CN112862212B - 基于改进麻雀搜索算法的多agv调度方法、装置及设备 - Google Patents
基于改进麻雀搜索算法的多agv调度方法、装置及设备 Download PDFInfo
- Publication number
- CN112862212B CN112862212B CN202110255818.8A CN202110255818A CN112862212B CN 112862212 B CN112862212 B CN 112862212B CN 202110255818 A CN202110255818 A CN 202110255818A CN 112862212 B CN112862212 B CN 112862212B
- Authority
- CN
- China
- Prior art keywords
- sparrow
- sparrows
- updating
- search algorithm
- sequence
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/08—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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于改进麻雀搜索算法的多AGV调度方法、装置及设备,属于计算机技术领域。包括:根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型;设置麻雀种群,初始化每只麻雀的任务序列,任务序列是由多个客户节点的编号组成的配送序列;确定麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;根据SEC交叉算子或PBX交叉算子对探索者麻雀进行位置更新;根据RPX交叉算子或邻域搜索算法对跟随者麻雀进行位置更新;根据OBX交叉算子或邻域搜索算法对侦察者麻雀进行位置更新;将更新后麻雀种群中的全局最优解确定为数学模型的最优解。本申请能提高对实际问题的求解效率,减少迭代过程的盲目性。
Description
技术领域
本申请实施例涉及计算机技术领域,特别涉及一种基于改进麻雀搜索算法的多AGV调度方法、装置及设备。
背景技术
随着现代工业和信息服务业的发展,人力资本愈发珍贵,人们越来越认识到仓储、货运等物流环节对提高产品利润的重要性。据资料显示,物流、运输等环节占整个制造业企业成本的50%以上,因此,如何提高存储、运输的效率,充分发挥场地的性能优势,成为各大企业竞相发展的焦点。
自动化立体仓库是现代物流系统中的一个重要组成部分,且自动化立体仓库的智能化程度对整个物流业的发展有着重要的影响,即智能化程度越高,则物流业越发达,合理的调度方案可以显著提高物流效率,从而节约物流成本,提升企业的效益。
麻雀搜索算法(Sparrow Search Algorithm,SSA)是一种启发式生物智能算法,以麻雀为研究对象,将麻雀觅食并逃避捕食者的群体智能行为抽象成数学算法,并应用到实际问题的求解过程中。在麻雀搜索算法中共有3类麻雀:探索者、跟随者和侦察者。其中,麻雀种群中找到的食物最好的一批个体作为探索者,其他个体作为跟随者,同时在种群中选取一定比例的个体进行侦察预警,如果发现危险则放弃食物。在麻雀搜索算法中,每个麻雀代表一个可行解,且麻雀的位置对应可行解的适应度。但是传统的麻雀搜索算法在解决多自动导向车(Automated Guided Vehicle,AGV)调度的实际问题时容易出现无法收敛和陷入局部最优等不足,难以实现有效地调度。
发明内容
本申请实施例提供了一种基于改进麻雀搜索算法的多AGV调度方法、装置及设备,用于解决传统的麻雀搜索算法在解决AGV调度的实际问题时容易出现无法收敛和陷入局部最优等不足,难以实现有效地调度的问题。所述技术方案如下:
一方面,提供了一种基于改进麻雀搜索算法的多AGV调度方法,所述方法包括:
根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型,所述车辆用于将所述配送中心中的物品依次配送至各个客户节点后返回至所述配送中心,所述时间窗用于指示对应的客户节点的服务时间,所述数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使所述车辆的行驶路径最短;
设置麻雀种群,初始化每只麻雀的任务序列,所述任务序列是由多个客户节点的编号组成的配送序列;
确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;
根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新;
根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新;
根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新;
将更新后所述麻雀种群中的全局最优解确定为所述数学模型的最优解。
在一种可能的实现方式中,所述初始化每只麻雀的任务序列,包括:
生成混沌变量序列,所述混沌变量序列中包括随机生成的n个混沌变量,且每个混沌变量与一个客户节点对应;
将所述n个混沌变量按照从小到大的顺序进行排列,并每个客户节点按照对应的一个混沌变量的顺序进行排列,得到所述任务序列。
在一种可能的实现方式中,所述确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀,包括:
将所述麻雀种群中的所有麻雀按照适应度从大到小的顺序进行排序;
将排序后的麻雀种群中的前PN只麻雀确定为探索者麻雀,将剩下的麻雀确定为所述跟随者麻雀,并从所述麻雀种群中随机选出SD只侦察者麻雀。
在一种可能的实现方式中,所述根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新,包括:
对所述探索者麻雀随机生成一个随机数R2,0<R2<1;
若所述随机数R2小于预设的安全区域参数,则根据SEC交叉算子计算所述探索者麻雀的位置;
若所述随机数R2大于或等于预设的安全区域参数,则根据PBX交叉算子计算所述探索者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新所述探索者麻雀的位置。
在一种可能的实现方式中,所述根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新,包括:
若所述跟随者麻雀的编号小于或等于所述麻雀种群数的一半,则根据RPX交叉算子计算所述跟随者麻雀的位置;
若所述跟随者麻雀的编号大于所述麻雀种群数的一半,则根据邻域搜索算法计算所述跟随者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新所述跟随者麻雀的位置。
在一种可能的实现方式中,所述根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新,包括:
若所述侦察者麻雀的位置不是全局最优解,则根据OBX交叉算子计算所述侦察者麻雀的位置;
若所述侦察者麻雀的位置是全局最优解,则根据邻域搜索算法计算所述侦察者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新所述侦察者麻雀的位置。
在一种可能的实现方式中,所述邻域搜索算法包括以下四种:
第一邻域搜索算法:从所述任务序列中随机选择编号不同的两个客户节点进行交换,得到新的任务序列;
第二邻域搜索算法:从所述任务序列中随机选择两个客户节点,将所述两个客户节点之间的各个客户节点的排序顺序逆转,得到新的任务序列;
第三邻域搜索算法:从所述任务序列中随机选择一个客户节点,将所述客户节点依次与排在所述客户节点之后的每个客户节点进行交换,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列;
第四邻域搜索算法:从所述任务序列中随机选择一个客户节点,将所述客户节点从所述任务序列中抽离出来,得到待填充序列,将抽离出的所述客户节点插入到所述待填充序列中任意能够插入的位置,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列。
一方面,提供了一种基于改进麻雀搜索算法的多AGV调度装置,所述装置包括:
创建模块,用于根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型,所述车辆用于将所述配送中心中的物品依次配送至各个客户节点后返回至所述配送中心,所述时间窗用于指示对应的客户节点的服务时间,所述数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使所述车辆的行驶路径最短;
设置模块,用于设置麻雀种群,初始化每只麻雀的任务序列,所述任务序列是由多个客户节点的编号组成的配送序列;
确定模块,用于确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;
更新模块,用于根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新;根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新;根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新;
所述确定模块,还用于将更新后所述麻雀种群中的全局最优解确定为所述数学模型的最优解。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上所述的基于改进麻雀搜索算法的多AGV调度方法。
一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如上所述的基于改进麻雀搜索算法的多AGV调度方法。
本申请实施例提供的技术方案的有益效果至少包括:
通过以作业总耗费的最小化(即车辆的行驶路径最短)为优化目标,构建自动分拣仓库中的多AGV调度的数学模型,并针对该数学模型提出了一种改进麻雀搜索算法,这样,可以针对不同种类的麻雀(探索者麻雀、跟随者麻雀和侦察者麻雀)采用不同的位置更新方式,以交叉算子或邻域搜索算法作为局部优化算法来提高最优解的质量。改进后的麻雀搜索算法能够明显解决传统的麻雀搜索算法进行路径规划时收敛速度慢、易陷入局部最优等缺点,能提高对实际问题的求解效率,减少迭代过程的盲目性。
另外,在初始化每只麻雀的任务序列时,可以利用混沌初始化来获得离散分布的初始种群,提高初始种群的多样性。
附图说明
为了更清楚地说明本申请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单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的基于改进麻雀搜索算法的多AGV调度方法的方法流程图;
图2是本申请一个实施例提供的交叉算法的示意图;
图3是本申请一个实施例提供的基于改进麻雀搜索算法的多AGV调度装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1,其示出了本申请一个实施例提供的基于改进麻雀搜索算法的多AGV调度方法的方法流程图。该基于改进麻雀搜索算法的多AGV调度方法,可以包括:
步骤101,根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型。
其中,配送中心的周围设有坐标不同的n个客户节点,对配送中心和客户节点进行编号,可以得到集合N={0,1,2,…,n},且节点0为配送中心,节点1-n组成客户节点的集合Nc={1,2,…,n}。
车辆用于将配送中心中的物品依次配送至各个客户节点后返回至配送中心。对m辆车辆进行编号,可以得到车辆集合K={1,2,…,m},且在配送时,所有车辆必须从节点0开始并回到节点0。
每个客户节点都对应于一个时间窗,该时间窗用于指示对应的客户节点的服务时间。即,针对客户节点集合Nc中的任一节点i,存在节点i的时间窗[ai,bi],ai表示节点i最早接受物品的时间,bi为节点i最晚接受物品的时间。本实施例中,还可以为节点i设置其他参数,比如,qi为节点i的需求量,车辆在节点i的服务完成时间为si;对车辆集合K中的任一车辆k,车辆k达到节点i的时刻为Tik,车辆k从节点i达到节点j的时刻为Tij。
需要说明的是,每个客户节点都对应三种信息,即该节点的位置坐标、需求量qi和时间窗[ai,bi]。
本发明所要解决的技术问题是带时间窗的车辆路径问题,带时间窗的车辆路径问题可描述为:假设一个配送中心为周围若干个位于不同地理位置、且对物品送达时间有不同要求的客户节点提供配送服务。其中,配送中心用于运送的车辆都是同一型号的(即拥有相同的容量、速度);客户节点对车辆出入的时间有限制;车辆在所有客户节点有相同的停留服务时间;车辆需要从配送中心出发,经过所有的客户节点后回到配送中心。在这样的前提下,考虑如何合理安排车辆配送路线,既能在满足各项约束的条件下,将货物安全送到客户的手中,又能实现配送车辆的总行驶路径最短。
本实施例使用数学模型来解决带时间窗的车辆路径问题,可以根据配送中心、客户节点集合Nc、车辆集合K,建立带时间窗的车辆路径的数学模型,该数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使车辆的行驶路径最短。数据模型可以具体为:
公式(1)为车辆的总行驶路径最小的目标函数;公式(2)为配送车辆的载重约束;公式(3)表示每个客户节点只能由一辆车进行服务;公式(4)表示车辆服务某节点后必须从此节点出发去下一节点的约束;公式(5)和公式(6)表示每个客户节点只允许被服务一次;公式(7)表示消去子回路约束;公式(8)和公式(9)表示时间窗约束。
步骤102,设置麻雀种群,初始化每只麻雀的任务序列,该任务序列是由多个客户节点的编号组成的配送序列。
本实施例中,可以设置麻雀种群的数量为R,还可以设置其他参数。比如,初始化迭代参数NF,并给定最大迭代次数NFmax;设置安全范围参数ST。其中,初始迭代参数NF一般取1,最大迭代次数NFmax可取100;麻雀种群的数量R和客户节点的数量n相同,即100个。
标准的麻雀搜索算法无法直接应用于多AGV调度问题的求解,这就需要通过编码建立多AGV调度问题与麻雀位置之间的联系。本实施例中采用基于物品(包裹)输送顺序的编码方式,将所有的客户节点(仓储点)的编号组成任务序列。比如任务序列为(0,1,5,10,6,9,3,8,7,2,4),其中0代表配送中心,1代表AGV首先配送1号客户节点的物品,4代表AGV最后配送4号客户节点的物品。这种编码方式可以在保证同一限定条件下,所有任务序列的长度相同,方便后续计算。也就是说每只麻雀的任务序列就是由所有客户节点打乱排序,且每个客户点有且只有一个。
本实施例中采用混沌初始化来获得离散分布的初始种群,混沌初始化能够产生随机性、非周期性的数据序列,使种群中的客户节点离散分布,提高初始种群的多样性和全面性。具体的,初始化每只麻雀的任务序列,可以包括:生成混沌变量序列,该混沌变量序列中包括随机生成的n个混沌变量,且每个混沌变量与一个客户节点对应;将n个混沌变量按照从小到大的顺序进行排列,并每个客户节点按照对应的一个混沌变量的顺序进行排列,得到任务序列。
如表1所示,表1中总客户节点数为5,所以可以随机生成5个混沌变量,每个混沌变量与任务序列中的一个客户节点一一对应。然后,将混沌变量序列按从小到大的顺序排列,并且移动任务序列中与之对应的客户节点到对应的排序位置。例如混沌变量0.63与节点1对应,0.63排列后位置在混沌变量序列的最后,所以将节点1也移动到任务序列的最后,得到变动后的任务序列。
表1初始化任务序列过程
步骤103,确定麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀。
具体的,确定麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀,可以包括:将麻雀种群中的所有麻雀按照适应度从大到小的顺序进行排序;将排序后的麻雀种群中的前PN只麻雀确定为探索者麻雀,将剩下的麻雀确定为跟随者麻雀,并从麻雀种群中随机选出SD只侦察者麻雀。
本实施例中,可以设置探索者麻雀数量PN,跟随者麻雀数量R-PN、设置侦察者麻雀数量SD。以R为100为例,则探索者麻雀数量一般可以设置为20%R,即20个;跟随者麻雀数量则为100-20=80个,侦察者麻雀数量一般可以设置为10%R,即10个。
具体的,在计算麻雀的适应度时,可以先将任务序列解码,即将可行解编码转换为调度方案。解码时按照数学模型中的容量约束条件,依次将同时符合AGV载重约束和的客户节点分配给符合车辆约束的配送车辆。以上文中的任务序列(0,1,5,10,6,9,3,8,7,2,4)为例,结合数学模型中的约束条件,对其进行解码:首先将任务序列进行车辆数目的划分,如3辆AGV就将任务序列划分为3份子序列,找出这3份子序列中总适应度最优的划分方式作为最终的解码方案。如上述子代染色体解码出来的可行解为:(0,1,5,10,6,0,9,3,8,0,7,2,4,0),即共需要三辆车完成配送,其路径分别为(0,1,5,10,6,0),(0,9,3,8,0)和(0,7,2,4,0),再依次计算可行解中经过所有节点所行走的距离,取距离的倒数为适应度。
在得到麻雀的适应度后,可以对麻雀的适应度按照从大到小的顺序进行排序,取前PN只麻雀设置为探索者麻雀,剩下的R-PN只麻雀设置为跟随者麻雀,再随机选出SD只侦察者麻雀。
步骤104,根据SEC交叉算子或PBX交叉算子对探索者麻雀进行位置更新。
具体的,根据SEC(Subtour Exchange Crossover,子路径交换交叉)交叉算子或PBX(Position-based Crossover,基于位置的交叉)交叉算子对探索者麻雀进行位置更新,可以包括:对探索者麻雀随机生成一个随机数R2,0<R2<1;若随机数R2小于预设的安全区域参数,则根据SEC交叉算子计算探索者麻雀的位置;若随机数R2大于或等于预设的安全区域参数,则根据PBX交叉算子计算探索者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新探索者麻雀的位置。
本实施例中可以采用不同的交叉算子来改进探索者麻雀在不同情况下的位置更新方式。首先随机生成一个(0,1)的随机数R2,当R2<ST时,说明觅食环境周围没有捕食者,探索者麻雀可以执行广泛的搜索操作,并选用SEC交叉算子进行位置更新。具体的,先从种群中选取当前探索者麻雀的位置作为一个父代X1,再采用锦标赛选择方法随机选取3个位置(不包括当前位置),从被选择的3个位置中选择最优的一个作为另一个父代X2,然后对这两个父代进行SEC交叉操作。
请参考图2,SEC交叉操作的具体操作步骤如下:首先在父代X1上随机选择一串客户节点,并且在父代X2上找到这些客户节点的位置;然后保持每个父代中选中的客户节点的位置不变,按剩余客户节点的顺序交换父代X1与父代X2中的仓储点位置,一次生成两个子代Y1和Y2;最后进行贪婪选择,即比较两个子代Y1和Y2的适应度,选择适应度较优的子代作为交叉后的子代,如果交叉后的子代的适应度优于父代X1的适应度,则更新探索者麻雀的位置。
当R2≥ST时,说明觅食环境周围存在捕食者,探索者麻雀可以向最优位置靠近,并选用PBX交叉算子进行位置更新。具体的,先从种群中选取当前探索者麻雀的位置X1,再选取全局最优位置作为另一个父代X2,然后对这两个父代进行PBX交叉操作。
PBX交叉操作的具体操作过程如下:首先随机生成一个小于客户节点个数的正整数RN,再将父代X1中小于RN的客户节点固定不动,然后移除父代X1中未固定的客户节点,最后将父代X2中编号不固定的客户节点依次填充到更新后位置空白处,得到交叉后的子代,如果交叉后的子代的适应度优于父代X1的适应度,则更新探索者麻雀的位置。
步骤105,根据RPX交叉算子或邻域搜索算法对跟随者麻雀进行位置更新。
具体的,根据RPX交叉算子或邻域搜索算法对跟随者麻雀进行位置更新,可以包括:若跟随者麻雀的编号小于或等于麻雀种群数的一半,则根据RPX交叉算子计算跟随者麻雀的位置;若跟随者麻雀的编号大于麻雀种群数的一半,则根据邻域搜索算法计算跟随者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新跟随者麻雀的位置。
本实施例中可以引入邻域搜索机制和交叉操作来改进不同情况下跟随者麻雀的位置更新方式。假设跟随者麻雀的编号为人,且麻雀种群数为R,则当r≤R/2时,跟随者麻雀向全局最优位置靠近,此时选用RPX交叉算子进行位置更新。具体的,先从种群中选取当前跟随者麻雀的位置作为一个父代X1,再选取全局最优位置作为另一个父代X2,然后对这两个父代进行RPX交叉操作。
RPX交叉操作的具体操作过程如下:先将父代X1和父代X2分别复制到子代1和子代2中;然后随机生成一个由0或1组成的字符串,该字符串长度等于任务序列的长度,遍历该字符串,若该字符串中的第x个元素等于0,则互换子代中位于位置x的客户节点。由于此交叉操作可能会导致子代中出现非法值,因此,在交叉完成之后还需要检查子代中是否有重复或漏掉的客户节点,若存在重复的客户节点,则保留其中的一个客户节点,其余相同的客户节点用该子代中未使用的客户节点进行随机替换。如果进行RPX交叉操作后的子代的适应度优于父代X1的适应度,则更新跟随者麻雀的位置。
当r≤R/2时,适应度值较低的跟随者麻雀没有获得食物,处于十分饥饿的状态,此时需要在当前位置的附近搜索觅食,可以选用邻域搜索算法对当前位置编码进行交换、插入、逆转等操作,提高算法的局部搜索能力。本实施例中的邻域搜索算法包括以下四种:
第一邻域搜索算法:从任务序列中随机选择编号不同的两个客户节点进行交换,得到新的任务序列;
第二邻域搜索算法:从任务序列中随机选择两个客户节点,将两个客户节点之间的各个客户节点的排序顺序逆转,得到新的任务序列;
第三邻域搜索算法:从任务序列中随机选择一个客户节点,将客户节点依次与排在客户节点之后的每个客户节点进行交换,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列;
第四邻域搜索算法:从任务序列中随机选择一个客户节点,将客户节点从任务序列中抽离出来,得到待填充序列,将抽离出的客户节点插入到待填充序列中任意能够插入的位置,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列。
本实施例中,可以根据上述四种邻域搜索算法依次对跟随者麻雀进行位置更新。在更新过程中,如果采用某个邻域搜索算法后产生的新的任务序列的适应度更优,则更新任务序列,然后继续使用该邻域搜索算法进行位置更新,直到新的任务序列的适应度不再更新时采用下一种邻域搜索算法进行位置更新。
步骤106,根据OBX交叉算子或邻域搜索算法对侦察者麻雀进行位置更新。
具体的,根据OBX(Order-Based Crossover,基于顺序的交叉)交叉算子或邻域搜索算法对侦察者麻雀进行位置更新,可以包括:若侦察者麻雀的位置不是全局最优解,则根据OBX交叉算子计算侦察者麻雀的位置;若侦察者麻雀的位置是全局最优解,则根据邻域搜索算法计算侦察者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新侦察者麻雀的位置。
若侦察者麻雀的位置不是最优解,侦察者麻雀会向全局最优位置逃离,此时选用OBX交叉算子进行侦察者麻雀的位置更新。具体的,先从种群中选取当前侦察者麻雀的位置作为一个父代X1,再选取全局最优位置作为另一个父代X2,然后对这两个父代进行OBX交叉操作。
OBX交叉操作的具体操作过程如下:首先在父代X1上随机选择几个客户节点,然后在父代X2找到这些客户节点的位置,用父代X2上其余的客户节点生成子代,并保证位置对应,最后将父代X1中被选择的客户节点依次放入子代中的剩余位置。若进行OBX交叉操作后的子代的适应度优于父代X1的适应度,则更新侦察者麻雀的位置。
若侦察者麻雀的位置为全局最优解,则侦察者麻雀可以在当前位置的附近搜索觅食,可以选用邻域搜索算法进行局部搜索。其中,邻域搜索算法详见步骤105中的描述,此处不作赘述。
步骤107,将更新后麻雀种群中的全局最优解确定为数学模型的最优解。
判断迭代参数NF是否超过设置的最大迭代次数NFmax,若迭代参数NF大于最大迭代次数NFmax,则输出最优路径和最优路径长度,该最优路径即为整个麻雀种群中适应度最优的个体的可行解以及对应的路径长度;否则,设置NF=NF+1,继续执行步骤103。
综上所述,本申请实施例提供的基于改进麻雀搜索算法的多AGV调度方法,通过以作业总耗费的最小化(即车辆的行驶路径最短)为优化目标,构建自动分拣仓库中的多AGV调度的数学模型,并针对该数学模型提出了一种改进麻雀搜索算法,这样,可以针对不同种类的麻雀(探索者麻雀、跟随者麻雀和侦察者麻雀)采用不同的位置更新方式,以交叉算子或邻域搜索算法作为局部优化算法来提高最优解的质量。改进后的麻雀搜索算法能够明显解决传统的麻雀搜索算法进行路径规划时收敛速度慢、易陷入局部最优等缺点,能提高对实际问题的求解效率,减少迭代过程的盲目性。
另外,在初始化每只麻雀的任务序列时,可以利用混沌初始化来获得离散分布的初始种群,提高初始种群的多样性。
请参考图3,其示出了本申请一个实施例提供的基于改进麻雀搜索算法的多AGV调度装置的结构框图。该基于改进麻雀搜索算法的多AGV调度装置,可以包括:
创建模块310,用于根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型,车辆用于将配送中心中的物品依次配送至各个客户节点后返回至配送中心,时间窗用于指示对应的客户节点的服务时间,数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使车辆的行驶路径最短;
设置模块320,用于设置麻雀种群,初始化每只麻雀的任务序列,任务序列是由多个客户节点的编号组成的配送序列;
确定模块330,用于确定麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;
更新模块340,用于根据SEC交叉算子或PBX交叉算子对探索者麻雀进行位置更新;根据RPX交叉算子或邻域搜索算法对跟随者麻雀进行位置更新;根据OBX交叉算子或邻域搜索算法对侦察者麻雀进行位置更新;
确定模块330,还用于将更新后麻雀种群中的全局最优解确定为数学模型的最优解。
在一个可选的实施例中,设置模块320,还用于:
生成混沌变量序列,混沌变量序列中包括随机生成的n个混沌变量,且每个混沌变量与一个客户节点对应;
将n个混沌变量按照从小到大的顺序进行排列,并每个客户节点按照对应的一个混沌变量的顺序进行排列,得到任务序列。
在一个可选的实施例中,确定模块330,还用于:
将麻雀种群中的所有麻雀按照适应度从大到小的顺序进行排序;
将排序后的麻雀种群中的前PN只麻雀确定为探索者麻雀,将剩下的麻雀确定为跟随者麻雀,并从麻雀种群中随机选出SD只侦察者麻雀。
在一个可选的实施例中,更新模块340,还用于:
对探索者麻雀随机生成一个随机数R2,0<R2<1;
若随机数R2小于预设的安全区域参数,则根据SEC交叉算子计算探索者麻雀的位置;
若随机数R2大于或等于预设的安全区域参数,则根据PBX交叉算子计算探索者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新探索者麻雀的位置。
在一个可选的实施例中,更新模块340,还用于:
若跟随者麻雀的编号小于或等于麻雀种群数的一半,则根据RPX交叉算子计算跟随者麻雀的位置;
若跟随者麻雀的编号大于麻雀种群数的一半,则根据邻域搜索算法计算跟随者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新跟随者麻雀的位置。
在一个可选的实施例中,更新模块340,还用于:
若侦察者麻雀的位置不是全局最优解,则根据OBX交叉算子计算侦察者麻雀的位置;
若侦察者麻雀的位置是全局最优解,则根据邻域搜索算法计算侦察者麻雀的位置;
若位置更新后的适应度优于位置更新前的适应度,则更新侦察者麻雀的位置。
在一个可选的实施例中,邻域搜索算法包括以下四种:
第一邻域搜索算法:从任务序列中随机选择编号不同的两个客户节点进行交换,得到新的任务序列;
第二邻域搜索算法:从任务序列中随机选择两个客户节点,将两个客户节点之间的各个客户节点的排序顺序逆转,得到新的任务序列;
第三邻域搜索算法:从任务序列中随机选择一个客户节点,将客户节点依次与排在客户节点之后的每个客户节点进行交换,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列;
第四邻域搜索算法:从任务序列中随机选择一个客户节点,将客户节点从任务序列中抽离出来,得到待填充序列,将抽离出的客户节点插入到待填充序列中任意能够插入的位置,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列。
综上所述,本申请实施例提供的基于改进麻雀搜索算法的多AGV调度装置,通过以作业总耗费的最小化(即车辆的行驶路径最短)为优化目标,构建自动分拣仓库中的多AGV调度的数学模型,并针对该数学模型提出了一种改进麻雀搜索算法,这样,可以针对不同种类的麻雀(探索者麻雀、跟随者麻雀和侦察者麻雀)采用不同的位置更新方式,以交叉算子或邻域搜索算法作为局部优化算法来提高最优解的质量。改进后的麻雀搜索算法能够明显解决传统的麻雀搜索算法进行路径规划时收敛速度慢、易陷入局部最优等缺点,能提高对实际问题的求解效率,减少迭代过程的盲目性。
另外,在初始化每只麻雀的任务序列时,可以利用混沌初始化来获得离散分布的初始种群,提高初始种群的多样性。
本申请一个实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上所述的基于改进麻雀搜索算法的多AGV调度方法。
本申请一个实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如上所述的基于改进麻雀搜索算法的多AGV调度方法。
需要说明的是:上述实施例提供的基于改进麻雀搜索算法的多AGV调度装置在进行基于改进麻雀搜索算法的多AGV调度时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于改进麻雀搜索算法的多AGV调度装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于改进麻雀搜索算法的多AGV调度装置与基于改进麻雀搜索算法的多AGV调度方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述并不用以限制本申请实施例,凡在本申请实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请实施例的保护范围之内。
Claims (7)
1.一种基于改进麻雀搜索算法的多AGV调度方法,其特征在于,所述方法包括:
根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型,所述车辆用于将所述配送中心中的物品依次配送至各个客户节点后返回至所述配送中心,所述时间窗用于指示对应的客户节点的服务时间,所述数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使所述车辆的行驶路径最短;
设置麻雀种群,初始化每只麻雀的任务序列,所述任务序列是由多个客户节点的编号组成的配送序列;
确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;
根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新;
根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新;
根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新;
将更新后所述麻雀种群中的全局最优解确定为所述数学模型的最优解;
所述根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新,包括:对所述探索者麻雀随机生成一个随机数R2,0<R2<1;若所述随机数R2小于预设的安全区域参数,则根据SEC交叉算子计算所述探索者麻雀的位置;若所述随机数R2大于或等于预设的安全区域参数,则根据PBX交叉算子计算所述探索者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述探索者麻雀的位置;
所述根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新,包括:若所述跟随者麻雀的编号小于或等于所述麻雀种群数的一半,则根据RPX交叉算子计算所述跟随者麻雀的位置;若所述跟随者麻雀的编号大于所述麻雀种群数的一半,则根据邻域搜索算法计算所述跟随者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述跟随者麻雀的位置;
所述根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新,包括:若所述侦察者麻雀的位置不是全局最优解,则根据OBX交叉算子计算所述侦察者麻雀的位置;若所述侦察者麻雀的位置是全局最优解,则根据邻域搜索算法计算所述侦察者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述侦察者麻雀的位置。
2.根据权利要求1所述的方法,其特征在于,所述初始化每只麻雀的任务序列,包括:
生成混沌变量序列,所述混沌变量序列中包括随机生成的n个混沌变量,且每个混沌变量与一个客户节点对应;
将所述n个混沌变量按照从小到大的顺序进行排列,并将每个客户节点按照对应的一个混沌变量的顺序进行排列,得到所述任务序列。
3.根据权利要求1所述的方法,其特征在于,所述确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀,包括:
将所述麻雀种群中的所有麻雀按照适应度从大到小的顺序进行排序;
将排序后的麻雀种群中的前PN只麻雀确定为探索者麻雀,将剩下的麻雀确定为所述跟随者麻雀,并从所述麻雀种群中随机选出SD只侦察者麻雀。
4.根据权利要求1所述的方法,其特征在于,所述邻域搜索算法包括以下四种:
第一邻域搜索算法:从所述任务序列中随机选择编号不同的两个客户节点进行交换,得到新的任务序列;
第二邻域搜索算法:从所述任务序列中随机选择两个客户节点,将所述两个客户节点之间的各个客户节点的排序顺序逆转,得到新的任务序列;
第三邻域搜索算法:从所述任务序列中随机选择一个客户节点,将所述客户节点依次与排在所述客户节点之后的每个客户节点进行交换,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列;
第四邻域搜索算法:从所述任务序列中随机选择一个客户节点,将所述客户节点从所述任务序列中抽离出来,得到待填充序列,将抽离出的所述客户节点插入到所述待填充序列中任意能够插入的位置,得到多个不同的任务序列,从得到的所有任务序列中选择适应度最优的任务序列作为新的任务序列。
5.一种基于改进麻雀搜索算法的多AGV调度装置,其特征在于,所述装置包括:
创建模块,用于根据配送中心、m辆配送的车辆、n个客户节点和每个客户节点的时间窗创建数学模型,所述车辆用于将所述配送中心中的物品依次配送至各个客户节点后返回至所述配送中心,所述时间窗用于指示对应的客户节点的服务时间,所述数学模型的最优解能够使车辆在各个客户节点的服务时间内配送物品的同时使所述车辆的行驶路径最短;
设置模块,用于设置麻雀种群,初始化每只麻雀的任务序列,所述任务序列是由多个客户节点的编号组成的配送序列;
确定模块,用于确定所述麻雀种群中的探索者麻雀、跟随者麻雀和侦察者麻雀;
更新模块,用于根据SEC交叉算子或PBX交叉算子对所述探索者麻雀进行位置更新;根据RPX交叉算子或邻域搜索算法对所述跟随者麻雀进行位置更新;根据OBX交叉算子或邻域搜索算法对所述侦察者麻雀进行位置更新;
所述确定模块,还用于将更新后所述麻雀种群中的全局最优解确定为所述数学模型的最优解;
所述更新模块,还用于:对所述探索者麻雀随机生成一个随机数R2,0<R2<1;若所述随机数R2小于预设的安全区域参数,则根据SEC交叉算子计算所述探索者麻雀的位置;若所述随机数R2大于或等于预设的安全区域参数,则根据PBX交叉算子计算所述探索者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述探索者麻雀的位置;
所述更新模块,还用于:若所述跟随者麻雀的编号小于或等于所述麻雀种群数的一半,则根据RPX交叉算子计算所述跟随者麻雀的位置;若所述跟随者麻雀的编号大于所述麻雀种群数的一半,则根据邻域搜索算法计算所述跟随者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述跟随者麻雀的位置;
所述更新模块,还用于:若所述侦察者麻雀的位置不是全局最优解,则根据OBX交叉算子计算所述侦察者麻雀的位置;若所述侦察者麻雀的位置是全局最优解,则根据邻域搜索算法计算所述侦察者麻雀的位置;若位置更新后的适应度优于位置更新前的适应度,则更新所述侦察者麻雀的位置。
6.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至4任一所述的基于改进麻雀搜索算法的多AGV调度方法。
7.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述指令由所述处理器加载并执行以实现如权利要求1至4任一所述的基于改进麻雀搜索算法的多AGV调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255818.8A CN112862212B (zh) | 2021-03-09 | 2021-03-09 | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110255818.8A CN112862212B (zh) | 2021-03-09 | 2021-03-09 | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112862212A CN112862212A (zh) | 2021-05-28 |
CN112862212B true CN112862212B (zh) | 2022-03-11 |
Family
ID=75995110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110255818.8A Active CN112862212B (zh) | 2021-03-09 | 2021-03-09 | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862212B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326987B (zh) * | 2021-06-02 | 2024-05-07 | 武汉理工大学 | 一种铁路中心站轨道式集装箱起重机协同优化调度方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739812A (zh) * | 2009-12-10 | 2010-06-16 | 浙江师范大学 | 物流配送车辆路径优化方法 |
CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
CN111681258A (zh) * | 2020-06-12 | 2020-09-18 | 上海应用技术大学 | 基于混合灰狼优化svm的混合增强智能轨迹预测方法和装置 |
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN112199172B (zh) * | 2020-09-25 | 2024-05-24 | 桂林理工大学 | 一种面向异构多核处理器的混合式任务调度方法 |
-
2021
- 2021-03-09 CN CN202110255818.8A patent/CN112862212B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112862212A (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10655975B2 (en) | System and method for routing optimization | |
CN107103445B (zh) | 信息处理方法和装置 | |
CN103413209B (zh) | 多客户多仓库物流配送路径选择方法 | |
Kheiri et al. | A sequence-based selection hyper-heuristic utilising a hidden Markov model | |
CN106156897A (zh) | 物流配送中最优路径规划模拟系统 | |
Tavakkoli-Moghaddam et al. | Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS | |
CN111860754A (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
Hoogeboom et al. | Efficient neighborhood evaluations for the vehicle routing problem with multiple time windows | |
CN109345091A (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN108921464A (zh) | 一种拣货路径生成方法、存储介质及终端设备 | |
CN115237135A (zh) | 一种基于冲突的移动机器人路径规划方法及系统 | |
CN109472362A (zh) | 一种基于可变任务窗的agv动态调度方法及装置 | |
CN113313285B (zh) | 多约束条件的车辆路径优化方法、系统、存储介质及设备 | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
CN109359771A (zh) | 一种基于大数据的干线运输车货匹配算法 | |
Niazy et al. | A hybrid chicken swarm optimization with tabu search algorithm for solving capacitated vehicle routing problem | |
Niazy et al. | Solving Capacitated Vehicle Routing Problem Using Chicken Swarm Optimization with Genetic Algorithm. | |
CN115222340B (zh) | 基于智能仓储的货物调度管理方法及相关装置 | |
CN112631612A (zh) | 一种基于遗传算法的kubernetes云平台配置的优化方法 | |
CN115936568A (zh) | 动态车辆配送任务的路径规划方法、电子设备和存储介质 | |
Füßler et al. | The cafeteria problem: order sequencing and picker routing in on-the-line picking systems | |
CN116629495A (zh) | 用于输出信息的方法和装置 | |
CN114169488B (zh) | 基于混合元启发式算法的带容量约束的车辆路径获取方法 | |
Duan et al. | Nondominated sorting differential evolution algorithm to solve the biobjective multi-AGV routing problem in hazardous chemicals warehouse | |
CN109102123A (zh) | 拼车路线优化方法及装置、存储介质、计算设备 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 214000 21 Yanxin Road, Yanqiao street, Huishan District, Wuxi City, Jiangsu Province Patentee after: Wuxi Hongyi Intelligent Technology Co.,Ltd. Address before: 214000 21 Yanxin Road, Yanqiao street, Huishan District, Wuxi City, Jiangsu Province Patentee before: WUXI HONGYI INTELLIGENT TECHNOLOGY CO.,LTD. |