CN113947310A - 一种车间物料配送路径优化方法 - Google Patents
一种车间物料配送路径优化方法 Download PDFInfo
- Publication number
- CN113947310A CN113947310A CN202111214147.7A CN202111214147A CN113947310A CN 113947310 A CN113947310 A CN 113947310A CN 202111214147 A CN202111214147 A CN 202111214147A CN 113947310 A CN113947310 A CN 113947310A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distribution
- path
- point
- pheromone
- 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
- 239000000463 material Substances 0.000 title claims abstract description 74
- 238000009826 distribution Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 239000003016 pheromone Substances 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种车间物料配送路径优化方法。本发明针对车间物料配送,在保证准确性、及时性的前提下,考虑了工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型,在此基础上,结合物料配送的特点,在传统蚁群算法的基础上进行改进,改进蚁群状态转移规则,使得蚁群在选择下一个点的时候考虑工位物料需求紧急程度和碳排放量,更符合实际生产情况。在更新信息素方面,提出一种新的更新方法,提升算法的求解速度。
Description
技术领域
本发明属于生产制造领域,具体涉及一种车间物料配送路径优化方法。
背景技术
随着生产技术的发展和经济全球化的深入,生产企业之间的竞争越发激烈。企业想要通过节约资源和提高劳动生产率来赚取利润已经趋近饱和,因此物料配送成本已经逐渐成为企业关注的焦点。物流对制造企业有着重要的影响,物流成本在很大程度上决定了企业的生产成本,物流成本的增加使得生产成本相应增加,因为物料配送成本占据了企业物流成本的很大一部分,所以如何有效降低企业物料配送成本,提高企业生产效率是目前生产制造型企业所面临的问题。
车间物料配送问题,就是指考虑准确性、及时性的前提条件下,采用合适的配送方式或工具将原材料、外购件、零部件等从物料存储区经过一系列分拣、备料、装卸、搬运等作业送交至装配生产线需求点并进行交接的活动。已有的统计数据表明,用于生产物流的成本达到了生产总成本的20%-50%,占据了生产过程的大部分成本,因此如何减少生产物流成本对于企业高效率生产具有重要意义。
目前的相关研究大都集中在以配送时间最少、配送路径最短、配送车辆最少等方面,较少考虑到每个工位的物料需求紧急程度和运输过程中的小车碳排放量。然而在实际生产中,往往每个工位的生产时间不一样,导致工位对物料的需求程度也不一样。如果对物料需求紧急的工位没有及时地得到物料配送,则对整体的生产制造也会产生影响。随着低碳生产理念在制造业的不断深入,在考虑生产效率的同时也要考虑绿色制造,因此物料配送过程中考虑小车碳排放量是很有意义的。
发明内容
本发明的目的在于针对目前的车间物料配送,提供一种车间物料配送路径优化方法,该方法针对车间物料配送。
为实现上述目的,本发明的技术方案是:一种车间物料配送路径优化方法,在保证准确性、及时性的前提下,考虑工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型,在此基础上,结合物料配送的特点,在蚁群算法的基础上进行改进,改进状态转移概率,使得蚁群在选择下一个点的时候考虑工位物料需求紧急程度和碳排放量,更符合实际生产情况;在更新信息素方面,提出一种新的更新方法,提升算法的求解速度。
在本发明一实施例中,在保证准确性、及时性的前提下,考虑工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型的具体实现过程如下:
假设车间物料配送中满足以下条件:
(1)车辆容量约束,也即每条配送路径配送容量都不能大于车辆自身容量约束;
(2)每一个工位点只允许一辆配送车对其服务;
(3)忽略配送车辆在运输过程中和工位装配中遇到的不正常因素和外力因素;
(4)所有车辆都是从同一个配送中心出发进行配送,完成配送任务后必须返回至配送中心;
设定以下参数:
i,j:i,j∈V,V={0,1,...,n},表示需求点集合,当i或j为0时,表示配送中心;
k:车辆编号(k=1,2,...m);
dij:表示工位点i与工位点j之间的距离;
Qk:车辆k的最大装载量;
qi:第i个工位点的需求量;
Tei:车辆到达需求点i的最早时间;
Tli:车辆到达需求点i的最晚时间;
Tik:车辆到达需求点i的实际时间;
则以车辆使用最少和车辆行驶总距离最短为优化目标,建立车间物料配送的数学模型如下:
Tik∈[Tei,Tli] (7)
式(1)表示目标函数最小成本=1000*使用的车辆数目+车辆行驶的总距离;式(2)表示配送车只能为一个工位点服务一次;式(3)表示每条路径上的所有需求点所需物料量之和不能超过配送车装载容量;式(4)表示每个需求点到达的车辆和离开的车辆数量相同;式(5)表示每个需求点均由一辆车配送;式(6)表示配送小车从配送中心出发,完成配送任务后必须返回配送中心;式(7)表示小车配送时间必须在规定的时间内。
在本发明一实施例中,蚁群算法的状态转移概率改进过程如下:
蚁群算法状态转移概率公式为:
i,j分别表示起点和终点,ηij=1/dij表示启发式因子,是两点i、j距离的倒数,τij(t)表示时间t时由i到j的信息素强度,allowedk为尚未访问过的集节点集合,α,β为信息素和启发式因子的加权值;
加入工位对物料需求的紧急程度以及小车碳排放量的影响,改进后的状态转移概率公式为:
改进的状态转移概率公式配送小车会优先考虑物料需求紧急的工位,避免出现因物料配送不及时导致工位停产的现象出现,减少运输过程中的碳排放,实现绿色生产。
在本发明一实施例中,蚁群算法的信息素更新方式改进过程如下:
蚁群算法信息素更新公式为:
τij(t+1)=(1-ρ)·τij+ρ·Δτij(t) (10)
其中ρ为信息素挥发系数,ρ越大,信息素挥发越快;
其中Q为信息素强度,lk为蚂蚁k在一次循环中所走的路程;
改进的信息素更新方式,其表达式为:
其中bestl为当前找到的最优路径,lk表示当前蚂蚁k所找到的路径值;
改进的信息素更新方式可使优秀路径上的信息素量快速增加,而非优秀路径上的信息素量增加不明显,多次迭代之后优秀路径上的信息素量就会和较差的路径上的信息素量有差别,这样就会加快路径寻优的速度,有利于算法的收敛速度加快。
相较于现有技术,本发明具有以下有益效果:本发明针对车间物料配送,在保证准确性、及时性的前提下,考虑了工位物料需求紧急程度和小车碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型,在此基础上,结合物料配送的特点,在传统蚁群算法的基础上进行改进,改进蚁群状态转移规则,使得蚁群在选择下一个点的时候考虑工位物料需求紧急程度和小车碳排放量,更符合实际生产情况。在更新信息素方面,提出一种新的更新方法,提升算法的求解速度。
附图说明
图1为车间物料配送流程示意图。
图2为蚁群算法原理图。
图3为蚁群算法求解车间配送问题流程图。
图4为工位信息。
图5为传统蚁群算法配送方案。
图6为传统蚁群算法最小成本图。
图7为改进蚁群算法配送方案。
图8为改进蚁群算法最小成本图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明一种车间物料配送路径优化方法,在保证准确性、及时性的前提下,考虑工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型,在此基础上,结合物料配送的特点,在蚁群算法的基础上进行改进,改进状态转移概率,使得蚁群在选择下一个点的时候考虑工位物料需求紧急程度和碳排放量,更符合实际生产情况;在更新信息素方面,提出一种新的更新方法,提升算法的求解速度。
以下为本发明具体实现过程。
车间配送问题的描述与数学模型
1、问题描述
研究的车间物料配送问题是指对运输物料的小车从配送中心到需求点工位的行驶路线的合理规划,使车辆依照规划好的路径依次到达需求点并离开直至最终返回配送中心,目的是实现一定的配送目标(包括配送成本最小、配送用时最少、配送距离最短等),在这个过程中需满足一定的条件约束(包括需求点需求量、物料需求时间窗以及车辆行驶距离约束等)。
图1是车间物料配送流程图,若干辆小车从配送中心领到各个工位所需的物资后,经过运输配送到各个工位上,确保物料到达的准时性、物料数量的准确性和配送质量的保障性。本发明在此基础上考虑到了各个工位的需求紧急程度不同和小车碳排放量,确保能够先配送物料需求紧急的工位以及考虑碳排放,减少整体的运输成本。本发明在研究车间物料配送的研究中有如下假设:
(1)车辆容量(载重量,体积等)约束,也就是每条配送路径配送容量都不能大于车辆自身容量(载重量,体积等)约束。
(2)每一个工位点只允许一辆配送车对其服务。
(3)忽略配送车辆在运输过程中和工位装配中遇到的车间拥堵等不正常因素和外力因素。
(4)所有的车辆都是从同一个配送中心出发进行配送,完成配送任务后必须返回至配送中心。
2、数学模型
1)参数:
i,j:i,j∈V,V={0,1,...,n},表示需求点集合,当i或j为0时,表示配送中心;
k:车辆编号(k=1,2,...m);
dij:表示工位点i与工位点j之间的距离;
Qk:车辆k的最大装载量;
qi:第i个工位点的需求量;
Tei:车辆到达需求点i的最早时间;
Tli:车辆到达需求点i的最晚时间;
Tik:车辆到达需求点i的实际时间;
2)模型:
以车辆使用最少和车辆行驶总距离最短为优化目标,建立车间物料配送的数学模型如下:
Tik∈[Tei,Tli] (7)
式(1)表示目标函数最小成本=1000*使用的车辆数目+车辆行驶的总距离;式(2)表示配送车只能为一个工位点服务一次;式(3)表示每条路径上的所有需求点所需物料量之和不能超过配送车装载容量;式(4)表示每个需求点到达的车辆和离开的车辆数量相同;式(5)表示每个需求点均由一辆车配送;式(6)表示配送小车从配送中心出发,完成配送任务后必须返回配送中心;式(7)表示小车配送时间必须在规定的时间内。
2、蚁群算法
蚁群算法(Ant Colony Algorithm)最初于1992年由意大利学者M.Dorigo等人提出,是一种模拟自然界中真实蚁群觅食行为的仿生优化算法,本质上属于进化算法中的一种元启发式全局优化算法,具有分布计算、信息正反馈和启发式搜索的特征。
蚁群算法原理图如图2所示,其优化目标为寻找从A点到H点的最短距离,求解过程中每只蚂蚁在解空间内独立地搜索可行解,并留下信息素,求解出的结果越优则留下的信息素越多,随着算法推进,较优解路径上的信息素增多,选择它的蚂蚁也随之增多,而其他路径上的信息素会随着时间的推移开始挥发,最终得到了最优解,即路径ABDEGH。
图3为蚁群算法求解车间配送问题流程图,主要分为两步,第一步为构建求解带时间窗物料配送的车辆路径问题的蚁群算法搜索空间,第二步为蚂蚁根据搜索机制规则进行路径规划,每只蚂蚁遍历完所有需求节点后根据约束条件更新最优解集,并更新当前搜索环境信息素。
3、改进的蚁群算法
3.1、改进状态转移概率
传统蚁群算法的状态转移概率只考虑了能见度和信息素强度等因素影响,在运用到车间物料配送中没有考虑到实际参数的影响。为了更好地考虑到车间中各工位对物料需求的紧急程度以及配送过程中的小车碳排放量,在蚁群算法的状态转移概率公式中加入了这两个参数,使得算法更加考虑实际情况。
传统的蚁群算法状态转移概率公式为:
i,j分别表示起点和终点,ηij=1/dij表示启发式因子,是两点i、j距离的倒数,τij(t)表示时间t时由i到j的信息素强度,allowedk为尚未访问过的集节点集合,α,β为信息素和启发式因子的加权值;
为了加入工位对物料需求的紧急程度以及小车碳排放量的影响,改进后的状态转移概率公式为:
改进的状态转移概率公式配送小车会优先考虑物料需求紧急的工位,避免出现因物料配送不及时导致工位停产的现象出现,减少运输过程中的碳排放,实现绿色生产。
3.2、改进的信息素更新方式
为了避免信息素残留过多而掩盖了启发式信息,在每只蚂蚁走过一次循环后,要对残留信息进行更新处理。
传统的蚁群算法信息素更新公式为:
τij(t+1)=(1-ρ)·τij+ρ·Δτij(t) (10)
其中ρ为信息素挥发系数,ρ越大,信息素挥发越快;
其中Q为信息素强度,lk为蚂蚁k在一次循环中所走的路程;
传统的更新信息素方法路径上的信息素量差别不是很明显,使得算法的收敛速度较慢,因此提出一种改进的信息素更新方式,其表达式为:
其中bestl为当前找到的最优路径,lk表示当前蚂蚁k所找到的路径值;
改进的信息素更新方式可使优秀路径上的信息素量快速增加,而非优秀路径上的信息素量增加不明显,多次迭代之后优秀路径上的信息素量就会和较差的路径上的信息素量有差别,这样就会加快路径寻优的速度,有利于算法的收敛速度加快。
实施例
某个生产线有25个工位,1个配送中心,小车装载量为200,工位各个数据如图4所示。
用蚁群算法和改进的蚁群算法分别对车间物料配送进行仿真实验,设置初始化参数蚂蚁个数为50,α为1,β为3,γ为2,μ为3,ρ为0.8,Q为5,迭代次数为30。
传统蚁群算法的结果如图5、图6所示,改进的蚁群算法结果如图7、图8所示。由传统蚁群算法和改进蚁群算法的对比可以得出,改进的蚁群算法使得整体的车间物料配送成本降低。改进前需要用四辆小车配送,配送方案为0-23-18-17-0,0-16-24-25-20-21-19-6-4-1-0,0-5-3-7-8-2-0,0-9-13-14-15-11-12-10-22-0。改进后的配送方案只需要三辆小车配送,配送方案为0-16-24-25-8-20-21-19-6-4-2-1-0,0-5-3-7-15-11-12-10-22-18-17-0,0-9-13-14-23-0,配送小车的减少大大减少了总的成本价格,由图6和图8可以看出改进前的总成本大概在5300左右,改进后的成本大概在3200左右,由对比可以看出,在使用改进的蚁群算法得到的配送方案,最后得到的成本会比未改进的时候低。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种车间物料配送路径优化方法,其特征在于,在保证准确性、及时性的前提下,考虑工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型,在此基础上,结合物料配送的特点,在蚁群算法的基础上进行改进,改进状态转移概率,使得蚁群在选择下一个点的时候考虑工位物料需求紧急程度和碳排放量,更符合实际生产情况;在更新信息素方面,提出一种新的更新方法,提升算法的求解速度。
2.根据权利要求1所述的一种车间物料配送路径优化方法,其特征在于,在保证准确性、及时性的前提下,考虑工位物料需求紧急程度和碳排放量,并以车辆数目使用最少和车辆行驶距离最短为优化目标建立数学模型的具体实现过程如下:
假设车间物料配送中满足以下条件:
(1)车辆容量约束,也即每条配送路径配送容量都不能大于车辆自身容量约束;
(2)每一个工位点只允许一辆配送车对其服务;
(3)忽略配送车辆在运输过程中和工位装配中遇到的不正常因素和外力因素;
(4)所有车辆都是从同一个配送中心出发进行配送,完成配送任务后必须返回至配送中心;
设定以下参数:
i,j:i,j∈V,V={0,1,...,n},表示需求点集合,当i或j为0时,表示配送中心;
k:车辆编号(k=1,2,...m);
dij:表示工位点i与工位点j之间的距离;
Qk:车辆k的最大装载量;
qi:第i个工位点的需求量;
Tei:车辆到达需求点i的最早时间;
Tli:车辆到达需求点i的最晚时间;
Tik:车辆到达需求点i的实际时间;
则以车辆使用最少和车辆行驶总距离最短为优化目标,建立车间物料配送的数学模型如下:
Tik∈[Tei,Tli] (7)
式(1)表示目标函数最小成本=1000*使用的车辆数目+车辆行驶的总距离;式(2)表示配送车只能为一个工位点服务一次;式(3)表示每条路径上的所有需求点所需物料量之和不能超过配送车装载容量;式(4)表示每个需求点到达的车辆和离开的车辆数量相同;式(5)表示每个需求点均由一辆车配送;式(6)表示配送小车从配送中心出发,完成配送任务后必须返回配送中心;式(7)表示小车配送时间必须在规定的时间内。
3.根据权利要求2所述的一种车间物料配送路径优化方法,其特征在于,蚁群算法的状态转移概率改进过程如下:
蚁群算法状态转移概率公式为:
i,j分别表示起点和终点,ηij=1/dij表示启发式因子,是两点i、j距离的倒数,τij(t)表示时间t时由i到j的信息素强度,allowedk为尚未访问过的集节点集合,α,β为信息素和启发式因子的加权值;
加入工位对物料需求的紧急程度以及小车碳排放量的影响,改进后的状态转移概率公式为:
改进的状态转移概率公式配送小车会优先考虑物料需求紧急的工位,避免出现因物料配送不及时导致工位停产的现象出现,减少运输过程中的碳排放,实现绿色生产。
4.根据权利要求3所述的一种车间物料配送路径优化方法,其特征在于,蚁群算法的信息素更新方式改进过程如下:
蚁群算法信息素更新公式为:
τij(t+1)=(1-ρ)·τij+ρ·Δτij(t) (10)
其中ρ为信息素挥发系数,ρ越大,信息素挥发越快;
其中Q为信息素强度,lk为蚂蚁k在一次循环中所走的路程;
改进的信息素更新方式,其表达式为:
其中bestl为当前找到的最优路径,lk表示当前蚂蚁k所找到的路径值;
改进的信息素更新方式可使优秀路径上的信息素量快速增加,而非优秀路径上的信息素量增加不明显,多次迭代之后优秀路径上的信息素量就会和较差的路径上的信息素量有差别,这样就会加快路径寻优的速度,有利于算法的收敛速度加快。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214147.7A CN113947310A (zh) | 2021-10-19 | 2021-10-19 | 一种车间物料配送路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111214147.7A CN113947310A (zh) | 2021-10-19 | 2021-10-19 | 一种车间物料配送路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947310A true CN113947310A (zh) | 2022-01-18 |
Family
ID=79331290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111214147.7A Pending CN113947310A (zh) | 2021-10-19 | 2021-10-19 | 一种车间物料配送路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947310A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018211A (zh) * | 2022-08-08 | 2022-09-06 | 北京建筑大学 | 一种运输调度线路设定方法和装置 |
CN117273318A (zh) * | 2023-09-11 | 2023-12-22 | 江苏和光舒卷数字科技有限公司 | 物料齐套的分析方法和装置 |
CN117314283A (zh) * | 2023-10-16 | 2023-12-29 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289712A (zh) * | 2011-08-10 | 2011-12-21 | 天津商业大学 | 基于鱼群蚁群算法的时间最短应急物流路径的优化方法 |
CN111967668A (zh) * | 2020-08-17 | 2020-11-20 | 安徽理工大学 | 一种基于改进蚁群算法的冷链物流路径优化方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
-
2021
- 2021-10-19 CN CN202111214147.7A patent/CN113947310A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289712A (zh) * | 2011-08-10 | 2011-12-21 | 天津商业大学 | 基于鱼群蚁群算法的时间最短应急物流路径的优化方法 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
CN111967668A (zh) * | 2020-08-17 | 2020-11-20 | 安徽理工大学 | 一种基于改进蚁群算法的冷链物流路径优化方法 |
CN113343575A (zh) * | 2021-06-21 | 2021-09-03 | 太原科技大学 | 基于改进蚁群算法的多目标车辆路径优化方法 |
Non-Patent Citations (1)
Title |
---|
陈静: "基于蚁群算法的冷链物流路径优化研究", 交通科技与经济, vol. 23, no. 05, 17 October 2021 (2021-10-17), pages 39 - 44 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018211A (zh) * | 2022-08-08 | 2022-09-06 | 北京建筑大学 | 一种运输调度线路设定方法和装置 |
CN115018211B (zh) * | 2022-08-08 | 2022-11-01 | 北京建筑大学 | 一种运输调度线路设定方法和装置 |
CN117273318A (zh) * | 2023-09-11 | 2023-12-22 | 江苏和光舒卷数字科技有限公司 | 物料齐套的分析方法和装置 |
CN117273318B (zh) * | 2023-09-11 | 2024-05-03 | 江苏和光舒卷数字科技有限公司 | 物料齐套的分析方法和装置 |
CN117314283A (zh) * | 2023-10-16 | 2023-12-29 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
CN117314283B (zh) * | 2023-10-16 | 2024-04-19 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947310A (zh) | 一种车间物料配送路径优化方法 | |
Wang et al. | An intelligent logistics service system for enhancing dispatching operations in an IoT environment | |
Zhang et al. | Review of vehicle routing problems: Models, classification and solving algorithms | |
CN109190835B (zh) | 一种基于时间窗限制的露天矿卡车调度路径优化方法 | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
CN112686458B (zh) | 一种多车型车队配送货过程的优化调度方法 | |
CN104700251A (zh) | 一种车辆调度问题的改进最大-最小蚁群优化方法及系统 | |
CN108985597A (zh) | 一种动态物流调度方法 | |
CN109214755A (zh) | 一种仓储管理中的自动排单调度方法 | |
Xu et al. | Dynamic pickup and delivery problem with transshipments and LIFO constraints | |
Ren et al. | Path optimization of cold chain distribution with multiple distribution centers considering carbon emissions. | |
Zheng et al. | Urban logistics delivery route planning based on a single metro line | |
CN114997712A (zh) | 基于动态规划求解周期性上门取送货车辆调度方案的方法 | |
Ge | Optimal path selection of multimodal transport based on Ant Colony Algorithm | |
Yang et al. | Multi-Objective Distribution Model and Algorithm for Online Shopping Express Logistics. | |
Gacal et al. | Flying sidekick traveling salesman problem with pick-up and delivery and drone energy optimization | |
Cui et al. | A time-dependent vehicle routing problem for instant delivery based on memetic algorithm | |
Lin et al. | Multi-task assignment of logistics distribution based on modified ant colony optimization | |
Zhou | Research on Vehicle Logistics Optimization Distribution Based on Machine Learning | |
Guo | Research on Logistics Distribution Route Optimization Based on Ant Colony Algorithm | |
Liu | Research on Logistics Distribution Path Planning Based on Genetic Algorithm | |
Hu et al. | Low-Carbon Vehicle Routing Models and Optimization Algorithms with Hybrid Time Window. | |
Shao et al. | Design of logistics operation management algorithm based on information technology on internet | |
Tang et al. | Optimization of Multi-Depot Heterogeneous Incident Vehicle Routing Problem with Soft Time Windows based on an Improved Ant Colony Optimization | |
JIANG et al. | Logistics Delivery Path of S Electronics Company Based on Ant Colony Algorithm |
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 |