CN115034945A - 流水线车间分批生产与车辆配送集成调度方法及装置 - Google Patents

流水线车间分批生产与车辆配送集成调度方法及装置 Download PDF

Info

Publication number
CN115034945A
CN115034945A CN202210721173.7A CN202210721173A CN115034945A CN 115034945 A CN115034945 A CN 115034945A CN 202210721173 A CN202210721173 A CN 202210721173A CN 115034945 A CN115034945 A CN 115034945A
Authority
CN
China
Prior art keywords
vehicle
delivery
strategy
production
batch production
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
Application number
CN202210721173.7A
Other languages
English (en)
Inventor
杜百岗
黄铭
郭钧
彭兆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210721173.7A priority Critical patent/CN115034945A/zh
Publication of CN115034945A publication Critical patent/CN115034945A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种流水线车间分批生产与车辆配送集成调度方法及装置，其方法包括：获取零售商的订单时间窗，确定所述订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于所述提前到达限制、所述延迟到达限制以及承载率不同的异构车辆约束构建流水车间分批生产与车辆配送集成调度模型；基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。本发明有效的解决流水车间生产批次和车辆配送的复杂协调问题，从而获得分批生产与车辆配送的最佳集成调度方案，实现了最大化的经济效益和尽可能高的客户满意度。

Description

流水线车间分批生产与车辆配送集成调度方法及装置
技术领域
本发明涉及流水车间生产配送集成调度技术领域，具体涉及一种流水线车间分批生产与车辆配送集成调度方法及装置。
背景技术
生产和配送是供应链管理中的重要问题，生产和配送之间的不协调将导致更高的制造成本和更长的交货时间。集成生产和配送的决策在供应链中变得至关重要。它不仅可以消除生产中的盲目性以节省成本、提高效率，而且可以快速高效地响应客户需求，使企业能够为客户提供更灵活、更可靠的服务。尤其是针对快消品制造企业，产品被在流水车间分批生产，然后交由配送车队进行配送。由于客户对产品的需求是多种多样的，需求量也随时间变化。生产线需要停产和重新准备，以满足多产品不定数量的需求。由于多生产线、多产品批次生产的特点，批次内多产品的同时生产以及协调生产批次和车辆配送变得至关重要。一个合理的集成调度方案可以更灵活地安排生产批次的调度，并且可以更好地实现批次内部和批次之间、批次和车辆配送之间的协调。在现实工业的路由中，实际的订单配送时间限制是个软性期望。订单并非被强硬的要求必须在时间限制内到达，而是说配送超出时间限制后会造成一定惩罚或顾客满意度的流失。并且现实工厂的车队往往由数量受限的异构车辆构成。
现有技术中的研究集中在配送截止日期、只考虑延迟惩罚的单边时间窗限制和同构车辆配送的情况上。对于考虑提前和延迟惩罚的双边软时间窗、数量受限的承载率不同的异构车辆等情况的同时考虑的研究相对罕见。而只考虑延迟惩罚的单边时间窗限制和承载率相同的同构车辆配送的情况上会导致生成的流水车间分批生产与车辆配送集成调度方案中的批次和配送车辆之间的协调性无法保证，且无法最大化经济效益和客户满意度。
因此，急需提供一种流水线车间分批生产与车辆配送集成调度方法及装置，解决现有技术中未考虑双边软时间窗以及异构车辆的情况，导致生成的流水车间分批生产与车辆配送集成调度方案中的批次和配送车辆之间的协调性无法保证，且无法最大化经济效益和客户满意度的技术问题。
发明内容
有鉴于此，有必要提供一种流水线车间分批生产与车辆配送集成调度方法及装置，用以解决现有技术中存在的未考虑双边软时间窗以及异构车辆的情况，导致生成的流水车间分批生产与车辆配送集成调度方案中的批次和配送车辆之间的协调性无法保证，且无法最大化经济效益和客户满意度的技术问题。
一方面，本发明提供了一种流水线车间分批生产与车辆配送集成调度方法，包括：
获取零售商的订单时间窗，确定所述订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于所述提前到达限制、所述延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
在一些可能的实现方式中，所述流水车间分批生产与车辆配送集成调度模型包括总利润最大化子模型以及总惩罚时间最小化子模型，所述总利润最大化子模型为：
Figure BDA0003710331160000021
Figure BDA0003710331160000031
Figure BDA0003710331160000032
Figure BDA0003710331160000033
Figure BDA0003710331160000034
Figure BDA0003710331160000035
所述总惩罚时间最小化子模型为：
Figure BDA0003710331160000036
式中，p为产品索引，p＝(1,2,……P)，Prp为产品p的平均售价；Pcp为产品p的平均成本；Dk,p为零售商k对产品p的需求量；i为批次生产顺序索引，i＝(1,2,……I)；Tsp,B(i+1)为第i+1个生产批次B(i+1)中产品p的生产开始时间；Tcp,B(i)为第i个生产批次B(i)中产品p的生产完成时间；Hc为每托盘产品的库存持有成本；Op为单位产品p占据每个托盘的容量；Qp,B(i)为生产批次B(i)中产品p的数量；TdB(i)为生产批次所对应的巡回环配送出发时间；v为配送车辆索引，v＝(1,2,……V)；Fcv为配送车辆v的固定启动成本；Vcv为配送车辆v的单位时间可变运行成本；h为配送车辆执行的巡回环索引；Hv为配送车辆v执行的巡回环数量；k为零售商索引，k＝(1,2,……n)；T0,k为从起始位置的工厂到零售商k的旅行时间；Tk,l为从零售商k到零售商l的旅行时间；Re为单位托盘产品的延迟达到惩罚率；ek为配送车辆达到零售商k的订单时间窗的最迟到达时间；ak为配送车辆到达零售商k的到达时间；Rd为单位托盘产品的提前到达惩罚率；lk为配送车辆到达零售商k的订单时间窗的最早到达时间。
在一些可能的实现方式中，所述流水车间分批生产与车辆配送集成调度模型还包括约束条件，所述约束条件为：
Figure BDA0003710331160000041
Figure BDA0003710331160000042
Figure BDA0003710331160000043
Figure BDA0003710331160000044
Figure BDA0003710331160000045
Figure BDA0003710331160000046
Figure BDA0003710331160000047
Figure BDA0003710331160000048
Figure BDA0003710331160000049
Figure BDA00037103311600000410
Figure BDA00037103311600000411
Figure BDA00037103311600000412
Figure BDA0003710331160000051
Figure BDA0003710331160000052
其中，
Figure BDA0003710331160000053
Figure BDA0003710331160000054
Figure BDA0003710331160000055
Figure BDA0003710331160000056
式中，Tsp,B(i)为第i个生产批次B(i)中产品p的生产开始时间；M为预设常数；al为配送车辆到达零售商l的到达时间；Tl,n+1为从零售商l到最终位置的工厂n+1的旅行时间。
在一些可能的实现方式中，所述基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案，包括：
步骤一、获取初始化种群，所述初始化种群包括多个初始化个体；
步骤二、对多个初始化个体进行编码，获得多个编码方案，所述多个编码方案中的各编码方案表示各零售商订单的配送车辆选择方案；
步骤三、基于巡回环划分策略和所述配送车辆选择方案获取巡回划分方案，所述巡回划分方案中包括多个巡回环，每一巡回环上的产品组成一个生产批次；
步骤四、基于优化策略配送惩罚时间模型确定各生产批次的生产顺序及其理想最佳配送时间；
步骤五、基于无等待调度的双向调度策略协调生产批次和车辆配送，获得待确认分批生产与车辆配送集成调度方案，并确定所述多个初始化个体中各初始化个体的适应度值；
步骤六、根据所述适应度值对所述初始化种群进行选择、交叉、变异操作，获得新一代种群以及当前帕累托前沿；
步骤七、判断种群的迭代进化次数是否大于阈值次数，若种群的迭代进化次数大于阈值次数，则所述当前帕累托前沿为所述最佳分批生产与车辆配送集成调度方案，若种群的迭代进化次数小于或等于阈值次数，则将所述新一代种群作为所述初始化种群，并重复步骤二～步骤七。
在一些可能的实现方式中，所述优化策略配送惩罚时间模型为：
Figure BDA0003710331160000061
式中；DPT为超出订单时间窗的交付订单的惩罚时间；t为配送车辆的出发时间；k1为第一斜率系数；k2为第二斜率系数；c1为第一截距系数；c2为第二截距系数；t1为订单时间窗对对应的配送车辆的第一出发时间点；t2为零售商的订单时间窗对对应的配送车辆的第二出发时间点。
在一些可能的实现方式中，所述无等待调度的双向调度策略包括具有递进关系的第一调度子策略、第二调度子策略和第三调度子策略；
所述第一调度子策略为最大化的生产批次调整范围策略；
所述第二调度子策略为最早交货时间策略；
所述第三调度子策略为库存成本与生产启动设置成本的权衡策略。
在一些可能的实现方式中，所述基于无等待调度的双向调度策略协调生产批次和车辆配送，获得待确认分批生产与车辆配送集成调度方案，包括：
步骤八、执行所述第一调度子策略，获得第一分批生产与车辆配送集成调度方案；
步骤九、依次顺序执行所述第二调度子策略和第三调度子策略，获得调整分批生产与车辆配送集成调度方案；
步骤十、判断所述调整分批生产与车辆配送集成调度方案是否为无等待调度策略；若所述调整批次生产策略为无等待调度策略，则所述调整分批生产与车辆配送集成调度方案为所述待确认分批生产与车辆配送集成调度方案；若所述调整批次生产策略不为无等待调度策略，则重复步骤九～步骤十。
在一些可能的实现方式中，在所述步骤六之后，还包括：
构建多种邻域结构，并基于轮盘赌机制从所述多种邻域结构中选择目标邻域结构；
基于所述目标邻域结构获得邻域个体集，并对所述当前帕累托前沿进行更新，获得更新帕累托前沿；
基于自适应大邻域搜索策略确定邻域结构权重；
基于精英保留策略对初始化种群、新一代种群以及邻域个体集进行修剪，获得精英保留种群。
在一些可能的实现方式中，所述邻域结构权重为：
Figure BDA0003710331160000071
ω1<ω2<ω3<ω4<ω5
式中，R为更新帕累托前沿替换当前帕累托前沿中的个体数量与当前帕累托前沿中个体数量的比值；ω为邻域结构权重。
另一方面，本发明还提供了一种流水线车间分批生产与车辆配送集成调度装置，包括：
模型构建单元，用于获取零售商的订单时间窗，确定所述订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于所述提前到达限制、所述延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
集成调度方案确定单元，用于基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
采用上述实施例的有益效果是：本发明提供的流水线车间分批生产与车辆配送集成调度方法，通过基于提前到达时间窗限制和延迟到达时间窗限制的双边软时间窗限制和承载率不同的异构车辆约束构建流水车间分批生产与车辆配送集成调度模型，可有效解决流水车间生产批次和车辆配送之间的复杂协调问题，然后基于多策略混合优化算法对流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案，可使获得的最佳分批生产与车辆配送集成调度方案最大化经济效益和客户满意度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的流水线车间分批生产与车辆配送集成调度方法的一个实施例流程示意图；
图2为本发明图1中S102的一个实施例流程示意图；
图3为本发明提供的优化策略配送惩罚时间模型的一个实施例结构示意图；
图4为本发明提供的执行第一调度子策略后的集成生产和配送方案的一个实施例结构示意图；
图5为本发明提供的执行第二调度子策略和第三调度子策略后的集成生产和配送方案的一个实施例流程示意图；
图6为本发明图2中S205的一个实施例流程示意图；
图7为本发明提供的基于ALNS策略更新当前帕累托前沿的一个实施例流程示意图；
图8为本发明提供的验证本发明提出的算法优越性的一个实施例结构示意图；
图9为本发明提供的流水线车间分批生产与车辆配送集成调度装置的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明实施例提供了一种流水线车间分批生产与车辆配送集成调度方法及装置，以下分别进行说明。
本发明实施例提供的流水线车间分批生产与车辆配送集成调度方法的发明构思在于：针对现有技术中的流水线车间分批生产与车辆配送集成方案的确定未考虑双边软时间窗和异构车辆约束的情况，导致无法实现最大化经济效益和客户满意度的技术问题，提出基于双边软时间窗限制和异构车辆约束构建流水车间分批生产与车辆配送集成调度模型，并对模型进行求解，获得最佳分批生产与车辆配送集成调度方案，可实现最大化经济效益和客户满意度。
图1为本发明提供的流水线车间分批生产与车辆配送集成调度方法的一个实施例流程示意图，如图1所示，流水线车间分批生产与车辆配送集成调度方法包括：
S101、获取零售商的订单时间窗，确定订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于提前到达限制、延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
S102、基于多策略混合优化算法对流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
与现有技术相比，本发明实施例提供的流水线车间分批生产与车辆配送集成调度方法，通过基于提前到达时间窗限制和延迟到达时间窗限制的双边软时间窗限制和承载率不同的异构车辆约束构建流水车间分批生产与车辆配送集成调度模型，可有效解决流水车间生产批次和车辆配送之间的复杂协调问题，然后基于多策略混合优化算法对流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案，可使获得的最佳分批生产与车辆配送集成调度方案最大化经济效益和客户满意度。
其中，异构车辆指的是承载率不相同的配送车辆。
在本发明的一些实施例中，流水车间分批生产与车辆配送集成调度模型包括总利润最大化子模型以及总惩罚时间最小化子模型，总利润最大化子模型为：
Figure BDA0003710331160000111
Figure BDA0003710331160000112
Figure BDA0003710331160000113
Figure BDA0003710331160000114
Figure BDA0003710331160000115
Figure BDA0003710331160000116
总惩罚时间最小化子模型为：
Figure BDA0003710331160000117
式中，p为产品索引，p＝(1,2,……P)，Prp为产品p的平均售价；Pcp为产品p的平均成本；Dk,p为零售商k对产品p的需求量；i为批次生产顺序索引，i＝(1,2,……I)；Tsp,B(i+1)为第i+1个生产批次B(i+1)中产品p的生产开始时间；Tcp,B(i)为第i个生产批次B(i)中产品p的生产完成时间；Hc为每托盘产品的库存持有成本；Op为单位产品p占据每个托盘的容量；Qp,B(i)为生产批次B(i)中产品p的数量；TdB(i)为生产批次所对应的巡回环配送出发时间；v为配送车辆索引，v＝(1,2,……V)；Fcv为配送车辆v的固定启动成本；Vcv为配送车辆v的单位时间可变运行成本；h为配送车辆执行的巡回环索引；Hv为配送车辆v执行的巡回环数量；k为零售商索引，k＝(1,2,……n)；T0,k为从起始位置的工厂到零售商k的旅行时间；Tk,l为从零售商k到零售商l的旅行时间；Re为单位托盘产品的延迟达到惩罚率；ek为配送车辆达到零售商k的订单时间窗的最迟到达时间；ak为配送车辆到达零售商k的到达时间；Rd为单位托盘产品的提前到达惩罚率；lk为配送车辆到达零售商k的订单时间窗的最早到达时间。
应当理解的是：本发明实施例中的流水车间分批生产与车辆配送集成调度模型是基于必要的模型假设构建的，模型假设具体为：
(1)流水车间由多条生产线组成，每条生产线只生产一种产品；(2)一个零售商对所有产品的需求形成一个订单，巡回分发的订单形成一个生产批次；(3)每个批次内的生产过程是不间断的B＝{B(1),B(2),…,B(I)}代表批次的生产顺序；(4)通过数量受限的异构车辆，将订单交付给零售商。每辆车从工厂出发，依次访问零售商并返回工厂；(5)假设所有零售商位置都在二维平面内，运输时间矩阵是对称且已知的；(6)生产工厂有足够的固定产能，足以在规划范围内满足零售商的总需求；(7)某条生产线上的一个批次，如果生产后不能立即发货，就会进入库存，这意味着不同生产线的同一批次产品的库存时间也不同；(8)车辆满载允许运输，产品允许混装；(9)允许一辆车进行多次行程。在每次旅行中，车辆连续交付，无需等待；(10)每个零售商的需求必须一次发货，不能单独发货。
在本发明的一些实施例中，流水车间分批生产与车辆配送集成调度模型还包括约束条件，所述约束条件为：
Figure BDA0003710331160000131
Figure BDA0003710331160000132
Figure BDA0003710331160000133
Figure BDA0003710331160000134
Figure BDA0003710331160000135
Figure BDA0003710331160000136
Figure BDA0003710331160000137
Figure BDA0003710331160000138
Figure BDA0003710331160000139
Figure BDA00037103311600001310
Figure BDA00037103311600001311
Figure BDA00037103311600001312
Figure BDA0003710331160000141
Figure BDA0003710331160000142
其中，
Figure BDA0003710331160000143
Figure BDA0003710331160000144
Figure BDA0003710331160000145
Figure BDA0003710331160000146
式中，Tsp,B(i)为第i个生产批次B(i)中产品p的生产开始时间；M为预设常数；al为配送车辆到达零售商l的到达时间；Tl,n+1为从零售商l到最终位置的工厂n+1的旅行时间。
其中，约束(1)-(3)是流水车间的生产约束。约束(1)表示生产批次内的订单在生产线上连续制造。约束(2)表示生产线上相邻批次的时间约束。约束(3)表示只有该批次所有产品都完成后才能交付该批产品。约束(4-(12)是对路由时间和顺序约束的描述。约束(4)表示从工厂到第一个零售商的时间约束。约束(5)表示巡回环上两个零售商的交货顺序和时间的约束。约束(6)表示车辆在完成当前交付任务并返回工厂之前不能进行下一次巡回环的执行。约束(7)-(8)确保在路由过程中零售商只被访问一次和离开一次。约束(9)意味着零售商只被一辆车辆访问。约束(10)-(11)表明在同一巡回环内零售商k后紧随着零售商l。如果零售商k由车辆v交付，则零售商l也将由车辆v交付，反之亦然。约束(12)确保某一车辆的前一巡回环被执行才会激活后一巡回环。约束(13)表示零售商k的订单的托盘容量不应超过其组成的生产批次所占用的托盘容量。约束(14)表示生产批次占用的托盘容量不应超过选择交付该批次产品的车辆的最大装载托盘数。
在本发明的一些实施例中，如图2所示，步骤S102包括：
S201、获取初始化种群，初始化种群包括多个初始化个体；
S202、对多个初始化个体进行编码，获得多个编码方案，多个编码方案中的各编码方案表示各零售商订单的配送车辆选择方案；
S203、基于巡回环划分策略和配送车辆选择方案获取巡回划分方案，巡回划分方案中包括多个巡回环，每一巡回环上的产品组成一个生产批次；
S204、基于优化策略配送惩罚时间模型确定各生产批次的生产顺序及其理想最佳配送时间；
S205、基于无等待调度的双向调度策略协调生产批次和车辆配送，获得待确认分批生产与车辆配送集成调度方案，并确定多个初始化个体中各初始化个体的适应度值；
S206、根据适应度值对初始化种群进行选择、交叉、变异操作，获得新一代种群以及当前帕累托前沿；
S207、判断种群的迭代进化次数是否大于阈值次数，若种群的迭代进化次数大于阈值次数，则当前帕累托前沿为最佳分批生产与车辆配送集成调度方案，若种群的迭代进化次数小于或等于阈值次数，则将新一代种群作为初始化种群，并重复步骤S202～步骤S207。
在本发明的具体实施例中，步骤S202中的编码方式为整数编码。例如：n个零售商由V个异构车辆配送。那么一个编码方案由n个基因位组成，每个基因位存储零售商选择的车辆编号。
其中，步骤S206中的选择操作具体如下：随机选择两个初始化个体N1和N2，如果N1被N2支配，则选择N2进行后续的交叉和变异操作，否则随机选择一个个体进行后续操作。重复上述过程，直到达到选择池的大小要求。
步骤S206中的交叉操作具体如下：随机选取初始化个体的两个基因位，将截取出来的片段进行交叉。
步骤S206中的变异操作具体如下：基于小概率的多个基因位的变异操作，目的是为多个零售商随机更换配送车辆，其中变异的基因位数量也是随机的。
其中，巡回环指的是一辆配送车辆从起始位置的工厂出发，经由至少一个零售商后，再返回至起始位置的工厂的过程。步骤S203中的巡回环划分策略为：将同一车辆交付的订单划分进入不同的巡回环时，我们不仅考虑了车辆容量限制，还增加了对双边软时间窗的考虑，以保证对零售商的高服务水平。如果只考虑车辆容量限制，配送车辆的承载率会更高更加经济。但将其与零售商的满意度相比，以牺牲一些经济效益为代价尽可能满足零售商的时间窗口要求更重要。因此，该巡回环划分策略首先将同一车辆交付的零售商根据其双边软时间窗进行排序。依次判断放置在哪个巡回环。然后在满足车辆容量限制的基础上，通过双边软时间窗得到的提前、延迟到达的惩罚时间来划分。值得注意的是，当最后一个零售商被划分时，由于没有后续零售商，所以如果它可以在本次巡回环中交付，则不会被考虑在下一次巡回环交付。每个巡回环中的产品组成一个批次。
在本发明的一些实施例中，如图3所示，优化策略配送惩罚时间模型为：
Figure BDA0003710331160000161
式中；DPT为超出订单时间窗的交付订单的惩罚时间；t为配送车辆的出发时间；k1为第一斜率系数；k2为第二斜率系数；c1为第一截距系数；c2为第二截距系数；t1为订单时间窗对对应的配送车辆的第一出发时间点；t2为零售商的订单时间窗对对应的配送车辆的第二出发时间点。
需要说明的是：请注意，第一斜率系数和第二斜率系数与零售商的产品数量和惩罚率有关。
应当理解的是：最小化的惩罚时间所对应的车辆的触发事件为理想最佳配送时间。由闭区间上连续函数的性质可知，对于分段线性函数最小值化必然存在于分段点处。如果相邻的分段点同时获得最小值，则可以在相邻分段点组成的区间内获得最小值区间。因此，无需计算范围内的所有节点，就可以通过优化策略配送惩罚时间模型找到理想最佳配送时间节点或时间区间。根据每批次的理想最佳配送时间，对行程进行非递减排序，得到相应批次的生产顺序。
一个批次的产品全部完成后，由选定的车辆立即配送，称为无等待调度。因此不会产生库存，这是一种理想的处理方式。由于多产线、多产品批次、分批生产的特点，容易造成批次与配送不匹配或时间冲突，因此，需要对批次和配送进行协调，使之尽可能满足无等待调度。为了实现上述目的，在本发明的一些实施例中，无等待调度的双向调度策略包括具有递进关系的第一调度子策略、第二调度子策略和第三调度子策略；
第一调度子策略为最大化的生产批次调整范围策略；
第二调度子策略为最早交货时间策略；
第三调度子策略为库存成本与生产启动设置成本的权衡策略。
第一调度子策略的执行步骤如下：从时间节点0开始，批次按生产顺序连续排列。只有这样，才能得到批次的最早开始生产时间节点；为了获得最大的调整范围，根据理想最佳配送时间的最晚节点，按照逆向的批次生产顺序进行批次调度使之尽可能的满足无等待调度。执行第一调度子策略后的集成生产和配送方案如图4所示。
由于第一调度子策略是为了获得最大化的批次调整范围，所以很可能会延长整个生产时间，甚至超过规定时间段，因此，需要按照无等待调度的原则，每次都更早的生产和配送，提出了第二调度子策略，第二调度子策略的执行步骤如下：根据生产顺序依次进行批次的向前调度。如果两个相邻批次之间有空闲时间，则意味着可以提前下一个批次的生产开始时间。为了仍然满足无等待调度则该批次的出发时间也可以提前。从而实现整个批次的向前调度。执行第二调度子策略后的集成生产和配送方案如图5所示。
为了在第二调度子策略的基础上，考虑分配生产对生产启动设置成本和库存成本的影响，提出了第三调度子策略，第三调度子策略的执行步骤如下：根据生产顺序依次判断批次是否提前生产。执行第三调度子策略后的集成生产和配送方案如图5所示。
由图4-图5可以看出：执行完第三调度子策略后，缩短了整体生产时间，并确保了配送时间。
在本发明的具体实施例中，如图6所示，步骤S205包括：
S601、执行第一调度子策略，获得第一分批生产与车辆配送集成调度方案；
S602、依次顺序执行第二调度子策略和第三调度子策略，获得调整分批生产与车辆配送集成调度方案；
S603、判断调整分批生产与车辆配送集成调度方案是否为无等待调度策略；若调整批次生产策略为无等待调度策略，则调整分批生产与车辆配送集成调度方案为待确认分批生产与车辆配送集成调度方案；若调整批次生产策略不为无等待调度策略，则重复步骤S602～步骤S603。
为了避免步骤S201～步骤S207的过早收敛，以提高局部寻优搜索能力，从而提高获得的帕累托前沿的可靠性，在本发明的一些实施例中，如图7所示，在步骤S206之后，步骤S207之前，还包括：
S701、构建多种邻域结构，并基于轮盘赌机制从多种邻域结构中选择目标邻域结构；
S702、基于目标邻域结构获得邻域个体集，并对当前帕累托前沿进行更新，获得更新帕累托前沿；
S703、基于自适应大邻域搜索策略(Adaptive Large Neighborhood Search，ALNS)确定邻域结构权重；
S704、基于精英保留策略对初始化种群、新一代种群以及邻域个体集进行修剪，获得精英保留种群。
在本发明的具体实施例中，多种邻域结构包括第一邻域结构，第二邻域结构、第三邻域结构和第四邻域结构。
第一邻域结构旨在优化配送车辆的使用，避免同一车辆的连续配送。如果相邻批次由同一辆车交付，则非首批次很可能会导致库存积压和交付时间延迟。因此，当有相邻批次由同一车辆交付时，为其中一个批次更换可用的车辆具有极大的概率优化当前解决方案。
第二邻域结构通过提升配送车辆的承载率来降低配送成本。当配送车辆所执行的巡回环的实际承载率越低，则该巡回环中的订单将会被替换配送车辆。
第三邻域结构为分离-聚集操作，随机选择部分基因位进行分离和聚集操作，并在选定的基因位中找到针对帕累托前沿上个体出现频率最低和最高的车辆编号。分离操作是对于选定的基因位，更改为频率最低的车辆编号。聚集操作是对于选定的基因位，更改为频率最高的车辆编号。
第四邻域结构为觅食-避敌操作，通过有意识地调整帕累托前沿的个体分布来扩展和优化当前的帕累托前沿。将当前帕累托前沿上最拥挤的个体视为敌人，将最不拥挤的个体视为食物。对于当前帕累托前沿上的每个个体，在接近食物和远离敌人的方向上执行局部搜索。
在本发明的一些实施例中，步骤S704具体为：将初始化种群、新一代种群以及邻域个体集进行合并，根据NSGA-II的非支配排序方法排列所有个体，根据非支配排序的序值挑选出符合种群咕哝的最优个体，形成精英保留种群。
在本发明的一些实施例中，邻域结构权重为：
Figure BDA0003710331160000201
式中，R为更新帕累托前沿替换当前帕累托前沿中的个体数量与当前帕累托前沿中个体数量的比值；ω为邻域结构权重。
其中，R越大，表示邻域结构执行得到的邻域个体集合越好。因此，为了提高优秀邻域结构的执行概率，ω1<ω2<ω3<ω4<ω5。
应当理解的是：第一次迭代前，每个邻域结构被分配相同的权重，每次迭代过程中，更新邻域结构权重。
为了验证本发明实施例提出的模型和算法的有效性，以长沙某罐装饮料制造企业的生产和配送实际应用为例，通过与其他算法的对比，验证了该方法的有效性。其中将生产线数量设置为3、异构配送车辆数量为5和零售商数量为30，并根据零售商的历史需求数据生成该实例。
为评估本发明实施例所采用多策略混合优化算法(IMOEA)的性能。我们将IMOEA与相关领域的研究文献中提出的NSGA-II、MODE、IMODE、HGAPSO1和HGAPSO2这五种算法进行了比较。
所有算法均通过正交实验设置了参数。所有实验均使用MATLAB2020a实现，并在Intel Core i5-1035G1-CPU 1.00GHz和16.0GB RAM上运行。图8显示了所有算法在求解该实例时的Pareto前沿。IMOEA得到的解更接近于理想的Pareto前沿，对比其他算法几乎具有完全压倒性的优势。由实验结果可知，本发明实施例设计的一种基于多策略混合优化算法在解决流水车间分批生产与车辆配送的集成调度上具有较强的竞争力。
为了更好实施本发明实施例中的流水线车间分批生产与车辆配送集成调度方法，在流水线车间分批生产与车辆配送集成调度方法基础之上，对应的，本发明实施例还提供了一种流水线车间分批生产与车辆配送集成调度装置，如图9所示，流水线车间分批生产与车辆配送集成调度装置900包括：
模型构建单元901，用于获取零售商的订单时间窗，确定订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于提前到达限制、延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
集成调度方案确定单元902，用于基于多策略混合优化算法对流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
上述实施例提供的流水线车间分批生产与车辆配送集成调度装置900可实现上述流水线车间分批生产与车辆配送集成调度方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述流水线车间分批生产与车辆配送集成调度方法实施例中的相应内容，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的流水线车间分批生产与车辆配送集成调度方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种流水线车间分批生产与车辆配送集成调度方法，其特征在于，包括：
获取零售商的订单时间窗，确定所述订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于所述提前到达限制、所述延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
2.根据权利要求1所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述流水车间分批生产与车辆配送集成调度模型包括总利润最大化子模型以及总惩罚时间最小化子模型，所述总利润最大化子模型为：
Figure FDA0003710331150000011
Figure FDA0003710331150000012
Figure FDA0003710331150000013
Figure FDA0003710331150000014
Figure FDA0003710331150000015
Figure FDA0003710331150000016
所述总惩罚时间最小化子模型为：
Figure FDA0003710331150000021
式中，p为产品索引，p＝(1,2,……P)，Prp为产品p的平均售价；Pcp为产品p的平均成本；Dk,p为零售商k对产品p的需求量；i为批次生产顺序索引，i＝(1,2,……I)；Tsp,B(i+1)为第i+1个生产批次B(i+1)中产品p的生产开始时间；Tcp,B(i)为第i个生产批次B(i)中产品p的生产完成时间；Hc为每托盘产品的库存持有成本；Op为单位产品p占据每个托盘的容量；Qp,B(i)为生产批次B(i)中产品p的数量；TdB(i)为生产批次所对应的巡回环配送出发时间；v为配送车辆索引，v＝(1,2,……V)；Fcv为配送车辆v的固定启动成本；Vcv为配送车辆v的单位时间可变运行成本；h为配送车辆执行的巡回环索引；Hv为配送车辆v执行的巡回环数量；k为零售商索引，k＝(1,2,……n)；T0,k为从起始位置的工厂到零售商k的旅行时间；Tk,l为从零售商k到零售商l的旅行时间；Re为单位托盘产品的延迟达到惩罚率；ek为配送车辆达到零售商k的订单时间窗的最迟到达时间；ak为配送车辆到达零售商k的到达时间；Rd为单位托盘产品的提前到达惩罚率；lk为配送车辆到达零售商k的订单时间窗的最早到达时间。
3.根据权利要求2所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述流水车间分批生产与车辆配送集成调度模型还包括约束条件，所述约束条件为：
Figure FDA0003710331150000022
Figure FDA0003710331150000023
Figure FDA0003710331150000024
Figure FDA0003710331150000031
Figure FDA0003710331150000032
Figure FDA0003710331150000033
Figure FDA0003710331150000034
Figure FDA0003710331150000035
Figure FDA0003710331150000036
Figure FDA0003710331150000037
Figure FDA0003710331150000038
Figure FDA0003710331150000039
Figure FDA00037103311500000310
Figure FDA00037103311500000311
其中，
Figure FDA00037103311500000312
Figure FDA00037103311500000313
Figure FDA0003710331150000041
Figure FDA0003710331150000042
式中，Tsp,B(i)为第i个生产批次B(i)中产品p的生产开始时间；M为预设常数；al为配送车辆到达零售商l的到达时间；Tl,n+1为从零售商l到最终位置的工厂n+1的旅行时间。
4.根据权利要求1所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案，包括：
步骤一、获取初始化种群，所述初始化种群包括多个初始化个体；
步骤二、对多个初始化个体进行编码，获得多个编码方案，所述多个编码方案中的各编码方案表示各零售商订单的配送车辆选择方案；
步骤三、基于巡回环划分策略和所述配送车辆选择方案获取巡回划分方案，所述巡回划分方案中包括多个巡回环，每一巡回环上的产品组成一个生产批次；
步骤四、基于优化策略配送惩罚时间模型确定各生产批次的生产顺序及其理想最佳配送时间；
步骤五、基于无等待调度的双向调度策略协调生产批次和车辆配送，获得待确认分批生产与车辆配送集成调度方案，并确定所述多个初始化个体中各初始化个体的适应度值；
步骤六、根据所述适应度值对所述初始化种群进行选择、交叉、变异操作，获得新一代种群以及当前帕累托前沿；
步骤七、判断种群的迭代进化次数是否大于阈值次数，若种群的迭代进化次数大于阈值次数，则所述当前帕累托前沿为所述最佳分批生产与车辆配送集成调度方案，若种群的迭代进化次数小于或等于阈值次数，则将所述新一代种群作为所述初始化种群，并重复步骤二～步骤七。
5.根据权利要求4所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述优化策略配送惩罚时间模型为：
Figure FDA0003710331150000051
式中；DPT为超出订单时间窗的交付订单的惩罚时间；t为配送车辆的出发时间；k1为第一斜率系数；k2为第二斜率系数；c1为第一截距系数；c2为第二截距系数；t1为订单时间窗对对应的配送车辆的第一出发时间点；t2为零售商的订单时间窗对对应的配送车辆的第二出发时间点。
6.根据权利要求4所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述无等待调度的双向调度策略包括具有递进关系的第一调度子策略、第二调度子策略和第三调度子策略；
所述第一调度子策略为最大化的生产批次调整范围策略；
所述第二调度子策略为最早交货时间策略；
所述第三调度子策略为库存成本与生产启动设置成本的权衡策略。
7.根据权利要求6所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述基于无等待调度的双向调度策略协调生产批次和车辆配送，获得待确认分批生产与车辆配送集成调度方案，包括：
步骤八、执行所述第一调度子策略，获得第一分批生产与车辆配送集成调度方案；
步骤九、依次顺序执行所述第二调度子策略和第三调度子策略，获得调整分批生产与车辆配送集成调度方案；
步骤十、判断所述调整分批生产与车辆配送集成调度方案是否为无等待调度策略；若所述调整批次生产策略为无等待调度策略，则所述调整分批生产与车辆配送集成调度方案为所述待确认分批生产与车辆配送集成调度方案；若所述调整批次生产策略不为无等待调度策略，则重复步骤九～步骤十。
8.根据权利要求4所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，在所述步骤六之后，还包括：
构建多种邻域结构，并基于轮盘赌机制从所述多种邻域结构中选择目标邻域结构；
基于所述目标邻域结构获得邻域个体集，并对所述当前帕累托前沿进行更新，获得更新帕累托前沿；
基于自适应大邻域搜索策略确定邻域结构权重；
基于精英保留策略对初始化种群、新一代种群以及邻域个体集进行修剪，获得精英保留种群。
9.根据权利要求8所述的流水线车间分批生产与车辆配送集成调度方法，其特征在于，所述邻域结构权重为：
Figure FDA0003710331150000061
ω1<ω2<ω3<ω4<ω5
式中，R为更新帕累托前沿替换当前帕累托前沿中的个体数量与当前帕累托前沿中个体数量的比值；ω为邻域结构权重。
10.一种流水线车间分批生产与车辆配送集成调度装置，其特征在于，包括：
模型构建单元，用于获取零售商的订单时间窗，确定所述订单时间窗的提前到达时间窗限制和延迟到达时间窗限制，并基于所述提前到达限制、所述延迟到达限制以及承载率不同的异构车辆构建流水车间分批生产与车辆配送集成调度模型；
集成调度方案确定单元，用于基于多策略混合优化算法对所述流水车间分批生产与车辆配送集成调度模型进行求解，获得最佳分批生产与车辆配送集成调度方案。
CN202210721173.7A 2022-06-23 2022-06-23 流水线车间分批生产与车辆配送集成调度方法及装置 Pending CN115034945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210721173.7A CN115034945A (zh) 2022-06-23 2022-06-23 流水线车间分批生产与车辆配送集成调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721173.7A CN115034945A (zh) 2022-06-23 2022-06-23 流水线车间分批生产与车辆配送集成调度方法及装置

Publications (1)

Publication Number Publication Date
CN115034945A true CN115034945A (zh) 2022-09-09

Family

ID=83126303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210721173.7A Pending CN115034945A (zh) 2022-06-23 2022-06-23 流水线车间分批生产与车辆配送集成调度方法及装置

Country Status (1)

Country Link
CN (1) CN115034945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635001A (zh) * 2023-11-30 2024-03-01 阿帕数字科技有限公司 基于供应链运输场景中时间窗约束的配送方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117635001A (zh) * 2023-11-30 2024-03-01 阿帕数字科技有限公司 基于供应链运输场景中时间窗约束的配送方法
CN117635001B (zh) * 2023-11-30 2024-04-30 阿帕数字科技有限公司 基于供应链运输场景中时间窗约束的配送方法

Similar Documents

Publication Publication Date Title
CN109948855B (zh) 一种带时间窗的异构危化品运输路径规划方法
Wang et al. The multi-objective optimization for perishable food distribution route considering temporal-spatial distance
Van Den Berg et al. Simulation study of an automated storage/retrieval system
CN109816315A (zh) 路径规划方法、装置、电子设备及可读存储介质
CN110322066B (zh) 一种基于共享承运人和共享仓库的协同车辆路径优化方法
CN113011644A (zh) 基于蚁群优化算法的智慧城市动态冷链物流调度方法
CN103530709A (zh) 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法
CN110503225B (zh) 一种订单派单配送方法
CN111178440A (zh) 一种基于高效减小agv总运输成本的路径优化方法
CN115034945A (zh) 流水线车间分批生产与车辆配送集成调度方法及装置
CN113393020A (zh) 物流智能调度方法、装置、设备及存储介质
CN113361073B (zh) 一种基于改进拉格朗日松弛算法的库存路径联合优化方法
CN113191619A (zh) 一种应急救援物资分配及车辆调度动态优化方法
CN113222275A (zh) 一种时变路网下考虑时空距离的车辆路径优化方法
Joo et al. Block transportation scheduling under delivery restriction in shipyard using meta-heuristic algorithms
Köchel et al. Search for good policies in a single-warehouse, multi-retailer system by particle swarm optimisation
CN108154332A (zh) 一种基于遗传算法的仓库货位分配方法及系统
Jin et al. Dynamic scheduling of mobile-robotic warehouse logistics system
Melikov et al. Models of perishable queuing-inventory systems with repeated customers
Siswanto et al. Multi-heuristics based genetic algorithm for solving maritime inventory routing problem
CN115358455A (zh) 考虑电池更换和混合时间窗约束的电动车路径优化方法
CN114707707A (zh) 一种基于改进的遗传算法对agv任务调度的方法及系统
CN115796415A (zh) 一种仓配一体化模式下的智能调度优化方法
CN111652550A (zh) 一种智能寻找最佳环线集合的方法、系统及设备
Ataka et al. Optimal Design of Two‐stage Logistics Network Considered Inventory by Boltzmann Random Key‐based GA

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