需要考虑在满载后驶向卸货点卸货的情况。例如,个体的编码为(3,6,4,7,1,2,8,5),则自动作业车的实际行驶路线为(3,6,4,7,A,1,2,8,5,A),自动作业车先后完成3,6,4,7号任务的装载后回到A点卸载,再依次完成1,2,8,5号任务的装载后回到A点卸载。
首先看,以任务排序为约束的交叉操作:
采用十字交叉法进行交叉操作,并以任务序列作为其中一组。所需要交叉的位置片段是任务发生的先后顺序(任务编号)与任务序列的差值决定的。选择差值最大和最小的两个任务的位置作为交叉片段的两端。将任务序列的片段与群体极值相应的片段进行交叉更新。更新后得到的任务序列中如果有任务重复,即用未包含的任务来代替重复的任务。
例如,任务编号(1,2,3,4,5,6,7,8)
初始任务序列(3,6,4,7,1,2,8,5)
↓
差值(-2,-4,-1,-3,4,4,-1,3)
↓
交叉片段(*,6,4,7,1,*,*,*)
↓
极值(5,1,8,4,3,2,6,7)
↓
极值片段(*,1,8,4,3,*,*,*)
↓
更新后的任务序列(3,1,8,4,3,2,8,5)
↓
新任务序列(3,1,8,4,6,2,7,5)
再来看,以任务排序为约束的变异操作:
采用位置互换的方式来进行变异操作,并以任务序列作为其中一组。选择任务序列中与任务发生的先后顺序(任务编号)的差值最大的和最小的两个任务作为一组变异任务,再选择任务序列中与任务编号的差值第二大的和第二小的两个任务作为一组变异任务。将每组两个任务的位置互换来进行变异操作的更新。
例如,初始任务序列(3,6,4,7,1,2,8,5)
任务编号(1,2,3,4,5,6,7,8)
↓
差值(2,4,1,3,-4,-4,1,-3)
↓
变异的位置(*,6,*,*,1,*,*,*)(*,*,*,7,*,2,*,*)
↓
新任务序列(3,1,4,2,6,7,8,5)
初始粒子在经过改进算法任务排序约束的交叉变异操作之后,会得到一个新的粒子。为了寻找最优解并减少不必要的运算,只有在新粒子的适应度更优的情况下才对粒子进行更新,具体算法过程见附图1,其清楚地展示了改进遗传算法流程图。
以某物流仓储系统作为研究对象,采用MATLAB软件平台,在计算机上计算验证所提出的模型和算法的有效性与准确性。以该物流仓储系统在某时间段内总共接收到12个运载任务为例,对任务顺序进行优化排序以获得更优的调度方案。算法采用的粒子个体数目为200个,迭代次数为100次。
物流仓储系统内有54个快递件收发工位,两两相对布置,每两台工位共用一个快递件装载点,总共27个任务点。为方便计算将任务点位置与自动作业车行驶路径标准化,任务点和路径均处于如图2所示的网格上,图2中每格长宽均为0.8m。图2中黑色的线条表示自动作业车的行驶路径,黑色的圆圈表示每个任务装载点,黑色的菱形A表示全检区自动作业车卸货点同时也是自动作业车的初始停靠点。
自动作业车从A点出发,经可行的路径前往发出装载任务的快递件收发工位所对应的任务点处,将快递件装载上自动作业车,再前往下一个目标任务点,直至自动作业车装满4个快递件,自动作业车达到满载,遂驶往A点处进行卸载。卸载完成后再返回快递件堆放点运载新的任务,如此往复循环直到完成所有装载任务。
自动作业车的运行功率与等待功率通过咨询相关自动作业车供应商获得,拟采用自动作业车的运行功率为144W,等待功率为36W。
将选取的快递件收发工位的目标时间段的起始时刻定为模型的0时刻,12个目标装载任务的发生时刻T及所对应的任务点如表2所示。
表2运载任务数据表
编号 | 快递件收发工位 | 任务点 | T<sub>i</sub> |
1 | 9 | 5 | 9 |
2 | 36 | 18 | 16 |
3 | 49 | 25 | 21 |
4 | 42 | 21 | 120 |
5 | 38 | 19 | 137 |
6 | 8 | 4 | 180 |
7 | 15 | 8 | 343 |
8 | 28 | 14 | 369 |
9 | 32 | 16 | 514 |
10 | 33 | 17 | 677 |
11 | 43 | 22 | 720 |
12 | 13 | 7 | 789 |
通过目标函数确定适应度函数,再利用改进算法进行求解。得到自动作业车的行驶路径与其相应的适应度值,从时间优先、耗能优先、综合优先三方面对调度方案进行考量。时间优先采用式(2)作为适应度函数,耗能优先采用式(3)作为适应度函数,综合优先采用式(1)作为适应度函数。3种调度策略的最优解如表3所示。
表3计算结果表
从调度时间、调度耗能两方面对比上述3种调度方案,结果如表4所示。
表4结果评价表
路径规划 | 调度时间 | 调度耗能 |
时间优先路径规划 | 141.95 | 2025.0 |
耗能优先路径规划 | 160.19 | 1931.8 |
综合目标路径规划 | 142.04 | 1955.8 |
由表4可知,着力于时间优先的路径规划其调度耗能较高,着力于耗能优先的路径规划调度时间又很长。文中所提出的综合目标路径规划在保持调度时间较优的情况下,有效降低了调度耗能,既拥有趋于最优的调度时间又拥有趋于最优的调度耗能。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种智能供应链物流调度方法,其特征在于,该方法构建自动作业车物流调度模型,综合考虑自动作业车运行时间、响应时间和耗能因素,
自动作业车有目标任务的集合为X=(1,2,3,4...n),其中,j为i的下一项任务(j=i+1),i∈X,j∈X;Ti是任务i的发生时刻,Tj是任务j的发生时刻,Z是自动作业车在任务点装载快递件的时间,Sij是任务i处到任务j处的自动作业车最短行驶距离,V是自动作业车的行驶速度,di是暂存区卸货点A到任务i装载处的距离,dj是暂存区卸货点A到任务j装载处的距离,tij是任务i处到任务j处的自动作业车行驶时间,ti是任务i完成的时刻,tj是任务j完成的时刻,Dj是完成任务i时,下一任务j已经发生了的时间即自动作业车的待响应时间;
TE=Tz+q3*E, (1)
tij=Sij/V, (4)
当i=ka,a=(1,2,3,4...n)时,Sij=di+dj, (5)
tj=Tj+Dj+tij+Z, (6)
Dj=ti-Tj, (7)
Dj=0,当ti<Tj时, (8)
上述式中:q1、q2、q3为权重系数;p为自动作业车的运行功率与等待功率的比值;式(2)Tz为自动作业车调度时间目标函数;式(3)E为自动作业车调度耗能目标函数;式(4)tij表示任务i处到任务j处的自动作业车行驶时间;式(5)表示自动作业车装载满k个快递件后回到起始点A卸货,再去执行下一项任务;式(6)tj表示任务j完成的时刻;式(7)Dj表示完成任务i时,任务j已经发生了的时间即自动作业车的响应时间;式(8)表示之前所有任务均已完成,后续任务仍未发生,自动作业车在任务i处原地待命。
2.根据权利要求1所述的物流调度方法,其特征在于,对自动作业车运行时间、响应时间、耗能这3种因索的权重系数进行定量,采用层次分析法进行赋值。
3.根据权利要求1或2所述的物流调度方法,其特征在于,所述的q1为0.295。
4.根据权利要求3所述的物流调度方法,其特征在于,所述q2为0.649。
5.根据权利要求4所述的物流调度方法,其特征在于,所述q3为0.056。
6.根据权利要求1-5任一项所述的物流调度方法,其特征在于,采用以任务排序为约束的遗传交叉操作和以任务排序为约束的遗传变异操作。
7.根据权利要求6所述的物流调度方法,其特征在于,所述交叉操作为十字交叉法,并以任务序列作为其中一组,所需要交叉的位置片段是任务发生的先后顺序,也就是任务编号与任务序列的差值决定的;选择差值最大和最小的两个任务的位置作为交叉片段的两端;将任务序列的片段与群体极值相应的片段进行交叉更新;更新后得到的任务序列中如果有任务重复,即用未包含的任务来代替重复的任务。
8.根据权利要求6所述的物流调度方法,其特征在于,所述遗传变异操作采用位置互换的方式来进行,并以任务序列作为其中一组,选择任务序列中与任务发生的先后顺序,也就是任务编号的差值最大的和最小的两个任务作为一组变异任务,再选择任务序列中与任务编号的差值第二大的和第二小的两个任务作为一组变异任务,将每组两个任务的位置互换来进行变异操作的更新。
9.一种智能供应链物流调度系统,其采用根据权利要求1-8任一项所述的物流调度方法对自动作业车进行路径优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284555.5A CN112270500A (zh) | 2020-11-17 | 2020-11-17 | 一种智能供应链物流调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011284555.5A CN112270500A (zh) | 2020-11-17 | 2020-11-17 | 一种智能供应链物流调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270500A true CN112270500A (zh) | 2021-01-26 |
Family
ID=74340040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011284555.5A Pending CN112270500A (zh) | 2020-11-17 | 2020-11-17 | 一种智能供应链物流调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270500A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
CN117196263A (zh) * | 2023-11-06 | 2023-12-08 | 四川普鑫物流自动化设备工程有限公司 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000002254U (ko) * | 1998-07-01 | 2000-02-07 | 정교민 | 다음정을 내는 풍경 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
CN111368999A (zh) * | 2020-01-13 | 2020-07-03 | 江苏佳利达国际物流股份有限公司 | 一种物流调度系统 |
-
2020
- 2020-11-17 CN CN202011284555.5A patent/CN112270500A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000002254U (ko) * | 1998-07-01 | 2000-02-07 | 정교민 | 다음정을 내는 풍경 |
CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
CN111191813A (zh) * | 2019-10-14 | 2020-05-22 | 重庆邮电大学 | 基于货物载重与软时间窗限制的车辆配送路径优化方法 |
CN111368999A (zh) * | 2020-01-13 | 2020-07-03 | 江苏佳利达国际物流股份有限公司 | 一种物流调度系统 |
Non-Patent Citations (1)
Title |
---|
王真 等: ""车间多载自动导引车绿色物流调度"", 《重庆大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
CN117196263A (zh) * | 2023-11-06 | 2023-12-08 | 四川普鑫物流自动化设备工程有限公司 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
CN117196263B (zh) * | 2023-11-06 | 2024-02-09 | 四川普鑫物流自动化设备工程有限公司 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408589B (zh) | 基于混合粒子群算法的agv优化调度方法 | |
Lerher et al. | Travel time model for shuttle-based storage and retrieval systems | |
CN111091238B (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
CN110245890A (zh) | 货品分拣方法及货品分拣系统 | |
CN109375601A (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
CN107578119A (zh) | 一种智能调度系统的资源分配全局优化方法 | |
CN112270500A (zh) | 一种智能供应链物流调度方法和系统 | |
CN108959783B (zh) | 一种智能车间的布局仿真优化方法及装置 | |
CN111882215B (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
CN105858043B (zh) | 一种升降机与穿梭车结合的仓储系统优化调度方法 | |
CN109081030A (zh) | 一种子母穿梭车式密集仓储系统的配置优化方法 | |
Sayarshad | Using bees algorithm for material handling equipment planning in manufacturing systems | |
Du et al. | Research on multi-load AGV path planning of weaving workshop based on time priority | |
CN106773686A (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
CN111311003A (zh) | 一种用于柔性化生产的零部件排序拣选方法 | |
Chen et al. | Simulation-based time-efficient and energy-efficient performance analysis of an overhead robotic compact storage and retrieval system | |
CN112801484B (zh) | 一种考虑配料误差的物料配送调度方法和系统 | |
Jiang et al. | Intralogistics synchronization in robotic forward-reserve warehouses for e-commerce last-mile delivery | |
Cheng et al. | Inventory and total completion time minimization for assembly job-shop scheduling considering material integrity and assembly sequential constraint | |
CN117236037A (zh) | 用于评估接触网零部件仓库布局的仿真系统及方法 | |
Gao et al. | A framework of cloud-edge collaborated digital twin for flexible job shop scheduling with conflict-free routing | |
CN115660551A (zh) | 一种电网计量物资无人值守仓库多agv调度优化方法及系统 | |
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 | |
Roozbeh Nia et al. | Energy-conscious dynamic sequencing method for dual command cycle unit-load multiple-rack automated storage and retrieval systems | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 |
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 |
Application publication date: 20210126 |
|
RJ01 | Rejection of invention patent application after publication |