CN113743788A - 一种基于改进遗传算法的工业车辆调度方法 - Google Patents

一种基于改进遗传算法的工业车辆调度方法 Download PDF

Info

Publication number
CN113743788A
CN113743788A CN202111040524.XA CN202111040524A CN113743788A CN 113743788 A CN113743788 A CN 113743788A CN 202111040524 A CN202111040524 A CN 202111040524A CN 113743788 A CN113743788 A CN 113743788A
Authority
CN
China
Prior art keywords
population
industrial vehicle
genetic algorithm
fitness
algorithm
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
Application number
CN202111040524.XA
Other languages
English (en)
Inventor
陈志鹏
邓海勤
高志勇
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.)
Aidong Chaoyue Artificial Intelligence Technology Beijing Co ltd
Original Assignee
Aidong Chaoyue Artificial Intelligence Technology Beijing 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 Aidong Chaoyue Artificial Intelligence Technology Beijing Co ltd filed Critical Aidong Chaoyue Artificial Intelligence Technology Beijing Co ltd
Priority to CN202111040524.XA priority Critical patent/CN113743788A/zh
Publication of CN113743788A publication Critical patent/CN113743788A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的属于工业车辆调度技术领域，具体为一种基于改进遗传算法的工业车辆调度方法，包括以下操作方法：S1：通过参数设置，使模型先从数据库或离线文件获取车辆信息、站点信息、合点信息、各点时间矩阵、各点距离矩阵以及模型基础参数等数据，S2：通过合点计算、站点编码，对数据和参数进行预处理，S3：进行目标函数构建，S4：通过路线初始化，对算法进行初始化，确定遗传算法种群的初始状态，本发明能够在满足大量约束条件的情况下进行车辆调度，调度结果能够通过减少总车次、总距离或总时间的方式降低车辆运输成本。

Description

一种基于改进遗传算法的工业车辆调度方法
技术领域
本发明涉及工业车辆调度技术领域，具体为一种基于改进遗传算法的工业车辆调度方法。
背景技术
车辆路径优化问题，VRP，是在一系列已知站点的运输网络中，组织适当的行车线路，使车辆运输的物资有序地通过它们，在满足一定的约束条件下，达到一定的目标，如路程最短、费用最少、使用车辆数量尽量少等，在工业车辆调度问题中，车辆调度中心和不同的工作站点之间刚好组成路径网络，调度过程不仅需要考虑工业车辆载重和工作时长限制，以及站点时间窗口和车型限制，还需要考虑启停时长、站点操作时间、站点合点操作等约束条件，因此，此类情景符合车辆路径优化的要求，能够通过算法规划出时间成本、车辆成本和距离成本较低的路径，辅助车辆进行工业生产。
现有的车辆路径调度问题中，各种约束条件错综复杂，数据的规模也比较大，遗传算法因为其强大的并行搜索能力、自学习性、自组织性、自适应性等诸多优点而被广大专家学者应用于求解车辆路径问题，但遗传算法存在局部最优情况，优化结果不稳定，为此，我们提出一种基于改进遗传算法的工业车辆调度方法。
发明内容
鉴于上述和/或现有一种基于改进遗传算法的工业车辆调度方法中存在的问题，提出了本发明。
因此，本发明的目的是提供一种基于改进遗传算法的工业车辆调度方法，能够在考虑车辆载重限制、车辆工作时长限制、站点时间窗口限制、站点车型限制、站点启停时长、站点操作时间、站点合点操作等多种约束的情况下，对多个车辆进行全局性路径规划，能够解决上述提出现有的问题。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于改进遗传算法的工业车辆调度方法，其包括以下操作方法：
S1：通过参数设置，使模型先从数据库或离线文件获取车辆信息、站点信息、合点信息、各点时间矩阵、各点距离矩阵以及模型基础参数等数据；
S2：通过合点计算、站点编码，对数据和参数进行预处理；
S3：进行目标函数构建；
S4：通过路线初始化，对算法进行初始化，确定遗传算法种群的初始状态；
S5：计算种群中每个个体的适应度，判断适应度是否满足要求，满足要求则直接结束迭代返回路径，如果不满足要求则进行种群优化；
S6：重新计算种群中个体的适应度，判断适应度是否提高，如果一定步长内适应度提高，则更新路线；
S7：如果一定步长内适应度无明显变化，则采用回退机制、放宽约束条件和多线程并行运算让算法跳出局部最优；
S8：最终算法达到终止条件，终止算法继续迭代，返回路径规划结果。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S2中对合点和站点进行处理，编码生成新的站点，合点中含有多个站点，站点是指未进行合点的站点。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S3中根据构建距离、时间适应度函数，作为优化的目标。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S4中在满足约束条件的情况下，以站点作为基因，以每辆车的路径作为一个个体，构建包含多个个体的种群，整个种群中基因不能重复出现。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S5中利用个体之间基因交换和插入操作，提升种群整体适应性。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S6中如果多次迭代种群整体适应度没有增强，同时又没有达到目标，这时算法可能陷入局部最优。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S7中回退是指回到前n步前种群的状态，放宽约束条件是指在适应度适当减弱的情况下也进行种群更新，打破局部最优情况后恢复约束条件，多线程并行是指每隔一定步数选择多个线程中最优的种群作为初始种群再传给每个线程继续优化。
作为本发明所述的一种基于改进遗传算法的工业车辆调度方法的一种优选方案，其中：所述S8中能够返回满足约束条件的工业车辆规划结果。
与现有技术相比：通过能够在考虑车辆载重限制、车辆工作时长限制、站点时间窗口限制、站点车型限制、站点启停时长、站点操作时间、站点合点操作等多种约束的情况下，对多个车辆进行全局性路径规划，规划结果能够减少路径运输的总距离、总时间和总车次，达到降低运输成本的目的。
附图说明
图1为本发明提供的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于改进遗传算法的工业车辆调度方法，具有能够在满足大量约束条件的情况下进行车辆调度，调度结果能够通过减少总车次、总距离或总时间的方式降低车辆运输成本，请参阅图1，包括以下操作方法：
S1：通过参数设置，使模型先从数据库或离线文件获取车辆信息、站点信息、合点信息、各点时间矩阵、各点距离矩阵以及模型基础参数等数据；
S2：通过合点计算、站点编码，对数据和参数进行预处理；
其中对合点和站点进行处理，编码生成新的站点；
其中合点中含有多个站点，站点是指未进行合点的站点；
通过参数设置、合点计算、站点编码，对数据、参数进行预处理；
S3：进行目标函数构建；
其中适应度函数构建是根据构建距离、时间适应度函数，作为优化的目标；
S4：通过路线初始化，对算法进行初始化，确定遗传算法种群的初始状态；
在满足约束条件的情况下，以站点作为基因，以每辆车的路径作为一个个体，构建包含多个个体的种群，整个种群中基因不能重复出现；
通过目标函数构建、路线初始化，确定遗传算法种群的初始状态；
随机初始化100次，选择代价函数值最小的种群作为初始化种群；
S5：计算种群中每个个体的适应度，判断适应度是否满足要求，满足要求则直接结束迭代返回路径，如果不满足要求则进行种群优化；
利用个体之间基因交换和插入操作，提升种群整体适应性；
S6：重新计算种群中个体的适应度，判断适应度是否提高；
如果多次迭代种群整体适应度没有增强，同时又没有达到目标，这时算法可能陷入局部最优；
S7：采用回退机制、放宽约束条件和多线程并行运算让算法跳出局部最优；
回退是指回到前n步前种群的状态；
放宽约束条件是指在适应度适当减弱的情况下也进行种群更新，打破局部最优情况后恢复约束条件；
多线程并行是指每隔一定步数选择多个线程中最优的种群作为初始种群再传给每个线程继续优化；
S8：直到满足要求的种群出现或达到规划运行步数，最终算法终止条件，终止算法继续迭代，返回路径规划结果；
通过以上过程，能够返回满足约束条件的工业车辆规划结果，最终实现对工业车辆的灵活调度；
进一步的，约束条件设计包括工业车辆载重限制、工业车辆工作时长限制、站点时间窗口限制、站点车型限制、站点合点操作、多个车辆中心、路径时间、工业车辆优化策略和其他约束，具体的，工业车辆载重限制是指每个车辆具有载重限制，货物运输重量不能大于限值；
工业车辆工作时长限制是指在工作时长允许范围内，车辆允许安排多趟运输；
站点时间窗口限制是指每个站点默认所有时间均可通行，可对个别站点进行禁止通过时间窗口设置，在设置的时间窗口内不允许车辆通过该站点；
站点合点操作是指合点由人工操作提供，由人工提供合点的起始点和终止点，算法能自动将路径与原点对应，算法要考虑合成点内部里程和耗费时间；
其中人工操作提供相邻的站点或有依赖关系的站点，原点也指合点；
多个车辆中心是指车辆具有多个停泊中心，规划车辆来自不同的起点；
路径时间是指需要考虑车辆行驶时间、每个站点车辆启停时间和每个站点货物操作时间；
工业车辆优化策略是指提供车辆总数量较少、总路程较短、总时间较少三种优化策略。可由管理员根据不同需求进行修改；
其他约束是指一个站点只去一次，一个车辆可以去多个站点；
通过能够在考虑车辆载重限制、车辆工作时长限制、站点时间窗口限制、站点车型限制、站点启停时长、站点操作时间、站点合点操作等多种约束的情况下，对多个车辆进行全局性路径规划，规划结果能够减少路径运输的总距离、总时间和总车次，达到降低运输成本的目的。
虽然在上文中已经参考实施方式对本发明进行了描述，然而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，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (8)

1.一种基于改进遗传算法的工业车辆调度方法，其特征在于：包括以下操作方法：
S1：通过参数设置，使模型先从数据库或离线文件获取车辆信息、站点信息、合点信息、各点时间矩阵、各点距离矩阵以及模型基础参数等数据；
S2：通过合点计算、站点编码，对数据和参数进行预处理；
S3：进行目标函数构建；
S4：通过路线初始化，对算法进行初始化，确定遗传算法种群的初始状态；
S5：计算种群中每个个体的适应度，判断适应度是否满足要求，满足要求则直接结束迭代返回路径，如果不满足要求则进行种群优化；
S6：重新计算种群中个体的适应度，判断适应度是否提高，如果一定步长内适应度提高，则更新路线；
S7：如果一定步长内适应度无明显变化，则采用回退机制、放宽约束条件和多线程并行运算让算法跳出局部最优；
S8：最终算法达到终止条件，终止算法继续迭代，返回路径规划结果。
2.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S2中对合点和站点进行处理，编码生成新的站点，合点中含有多个站点，站点是指未进行合点的站点。
3.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S3中根据构建距离、时间适应度函数，作为优化的目标。
4.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S4中在满足约束条件的情况下，以站点作为基因，以每辆车的路径作为一个个体，构建包含多个个体的种群，整个种群中基因不能重复出现。
5.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S5中利用个体之间基因交换和插入操作，提升种群整体适应性。
6.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S6中如果多次迭代种群整体适应度没有增强，同时又没有达到目标，这时算法可能陷入局部最优。
7.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S7中回退是指回到前n步前种群的状态，放宽约束条件是指在适应度适当减弱的情况下也进行种群更新，打破局部最优情况后恢复约束条件，多线程并行是指每隔一定步数选择多个线程中最优的种群作为初始种群再传给每个线程继续优化。
8.根据权利要求1所述的一种基于改进遗传算法的工业车辆调度方法，其特征在于，所述S8中能够返回满足约束条件的工业车辆规划结果。
CN202111040524.XA 2021-09-06 2021-09-06 一种基于改进遗传算法的工业车辆调度方法 Pending CN113743788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111040524.XA CN113743788A (zh) 2021-09-06 2021-09-06 一种基于改进遗传算法的工业车辆调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111040524.XA CN113743788A (zh) 2021-09-06 2021-09-06 一种基于改进遗传算法的工业车辆调度方法

Publications (1)

Publication Number Publication Date
CN113743788A true CN113743788A (zh) 2021-12-03

Family

ID=78736226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111040524.XA Pending CN113743788A (zh) 2021-09-06 2021-09-06 一种基于改进遗传算法的工业车辆调度方法

Country Status (1)

Country Link
CN (1) CN113743788A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196262A (zh) * 2023-11-06 2023-12-08 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130339266A1 (en) * 2012-06-15 2013-12-19 Telogis, Inc. Vehicle fleet routing system
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
US20170178070A1 (en) * 2015-12-21 2017-06-22 Sap Se Data analysis for dispatch scheduling optimization in the presence of time constraints
US20190248394A1 (en) * 2016-06-13 2019-08-15 Siemens Industry, Inc. System and method for train route optimization including machine learning system
CN110472840A (zh) * 2019-07-29 2019-11-19 重庆邮电大学 一种基于神经网络技术的农业水利调度方法及系统
CN112132317A (zh) * 2020-08-21 2020-12-25 浙江工业大学 一种基于多种群协同进化的车辆路径优化方法
CN113298313A (zh) * 2021-06-10 2021-08-24 武汉云筹优化科技有限公司 一种基于遗传算法的柔性作业车间调度方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130339266A1 (en) * 2012-06-15 2013-12-19 Telogis, Inc. Vehicle fleet routing system
CN105096006A (zh) * 2015-08-24 2015-11-25 国网天津市电力公司 一种智能电能表的配送车辆路径优化方法
US20170178070A1 (en) * 2015-12-21 2017-06-22 Sap Se Data analysis for dispatch scheduling optimization in the presence of time constraints
US20190248394A1 (en) * 2016-06-13 2019-08-15 Siemens Industry, Inc. System and method for train route optimization including machine learning system
CN110472840A (zh) * 2019-07-29 2019-11-19 重庆邮电大学 一种基于神经网络技术的农业水利调度方法及系统
CN112132317A (zh) * 2020-08-21 2020-12-25 浙江工业大学 一种基于多种群协同进化的车辆路径优化方法
CN113298313A (zh) * 2021-06-10 2021-08-24 武汉云筹优化科技有限公司 一种基于遗传算法的柔性作业车间调度方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196262A (zh) * 2023-11-06 2023-12-08 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法
CN117196262B (zh) * 2023-11-06 2024-02-13 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法

Similar Documents

Publication Publication Date Title
CN105354648B (zh) Agv调度管理的建模及其优化方法
CN111638717B (zh) 一种分布式自主机器人交通协调机制的设计方法
Deroussi et al. Simultaneous scheduling of machines and vehicles for the flexible job shop problem
CN105069523A (zh) 一种有时间限制的配送车辆调度方法
Hu et al. Synchronizing vehicles for multi-vehicle and one-cargo transportation
CN108596385A (zh) 车辆的排队方法及装置、可读介质、物流系统
Wang et al. Integrated scheduling of intermodal transportation with seaborne arrival uncertainty and carbon emission
Zeng et al. The transportation mode distribution of multimodal transportation in automotive logistics
CN113743788A (zh) 一种基于改进遗传算法的工业车辆调度方法
Wang et al. Multi-trip multi-trailer drop-and-pull container drayage problem
CN106295864A (zh) 一种求解单配送中心物流运输调度问题的方法
Hani et al. Simulation based optimization of a train maintenance facility
Rouky et al. A robust metaheuristic for the rail shuttle routing problem with uncertainty: a real case study in the Le Havre Port
Hu et al. A decomposition method to analyze the performance of frame bridge based automated container terminal
Miao et al. A hybrid genetic algorithm for the multiple crossdocks problem
CN117172438A (zh) 一种厂内运输调度系统和方法
Hu et al. Positioning a handshake bay for twin stacking cranes in an automated container terminal yard block
US20230075128A1 (en) Column generation methods and systems for routing and scheduling in robotic and vehicular applications
Dong et al. QCs scheduling scheme of genetic algorithm (GA) and improved firefly algorithm (FA)
CN116001863A (zh) 货运列车运行控制方法、装置、电子设备及存储介质
CN113327055B (zh) 调车作业计划的生成方法、装置、电子装置和存储介质
Zhang et al. Synchromodal freight transport re-planning under service time uncertainty: An online model-assisted reinforcement learning
Ren Research on Single and Mixed Fleet Strategy for Open Vehicle Routing Problem.
CN109978245B (zh) 一种基于预估的以用时最短为指标的导弹车调度方法
CN114186755A (zh) 一种可视化智慧物流动态优化管控方法及系统

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