CN114862313A - 一种基于bp神经网络的组合规则动态选取方法 - Google Patents
一种基于bp神经网络的组合规则动态选取方法 Download PDFInfo
- Publication number
- CN114862313A CN114862313A CN202210480920.2A CN202210480920A CN114862313A CN 114862313 A CN114862313 A CN 114862313A CN 202210480920 A CN202210480920 A CN 202210480920A CN 114862313 A CN114862313 A CN 114862313A
- Authority
- CN
- China
- Prior art keywords
- task
- robot
- scheduling
- time
- dynamic
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000032258 transport Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于BP神经网络的组合规则动态选取方法,包括以下步骤:1)通过使用RMFS系统的动态任务调度,构建考虑最小化任务完成时间、最小化路径长度、最小化移动机器人使用数量的动态任务调度多目标模型;2)利用步骤1)的多目标模型建立包含五种规则的调度规则库,提出基于BP神经网络模型的组合规则动态选取策略,并设计仿真实验,证明该组合规则动态选取策略能够在系统时变的情况下仍具有良好的适应性。本发明能够提高仓储系统出入库作业效率、降低物流成本。
Description
技术领域
本发明属于移动机器人拣选系统(Robotic Mobile Fulfillment System,RMFS)任务调度技术领域,具体涉及一种基于BP神经网络的组合规则动态选取方法。
背景技术
智能制造是一项重点发展的领域,随着全球劳动力成本的上升,越来越多的电子商务零售商使用移动机器人代替人力进行货物运输和交付,拥有移动机器人系统(RoboticMobile Fulfillment System,RMFS)的新型仓库系统应运而生。该系统库存周转率快、进出库效率要求高、SKU数量大,在烟草、医药及冷链物流等行业具有广泛用途。
虽然该RMFS系统相较于传统仓储系统拥有较多优势,然而,当系统同时收到多个订单时,现有的调度方法可能会做出不合理的决定,导致整个订单的打包延迟,降低仓库的性能。因此,采取合理的任务调度决策是提高仓库性能的有效手段,而这在很大程度上取决于调度规则的选取,当多个订单到达之后,如何对多台移动机器人进行动态协同调度,成为让仓库系统高质量稳定运行的关键问题。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种基于BP神经网络的组合规则动态选取方法,能够提高仓储系统出入库作业效率、降低物流成本。
为了实现上述目的,本发明采用的技术方案是:
一种基于BP神经网络的组合规则动态选取方法,包括以下步骤:
1)通过使用RMFS系统的动态任务调度,构建考虑最小化任务完成时间、最小化路径长度、最小化移动机器人使用数量的动态任务调度多目标模型;
2)利用步骤1)的多目标模型建立包含五种规则的调度规则库,提出基于BP神经网络模型的组合规则动态选取策略,并设计仿真实验,证明该组合规则动态选取策略能够在系统时变的情况下仍具有良好的适应性。
所述RMFS系统包括拣选任务和充电任务,所述拣选任务是指系统中需要处理的订单,由移动机器人将目标货架搬运至拣选台供工作人员拣选;
充电任务是指当移动机器人电量不满足拣选任务的执行需求时,需要先前往充电区域进行充电。
所述RMFS系统的动态任务调度为系统中的任务i动态到达,如何合理地指派移动机器人ri完成该任务使总成本最低,包含移动机器人指派决策问题和移动机器人接收决策问题;
1)移动机器人指派决策问题:当移动机器人处于空闲状态时,系统可以指派移动机器人何时去处理某个任务;
2)移动机器人接收决策问题:移动机器人具有自主决策能力,能够在系统为其指派的任务中选择最合适的任务并执行。
所述构建动态任务调度多目标模型,目标模型中的目标函数为移动机器人r完成任务级S的所花费的总成本最小,具体公式为:
FC=ω1TC+ω2PC+ω3RC
s.t.ω1+ω2+ω3=1,ωx∈[0,1]
其中,TC为任务完成时间、PC为路径长度、RC为机器人使用数量,ω1、ω2、ω3为0~1之间的权重值。
所述任务完成时间过程的具体公式为:
式中,i,j为任务索引,r为机器人索引,k为拣选台索引,ri为执行第i个任务的机器人r,Si为任务i的目标货架位置,即任务起始点,Dik为任务i的目标拣选台位置,即任务目标点,Cr为机器人r的当前位置,为机器人r完成任务i之后,继续处理任务j,为任务i起始点Si行驶至目标点Dik的距离,为机器人由当前位置Cr行驶至任务i起点Si的距离,v为机器人行驶的平均速度,ECRr为机器人r的当前电量,EHri为完成任务i机器人r所需的电量,ti为任务i到达系统的时间,为任务i开始处理的时间,为任务i处理完成的时间,为机器人r处于当前位置的时间,为机器人r完成任务i后至开始处理任务j的时间,为机器人r由当前位置至任务i的起点Si的时间,tEHri为为完成任务i机器人r需要先充电的充电时间,tEri为充电任务中机器人r的充电时间,为机器人r由当前位置Cr往返充电区域H的时间,为0-1变量,若机器人r在处理完任务i后继续处理任务j则为1,否则为0。
所述路径长度的公式表示为:
移动机器人使用数量的数学语言描述为:
式中,n为常数因子,Rr为0-1变量,若机器人r在系统中被调度执行任务i则为1,否则为0。
所述步骤2)中,通过建立规则库的方式进行动态调度,以满足RMFS系统的实时动态调度要求,规则库包括以下五种规则:
1)优先最短移动距离规则(First Shortest Move Distance,FSMD-1)
若某空闲机器人r与任务i的起始点之间的距离最短,那么系统将该任务i指派给此机器人r;
2)优先最短移动时间规则(First Shortest Time Distance,FSTD)
若某空闲机器人r移动至任务i的起始点的时间最小,那么系统将该任务i指派给此机器人r;与优先最短移动距离规则不同,该规则允许系统向正在执行任务的机器人进行任务指派,待其完成上一任务后,开始执行任务i;
3)优先最少机器人使用数量规则(First Least Robot Quantity-used,FLRQ)
系统在进行任务指派时,同等条件下,优先选择已经执行过其他任务的机器人,这样能够减少机器人使用数量,降低企业成本;
4)优先最短移动距离规则(First Shortest Move Distance,FSMD-2)
对于机器人来说,在在机器人接收到的指派任务队列中,机器人优先选择距离最近的任务并执行,同时驳回其他任务;
5)先到先服务规则(First Come First Service,FCFS)
对于机器人来说,在机器人接收到的指派任务队列中,机器人优先选择最先接收到的任务并执行,同时驳回其他任务。
进入实时阶段进行RMFS系统的动态任务调度,在每个调度决策点t时刻,系统有新任务到达,触发系统进行决策,假设任务为i,调度的目标权重ω=(ω1TC,ω2PC,ω3RC),那么调度系统能够通过BP神经网络找到令目标函数值最小的组合调度规则,其公式表示为:
λe=argmin(ω1TC+ω2PC+ω3RC),λ∈Λ。
其中,TC为任务完成时间、PC为路径长度、RC为机器人使用数量,ω1、ω2、ω3为0~1之间的权重值。
本发明的有益效果:
本发明针对RMFS系统中任务调度问题,构建了考虑最小化任务完成时间、最小化路径长度、最小化移动机器人使用数量的动态任务调度多目标模型,建立了包含五种规则的调度规则库,设计了仿真实验,通过训练BP神经网络模型来寻找在不同的仓库系统配置和调度目标权重下所对应的最优组合规则,其预测准确率达到0.82。在动态环境的仿真中,对比组合规则动态选取策略和固定规则策略的阶段订单处理数量变化,发现当系统状态发生改变时,动态选取策略能在相同的时间内处理更多的任务,相较于固定规则策略,动态选取规则能够更好地适应系统变化。实验表明,通过BP神经网络证明了组合规则动态选取策略能够在系统时变的情况下仍具有良好的适应性,能够根据具体情况选择合适的任务调度策略,最大程度避免因策略选择不当出现的完成时间过长、移动路径过长、机器人使用数量过多等情况,从而达到提高仓储系统出入库作业效率、降低物流成本的目的。
附图说明
图1为本发明的RMFS整体布局示意图。
图2为本发明的动态调度规则选取方法流程图。
图3为本发明的BP神经网络结构示意图。
图4为本发明的BP神经网络迭代曲线图。
图5为本发明的组合规则与固定规则对比实验结果。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参见图1,出、入库区用于商品的出、入库作业和补货作业;中间的存储区用于可移动货架及SKU的存放;左侧的拣选台用于拣货员对搬运至拣选台的货架进行拣选以及拣选订单的缓存;打包区,订单经过拣选和核对后,运至打包区进行包装;充电区用于移动机器人的停放和充电。
参见图2,为实现动态任务调度规则库中组合规则的动态选取,假定存在一个知识库,存储所有可能的调度规则,对于任意给定的任务集,都可以通过检索知识库,选择出较优的组合规则来进行调度。搭建基于BP神经网络的RMFS动态任务调度知识学习模型,将获取的训练数据输入到该模型中进行训练学习,通过逐步调整神经权重,直到网络将所有训练输入正确映射到相应的训练输出,得到RMFS系统状态与当前状态下的最佳调度规则的映射知识网络。该知识网络将作为调度决策器并应用于RMFS系统的在线实时调度中,当系统中出现调度决策点时,将当前的系统状态输入调度知识学习模型后,便能立即触发,得到适用于当前系统状态的最佳组合调度规则,实时指导RMFS系统的生产过程。
参见图3,本申请选择采用结构为3层的BP神经网络构建RMFS动态任务调度知识学习模型,其中包括输入层、单层隐藏层以及输出层。输入层神经元数目取决于生产系统状态的个数,该问题的输入层共4维,包括机器人数量、可移动货架位置情况、拣选台状态以及调度目标权重系数;输出参数对应着输出层神经元,并取决于调度规则的数目,一般为一组m维向量,表示对m组调度规则的最优隶属度,隶属度数值取值范围为[0,1];隐藏层神经元数目为:
Nhid=2Nin+1
式中,Nhid为隐藏层神经元数量,Nin为输入层神经元数量。
为验证组合调度规则在RMFS系统中的动态任务调度性能进行仿真验证:
1.1仿真实验参数设置:
RMFS系统规模如下:移动机器人数量为20台,拣选区可移动货架为6排6列均匀分布,每组货架有2列6行共12个货位,货位的间距为1.2m,相邻货架的横向间隔为2.4m,纵向间隔为1.2m。拣选台数量有5台,间距为2.4m,每个拣选工作台配套一名拣选员和一组缓存货架,每个缓存货架配有3个缓存货位。
系统设定的运行时间为1800s,每300s会变动一次系统的硬件配置,以验证调度方法随系统配置变动的适应性。为得到调度规则在不同系统配置下的调度性能变化,将会调整设备数量和调度的目标权重系数,系统配置的变化范围如表1所示。RMFS系统无法预知客户订单,且随着时间推移会不断产生新的订单,因此系统中的拣选任务会随机到达,假设任务到达时间间隔服从正态分布,Δt的初始值设为5s,如下式:
ti~N(ti-1+Δt,σ2)
1.2仿真实验及结果分析:
1)实验一:基于BP神经网络的组合规则动态选取实验:
通过训练BP神经网络模型来寻找在不同的仓库系统配置和调度目标权重下所对应的最优组合规则。采用Softmax作为输出层激励函数,使用Adam作为优化器迭代地更新神经网络权重。图4是采用神经网络的动态规则选取方法的训练过程及结果,图中可以看出BP神经网络模型对最优规则组合的预测准确率达到0.82。
2)实验二:组合规则动态选取策略与固定规则策略对比实验:
动态环境的仿真中,对比组合规则动态选取策略和固定规则策略的阶段订单处理数量变化。从图5中可以看出,当系统状态发生改变时,动态选取策略能在相同的时间内处理更多的任务,相较于固定规则策略,动态选取规则能够更好地适应系统变化。
表1系统配置参数变化范围表
Claims (8)
1.一种基于BP神经网络的组合规则动态选取方法,其特征在于,包括以下步骤:
1)通过使用RMFS系统的动态任务调度,构建考虑最小化任务完成时间、最小化路径长度、最小化移动机器人使用数量的动态任务调度多目标模型;
2)利用步骤1)的多目标模型建立包含五种规则的调度规则库,提出基于BP神经网络模型的组合规则动态选取策略,并设计仿真实验,证明该组合规则动态选取策略能够在系统时变的情况下仍具有良好的适应性。
2.根据权利要求1所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,所述RMFS系统包括拣选任务和充电任务,所述拣选任务是指系统中需要处理的订单,由移动机器人将目标货架搬运至拣选台供工作人员拣选;
充电任务是指当移动机器人电量不满足拣选任务的执行需求时,需要先前往充电区域进行充电。
3.根据权利要求1所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,所述RMFS系统的动态任务调度为系统中的任务i动态到达,如何合理地指派移动机器人ri完成该任务使总成本最低,包含移动机器人指派决策问题和移动机器人接收决策问题;
1)移动机器人指派决策问题:当移动机器人处于空闲状态时,系统可以指派移动机器人何时去处理某个任务;
2)移动机器人接收决策问题:移动机器人具有自主决策能力,能够在系统为其指派的任务中选择最合适的任务并执行。
4.根据权利要求1所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,所述构建动态任务调度多目标模型,目标模型中的目标函数为移动机器人r完成任务级S的所花费的总成本最小,具体公式为:
FC=ω1TC+ω2PC+ω3RC
s.t.ω1+ω2+ω3=1,ωx∈[0,1]
其中,TC为任务完成时间、PC为路径长度、RC为机器人使用数量,ω1、ω2、ω3为0~1之间的权重值。
5.根据权利要求1所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,所述任务完成时间过程的具体公式为:
式中,i,j为任务索引,r为机器人索引,k为拣选台索引,ri为执行第i个任务的机器人r,Si为任务i的目标货架位置,即任务起始点,Dik为任务i的目标拣选台位置,即任务目标点,Cr为机器人r的当前位置,为机器人r完成任务i之后,继续处理任务j,为任务i起始点Si行驶至目标点Dik的距离,为机器人由当前位置Cr行驶至任务i起点Si的距离,v为机器人行驶的平均速度,ECRr为机器人r的当前电量,EHri为完成任务i机器人r所需的电量,ti为任务i到达系统的时间,为任务i开始处理的时间,为任务i处理完成的时间,为机器人r处于当前位置的时间,为机器人r完成任务i后至开始处理任务j的时间,为机器人r由当前位置至任务i的起点Si的时间,tEHri为为完成任务i机器人r需要先充电的充电时间,tEri为充电任务中机器人r的充电时间,为机器人r由当前位置Cr往返充电区域H的时间,为0-1变量,若机器人r在处理完任务i后继续处理任务j则为1,否则为0。
7.根据权利要求1所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,所述步骤2)中,通过建立规则库的方式进行动态调度,以满足RMFS系统的实时动态调度要求,规则库包括以下五种规则:
1)优先最短移动距离规则:
若某空闲机器人r与任务i的起始点之间的距离最短,那么系统将该任务i指派给此机器人r;
2)优先最短移动时间规则:
若某空闲机器人r移动至任务i的起始点的时间最小,那么系统将该任务i指派给此机器人r;与优先最短移动距离规则不同,该规则允许系统向正在执行任务的机器人进行任务指派,待其完成上一任务后,开始执行任务i;
3)优先最少机器人使用数量规则:
系统在进行任务指派时,同等条件下,优先选择已经执行过其他任务的机器人,这样能够减少机器人使用数量,降低企业成本;
4)优先最短移动距离规则:
对于机器人来说,在在机器人接收到的指派任务队列中,机器人优先选择距离最近的任务并执行,同时驳回其他任务;
5)先到先服务规则:
对于机器人来说,在机器人接收到的指派任务队列中,机器人优先选择最先接收到的任务并执行,同时驳回其他任务。
8.根据权利要求7所述的一种基于BP神经网络的组合规则动态选取方法,其特征在于,进入实时阶段进行RMFS系统的动态任务调度,在每个调度决策点t时刻,系统有新任务到达,触发系统进行决策,假设任务为i,调度的目标权重ω=(ω1TC,ω2PC,ω3RC),那么调度系统能够通过BP神经网络找到令目标函数值最小的组合调度规则,其公式表示为:
λe=argmin(ω1TC+ω2PC+ω3RC),λ∈Λ;
其中,TC为任务完成时间、PC为路径长度、RC为机器人使用数量,ω1、ω2、ω3为0~1之间的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480920.2A CN114862313B (zh) | 2022-05-05 | 2022-05-05 | 一种基于bp神经网络的组合规则动态选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480920.2A CN114862313B (zh) | 2022-05-05 | 2022-05-05 | 一种基于bp神经网络的组合规则动态选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862313A true CN114862313A (zh) | 2022-08-05 |
CN114862313B CN114862313B (zh) | 2024-06-28 |
Family
ID=82635189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480920.2A Active CN114862313B (zh) | 2022-05-05 | 2022-05-05 | 一种基于bp神经网络的组合规则动态选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862313B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115609608A (zh) * | 2022-12-02 | 2023-01-17 | 北京国安广传网络科技有限公司 | 一种全天候健康管理机器人 |
WO2024108002A1 (en) * | 2022-11-18 | 2024-05-23 | Zebra Technologies Corporation | System and method for scheduling tasks for mobile robots |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5432887A (en) * | 1993-03-16 | 1995-07-11 | Singapore Computer Systems | Neural network system and method for factory floor scheduling |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
-
2022
- 2022-05-05 CN CN202210480920.2A patent/CN114862313B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5432887A (en) * | 1993-03-16 | 1995-07-11 | Singapore Computer Systems | Neural network system and method for factory floor scheduling |
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108002A1 (en) * | 2022-11-18 | 2024-05-23 | Zebra Technologies Corporation | System and method for scheduling tasks for mobile robots |
CN115609608A (zh) * | 2022-12-02 | 2023-01-17 | 北京国安广传网络科技有限公司 | 一种全天候健康管理机器人 |
Also Published As
Publication number | Publication date |
---|---|
CN114862313B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111048B (zh) | 仓储系统中的订单任务调度方法 | |
CN114862313B (zh) | 一种基于bp神经网络的组合规则动态选取方法 | |
Ene et al. | Storage location assignment and order picking optimization in the automotive industry | |
Kuo et al. | Application of metaheuristics-based clustering algorithm to item assignment in a synchronized zone order picking system | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
CN110533484A (zh) | 一种基于pca和改进bp神经网络的产品销量预测方法 | |
CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
CN110717684B (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
Pérez-Rodríguez et al. | A continuous estimation of distribution algorithm for the online order-batching problem | |
CN116542365A (zh) | 移动机器人履行系统中订单分配和agv调度联合优化方法 | |
CN113044458A (zh) | 一种物流机器人动态任务分配方法及系统 | |
Jiang | Solving multi-robot picking problem in warehouses: a simulation approach | |
Chawla et al. | Sustainable multi-objective scheduling for automatic guided vehicle and flexible manufacturing system by a grey wolf optimization algorithm | |
Wang et al. | Storage assignment optimization for fishbone robotic mobile fulfillment systems | |
CN116796910B (zh) | 基于货物分配策略的订单分批优化方法 | |
Jin et al. | Dynamic scheduling of mobile-robotic warehouse logistics system | |
Kumar et al. | Integrated scheduling of part, tool and automated guided vehicles in a flexible manufacturing system using modified genetic algorithm | |
CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
CN115222340A (zh) | 基于智能仓储的货物调度管理方法及相关装置 | |
Wang et al. | A multi-stage heuristic algorithm for matching problem in the modified miniload automated storage and retrieval system of e-commerce | |
Zhang et al. | A genetic-algorithm based method for storage location assignments in mobile rack warehouses | |
Zu et al. | Optimization of order picking work flow at the e-commerce logistics centers | |
Ha et al. | Optimization of Cube Storage Warehouse Scheduling Using Genetic Algorithms | |
Yue et al. | Minimizing Robot Digging Times to Retrieve Bins in Robotic-Based Compact Storage and Retrieval Systems | |
CN110969378A (zh) | 一种仓库物品配置方法和装置 |
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 |