CN112926779B - 基于路径规划的智能调度系统及方法 - Google Patents

基于路径规划的智能调度系统及方法 Download PDF

Info

Publication number
CN112926779B
CN112926779B CN202110223364.6A CN202110223364A CN112926779B CN 112926779 B CN112926779 B CN 112926779B CN 202110223364 A CN202110223364 A CN 202110223364A CN 112926779 B CN112926779 B CN 112926779B
Authority
CN
China
Prior art keywords
scheduling
target
scheduled
node
nodes
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
CN202110223364.6A
Other languages
English (en)
Other versions
CN112926779A (zh
Inventor
陈丽园
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.)
Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd
Original Assignee
Huiliantong Industrial Supply Chain Digital Technology Xiamen 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 Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd filed Critical Huiliantong Industrial Supply Chain Digital Technology Xiamen Co ltd
Priority to CN202110223364.6A priority Critical patent/CN112926779B/zh
Publication of CN112926779A publication Critical patent/CN112926779A/zh
Application granted granted Critical
Publication of CN112926779B publication Critical patent/CN112926779B/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
    • G06Q10/04—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
    • 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

Abstract

本发明涉及计算机技术领域，具体涉及基于路径规划的智能调度系统及方法。所述系统包括：信息采集节点，所述信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；调度装置，配置用于接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限。其通过采集各个待调度目标的实时数据，以节点寻路的方式，规划调度任务的调度路线，能够最大化提升调度的效率，同时整个调度系统和方法自动运行，无须人工参与，智能化程度高。

Description

基于路径规划的智能调度系统及方法
技术领域
本发明属于计算机技术领域，具体涉及基于路径规划的智能调度系统及方法。
背景技术
物流是指为了满足客户的需求，以最低的成本，通过运输、保管、配送等方式，实现原材料、半成品、成品或相关信息进行由商品的产地到商品的消费地的计划、实施和管理的全过程。物流是一个控制原材料、制成品、产成品和信息的系统，从供应开始经各种中间环节的转让及拥有而到达最终消费者手中的实物运动，以此实现组织的明确目标。物流运输是物料中的重要一环，是指使用设施和工具将物品从一个点向另一个点的物流活动。
而在物流之中，运输调度则是关键中的关键，现有技术中大都通过人工进行调度指挥，这种方式不仅耗费人力，且调度的效率也很低。
专利号为CN201911282673.XA的专利公开了一种自动化物流仓储运输调度系统，包括与中央调度系统数据联网的发货点的发货仓储系统、运输管理系统、中转站的中转系统和收货点的收货仓储系统；所述发货仓储系统包括计量系统、分货系统和发货装载区间；所述运输管理系统包括运输调度系统和运输工具；所述中转系统包括中转分货系统和中转装载区间；所述收货仓储系统包括收货反馈端和收货仓。适应度评价函数从经济适用量e和时间长t两个相对立的角度进行评价2个相对立的函数相互平衡，实现即快速又经济的物流调度方案。将适应度评价函数设置了权重函数，权重系数是介于0-1之前的数，通过权重函数的调整，平衡各评价函数对运输方案的算法作用，避免过早收敛和迭代次数过多。
该方法通过评价运输调度过程中的适应度来实现更加科学的调度，但其调度效率依然很低，且无法实现运输调度的最短路径规划。
发明内容
有鉴于此，本发明的主要目的在于提供基于路径规划的智能调度系统及方法，通过采集各个待调度目标的实时数据，以节点寻路的方式，规划调度任务的调度路线，能够最大化提升调度的效率，同时整个调度系统和方法自动运行，无须人工参与，智能化程度高。
为达到上述目的，本发明的技术方案是这样实现的：
基于路径规划的智能调度系统，其特征在于，所述系统包括：信息采集节点，所述信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；调度装置，配置用于接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径；所述调度装置对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除，所述调度装置根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure DEST_PATH_IMAGE001
、调度距离
Figure DEST_PATH_IMAGE002
、调度效率
Figure DEST_PATH_IMAGE003
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新；所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
进一步的，所述基于时间上限
Figure DEST_PATH_IMAGE004
、调度距离
Figure DEST_PATH_IMAGE005
、信道安全
Figure 124920DEST_PATH_IMAGE003
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure 598626DEST_PATH_IMAGE006
中的
Figure 770982DEST_PATH_IMAGE007
使用新的算子进行更新，更新后的公式为：
Figure 100002_DEST_PATH_IMAGE008
；其中：
Figure 847391DEST_PATH_IMAGE009
表示为时刻，
Figure DEST_PATH_IMAGE010
表示信息素浓度，
Figure 100002_DEST_PATH_IMAGE011
表示i节点和节点j之间的隔离算子，
Figure DEST_PATH_IMAGE012
与
Figure 257644DEST_PATH_IMAGE014
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure 371093DEST_PATH_IMAGE015
、
Figure 93062DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
量化到同一量纲上的参数，
Figure 973162DEST_PATH_IMAGE018
为一个设定的数值域。
一种基于路径规划的智能调度方法，所述方法执行以下步骤：
步骤1：将多个信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；
步骤2：接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径；所述对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除；所述根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure 769079DEST_PATH_IMAGE015
、调度距离
Figure 100002_DEST_PATH_IMAGE019
、调度效率
Figure 850168DEST_PATH_IMAGE020
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新；所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
进一步的，所述基于时间上限
Figure 100002_DEST_PATH_IMAGE021
、调度距离
Figure 997115DEST_PATH_IMAGE002
、信道安全
Figure 697218DEST_PATH_IMAGE022
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure 613222DEST_PATH_IMAGE023
中的
Figure 599632DEST_PATH_IMAGE024
使用新的算子进行更新，更新后的公式为：
Figure 233876DEST_PATH_IMAGE025
；其中：
Figure DEST_PATH_IMAGE026
表示为时刻，
Figure 721358DEST_PATH_IMAGE027
表示信息素浓度，
Figure 100002_DEST_PATH_IMAGE028
表示i节点和节点j之间的隔离算子，
Figure 757447DEST_PATH_IMAGE029
与
Figure 914759DEST_PATH_IMAGE030
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure 36299DEST_PATH_IMAGE031
、
Figure 406100DEST_PATH_IMAGE032
和
Figure 968800DEST_PATH_IMAGE003
量化到同一量纲上的参数，
Figure 500275DEST_PATH_IMAGE033
为一个设定的数值域。
本发明的基于路径规划的智能调度系统及方法，具有如下有益效果：通过采集各个待调度目标的实时数据，以节点寻路的方式，规划调度任务的调度路线，能够最大化提升调度的效率，同时整个调度系统和方法自动运行，无须人工参与，智能化程度高。主要通过以下过程实现：1.本发明通过周期性地采集待调度目标的实时数据，以获取各个待调度目标的运行状态，以此来初步判定是否能够进行调度，提升调度的效率；2.本发明通过自动进行路径规划来实现调度的路径的规划，智能化程度高；3.本发明在进行路径规划时，通过定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点，以此来获取最短的路径。
附图说明
图1为本发明实施例提供的基于路径规划的智能调度系统的系统结构示意图；
图2为本发明实施例提供的基于路径规划的智能调度方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，基于路径规划的智能调度系统，其特征在于，所述系统包括：信息采集节点，所述信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；调度装置，配置用于接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径。
具体的，本发明通过采集各个待调度目标的实时数据，以节点寻路的方式，规划调度任务的调度路线，能够最大化提升调度的效率，同时整个调度系统和方法自动运行，无须人工参与，智能化程度高。主要通过以下过程实现：1.本发明通过周期性地采集待调度目标的实时数据，以获取各个待调度目标的运行状态，以此来初步判定是否能够进行调度，提升调度的效率；2.本发明通过自动进行路径规划来实现调度的路径的规划，智能化程度高；3.本发明在进行路径规划时，通过定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点，以此来获取最短的路径
实施例2
在上一实施例的基础上，所述调度装置对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除。
实施例3
在上一实施例的基础上，所述调度装置根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure 905849DEST_PATH_IMAGE034
、调度距离
Figure 79341DEST_PATH_IMAGE032
、调度效率
Figure 824443DEST_PATH_IMAGE035
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新。
具体的，路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成，连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称之为路径规划。
路径规划在很多领域都具有广泛的应用。在高新科技领域的应用有：机器人的自主无碰行动；无人机的避障突防飞行；巡航导弹躲避雷达搜索、防反弹袭击、完成突防爆破任务等。在日常生活领域的应用有：GPS导航；基于GIS系统的道路规划;城市道路网规划导航等。在决策管理领域的应用有：物流管理中的车辆问题(VRP)及类似的资源管理资源配置问题。通信技术领域的路由问题等。凡是可拓扑为点线网络的规划问题基本上都可以采用路径规划的方法解决。
实施例4
在上一实施例的基础上，所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
具体的，根据对环境信息的把握程度可把路径规划划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。其中，从获取障碍物信息是静态或是动态的角度看，全局路径规划属于静态规划(又称离线规划)，局部路径规划属于动态规划(又称在线规划)。全局路径规划需要掌握所有的环境信息，根据环境地图的所有信息进行路径规划；局部路径规划只需要由传感器实时采集环境信息，了解环境地图信息，然后确定出所在地图的位置及其局部的障碍物分布情况，从而可以选出从当前结点到某一子目标结点的最优路径。
根据所研究环境的信息特点，路径规划还可分为离散域范围内的路径规划问题和连续域范围内的路径规划问题。离散域范围内的路径规划问题属于一维静态优化问题，相当于环境信息简化后的路线优化问题；而连续域范围内的路径规划问题则是连续性多维动态环境下的问题。
实施例5
在上一实施例的基础上，所述基于时间上限
Figure 710841DEST_PATH_IMAGE001
、调度距离
Figure 541394DEST_PATH_IMAGE036
、信道安全
Figure 252998DEST_PATH_IMAGE037
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure 914923DEST_PATH_IMAGE038
中的
Figure 788201DEST_PATH_IMAGE039
使用新的算子进行更新，更新后的公式为：
Figure 371629DEST_PATH_IMAGE040
；其中：
Figure 293449DEST_PATH_IMAGE041
表示为时刻，
Figure 13143DEST_PATH_IMAGE042
表示信息素浓度，
Figure 322902DEST_PATH_IMAGE043
表示i节点和节点j之间的隔离算子，
Figure DEST_PATH_IMAGE044
与
Figure 924784DEST_PATH_IMAGE046
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure 899563DEST_PATH_IMAGE004
、
Figure 739343DEST_PATH_IMAGE047
和
Figure 954423DEST_PATH_IMAGE017
量化到同一量纲上的参数，
Figure DEST_PATH_IMAGE048
为一个设定的数值域。
实施例6
一种基于路径规划的智能调度方法，所述方法执行以下步骤：
步骤1：将多个信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；
步骤2：接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径。
具体的，传统的路径规划算法有：模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法等。
具体的，（1）模拟退火算法（Simulated Annealing），简称SA)是一种适用于大规模组合优化问题的有效近似算法。它模仿固体物质的退火过程，通过设定初温、初态和降温率控制温度的不断下降，结合概率突跳特性，利用解空间的邻域结构进行随机搜索。具有描述简单、使用灵活、运行效率高、初始条件限制少等优点，但存在着收敛速度慢、随机性等缺陷，参数设定是应用过程中的关键环节。
（2）人工势场法是一种虚拟力法。它模仿引力斥力下的物体运动，目标点和运动体间为引力，运动体和障碍物间为斥力，通过建立引力场斥力场函数进行路径寻优。优点是规划出来的路径平滑安全、描述简单等，但是存在局部最优的问题，引力场的设计是算法能否成功应用的关键。
（3）模糊逻辑算法网模拟驾驶员的驾驶经验，将生理上的感知和动作结合起来，根据系统实时的传感器信息，通过查表得到规划信息，从而实现路径规划。算法符合人类思维习惯，免去数学建模，也便于将专家知识转换为控制信号，具有很好的一致性、稳定性和连续性。但总结模糊规则比较困难，而且一旦确定模糊规则在线调整困难，应变性差。最优的隶属度函数、控制规则及在线调整方法是最大难题。
（4）禁忌搜索算法（TS）是一种全局逐步寻优算法，是对人类智力过程的一种模拟。通过引入一个灵活的存储结构和相应的晋级规则来避免与会搜索，并通过藐视准则来赦免一些被紧急的优良状态，以实现全局优化。
实施例7
在上一实施例的基础上，所述对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除。
实施例8
在上一实施例的基础上，所述根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure 43602DEST_PATH_IMAGE001
、调度距离
Figure 635120DEST_PATH_IMAGE049
、调度效率
Figure 1511DEST_PATH_IMAGE050
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新。
实施例9
在上一实施例的基础上，所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
实施例10
在上一实施例的基础上，所述基于时间上限
Figure 387493DEST_PATH_IMAGE021
、调度距离
Figure 432809DEST_PATH_IMAGE051
、信道安全
Figure 624756DEST_PATH_IMAGE052
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure 907970DEST_PATH_IMAGE053
中的
Figure 996012DEST_PATH_IMAGE054
使用新的算子进行更新，更新后的公式为：
Figure 184416DEST_PATH_IMAGE055
；其中：
Figure 117737DEST_PATH_IMAGE056
表示为时刻，
Figure 521037DEST_PATH_IMAGE057
表示信息素浓度，
Figure 576717DEST_PATH_IMAGE058
表示i节点和节点j之间的隔离算子，
Figure 65468DEST_PATH_IMAGE059
与
Figure 802480DEST_PATH_IMAGE060
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure DEST_PATH_IMAGE061
、
Figure 732389DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE063
量化到同一量纲上的参数，
Figure 958971DEST_PATH_IMAGE048
为一个设定的数值域。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全单元或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储模块、处理模块的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一单元分”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/模块不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/模块所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.基于路径规划的智能调度系统，其特征在于，所述系统包括：信息采集节点，所述信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；调度装置，配置用于接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径；所述调度装置对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除，所述调度装置根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure 679730DEST_PATH_IMAGE001
、调度距离
Figure 393608DEST_PATH_IMAGE002
、调度效率
Figure 173345DEST_PATH_IMAGE003
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新；所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
2.如权利要求1所述的系统，其特征在于：所述基于时间上限
Figure 302975DEST_PATH_IMAGE004
、调度距离
Figure 789451DEST_PATH_IMAGE005
、信道安全
Figure 611914DEST_PATH_IMAGE006
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure DEST_PATH_IMAGE007
中的
Figure DEST_PATH_IMAGE008
使用新的算子进行更新，更新后的公式为：
Figure DEST_PATH_IMAGE009
；其中：
Figure 65898DEST_PATH_IMAGE010
表示为时刻，
Figure DEST_PATH_IMAGE011
表示信息素浓度，
Figure 999218DEST_PATH_IMAGE012
表示i节点和节点j之间的隔离算子，
Figure 464835DEST_PATH_IMAGE013
与
Figure 192619DEST_PATH_IMAGE014
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure 946949DEST_PATH_IMAGE015
、
Figure 356065DEST_PATH_IMAGE002
和
Figure 613871DEST_PATH_IMAGE016
量化到同一量纲上的参数，
Figure 43715DEST_PATH_IMAGE017
为一个设定的数值域。
3.一种基于权利要求1至2之一所述系统的基于路径规划的智能调度方法，其特征在于，所述方法执行以下步骤：
步骤1：将多个信息采集节点分配到各个待调度目标，周期性地采集待调度目标的实时数据；所述实时数据至少包括：待调度目标的位置和待调度目标的载荷状态；所述信息采集节点之间彼此互相连接，构成一个区块链网络；
步骤2：接收调度请求，所述调度请求中包含调度任务的起始点和目标点，以及调度任务的时间上限，在接收到调度请求后，分别以调取任务的起始点和目标点为圆心，以起始点和目标点的直线距离的一半作为半径，划定一个圆周区域，分别发送信息获取指令至两个圆周区域内的信息采集节点，获取信息采集节点中距离当前时刻的最近的时间点采集到的实时数据，对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务，筛选出能够进行调度任务的待调度目标，根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径；所述对获取到的实时数据进行数据分析，以判断实时数据对应的待调度目标当前是否能够进行调度任务的方法包括：首先根据待调度目标的载荷状态，判断该待调度目标是否处于工作状态；若处于工作状态，则直接将该待调度目标剔除，若未处于工作状态，则计算该调度目标的位置距离与调度任务的目标点的直线距离，若直线距离超过设定的阈值范围，则将该待调度目标剔除；所述根据筛选出的待调度目标，使用预设的路径规划算法规划本次调度任务的路径的方法包括：将起始点、目标点和筛选出的待调度目标视均为一个节点，在起始点和目标点之间随机确定一个中心节点，其坐标为定义为(0,0)；定义节点调度最小树，节点调度最小树包括：节点调度最小树根节点和节点调度最小树中的子节点；所述节点调度最小树中的子节点可以连接的其他节点；基于时间上限
Figure 82078DEST_PATH_IMAGE018
、调度距离
Figure DEST_PATH_IMAGE019
、调度效率
Figure 15924DEST_PATH_IMAGE016
和k值更新路径规划的算法公式，其中，k值为邻居节点数量；i和j表示节点；按照建立好的路径之后进行调度，节点调度最小树中子节点将其收集到的数据传送给父节点，父节点对其收集到的数据以及子节点发送到的数据进行聚合操作，然后将聚合得到的数据传送给自己父节点直至中心节点；运行设定的时间周期后，进行树的自适应维护更新；所述信息采集节点采集待调度目标的实时数据的周期彼此之间各不相同，针对不同的待调度目标，设定的周期不同。
4.如权利要求3所述的方法，其特征在于：所述基于时间上限
Figure 393815DEST_PATH_IMAGE020
、调度距离
Figure DEST_PATH_IMAGE021
、信道安全
Figure 525719DEST_PATH_IMAGE006
和k值更新路径规划的算法公式，其中，k值为邻居节点数量：i和j表示节点的方法执行以下步骤：将原始的路径规划公式：
Figure 989062DEST_PATH_IMAGE022
中的
Figure 739980DEST_PATH_IMAGE023
使用新的算子进行更新，更新后的公式为：
Figure 237957DEST_PATH_IMAGE024
；其中：
Figure DEST_PATH_IMAGE025
表示为时刻，
Figure 540763DEST_PATH_IMAGE026
表示信息素浓度，
Figure DEST_PATH_IMAGE027
表示i节点和节点j之间的隔离算子，
Figure DEST_PATH_IMAGE028
与
Figure DEST_PATH_IMAGE029
分别表示信息素浓度与隔离算子的权重，即在路径选择过程中所起的因素，Q和BA表示将
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
和
Figure 678352DEST_PATH_IMAGE032
量化到同一量纲上的参数，
Figure 295278DEST_PATH_IMAGE017
为一个设定的数值域。
CN202110223364.6A 2021-03-01 2021-03-01 基于路径规划的智能调度系统及方法 Active CN112926779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110223364.6A CN112926779B (zh) 2021-03-01 2021-03-01 基于路径规划的智能调度系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110223364.6A CN112926779B (zh) 2021-03-01 2021-03-01 基于路径规划的智能调度系统及方法

Publications (2)

Publication Number Publication Date
CN112926779A CN112926779A (zh) 2021-06-08
CN112926779B true CN112926779B (zh) 2022-10-11

Family

ID=76172625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110223364.6A Active CN112926779B (zh) 2021-03-01 2021-03-01 基于路径规划的智能调度系统及方法

Country Status (1)

Country Link
CN (1) CN112926779B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113479655B (zh) * 2021-07-07 2022-11-01 江苏杰瑞信息科技有限公司 一种基于模糊路径的车辆调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436604B (zh) * 2011-09-08 2015-01-07 哈尔滨工程大学 一种基于多目标进化方法的多弹协同航路计算方法
CN106970648B (zh) * 2017-04-19 2019-05-14 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN109164810B (zh) * 2018-09-28 2021-08-10 昆明理工大学 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
CN109583709A (zh) * 2018-11-09 2019-04-05 同济大学 一种自动泊车机器人群体任务调度方法
CN111614567A (zh) * 2020-04-03 2020-09-01 杭州鹿扬科技有限公司 区块链网络中的节点路径选择方法、系统及装置
CN112325884B (zh) * 2020-10-29 2023-06-27 广西科技大学 一种基于dwa的ros机器人局部路径规划方法

Also Published As

Publication number Publication date
CN112926779A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
Croes A method for solving traveling-salesman problems
CN106527373B (zh) 基于多智能体的车间自主调度系统和方法
Binol et al. Time optimal multi-UAV path planning for gathering its data from roadside units
CN105675002A (zh) 一种多途经点导航路线规划方法和系统
Gil et al. Cooperative scheduling of tasks for networked uninhabited autonomous vehicles
Xu et al. A brief review of the intelligent algorithm for traveling salesman problem in UAV route planning
CN112926779B (zh) 基于路径规划的智能调度系统及方法
Liu et al. Multi-agent reinforcement learning-based coordinated dynamic task allocation for heterogenous UAVs
Karouani et al. Milk-run collection monitoring system using the internet of things based on swarm intelligence
Rao et al. Integration of Cloud Computing, IoT, and Big Data for the Development of a Novel Smart Agriculture Model
Liu et al. Artificial intelligence in smart logistics cyber-physical systems: State-of-the-arts and potential applications
Dong et al. Collaborative coverage path planning of UAV cluster based on deep reinforcement learning
Sai et al. A comprehensive survey on artificial intelligence for unmanned aerial vehicles
Wong et al. A rolling horizon optimization approach for dynamic airspace sectorization
CN117234214A (zh) 一种用于工业货物码垛的自动化穿梭车
Ebrahimi Mood et al. Performance optimization of UAV-based IoT communications using a novel constrained gravitational search algorithm
Caruntu et al. Bio-inspired coordination and control of autonomous vehicles in future manufacturing and goods transportation
RU2742959C1 (ru) Система для управления работой участка железной дороги с построением единого расписания
Zema et al. Formation control of a mono-operated uav fleet through ad-hoc communications: a q-learning approach
CN112748729A (zh) 一种agv路线优化及实时调度方法
Xu Context-based trajectory prediction with LSTM networks
Lysenko et al. The Method of Using a Telecommunication Air Platform as a Flying Info-Communication Robots
Scholz-Reiter et al. Internet routing protocols as an autonomous control approach for transport networks
Araújo et al. Cooperative observation of malicious targets in a 3d urban traffic environment using uavs
Belhassena et al. Towards an architecture for agricultural autonomous robots’ scheduling

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
CB02 Change of applicant information

Address after: 361000 413-26, No. 942, tonglong Second Road, torch high tech Zone (Xiang'an) Industrial Zone, Xiamen City, Fujian Province (address for service of legal documents)

Applicant after: Huiliantong Industrial Supply Chain Digital Technology (Xiamen) Co.,Ltd.

Address before: 201400 room 21009, No. 5599 Yanqian Road, Fengxian District, Shanghai

Applicant before: Huiliantong supply chain technology (Shanghai) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant