CN114326621A - 一种基于分层架构的群体智能机场托运车调度方法和系统 - Google Patents
一种基于分层架构的群体智能机场托运车调度方法和系统 Download PDFInfo
- Publication number
- CN114326621A CN114326621A CN202111608630.3A CN202111608630A CN114326621A CN 114326621 A CN114326621 A CN 114326621A CN 202111608630 A CN202111608630 A CN 202111608630A CN 114326621 A CN114326621 A CN 114326621A
- Authority
- CN
- China
- Prior art keywords
- conflict
- trolley
- dispatching
- scheduling
- airport
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010845 search algorithm Methods 0.000 claims description 22
- 239000003795 chemical substances by application Substances 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 239000002243 precursor Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 210000004556 brain Anatomy 0.000 abstract description 2
- 238000012546 transfer Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000006854 communication Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分层架构的群体智能机场托运车调度方法和系统,属于智能与自动规划调度领域。基于智能的托运车为基础从底层改进调度系统的智能化程度,先建立调度约束方程,在此基础上,运用头脑风暴优化算法求解满足约束的分配方案,进而提升分配效率。本发明的改进点在于基于原有的分层式和路径搜寻方法,当搜索树过大时进入扩展地图模块,进而给冲突智能体提供缓冲从而提升算法运算效率。由此提高了调度平台整体效率,进而解决了在实际机场货运中的效率较低的问题。
Description
技术领域
本发明属于智能与自动规划调度领域,涉及一种基于分层架构的群体智能机场托运车调度方法和系统。
背景技术
近年来,随着技术智能化程度的加深,规划调度技术的探索也越来越工程化。对于智能调度每一部分的细节技术都进一步完善,例如调度机器人SLAM,调度机器人路径规划,调度系统算法优化等。
目前调度系统可以利用智能的力量做出清晰的预测并优化绩效。调度系统还可以通过精确计算特定时间需要搬运的物品数量和处理该流程所需的设备数量来进行优化。借助物流中的机器学习,可以花费更少的时间来建立更详细的库存移动预测分析,并提高分拣和包装流程的整体生产率。调度自动化系统还可以极大地提高通信过程的速度和准确性。这些设备间能够相互进行对话,包括系统监视和控制,以确保有效的调度管理并为系统提供全局智能,从而可以根据需求,解决绝大部分的运输与分配问题。但多机器人系统工程应用通常只注重硬件升级,与之配套的高效软件、算法等柔性化控制的关键要素仍然处于起步阶段。单纯依靠昂贵的高精度激光传感器、相机以及SLAM技术,还无法完全满足智能化和柔性化的要求。
综上所述,目前,机场调度货物为半自动化,效率低下,无法满足日益增长的货运需求。多智能体的路径搜寻已成为一重点问题,该问题本质上是给成百上千个机器人同时做规划路径,在保证安全性的同时追求时效性,使机器人又快又稳的到达目的地。
发明内容
本发明的目的在于克服上述现有技术中,机场调度货物为半自动化导致效率低下的缺点,提供一种基于分层架构的群体智能机场托运车调度方法和系统。
为了达到上述目的,本发明采用以下技术方案予以实现:
一种基于分层架构的群体智能机场托运车调度方法,包括如下步骤:
步骤1)获取调度任务;
步骤2)对调度任务进行分配,获取满足给定约束的最优分配方案;
步骤3)利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;
步骤4)计算冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线。
优选地,步骤1)中,调度任务是基于货物位置信息和货运容量信息得到的。
优选地,步骤2)的具体操作为:
步骤2.1)构建给定约束:
式中,C1为约束1;I为仓库口编号;J为停机坪编号;dis(I,J)仓库口到停机坪间的距离;
式中,C2为约束2;J(T)为停机坪等待时间;
(x,y)∈(X-s)2+(Y-t)2≤Q2 (3)
式中,(x,y)为托运车实时位置;Q为约束半径;
步骤2.2)采用聚类算法将相似的个体聚成k类,并将各k聚类最优的个体作为聚类的中心;
2.3)通过比较聚类的局部最优,得到全局最优,
式中,Pj为被选中概率;|Mj|为类中个体数量;N随机个体数;
xnd=xsd+∈*N(0,1)d (5)
式中,xnd是新的d维个体;xsd是选中的个体;N(0,1)d是d维标准正态分布。
优选地,步骤2.2)具体为:
2.2.1)从各聚类中心中随机选择一个,将其作为初始的聚类中心;
2.2.2)对于数据中的所有点,计算其距离中心的距离;
式中,r=1,2…kselected;xi是聚类中心坐标,μr是数据点坐标;
2.2.3)根据步骤2.2.2)所得距离选择相应的新的聚类中心;
2.2.4)重复选择新的点直到达到传统聚类的点数要求,进而运用传统聚类进行求解。
优选地,步骤3)中,路径规划的过程中,同时获取托运车的运动和每个托运车对应的调度信息,计算得到托运车的实时任务完成度。
优选地,步骤3)中,分层架构的具体操作为:
提取机场托运车的可行区域,并将可行区域处理为拓扑图;
分层架构的具体操作为:底层采用传统搜索算法结合启发因子进行路径规划;
对于装卸货路径规划,采用运动学与时空约束的混合搜索方法进行;
上层采用基于冲突的搜索算法进行路径规划,当搜索数达到16时拓扑图向外部分拓展,进而使得该冲突点消除。
优选地,基于冲突的搜索算法具体操作为:
设置初始表存储各托运车的路径信息及步长信息;
加入节点判断是否路径间有冲突,若有冲突则将冲突点设置为不可达,进而扩展搜索地图;
当扩展树达到4层时,在冲突点处将拓扑图向外围扩展,进而降低搜索层数,
式中,E为扩展特征数;j为节点;i为智能体编号;N为冲突数;
重复搜索直至各智能体路径规划均达到终点,得到最优分配方案的最优可行解。
优选地,托运车的任务完成度包括路径完成度和货运完成度,通过任务完成度对任务完成时间进行预测;
式中,x为模型自变量参数;y为模型约束因变量;p(x,y)为预测完成概率;ρx为自变量前驱系数;ρy为因变量前驱系数;μx为自变量约翰均值;μy为因变量约翰均值。
优选地,步骤4)中,冲突点数由搜索算法的多托运车路径冲突点输入。
一种基于分层架构的群体智能机场托运车调度系统,包括:
信息获取单元,用于获取货物位置信息和货运容量信息,进一步得到调度任务;
任务分配单元,与信息获取单元相交互,用于对调度任务进行分配,获取满足给定约束的最优分配方案;
求解单元,与任务分配单元相交互,利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;
可视化控制单元,与求解单元相交互,用于获取规划算法所得多车路径冲突数并输出此冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线,同时对托运车的完成进度进行可视化显示;
托运车单元,与控制单元相交互,基于优化调度路线对调度任务进行托运。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种基于分层架构的群体智能机场托运车调度方法,基于智能的托运车为基础从底层改进调度系统的智能化程度,先建立调度约束方程,在此基础上,运用头脑风暴优化算法求解满足约束的分配方案,进而提升分配效率。本发明的改进点在于基于原有的分层式和路径搜寻方法,当搜索树过大时进入扩展地图模块,进而给冲突智能体提供缓冲从而提升算法运算效率。
进一步地,分层架构,底层采用搜索算法保证单个托运车路径可解,上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免。另外对于在装卸货物时的托运车采用考虑运动学与时空约束的算法进行作业,由此提高了调度平台整体效率,进而解决了在实际机场货运中的效率较低的问题。
本发明还公开了一种基于分层架构的群体智能机场托运车调度系统,信息获取单元,用于获取货物位置信息和货运容量信息,进一步得到调度任务;任务分配单元与信息获取单元相交互,用于对调度任务进行分配,获取满足给定约束的最优分配方案;求解单元与任务分配单元相交互,利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;可视化控制单元与求解单元相交互,用于获取计算冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线,同时对托运车的完成进度进行可视化显示;托运车单元与控制单元相交互,基于优化调度路线对调度任务进行托运调度平台拥有实时显示各托运车任务完成度与显示平台总体冲突指数的功能,以便于达成调度平台的信息全面化显示,最终可完成群体智能托运车的寻路作业。
附图说明
图1为本发明方法的整体流程图;
图2为本发明调度系统算法流程图;
图3为本发明改进的基于冲突搜索算法流程图;
图4为本发明机场托运车可行拓扑图;
图5为本发明实施的拓展拓扑示意图;
图6为本发明系统的总体过程。
具体实施方式
下面结合附图对本发明做进一步详细描述:
实施例1
一种基于分层架构的群体智能机场托运车调度方法,如图1和图6所示,包括以下步骤:
1)根据机场总控台信息获取调度任务,任务包含具体位置与货运容量等信息;
2)由调度平台对各任务进行分配,主要基于远端先行、紧急先行、就近分配等原则,根据以上原则所确定的约束运用算法进行求解,进而可获取满足给定约束的最优分配方案;
3)通过分层架构求解分配后托运车路径规划,避免出现冲突进而求解失败的情况。底层采用传统搜索算法保证单个托运车路径快速求解,上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免;
4)根据托运车上惯导等传感器解析其运动与任务信息并通过通讯网络传输到主调度平台以实时显示托运车任务完成度;
5)由上层分配任务模块输入冲突点数,并显示在调度平台中央显示屏上。凭借此信息可实时观察平台运行情况,并且也可根据此信息进一步优化调度路线,提升调度平台运转效率。
实施例2
一种基于分层架构的群体智能机场托运车调度方法,包括以下步骤:
1)根据机场总控台信息获取调度任务,任务包含具体位置与货运容量等信息;
2)由调度平台对各任务进行分配,主要基于远端先行、紧急先行、就近分配等原则,根据以上原则所确定的约束运用头脑风暴优化算法进行求解,进而可获取满足给定约束的最优分配方案;
步骤2)中,通过规定的各项准则所确定的约束,进而通过头脑风暴优化算法求解约束,整体流程图如图2所示,具体过程如下:
2.1)首先对约束进行构建;
式中,C1为约束1;I为仓库口编号;J为停机坪编号;dis(I,J)仓库口到停机坪间的距离;
式中,C2为约束2;J(T)为停机坪等待时间;
(x,y)∈(X-s)2+(Y-t)2≤Q2 (3)
式中,(x,y)为托运车实时位置;Q为约束半径;
2.2)采用改进聚类算法,将相似的个体聚成k类,并将设定的适应度函数值最优的个体作为聚类的中心;
步骤2.2)中,通过对聚类中心的改进选择优化的传统聚类算法,具体过程如下:
2.2.1)从数据中随机选择一个点,将其作为初始的聚类中心;
2.2.2)对于数据中的所有点计算其到聚类中心最近与最远点的距离;
2.2.3)根据上步所得距离选择相应新的聚类中心;
2.2.4)重复选择新的点直到达到传统聚类的点数要求进而运用传统聚类求解;
2.3)通过聚类的局部最优的比较得到全局最优,采用变异思想增加了算法的多样性,避免算法陷入局部最优,在聚与散的处理过程中搜索最优解;
式中,Pj为被选中概率;|Mj|为类中个体数量;N随机个体数;
xnd=xsd+∈*N(0,1)d (5)
式中,xnd是新的d维个体;xsd是选中的个体;N(0,1)d是d维标准正态分布;
3)通过分层架构求解分配后托运车路径规划,避免出现冲突进而求解失败的情况。底层采用传统搜索算法保证单个托运车路径快速求解,上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免;
步骤3)中,通过分层架构求解群体状态下的智能托运车路径搜寻问题,整体流程图如图3所示,具体过程如下:
3.1)将机场托运车可行区域提取,并将其处理为拓扑图,进而给其附权值处理为有权图方便后续规划使用;
如图4所示,根据机场实际托运车地图生成拓扑图,从而将拓扑图输入后续模块进行下一步计算;
3.2)底层搜索算法由传统搜索算法实现,因其加入了启发因子因而运行速度较快,对于装卸货是的路径规划采用混合搜索实现,因为其考虑运动学与时空约束因而对于处理复杂环境下规划表现较好;
3.3)对于上层算法采用改进的基于冲突的搜索算法,传统基于冲突的搜索算法仅考虑将冲突节点设为不可达进而让智能体重新搜索路径后再判断是否新路径存在冲突,若是则继续循环,若否则输出此解。但当重新搜索路径时其他智能体所搜索路径在智能体过多情形下依旧会产生冲突点,这即会导致搜索维数大幅增长,因此本发明改进即将地图点进行扩展,当搜索数达到16时拓扑图向外部分拓展,进而可使得该冲突点消除。最终可完成群体智能托运车的寻路作业。
步骤3.3)运用改进的基于冲突搜索算法来实现多托运车的路径搜寻,具体过程如下:
3.3.1)设置初始表存储初始节点路径信息及步长信息;
3.3.2)加入节点判断是否路径间有冲突,若有冲突则将冲突点设置为不可达进而扩展搜索树;
3.3.3)当扩展树达到4层时,在冲突点处将拓扑图向外围扩展,进而降低搜索层数,提高运行效率;
式中,E为扩展特征数;j为节点;i为智能体编号;N为冲突数;
如图5所示,两车相向行驶遇到冲突此问题运用原算法不可解,但对于改进后算法扩展了地图生成邻接点,进而使得算法有解且提高效率;
3.3.4)重复搜索直至各智能体均达到终点,也即得到问题最优可行解。
4)根据托运车上惯导等传感器解析其运动与任务信息并通过通讯网络传输到主调度平台以实时显示托运车任务完成度;
步骤4)中,托运车的任务完成度主要包括路径完成度,货运完成度等,通过任务完成度这个指标可以了解当前状态下调度系统托运车在环数量与直观状态显示,并且对任务完成时间进行预测;
式中,x为模型自变量参数;y为模型约束因变量;p(x,y)为预测完成概率;ρx为自变量前驱系数;ρy为因变量前驱系数;μx为自变量约翰均值;μy为因变量约翰均值。
5)由上层分配任务模块输入冲突点数,并显示在调度平台中央显示屏上。凭借此信息可实时观察平台运行情况,并且也可根据此信息进一步优化调度路线,提升调度平台运转效率;
步骤5)中,由于上层搜索每一步加入节点都需判断冲突数,进而通过底层搜索避免,因此在算法中写入一输出模块将冲突数实时显示用以判断算法健壮性与对其改进做进一步优化;
实施例3
一种基于分层架构的群体智能机场托运车调度系统,其特征在于,包括:
信息获取单元,用于获取货物位置信息和货运容量信息,进一步得到调度任务;
任务分配单元,与信息获取单元相交互,用于对调度任务进行分配,获取满足给定约束的最优分配方案;
求解单元,与任务分配单元相交互,利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;
可视化控制单元,与求解单元相交互,用于获取计算冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线,同时对托运车的完成进度进行可视化显示;
托运车单元,与控制单元相交互,基于优化调度路线对调度任务进行托运。
综上所述,本发明提出的调度系统基于分层架构,底层采用搜索算法保证单个托运车路径可解,上层采用改进的基于冲突的搜索算法保证群体调度下各托运车路径冲突的避免。另外对于在装卸货物时的托运车采用考虑运动学与时空约束的算法进行作业,由此提了调度平台整体效率进而解决了在实际机场货运中的效率较低的问题。调度平台拥有实时显示各托运车任务完成度与显示平台总体冲突指数的功能,以便于达成调度平台的信息全面化显示。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于分层架构的群体智能机场托运车调度方法,其特征在于,包括如下步骤:
步骤1)获取调度任务;
步骤2)对调度任务进行分配,获取满足给定约束的最优分配方案;
步骤3)利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;
步骤4)计算冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线。
2.根据权利要求1所述的基于分层架构的群体智能机场托运车调度方法,其特征在于,步骤1)中,调度任务是基于货物位置信息和货运容量信息得到的。
3.根据权利要求1所述的基于分层架构的群体智能机场托运车调度方法,其特征在于,步骤2)的具体操作为:
步骤2.1)构建给定约束:
式中,C1为约束1;I为仓库口编号;J为停机坪编号;dis(I,J)仓库口到停机坪间的距离;
式中,C2为约束2;J(T)为停机坪等待时间;
(x,y)∈(X-s)2+(Y-t)2≤Q2 (3)
式中,(x,y)为托运车实时位置;Q为约束半径;
步骤2.2)采用聚类算法将相似的个体聚成k类,并将各k聚类最优的个体作为聚类的中心;
2.3)通过比较聚类的局部最优,得到全局最优,
式中,Pj为被选中概率;|Mj|为类中个体数量;N随机个体数;
xnd=xsd+∈*N(0,1)d (5)
式中,xnd是新的d维个体;xsd是选中的个体;N(0,1)d是d维标准正态分布。
5.根据权利要求1所述的基于分层架构的群体智能机场托运车调度方法,其特征在于,步骤3)中,路径规划的过程中,同时获取托运车的运动和每个托运车对应的调度信息,计算得到托运车的实时任务完成度。
6.根据权利要求1所述的基于分层架构的群体智能机场托运车调度方法,其特征在于,步骤3)中,分层架构的具体操作为:
提取机场托运车的可行区域,并将可行区域处理为拓扑图;
分层架构的具体操作为:底层采用传统搜索算法结合启发因子进行路径规划;
对于装卸货路径规划,采用运动学与时空约束的混合搜索方法进行;
上层采用基于冲突的搜索算法进行路径规划,当搜索数达到16时拓扑图向外部分拓展,进而使得该冲突点消除。
9.根据权利要求1所述的基于分层架构的群体智能机场托运车调度方法,其特征在于,步骤4)中,冲突点数由搜索算法的多托运车路径冲突点输入。
10.一种基于分层架构的群体智能机场托运车调度系统,其特征在于,包括:
信息获取单元,用于获取货物位置信息和货运容量信息,进一步得到调度任务;
任务分配单元,与信息获取单元相交互,用于对调度任务进行分配,获取满足给定约束的最优分配方案;
求解单元,与任务分配单元相交互,利用分层架构方法对最优分配方案进行求解,得到分配后托运车路径规划;
可视化控制单元,与求解单元相交互,用于获取规划算法所得多车路径冲突数并输出此冲突点数,并基于冲突点数对分配后托运车路径规划进行优化,得到优化调度路线,同时对托运车的完成进度进行可视化显示;
托运车单元,与控制单元相交互,基于优化调度路线对调度任务进行托运。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608630.3A CN114326621B (zh) | 2021-12-25 | 2021-12-25 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608630.3A CN114326621B (zh) | 2021-12-25 | 2021-12-25 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114326621A true CN114326621A (zh) | 2022-04-12 |
CN114326621B CN114326621B (zh) | 2023-11-14 |
Family
ID=81013957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111608630.3A Active CN114326621B (zh) | 2021-12-25 | 2021-12-25 | 一种基于分层架构的群体智能机场托运车调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114326621B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438860A (zh) * | 2022-09-06 | 2022-12-06 | 西安电子科技大学广州研究院 | 一种基于进化算法的多智能体路径规划方法 |
CN117252402A (zh) * | 2023-11-17 | 2023-12-19 | 民航成都电子技术有限责任公司 | 机场值机柜台航司分配规划方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
CN107179773A (zh) * | 2017-07-25 | 2017-09-19 | 哈尔滨工大特种机器人有限公司 | 一种agv的避让调度控制方法及系统 |
CN109115226A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 基于跳点搜索的多机器人冲突避免的路径规划方法 |
WO2021031272A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于动态路径规划的agv调度方法 |
CN113074728A (zh) * | 2021-03-05 | 2021-07-06 | 北京大学 | 基于跳点寻路与协同避障的多agv路径规划方法 |
CN113359702A (zh) * | 2021-05-11 | 2021-09-07 | 浙江工业大学 | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 |
WO2021254415A1 (zh) * | 2020-06-18 | 2021-12-23 | 北京卫星制造厂有限公司 | 一种基于时间窗的agv智能调度方法 |
-
2021
- 2021-12-25 CN CN202111608630.3A patent/CN114326621B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681334A (zh) * | 2017-03-13 | 2017-05-17 | 东莞市迪文数字技术有限公司 | 基于遗传算法的自动搬运小车调度控制方法 |
CN107179773A (zh) * | 2017-07-25 | 2017-09-19 | 哈尔滨工大特种机器人有限公司 | 一种agv的避让调度控制方法及系统 |
CN109115226A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 基于跳点搜索的多机器人冲突避免的路径规划方法 |
WO2021031272A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于动态路径规划的agv调度方法 |
WO2021254415A1 (zh) * | 2020-06-18 | 2021-12-23 | 北京卫星制造厂有限公司 | 一种基于时间窗的agv智能调度方法 |
CN113074728A (zh) * | 2021-03-05 | 2021-07-06 | 北京大学 | 基于跳点寻路与协同避障的多agv路径规划方法 |
CN113359702A (zh) * | 2021-05-11 | 2021-09-07 | 浙江工业大学 | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 |
Non-Patent Citations (1)
Title |
---|
吴麟麟;杨俊辉;: "基于改进AWA~*算法的智能车辆全局路径规划研究", 重庆理工大学学报(自然科学), no. 08 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115438860A (zh) * | 2022-09-06 | 2022-12-06 | 西安电子科技大学广州研究院 | 一种基于进化算法的多智能体路径规划方法 |
CN117252402A (zh) * | 2023-11-17 | 2023-12-19 | 民航成都电子技术有限责任公司 | 机场值机柜台航司分配规划方法、装置、设备及存储介质 |
CN117252402B (zh) * | 2023-11-17 | 2024-02-06 | 民航成都电子技术有限责任公司 | 机场值机柜台航司分配规划方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114326621B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428161B (zh) | 一种基于端边云架构的无人驾驶矿车云智能调度方法 | |
Xin et al. | Control of interacting machines in automated container terminals using a sequential planning approach for collision avoidance | |
CN105354648B (zh) | Agv调度管理的建模及其优化方法 | |
US11049208B2 (en) | Vehicle dispatching method and system | |
Xin et al. | Energy-aware control for automated container terminals using integrated flow shop scheduling and optimal control | |
Ribino et al. | Agent-based simulation study for improving logistic warehouse performance | |
Gendreau et al. | Parallel tabu search for real-time vehicle routing and dispatching | |
CN110009259B (zh) | 一种应用于双向路径下柔性制造车间的多agv调度方法 | |
CN114023094B (zh) | 一种码头车辆调度系统、方法、设备和介质 | |
CN114326621A (zh) | 一种基于分层架构的群体智能机场托运车调度方法和系统 | |
Zhen et al. | A review on yard management in container terminals | |
CN112027473B (zh) | 一种多深度储货区四向穿梭车多车调度方法 | |
Confessore et al. | A network flow based heuristic approach for optimising AGV movements | |
CN110414895A (zh) | 车辆调度系统及方法 | |
CN108510227A (zh) | 一种基于机器学习的车载物流配送实时规划系统 | |
CN107993025A (zh) | 一种多agv的实时动态解锁调度方法 | |
Hu et al. | Multi-AGV dispatching and routing problem based on a three-stage decomposition method | |
CN116993255A (zh) | 一种基于多智能体仿真的agvs动态无碰路径规划方法 | |
Naeem et al. | A comprehensive review and directions for future research on the integrated scheduling of quay cranes and automated guided vehicles and yard cranes in automated container terminals | |
Shaikh et al. | AGV path planning and obstacle avoidance using Dijkstra’s algorithm | |
CA2636537A1 (en) | Vehicle dispatching method and system | |
US20220076194A1 (en) | System and method for monitoring logistical locations and transit entities | |
CN115629587A (zh) | 轨道搬运小车的调度方法及装置 | |
Nevliudov et al. | Modeling of a Decentralized System for Maintenance of Production Equipment Based on Transport Robots | |
Singgih et al. | Architectural design of terminal operating system for a container terminal based on a new concept |
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 |