CN113139774A - 一种面向多仓库运输的车辆路径优化方法 - Google Patents
一种面向多仓库运输的车辆路径优化方法 Download PDFInfo
- Publication number
- CN113139774A CN113139774A CN202110448348.7A CN202110448348A CN113139774A CN 113139774 A CN113139774 A CN 113139774A CN 202110448348 A CN202110448348 A CN 202110448348A CN 113139774 A CN113139774 A CN 113139774A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- food source
- vehicle
- bee
- node
- 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.)
- Granted
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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向多仓库运输的车辆路径优化方法,包括:计算客户节点距离所有仓库的距离,将客户节点分配至距离最近的仓库,分配完成后,针对每一个仓库及其被分配到该仓库的客户节点,使用人工蜂群算法找到部分最优解;将针对单一仓库节点的车辆调度路线集合合并为一个集合,组成针对多仓库车辆路径问题的总车辆调度路线集合,实现车辆路径的优化。本发明提通过分配,修正及合并阶段的设置,将多仓库背景划归为单仓库背景,使得可以并行地计算针对每一个单仓库的车辆路径调度路线,从而缩小了调度路线的搜索范围,提高了计算效率;且由于蜂群中跟随蜂和巡回蜂的存在,使得其不易陷入局部最优导致过早收敛,更容易找到更好的近似解。
Description
技术领域
本发明涉及计算机与信息技术领域,具体涉及一种面向多仓库运输的车辆路径优化方法。
背景技术
智能制造供应链,是近年来在智能制造和工业4.0影响下提出的一种新型供应链。它由大数据提供支持,并在智能设备和智能算法的支持下工作。在智能制造供应链的构建过程中,资源调度问题是贯穿整条智能制造供应链构建的核心问题之一。车辆资源,作为供应链系统中的物流系统的重要组成部分,对于供货方来说价值非同小可。而车辆调度问题,即是制定运载车辆的调度策略并进行优化,最终达到在满足客户需求以及车辆运载能力的情况下总成本最小或其他优化目的。此类问题在现实生活中有着很多的应用场景,例如物流配送,快递收发件,共享车辆的路线设计等等。车辆路径问题(Vehicle RoutingProblem,VRP)是智能交通中的一个典型问题,它要求在给定仓库及客户坐标的情况下,确定一组满足所有客户需求的车辆路径,并使运输距离最小。容量受限车辆路径问题(CVRP)是该类问题的基本形式,其假设每辆车的容量是有限的。虽然在单仓库的背景下针对该问题已经得到了较多的算法成果,但是对于更贴近现实的多仓库背景,由于其涉及更复杂的环境,相关的算法研究则较少。
现有技术中,主要有两类算法解决此类调度问题。一类是使用贪心算法进行搜索;另一类是采用遗传算法来找到近似解。
第一类算法是直接使用常用的贪心算法来得到该问题的近似解。具体来说,该算法从仓库点出发,选择当前状态下可到达的距离最短的点作为下一节点,到达下一节点后,继续该过程,直到所有的客户节点都能被服务到。
第二类算法是采用模拟基因遗传变异过程而设计的遗传算法。遗传算法的基本步骤如下:(1)随机生成一定数目的个体(可行解),然后从中挑出最好的个体加到初始群体中。这种过程不断迭代,直到初始群体中个体数达到了预先确定的规模。(2)计算初始群体中各个个体对应的适应度值(可行解对应的目标函数值)。(3)依据适应度值在群体中选择参与到下一代个体生成过程的个体。(4)对上一步选择出的个体施加交叉算子得到新的个体。5)在新的个体上施加变异算子使其产生适当程度的变异。(5)重复(1)至(4)步直到达到最大的迭代次数,将现有群体中的最优个体作为近似解。
上述技术中存在如下的缺点:
第一种算法较为短视,由于只能实现每一步上的优化而非全局优化,因此只能得到较差的最优解。
第二种算法则主要有两大弊端。首先是效率较低,这导致其往往需要较大的群体数量以及较大的迭代次数。其次是容易过早收敛,由于新一代的个体总是大体基于上一代个体而产生,因此使得该算法很容易陷入局部最优解从而过早收敛。
综上,行业内急需研发一种效率高,不会过早收敛的多仓库车辆路径问题的调度方法或者系统。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种计算效率高,能容易找到更好的近似解的面向多仓库运输的车辆路径优化方法。
本发明的目的通过以下的技术方案实现:
一种面向多仓库运输的车辆路径优化方法,包括:
S1,计算客户节点距离所有仓库的距离,将客户节点分配至距离最近的仓库,分配完成后,得到与仓库数量相同的多个图Gi=(Ei,di,Ci),其中di为第i个仓库,Ci为被分配到第i个仓库节点的客户节点,Ei为相应的有权边;
S2,针对每一个仓库及其被分配到该仓库的客户节点,使用人工蜂群算法找到部分最优解;
S3,将针对单一仓库节点的车辆调度路线集合合并为一个集合,组成针对多仓库车辆路径问题的总车辆调度路线集合,实现车辆路径的优化。
优选地,步骤S2包括:
S21,根据仓库-客户坐标图、车负载量及客户需求量,随机地生成初始可行解,将初始可行解作为蜂群初始的食物源,并计算食物源对应的目标函数值;其中,可行解指满足预设问题要求的车辆调度路线集合,目标函数值为总路线集合对应的距离和;
S22,将与初始食物源数量相同的工蜂分别派驻在食物源上,一个食物源对应一只工蜂;
S23,每个跟随蜂随机地选择一个工蜂进行跟随,跟随蜂在对应工蜂所在的食物源上进行局部搜索,
S24,判断跟随蜂是否找到更好的食物源;若是,则执行步骤S25;若否,则执行步骤S26;其中,更好的食物源为使对应目标函数值更小的可行解;
S25跟随蜂向种群中最差食物源对应的工蜂发出信号,使其迁移过来;其中,最差食物源为对使应目标函数值最大的可行解;
S26,在预设时间段内,工蜂与跟随蜂均未在某一食物源附近找到更好的食物源,则蜂群派出巡回蜂去随机寻找新的可行解作为新的食物源;
S27,迭代步骤S22-S24,直到达到最大迭代值后,选择最优食物源对应的可行解作为部分最优解,部分最优解为针对这一仓库节点的单仓库最佳车辆调度路线集合。
优选地,在步骤S1中,若客户节点的第二近仓库距离与最近仓库距离之比大于阈值τ,则将该客户节点分配至第二近仓库,并将该客户节点作为中间客户。
优选地,步骤S3之前还包括:对于所有的中间节点,分别计算其在两个部分最优解中所带来的附加成本,将其从附加成本更高的部分最优解中去除;其中,附加成本为部分最优解中因为需要经过该节点而导致的额外距离。
本发明相对于现有技术具有如下优点:
1、本发明提出的一种解决多仓库车辆路径问题的调度算法根据客户仓库坐标信息及客户需求得出运输成本较短的车辆调度方案;
2、本发明提出的一种解决多仓库车辆路径问题的调度算法通过分配,修正及合并阶段的设置,将多仓库背景划归为单仓库背景,使得可以并行地计算针对每一个单仓库的车辆路径调度路线,从而缩小了调度路线的搜索范围,提高了计算效率;
3、本发明提出的一种解决多仓库车辆路径问题的人工蜂群调度算法,由于蜂群中跟随蜂和巡回蜂的存在,使得其不易陷入局部最优导致过早收敛,更容易找到更好的近似解。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的面向多仓库运输的车辆路径优化方法的流程示意图。
图2为本发明的修正阶段的修正流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
图1为本发明设计的向多仓库车辆调度问题的人工蜂群算法的流程图。具体而言,该算法通过分配阶段,单仓库蜂群算法运行阶段,修正阶段,合并阶段的结合,最终得到问题的近似解。具体如下:
(一)分配阶段:依照客户距离仓库的距离,将客户节点分配至最近仓库,若第二近仓库的距离与最近仓库距离之比大于阈值τ,亦将该客户分配至第二近仓库,并将该种客户称为中间客户。该分配过程完成后,原始的无向有权图G=(E,D,C)被分解为与仓库数量相同的多个图Gi=(Ei,di,Ci),其中di为某个仓库节点,ci为其被分配到的若干个客户节点,Ei为相应的有权边(路径)。
(二)针对每一个仓库及其被分配到的仓库节点,使用人工蜂群算法找到部分最优解,其主要步骤如下:
(1)根据输入的仓库-客户坐标图以及车负载量及客户需求量等信息,随机地生成一些初始可行解作为蜂群初始的食物源,并计算这些食物源对应的目标函数值。此处可行解即指满足问题要求的车辆调度路线集合,目标函数值指该路线集合对应的距离和。
(2)将与初始食物源数量相同的工蜂一一派驻在每一个食物源上,一个食物源对应一只工蜂。
(3)跟随蜂搜索阶段:每个跟随蜂随机地选择一个工蜂进行跟随,其在该工蜂所在的食物源上进行局部搜索,如果其找到了更好的食物源(即对应目标函数值更小的可行解),则其向种群中最差食物源(即对应目标函数值最大的可行解)对应的工蜂发出信号,使其迁移过来。
(4)巡回蜂工作阶段:若在一段时间内,工蜂与跟随蜂均未在某一食物源附近找到更好的食物源,则蜂群派出巡回蜂去随机寻找新的可行解作为新的食物源。
(5)迭代步骤(2)-(4),直到满足最大迭代值后,选择最优食物源对应的可行解作为部分最优解(针对这一仓库节点的单仓库最佳车辆调度路线集合)。
(三)修正阶段:对于所有的中间节点,分别计算其在两个部分最优解中所带来的附加成本,将其从附加成本更高的部分最优解中去除。附加成本指在部分最优解中因为需要经过该节点而导致的额外距离。参见图2,c3是一中间节点。在仓库d1对应的部分最优解(d1,c1,c3,c2,d1)中c3带来的附加成本为d(c3,c2)+d(c1,c3)-d(c1,c2)。在仓库d2对应的部分最优解(d2,c3,c4,c5,d2)中c3带来的附加成本为d(c3,c4)+d(d2,c3)-d(c4,d2)。此处d指两节点间的距离。
(四)合并阶段:将所有部分最优解合并为一完整的近似解,换言之,即将针对单一仓库节点的车辆调度路线集合合并为一个集合,组成针对多仓库车辆路径问题的完整车辆调度路线集合,实现车辆路径的优化。
综上,本发明首先将该多仓库问题通过一分配阶段化归为单仓库问题,进而利用针对单仓库车辆路径问题的人工蜂群算法寻找最优的部分解,最终再通过一合并阶段将部分解进行合并,从而得到较好的近似解。通过分配和合并阶段,本发明将使效果较好的针对单仓库车辆路径问题的人工蜂群算法得以扩展至多仓库背景下,从而使多仓库的车辆路径问题得到更好的解决。
具体地,本发明具有如下的有益效果:
(1)本算法由于利用群体智能的设计,能实现一定程度的全局优化,从而能够得到较好的近似解。
(2)本算法通过分配,修正与合并阶段,将多仓库的问题化归为单仓库的问题,从而提高了计算效率。
(3)本算法由于采用了效果较好的面向车辆路径问题的人工蜂群算法,从而避免了算法的过早收敛,陷入局部最优解。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种面向多仓库运输的车辆路径优化方法,其特征在于,包括:
S1,计算客户节点距离所有仓库的距离,将客户节点分配至距离最近的仓库;
S2,针对每一个仓库及其被分配到该仓库的客户节点,使用人工蜂群算法找到部分最优解;
S3,将针对单一仓库节点的车辆调度路线集合合并为一个集合,组成针对多仓库车辆路径问题的总车辆调度路线集合,实现车辆路径的优化。
2.根据权利要求1所述的面向多仓库运输的车辆路径优化方法,其特征在于,步骤S2包括:
S21,根据仓库-客户坐标图、车负载量及客户需求量,随机地生成初始可行解,将初始可行解作为蜂群初始的食物源,并计算食物源对应的目标函数值;其中,可行解指满足预设问题要求的车辆调度路线集合,目标函数值为总路线集合对应的距离和;
S22,将与初始食物源数量相同的工蜂分别派驻在食物源上,一个食物源对应一只工蜂;
S23,每个跟随蜂随机地选择一个工蜂进行跟随,跟随蜂在对应工蜂所在的食物源上进行局部搜索,
S24,判断跟随蜂是否找到更好的食物源;若是,则执行步骤S25;若否,则执行步骤S26;其中,更好的食物源为使对应目标函数值更小的可行解;
S25跟随蜂向种群中最差食物源对应的工蜂发出信号,使其迁移过来;其中,最差食物源为对使应目标函数值最大的可行解;
S26,在预设时间段内,工蜂与跟随蜂均未在某一食物源附近找到更好的食物源,则蜂群派出巡回蜂去随机寻找新的可行解作为新的食物源;
S27,迭代步骤S22-S24,直到达到最大迭代值后,选择最优食物源对应的可行解作为部分最优解,部分最优解为针对这一仓库节点的单仓库最佳车辆调度路线集合。
3.根据权利要求1所述的面向多仓库运输的车辆路径优化方法,其特征在于,在步骤S1中,若客户节点的第二近仓库距离与最近仓库距离之比大于阈值τ,则将该客户节点分配至第二近仓库,并将该客户节点作为中间客户。
4.根据权利要求3所述的面向多仓库运输的车辆路径优化方法,其特征在于,步骤S3之前还包括:对于所有的中间节点,分别计算其在两个部分最优解中所带来的附加成本,将其从附加成本更高的部分最优解中去除;其中,附加成本为部分最优解中因为需要经过该节点而导致的额外距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448348.7A CN113139774B (zh) | 2021-04-25 | 2021-04-25 | 一种面向多仓库运输的车辆路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448348.7A CN113139774B (zh) | 2021-04-25 | 2021-04-25 | 一种面向多仓库运输的车辆路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139774A true CN113139774A (zh) | 2021-07-20 |
CN113139774B CN113139774B (zh) | 2023-07-11 |
Family
ID=76811917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110448348.7A Active CN113139774B (zh) | 2021-04-25 | 2021-04-25 | 一种面向多仓库运输的车辆路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139774B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860636A (zh) * | 2022-12-12 | 2023-03-28 | 武汉耀源供应链管理有限公司 | 一种车辆共享控制方法与装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933474A (zh) * | 2015-05-24 | 2015-09-23 | 北京化工大学 | 危险化学品运输的模糊双层优化方法 |
CN109800904A (zh) * | 2018-12-18 | 2019-05-24 | 山东师范大学 | 带时间窗的装配式建筑预制件配送路径优化方法及系统 |
CN109858861A (zh) * | 2019-01-30 | 2019-06-07 | 马蜂科技(上海)有限公司 | 大宗商品网上交易中计算对象运费的方法及装置 |
WO2021072128A1 (en) * | 2019-10-08 | 2021-04-15 | New England Complex Systems Institute | Systems and methods for big data analytics |
-
2021
- 2021-04-25 CN CN202110448348.7A patent/CN113139774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933474A (zh) * | 2015-05-24 | 2015-09-23 | 北京化工大学 | 危险化学品运输的模糊双层优化方法 |
CN109800904A (zh) * | 2018-12-18 | 2019-05-24 | 山东师范大学 | 带时间窗的装配式建筑预制件配送路径优化方法及系统 |
CN109858861A (zh) * | 2019-01-30 | 2019-06-07 | 马蜂科技(上海)有限公司 | 大宗商品网上交易中计算对象运费的方法及装置 |
WO2021072128A1 (en) * | 2019-10-08 | 2021-04-15 | New England Complex Systems Institute | Systems and methods for big data analytics |
Non-Patent Citations (2)
Title |
---|
蔡浩原 等: ""基于人工蜂群算法的鲜活农产品冷链物流配送路径优化"", 《江苏农业科学》 * |
郎茂祥: "多配送中心车辆调度问题的模型与算法研究", 《交通运输系统工程与信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860636A (zh) * | 2022-12-12 | 2023-03-28 | 武汉耀源供应链管理有限公司 | 一种车辆共享控制方法与装置 |
CN115860636B (zh) * | 2022-12-12 | 2023-09-15 | 武汉耀源供应链管理有限公司 | 一种车辆共享控制方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113139774B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948855B (zh) | 一种带时间窗的异构危化品运输路径规划方法 | |
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
CN108053037B (zh) | 一种基于两网融合的配电网抢修策略制定方法及装置 | |
CN110298589A (zh) | 基于遗传-蚁群融合算法的动态服务资源调度方法 | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN115032997B (zh) | 一种基于蚁群算法的第四方物流运输路径规划方法 | |
CN112801347B (zh) | 基于移动中转站及众包的多目标城市两级配送规划方法 | |
CN104506576B (zh) | 一种无线传感器网络及其节点任务迁移方法 | |
Chen et al. | A hybrid two-stage sweep algorithm for capacitated vehicle routing problem | |
Serna et al. | Vehicle routing to multiple warehouses using a memetic algorithm | |
CN112883526A (zh) | 一种任务延迟和可靠性约束下的工作负载分配方法 | |
Guezouli et al. | Multi-objective optimisation using genetic algorithm based clustering for multi-depot heterogeneous fleet vehicle routing problem with time windows | |
Chou et al. | A clonal selection algorithm for energy-efficient mobile agent itinerary planning in wireless sensor networks | |
CN113139774B (zh) | 一种面向多仓库运输的车辆路径优化方法 | |
CN115167460A (zh) | 基于融合算法的机器人集群任务最优路径规划方法 | |
Kashyap et al. | DECENT: Deep learning enabled green computation for edge centric 6G networks | |
CN112631612B (zh) | 一种基于遗传算法的kubernetes云平台配置的优化方法 | |
CN113986485A (zh) | 一种跨数据中心数据传输节能优化方法及系统 | |
CN112217558B (zh) | 一种基于资源互换的空间信息网络任务规划方法 | |
CN117094460B (zh) | 一种基于od数据的多目标旅行商控制方法、系统及介质 | |
CN109447408B (zh) | 一种基于复杂网络理论的跨单元调度方法 | |
CN115421885B (zh) | 一种分布式多目标云任务的调度方法、装置及云服务系统 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN116384706A (zh) | 一种船舶分段驳运车辆的调度方法及系统 |
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 |