CN113589811A - 一种基于黏菌导航针对制造企业物流的寻优算法 - Google Patents
一种基于黏菌导航针对制造企业物流的寻优算法 Download PDFInfo
- Publication number
- CN113589811A CN113589811A CN202110845747.7A CN202110845747A CN113589811A CN 113589811 A CN113589811 A CN 113589811A CN 202110845747 A CN202110845747 A CN 202110845747A CN 113589811 A CN113589811 A CN 113589811A
- Authority
- CN
- China
- Prior art keywords
- slime
- pipeline
- flow
- navigation
- path
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 230000009024 positive feedback mechanism Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000007480 spreading Effects 0.000 claims description 13
- 238000003892 spreading Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 11
- 210000000805 cytoplasm Anatomy 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012258 culturing Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000037406 food intake Effects 0.000 claims description 3
- 235000001968 nicotinic acid Nutrition 0.000 claims description 2
- 241000894006 Bacteria Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 235000015097 nutrients Nutrition 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000012804 iterative process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000011664 nicotinic acid Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008288 physiological mechanism Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000589291 Acinetobacter Species 0.000 description 1
- 241000862992 Chondromyces Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000235400 Phycomyces Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于黏菌导航针对制造企业物流的寻优算法,首先构建黏菌培养环境,给出黏菌导航寻优的正反馈机制,构建黏菌导航寻优算法,提出启发式规则,设计非最短路径淘汰模型;基于黏菌导航寻优算法,构建车间二次分配问题模型,设计涵盖最小物流量、最大面积利用率和网络交叉拥堵修正参数的多目标函数,设置包括边界约束和间距约束的约束条件,针对制造企业物流系统中的物料搬运问题进行寻优处理。本发明基于黏菌的智能行为,提出一种新的智能仿生算法,本发明的方法可效应用并解决制造企业物流系统路径寻优问题,能够更加准确的对企业未来的物流方案做好预测。
Description
技术领域
本发明属于物流路径的优化设计领域,具体涉及一种基于黏菌导航针对制造企业物流的寻优算法。
背景技术
现代企业物流的复杂性使得大部分企业在解决物流系统设计问题时,往往会考虑人工智能算法,启发式算法和智能仿生算法。作为智能仿生领域的最新热点,黏菌的路径导航寻优的能力正逐步应用于物流路径的优化设计,其设计的路径网络在成本、效率、容错率等方面都具有良好的性能。黏菌导航寻优算法可有效应用并解决制造企业物流系统路径寻优问题,同时算法仍存在着一些缺陷和不足,有效性和实用性仍需要提高。
发明内容
针对现有物流路径优化设计的技术问题,本发明的目的在于提供一种基于黏菌导航针对制造企业物流的寻优算法。
所述的一种基于黏菌导航针对制造企业物流的寻优算法,其特征在于包括以下步骤:
步骤一:构建黏菌培养环境,培养黏菌的原生质团,进行多食物源黏菌摄食实验,黏菌在把所有食物源通过摄食网络连接在一起时,在平面上使原质团尽量铺开,铺张过程中逐渐形成摄食网络,得到黏菌导航寻优的摄食网络管道模型;
步骤二:基于黏菌导航寻优的正反馈机制,构建黏菌导航寻优算法,提出启发式规则,设计非最短路径淘汰模型;
步骤三:基于黏菌导航寻优算法,构建车间二次分配问题模型,设计涵盖最小物流量、最大面积利用率和网络交叉拥堵修正参数的多目标函数,设置包括边界约束和间距约束的约束条件;
步骤四:针对制造企业物流系统中的物料搬运问题,以无人搬运小车的运行路径为对象,以最短路径长度为目标,以避免冲突碰撞为重点约束条件,构建多辆无人搬运小车的路径寻优模型,实现制造企业物流的运行优化过程。
所述的一种基于黏菌导航针对制造企业物流的寻优算法,其特征在于步骤二中,设计非最短路径淘汰模型的过程为:根据黏菌导航寻优机制的数学表达,能够得知若要得到最优路径,则需要随着时间推移也就是迭代次数的增加,使得较差的路径管道的通导性越来越低,直到低于一个固定值后,视为该管道消失,最终最优管道的通导性将会稳定数值,总流量D只从一条最优路径通过,而达到总流量D的各个节点之间即可连接成一条最优路径;以此构建黏菌算法,具体步骤如下:
1)根据黏菌导航寻优的摄食网络管道模型,获得网络管道的节点及各边管道;
结合黏菌摄食网络中的流体和流量的概念,数学模型采用哈根-泊肃叶公式和基尔霍夫定律;假设节点i和节点j处的压力分别为Pi、Pj,连接两个节点的管道长度为Lij、半径为rij,两节点间的体积流量为Qij;假设流动形态为层流,则运用哈根-泊肃叶方程可以得到:
由此先进行初始化,按照初始布局情况设置节点的坐标和各边管道的长度,确定流入点和流出点,设各边管道的当前传导性矩阵为全1矩阵,流量矩阵为全0矩阵;起点压力为0,M表示管道的各条边总数,设置迭代计数器N:=0;
2)计算各节点压力值:将管道的当前传导性和管道边长代入公式(2),并令Pj=0,可求出任意节点的压力;
3)计算各边管道的流量:由步骤2)求得各节点压力值后,代入公式(1)计算各管道的流量;
4)根据黏菌导航寻优的摄食网络管道模型,设置相应的迷宫模型,首先给出自适应方程的生物学价值,以使迷宫模型更符合黏菌的仿生学特性;黏菌在把所有食物源通过摄食网络连接在一起的铺张过程中,如果摄食获得的能量大于铺张消耗的能量,则管道变得更厚;如果铺张消耗的能量大于摄食获得的能量,则管道收缩,管网厚度的变化也会导致流量分布的变化;
首先对能量、流量、传导性定义一组函数:
E=f(Q) (3-1)
E=g(D) (3-2)
ΔD=h(E) (3-3)
公式(3-1)表示的流量可以为管道提供多大的能量,公式(3-2)表示传导性的管道需要消耗多少能量,其两者中一个是表示为管道提供的能量,另一个表示消耗的能量,是同一属性。公式(3-3)表示能量对传导性的改变量;
适应性方程表示为:
即为:
其中,Ps、Pe分别表示起点和终点,γ是管道消亡率,f是一个单调递增函数,且f(0)=0;
适应性方程表示管道传导性随流量变化的趋势,结合流量Qij和当前时刻的传导性Dij,可计算下一阶段的各边管道的传导性;
5)判断:若存在边Eij满足|Dij(N+1)-Dij(N)|≤10-3,则迭代结束,进入下一步骤;否则,设置迭代计数器N:=N+1,返回至步骤3)重复计算;
6)结束计算,得到本次迭代的最短网络路径。
所述的一种基于黏菌导航针对制造企业物流的寻优算法,其特征在于步骤三中,基于黏菌导航寻优算法,构建车间二次分配问题模型,设计涵盖最小物流量、最大面积利用率和网络交叉拥堵修正参数的多目标函数。除了本身的形状和面积约束外,在布局设计过程中还存在其他的约束条件。常见的约束条件包括:
(1)边界约束,是对车间空间的约束。
(2)间距约束,设备之间的距离应该保证人员能够顺利操作。
(3)模式约束,是对布局顺序、设备数量和组合等条件的约束。
(4)位置约束,是对设备在空间中位置关系的约束。
(5)性能约束,如稳定性、振动性和相邻性等。
(6)特定约束,比如安全性等约束。
所述的一种基于黏菌导航针对制造企业物流的寻优算法,其特征还包括黏菌算法应用于车间布局规划和AGV路径规划的应用实例,对结果进行分析,探讨黏菌导航寻优算法的实际问题中的实用性、优势和所存在的不足。将从优化物流路径的角度对该车间布局做出优化和改进,各个生产单元之间的物流路径长度将随着布局的变化而变化。在解决车间布局问题方面,对各个方案的最低物料搬运成本和最大面积利用率进行加权分析,证明了黏菌导航寻优算法黏菌导航寻优算法对企业车间布局优化具有良好的效果,可以提供综合成本更低的设计方案。
相对于现有技术,本发明取得的有益效果是:
本发明提出一种基于黏菌导航寻优智能行为的黏菌导航寻优算法与应用,该算法能够应用于制造企业物流系统中,解决具体的制造企业物流问题,为制造企业物流系统的规划、设计和改进提供帮助。目前国内有关多头绒泡菌的研究很少,且相关研究多集中于其的生理方面,很少有对于它的智能行为所具有的数学意义进行研究的文章。而结合目前的研究来看,黏菌在路径寻优方面表现出的优异特性,说明其在制造企业物流领域也许会有良好的应用。本发明就多头绒泡菌智能行为所包含的数学理论进行研究,提出黏菌导航寻优算法,尝试使用该算法去解决制造企业物流问题。
附图说明
图1为本申请基于黏菌导航针对制造企业物流的寻优算法与应用的技术路线图;
图2为本申请黏菌算法迭代过程产生的路径图;
图3为根据黏菌算法迭代过程的路径得到的最终最短路径图;
图4为多头绒泡菌算法的初始状态的路径网络图;
图5为各边管道传导性迭代的变化曲线;
图6为最终优化管道网络图。
具体实施方式
下面结合具体实施例对本发明作进一步说明,但本发明的保护范围并不限于此。
实施例1:
一种基于黏菌导航针对制造企业物流的寻优算法(基于黏菌导航针对制造企业物流的寻优算法与应用的技术路线图如图1所示),包括以下步骤:
步骤一:构建黏菌培养环境,培养黏菌的原生质团,进行多食物源黏菌实验,黏菌在把所有食物源通过摄食网络连接在一起时,在平面上使原质团尽量铺开,铺张过程中逐渐形成摄食网络,得到黏菌导航寻优的摄食网络管道模型;
步骤二:基于黏菌导航寻优的正反馈机制,构建黏菌导航寻优算法,提出启发式规则,设计非最短路径淘汰模型;
步骤三:基于黏菌导航寻优算法,构建车间二次分配问题模型,设计涵盖最小物流量、最大面积利用率和网络交叉拥堵修正参数的多目标函数,设置包括边界约束和间距约束的约束条件;
步骤四:针对制造企业物流系统中的物料搬运问题,以无人搬运小车的运行路径为对象,以最短路径长度为目标,以避免冲突碰撞为重点约束条件,构建多辆无人搬运小车的路径寻优模型,实现制造企业物流的运行优化过程。
1.构建黏菌培养环境,培养黏菌的原生质团,设计和开展多食物源黏菌实验:
实验所使用的菌种,为多头绒泡菌(Physarumpolyoephalum),其生命期形态复杂多变,活跃期原生质态,具有不定的形状和黏性的外表。黏菌的实验系统,需要基本的真菌培养设备进行构建。在进行实验操时,由超净工作台提供无菌环境。实验所用到的主要设备如表1所示。
表1实验所用到的主要设备
黏菌寻优生理机制分析:从简单多食物源实验中,可以发现黏菌在把所有食物源通过摄食网络连接在一起时,是在平面上使原质团尽量铺开,铺张过程中逐渐形成摄食网络。黏菌形成最佳摄食网络的方式,是一方面逐渐降低低效率高成本的管道营养物质流量,直至消失,以节省维持生命的成本;另一方面,加大较为高效的管道营养物质流量,最终只留下最优的管道维持与食物源之间的营养物质交换。
为了对多头绒泡菌在生物实验中表现出来的智能行为进行分析,根据多头绒泡菌的生理特性机理,多头绒泡菌寻优机理为:
(1)多头绒泡菌会把身体覆盖食物源的面积撑到最大,以便寻找和吸收更多其中的营养成分。
(2)黏菌会根据自身覆盖在食物源上的细胞状态,进行调整自身的摄食管道,最终留下营养物质流量最大且维持成本最低的管道。
因此可见多头绒泡菌具有智能策略,使它能够解决比较复杂的路径网络问题。
设计非最短路径淘汰模型的过程为:根据黏菌导航寻优机制的数学表达,能够得知若要得到最优路径,则需要随着时间推移也就是迭代次数的增加,使得较差的路径管道的通导性越来越低,直到低于一个固定值后,视为该管道消失,最终最优管道的通导性将会稳定数值,总流量D只从一条最优路径通过,而达到总流量D的各个节点之间即可连接成一条最优路径;以此为理论依据,构建黏菌算法,具体步骤如下:
1)根据黏菌导航寻优的摄食网络管道模型,获得网络管道的节点及各边管道;
结合黏菌摄食网络中的流体和流量的概念,数学模型采用哈根-泊肃叶公式和基尔霍夫定律;假设节点i和节点j处的压力分别为Pi、Pj,连接两个节点的管道长度为Lij、半径为rij,两节点间的体积流量为Qij;假设流动形态为层流,则运用哈根-泊肃叶方程可以得到:
2)计算各节点压力值:将管道的当前传导性和管道边长代入公式(2),并令Pj=0,可求出任意节点的压力;
3)计算各边管道的流量:由步骤2)求得各节点压力值后,代入公式(1)计算各管道的流量;
4)根据黏菌导航寻优的摄食网络管道模型,设置相应的迷宫模型,首先给出自适应方程的生物学价值,以使迷宫模型更符合黏菌的仿生学特性。多头絨泡菌的维持首先要消耗能量,而能量则来自营养物质的流动。如果获得的能量大于消耗的能量,则管道变得更厚,电导率增加,并且如果消耗的能量大于获得的能量,则管道收缩。管网的变化也会导致流量分布的变化。反过来,流量的变化也会改变管道中的能量平衡,从而导致管道的进一步发展。通过管子的流动,能量和电导率的连锁反应,多头絨泡菌逐渐发展成稳定状态。
首先对能量、流量、传导性定义一组函数:
E=f(Q) (3-1)
E=g(D) (3-2)
ΔD=h(E) (3-3)
公式(3-1)表示的流量可以为管道提供多大的能量;公式(3-2)表示传导性的管道需要消耗多少能量;公式(3-3)表示能量对传导性的改变量;
则适应性方程的形式应为:
ΔDi,j=h(f(Qi,j)-g(Di,j))×Δt (4)
变换为微分形式:
迷宫模型中定义为Q的绝对值,这表明能量与流量的大小完全相关,为了满足能量守恒原则,需要一定大小的流量从起点到终点为整个网络提供的总能量保持不变,与路径和网络状态无关。因此将函数f(|Q|)改写为:
其中,Ps、Pe分别表示起点和终点。(3-3b)式是维持管道需要消耗的能量,显然消耗的能量除了与传导性有关,还与管道的长度有关,因此可定义为:
g(Di,j)=Di,j×Li,j (7)
同样,能量对于传导性的改变也应与管道长度有关,较长的管道需要较多的能量才能使传导性获得同样的改变,(3-3)式可定义为:
适应性方程表示为:
即为:
其中,Ps、Pe分别表示起点和终点,γ是管道消亡率,f是一个单调递增函数,且f(0)=0;
适应性方程表示管道传导性随流量变化的趋势,可写为离散化:
Di,j=(f(|Qi,j|)-Di,j(n-1))XΔt+Di,j(n-1) (11)
结合流量Qij和当前时刻的传导性Dij,可计算下一阶段的各边管道的传导性;重复以上过程,迭代求解直至达到稳定状态。无论初始状态如何,最短路径上的传导性都会收敛于1,而非最短路径上的传导性收敛于0。
5)判断:若存在边Eij满足|Dij(N+1)-Dij(N)|≤10-3,则迭代结束,进入下一步骤;否则,设置迭代计数器N:=N+1,返回至步骤3)重复计算;
6)结束计算,得到本次迭代的最短网络路径。
在本申请实施例中,通过将上述公式(11)应用到迷宫模型中进行仿真求解,当f(|Q|)=Q、γ=1时,该数学模型会以较快的速度和较高的准确率寻找到最短路径。由此可以将公式(11)改写成以下形式:
使用黏菌算法计算,算法参数的设定为迭代次数T=200,从入点和出点流过的总流量为I0=1,出口的压力P0=0,当管道通导性Dij≤10-3时停止迭代。设各边管道的当前传导性矩阵为全1矩阵,流量矩阵为全0矩阵,得到结果为图2黏菌导航寻优算法迭代过程中形成的路径网络图,以及图3得到的最终路径图,迭代次数为84次,总距离为158.5(m)。在迭代过程中,得到的路径图和黏菌迷宫模型中构建摄食网络有很高的相似性。AB两点就如同黏菌实验中的两个食物源,算法迭代过程中得到的较长的路径将会随着迭代而逐渐被淘汰,最终留下相对优的几条路径,而黏菌导航寻优算法会从中不断根据通导性去筛选通道,直到留下最优路径为止。
根据黏菌在摄食网络构建时的生理机理,引入能量的概念,赋予每个生理过程于数学含义,从而对它在路径寻优中的生理过程进行数学表达。根据该数学表达,进一步推导出黏菌导航寻优算法。为了证明该算法的科学性,本申请采用了典型的复杂路径问题,分别用黏菌导航寻优算法和现状已经广泛使用的遗传算法去解决,将得出的结论进行对比分析,发现黏菌导航寻优算法的结果更优。
3.基于黏菌导航寻优算法,构建车间二次分配问题模型:
根据所构建的黏菌导航寻优算法,分别对工厂搬运系统中的布局和物料搬运问题进行建模,采用AGV路径规划问题为例,对黏菌导航寻优算法在物料搬运系统中的实用性进行分析。
对一个车间布局问题简化二次分配问题,对车间进行位置的分配。为简化该模型,可做出如下假设:
(1)可布局面积已给定,且为矩形;
(2)有确定数量的需要布局在矩形区域的矩形设施;
(3)设施的位置相互之间不重叠,不得超过规定的矩形区域;
(4)物流路径平行于X轴和Y轴,且距离用直角距离进行计量;
(5)不同设施之间的单位物流搬运成本、物流量、各设施的形状和面积已知。
(6)不同设施间单位物流量搬运单位距离所需费用相同,为1。
基于以上假设,车间布局问题的二次分模型可以描述为以最小化车间物料搬运成本C为目标,现有n个车间和n个可布局的位置,每个车间要求布置在一个不同位置上。如车间i分配在位置k上,车间j被布置在位置h上。
考虑到在制品在网络流动的过程中,物流路线有可能存在交叉的情况。故提出网络交叉拥堵修正时间,修正这一误差。定义物流路线交叉口流动规则:
(1)若交叉口只有一条物流路线存在在制品流动,则无等待时间。
(2)若交叉口有大于一条物流路线存在在制品流动,则需依次排队通过。
则一个交叉口网络交叉拥堵修正参数YD定义如下:
上式中Ta为一条物流路线上的在制品通过路口的时间。每条路线上都有一个在制品,c为c条物流路线上的在制品,等待通过交叉路口,a取值为1到c之间的任意自然数。
d表示是位置k到位置h之间的距离。
假设物流路线的长度为L,路口宽度为W,通过一条物流路线的时间为t。
修正参数是为了衡量网络的优劣。只需考虑参数的大小,不需考虑参数的单位。路线的长度为L,物流路线的时间为t成正比。若去除时间单位,则Ta可简化为:
则一个网络交叉拥堵修正参数YD为:
则总网络交叉拥堵修正参数YD为:
公式中b表示第b个交叉路口,q表示共存在q个交叉路口。
经调查得到P值如表2所示,表中行表示d值,列表示c值。
表2经调查得到的P值
为了让最终方案更为科学,本发明中再引入最大化面积利用率Z、最小化物流量B和网络交叉拥堵修正系数为目标。表3是车间布局问题的二次分配模型的参数与变量。S为最终方案的占地面积,Si为设施i的面积。
那么,目标函数可表示为物流成本最小化、面积利用率最大化和网络交叉拥堵修正参数YD:
其中,由于所有的设施面积的总和是不变的,所以目标函数可以是min S。
约束条件为:
表3车间布局问题的二次分配模型的参数与变量
4.针对制造企业物流系统中的物料搬运问题,构建多辆无人搬运小车的路径寻优模型:
从优化物流路径的角度对该车间布局做出优化和改进,各个生产单元之间的物流路径长度将随着布局的变化而变化。因此,若要将物料搬运成本最小化,则要在整体最优的前提下,尽可能缩短物流量较大的生产单元之间的搬运距离,即要优化缩短物流路径。本发明采用QAP模型来解决该车间布局问题,这里将生产单元以三行形式布置,车间布置区域平均划分为12个区域,各个区域面积相等。一个生产单元对应安排在一个区域内。根据多头绒泡菌网络模型求解方法,结合车间布局现状,需要进行初步准备。
布局共有66个设施对,根据帕累托定律,将这66个单元之间的物流量由大到小进行排序,取前20%(13个)设施对归类为A类设施,再对剩余80%的设施对进行B、C类划分(其中物流量为0的设施对不再显示)。
以各个位置的中心为节点,连接其余所有节点,得到以下图4所示的路径网络图。该网络就是多头绒泡菌算法的初始状态,并且是一个多入口多出口模型。
初始参数设置如下:
(1)设置初始管道传导性矩阵D为全1矩阵,流量为全0矩阵;
(3)若存在管道流量判定为稳定较小状态,则迭代结束。
经过迭代计算,得到图5所示的各边传导性迭代结果,由于管道太多,这里仅保留了一些变化比较显著的边的传导性迭代曲线。
图6是最终优化网络图,图中管道线条较粗的是“重点管道”,即路径长度较短、单位时间内经过的流量较大的路线。一些线条很细,几乎看不见的管道已依据规则进行淘汰删除。
5.寻优算法建立并得出结论:
本发明针对工厂车间布局的物流路径优化问题和多AGV路径规划问题,提出了基于黏菌导航寻优算法的求解方案。在车间布局规划问题上,分析并提出了对车间布局的设计原则和目标。以物料搬运成本最小化为目标函数,建立了车间布局的二次分配问题模型。并提出了基于多头绒泡菌模型的求解方法。在AGV路径规划问题上,基于黏菌导航寻优算法得出多AGV路径规划模型。在把该模型应用于J企业AGV路径规划时,本文模拟现有AGV路径环境,构建了一个黏菌实验,得到了由黏菌直接构成的最短AGV路径网络。对物流系统进行优化,达到降低成本、提高效率等目的。
本说明书所述的内容仅仅是对发明构思实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式。
Claims (2)
1.一种基于黏菌导航针对制造企业物流的寻优算法,其特征在于包括以下步骤:
步骤一:构建黏菌培养环境,培养黏菌的原生质团,进行多食物源黏菌摄食实验,黏菌在把所有食物源通过摄食网络连接在一起时,在平面上使原质团尽量铺开,铺张过程中逐渐形成摄食网络,得到黏菌导航寻优的摄食网络管道模型;
步骤二:基于黏菌导航寻优的正反馈机制,构建黏菌导航寻优算法,提出启发式规则,设计非最短路径淘汰模型;
步骤三:基于黏菌导航寻优算法,构建车间二次分配问题模型,设计涵盖最小物流量、最大面积利用率和网络交叉拥堵修正参数的多目标函数,设置包括边界约束和间距约束的约束条件;
步骤四:针对制造企业物流系统中的物料搬运问题,以无人搬运小车的运行路径为对象,以最短路径长度为目标,以避免冲突碰撞为重点约束条件,构建多辆无人搬运小车的路径寻优模型,实现制造企业物流的运行优化过程。
2.如权利要求1所述的一种基于黏菌导航针对制造企业物流的寻优算法,其特征在于步骤二中,设计非最短路径淘汰模型的过程为:根据黏菌导航寻优机制的数学表达,能够得知若要得到最优路径,则需要随着时间推移也就是迭代次数的增加,使得较差的路径管道的通导性越来越低,直到低于一个固定值后,视为该管道消失,最终最优管道的通导性将会稳定数值,总流量D只从一条最优路径通过,而达到总流量D的各个节点之间即可连接成一条最优路径;以此构建黏菌算法,具体步骤如下:
1)根据黏菌导航寻优的摄食网络管道模型,获得网络管道的节点及各边管道;
结合黏菌摄食网络中的流体和流量的概念,数学模型采用哈根-泊肃叶公式和基尔霍夫定律;假设节点i和节点j处的压力分别为Pi、Pj,连接两个节点的管道长度为Lij、半径为rij,两节点间的体积流量为Qij;假设流动形态为层流,则运用哈根-泊肃叶方程可以得到:
由此先进行初始化,按照初始布局情况设置节点的坐标和各边管道的长度,确定流入点和流出点,设各边管道的当前传导性矩阵为全1矩阵,流量矩阵为全0矩阵;起点压力为0,M表示管道的各条边总数,设置迭代计数器N:=0;
2)计算各节点压力值:将管道的当前传导性和管道边长代入公式(2),并令Pj=0,可求出任意节点的压力;
3)计算各边管道的流量:由步骤2)求得各节点压力值后,代入公式(1)计算各管道的流量;
4)根据黏菌导航寻优的摄食网络管道模型,设置相应的迷宫模型,首先给出自适应方程的生物学价值,以使迷宫模型更符合黏菌的仿生学特性;黏菌在把所有食物源通过摄食网络连接在一起的铺张过程中,如果摄食获得的能量大于铺张消耗的能量,则管道变得更厚;如果铺张消耗的能量大于摄食获得的能量,则管道收缩,管网厚度的变化也会导致流量分布的变化;
首先对能量、流量、传导性定义一组函数:
E=f(Q) (3-1)
E=g(D) (3-2)
ΔD=h(E) (3-3)
公式(3-1)表示的流量可以为管道提供多大的能量;公式(3-2)表示传导性的管道需要消耗多少能量;公式(3-3)表示能量对传导性的改变量;
适应性方程表示为:
即为:
其中,Ps、Pe分别表示起点和终点,γ是管道消亡率,f是一个单调递增函数,且f(0)=0;
适应性方程表示管道传导性随流量变化的趋势,结合流量Qij和当前时刻的传导性Dij,可计算下一阶段的各边管道的传导性;
5)判断:若存在边Eij满足|Dij(N+1)-Dij(N)|≤10-3,则迭代结束,进入下一步骤;否则,设置迭代计数器N:=N+1,返回至步骤3)重复计算;
6)结束计算,得到本次迭代的最短网络路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845747.7A CN113589811A (zh) | 2021-07-26 | 2021-07-26 | 一种基于黏菌导航针对制造企业物流的寻优算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845747.7A CN113589811A (zh) | 2021-07-26 | 2021-07-26 | 一种基于黏菌导航针对制造企业物流的寻优算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113589811A true CN113589811A (zh) | 2021-11-02 |
Family
ID=78250110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845747.7A Pending CN113589811A (zh) | 2021-07-26 | 2021-07-26 | 一种基于黏菌导航针对制造企业物流的寻优算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063623A (zh) * | 2022-01-11 | 2022-02-18 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
-
2021
- 2021-07-26 CN CN202110845747.7A patent/CN113589811A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718716A (zh) * | 2015-12-28 | 2016-06-29 | 西南大学 | 基于多头绒泡菌的蚁群信息素更新方法 |
CN109685243A (zh) * | 2018-11-05 | 2019-04-26 | 南京航空航天大学 | 一种基于遗传算法的作业车间物流配送路径优化方法 |
Non-Patent Citations (2)
Title |
---|
周楷凯;: "黏菌在城市规划中的应用研究", 城市地理, no. 10, pages 29 - 30 * |
黄海格: "制造企业物流黏菌导航寻优算法与应用", 中国硕士论文全文数据库经济与管理科学辑, no. 2019, pages 1 - 90 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114063623A (zh) * | 2022-01-11 | 2022-02-18 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
CN114063623B (zh) * | 2022-01-11 | 2022-03-29 | 中国人民解放军陆军装甲兵学院 | 一种基于多策略改进的黏菌算法的机器人路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Gaussian mutational chaotic fruit fly-built optimization and feature selection | |
Wang et al. | Energy-efficient distributed permutation flow shop scheduling problem using a multi-objective whale swarm algorithm | |
Wang et al. | Stochastic combined heat and power dispatch based on multi-objective particle swarm optimization | |
Kuo et al. | Application of particle swarm optimization algorithm for solving bi-level linear programming problem | |
CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
Turgut et al. | Design and economic investigation of shell and tube heat exchangers using Improved Intelligent Tuned Harmony Search algorithm | |
CN104077630B (zh) | 一种模拟人体细胞演化的复杂作业车间布局方法 | |
CN105005579A (zh) | Ota网站中酒店房型个性化排序方法及系统 | |
CN104808627A (zh) | 一种离散制造系统的车间布局方法 | |
CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
Zhang et al. | A Physarum-inspired approach to supply chain network design | |
Li et al. | The reliable design of one-piece flow production system using fuzzy ant colony optimization | |
CN114036861B (zh) | 基于infoGAN的三维温度场预测方法 | |
Xi et al. | A new method for solving buffer allocation problem in large unbalanced production lines | |
CN113589811A (zh) | 一种基于黏菌导航针对制造企业物流的寻优算法 | |
Li et al. | Hybrid particle swarm optimization incorporating fuzzy reasoning and weighted particle | |
Leng et al. | A multi-objective reinforcement learning approach for resequencing scheduling problems in automotive manufacturing systems | |
Kesen et al. | Analyzing the behaviors of virtual cells (VCs) and traditional manufacturing systems: ant colony optimization (ACO)-based metamodels | |
Sun et al. | A modified surrogate-assisted multi-swarm artificial bee colony for complex numerical optimization problems | |
Bekker | Applying the cross-entropy method in multi-objective optimisation of dynamic stochastic systems | |
Drira et al. | Design of a robust layout with information uncertainty increasing over time: A fuzzy evolutionaryapproach | |
Abbasi et al. | Ant-colony-based simulation–optimization modeling for the design of a forced water pipeline system considering the effects of dynamic pressures | |
Jiang et al. | An adaptive location-aware swarm intelligence optimization algorithm | |
Suribabu et al. | Particle Swarm Optimization Compared to Other Heuristic Search Techniques for Pipe Sizing. | |
Zhao et al. | A two-stage infill strategy and surrogate-ensemble assisted expensive many-objective optimization |
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 |