CN114580695A - 多车任务分配与路径优化仿真平台及其实现方法 - Google Patents
多车任务分配与路径优化仿真平台及其实现方法 Download PDFInfo
- Publication number
- CN114580695A CN114580695A CN202011400672.3A CN202011400672A CN114580695A CN 114580695 A CN114580695 A CN 114580695A CN 202011400672 A CN202011400672 A CN 202011400672A CN 114580695 A CN114580695 A CN 114580695A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- path
- vehicle
- simulation platform
- operator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004088 simulation Methods 0.000 title claims abstract description 69
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 146
- 230000008569 process Effects 0.000 claims abstract description 61
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012800 visualization Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 8
- 238000012795 verification Methods 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
-
- 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"
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多车任务分配与路径优化仿真平台,包括:业务应用层,包括订单录入系统和路径规划仿真系统;技术层,包括算法匹配模块;数据层,包括系统配置数据库,系统配置数据库内存储有多种系统内置算法;订单录入系统可与操作者进行交互,算法匹配模块可根据操作者输入的数据信息从系统内置算法中选择与之适配的车辆路径问题的最佳算法,路径规划仿真系统可根据最佳算法对物流方案配送过程进行实时演示。本发明还公开了一种该仿真平台的实现方法。通过该仿真平台,系统可以根据问题匹配相应问题的最佳算法,并对车辆的物流方案配送过程进行实时演示,显著降低了算法时间复杂度,可为以路程最短为优化目标的各种算法提供可视化验证平台。
Description
技术领域
本发明涉及车辆路径规划技术领域,尤其涉及一种多车任务分配与路径优化仿真平台及其实现方法。
背景技术
多车辆的任务分配和路径优化是机器人、物流和计算机应用领域的研究热点。多车任务分配与路径优化仿真平台主要涉及对车辆路径问题(Vehicle RoutingProblem,VRP)以及由此延伸的具有各种约束问题的研究,例如具有容量限制的VRP问题(CapacitatedVehicle Routing Problem,CVRP)、带有时间窗车辆路径问题(VehicleRouting ProblemwithTime Windows,VRP-tw)、装卸车辆路径问题(VehicleRoutingProblem withPick andDispatch,VRP-pd)等。
VRP问题是运筹优化领域最经典的优化问题之一,指的是起始位置位于仓库的m辆汽车将向n个客户交付一定数量的货物。在服务一组用户时,确定一组车辆行驶的最佳线路。目标是最小化整体的运输成本。经典的VRP问题的解决方案是一组路径,它们都从仓库出发,所有客户仅被服务一次后返回仓库,并满足车辆负载约束。
现有的关于该问题的研究都是基于VRP问题以及延伸问题和相关算法的提出,过于追求单种局限性的问题,不能为与时俱进的物流企业面临的现实问题提供合理的优化策略。而且现有的算法局限性不能很好地满足实际场景的应用,例如ATS-MD算法需要将全部数据拓扑排序,其时间复杂度很高,倘若数据量庞大时,ATS-MD算法需要耗费大量时间,不利于任务的规划和时间安排;DP-TR算法虽然是一种精确求解的算法,在使用动态规划技术时,也考虑了拓扑关系的约束,有效地降低了算法的时间复杂度,但时间复杂度仍然是指数级的,不利于大规模节点的计算。针对实际场合中的VRP-pd问题,这些算法显然不适用。
仿真平台是研究任务分配与路径规划的有效工具,国内外科研机构研究任务分配以及路径规划时都对此方面有所欠缺。现有的多车仿真平台,主要针对优化策略提供系统性框架,在针对具体应用领域时,多集中在多机器人间通信,无法实现算法运行过程和物流方案配送过程可视化。在针对物流仓储环境的领域中,鲜有可以为VRP等问题提供在线近似解决方案的仿真平台,几乎不考虑订单和车辆的配比、时间窗等约束问题的扩展,仓储规模以及车辆负载规模的扩展性等因素,建模应用过程复杂,算法的时间复杂度仍然较大,不具备实用性。
发明内容
鉴于现有技术存在的不足,本发明提供了一种多车任务分配与路径优化仿真平台及其实现方法,可以为VRP等问题提供在线近似解决方案,实现算法运行过程和物流方案配送过程可视化仿真,显著降低算法时间复杂度。
为了实现上述的目的,本发明采用了如下的技术方案:
一种多车任务分配与路径优化仿真平台,包括:
业务应用层,包括订单录入系统和路径规划仿真系统;
技术层,包括算法匹配模块;
数据层,包括系统配置数据库,所述系统配置数据库内存储有多种系统内置算法;
所述订单录入系统用于与操作者进行交互,所述算法匹配模块用于根据操作者输入的数据信息从所述系统内置算法中选择与之适配的车辆路径问题的最佳算法,所述路径规划仿真系统用于根据所述最佳算法对物流方案配送过程进行实时演示。
作为其中一种实施方式,所述订单录入系统与操作者进行交互,包括选定需要可视化的车辆路径问题,以及将客户点信息、订单需求信息及车辆仓储信息实时导入系统的预处理步骤。
作为其中一种实施方式,所述技术层还包括研究问题拓展模块,所述研究问题拓展模块用于实时引入基于车辆路径问题的延伸问题的约束参数条件,所述算法匹配模块还用于根据操作者输入的数据信息从所述系统内置算法中选择与之适配的车辆路径问题的延伸问题的最佳算法。
作为其中一种实施方式,所述路径规划仿真系统还用于实时显示操作者输入的数据信息和算法的运行过程。
作为其中一种实施方式,所述技术层还包括数据预处理模块和多线程算法运算模块,所述数据预处理模块用于判断匹配最佳算法过程的计算量是否庞大,所述多线程算法运算模块用于在匹配最佳算法过程的计算量超过阈值时启用多线程架构。
作为其中一种实施方式,所述车辆路径问题的延伸问题包括装卸车辆路径问题,所述装卸车辆路径问题的最佳算法是基于拓扑关系的遗传算法,所述基于拓扑关系的遗传算法通过选择、交叉和变异产生后代,并在每个操作过程中保持着拓扑关系的约束。
作为其中一种实施方式,所述基于拓扑关系的遗传算法包括:
初始化种群:随机选择入度为零的路径节点进行排序,保持拓扑关系的约束;
交叉:从种群中选择两条符合拓扑排序的路径方案进行交叉;
变异:随机选择一个路径交换节点,确定符合条件的交换范围,与交换范围内随机选择的另一个路径节点进行交换,产生新的路径方案;
重复上述迭代过程,直至新的路径方案的总距离最短。
本发明的另一目的在于提供一种多车任务分配与路径优化仿真平台的实现方法,包括:
与操作者进行交互;
根据操作者输入的数据信息从系统内置算法中选择与之适配的车辆路径问题的最佳算法;
根据所述最佳算法对物流方案配送过程进行实时演示。
作为其中一种实施方式,所述与操作者进行交互的步骤,包括:
选定需要可视化的车辆路径问题;
将客户点信息导入系统;
将车辆仓储信息导入系统;
将订单需求信息导入系统。
作为其中一种实施方式,选择最佳算法的过程还包括:
判断匹配最佳算法过程的计算量是否庞大,并在匹配最佳算法过程的计算量超过阈值时启用多线程架构。
本发明的多车任务分配与路径优化仿真平台具有业务应用层、技术层、数据层三大层,操作者根据需要选择具体的车辆路径问题后,系统根据问题匹配相应的最佳算法,并可以根据最佳算法对车辆的物流方案配送过程进行实时演示,解决了现有的车辆任务分配和路径优化应用领域针对性不强、仿真过程复杂、扩展性差,目的性弱等缺点,显著降低了算法时间复杂度,可为以路程最短为优化目标的各种算法提供可视化验证平台。
附图说明
图1为本发明实施例的多车任务分配与路径优化仿真平台的架构示意图;
图2为本发明实施例的基于拓扑关系的遗传算法的应用流程图;
图3为本发明实施例的仿真系统的演示界面示意图;
图4为本发明实施例的仿真平台的实现方法的流程示意图;
图5为本发明实施例的车辆任务仿真执行流程图。
具体实施方式
在本发明中,术语“设置”、“设有”、“连接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参阅图1,本发明实施例提供了一种多车任务分配与路径优化仿真平台,包括业务应用层1、技术层2和数据层3,其中,业务应用层1包括订单录入系统11和路径规划仿真系统12,技术层2包括算法匹配模块21,数据层3包括系统配置数据库31,系统配置数据库31内存储有多种系统内置算法。
通过订单录入系统11可以与操作者进行交互,通过算法匹配模块21可以根据操作者输入的数据信息从系统内置算法中选择与之适配的VRP问题的最佳算法,通过路径规划仿真系统12可以根据最佳算法对物流方案配送过程进行实时演示。
操作者输入的数据信息主要可以包括需要可视化的VRP问题、客户点信息、车辆仓储信息、订单需求信息,其中的需要可视化的VRP问题即操作者需要可视化的仿真问题,客户点信息即客户坐标,车辆仓储信息如车辆及仓库坐标、数量和负载能力等,订单需求信息即用户间的货物配送计划。
上述通过订单录入系统11与操作者进行交互的过程,具体可以包括:选定需要可视化的VRP问题,以及将客户点信息、订单需求信息及车辆仓储信息实时导入系统的预处理步骤。
路径规划仿真系统12实时演示的内容可以有多种,既可以显示操作者输入的数据信息,也可以显示算法的运行过程,还能将物流方案配送过程实时演示,可以很好地向观众展示具体的路径规划方法、过程和特点。
除了算法匹配模块21,技术层2还可以包括研究问题拓展模块22,研究问题拓展模块22可用于实时引入基于VRP问题的延伸问题的约束参数条件,而算法匹配模块21则还可用于根据操作者输入的数据信息从系统内置算法中选择与之适配的VRP的延伸问题的最佳算法。研究问题拓展模块22可以为仿真平台提供可拓展性,可供实时研究基于VRP问题的各种延伸问题,在实际应用中,可在系统配置数据库31内存储有对应各种延伸问题的系统内置算法,以供算法匹配模块21针对不同的VRP问题及其延伸问题进行适配,顺利完成仿真演示过程,实现个性化需求的定制,拓展平台的应用场景。
除此之外,技术层2还可以包括数据预处理模块23和多线程算法运算模块24,数据预处理模块23用于判断匹配最佳算法过程的计算量是否庞大,多线程算法运算模块24则用于在匹配最佳算法过程的计算量超过阈值时启用多线程架构。
其中,数据预处理模块23的处理结果将有利于算法的运行以及平台的模块调用,以加速仿真平台的运行过程。例如,当运算时间超过10秒,则认为计算量超过阈值。即,在数据量过多,运算量过大时,启用多线程架构,增设线程并行计算,此时,路径规划仿真系统12的初始化和算法匹配过程分开执行,可以减少运算时间,加速系统运行,从而提高系统的运算效率。
路径规划仿真系统12的初始化即对演示的一些参数进行初始化,使观看者能够更清楚直接地观看演示过程。该初始化的过程具体涉及车辆及其仓储信息、客户点信息以及相应的距离矩阵等的初始化。
本实施例的数据层3优选包括系统配置数据库31、订单信息数据库32和算法记录数据库33,订单信息数据库32可用于存储操作者输入的数据信息记录,算法记录数据库33可用于存储算法的执行过程记录,这样的设计可供复盘时检查相关的数据和记录,提高了系统的稳定性和可靠性。
装卸车辆路径问题(VRP-pd),是VRP问题的延伸问题的一种,是对物流配送管理的核心问题——配送车辆调度的问题抽象,其可以描述为:使车辆从站点出发服务用户,完成用户需求后仍返回站点,规定每个用户只能被一辆车服务且仅服务一次,问题的优化目标是选择适当的路径,使得在满足上述的约束条件的情况下,完成全部需求所花费的总路径最小,从而节约成本、增大利益。
拓扑全排序遍历结果可以得到最优解,但是耗费时间巨大。本实施例提出,通过基于拓扑关系的遗传算法(Genetic Algorithm Based on Topological Relationship,GA-TR)在拓扑关系的约束下优化分配方案,使用近似求解方法,适用于大规模节点的计算,提供高了求解速度,可以使得时间复杂度大幅减小,使得在线算法可以更好地用于物流分配的实际场景中。即,本实施例以基于拓扑关系的遗传算法GA-TR作为VRP-pd问题的最佳算法,GA-TR算法遵循传统的遗传算法过程,通过选择(如轮盘赌)、交叉(如顺序交叉)和变异产生后代,该算法的特点是在每个操作过程中保持着拓扑关系的约束。
这里,本实施例只描述与传统遗传算法不同的部分,如图2所示,本实施例的GA-TR算法的应用过程主要包括:
S01、初始化种群:随机选择入度为零的路径节点进行排序,保持拓扑关系的约束。
初始化种群主要利用拓扑排序产生新的个体(单个路径方案),保证种群(全部路径方案)的可行性。在具体应用时,先随机选择零入度的路径节点进行排序,保证种群的多样性。在产生个体的过程中,需要满足有向无环图要求,去掉染色体的起点和终点。
S02、交叉:从种群中选择两条符合拓扑排序的路径方案进行交叉。
具体是,首先从种群中选择两条符合拓扑排序的路径parent1和parent2(遗传算法中称这些parent为染色体),并从parent1中随机截取一部分路径gene(遗传算法中称为基因)。随后遍历parent2中的所有节点,如果parent2中有相同的那一部分路径,就先暂时忽略它,将parent2中的相同部分跳过。
此外,需要确定该部分路径gene是否存在一个前序(或后序)节点,如果存在前序(或后序)节点,就将该前序(或后序)添加到该部分路径gene的前端(或末端)。至于其余节点,便遵循顺序交叉方法移动。
S03、变异:随机选择一个路径交换节点,确定符合条件的交换范围,与交换范围内随机选择的另一个路径节点进行交换,产生新的路径方案。
由于存在拓扑关系,在路径中随机交换两个节点是不可能的。因此,首先,随机选择一个交换节点gene1。其次,需要确定选择其他交换节点的范围,从节点gene1开始,寻找第一个非零入度的节点,并记录其在路径中的位置;然后向后查找第一个非零出度节点并记录其位置,这样就确定好了变异操作的范围,即从第一个非零入度的节点至第一个非零出度节点。最后,随机选择范围内的另一个节点gene2,交换gene1和gene2即可。这种变异操作能确保新的路径满足拓扑关系。
S04、通过重复上述交叉、变异的迭代过程,直至新的路径方案的总距离最短,即可输出最佳方案。
在一轮交叉、变异完成后,通过对比用于交叉的两条符合拓扑排序的路径方案与新的路径方案,如果新的路径方案的总距离并不是最短,则继续步骤S02,否则,将其输出作为最佳方案。
如图3所示,示出了仿真平台的演示界面,即业务应用层1,其中,其左侧区域对应订单录入系统11,呈现出供输入/选择各种参数的交互界面,其右侧区域对应路径规划仿真系统12,呈现出供直观观看的演示界面,操作者根据需要选择具体的VRP问题,技术层2则根据VRP问题匹配相应的算法,并选择导入订单实例。开始运行系统后,算法得到实例的优化分配策略。在右侧的演示界面,车辆将完成自己的任务,从出发区前往用户货物储存位置,装载货物后,前往对应订单的卸货区卸载货物,在此过程中,通过不断的计算车辆总路程以便验算。对于每辆车来说,它们需要分别完成自己的任务,从仓储位置出发,前往对应订单的地点,最后回到就近仓库地址。
如图4所示,本实施例的多车任务分配与路径优化仿真平台的实现方法主要包括:
(1)与操作者进行交互。
交互过程中,操作者输入数据信息,交互的主要步骤包括:S10、选定需要可视化的VRP问题;S11、将客户点信息(客户坐标)导入系统;S12、将车辆仓储信息(车辆及仓库坐标、数量和负载能力等)导入系统;S13将订单需求信息(用户间的货物配送计划)导入系统。当这些数据信息成功导入后,即可判定交互完成(步骤S14),可以进行下一步的算法运算和演示,否则,操作者需要重新输入数据信息,直至数据信息导入成功,自此,预处理步骤完成。
(2)根据操作者输入的数据信息从系统内置算法中选择与之适配的VRP问题的最佳算法;
其中,为加速仿真平台的运行过程,在选择(匹配)最佳算法的过程中,本实施例还事先判断用于匹配最佳算法的过程计算量是否庞大(如图4中的步骤S15),并在匹配最佳算法过程的计算量超过阈值时启用多线程架构(步骤S16),得出最佳算法,再根据最佳算法计算出优化策略(步骤S17),即最优任务分配和路径方案。例如,当匹配运算时间超过10秒,则认为计算量超过阈值。即,在数据量过多,运算量过大时,启用多线程架构加载算法,增设线程并行计算,此时,路径规划仿真系统12的初始化和算法匹配过程分开执行,可以减少运算时间,加速系统运行,从而提高系统的运算效率。
以上为实现VRP问题的步骤,在具体的仿真过程中,本实施例的仿真平台还可以解决如何实现VRP问题的延伸问题,具体步骤包括:实时引入基于VRP问题的延伸问题的约束参数条件,根据操作者输入的数据信息从系统内置算法中选择与之适配的延伸问题的最佳算法。例如,当操作者选定VRP-pd问题时,会自动适配性能最佳的GA-TR算法。
(3)根据最佳算法对物流方案配送过程进行实时演示(步骤S18)。
在前面步骤得出优化策略后,即可将与最佳算法对应的物流任务分配给指定车辆,进行接下来的仿真演示,为观看者演示实体画面。
如图5所示,在仿真平台进行仿真演示时,将首先初始化仿真平台,等待匹配算法执行,若此时等待时间超过10秒将启用多线程架构,拓展线程并行计算,以增加运算处理能力,从而节省时间;匹配算法执行结束后,得出的最佳算法被传给车辆、仓储和客户信息点,待各信息点数据更新后,车辆根据路径规划最佳方案执行任务,每到一客户点,都会进行信息数据的更新,并且判断是否最后一个任务,是则返回最近仓库,否则继续前往下一客户点。
本发明实施例针对物流环境中需要解决的VRP问题及其延伸问题,以提供可视化演示为目的,解决了现有的车辆任务分配和路径优化应用领域针对性不强,仿真过程复杂、扩展性差、目的性弱等缺点。主要涉及客户订单处理、车辆任务分配和多车路径优化,客户订单处理通过合理安排订单完成顺序,分配车辆,从而提升物流系统的效率;车辆任务分配通过使用启发式算法,安排车辆取货的目标和取货的顺序,以总的取货和派送距离为衡量指标,通过优化配送总距离,提高了物流系统效率;多车路径优化通过将算法运行过程和物流方案配送过程以可视化的方式呈现给观看者,可供观看者直观地掌握算法运行情况。
本发明实施例的仿真平台及其实现方法的优点主要体现在:首先,针对物流分配系统设计的仿真平台可显示算法的运行过程,可为以路程最短为优化目标的各种算法提供验证平台;其次,结合仿真系统的可视化插件,采用模块化的结构组成,可为VRP及其延伸问题提供算法的验证,具有灵活性高,扩展性好等特点;再次,操作者可以修改订单数量、配送车辆的数量和负载规模等,实现不同规模的VRP问题仿真测试,使得仿真平台具有用户可订制的特点,例如,还可以将研究问题基于现有的基础上进行延伸,例如基于VRP-pd下增设货物任务先进后出的约束,研究新的问题,具备一定的灵活性和可扩展性,可以快速应对突发的实际问题。
综上所述,本发明的多车任务分配与路径优化仿真平台具有业务应用层、技术层、数据层三大层,操作者根据需要选择具体的车辆路径问题后,系统根据问题匹配相应的最佳算法,并可以根据最佳算法对车辆的物流方案配送过程进行实时演示,为以路程最短为优化目标的各种算法提供了可视化验证平台。另外,通过使用基于拓扑排序的遗传算法解决了VRP-pd问题,利用近似求解方法,提供高了求解速度,可在实际场景中在线应用,并且,当算法过程的计算量过大时,可以启用多线程架构加速系统运行。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种多车任务分配与路径优化仿真平台,其特征在于,包括:
业务应用层,包括订单录入系统和路径规划仿真系统;
技术层,包括算法匹配模块;
数据层,包括系统配置数据库,所述系统配置数据库内存储有多种系统内置算法;
所述订单录入系统用于与操作者进行交互,所述算法匹配模块用于根据操作者输入的数据信息从所述系统内置算法中选择与之适配的车辆路径问题的最佳算法,所述路径规划仿真系统用于根据所述最佳算法对物流方案配送过程进行实时演示。
2.根据权利要求1所述的多车任务分配与路径优化仿真平台,其特征在于,所述订单录入系统与操作者进行交互,包括选定需要可视化的车辆路径问题,以及将客户点信息、订单需求信息及车辆仓储信息实时导入系统的预处理步骤。
3.根据权利要求2所述的多车任务分配与路径优化仿真平台,其特征在于,所述技术层还包括研究问题拓展模块,所述研究问题拓展模块用于实时引入基于车辆路径问题的延伸问题的约束参数条件,所述算法匹配模块还用于根据操作者输入的数据信息从所述系统内置算法中选择与之适配的车辆路径问题的延伸问题的最佳算法。
4.根据权利要求2所述的多车任务分配与路径优化仿真平台,其特征在于,所述路径规划仿真系统还用于实时显示操作者输入的数据信息和算法的运行过程。
5.根据权利要求2所述的多车任务分配与路径优化仿真平台,其特征在于,所述技术层还包括数据预处理模块和多线程算法运算模块,所述数据预处理模块用于判断匹配最佳算法过程的计算量是否庞大,所述多线程算法运算模块用于在匹配最佳算法过程的计算量超过阈值时启用多线程架构。
6.根据权利要求3~5任一所述的多车任务分配与路径优化仿真平台,其特征在于,所述车辆路径问题的延伸问题包括装卸车辆路径问题,所述装卸车辆路径问题的最佳算法是基于拓扑关系的遗传算法,所述基于拓扑关系的遗传算法通过选择、交叉和变异产生后代,并在每个操作过程中保持着拓扑关系的约束。
7.根据权利要求6所述的多车任务分配与路径优化仿真平台,其特征在于,所述基于拓扑关系的遗传算法包括:
初始化种群:随机选择入度为零的路径节点进行排序,保持拓扑关系的约束;
交叉:从种群中选择两条符合拓扑排序的路径方案进行交叉;
变异:随机选择一个路径交换节点,确定符合条件的交换范围,与交换范围内随机选择的另一个路径节点进行交换,产生新的路径方案;
重复上述迭代过程,直至新的路径方案的总距离最短。
8.一种多车任务分配与路径优化仿真平台的实现方法,其特征在于,包括:
与操作者进行交互;
根据操作者输入的数据信息从系统内置算法中选择与之适配的车辆路径问题的最佳算法;
根据所述最佳算法对物流方案配送过程进行实时演示。
9.根据权利要求8所述的多车任务分配与路径优化仿真平台的实现方法,其特征在于,所述与操作者进行交互的步骤,包括:
选定需要可视化的车辆路径问题;
将客户点信息导入系统;
将车辆仓储信息导入系统;
将订单需求信息导入系统。
10.根据权利要求9所述的多车任务分配与路径优化仿真平台的实现方法,其特征在于,选择最佳算法的过程还包括:
判断匹配最佳算法过程的计算量是否庞大,并在匹配最佳算法过程的计算量超过阈值时启用多线程架构。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400672.3A CN114580695A (zh) | 2020-12-02 | 2020-12-02 | 多车任务分配与路径优化仿真平台及其实现方法 |
PCT/CN2020/134253 WO2022116225A1 (zh) | 2020-12-02 | 2020-12-07 | 多车任务分配与路径优化仿真平台及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400672.3A CN114580695A (zh) | 2020-12-02 | 2020-12-02 | 多车任务分配与路径优化仿真平台及其实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580695A true CN114580695A (zh) | 2022-06-03 |
Family
ID=81768128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400672.3A Pending CN114580695A (zh) | 2020-12-02 | 2020-12-02 | 多车任务分配与路径优化仿真平台及其实现方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114580695A (zh) |
WO (1) | WO2022116225A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
CN117910929A (zh) * | 2024-03-14 | 2024-04-19 | 浙江菜鸟供应链管理有限公司 | 仓储系统全链路处理方法、以及仓储系统全链路仿真平台 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114806B (zh) * | 2022-08-29 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 自主式交通系统架构自主演进仿真方法 |
CN115995147B (zh) * | 2022-11-16 | 2023-10-20 | 电子科技大学 | 一种实现高精度路径规划算法的仿真引擎系统 |
CN116402309B (zh) * | 2023-05-10 | 2023-08-29 | 上海文景信息科技有限公司 | 港口集疏运车辆调度匹配方法及系统 |
CN116432987A (zh) * | 2023-06-12 | 2023-07-14 | 青岛慧拓智能机器有限公司 | 矿车二次调度方法、装置、芯片、终端、设备及介质 |
CN117314134B (zh) * | 2023-11-30 | 2024-04-26 | 深圳大学 | 救援时间限制下基于性能影响的多机器人任务分配方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604416A (zh) * | 2009-07-21 | 2009-12-16 | 华中科技大学 | 一种基于第三方物流集配中心的运输调度方法及其调度系统 |
CN105894222A (zh) * | 2014-12-16 | 2016-08-24 | 重庆邮电大学 | 一种物流配送路径优化方法 |
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 |
CN107798423A (zh) * | 2017-10-11 | 2018-03-13 | 南京邮电大学 | 基于多种智能算法的车辆路径规划仿真实验平台 |
CN109165883B (zh) * | 2018-07-03 | 2022-09-27 | 四川驹马科技有限公司 | 基于弹性集成的车辆运单智能配送方法及其系统 |
US10380536B1 (en) * | 2018-08-28 | 2019-08-13 | Shurpa, Inc. | Geo-segregated scheduled delivery optimization engine |
-
2020
- 2020-12-02 CN CN202011400672.3A patent/CN114580695A/zh active Pending
- 2020-12-07 WO PCT/CN2020/134253 patent/WO2022116225A1/zh active Application Filing
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115495859A (zh) * | 2022-09-19 | 2022-12-20 | 上海交通大学 | 一种基于遗传算法的仓网规划算法 |
CN115495859B (zh) * | 2022-09-19 | 2023-11-03 | 上海交通大学 | 一种基于遗传算法的仓网规划方法 |
CN117910929A (zh) * | 2024-03-14 | 2024-04-19 | 浙江菜鸟供应链管理有限公司 | 仓储系统全链路处理方法、以及仓储系统全链路仿真平台 |
Also Published As
Publication number | Publication date |
---|---|
WO2022116225A1 (zh) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114580695A (zh) | 多车任务分配与路径优化仿真平台及其实现方法 | |
Merschformann et al. | Decision rules for robotic mobile fulfillment systems | |
Xie et al. | Introducing split orders and optimizing operational policies in robotic mobile fulfillment systems | |
Chen et al. | Deep Q-learning for same-day delivery with vehicles and drones | |
Gharehgozli et al. | Robot scheduling for pod retrieval in a robotic mobile fulfillment system | |
Powell et al. | On the value of optimal myopic solutions for dynamic routing and scheduling problems in the presence of user noncompliance | |
US10535033B2 (en) | System and method of vessel scheduling for product distribution | |
US11681982B2 (en) | Automated guided vehicle control and organizing inventory items using stock keeping unit clusters | |
CN109658027A (zh) | 一种订单任务的处理方法、装置、服务器和介质 | |
Vahdani | Assignment and scheduling trucks in cross-docking system with energy consumption consideration and trucks queuing | |
JP7417724B2 (ja) | コールドチェーン配送経路の決定方法、装置、サーバおよび記憶媒体 | |
CN114037180B (zh) | 一种基于分支定价切割算法的协同配送路径优化方法 | |
Bhatnagar et al. | The joint transshipment and production control policies for multi-location production/inventory systems | |
CN115345549B (zh) | 结合装载方案的车辆路径调整方法及系统 | |
Nia et al. | Dual command cycle dynamic sequencing method to consider GHG efficiency in unit-load multiple-rack automated storage and retrieval systems | |
CN114219276A (zh) | 一种仓储物流的仿真方法、装置、设备及存储介质 | |
Gu et al. | Dynamic truck–drone routing problem for scheduled deliveries and on-demand pickups with time-related constraints | |
Jiao et al. | Online joint optimization of pick order assignment and pick pod selection in robotic mobile fulfillment systems | |
CN113960969A (zh) | 一种基于大数据的物流仓储的调度方法及系统 | |
US20230304806A1 (en) | Graph-based vehicle route optimization with vehicle capacity clustering | |
Bukchin et al. | A comprehensive toolbox for load retrieval in puzzle-based storage systems with simultaneous movements | |
Roohnavazfar et al. | A hybrid algorithm for the Vehicle Routing Problem with AND/OR Precedence Constraints and time windows | |
Azadeh et al. | Zoning strategies for human–robot collaborative picking | |
CN109559078B (zh) | 一种车辆调度方法、装置、设备及存储介质 | |
Molnar et al. | Multi-objective routing and scheduling of order pickers in a warehouse |
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 |