CN112508481A - 一种智能仓储多agv调度方法 - Google Patents

一种智能仓储多agv调度方法 Download PDF

Info

Publication number
CN112508481A
CN112508481A CN202011410306.6A CN202011410306A CN112508481A CN 112508481 A CN112508481 A CN 112508481A CN 202011410306 A CN202011410306 A CN 202011410306A CN 112508481 A CN112508481 A CN 112508481A
Authority
CN
China
Prior art keywords
agv
scheduling
intelligent storage
genetic algorithm
value
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
Application number
CN202011410306.6A
Other languages
English (en)
Inventor
黄超
张毅
郑凯
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.)
Chongqing Changshou High tech Zone Service Center
Chongqing Youzhi Robot Research Institute Co ltd
Original Assignee
Chongqing Youzhi Robot Research Institute 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 Chongqing Youzhi Robot Research Institute Co ltd filed Critical Chongqing Youzhi Robot Research Institute Co ltd
Priority to CN202011410306.6A priority Critical patent/CN112508481A/zh
Publication of CN112508481A publication Critical patent/CN112508481A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • 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
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (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)

Abstract

本发明涉及一种智能仓储多AGV调度方法，属于智能物流领域。该方法包括步骤：S1，将仓库的平面地图划分为若干个相同大小的栅格，建立栅格地图；S2，基于栅格地图构造多AGV的调度模型F；S3，以F为目标函数采用改进的遗传算法求解AGV的最优调度结果。本发明可以获得可靠的栅格地图精度。

Description

一种智能仓储多AGV调度方法
技术领域
本发明属于智能物流领域，涉及一种智能仓储多AGV调度方法。
背景技术
仓库作为物流最重要的组成部分之一，随着存储量和流通量的不断加大，人工成本也在不断加大，还有管理仓库的进出库的信息数据变更和维护的难度也在不断加大。因此，为了降低人工成本，有必要引入智能设备建立面向无人化、智能化的仓储系统。同时相关智能设备的引入还能实现货物的自动分拣、自动运输，也可以降低人工可能带来的误差率，对于整个仓储系统运行效率的提升也有很大的作用。
自动导航小车(AutomatedGuidedVehicle,AGV)出现于上世纪五十年代，是一种在智能车间或者智能仓储中用来实现物料运输的轮式机器人。随着AGV技术的发展，AGV的自主导航方式也出现了很多种，比如磁导航、激光导航等。由于应用场景的不同，不同的导航方式使得AGV具有更强的适应性，因此AGV在智能车间或者智能仓储中执行物料搬运、运输和转移等任务时，能够大幅地提高运行效率。如今AGV已经成为智能车间系统和智能仓储系统中必不可少的一部分。
多目标优化已经成功应用于很多领域，包括工程、交通和物流。多目标优化问题就是在冲突的目标中寻找一个最优方案满足所有的目标函数。随着自动化智能化技术的不断发展，很多制造企业传统的物料运输方式已经不能满足于现在的需求，为了应付这种情况，很多企业引入了AGV，达到物料运输的目的。AGV由于在车间仓库运送物料的高效性，在物流行业已经扮演了越来越重要的角色。但是Multi-AGV系统的运用仍然面临几个重要的问题：AGV的数量，路径规划，施加约束等。
发明内容
有鉴于此，本发明的目的在于提供一种智能仓储多AGV调度方法。首先将仓库平面地图划分为若干个相同大小的栅格，并基于栅格地图建立多AGV的调度模型。再采用改进的遗传算法求解出AGV的调度方案，通过加入电量判断操作来保证AGV有充足的电量完成任务，以及改变遗传算法中的变异算子来加快算法的收敛速度。
为达到上述目的，本发明提供如下技术方案：
一种智能仓储多AGV调度方法，该方法包括以下步骤：
将仓库的平面地图划分为若干个相同大小的栅格，建立栅格地图，并基于栅格地图建立调度模型：
Figure BDA0002816930190000021
Figure BDA0002816930190000022
以F取最小值为目标函数采用改进遗传算法求解AGV最优调度结果；
其中，Lk为需要AGV配送的工作站点的下标，γ为AGV行驶距离对应的电量转换系数，Cij为i、j站点间的最短距离，Xijk在K号AGV通过i到j的路径时为1，否则为0，M为AGV数量，k为AGV编号，Ek为k号AGV在此次调度规划中需要消耗的电量。
可选的，所述多AGV的调度模型约束条件为：
Figure BDA0002816930190000023
Figure BDA0002816930190000024
Figure BDA0002816930190000025
Figure BDA0002816930190000026
其中，Yki在k号AGV前往i号工作站点时为1，否则为0，MEk为此次规划中AGV的最大允许电量消耗值。
可选的，所述改进遗传算法选择一个具有指数变换的适应度函数为：
f＝α*exp(β*E)
其中，E(＝E1+E2+...+Ek)是父代种群中的一个；α和β是算术常数；α决定复制的强制，这个值越小，具有最大适应度的个体的复制强度越大。
可选的，所述改进遗传算法中，交叉操作选择循环交叉，交叉操作的遗传算子概率选值为0.5～0.8。
可选的，所述改进遗传算法中，变异操作为将所有染色体中完成任务所需耗能最大的AGV随机选择一个任务，然后划分给耗能最少的AGV，提升种群收敛速度；变异操作的遗传算子概率选值为0.05～0.2。
可选的，所述改进遗传算法中增加电量判断操作，具体步骤为：
步骤1：输入此次任务中所有AGV的最大允许电量消耗量(ME1,ME2,...,MEk)；
步骤2：解出当前调度结果中染色体对应的电量消耗值(E1,E2,...,Ek)；
步骤3：分别将步骤1和步骤2计算的结果进行升序排列：
ME＝sort([ME1,ME2,...,MEk])，
EH＝sort([E1,E2,...,Ek])；
步骤4：如果EH≤ME，则此结果满足，否则舍弃此结果。
可选的，设定所述AGV无效作业时间期望值为t，在改进遗传算法中的无效作业时间值与所述期望值的误差小于设定范围时，遗传算法终止。
可选的，在所述调度模型中设定调度任务，具体为：
AGV从仓库原点出发去工作站点执行任务并返回原点。
本发明的有益效果在于：采用遗传算法对目标函数求解，通过对目标函数进行总能耗和单AGV能耗都最小的双重约束，使得求解结果具有较好的全局性能，可有效防止计算过程收敛于局部最优解；该方法通过加入对AGV电量的考虑，使得调度结果更加合理；该方法改变了所述遗传算法中变异操作的遗传算子，加快了算法收敛速度，因此计算速度更快，计算过程对资源消耗更少；该方法还具有并行计算的特点，在计算机资源充足的情况下，可通过大规模并行计算来提高计算速度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
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优选的详细描述，其中：
图1是本发明提出的智能仓储多AGV调度方法的流程图；
图2是本发明提出的调度方法所采用的改进遗传算法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明提供了一种智能仓储多AGV调度方法，旨在实现所有AGV的总能耗和单AGV的能耗最小，并采用改进遗传算法求解。在建立调度模型时需要考虑以下几点：
1)每个AGV的起始位置都是货仓；
2)只有一个货仓和充电区域，并且充电区域就在货仓，即为0号工作站点；
3)当每个AGV完成任务电量低于阈值后，需要自行前往充电；
4)单次任务中各个工作站点只需要1个AGV；
5)AGV个数M低于工作站点个数N。
本发明实施例中，设置一个调度任务为：有N个工作站点，编码为0-N，有M个AGV完成任务。
基于上述，本发明提出的智能仓储多AGV调度方法，如图1所示，包括如下步骤：
步骤S1：将仓库的平面地图划分为若干个相同大小的栅格，建立栅格地图；
步骤S2：基于栅格地图构造多AGV的调度模型。
构造的调度模型F为：
Figure BDA0002816930190000041
Figure BDA0002816930190000042
其中，Lk为需要AGV配送的工作站点的下标，γ为AGV行驶距离对应的电量转换系数，Cij为i、j站点间的最短距离，Xijk在k号AGV通过i到j的路径时为1，否则为0，M为AGV数量，k为AGV编号，为k号AGV在此次调度规划中需要消耗的电量。
该构造的多AGV调度模型的约束条件为
Figure BDA0002816930190000051
Figure BDA0002816930190000052
Figure BDA0002816930190000053
Figure BDA0002816930190000054
其中，Yki在k号AGV前往i号工作站点时为1，否则为0，MEk为此次规划中AGV的最大允许电量消耗值。
式(3)指所有AGV的起点都必须工作站点0，即仓库，而且所有的站点只能通过一个AGV；式(4)指每一个任务AGV路径开始都是在工作站点0；式(5)指每一个任务AGV路径结束都是在工作站点0；式(6)指每个AGV完成任务都必须要求有足够的电量。
步骤S3：以F取最小值为目标函数采用遗传算法求解多AGV最优调度方案。
以上述构造的多AGV调度模型为目标函数求解最小值，可以求出AGV的调度方案，也就是AGV执行每个调度任务的顺序。
本发明实施例中，基于改进遗传算法在处理并行问题具有较好的收敛速度，因此采用遗传算法对目标函数进行求解。遗传算法设计如下：
1、基因编码
0表示起始工作站点，即为货仓；1，2，...，N表示N个工作站点有任务需求。我们添加M-1个虚拟符号，表示M-1个虚拟站点，标记为N+1，...，N+M-1。它们具有与起始点相同的坐标，这意味着每当一个虚拟符号出现时，相应的AGV就返回到起点。假设一个基因代表一条AGV运行的路径，一条染色体就包含所有的基因，即所有AGV运行的所有路径。为了避免频繁的子路径，我们假设从起点0到起点0的路径距离是无限的。
例如，有12个工作站点，编码为0-11，有3个AGV完成任务，一条随机的染色体序列为[2,7,1,4,13,5,6,10,12,9,11,3,8]。其中，12、13为虚拟符号，则三个AGV的路径分别如下：
0--2--7--1--4--0
0--5--6--10--0
0--9--11--3--8--0
2、种群初始化
种群的大小与变量N相关，适当的种群大小应控制在4N和6N之间。
3、适应度函数
选择了一个具有指数变换的适应度函数为：
f＝α*exp(β*E) (7)
其中E(＝E1+E2+...+Ek)是父代种群中的一个；α和β是算术常数；α决定复制的强制，这个值越小，具有最大适应度的个体的复制强度越大。
4、选择操作
选择操作有很多种，本文选择轮盘赌选择法。
5、交叉操作
本文选择的是循环交叉，交叉操作的遗传算子概率选值为0.5-0.8。
6、变异操作
为了提升种群的收敛速度，改进了的变异操作如下：
将所有染色体中完成任务所需耗能最大的AGV随机选择一个任务，然后划分给耗能最少的AGV，这样能够有效的提升种群收敛速度。变异操作的遗传算子概率选值为0.05-0.2。
7、电量判断
所述遗传算法在最后增加了一个电量判断操作，具体判断操作步骤如下：
步骤1：输入此次任务中所有AGV的最大允许电量消耗量(ME1,ME2,...,MEk)；
步骤2：解出当前调度结果中染色体对应的电量消耗值(E1,E2,...,Ek)；
步骤3：分别将步骤1、2计算的结果进行升序排列：
ME＝sort([ME1,ME2,...,MEk])，
EH＝sort([E1,E2,...,Ek])；
步骤4：如果EH≤ME，则此结果满足，否则舍弃此结果。
上述步骤说明了当前算法的求解结果与AGV电量的匹配情况的判断过程，解决了可能出现的AGV在执行任务过程中电量不足的情况。
根据传统调度作业任务的经验，设定完成任务下小车的无效作业时间期望值为t，如果算法中的无效时间值和这个期望值的误差值在一定的可接受范围之内，设定为5％之内，则遗传算法就此终止。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种智能仓储多AGV调度方法，其特征在于：该方法包括以下步骤：
将仓库的平面地图划分为若干个相同大小的栅格，建立栅格地图，并基于栅格地图建立调度模型：
Figure FDA0002816930180000011
Figure FDA0002816930180000012
以F取最小值为目标函数采用改进遗传算法求解AGV最优调度结果；
其中，Lk为需要AGV配送的工作站点的下标，γ为AGV行驶距离对应的电量转换系数，Cij为i、j站点间的最短距离，Xijk在K号AGV通过i到j的路径时为1，否则为0，M为AGV数量，k为AGV编号，Ek为k号AGV在此次调度规划中需要消耗的电量。
2.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：所述多AGV的调度模型约束条件为：
Figure FDA0002816930180000013
Figure FDA0002816930180000014
Figure FDA0002816930180000015
Figure FDA0002816930180000016
其中，Yki在k号AGV前往i号工作站点时为1，否则为0，MEk为此次规划中AGV的最大允许电量消耗值。
3.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：所述改进遗传算法选择一个具有指数变换的适应度函数为：
f＝α*exp(β*E)
其中，E(＝E1+E2+...+Ek)是父代种群中的一个；α和β是算术常数；α决定复制的强制，这个值越小，具有最大适应度的个体的复制强度越大。
4.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：所述改进遗传算法中，交叉操作选择循环交叉，交叉操作的遗传算子概率选值为0.5～0.8。
5.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：所述改进遗传算法中，变异操作为将所有染色体中完成任务所需耗能最大的AGV随机选择一个任务，然后划分给耗能最少的AGV，提升种群收敛速度；变异操作的遗传算子概率选值为0.05～0.2。
6.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：所述改进遗传算法中增加电量判断操作，具体步骤为：
步骤1：输入此次任务中所有AGV的最大允许电量消耗量(ME1,ME2,...,MEk)；
步骤2：解出当前调度结果中染色体对应的电量消耗值(E1,E2,...,Ek)；
步骤3：分别将步骤1和步骤2计算的结果进行升序排列：
ME＝sort([ME1,ME2,...,MEk])，
EH＝sort([E1,E2,...,Ek])；
步骤4：如果EH≤ME，则此结果满足，否则舍弃此结果。
7.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：设定所述AGV无效作业时间期望值为t，在改进遗传算法中的无效作业时间值与所述期望值的误差小于设定范围时，遗传算法终止。
8.根据权利要求1所述的一种智能仓储多AGV调度方法，其特征在于：在所述调度模型中设定调度任务，具体为：
AGV从仓库原点出发去工作站点执行任务并返回原点。
CN202011410306.6A 2020-12-03 2020-12-03 一种智能仓储多agv调度方法 Pending CN112508481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011410306.6A CN112508481A (zh) 2020-12-03 2020-12-03 一种智能仓储多agv调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011410306.6A CN112508481A (zh) 2020-12-03 2020-12-03 一种智能仓储多agv调度方法

Publications (1)

Publication Number Publication Date
CN112508481A true CN112508481A (zh) 2021-03-16

Family

ID=74970156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011410306.6A Pending CN112508481A (zh) 2020-12-03 2020-12-03 一种智能仓储多agv调度方法

Country Status (1)

Country Link
CN (1) CN112508481A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420970A (zh) * 2021-06-10 2021-09-21 西安电子科技大学 智能仓储环境下的任务调度方法
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090210366A1 (en) * 2005-12-05 2009-08-20 National University Corporation Nagoya University Method of optimizing multiple parameters by hybrid ga, method of data analysys by pattern matching, method of estimating structure of materials based on radiation diffraction data, programs, recording medium, and various apparatus related thereto
CN109550697A (zh) * 2018-09-30 2019-04-02 东莞市迪文数字技术有限公司 一种agv智能分拣系统及其流程方法
CN111915923A (zh) * 2020-07-14 2020-11-10 宝胜系统集成科技股份有限公司 一种多模态高密度的智能停车场系统及存取车方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090210366A1 (en) * 2005-12-05 2009-08-20 National University Corporation Nagoya University Method of optimizing multiple parameters by hybrid ga, method of data analysys by pattern matching, method of estimating structure of materials based on radiation diffraction data, programs, recording medium, and various apparatus related thereto
CN109550697A (zh) * 2018-09-30 2019-04-02 东莞市迪文数字技术有限公司 一种agv智能分拣系统及其流程方法
CN111915923A (zh) * 2020-07-14 2020-11-10 宝胜系统集成科技股份有限公司 一种多模态高密度的智能停车场系统及存取车方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZENGLIANG HAN, DONGQING WANG: "Multi-AGV path planning with double-path constraints by using an improved genetic algorithm", 《PLOS ONE》, pages 3 - 6 *
张敏;鄂明成;王兵;: "基于改进遗传算法的FlowShop调度算法研究", 宁夏大学学报(自然科学版), no. 04 *
张杰;冯民权;王钰;: "基于改进遗传算法的水库群水质水量优化调度研究", 中国农村水利水电, no. 02 *
王富立: "智能制造车间的多AGV路径规划和调度", 《中国知网硕士学位论文电子期刊 工程科技Ⅱ辑》, no. 01, pages 19 - 33 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420970A (zh) * 2021-06-10 2021-09-21 西安电子科技大学 智能仓储环境下的任务调度方法
CN113420970B (zh) * 2021-06-10 2023-11-24 西安电子科技大学 智能仓储环境下的任务调度方法
CN117455100A (zh) * 2023-12-26 2024-01-26 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法
CN117455100B (zh) * 2023-12-26 2024-03-15 长春市优客云仓科技有限公司 一种基于全局最优化的智能仓储物流调度方法

Similar Documents

Publication Publication Date Title
CN112833905B (zh) 基于改进a*算法的分布式多agv无碰撞路径规划方法
Zhang et al. Energy-efficient path planning for a single-load automated guided vehicle in a manufacturing workshop
CN107578119A (zh) 一种智能调度系统的资源分配全局优化方法
CN113075927A (zh) 基于预约表的仓储潜伏式多agv路径规划方法
CN111091238A (zh) 一种自动化集装箱码头agv智能化调度方法
CN108764579B (zh) 一种基于拥塞控制的仓储多机器人任务调度方法
CN109581987B (zh) 一种基于粒子群算法的agv调度路径规划方法及系统
CN112508481A (zh) 一种智能仓储多agv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
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
CN113867358A (zh) 多无人车协同遍历任务的智能路径规划方法
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
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
CN112150060A (zh) 一种基于蚁群算法的应急医疗物资配送优化方法
CN116523221A (zh) 一种智能仓储拣选任务的优化调度方法及系统
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
CN115293670A (zh) 基于混合元启发式算法的自动配送中心订单分拣方法
CN116976231B (zh) 一种基于遗传算法的平面地堆库agv理库作业优化方法
Xia et al. A multi-AGV optimal scheduling algorithm based on particle swarm optimization
CN114897244B (zh) 一种适用于rmfs仓储系统的订单分批优化方法
CN114493181B (zh) 一种智能仓储环境下的多负载agv任务调度方法
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
CN116774693A (zh) 一种露天矿无人驾驶矿卡智能调度方法
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
Zhang et al. A Multi-AGV scheduling planning method based on improved GA

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230803

Address after: 401220 office building, no.6, Xinmin Road, Xinshi street, Changshou District, Chongqing

Applicant after: Chongqing Youzhi Robot Research Institute Co.,Ltd.

Applicant after: Chongqing Changshou High tech Zone Service Center

Address before: 401220 office building, no.6, Xinmin Road, Xinshi street, Changshou District, Chongqing

Applicant before: Chongqing Youzhi Robot Research Institute Co.,Ltd.

RJ01 Rejection of invention patent application after publication

Application publication date: 20210316