CN114626718A - 一种基于订单资源共享和农机资源共用的农机调度方法 - Google Patents
一种基于订单资源共享和农机资源共用的农机调度方法 Download PDFInfo
- Publication number
- CN114626718A CN114626718A CN202210251605.2A CN202210251605A CN114626718A CN 114626718 A CN114626718 A CN 114626718A CN 202210251605 A CN202210251605 A CN 202210251605A CN 114626718 A CN114626718 A CN 114626718A
- Authority
- CN
- China
- Prior art keywords
- agricultural machinery
- agricultural
- point
- time
- order
- 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 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000003780 insertion Methods 0.000 claims abstract description 25
- 230000037431 insertion Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 241000209094 Oryza Species 0.000 description 12
- 235000007164 Oryza sativa Nutrition 0.000 description 12
- 235000009566 rice Nutrition 0.000 description 12
- 230000035772 mutation Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 4
- 241001124569 Lycaenidae Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种基于订单资源共享和农机资源共用的农机调度方法,包括:建立以调度成本最小化为前提作业量最大化的农机调度混合整数线性规划模型;将已经接收到的订单以农机行驶路径最短为目标函数进行农机路径规划,按照订单中的时间窗来安排农机的作业任务;农机离开农机点进行农田作业过程中,将接收到的新订单作为可选任务,以服务最多的农户为当前阶段的目标函数,按照作业面积最大化来安排农机的作业任务;采用带有动态订单处理策略、作业机型选择策略和紧急订单插入策略的基于启发式规则的多种群协同进化遗传算法求解农机调度混合整数线性规划模型,按照农机点作业优先级分配作业需求。本发明提高了作业订单决策效率和农机资源利用率。
Description
技术领域
本发明涉及农机调度领域,特别是一种基于订单资源共享和农机资源共用的农机调度方法。
背景技术
随着我国农村农机服务组织数量逐年递增,以及农业现代化生产的进一步推进,农村的农业机械化生产程度得到不断提高。同时,受到“互联网+”模式和共享经济模式的启发以及通讯技术的推进,“网约农机”的出现为农机市场化带来了更大的便利。这一方式虽然解决了部分农机资源利用问题,但是调度方案主要还是依靠人工制定,未形成科学系统的管理模式。
现有对于农机调度问题的研究大多处于对静态问题的研究上,对于作业过程中的突发状况和紧急情况考虑并不全面,而且也没有形成通用的调度模式。
发明内容
本发明的目的是要解决现有技术中存在的不足,提供一种基于订单资源共享和农机资源共用的农机调度方法。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于订单资源共享和农机资源共用的农机调度方法,包括以下步骤:
步骤一、建立以调度成本最小化为前提作业量最大化的农机调度混合整数线性规划模型;
步骤二、将已经接收到的订单以农机行驶路径最短为目标函数进行农机路径规划,按照订单中的时间窗来安排农机的作业任务;
步骤三、农机离开农机点进行农田作业过程中,将接收到的新订单作为可选任务,以服务最多的农户为当前阶段的目标函数,按照作业面积最大化来安排农机的作业任务;
步骤四、采用带有动态订单处理策略、作业机型选择策略和紧急订单插入策略的基于启发式规则的多种群协同进化遗传算法求解农机调度混合整数线性规划模型,按照农机点作业优先级分配作业需求。
进一步地,所述步骤一的农机调度混合整数线性规划模型定义为G=(V,A),
其中:V为所有节点的集合,V={v1,v2,…,vn,vn+1,…vn+m},包含各农机合作社和各农田作业点,A为所有路径的集合,A={(vi,vj)|vi,vj∈V,i≠j}。
进一步地,所述步骤二中的目标函数为:
基于农机调度问题实际和模型假设条件,其约束条件为:
(1)每个农机点保有的农机数量是有限的,派出的农机数量不能超过该农机点保有的农机总量:
(2)一台农机仅能为一个作业点提供服务,即:
(3)每个作业点的需求都能够满足,并且只能由一台农机服务一次,不接受多台农机的多次服务,即:
(4)每台农机出发后不能在农机点之间行驶,在农机点之间行驶的路线是无效的,只能出发去往作业点,即:
(5)农机在完成当前作业点的作业任务后必须离开该作业点,即:
(6)农机从农机点出发,在完成各个作业点的作业任务之后不能随意停放,或者将农机停放在其他的农机点,必须返回出发的农机点,即:
(7)农机的路径规划应满足初始订单所属农户的时间窗要求,非紧急情况下不能够违反,即:
(8)农机从当前作业点到下一个作业点的时间窗应满足以下条件,即:
式中T为一个很大的正数;
(9)每台农机当天作业的总时长应满足以下条件,农机当天的行驶时间与作业时间的总和不能超过规定的工作时长,即:
(10)农机在作业点的作业量满足以下关系式,即:
进一步地,所述步骤三中的目标函数为:
将路径按照可作业时间分为A→B→C→D→E5个时段,由已经参与规划的作业点划分为4个可插入空间,为这4个部分和整个路径设置了约束条件:
(1)在A→B段中,农机从作业点A处出发,但是不能回到作业点A处,并且农机必须在作业点B结束并且不能离开作业点B处,即:
在A→B段中,农机到达作业点B处的时间必须早于作业点B时间窗的上界,即:
(2)同理,在B→C段的约束条件表达式为:
(3)在C→D段的约束条件表达式为:
(4)在D→E段的约束条件表达式为:
在整条路径的规划中,一个插入的作业点只能被插入到一个时间段中,避免重复插入;
(5)避免在不同时段重复插入同一作业任务:
(6)保证一个作业任务在整条路径中最多只被执行一次:
(7)ρi是到达作业点i的时间:
进一步地,所述步骤四中求解农机调度混合整数线性规划模型的具体步骤为:
Step 1:釆用整数编码,1~n为农田作业点,(n+1)~(n+m)为农机点,按照解码规则剔除初始种群中不满足时间窗约束和作业时间约束的个体,此时初始种群的所有个体均为可行解;
Step 2:计算个体的适应值,适应度函数采用目标函数的倒数,并按照适应度值的降序进行排列;
Step 3:将问题整体划分为为一个精英子种群和两个普通种群,每个子种群各自按照设定的交叉概率和变异概率进化产生子代种群;
Step 4:计算新一代个体的适应值,判断进化是否满足终止条件。若满足,则结束并输出最优解;否则转至Step 4;
Step 5:依照农机的作业能力和订单时间窗约束在初始调度方案基础上,采用最近邻域搜索算法按照新订单与农机当前作业点的距离最近原则对动态订单进行规划,生成动态调度方案;
Step 6:对于农机型号的选择,采用改进的节约算法遵循单位作业面积消耗的农机功率最小原则调配合适的机型,同样不能违反初始订单的时间窗约束。此时,农机可以按照计划集中初始方案的可行方案选择路径;
Step 7:当出现农机故障导致作业停止时,紧急调度距离最近并且路径转移对于整体方案产生波动最小的农机前往救援,直到故障农机可以重新返回参与调度作业。
进一步地,所述动态订单处理策略的具体步骤为:
Step 1:计算被插入节点与包括作业点和农机服务点在内的每对节点的运输距离;
Step 2:选择一对传输距离最小的节点;
Step 3:将节点从一个开始节点连接到一个结束节点,方法是按节点最早的时间升序访问该序列;
Step 4:将下一个节点尽可能地连接到先前连接的结束节点,以形成一个路由,直到所有节点都被分配到不同的路由为止;
Step 5:安排路线,使作业车辆在结束上一个时段的访问序列后开启此时段的访问序列;
Step 6:按顺序将车辆分配到线路,直到满足所有订单的需求和时间窗。
进一步地,所述步骤四中,作业机型选择策略是采用改进的节约算法来确定农机行驶路线和农机型号,具体包括:
首先,通过对已经接收的订单进行规划,对于每个农田作业点已经确定了一条特定的路径进行作业任务,这些路线将会组合到一起重新根据约束条件进行优化;此时,每条路径相对于不同型号作业的农机都可以计算出一个行驶时间,将最小行驶时间记为Td:
Sjw:将作业点w插入到作业点j所在的路径中所能节省的时间;
tjw:作业点w与作业点j之间的行驶时间(假设tjw=twj);
tdw:农机点d与作业点w之间的行驶时间;
tdj:农机点d与作业点j之间的行驶时间。
故,
Sjw=tdw+tdj-tjw;
Sjw将按数值的降序排列,具有较高等级排名的路线具有较大的概率被选择,然后从最大的Sjw相关路径开始优化;
如果新路径满足问题的约束条件不形成子线路,并且能够满足如下式的时间窗约束条件,则可以接受新订单的插入,否则将拒绝插入新作业点;
Qr:路径Qr的全部作业量总和;
Pk:该型号农机单位时间的作业量,也就是农机的功率。
故
与现有技术相比,本发明针对当前农机调度供需状况,提出了基于订单资源共享和农机资源共用的农机调度模式,综合农机调度过程的影响因素和特性,建立了具有动态需求的两阶段农机调度模型,模型中采用了软时间窗和硬时间窗相结合以及紧急订单实时插入和动态需求批量处理的调度策略;针对模型的特点进行了优化求解算法的改进和求解程序的设计,采用带有启发式规则的多种群协同进化遗传算法生成初始调度方案,根据订单的紧急状况和优先级规则采用最近邻域搜索策略的动态需求批量插入处理每个时段的新订单,使用节约算法制定农机型号选择方法,最后,建立农机作业状态索引,以最小成本指定救援农机处理紧急情况;提高了作业订单决策效率和农机资源利用率。
本发明可为农机服务组织的管理者和农机手提供有效可行的调度方案,也为农机跨区作业选择和农机资源布局提供了有力依据,为农机社会化服务的规模化、专业化发展提供了理论支撑。
附图说明
图1为协同进化遗传算法流程图。
图2为订单规划时序图。
图3为动态订单插入示意图。
图4为路径ri当前状态下5个时段的完整解集。
图5为初始调度方案的成本趋势图。
图6为农机调度初始路径。
图7为各农机合作社农机动态路径。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明,并不用于限定发明。
基于当前农村作业现状和农机发展现状,对农机调度问题做出如下说明:
(1)多个农机服务组织参与同一协同调度过程中,将农机服务组织作为农机驶离和返回的农机点,多个农田作业点分散分布在调度区域的各个不同地区,由此本实施例要解决的问题就是生成由多个农机点行驶到多个农机作业点进行农田作业的路径优化解决方案。
(2)每一台作业的农机安装有必要的通讯设备,可以满足调度中心、农机手和农户三者之间进行便捷的信息传递。
(3)每一个作业点都只会被一台农机服务一次,农田的地理位置和面积等相关信息均为已知,所有的作业地点和车场的坐标为已知。作业路线的距离为已知则路线的成本为已知,每一台作业农机都必须回到当天作业出发的车场。
(4)农机在正常行驶过程中不受交通拥堵等因素的限制,行驶速度是均匀的,且农机在行驶过程中可以获得道路和天气等相关的动态信息,也就是说系统可以预估农机在两个作业点之间最可能的行驶时间。
(5)农机服务组织应根据当地农田种植面积对农机使用数量进行预估,也可提前一定时间打开订单接收系统,必要时扩大农机调度范围。
(6)作业的农机原则上需要按照农户指定的时间窗内对农田进行作业,既不能早于农户允许最早的开始时间,也不能晚于农户允许最迟的结束时间。每个已规划的作业点作业任务开始的时间需要严格遵守时间窗[ei,li]要求,当且仅当有紧急作业插入时才可违反时间窗要求。
建立以调度成本最小化为前提作业量最大化的农机调度混合整数线性规划模型,模型的假设条件如下:
(1)调度区域内不同位置的农机点其地理位置是已知且固定的;
(2)每个农机点保有不同型号的作业农机,每个型号的农机数量均为已知,相同型号农机的作业功率和作业成本均为已知,暂不考虑农机使用年限对于作业功率的影响;
(3)农户提交订单中农田的地理位置、作业面积、作业时间窗要求均为已知,所有农机点和农田作业点之间的距离是已知的;
(4)每个作业点的需求必须被满足且只能由一辆农机访问一次。为了规范农机管理和维修保养,以及后续作业营收的计算,每台农机从农机点出发在完成当天作业任务后需要返回该农机点;
(5)在初始方案生成的过程中,假设参与调度的农机足够为每一条作业路径分配作业农机;
(6)模型中的农机并没有容量限制,研究对象只针对作业农机,农机的作业时间由作业点之间的转移时间和作业点的作业时间组成,设定农机每天的工作总时间为10个小时,暂不考虑物料的流入和农产品的输出。
在实际调研中发现,现阶段农机的作业功率已经可以很好地满足农户的作业需求,如果时间窗的跨度过长,农机的作业时间将会包含在时间窗范围内,如果时间窗的跨度缩短,多次更改调度方案会造成农机路径混乱。结合农机作业的工作时长,本实施例将农机的作业时间按2个小时划分为5个离散的时间窗,由此可以达到一个理想的订单响应状态,每个时间窗的分割情况如表1所示:
表1
针对农机调度问题建立了一个混合整数规划模型进行描述。定义G=(V,A)为一个完备图,能够完整表示该问题所组成的系统。模型中所涉及到的符号及其含义如下所示:
(1)集合
V为所有节点的集合,V={v1,v2,…,vn,vn+1,…vn+m},包含各农机合作社和各农田作业点;
D为车场的集合,D={vn+1,vn+2,…,vn+m}表示m个车场(农机合作社);
C为所有客户的集合,C={v1,v2,…,vn}表示n个客户(农田作业点);
A为所有路径的集合,A={(vi,vj)|vi,vj∈V,i≠j};
K为该区域内所有农机合作社保有的所有型号农机k的集合,K={1,2,…,h};
(2)参数
Kd:农机点的农机总量;
T:每台农机的工作时间;
tij:农机从作业点i到作业点j的行驶时间;
cij:农机行驶单位距离的成本;
vij:农机的转移速度;
pk:农机k所属型号的作业效率;
(3)变量
第一阶段:将已经接收到的订单以农机行驶路径最短为目标函数进行路径规划,在此过程中严格按照订单中的时间窗来安排农机的作业任务,目标函数为:
基于农机调度问题实际和模型假设条件,建立如下的约束条件:
(1)每个农机点保有的农机数量是有限的,派出的农机数量不能超过该农机点保有的农机总量。
(2)一台农机仅能为一个作业点提供服务,即:
(3)每个作业点的需求都能够满足,并且只能由一台农机服务一次,不接受多台农机的多次服务,即:
(4)每台农机出发后不能在农机点之间行驶,在农机点之间行驶的路线是无效的,只能出发去往作业点,即:
(5)农机在完成当前作业点的作业任务后必须离开该作业点,即:
(6)农机从农机点出发,在完成各个作业点的作业任务之后不能随意停放,或者将农机停放在其他的农机点,必须返回出发的农机点,即:
(7)农机的路径规划应满足初始订单所属农户的时间窗要求,非紧急情况下不能够违反,即:
(8)农机从当前作业点到下一个作业点的时间窗应满足以下条件,即:
式中T为一个很大的正数。
(9)每台农机当天作业的总时长应满足以下条件,农机当天的行驶时间与作业时间的总和不能超过规定的工作时长,即:
(10)农机在作业点的作业量满足以下关系式,即:
第二阶段:农机离开农机点进行农田作业过程中,将接收到的新订单作为可选任务,以服务最多的农户为当前阶段的目标函数,实现作业面积最大化。在满足初始时间窗和作业约束条件的情况下,插入到农机的当前路线中。在此过程中,新订单的时间窗作为软时间窗,若能满足当前路线的作业面积要求则将新订单插入,若不能满足则拒绝插入,并将此订单保留作为下一个工作日的订单等待规划。
假设A→B→C→D→E是当天各个时段内首个作业点的作业顺序,如表2所示。
表2
定义的变量和参数如下:
(1)集合
I为所有新订单中待插入到路径中的作业点;
(2)参数
ti:农机在作业点i开始作业的时间;
li:农机到达作业点i的时间;
ρi:农机到达作业点i的时间。
(3)变量
xi,yi,zi,μi均是二进制变量,表示作业点是否被插入到调度方案的作业任务队列中,如果接受插入操作,该变量值为1,如果拒绝插入操作,则该变量值为0。
在初始方案中插入的作业点数量最多,目标函数为:
本实施例初始调度方案的基础上将路径按照可作业时间分为5个时段,由已经参与规划的作业点划分为4个可插入空间。因此,下面为这4个部分和整个路径设置了约束。
约束条件:(1)在A→B段中,农机从作业点A处出发,但是不能回到作业点A处,并且农机必须在作业点B结束并且不能离开作业点B处,即:
在A→B段中,农机到达作业点B处的时间必须早于作业点B时间窗的上界,即:
(2)同理,在B→C段的约束条件表达式为:
(3)在C→D段的约束条件表达式为:
(4)在D→E段的约束条件表达式为:
在整条路径的规划中,一个插入的作业点只能被插入到一个时间段中,避免重复插入。
(5)避免在不同时段重复插入同一作业任务。
(6)保证一个作业任务在整条路径中最多只被执行一次。
(7)ρi是到达作业点i的时间。
在处理新订单的过程中,由于本实施例新订单的时间窗要求作为软时间窗约束,因此新订单的处理首先以最小成本为目标,在农机作业能力满足约束的前提下综合考虑时间窗约束。一旦农户的订单被安排在当日作业的某一时段,如果不是紧急订单出现也是无法再次更改的。系统需要在做出新的规划后通过通讯系统将作业时间发送给农户。
如果一个作业订单在[ti-1,ti]时段内请求服务,并且可以在下一个优化的时段[ti,ti+1]成功调度,那么就没有必要立即在当前路径中插入该订单,只要在时段[ti,ti+1]一起处理即可。因此,本实施例采用紧急订单插入和分批驱动策略,可以把订单的需求按照紧急程度分为紧急订单和非紧急订单两类。
假设农户在时刻t(t∈[ti-1,ti])发送了一个作业请求,[ti-1,ti]和[ti,ti+1]是相邻的两个优化时间段,如果该订单可以在[ti,ti+1]时段内到当前路径计划中,既不会超过作业农机的作业时长,也可以满足当前作业任务的时间窗约束,则称之为非紧急顾客;反之,如果不能等待[ti,ti+1]时段插入到当前路径计划中,则称之为紧急顾客。
将当天农机调度整体划分为若干个相互联系的时间间隔,按照每个时间间隔的次序依次对每个阶段非紧急订单的接收与拒绝以及紧急订单的优先插入做出决策,并将决策结果分别反馈给农户和农机手。农户依据决策结果做好作业前的准备工作或者安排其他农事活动以等待农机到达,农机手按照决策结果优化后的路径继续转移到下一个作业点,或者紧急更改作业路线,保证决策方案有效实施。
当作业订单拒绝被插入到当前调度方案的所有路径时,该作业订单将会保留到下一个作业日的初始调度方案中优先进行优化,并且该订单的作业时间窗将作为硬时间窗约束调度方案的选择,以形成调度路径优化动态订单插入的框架。当拒绝接收的订单量较多时该调度区域应当在次日开始作业之前扩大农机调度范围或者发布跨区作业需求信息吸引外来农机前来参与作业。
本实施例的农机调度问题是一个大规模全局优化问题,求解算法搜索空间较大且变量维数多,采用多个子种群协同进化信息可以相互交换,避免算法陷入局部最优解。根据模型目标函数表达式,不同农机点不同型号农机的作业路径和顺序均需要同时做出决策。本实施例的求解过程如下:
(1)在初始调度阶段,依据农机点和农田作业点以及农田作业点之间的距离,按照距离将作业点相对于农机点划分为不同的作业优先级,为优先级分配过程给定一个作业量和作业时长的阈值从而生成多条作业路径,确定所有位置的作业任务应该由哪个农机点派车进行作业;
(2)在动态调度阶段,将每个时间间隔中没有完成的作业任务和该时段中接收到的作业任务进行统计,作为下一个时段规划的初始状态,作业量大的路线依照大概率分配给大功率的作业农机,形成完整的调度方案;
(3)依照农机行驶速度和作业速度判定农机的运行状态,由此预估农机的转移时间和作业时间,当有紧急订单插入时或者农机出现故障时,调用备选方案代替当前作业方案执行作业任务。
在进行个体评价时,已经具备较高适应度值的个体被称为精英个体。为避免当前最优个体在下一代的进化过程中消失,本实施例将精英个体与普通个体划分为不同种群单独进化,进化过程中出现的适应度值较高的个体替换下一代表现较差的个体,算法流程图如图1所示。
进化过程中子种群的更新操作如下:
Pμ和Pω表示选择的两个父代个体,Cμ和Cω表示这两个父代个体进化产生的两个新个体,Pν表示变异前的个体,Pν'表示变异后的个体。
利用个体Pμ和Pω进行交叉操作后产生的新个体Cμ和Cω来更新子种群,更新规则如下:
利用个体Pν进行变异操作后产生的新个体Pν'来更新子种群,更新规则如下:
协同进化遗传算法求解步骤为:
Step 1:利用随机法生成N个个体的初始种群P(gen)|gen=0,gen为种群进化代数,最大进化代数为maxgen,调用解码程序解码的同时剔除不可行解,计算个体适应度值并降序排列;
Step 2:将种群P(t)划分为三个种群,分别是一个精英种群和两个普通种群,排序占据前M个位置的个体划入第一个种群,称为精英种群,个体适应度值排序较高,更接近最优解。剩余(N-M)个个体随机均分为两个普通种群,每个种群的大小为
Step 3:选择个体,通过交叉操作进行重组,通过变异操作增强种群多样性,普通种群采用比精英种群更高的变异概率;
Step 4:对子代个体进行适应度评价,如果子代个体的适应度值较高则代替父代个体适应度值较差个体的位置,如果子代个体的适应度值均低于父代个体的适应度值,则不进行个体替代。按照个体更新规则分别更新三个子种群, gen=gen+1;
Step 5:合并子代精英种群和子代普通种群,合并后的种群记为P(gen+1),同样按照适应度值进行排序;
Step 6:判断进化过程是否达到循环结束条件,如果满足则循环结束输出当前种群P(gen+1),否则转至Step 2。
由于农机调度问题中包含了多个参与调度的农机服务组织,并且每个农机服务组织拥有不同型号不同数量的作业农机,使调度问题的复杂度和算法求解的难度大大提升了。此外,不同位置的农田作业点如何分配不仅决定了农机作业行走路径的整体框架,还会影响整个方案的调度成本。因此,如何将初始订单中的作业任务分配到不同的农机点以达到调度方案的目标最优化是算法设计中最重要的一部分。调度算法操作步骤如下:
Step 1:输入农机服务组织位置坐标信息,农机型号、作业功率和作业成本等参数信息,作业点位置、作业面积相关信息。此外,还有协同进化遗传算法的精英种群规模、交叉概率、变异概率等控制参数;
Step 2:釆用整数编码,1~n为农田作业点,(n+1)~(n+m)为农机点,按照解码规则剔除初始种群中不满足时间窗约束和作业时间约束的个体,此时初始种群的所有个体均为可行解;
Step 3:计算个体的适应值,适应度函数采用目标函数的倒数,并按照适应度值的降序进行排列;
Step 4:将问题整体划分为为一个精英子种群和两个普通种群,每个子种群各自按照设定的交叉概率和变异概率进化产生子代种群;
Step 5:计算新一代个体的适应值,判断进化是否满足终止条件。若满足,则结束并输出最优解;否则转至Step 4;
Step 6:依照农机的作业能力和订单时间窗约束在初始调度方案基础上,采用最近邻域搜索算法按照新订单与农机当前作业点的距离最近原则对动态订单进行规划,生成动态调度方案;
Step 7:对于农机型号的选择,采用改进的节约算法遵循单位作业面积消耗的农机功率最小原则调配合适的机型,同样不能违反初始订单的时间窗约束。此时,农机可以按照计划集中初始方案的可行方案选择路径;
Step 8:当出现农机故障导致作业停止时,紧急调度距离最近并且路径转移对于整体方案产生波动最小的农机前往救援,直到故障农机可以重新返回参与调度作业。
新订单是否接收不仅取决于农机剩余作业能力约束,还会产生作业成本和在农机行驶和作业的过程中会发生各种事件,比如天气因素导致作业时间延长或者路况较差导致行驶速度下降以及新订单的到达。面对实时的动态信息如何快速做出反应并实施应对策略是提升作业效率非常关键的问题。在时段结束接收在时段需要执行的订单,订单接收与决策规划顺序如图2所示。
通过管理一个规划集来实时响应动态事件,将算法求解得到的可行解保留了一些高质量的解决方案用,计划集的结构如表3所示。
假设p*是当前计划集中的最优解,在农机为出发作业之前,计划集中所有的路径方案都是可行的,并且这些方案都是按照总作业量的降序进行排列的。在每次完成作业点的作业任务之后和出发去下一个作业点之前,该辆农机都要检验路径剩余的行驶路线是否是可行的。通过这种方式,计划集将在农机完成每一个作业任务之后更新。
表3
动态优化的计算时间依赖于再优化频率和决策者对新信息做出反应的期望时间。采用最近邻域搜索算法为每一个新的作业点构造作业路径,不同于按距离聚类的方法,本实施例通过选择一个农机服务点在下一个规划时段的一对连续作业任务来实现。首先确定距离一个新作业订单最近的的两个作业点,然后选择距离前一个作业点距离最近的下一个作业点,直到所有作业点都和某一个农机点建立路径。重复以下启发式过程,直到每个组中的所有新订单都被分配到一个路由,订单插入示意图如图3所示,具体步骤如下:
Step 1:计算被插入节点与包括作业点和农机服务点在内的每对节点的运输距离。
Step 2:选择一对传输距离最小的节点。
Step 3:将节点从一个开始节点连接到一个结束节点,方法是按节点最早的时间升序访问该序列。
Step 4:将下一个节点尽可能地连接到先前连接的结束节点,以形成一个路由,直到所有节点都被分配到不同的路由为止。
Step 5:安排路线,使作业车辆在结束上一个时段的访问序列后开启此时段的访问序列。
Step 6:按顺序将车辆分配到线路,直到满足所有订单的需求和时间窗。
当前调度状态的描述为:
Lk表示农机的当前位置i,也就是说它是作业点i的作业任务刚刚由农机完成。
Sk表示除了Lk以外需要农机前往作业的作业点,Sk={S1,S2,…}。
Tk是当前的时间。
设有矩阵代表由算法得出的可行解集。
其中bij∈I,i∈{1,2,…,n},j∈{n∈N|n≤Nmax}。特别地,当n=Nmax时矩阵为满秩,表示计划集中的最优解。每一行都包含一个时段中的可选作业点。如果值为0,则农机按照原有的作业任务顺序直接前往下一个作业点不必等待新的作业任务。例如,给定一个计划矩阵
那么在当前状态下的完整解如图4所示。
管理计划集的目的是寻找最合适的可行方案。插入新订单不会对初始作业任务产生影响,农机还会按照时间窗要求到达作业地点开始作业任务。若订单插入失败对于其他作业农机和已完成的作业任务没有影响,这部分订单将参与下一个作业调度的初始调度方案,并且订单中的时间窗是硬时间窗,不允许违反。
对动态订单的调度按照划分的时段进行统一处理可以减小路径更新的频率,避免多次对农机下达指令造成的混乱,缺点是没有将这部分订单严格按照农户要求的时间窗开始作业,会降低农户的满意程度。
动态路径优化策略采用新订单批量处理策略进行调度计算,按照划分的调度周期设置优化时间间隔的大小和时间窗排序,判定是否满足批量处理条件。如果满足,那么访问调度执行的当前状态,抽取订单作业需求信息、农机当前作业信息和当前路径计划。采用路径优化算法对路径进行重新规划,然后更新当前执行的调度方案。规划路径发生变化后也要立即将作业变化发送给农机手,并将订单处理结果发送给农户,及时调度农机资源开展作业。
把订单信息输入到数据库中等待优化方案求解,如果是紧急顾客,同样访问到调度执行的当前状态,抽取订单作业需求信息、农机当前作业信息和当前路径计划。并对此顾客进行即时处理,然后更新调度方案并要求农机立即执行。如果该紧急顾客在规定时间窗内不能被服务,就要考虑另外派出新农机并将该农机加入到下一个时段的动态订单处理过程中,因为农机的启用成本也是调度方案需要考虑的部分。
同时,插入的非紧急订单只能等待到下一个时段进行作业,如果出现过多插入失败的订单则会导致客户满意度太差,调度中心必须考虑增加农机数量的方案,可以通过租用当地农户的农机,也可以通过发布农机需求信息调配外地的农机来本地进行作业。
农机型号和所有农田作业的相关信息都是确定的,因此本节的目的就是为每个农户的每块作业农田确定服务路线和每条路线所使用的农机型号,也就是说通过这一步可以确定作业线路应该分配到某个型号的农机来执行。
不同型号农机的作业成本和作业功率是不同的,所能承担的作业任务量也是不同的,如果没有一个农机型号的约束,在后续动态求解过程中会产生很多被拒绝的订单。每辆农机的工作时间是由农机在两个作业点之间的行驶时间和在所有作业点的作业时间两部分构成的。为使相同工作时间内作业量最大化,将现有农机资源的前提下发挥最大的效用。作业时间的计算过程如下所示:
Qk:当前路径农机的作业总量;
Pk:该型号农机单位时间的作业量,也就是农机的功率。
采用改进的节约算法来确定农机行驶路线和农机型号。首先,通过对已经接收的订单进行规划,对于每个农田作业点已经确定了一条特定的路径进行作业任务。这些路线将会组合到一起重新根据约束条件进行优化。此时,每条路径相对于不同型号作业的农机都可以计算出一个行驶时间,将最小行驶时间记为Td。
Sjw:将作业点w插入到作业点j所在的路径中所能节省的时间;
tjw:作业点w与作业点j之间的行驶时间(假设tjw=twj);
tdw:农机点d与作业点w之间的行驶时间;
tdj:农机点d与作业点j之间的行驶时间。
故,
Sjw=tdw+tdj-tjw (4-11)
Sjw将按数值的降序排列,具有较高等级排名的路线具有较大的概率被选择,然后从最大的Sjw相关路径开始优化。
如果新路径满足问题的约束条件不形成子线路,并且能够满足如下式(4-12) 的时间窗约束条件,则可以接受新订单的插入,否则将拒绝插入新作业点。
Qr:路径Qr的全部作业量总和;
Pk:该型号农机单位时间的作业量,也就是农机的功率。
故
在农机调度过程中,在作业农机已经派出的情况下,当出现农机故障需要修理,若故障严重则要等待救援车辆拖走到农机修理中心进行修理,以及天气变化的影响导致作业效率下降甚至中断。每当一个新的作业提交时,算法将检查订单的紧急性。如果是紧急订单则立即插入到当前调度方案中,如果是非紧急订单,将其添加到规划区等待被插入到下一个时段的解决方案中,此时将调用动态订单处理策略,改善当前调度方案。如果该订单不能找到接收订单的农机,它将被拒绝插入。这种动态过程重复进行,直到没有新的服务订单。
作为紧急订单出现的作业点优先被插入到当前路径中,剩余的订单按照作业农机剩余的作业量和已规划作业任务的时间窗作业约束条件决定非紧急订单是否被接收。当路径rξ的作业农机遇到故障并且在当前调度时段中无法修复重新进入作业过程时该农机当前时段中承担的初始作业订单将被作为紧急订单立即分配给其他满足约束条件的农机,并且分配给该农机的当前时段的动态订单,若在下一个时段中无其他农机可接收,则将该订单顺延到下一调度方案或者保留作为下一个工作日作为带有硬时间窗约束的初始订单。为了减少对订单的拒绝,将非紧急订单按照软时间窗约束插入到已经规划的路径中。如果在调度过程中出现过多的订单被拒绝状况,就要考虑通过租赁或者发布农机需求的方式增加调度农机的数量。
在动态规划算法中,每访问一个节点需要一个对应的状态量来表示其状态,定义其为(i,p,Ri,C,Tp,S),各部分含义如下:
(1)i表示正在访问的农田作业点;
(2)p表示访问的节点的状态量索引,通过该索引可以得到故障农机所在农田作业点的状态量;
(3)Ri表示该农机访问节点i剩余的作业量;
(4)C表示该农机访问节点i后行驶的距离成本;
(5)Tp表示该农机开始访问节点i的时间;
(6)S用来记录该路径在访问节点i后已访问的节点信息集合,S={vj|j∈V}。其中vj=0表示节点j未被访问;vj=1表示该农机完成当前路径对节点j的访问,无需再次访问。
假设在时刻Tp农机k在作业点i出现故障停止作业时,作业点i的状态量索引 p将被访问以获取当前时段农机k剩余的作业量和订单优先级分布,救援农机的调度需要根据最小成本和方案的波动最小化来确定,需要根据访问记录S再向其他农田作业点访问。
当作业点i被插入到农机k′的作业路径rk′时不能使农机k′完成作业点i后到达下一个作业点j的时间不能超过订单要求时间窗的最晚时间,即:
其中,
式中,ti表示满足救援条件的农机k′到达作业点i的行驶时间,表示农机k′完成作业点i剩余作业所需要的时间且满足式(4-14)的关系,tij表示农机k′完成救援作业后到达作业路径下一个作业点的行驶时间,lj表示农机k′在完成救援任务所花费的时间不能晚于其作业路径中原有初始订单的最晚到达时间。在满足上述约束条件的农机中选择成本增加最少的方案C(i,k,j)=argminr(i,k′,j)插入到该农机当前的路径中,将调度方案更改并发送给救援农机执行。
新生成的状态将继承前面状态的访问记录,若该农机能够在要求的作业时间内完成作业任务则不更改调度方案,否则将释放该农机当前时段内未访问的节点,并将这些节点作为新订单重新分配给其他作业量未饱和的农机承担作业任务,并且订单的优先级规则始终不变,直到该农机可以重新参与下一时段作业任务的安排并重新规划作业路径。
为了本发明的调度方法进行验证评价,本实施例编写了基于协同进化遗传算法的MATLAB 求解程序,并结合黑龙江省五常市水稻收割作业进行实例验证。最后将本实施例的调度算法与标准遗传算法进行对比,证明了本实施例改进算法的优越性。
五常市水稻项目是由农业部2017年3月批复建设的第一批试点项目。2017年五常市水稻种植面积达到235.5万亩,占五常市耕地面积的51%,占全省水稻种植面积的4.12%,稻米产量也不断增加。随着水稻种植以及相关产业的快速发展,2018年五常市农业基础设施建设情况如表4所示,表4的资料来源:根据2019年五常市政府工作报告数据整理。
表4
截至2017年,五常市积极推进农业基地建设,建设“互联网+农业”示范基地15处。2019 年计划投资8000万元,建设绿色有机高标准基地1.6万亩、良种繁育基地3000亩、智能化仓储库1万平方米,建成水稻良种研发中心、社会化服务中心等设施。
选取五常市杜家镇3个农机专业合作社作为研究对象,根据调研的实际情况和采集的相关实验数据作为实例分析。各农机合作社相关数据如表5所示,合作社编号为M1~M3。每个合作社拥有的水稻收割机数量及型号如表6所示,所有型号的水稻收割机共有10台,不同型号收割机的性能参数和使用成本参数如表7所示。在模型仿真过程中收割机的工作时长为早上6点到下午5点,中间一个小时的休息间隔,总工作时长取值10小时/天。农机转移过程中的行驶速度均为35千米/小时,单位距离的转移成本为2元/km。
表5
表6
表7
整个调度问题将对农机合作社周围50个作业点进行作业服务,其中初始作业点数量为36个,其坐标和需求量信息如表8所示。
表8
将实验过程中的相关数据和部分变量取值带入第一阶段模型后得到的调度模型为:
s.t.
实验结果及分析
在水稻收获季节,3个农机合作社汇总接收的初始作业订单,初始阶段求解算法中设定精英种群的交叉概率为0.9,变异概率为0.05,普通种群的交叉概率为0.9,变异概率为0.1。此外普通种群在进化第50代之后,变异概率每代递增0.001,算法相关参数设置如表9所示。
表9
基于上述建立的资源共享的农机调度一般模型,将型号H3的农机作业功率作为启发式解码过程中作业点划分的阈值,运用设计的多种群协同进化算法通过MATLAB2016a软件求解得到第一阶段农机调度总成本变化的趋势如图5所示。
通过求解初始调度方案得到调度路程为98.7公里,转移成本为197.4元,作业成本为 9012.62元。从成本趋势图可以看出,在进化140代之后目标函数已经趋于稳定。
初始阶段调度方案的作业点路径如图6所示,初始调度方案中,18个作业点被分配到M1农机合作社,12个作业点被分配到M2农机合作社,6个作业点被分配到M3农机合作社,每一台农机行走路径和作业访问顺序如表10所示。
表10
将5个时间段内出现的14个新订单进行汇总,规划出能够满足时间窗要求和农机作业能力约束的调配方案如图7所示。
农机作业过程中,农机合作社M1接收到新订单共6个,农机合作社M2接收到新订单共4个,农机合作社M3接收到新订单共4个,每一台农机接收到新订单后农机行走路径如表11所示。动态调度阶段得到的调度方案得到作业面积为 486.9亩,作业成本为12462.1元,分配到每台农机的作业量基本与农机型号成比例,由此说明本发明调度方法可以达到作业均匀分配的效果。
表11
通过上述仿真验证了本发明的适用性和算法的可行性。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (7)
1.一种基于订单资源共享和农机资源共用的农机调度方法,其特征在于,包括以下步骤:
步骤一、建立以调度成本最小化为前提作业量最大化的农机调度混合整数线性规划模型;
步骤二、将已经接收到的订单以农机行驶路径最短为目标函数进行农机路径规划,按照订单中的时间窗来安排农机的作业任务;
步骤三、农机离开农机点进行农田作业过程中,将接收到的新订单作为可选任务,以服务最多的农户为当前阶段的目标函数,按照作业面积最大化来安排农机的作业任务;
步骤四、采用带有动态订单处理策略、作业机型选择策略和紧急订单插入策略的基于启发式规则的多种群协同进化遗传算法求解农机调度混合整数线性规划模型,按照农机点作业优先级分配作业需求。
2.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述步骤一的农机调度混合整数线性规划模型定义为G=(V,A),
其中:V为所有节点的集合,V={v1,v2,…,vn,vn+1,…vn+m},包含各农机合作社和各农田作业点,A为所有路径的集合,A={(vi,vj)|vi,vj∈V,i≠j}。
3.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述步骤二中的目标函数为:
基于农机调度问题实际和模型假设条件,其约束条件为:
(1)每个农机点保有的农机数量是有限的,派出的农机数量不能超过该农机点保有的农机总量:
(2)一台农机仅能为一个作业点提供服务,即:
(3)每个作业点的需求都能够满足,并且只能由一台农机服务一次,不接受多台农机的多次服务,即:
(4)每台农机出发后不能在农机点之间行驶,在农机点之间行驶的路线是无效的,只能出发去往作业点,即:
(5)农机在完成当前作业点的作业任务后必须离开该作业点,即:
(6)农机从农机点出发,在完成各个作业点的作业任务之后不能随意停放,或者将农机停放在其他的农机点,必须返回出发的农机点,即:
(7)农机的路径规划应满足初始订单所属农户的时间窗要求,非紧急情况下不能够违反,即:
(8)农机从当前作业点到下一个作业点的时间窗应满足以下条件,即:
式中T为一个很大的正数;
(9)每台农机当天作业的总时长应满足以下条件,农机当天的行驶时间与作业时间的总和不能超过规定的工作时长,即:
(10)农机在作业点的作业量满足以下关系式,即:
4.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述步骤三中的目标函数为:
将路径按照可作业时间分为A→B→C→D→E5个时段,由已经参与规划的作业点划分为4个可插入空间,为这4个部分和整个路径设置了约束条件:
(1)在A→B段中,农机从作业点A处出发,但是不能回到作业点A处,并且农机必须在作业点B结束并且不能离开作业点B处,即:
在A→B段中,农机到达作业点B处的时间必须早于作业点B时间窗的上界,即:
(2)同理,在B→C段的约束条件表达式为:
(3)在C→D段的约束条件表达式为:
(4)在D→E段的约束条件表达式为:
在整条路径的规划中,一个插入的作业点只能被插入到一个时间段中,避免重复插入;
(5)避免在不同时段重复插入同一作业任务:
(6)保证一个作业任务在整条路径中最多只被执行一次:
(7)ρi是到达作业点i的时间:
5.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述步骤四中求解农机调度混合整数线性规划模型的具体步骤为:
Step 1:釆用整数编码,1~n为农田作业点,(n+1)~(n+m)为农机点,按照解码规则剔除初始种群中不满足时间窗约束和作业时间约束的个体,此时初始种群的所有个体均为可行解;
Step 2:计算个体的适应值,适应度函数采用目标函数的倒数,并按照适应度值的降序进行排列;
Step 3:将问题整体划分为为一个精英子种群和两个普通种群,每个子种群各自按照设定的交叉概率和变异概率进化产生子代种群;
Step 4:计算新一代个体的适应值,判断进化是否满足终止条件,若满足,则结束并输出最优解;否则转至Step 4;
Step 5:依照农机的作业能力和订单时间窗约束在初始调度方案基础上,采用最近邻域搜索算法按照新订单与农机当前作业点的距离最近原则对动态订单进行规划,生成动态调度方案;
Step 6:对于农机型号的选择,采用改进的节约算法遵循单位作业面积消耗的农机功率最小原则调配合适的机型,同样不能违反初始订单的时间窗约束,此时,农机可以按照计划集中初始方案的可行方案选择路径;
Step 7:当出现农机故障导致作业停止时,紧急调度距离最近并且路径转移对于整体方案产生波动最小的农机前往救援,直到故障农机可以重新返回参与调度作业。
6.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述动态订单处理策略的具体步骤为:
Step 1:计算被插入节点与包括作业点和农机服务点在内的每对节点的运输距离;
Step 2:选择一对传输距离最小的节点;
Step 3:将节点从一个开始节点连接到一个结束节点,方法是按节点最早的时间升序访问该序列;
Step 4:将下一个节点尽可能地连接到先前连接的结束节点,以形成一个路由,直到所有节点都被分配到不同的路由为止;
Step 5:安排路线,使作业车辆在结束上一个时段的访问序列后开启此时段的访问序列;
Step 6:按顺序将车辆分配到线路,直到满足所有订单的需求和时间窗。
7.根据权利要求1所述的基于订单资源共享和农机资源共用的农机调度方法,其特征在于,所述步骤四中,作业机型选择策略是采用改进的节约算法来确定农机行驶路线和农机型号,具体包括:
首先,通过对已经接收的订单进行规划,对于每个农田作业点已经确定了一条特定的路径进行作业任务,这些路线将会组合到一起重新根据约束条件进行优化;此时,每条路径相对于不同型号作业的农机都可以计算出一个行驶时间,将最小行驶时间记为Td:
Sjw:将作业点w插入到作业点j所在的路径中所能节省的时间;
tjw:作业点w与作业点j之间的行驶时间(假设tjw=twj);
tdw:农机点d与作业点w之间的行驶时间;
tdj:农机点d与作业点j之间的行驶时间;
故,
Sjw=tdw+tdj-tjw;
Sjw将按数值的降序排列,具有较高等级排名的路线具有较大的概率被选择,然后从最大的Sjw相关路径开始优化;
如果新路径满足问题的约束条件不形成子线路,并且能够满足如下式的时间窗约束条件,则可以接受新订单的插入,否则将拒绝插入新作业点;
Qr:路径Qr的全部作业量总和;
Pk:该型号农机单位时间的作业量,也就是农机的功率,
故
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251605.2A CN114626718A (zh) | 2022-03-15 | 2022-03-15 | 一种基于订单资源共享和农机资源共用的农机调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210251605.2A CN114626718A (zh) | 2022-03-15 | 2022-03-15 | 一种基于订单资源共享和农机资源共用的农机调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626718A true CN114626718A (zh) | 2022-06-14 |
Family
ID=81902690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210251605.2A Pending CN114626718A (zh) | 2022-03-15 | 2022-03-15 | 一种基于订单资源共享和农机资源共用的农机调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114626718A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392800A (zh) * | 2022-10-28 | 2022-11-25 | 吉林省惠胜开网络科技有限公司 | 一种基于大数据的现代农业机械自动化作业调配方法 |
CN116503138A (zh) * | 2023-05-04 | 2023-07-28 | 杭州妙壹科技有限公司 | 一种基于异步编程的话费充值订单调度方法与系统 |
CN117575123A (zh) * | 2024-01-15 | 2024-02-20 | 成都电科星拓科技有限公司 | 播种路径规划方法、装置、电子设备和可读存储介质 |
-
2022
- 2022-03-15 CN CN202210251605.2A patent/CN114626718A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392800A (zh) * | 2022-10-28 | 2022-11-25 | 吉林省惠胜开网络科技有限公司 | 一种基于大数据的现代农业机械自动化作业调配方法 |
CN116503138A (zh) * | 2023-05-04 | 2023-07-28 | 杭州妙壹科技有限公司 | 一种基于异步编程的话费充值订单调度方法与系统 |
CN116503138B (zh) * | 2023-05-04 | 2023-10-31 | 杭州妙壹科技有限公司 | 一种基于异步编程的话费充值订单调度方法与系统 |
CN117575123A (zh) * | 2024-01-15 | 2024-02-20 | 成都电科星拓科技有限公司 | 播种路径规划方法、装置、电子设备和可读存储介质 |
CN117575123B (zh) * | 2024-01-15 | 2024-03-29 | 成都电科星拓科技有限公司 | 播种路径规划方法、装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114626718A (zh) | 一种基于订单资源共享和农机资源共用的农机调度方法 | |
CN110097234B (zh) | 工业卷烟运输智能调度方法及系统 | |
Maciejewski et al. | Large-scale microscopic simulation of taxi services | |
Yan et al. | An optimal scheduling model for ready mixed concrete supply with overtime considerations | |
Yu et al. | Parallel genetic algorithm in bus route headway optimization | |
Liu et al. | Integrated scheduling of ready-mixed concrete production and delivery | |
CN109117993B (zh) | 一种车辆路径优化的处理方法 | |
Jiang et al. | Information sharing and bullwhip effect in smart destination network system | |
CN113811915A (zh) | 用于在线共享出行平台的统一订单派发和车队管理 | |
CN105868843A (zh) | 一种面向货品配送的路线规划方法 | |
US20100299177A1 (en) | Dynamic bus dispatching and labor assignment system | |
Zhao et al. | An integrated approach of train scheduling and rolling stock circulation with skip-stopping pattern for urban rail transit lines | |
CN107015856A (zh) | 云环境下科学工作流中的任务调度方案生成方法及装置 | |
CN101916404A (zh) | 一种装备制造过程多厂协同调度优化方法 | |
Hosseinian et al. | Modeling of the time-dependent multi-skilled RCPSP considering learning effect: An evolutionary solution approach | |
CN104842564B (zh) | 一种基于nsga‑ii的三维打印多任务优化调度方法 | |
CN109635510B (zh) | 铁路货车并行检修线设置方法 | |
CN110991784B (zh) | 一种用于异常低压台区派工的方法及系统 | |
CN111127274B (zh) | 一种社区居家养老服务调度与路径规划方法和装置 | |
CN114399095A (zh) | 基于云边端协同的动态车辆配送路径优化方法及装置 | |
Mayteekrieangkrai et al. | Optimized ready mixed concrete truck scheduling for uncertain factors using bee algorithm. | |
Asghari et al. | Environmental and social implications of incorporating carpooling service on a customized bus system | |
Leffler et al. | Simulation of fixed versus on-demand station-based feeder operations | |
Soriano et al. | The multi-depot vehicle routing problem with profit fairness | |
Gao et al. | BM-DDPG: An integrated dispatching framework for ride-hailing systems |
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 |