CN112686609B - 基于优化效率评价算法的智能无人物流运输方法和系统 - Google Patents
基于优化效率评价算法的智能无人物流运输方法和系统 Download PDFInfo
- Publication number
- CN112686609B CN112686609B CN202011633607.5A CN202011633607A CN112686609B CN 112686609 B CN112686609 B CN 112686609B CN 202011633607 A CN202011633607 A CN 202011633607A CN 112686609 B CN112686609 B CN 112686609B
- Authority
- CN
- China
- Prior art keywords
- intelligent unmanned
- traffic
- elevated
- logistics transportation
- passage
- 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
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供基于优化效率评价算法智能无人物流运输方法和系统,方法包括以下步骤:系统根据所述若干个输入的出发地和目的地规划路径,控制若干个智能无人小车在高架通道上运送货物;物流运输系统建模模块根据大数据采集整理模块接收整理的若干个智能无人小车的数据信息进行数据分析并建模,发送给物流运输高架通道控制模块计算平均交通延迟时间,并构建非线性多维约束全局优化算法和优化效率评价算法优化每个若干个智能无人小车在高架通道上的行走路线和所需的交通情况进而减少到达若干个目的地的物流运送时间。本发明提供的系统和方法通过有的放矢的根据不同的交通条件下的总行程时间优化物流运输后,能够改善紧急情况下城镇的交通便利性。
Description
技术领域
本发明属于物流运输技术领域,具体涉及一种基于优化效率评价算法的智能无人物流运输方法和系统。
背景技术
交通运输的快速发展给人们生活带来便利的同时,也给生态环境带来了严峻的挑战。如何实现运输环境的净化,运输与物流的可持续发展,运输资源的充分利用,运输效率的有效提升等是亟待解决的问题。从环境的角度对运输物流体系进行改进,实施绿色运输,发展多式联运,建立信息网络,形成一个与环境共生型的运输与物流系统是解决以上问题的有效途径。
智能交通系统(Intelligent Traffic System,简称ITS)又称智能运输系统(Intelligent Transportation System),是将先进的信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等技术理论有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种提高效率、节约能源、保障安全、改善环境的综合运输系统。它主要是由交通信息采集系统、信息处理分析系统和信息发布系统三部分构成。
智能交通系统的构建离不开交通基础设施的智能化,依托全新的技术手段,对传统的公路基础设施进行改进,全线实现互通、互联、信息共享。智能交通系统与传统交通方式相比,可以最大限度地发挥道路基础设施的作用,所以只有不断地将最先进的信息技术、通讯技术和处理能力整合运用到相应的公路基础设施中,才能不断促进交通管理体系的发展,促进交通运输的效率,改善交通安全问题。
现有技术中,如中国专利201210195715.8公开了一种城市智能交通运输系统及其运行方法,其系统包括全立交全封闭轻型高架路通道,无人驾驶电动智能无人小车、节点车站、智能调度系统、物流服务系统等,选择所要达到的目的地后可以将乘客或者所要运送的物品在专门的高架路通道上运送到目的地;中国专利202010560392.2公开了一种自动驾驶车辆的导航方法,其通通过导航数据输出一个三维或二维参考坐标系,利用SLAM+RTK GPS+DR融合的导航方法,可以将自动驾驶车辆的位置进行误差的校正并精确定位,融合完毕后输出自动驾驶车辆可以理解的坐标系数据,可以使自动驾驶车辆在50HZ的频率下精度可达+-2~5cm,在20HZ的频率下精度可达+-1cm,大大的提高了自动驾驶车辆位置的精度,也使导航的精度大大提高。
虽然上述的202010560392.2无人物流运输系统,能够精确地导航无人运送装置到达目的地,但是如果多个物品同时发货,在高架路通道上运输,可能会造成拥堵,并不能使中国专利201210195715.8公开的这种物流运输系统能够减少运输的时间成本,同时也不能对所规划或导航的路线进行物流运输成本的评价或者优化后的导航路线的优化效率进行评价,因此,急需一种能够通过评价不采用优化后路线与采用优化后路线的物流运输优化效率,进而将评价效率最高的路线发送给智能无人小车使运送物品的形成损失时间最小且的一种智能无人物流运输方法和系统。
发明内容
本发明针对上述缺陷,提供一种能够监测高架路通道系统和运行状况,统筹规划多个小车的行走路线和高架路通道的交通管控措施的方法,进而能够使运送物品的形成损失时间最小的一种智能无人物流运输方法和系统。
本发明提供如下技术方案:基于优化效率评价算法的智能无人物流运输方法,包括以下步骤:
S1:物流发货客户确定若干个目的地;
S2:物流控制系统根据所述若干个输入的出发地和目的地规划路径,控制若干个智能无人小车在高架通道上运送货物,所述高架通道分为若干段子高架通道,每段所述子高架通道间设置有节点车站,所述若干个智能无人小车在每段高架通道上的行驶状态造成所述高架通道上形成自由交通条件或拥挤交通条件;
S3:大数据采集整理模块接收若干个智能无人小车的数据信息,经过整理后发送给物流交通情况监测评估模块;
S4:所述物流交通情况监测评估模块中的物流运输系统建模模块根据若干个智能无人小车的数据信息进行数据分析并建模;
S5:所述物流运输系统建模模块将建立的模型发送给所述物流运输高架通道控制模块,所述物流运输高架通道控制模块根据若干个智能无人小车的实时定位信息及交通拥堵情况计算所述高架通道上的若干个智能无人小车的平均交通延迟时间d(q),并构建非线性多维约束全局优化算法和优化效率评价算法优化每个若干个智能无人小车在高架通道上的行走路线和所需的交通情况进而减少到达若干个目的地的物流运送时间,所述物流运输高架通道控制模块将每个所述智能无人小车的行走路线发送给该智能无人小车,并将所述智能无人小车所需的交通情况发送给区域交通流量控制模块,所述物流运输高架通道控制模块构建的所述优化效率评价算法模型如下:
f=(vf+cf)·pf+tf,
其中,所述f为物流运输优化效率指数,所述vf为所述子高架通道内的智能无人小车所运送货物总重量指数,所述cf为所述子高架通道内智能无人小车耗电量成本指数,所述tf为所述子高架通道内时间成本指数,所述pf为智能无人小车停靠的节点车站数量指数;
其中,所述vf计算公式如下:
其中,所述pw为所运送货物总重量权重参数,所述n为所述子高架通道内的运送货物的智能无人小车的数量,所述i为n个智能无人小车中的第i辆,所述pbi为未按所述非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上的送货点数量,所述pai为按照所述非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上送货点数量,所述bpij未按所述非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量,所述apij按所述非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量;
所述cf计算公式如下:
其中,所述uai和所述ubi分别为按照所述非线性多维约束全局优化算法规划行走路线和未按照所述非线性多维约束全局优化算法规划行走路线在第j段子高架通道上第i辆智能无人小车所运送货物种类参数,所述rai和所述rbi为按照和未按照所述非线性多维约束全局优化算法规划行走路线在第j段子高架通道上所述智能无人小车的最大量,所述ci为初始所述第i辆智能无人小车耗电量,所述cti为所述第i辆智能无人小车行走1km的耗电量,所述di(j-1),ij为第i辆智能无人小车在第j-1段子高架通道与所述第j段子高架通道之间的距离,单位为km;
所述uai满足如下条件:
所述uai满足如下条件:
所述pf计算公式如下:
其中,所述pg为智能无人小车停靠的节点车站数量权重参数,所述pai和所述pbi分别为第i辆智能无人小车按照和未按照所述非线性多维约束全局优化算法规划行走路线在所述高架通道上的所经过的节点数量;
所述tf计算公式如下:
其中,所述pt为时间成本权重参数,所述ti,as和ti,bs分别为按照和未按照所述非线性多维约束全局优化算法规划行走路线从开始行走至返回出发地所用时间,单位为s;
S6:所述区域交通流量控制模块向与其通信连接的高架通道上的交通信号灯控制模块、可变交通指示控制模块和可变交通信息板控制模块发送信号,交通信号灯、可变交通指示和可变交通信息板根据所述所需交通情况进行变化。
进一步地,所述物流运输系统建模模块构建基于拥挤交通流附加时间损失估算总行程时间t的模型:
其中,所述t为若干个智能无人小车送货达到目的的总行程时间,单位为辆·h;所述L为所述高架通道的分段长度,单位为km;所述v(q)为若干个智能无人小车的平均行驶速度,单位为km/h;所述q为不拥挤的交通容量,单位为辆/h;所述Δ是间隔时间,单位为h;所述vcrit是通行能力下的临界速度,单位为km/h;所述tloss是与拥堵相关的行程时间损失,单位为辆·h。
进一步地,所述若干个智能无人小车的平均行驶速度v(q)的计算公式如下:
其中,所述v(q)为平均行驶速度,所述v0、L0、C0为模型参数。
进一步地,所述拥堵相关的行程时间损失tloss的计算公式如下:
其中,所述c为高架通道最大智能无人小车容量,单位为辆/h;所述A和所述B为拥堵相关的行程时间损失计算参数。
进一步地,所述S5步骤中所述物流运输高架通道控制模块(2-2)根据若干个智能无人小车的实时定位信息及交通拥堵情况计算所述高架通道上的若干个智能无人小车的平均交通延迟时间d(q)的计算公式如下:
其中,所述d(q)为平均延迟时间,单位为s;所述C为若干个智能无人小车送货的相位周期时间,单位为s;所述g为循环时间内的绿灯时间,单位为s;所述q为不拥挤的交通容量,单位为辆/h;所述c为高架通道最大智能无人小车容量,单位为辆/h;所述T为所述d(q)的计算持续时间,单位为h;所述k为取决于所述物流运输高架通道控制模块设置的增量延迟因子,所述I为上游过滤和计量调整系数。
进一步地,所述S5步骤中所述物流运输高架通道控制模块构建的非线性多维约束全局优化算法模型如下:
其中,所述m为所述高架通道的总段数,所述tj(x)是第j段子高架通道内的若干个智能无人小车的总行程时间,单位为辆·h;所述dj(x)为所述第j段子高架通道内若干个智能无人小车的向所述目的地行进的平均延误时间,单位为车辆·h;所述x是第j段高架通道内所述若干个智能无人小车的最佳循环时间向量,单位为s;所述xmin、xmax分别是第j段子高架通道内所述若干个智能无人小车循环时间的最小和最大限制端点值;所述g(x)为不等式约束函数和所述h(x)为等式约束函数。
进一步地,所述大数据采集整理模块接收所述若干个智能无人小车的GPS地理信息数据,包括环境温度、环境湿度、风速和风向的气象信息数据,智能无人小车数量信息数据。
本发明还提供采用上述方法的智能无人物流运输系统,所述系统包括若干个智能无人小车、大数据采集整理模块、物流交通情况监测评估模块、区域交通流量控制模块、交通协调控制模块,所述智能无人小车安装有GPS定位模块、移动网络模块、环境温度模块、环境湿度模块、风速模块和风向模块。
进一步地,所述交通协调控制模块包括交通信号灯控制模块、可变交通指示控制模块和可变交通信息板控制模块。
进一步地,所述物流交通情况监测评估模块包括物流运输系统建模模块和物流运输高架通道控制模块。
本发明的有益效果为:
1、本发明提供的智能无人物流运输方法和系统,通过将高架路通道分成多段,将运送货物的智能无人小车配置具有定位功能的GPS定位模块,能够通信的移动网络模块和监测气象环境的环境温度模块、环境湿度模块、风速模块和风向模块而具有先进的智能功能,能够为物流运输系统提供每个运送货物的智能无人小车的位置以及其所在的环境气象情况,进而通过大数据采集整理模块预处理以后,进行运送延迟时间的计算、交通拥挤情况进而规划最佳的运行路线减少运送的时间成本。
2、本发明提供的智能无人物流运输方法和系统中的物流运输系统建模模块通过根据大数据采集整理模块预处理后的若干个智能无人小车的地理信息数据、数量信息数据和气象信息,能够构建在多段的高架通道上运行的智能无人小车的基于拥挤交通流附加时间损失估算总行程时间t的模型,该模型中包括了在一段高架通道上运行的智能无人小车处于不拥堵的自由交通条件下的行程时间,以及在拥堵交通条件下的行程时间,进而最终通过有的放矢的根据不同的交通条件下的总行程时间优化物流运输后,能够改善紧急情况下城镇的交通便利性。
3、本发明提供的智能无人物流运输方法和系统中的物流运输高架通道控制模块通过构建的非线性多维约束全局优化算法模型,进而对后期继续运行的若干个智能无人小车的信息收后,优化间接地提高高速交通的安全性,减少了智能无人物流运送高架通道拥堵,送货时间成本高的缺陷,并且减少道路运输对环境的影响;实时控制货运和客运。
4、通过构建优化效率评价算法可以有效地对物流运输高架通道控制模块构建的非线性多维约束全局优化算法模型所规划出的路线中每一段子高架通道内的若干个智能无人小车为了运送一定数量和重量的货物所耗费的时间成本和耗电量成本,进而对其优化的效率进行评价,若在每一段或若干段子高架通道内的智能无人小车的优化效率过低,即其所耗费的时间成本和耗电量成本过高,则物流运输高架通道控制模块可通过非线性多维约束全局优化算法模重新优化构建高架通道内的行走路线,直至优化效率最高,进一步降低了智能无人小车优化路线所耗费的时间成本和耗电量陈本,使智能无人小车在最短的时间内并耗费最小的电量,行走完所规划的路程并将所要运送的货物尽量不延迟配送至目的地,提高了优化效率。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1为本发明提供的方法流程图;
图2为本发明提供的装置的模块整体示意图;
图3为本发明提供的装置的智能无人小车模块整体示意图。
具体实施例方式
下面将结合本发明实施例中的附图,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明提供的一种智能无人物流运输方法的流程图,该智能无人物流运输方法基于背景技术中的中国专利2012101957158公开的城市智能交通运输系统进一步改进,该系统包括了轻型高架路通道、智能无人小车、节点车站、智能调度系统、通信系统、通道顶太阳能系统和物流服务系统,本发明的智能无人物流运输系统采用该背景技术中的基本框架仅仅运送货物,不进行客运,本发明提供的方法包括以下步骤:
S1:物流发货客户确定若干个目的地;
S2:物流控制系统根据1-n若干个输入的出发地和目的地规划路径,控制若干个智能无人小车1在高架通道上运送货物,高架通道分为若干段子高架通道,每段子高架通道间设置有节点车站,交通信号灯可以仅设置于节点车站处,或者在每段子高架通道内设置多处交通信号灯,若干个智能无人小车1在每段高架通道上的行驶状态造成高架通道上形成自由交通条件或拥挤交通条件;
S3:大数据采集整理模块2接收若干个智能无人小车的数据信息,经过整理后发送给物流交通情况监测评估模块3;
S4:物流交通情况监测评估模块3中的物流运输系统建模模块3-1根据若干个智能无人小车1的数据信息进行数据分析并建模,物流运输系统建模模块3-1构建基于拥挤交通流附加时间损失估算总行程时间t的模型:
其中,t为若干个智能无人小车送货达到目的的总行程时间,单位为辆·h;L为高架通道的分段长度,单位为km;v(q)为若干个智能无人小车的平均行驶速度,单位为km/h;q为不拥挤的交通容量,单位为辆/h;Δ是间隔时间,单位为h;vcrit是通行能力下的临界速度,单位为km/h;tloss是与拥堵相关的行程时间损失,单位为辆·h;该模型中若干个智能无人小车的平均行驶速度v(q)的计算公式如下:
其中,v(q)为平均行驶速度,v0、L0、C0为模型参数;拥堵相关的行程时间损失tloss的计算公式如下:
其中,c为高架通道容量,单位为辆/h;A和B为拥堵相关的行程时间损失计算参数;
S5:物流运输系统建模模块3-1将建立的模型发送给物流运输高架通道控制模块3-2,物流运输高架通道控制模块3-2根据若干个智能无人小车的实时定位信息及交通拥堵情况计算高架通道上的若干个智能无人小车的平均交通延迟时间d(q),并构建非线性多维约束全局优化算法和优化效率评价算法优化每个若干个智能无人小车在高架通道上的行走路线和所需的交通情况进而减少到达若干个目的地的物流运送时间,物流运输高架通道控制模块3-2将每个智能无人小车的行走路线发送给该智能无人小车,并将智能无人小车所需的交通情况发送给区域交通流量控制模块4
S6:区域交通流量控制模块4向与其通信连接的高架通道上的交通信号灯控制模块5-1、可变交通指示控制模块5-2和可变交通信息板发送信号控制模块5-3,交通信号灯、可变交通指示和可变交通信息板根据所需交通情况进行变化。交通信号灯控制模块5-1、可变交通指示控制模块5-2和可变交通信息板控制模块5-3属于交通协调控制模块5。
S5步骤中物流运输高架通道控制模块3-2根据若干个智能无人小车的实时定位信息及交通拥堵情况计算高架通道上的若干个智能无人小车的平均交通延迟时间d(q)的计算公式如下:
其中,d(q)为平均延迟时间,单位为s;C为若干个智能无人小车送货的相位周期时间,单位为s;g为循环时间内的绿灯时间,单位为s;q为不拥挤的交通容量,单位为辆/h;c为高架通道最大智能无人小车容量,单位为辆/h;T为d(q)的计算持续时间,单位为h;k为取决于物流运输高架通道控制模块(B-2)设置的增量延迟因子,I为上游过滤和计量调整系数。
S5步骤中物流运输高架通道控制模块3-2构建的非线性多维约束全局优化算法模型如下:
其中,m为所述高架通道的总段数,tj(x)是第j段子高架通道内的若干个智能无人小车的总行程时间,单位为辆·h;dj(x)为所述第j段子高架通道内若干个智能无人小车的向所述目的地行进的平均延误时间,单位为车辆·h;x是第j段高架通道内所述若干个智能无人小车的最佳循环时间向量,单位为s;xmin、xmax分别是第j段子高架通道内若干个智能无人小车循环时间的最小和最大限制端点值;g(x)为不等式约束函数和所述h(x)为等式约束函数。
S5步骤中,物流运输高架通道控制模块3-2构建的优化效率评价算法模型如下:
f=(vf+cf)·pf+tf,
其中,f为物流运输优化效率指数,vf为子高架通道内的智能无人小车所运送货物总重量指数,cf为子高架通道内智能无人小车耗电量成本指数,tf为子高架通道内时间成本指数,pf为智能无人小车停靠的节点车站数量指数;
其中,vf计算公式如下:
其中,pw为所运送货物总重量权重参数,n为子高架通道内的运送货物的智能无人小车的数量,i为n个智能无人小车中的第i辆,pbi为未按非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上的送货点数量,pai为按照非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上送货点数量,bpij未按非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量,apij按非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量;
cf计算公式如下:
其中,uai和ubi分别为按照非线性多维约束全局优化算法规划行走路线和未按照非线性多维约束全局优化算法规划行走路线在第j段子高架通道上第i辆智能无人小车所运送货物种类参数,rai和rbi为按照和未按照非线性多维约束全局优化算法规划行走路线在第j段子高架通道上智能无人小车的最大量,ci为初始第i辆智能无人小车耗电量,cti为第i辆智能无人小车行走1km的耗电量,di(j-1),ij为第i辆智能无人小车在第j-1段子高架通道与第j段子高架通道之间的距离,单位为km;
uai满足如下条件:
uai满足如下条件:
pf计算公式如下:
其中,pg为智能无人小车停靠的节点车站数量权重参数,pai和pbi分别为第i辆智能无人小车按照和未按照非线性多维约束全局优化算法规划行走路线在高架通道上的所经过的节点数量;
tf计算公式如下:
其中,pt为时间成本权重参数,ti,as和ti,bs分别为按照和未按照非线性多维约束全局优化算法规划行走路线从开始行走至返回出发地所用时间,单位为s;
通过构建优化效率评价算法可以有效地对物流运输高架通道控制模块3-2构建的非线性多维约束全局优化算法模型所规划出的路线中每一段子高架通道内的若干个智能无人小车为了运送一定数量和重量的货物所耗费的时间成本和耗电量成本,进而对其优化的效率进行评价,若在每一段或若干段子高架通道内的智能无人小车的优化效率过低,即其所耗费的时间成本和耗电量成本过高,则物流运输高架通道控制模块3-2可通过非线性多维约束全局优化算法模重新优化构建高架通道内的行走路线,直至优化效率最高,进一步降低了智能无人小车优化路线所耗费的时间成本和耗电量陈本,使智能无人小车在最短的时间内并耗费最小的电量,行走完所规划的路程并将所要运送的货物尽量不延迟配送至目的地,提高了优化效率。
大数据采集整理模块2接收若干个智能无人小车的GPS地理信息数据,包括环境温度、环境湿度、风速和风向的气象信息数据,智能无人小车数量信息数据。
实施例2
如图2所示,系统包括若干个智能无人小车1、大数据采集整理模块、物流交通情况监测评估模块、区域交通流量控制模块4、交通协调控制模块,交通协调控制模块5包括交通信号灯控制模块5-1、可变交通指示控制模块5-2和可变交通信息板控制模块5-3,物流交通情况监测评估模块2包括物流运输系统建模模块2-1和物流运输高架通道控制模块2-2。如图3所示,智能无人小车安装有GPS定位模块、移动网络模块、环境温度模块、环境湿度模块、风速模块和风向模块。运送货物的智能无人小车配置具有定位功能的GPS定位模块、移动网络模块、环境温度模块、环境湿度模块、风速模块和风向模块,能够通信的移动网络模块和监测气象环境的环境温度模块、环境湿度模块、风速模块和风向模块而具有先进的智能功能,能够为物流运输系统提供每个运送货物的智能无人小车的位置以及其所在的环境气象情况,进而通过大数据采集整理模块预处理以后,进行运送延迟时间的计算、交通拥挤情况进而规划最佳的运行路线减少运送的时间成本。
测试例
分析了使用交通灯控制系统与停用交通灯控制系统相比的优势,并从控制车辆进入高速公路的已知算法的比较角度对结果进行了评价。调查了以下情况。分别采用如下三种方案进行比较分析本发明提供的智能无人运输和物流系统以及方法的性能,三种方案分别为方案A:采用专利202010560392.2中的导航方法,但是其方法中没有高架通道的延迟时间测量计量系统和方法;方案B:采用局部算法ALINEA;方案C:采用本发明提供的系统和方法。基于随机生成的交通需求和通行能力时间序列的1000次模拟运行,分析了由此产生的出行时间损失。在57.6%的模拟运行中,本发明提供的智能无人小车进入高架通道的控制算法使行程时间损失最小。仅考虑高峰交通条件,智能无人小车进入高架通道的控制算法在87.7%的模拟运行中取得了最好的效果。
本发明提供的基于优化效率评价算法评估后选择的优化行走路线的送货行走里程数节省百分比可能会从1.4%增加到6.7%。同时,基于优化效率评价算法选择的优化行走路线从节约的时间成本和耗电量成本中获得的潜在利润可高达5.1%至13.2%,送货满意度和时间准确度可分别高达89%以上和94%以上。
虽然已经参考优选实施例对本发明进行了描述,但在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (9)
1.基于优化效率评价算法的智能无人物流运输方法,其特征在于,包括以下步骤:
S1:物流发货客户确定若干个目的地;
S2:物流控制系统根据所述若干个输入的出发地和目的地规划路径,控制若干个智能无人小车(1)在高架通道上运送货物,所述高架通道分为若干段子高架通道,每段所述子高架通道间设置有节点车站,所述若干个智能无人小车(1)在每段高架通道上的行驶状态造成所述高架通道上形成自由交通条件或拥挤交通条件;
S3:大数据采集整理模块(2)接收若干个智能无人小车(1)的数据信息,经过整理后发送给物流交通情况监测评估模块(3);
S4:所述物流交通情况监测评估模块(3)中的物流运输系统建模模块(3-1)根据若干个智能无人小车的数据信息进行数据分析并建模;
S5:所述物流运输系统建模模块(3-1)将建立的模型发送给所述物流运输高架通道控制模块(3-2),所述物流运输高架通道控制模块(3-2)根据若干个智能无人小车的实时定位信息及交通拥堵情况计算所述高架通道上的若干个智能无人小车的平均交通延迟时间,并构建非线性多维约束全局优化算法和优化效率评价算法优化每个智能无人小车在高架通道上的行走路线和所需的交通情况进而减少到达若干个目的地的物流运送时间,所述物流运输高架通道控制模块(3-2)将每个所述智能无人小车的行走路线发送给该智能无人小车,并将所述智能无人小车所需的交通情况发送给区域交通流量控制模块(4),所述物流运输高架通道控制模块(3-2)构建的所述优化效率评价算法模型如下:
其中,所述f为物流运输优化效率指数,所述为所述子高架通道内的智能无人小车所运送货物总重量指数,所述为所述子高架通道内智能无人小车耗电量成本指数,所述为所述子高架通道内时间成本指数,所述为智能无人小车停靠的节点车站数量指数;
其中,所述为所运送货物总重量权重参数,所述n为所述子高架通道内的运送货物的智能无人小车的数量,所述i为n个智能无人小车中的第i辆,所述为未按所述非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上的送货点数量,所述为按照所述非线性多维约束全局优化算法规划行走路线的第j段子高教通道车辆路径上送货点数量,所述未按所述非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量,所述按所述非线性多维约束全局优化算法规划行走路线的第j段子高架通道车辆路径上的货物总重量;
其中,所述和所述分别为按照所述非线性多维约束全局优化算法规划行走路线和未按照所述非线性多维约束全局优化算法规划行走路线在第j段子高架通道上第i辆智能无人小车所运送货物种类参数,所述和所述为按照和未按照所述非线性多维约束全局优化算法规划行走路线在第j段子高架通道上所述智能无人小车的最大量,所述为初始所述第i辆智能无人小车耗电量,所述为所述第i辆智能无人小车行走1km的耗电量,所述为第i辆智能无人小车在第j-1段子高架通道与所述第j段子高架通道之间的距离,单位为km;
其中,所述为平均延迟时间,单位为s;所述C为若干个智能无人小车送货的相位周期时间,单位为s;所述为循环时间内的绿灯时间,单位为s;所述为不拥挤的交通容量,单位为辆/h;所述c为高架通道最大智能无人小车容量,单位为辆/h;所述T为所述的计算持续时间,单位为h;所述k为取决于所述物流运输高架通道控制模块(3-2)设置的增量延迟因子,所述I为上游过滤和计量调整系数;
S6:所述区域交通流量控制模块(4)向与其通信连接的高架通道上的交通信号灯控制模块(5-1)、可变交通指示控制模块(5-2)和可变交通信息板控制模块(5-3)发送信号,交通信号灯、可变交通指示和可变交通信息板根据所述所需交通情况进行变化。
6.根据权利要求1所述的基于优化效率评价算法的智能无人物流运输方法,其特征在于,所述大数据采集整理模块接收所述若干个智能无人小车的GPS地理信息数据,包括环境温度、环境湿度、风速和风向的气象信息数据,智能无人小车数量信息数据。
7.采用根据权利要求1-6任一所述方法的基于优化效率评价算法的智能无人物流运输系统,其特征在于,所述系统包括若干个智能无人小车(1)、大数据采集整理模块(2)、物流交通情况监测评估模块(3)、区域交通流量控制模块(4)、交通协调控制模块(5),所述智能无人小车安装有GPS定位模块、移动网络模块、环境温度模块、环境湿度模块、风速模块和风向模块。
8.根据权利要求7所述的基于优化效率评价算法的智能无人物流运输系统,其特征在于,所述交通协调控制模块(5)包括交通信号灯控制模块(5-1)、可变交通指示控制模块(5-2)和可变交通信息板控制模块(5-3)。
9.根据权利要求7所述的基于优化效率评价算法的智能无人物流运输系统,其特征在于,所述物流交通情况监测评估模块(2)包括物流运输系统建模模块(2-1)和物流运输高架通道控制模块(2-2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633607.5A CN112686609B (zh) | 2020-12-31 | 2020-12-31 | 基于优化效率评价算法的智能无人物流运输方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633607.5A CN112686609B (zh) | 2020-12-31 | 2020-12-31 | 基于优化效率评价算法的智能无人物流运输方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686609A CN112686609A (zh) | 2021-04-20 |
CN112686609B true CN112686609B (zh) | 2021-08-13 |
Family
ID=75456195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633607.5A Active CN112686609B (zh) | 2020-12-31 | 2020-12-31 | 基于优化效率评价算法的智能无人物流运输方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686609B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902381B (zh) * | 2021-10-28 | 2022-07-15 | 江南大学 | 一种无人车货物运输方式的智能选择方法及系统 |
CN118071212B (zh) * | 2024-04-19 | 2024-06-25 | 江苏零浩网络科技有限公司 | 基于模型的物流效率指标智能分析及优化方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100235783B1 (ko) * | 1996-10-17 | 1999-12-15 | 다임러크라이슬러 아크티엔게젤샤프트 | 차체에 접착성 보호필름을 적용하는 방법 및 장치 |
CN102692916A (zh) * | 2012-06-18 | 2012-09-26 | 中国人民解放军军事交通学院 | 无人驾驶汽车远程状态监视装置 |
CN102708681A (zh) * | 2012-06-14 | 2012-10-03 | 吴新赞 | 一种城市智能交通运输系统及其运行方法 |
CN106503855A (zh) * | 2016-10-26 | 2017-03-15 | 广州智网联运物流有限公司 | 一种物流运输方法及系统 |
CN108154262A (zh) * | 2017-12-19 | 2018-06-12 | 中南大学 | 一种基于形式化方法的物流运输无人车多任务规划方法 |
CN109147370A (zh) * | 2018-08-31 | 2019-01-04 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联车的高速公路控制系统和特定路径服务方法 |
CN109165902A (zh) * | 2018-10-09 | 2019-01-08 | 北方工业大学 | 一种基于智能无人车的动态区域物流派送方法及系统 |
WO2019161726A1 (zh) * | 2018-02-24 | 2019-08-29 | 刘宏隆 | 一种利用无人驾驶汽车进行经营活动的方法及系统 |
CN110298868A (zh) * | 2019-06-26 | 2019-10-01 | 北京工业大学 | 一种高实时性的多尺度目标跟踪方法 |
CN110837994A (zh) * | 2019-11-08 | 2020-02-25 | 四川省马皇科技有限公司 | 一种智能运输方法及系统 |
CN111033415A (zh) * | 2017-08-02 | 2020-04-17 | Wing航空有限责任公司 | 用于确定无人驾驶运载工具的路径置信度的系统和方法 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN111860991A (zh) * | 2020-07-13 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种无人车配送路径规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809597B (zh) * | 2014-02-18 | 2016-09-21 | 清华大学 | 无人机的飞行路径规划方法及无人机 |
CN107168319B (zh) * | 2017-06-01 | 2020-07-28 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
CN107704964A (zh) * | 2017-10-13 | 2018-02-16 | 刘鹏 | 超大规模抗阻塞个性化高速交通系统及其运行方法 |
-
2020
- 2020-12-31 CN CN202011633607.5A patent/CN112686609B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100235783B1 (ko) * | 1996-10-17 | 1999-12-15 | 다임러크라이슬러 아크티엔게젤샤프트 | 차체에 접착성 보호필름을 적용하는 방법 및 장치 |
CN102708681A (zh) * | 2012-06-14 | 2012-10-03 | 吴新赞 | 一种城市智能交通运输系统及其运行方法 |
CN102692916A (zh) * | 2012-06-18 | 2012-09-26 | 中国人民解放军军事交通学院 | 无人驾驶汽车远程状态监视装置 |
CN106503855A (zh) * | 2016-10-26 | 2017-03-15 | 广州智网联运物流有限公司 | 一种物流运输方法及系统 |
CN111033415A (zh) * | 2017-08-02 | 2020-04-17 | Wing航空有限责任公司 | 用于确定无人驾驶运载工具的路径置信度的系统和方法 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN108154262A (zh) * | 2017-12-19 | 2018-06-12 | 中南大学 | 一种基于形式化方法的物流运输无人车多任务规划方法 |
WO2019161726A1 (zh) * | 2018-02-24 | 2019-08-29 | 刘宏隆 | 一种利用无人驾驶汽车进行经营活动的方法及系统 |
CN109147370A (zh) * | 2018-08-31 | 2019-01-04 | 南京锦和佳鑫信息科技有限公司 | 一种智能网联车的高速公路控制系统和特定路径服务方法 |
CN109165902A (zh) * | 2018-10-09 | 2019-01-08 | 北方工业大学 | 一种基于智能无人车的动态区域物流派送方法及系统 |
CN110298868A (zh) * | 2019-06-26 | 2019-10-01 | 北京工业大学 | 一种高实时性的多尺度目标跟踪方法 |
CN110837994A (zh) * | 2019-11-08 | 2020-02-25 | 四川省马皇科技有限公司 | 一种智能运输方法及系统 |
CN111860991A (zh) * | 2020-07-13 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种无人车配送路径规划方法 |
Non-Patent Citations (3)
Title |
---|
智能无人车装载计划和车辆路径问题研究;高梦伟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200615(第6期);C034-1040 * |
港口物流半实物仿真中的智能车辆模型设计与应用;沈立文 等;《实验室研究与探索》;20200725;第39卷(第7期);88-92 * |
蚁群算法在无人驾驶园区参观路线的应用;郭蓬 等;《现代电子技术》;20190531;第42卷(第11期);149-152 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686609A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418468B (zh) | 一种智慧城市交通调度策略控制方法和物联网系统 | |
Kong et al. | Optimal location planning method of fast charging station for electric vehicles considering operators, drivers, vehicles, traffic flow and power grid | |
CN109165902B (zh) | 一种基于智能无人车的动态区域物流派送方法及系统 | |
CN105205557B (zh) | 一种城市常规公交线网设计方法 | |
CN112634606A (zh) | 货车编队运输调度方法、调度系统、介质及数据处理终端 | |
Barankova et al. | Automated control system of a factory railway transport based on ZigBee | |
CN112686609B (zh) | 基于优化效率评价算法的智能无人物流运输方法和系统 | |
CN201307343Y (zh) | 一种车辆动态路径导航装置 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
WO2012105889A1 (en) | Method and management unit pertaining to vehicle trains | |
CN105070078B (zh) | 一种基于车车通信的动态路径诱导方法 | |
CN103177561A (zh) | 公交实时路况的生成方法及系统 | |
CN101739839A (zh) | 车辆动态路径导航系统 | |
CN112309122A (zh) | 一种基于多系统协同的智慧公交分级决策系统 | |
CN107644310A (zh) | 一种城市管式物流运输方法 | |
CN103761589A (zh) | 一种城市轨道交通清分方法 | |
CN113987103B (zh) | 一种面向城市综合交通网的组合出行路径搜索方法及系统 | |
CN115455681A (zh) | 一种面向多载运工具的通勤交通碳排放空间分布估算方法 | |
Wang et al. | Effects of coordinated formation of vehicle platooning in a fleet of shared automated vehicles: An agent-based model | |
CN107480932A (zh) | 一种城际智能物流系统 | |
CN102779406A (zh) | 基于北斗授时技术的云计算智能交通调度平台 | |
CN112668973B (zh) | 一种智能无人物流运输方法和系统 | |
Li et al. | Analysis of logistics distribution path optimization planning based on traffic network data | |
CN108847019B (zh) | 一种计算可变线路公交车辆到达固定站点行程时间的方法 | |
CN104331746A (zh) | 一种分离式的动态路径优化系统及其方法 |
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 |