CN112508478B - 一种基于自组织自动导引车的柔性物流配送任务分配方法 - Google Patents

一种基于自组织自动导引车的柔性物流配送任务分配方法 Download PDF

Info

Publication number
CN112508478B
CN112508478B CN202011401521.XA CN202011401521A CN112508478B CN 112508478 B CN112508478 B CN 112508478B CN 202011401521 A CN202011401521 A CN 202011401521A CN 112508478 B CN112508478 B CN 112508478B
Authority
CN
China
Prior art keywords
logistics distribution
task
self
sagv
tasks
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
CN202011401521.XA
Other languages
English (en)
Other versions
CN112508478A (zh
Inventor
胡耀光
张立祥
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011401521.XA priority Critical patent/CN112508478B/zh
Publication of CN112508478A publication Critical patent/CN112508478A/zh
Application granted granted Critical
Publication of CN112508478B publication Critical patent/CN112508478B/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
    • G06Q10/083—Shipping
    • 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
    • G06Q10/06—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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，属于车间装配系统物流配送领域。本发明以自组织自动导引车SAGV为基础，根据任务特点将物流配送任务分为零部件配送任务和装配设备配送任务，并创建动态装配设备物流配送任务；根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型；提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过多次迭代得到最优任务分配规则；使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV优先权，根据优先权为物流配送任务分配所需的自组织自动导引车SAGV组合，实现动态柔性物流配送任务分配，提高设备利用率，降低成本。

Description

一种基于自组织自动导引车的柔性物流配送任务分配方法
技术领域
本发明属于车间装配系统物流配送领域，涉及一种基于自组织自动导引车的柔性物流配送任务分配方法。
背景技术
飞机、轮船、重型机械设备等大型复杂产品是典型的小批量定制化产品，其装配过程具有耗费时间长、占用空间大、装配辅助设备及物料种类多等特点，使得装配流程规划成为产品生产的主要瓶颈问题。物流配送是产品装配过程中最重要的一部分，物流配送的准确性和及时性对产品的装配质量、装配速度以及装配车间的空间等影响大，低效的物流配送严重影响装配线的运转和系统成本。自动导引车具有自主路径规划、自主避障等功能，在承载机构或牵引机构的辅助下，自动导引车自主完成物料或设备的装载、搬运和卸载过程，这促使以自动导引车为主的柔性物流配送设备被广泛用于大型复杂产品装配线的物流配送过程。然而，大型复杂产品装配线所需的物料种类多、尺寸或重量变化大，当前被广泛应用的自动导引车仅能独自完成物流配送任务，不支持多机协同，大大降低了物流设备的利用率，同时，自动导引车成本较高，大量使用会造成物流配送系统的成本过高。
近年来，协作机器人被开发并进行应用验证，其可以根据任务自主协同完成物流配送任务，大大提高了物流配送系统的柔性。然而，当前的物流配送任务分配方法难以用于多机协同环境下的任务分配，主要在于，静态算法最优解是针对具体问题的，缺乏动态性和鲁棒性；基于经验的简单规则动态算法使用简单，但是求解效果差。因此，为了满足柔性物流配送任务分配的动态性、实时性、复杂性需求，急需建立动态多机协同物流配送模型，寻找更好的任务分配方法，提高物流配送的实时性和准确性，降低物流配送系统的成本。
发明内容
为解决动态柔性物流配送任务分配问题，本发明的目的是提供一种基于自组织自动导引车的柔性物流配送任务分配方法，能够提取任务分配涉及的相关属性，进化学习得到最优的任务分配规则，实现动态柔性物流配送任务分配，提高设备利用率，降低物流配送系统的成本。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，以自组织自动导引车SAGV为基础，针对大型复杂产品装配线的物流配送过程，根据任务特点将物流配送任务分为零部件配送任务和装配设备配送任务，并创建动态装配设备物流配送任务；根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型；提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过初始化、评价、选择、交叉、变异、邻域搜索等步骤的多次迭代得到最优任务分配规则；使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV优先权，根据优先权为物流配送任务分配所需的自组织自动导引车SAGV组合，实现动态柔性物流配送任务分配。
本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，包括如下步骤：
步骤一：定义自组织自动导引车SAGV。自组织自动导引车SAGV是指一类具有协同物流配送功能的移动机器人，多个自组织自动导引车根据任务指令柔性组合为一个整体，完成目标物流配送任务。
步骤二：对物流配送任务进行分类，并创建动态装配设备物流配送任务。
步骤2.1：对物流配送任务进行分类。
根据任务需要被搬运的次数，将物流配送任务分为零部件配送任务和装配设备配送任务。
步骤2.2：创建动态装配设备物流配送任务。
零部件配送至工位后，直接装配在机身产品上，属于消耗品；装配设备配送至工位后，辅助完成零部件的装配任务后被再次配送，即将装配设备从装配工位搬回至设备仓库。由于装配设备需要被搬回以免占用生产空间，因此，需要确定装配设备搬回的时间窗。
动态装配设备物流配送任务创建方法如下：当装配设备的初始物流配送任务为(Ti,dtui,dtli,psi,pfi,wi)时，其中，Ti代表任务编号，dtui为时间窗下限，dtli为时间窗上限，psi为起点，pfi为目标点，wi为装配设备重量。物流配送任务的开始时间为esti，任务运输时间为tti，装配设备的使用时间为pti,则为装配设备创建的动态装配设备物流配送任务(TiR,esti+tti+pti,esti+tti+pti+C,pfi,psi,wi)，其中C为常数，表示搬回时间窗的长度。
步骤三：根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型。
步骤3.1：构建目标函数为最小化物流配送任务的总延迟如式(1)所示。
Figure BDA0002812595360000021
步骤3.2：建立物流配送任务和自组织自动导引车SAGV的开始时间和运输时间约束。
物流配送任务和自组织自动导引车SAGV的时间约束包括两部分：开始时间约束和运输时间约束。开始时间约束，即任务最早开始运输时间esti如式(2)所示，自组织自动导引车SAGV最早开始时间esai如式(3)所示。运输时间约束，即任务最早开始运输时间不早于所有参与任务Ti/TiR的自组织自动导引车SAGV抵达任务起点的时间如式(4)所示，Xij＝1表示Aj参与任务Ti/TiR；自组织自动导引车SAGV的最早开始时间不早于完成上次物流配送任务的完成时间如式(5)所示。
Figure BDA0002812595360000022
Figure BDA0002812595360000023
Figure BDA0002812595360000031
Figure BDA0002812595360000032
其中：i为任务编号，j为自组织自动导引车SAGV的编号，n为任务数量，v为自组织自动导引车SAGV的数量，tt为自组织自动导引车SAGV从当前位置paj运动到任务起点psi的时间。
步骤3.3：建立物流配送任务所需的自组织自动导引车SAGV的搬运能力约束和最大允许组合数量约束。
物流配送任务所需的自组织自动导引车SAGV的能力约束表示执行配送任务Ti/TiR的所有SAGV的总搬运能力不小于物流配送任务的重量wi，所有自组织自动导引车SAGV的总搬运能力不小于物流配送任务的重量wi如式(6)所示，其中mc表示单个SAGV的最大搬运能力，且参与的自组织自动导引车SAGV数量不能超过可用自组织自动导引车SAGV的数量v，如式(7)所示。
Figure BDA0002812595360000033
Figure BDA0002812595360000034
步骤四：提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过初始化、评价、选择、交叉、变异、邻域搜索等步骤的多次迭代得到最优任务分配规则。
步骤4.1：提取物流配送任务和自组织自动导引车SAGV的关键属性。
提取物流配送任务分配涉及的物流配送任务和自组织自动导引车SAGV的关键属性值，每个属性的含义如表1所示。
表1任务分配规则关键属性
Figure BDA0002812595360000035
步骤4.2：使用决策树表示染色体代表的任务分配规则。
使用决策树表示任务分配规则优先权计算函数，染色体{+-*-q/*+-qLEFUTEFTUUT}代表的优先权计算函数如式(8)所示，其中q表示平方根函数，当平方根为负值时取绝对值。其中：各属性的含义如表1所示。
Figure BDA0002812595360000041
步骤4.3：初始化任务分配规则种群，使用随机函数生成所需数量的初始种群。
步骤4.4：评价种群中个体的适应度，使用完成所有任务的总延迟作为个体的适应度，所述总延迟如式(1)所示。
步骤4.5：选择适应度较小的个体遗传到下一代。
步骤4.6：使用单点交叉、单点变异等常用遗传操作和邻域搜索生成新的个体。
领域搜索方法中的最佳函数和最佳属性是通过对选择得到的优良个体的函数和属性进行统计得到的出现频率最高的函数和属性。
步骤4.7：多次迭代步骤4.3～步骤4.6，得到最优任务分配规则。
步骤五：使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV的优先权，根据计算得到的优先权为每个物流配送任务分配所需的物流配送车辆组合，得到优化后的任务分配方案，进而实现高鲁棒性和高动态适用性的柔性物流配送任务分配，提高设备利用率，降低物流配送系统的成本。
有益效果：
1、本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，通过对大型复杂产品装配线的物流配送过程进行分析，将物流配送任务根据配送特点分为零部件配送任务和装配设备配送任务两类，并创建动态装配设备物流配送任务，提高物流系统的管理能力。
2、本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，通过提取任务分配涉及的物流配送任务和自组织自动导引车的关键属性，运用改进基因表达规划算法进化学习最优的任务分配规则以最小化任务配送延迟时间，得到适用于动态物流配送过程的任务分配规则，提高物流设备的利用效率，降低物流系统的配置成本。此外，进化学习得到的任务分配规则具有高鲁棒性，提高优化解的利用率。
3、本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，运用进化学习得到最优任务分配规则进行动态物流配送任务分配，提高物流系统对搬运需求的响应能力。
附图说明
图1基于自组织自动导引车SAGV的柔性协同物流配送示意图；
图2本发明公开的一种基于自组织自动导引车的柔性物流配送任务分配方法流程图；
图3优先权计算决策树示意图；
图4邻域搜索个体生成过程图；
图5柔性协同物流配送任务分配甘特图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实施例公开一种基于自组织自动导引车的柔性物流配送任务分配方法，以如表2所示某大型民用飞机脉动装配线某时间段所需的物流配送任务为例，每个物流配送任务有不同的配送时间窗和重量。如图1所示，为基于自组织自动导引车SAGV的物流配送示意图，装配线由6个装配工位组成，装配车间有7个仓库，其中W1-W4是零部件仓库，仓库W5-W7是装配设备仓库，根据物流配送任务的重量，不同数量的自组织自动导引车SAGV被分配并协作完成同一个物流配送任务。
表2物流配送任务表
Figure BDA0002812595360000051
Figure BDA0002812595360000061
由于系统内的装配设备搬运任务不仅涉及如表2所示的搬运至工作站进行使用，还需要在使用完成后将其及时搬回至仓库以免占用生产空间，使得装配设备的返回时间与抵达时间和装配时间有关，因此，装配设备的搬回配送任务具有动态性。此外，不同物流配送任务的重量不同使得所需的自组织自动导引车SAGV数量不同，且车间自组织自动导引车SAGV数量较多，任务分配难度大。这些问题导致基于经验的简单规则调度效果差，基于实际问题的静态算法难以求解动态任务分配问题，有必要提供一种用于协同物流配送任务分配的高效任务分配方法。
本实施例公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，流程图如图2所示，以自组织自动导引车SAGV为基础，针对大型复杂产品装配线的物流配送过程，根据任务特点将物流配送任务分为零部件配送任务和装配设备配送任务，并创建动态装配设备物流配送任务；根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型；提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过初始化、评价、选择、交叉、变异、邻域搜索等步骤的多次迭代得到最优任务分配规则；使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV优先权，根据优先权为物流配送任务分配所需的自组织自动导引车SAGV组合，实现动态柔性物流配送任务分配。具体步骤如下：
步骤1：定义自组织自动导引车SAGV。自组织自动导引车SAGV是指一类具有协同物流配送功能的移动机器人，多个自组织自动导引车根据任务指令柔性组合为一个整体，完成目标物流配送任务。
步骤2：任务分类及动态任务创建。
步骤2.1对物流配送任务进行分类。
根据物流配送任务需要被搬运的次数将物流配送任务分为零部件配送任务和装配设备配送任务，如表3和表4所示：
表3零部件配送任务表
Figure BDA0002812595360000071
Figure BDA0002812595360000081
表4装配设备配送任务表
Figure BDA0002812595360000082
Figure BDA0002812595360000091
步骤2.2创建动态装配设备物流配送任务。
由于装配设备在使用完毕后需要及时搬回至对应仓库，因此需要为装配设备创建动态搬回物流配送任务。创建方法如下：当装配设备的初始物流配送任务为(Ti,dtui,dtli,psi,pfi,wi)时，其中，Ti代表任务编号，dtui为时间窗下限，dtli为时间窗上限，psi为起点，pfi为目标点，wi为装配设备重量。物流配送任务的开始时间为esti，任务运输时间为tti，装配设备的使用时间为pti,则为装配设备创建的动态装配设备物流配送任务(TiR,esti+tti+pti,esti+tti+pti+C,pfi,psi,wi)，其中C为常数，表示搬回时间窗的长度，本实施例中C取60。因此，本实施例将包括24个零部件物流配送任务，21个装配设备配送任务和21个装配设备返回物流配送任务。
步骤3：根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型。
步骤3.1：构建目标函数为最小化物流配送任务的总延迟如式(9)所示。
由于装配线生产节奏快、空间小，使得及时、高效的物流配送成为必要，因此，本实施例的优化目标为最小化物流配送任务的总延迟，如式(9)所示，变量定义同步骤2.2所述，实施例共有65个任务，因此n为65。
Figure BDA0002812595360000092
步骤3.2：建立物流配送任务和自组织自动导引车SAGV的开始时间和运输时间约束。
物流配送任务和自组织自动导引车SAGV的时间约束包括两部分：开始时间约束和运输时间约束。开始时间约束，即任务最早开始运输时间esti如式(10)所示，自组织自动导引车SAGV最早开始时间esai如式(11)所示。运输时间约束，即任务最早开始运输时间不早于所有参与任务Ti/TiR的自组织自动导引车SAGV抵达任务起点的时间如式(12)所示，Xij＝1表示Aj参与任务Ti/TiR；自组织自动导引车SAGV的最早开始时间不早于完成上次物流配送任务的完成时间如式(13)所示。
Figure BDA0002812595360000093
Figure BDA0002812595360000094
Figure BDA0002812595360000095
Figure BDA0002812595360000096
其中：i为任务编号，j为自组织自动导引车SAGV的编号，n为任务数量，v为自组织自动导引车SAGV的数量，tt为自组织自动导引车SAGV从当前位置paj运动到任务起点psi的时间。
步骤3.3：建立物流配送任务所需的自组织自动导引车SAGV的搬运能力约束和最大允许组合数量约束。
物流配送任务所需的自组织自动导引车SAGV的能力约束表示执行配送任务Ti/TiR的所有SAGV的总搬运能力不小于物流配送任务的重量wi，所有自组织自动导引车SAGV的总搬运能力不小于物流配送任务的重量wi如式(14)所示，其中mc表示单个SAGV的最大搬运能力，本实施例中mc＝4，且参与的自组织自动导引车SAGV数量不能超过可用自组织自动导引车SAGV的数量v，如式(15)所示。
Figure BDA0002812595360000101
Figure BDA0002812595360000102
步骤4：提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过初始化、评价、选择、交叉、变异、邻域搜索等步骤的多次迭代得到最优任务分配规则。
步骤4.1：提取物流配送任务和自组织自动导引车SAGV的关键属性。
提取物流配送任务分配涉及的物流配送任务和自组织自动导引车SAGV的关键属性值，每个属性的含义如表5所示。
表5任务分配规则关键属性
Figure BDA0002812595360000103
步骤4.2：使用决策树表示染色体代表的任务分配规则。
使用决策树表示任务分配规则优先权计算函数如图3所示，染色体{+-*-q/*+-qLEFUTEFTUUT}代表的优先权计算函数如式(16)所示，其中q表示平方根函数，当平方根为负值时取绝对值。其中：各属性的含义如表5所示。本实施例中染色体长度为21，其中前10个基因代表计算函数，即：+，-，*，/，q；后11个基因代表相关属性。
Figure BDA0002812595360000111
步骤4.3：初始化任务分配规则种群，使用随机函数生成所需数量的初始种群，本实施例种群大小为200。
步骤4.4：评价种群中个体的适应度，使用完成所有任务的总延迟作为个体的适应度，所述总延迟如式(9)所示。
步骤4.5：选择适应度较小的个体遗传到下一代，即：总延迟最小的20个个体。
步骤4.6：使用单点交叉、单点变异等常用遗传操作和邻域搜索生成新的个体。
领域搜索方法如图3所示，其中的最佳函数和最佳属性是通过对选择得到的优良个体的函数和属性进行统计得到的出现频率最高的函数和属性。
步骤4.7：多次迭代步骤4.3～步骤4.6，得到最优任务分配规则。
重复执行上述的步骤4.3～步骤4.6过程20次，得到学习出的最佳任务分配规则如式(17)所示，其被用于计算优先权。
Figure BDA0002812595360000112
步骤5：使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV的优先权，根据计算得到的优先权为每个物流配送任务分配所需的物流配送车辆组合。
步骤5.1：使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV的优先权。
对于每个物流配送任务，使用式(17)计算所有自组织自动导引车SAGV的优先权。例如：对于任务T1，T2，T3，T5，T6，T7，T4，T9，T11，计算得到所有自组织自动导引车SAGV的优先权如表6所示。
表6自组织自动导引车SAGV优先权表
Figure BDA0002812595360000113
Figure BDA0002812595360000121
步骤4.2：根据计算得到的优先权为每个物流配送任务分配所需的物流配送车辆组合。
使用如表6所示的优先权为每个物流配送任务分配所需的自组织自动导引车SAGV。例如：任务T1需要1个自组织自动导引车SAGV，则选择优先权最小的自组织自动导引车SAGV分配给此任务，即：A1。当多个自组织自动导引车SAGV的优先权相同时，选择自组织自动导引车SAGV编号最小的自组织自动导引车SAGV。任务T3需要2辆自组织自动导引车SAGV，则选择优先权最小的两个自组织自动导引车SAGV分配给此任务，及A3和A4。根据上述任务分配方法，即可为所有的任务分配需要的自组织自动导引车SAGV。
使用上述方法为表2所示的24个物流配送任务，21个装配设备配送任务以及创建的21个动态装配设备搬回任务分配自组织自动导引车SAGV，得到的结果如图5所示。
使用本实施例公开的一种基于自组织自动导引车的柔性物流配送任务分配方法，在无延迟要求下解决本实施例，需要21辆自组织自动导引车SAGV。使用常见的单承载自动导引车需要13辆。市场上每辆自组织自动导引车SAGV的单价约为11万元，单承载自动导引车的单价约为24万元。因此使用本实施例公开的种基于自组织自动导引车的柔性物流配送任务分配方法，物流系统的配置成本将降低约25％，证明本发明方法能够有效降低物流系统的配置成本。同时，单承载自动导引车的负载能力是自组织自动导引车SAGV的4倍，使用本发明方法，总负载能力将降低约60％，证明本发明方法能够有效提高物流设备的利用率。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于自组织自动导引车的柔性物流配送任务分配方法，其特征在于：包括如下步骤，
步骤一：定义自组织自动导引车SAGV；自组织自动导引车SAGV是指一类具有协同物流配送功能的移动机器人，多个自组织自动导引车根据任务指令柔性组合为一个整体，完成目标物流配送任务；
步骤二：对物流配送任务进行分类，并创建动态装配设备物流配送任务；
步骤二实现方法为，
步骤2.1：对物流配送任务进行分类；
根据任务需要被搬运的次数，将物流配送任务分为零部件配送任务和装配设备配送任务；
步骤2.2：创建动态装配设备物流配送任务；
零部件配送至工位后，直接装配在机身产品上，属于消耗品；装配设备配送至工位后，辅助完成零部件的装配任务后被再次配送，即将装配设备从装配工位搬回至设备仓库；由于装配设备需要被搬回以免占用生产空间，因此，需要确定装配设备搬回的时间窗；
动态装配设备物流配送任务创建方法如下：当装配设备的初始物流配送任务为(Ti,dtui,dtli,psi,pfi,wi)时，其中，Ti代表任务编号，dtui为时间窗下限，dtli为时间窗上限，psi为起点，pfi为目标点，wi为装配设备重量；物流配送任务的开始时间为esti，任务运输时间为tti，装配设备的使用时间为pti,则为装配设备创建的动态装配设备物流配送任务(TiR,esti+tti+pti,esti+tti+pti+C,pfi,psi,wi)，其中C为常数，表示搬回时间窗的长度；
步骤三：根据动态物流配送任务分配的优化目标以及时间窗约束，建立多机协同物流配送任务分配模型；
步骤四：提取物流配送任务和自组织自动导引车SAGV的关键属性，运用改进基因表达规划算法经过初始化、评价、选择、交叉、变异、邻域搜索步骤的多次迭代得到最优任务分配规则；
步骤五：使用学习得到的任务分配规则计算每辆自组织自动导引车SAGV的优先权，根据计算得到的优先权为每个物流配送任务分配所需的物流配送车辆组合，得到优化后的任务分配方案，进而实现高鲁棒性和高动态适用性的柔性物流配送任务分配，提高设备利用率，降低物流配送系统的成本。
2.如权利要求1所述的一种基于自组织自动导引车的柔性物流配送任务分配方法，其特征在于：步骤三实现方法为，
步骤3.1：构建目标函数为最小化物流配送任务的总延迟如式(1)所示；
Figure FDA0003660618750000011
步骤3.2：建立物流配送任务和自组织自动导引车SAGV的开始时间和运输时间约束；
物流配送任务和自组织自动导引车SAGV的时间约束包括两部分：开始时间约束和运输时间约束；开始时间约束，即任务最早开始运输时间esti如式(2)所示，自组织自动导引车SAGV最早开始时间esai如式(3)所示；运输时间约束，即任务最早开始运输时间不早于所有参与任务Ti/TiR的自组织自动导引车SAGV抵达任务起点的时间如式(4)所示，Xij＝1表示Aj参与任务Ti/TiR；自组织自动导引车SAGV的最早开始时间不早于完成上次物流配送任务的完成时间如式(5)所示；
Figure FDA0003660618750000012
Figure FDA0003660618750000013
Figure FDA0003660618750000021
Figure FDA0003660618750000022
其中：i为任务编号，j为自组织自动导引车SAGV的编号，n为任务数量，v为自组织自动导引车SAGV的数量，tt为自组织自动导引车SAGV从当前位置paj运动到任务起点psi的时间；
步骤3.3：建立物流配送任务所需的自组织自动导引车SAGV的搬运能力约束和最大允许组合数量约束；
物流配送任务所需的自组织自动导引车SAGV的能力约束表示执行配送任务Ti/TiR的所有SAGV的总搬运能力不小于物流配送任务的重量wi，所有自组织自动导引车SAGV的总搬运能力不小于物流配送任务的重量wi如式(6)所示，其中mc表示单个SAGV的最大搬运能力，且参与的自组织自动导引车SAGV数量不能超过可用自组织自动导引车SAGV的数量v，如式(7)所示；
Figure FDA0003660618750000023
Figure FDA0003660618750000024
3.如权利要求2所述的一种基于自组织自动导引车的柔性物流配送任务分配方法，其特征在于：步骤四实现方法为，
步骤4.1：提取物流配送任务和自组织自动导引车SAGV的关键属性；
提取物流配送任务分配涉及的物流配送任务和自组织自动导引车SAGV的关键属性值，L是物流配送任务时间窗下限，U是物流配送任务时间窗上限，E是SAGV最早开始时间，F是SAGV抵达物流配送任务起所需时间，T是物流配送任务运输时间；
步骤4.2：使用决策树表示染色体代表的任务分配规则；
使用决策树表示任务分配规则优先权计算函数，染色体{+-*-q/*+-qLEFUTEFTUUT}代表的优先权计算函数如式(8)所示，其中q表示平方根函数，当平方根为负值时取绝对值；
Figure FDA0003660618750000025
步骤4.3：初始化任务分配规则种群，使用随机函数生成所需数量的初始种群；
步骤4.4：评价种群中个体的适应度，使用完成所有任务的总延迟作为个体的适应度，所述总延迟如式(1)所示；
步骤4.5：选择适应度较小的个体遗传到下一代；
步骤4.6：使用单点交叉、单点变异常用遗传操作和邻域搜索生成新的个体；
领域搜索方法中的最佳函数和最佳属性是通过对选择得到的优良个体的函数和属性进行统计得到的出现频率最高的函数和属性；
步骤4.7：多次迭代步骤4.3～步骤4.6，得到最优任务分配规则。
CN202011401521.XA 2020-12-02 2020-12-02 一种基于自组织自动导引车的柔性物流配送任务分配方法 Active CN112508478B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011401521.XA CN112508478B (zh) 2020-12-02 2020-12-02 一种基于自组织自动导引车的柔性物流配送任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011401521.XA CN112508478B (zh) 2020-12-02 2020-12-02 一种基于自组织自动导引车的柔性物流配送任务分配方法

Publications (2)

Publication Number Publication Date
CN112508478A CN112508478A (zh) 2021-03-16
CN112508478B true CN112508478B (zh) 2022-07-26

Family

ID=74968269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011401521.XA Active CN112508478B (zh) 2020-12-02 2020-12-02 一种基于自组织自动导引车的柔性物流配送任务分配方法

Country Status (1)

Country Link
CN (1) CN112508478B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516308A (zh) * 2021-07-09 2021-10-19 武汉科技大学 单agv作业车间调度规则挖掘方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108267954A (zh) * 2018-01-15 2018-07-10 西北工业大学 一种带硬时间窗的刀具准时配送路径规划算法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699982A (zh) * 2013-12-26 2014-04-02 浙江工业大学 一种带软时间窗口的物流配送控制方法
US20170270448A1 (en) * 2016-03-18 2017-09-21 Jusda International Logistics (TAIWAN) CO.,LTD Vehicle scheduling device and method for transportation systems
CN106503836B (zh) * 2016-10-09 2020-06-16 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
CN109034468B (zh) * 2018-07-19 2022-01-25 南京邮电大学 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108267954A (zh) * 2018-01-15 2018-07-10 西北工业大学 一种带硬时间窗的刀具准时配送路径规划算法

Also Published As

Publication number Publication date
CN112508478A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109034468B (zh) 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
CN112418497B (zh) 一种面向制造物联的物料配送路径优化方法
CN110807236A (zh) 一种基于多机器人的仓储物流仿真系统
Barak et al. Energy-efficient multi-objective flexible manufacturing scheduling
CN112561194B (zh) 一种混合流水车间生产与物流集成调度方法及系统
Jiang et al. Picking-replenishment synchronization for robotic forward-reserve warehouses
CN86101057A (zh) 用于有效地分配资源的方法和设备
CN107657364A (zh) 一种面向烟草工厂物料运输的多载agv任务分配形成方法
CN103246969B (zh) 一种物流调配的实现方法和装置
CN104842564B (zh) 一种基于nsga‑ii的三维打印多任务优化调度方法
CN110717684B (zh) 一种基于任务分配协调策略与粒子群算法的任务分配方法
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
CN114862313B (zh) 一种基于bp神经网络的组合规则动态选取方法
CN111784260A (zh) 运输规划方法、装置、存储介质及处理器
Zhang et al. A dynamic scheduling method for self-organized AGVs in production logistics systems
CN116523221A (zh) 一种智能仓储拣选任务的优化调度方法及系统
Zhou et al. Multi-objective optimization of greening scheduling problems of part feeding for mixed model assembly lines based on the robotic mobile fulfillment system
CN112508478B (zh) 一种基于自组织自动导引车的柔性物流配送任务分配方法
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
CN116224926A (zh) 面向单件小批柔性制造车间的动态调度优化方法及装置
CN117032298A (zh) 卡车无人机同步运行协同配送模式下的无人机任务分配规划方法
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
CN113506048A (zh) 一种柔性作业车间的调度方法
Hani et al. Simulation based optimization of a train maintenance facility
CN111798097A (zh) 一种基于市场机制的自主移动机器人任务分配处理方法

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