CN115857444A - 一种数字孪生驱动混流装配车间的物料配送路径优化方法 - Google Patents

一种数字孪生驱动混流装配车间的物料配送路径优化方法 Download PDF

Info

Publication number
CN115857444A
CN115857444A CN202211481357.7A CN202211481357A CN115857444A CN 115857444 A CN115857444 A CN 115857444A CN 202211481357 A CN202211481357 A CN 202211481357A CN 115857444 A CN115857444 A CN 115857444A
Authority
CN
China
Prior art keywords
artificial fish
node
fish
assembly
iter
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
CN202211481357.7A
Other languages
English (en)
Inventor
曹洪新
李露
曹凯
王美玲
崔云强
王玉成
叶晓东
孔令成
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202211481357.7A priority Critical patent/CN115857444A/zh
Publication of CN115857444A publication Critical patent/CN115857444A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种数字孪生驱动混流装配车间的物料配送路径优化方法，包括：1、使用数字孪生系统监测混流装配车间中装配节点物料变化和节点间障碍物变动，实时提供装配节点物料需求信息和障碍物状态信息；2、根据不同产品装配任务要求，对不同时段需求物料的装配节点，使用改进型人工鱼群算法规划需求物料节点的最优配送序列；3、统计更新装配节点间障碍物信息，使用人工势场法在线优化装配节点间局部路径。本发明通过数字孪生技术对混流装配车间实时监测并获取信息，利用改进型人工鱼群算法规划物料配送全局路径，人工势场法在线优化装配节点间局部路径，节省装配节点物料存储空间，增强车间物料配送能力，提升混流装配车间生产效率。

Description

一种数字孪生驱动混流装配车间的物料配送路径优化方法
技术领域
本发明属于智能制造领域，具体涉及一种数字孪生驱动混流装配车间的物料配送路径优化方法。
背景技术
由于传统的单品种、大批量生产方式难以满足日益个性化、多样化的产品需求，多品种、小批量的生产方式在现代制造业中发挥着越来越重要的作用，混流装配模式为现代制造业实现多品种、小批量的生产方式提供有效可行的新途径。多品种、小批量的混流装配车间生产环境中，装配节点上物料种类繁多、需求变动频繁，装配节点边库存容量有限。为实现混流装配线长时间运转，避免过多占用装配节点边有限的库存空间，需要对装配节点边库存进行多批次的物料配送活动。装配车间中存在装配生产设备、半成品或成品堆料、装配工具存放等，加之操作管理人员流动，使得装配车间环境复杂多变，物料配送路径复杂程度也随之提高。传统的人工经验物料配送，导致配送路径安排不合理，影响物料配送效率；目前车间物料配送路径规划所采用的智能化方法未准确地应对车间环境动态变化，没有将车间实时生产状态与物料配送需求相结合，导致混流装配车间物料配送动态响应能力不足、车间空间资源浪费、车间生产效率低等问题。
发明内容
针对上述存在问题或不足，本发明提供一种数字孪生驱动混流装配车间的物料配送路径优化方法，以期能优化混流装配车间的物料配送需求供应和配送规划路径，精准满足装配节点物料需求，保障物料及时供应，从而能节省装配节点物料存储空间，增强车间物料资源配送能力，提升混流装配车间生产效率。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种数字孪生驱动混流装配车间的物料配送路径优化方法的特点包括如下步骤：
步骤1、通过数字孪生系统在线统计混流装配车间中生产时段需要物料补给的装配节点，从而构成节点物料配送序列S＝[s1 s2…si…sn]，并获取第i个装配节点si和第i+1个装配节点si+1之间距离di,i+1，其中，s1表示物料配送起始节点的工位序号，sn表示物料配送终止节点的工位序号；
步骤2、利用式(1)建立节点物料配送序列S的优化目标函数f(S)：
Figure BDA0003961763980000011
步骤3、初始化人工鱼群算法的各个参数，包括：种群规模为k，视野范围为vis、觅食最大尝试次数为try_max，拥挤度为δ，变异优化位数为bit，当前迭代次数为iter，最大迭代次数为iter_max，并初始化iter＝1；
步骤4、初始化人工鱼种群的m条人工鱼为
Figure BDA0003961763980000021
其中，/>
Figure BDA0003961763980000022
表示第m条鱼中第i个位置上装配节点的工位序号，n表示人工鱼中的位置号；
令第iter代种群中第a条人工鱼为
Figure BDA0003961763980000023
令第iter代种群中第b条人工鱼为/>
Figure BDA0003961763980000024
其中，/>
Figure BDA0003961763980000025
表示第a条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号，/>
Figure BDA0003961763980000026
表示第b条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号；
定义优化目标函数f(S)为每条鱼的适应度函数；
步骤5、利用式(2)计算第iter代种群中第a条人工鱼
Figure BDA0003961763980000027
和第b条人工鱼/>
Figure BDA0003961763980000028
之间距离/>
Figure BDA0003961763980000029
并比较/>
Figure BDA00039617639800000210
是否成立，若成立，则表示人工鱼/>
Figure BDA00039617639800000211
在人工鱼
Figure BDA00039617639800000212
视野范围vis内，从而确定第iter代种群中其它鱼是否在人工鱼/>
Figure BDA00039617639800000213
视野范围vis内，并统计人工鱼/>
Figure BDA00039617639800000214
视野范围vis内所有人工鱼的数量kiter；
Figure BDA00039617639800000215
式(2)中，sign(·)表示二值函数；
步骤6、第a条人工鱼
Figure BDA00039617639800000216
在其视野范围vis内进行觅食行为，循环选择视野范围vis内其它人工鱼/>
Figure BDA00039617639800000217
并比较/>
Figure BDA00039617639800000218
是否成立，若成立，则/>
Figure BDA00039617639800000219
复制/>
Figure BDA00039617639800000220
前bit位上工位序号，/>
Figure BDA00039617639800000221
剩余位置上工位序号则不重复随机生成；否则，/>
Figure BDA00039617639800000222
保持不变，若视野范围vis内没有满足条件/>
Figure BDA00039617639800000223
的人工鱼，则/>
Figure BDA00039617639800000224
随机产生一个新工位序号序列；
步骤7、搜索统计人工鱼
Figure BDA00039617639800000225
视野范围vis鱼群中每条鱼的第i列位置上工位序号，并将出现次数最多且不属于/>
Figure BDA00039617639800000226
中i列之前位置上的工位序号赋予鱼群中心/>
Figure BDA00039617639800000227
的第i列位置上/>
Figure BDA00039617639800000228
若出现次数相同，则将第一个搜索到的工位序号赋予鱼群中心/>
Figure BDA00039617639800000229
的第i列位置上/>
Figure BDA00039617639800000230
从而得到人工鱼/>
Figure BDA00039617639800000231
视野范围vis内鱼群中心集合/>
Figure BDA0003961763980000031
步骤8、第a条人工鱼
Figure BDA0003961763980000032
在其视野范围vis内进行聚群行为，判断/>
Figure BDA0003961763980000033
是否成立，若成立，则/>
Figure BDA0003961763980000034
复制中心位置/>
Figure BDA0003961763980000035
前bit位上工位序号，/>
Figure BDA0003961763980000036
剩余位置上工位序号则不重复随机生成，否则，返回执行步骤6；
步骤9、第a条人工鱼
Figure BDA0003961763980000037
在其视野范围vis内进行追尾行为，人工鱼/>
Figure BDA0003961763980000038
搜索视野范围vis内适应度函数值最高的人工鱼/>
Figure BDA0003961763980000039
如果/>
Figure BDA00039617639800000310
则/>
Figure BDA00039617639800000311
复制人工鱼/>
Figure BDA00039617639800000312
的前bit位上工位序号，/>
Figure BDA00039617639800000313
剩余位置上工位序号不重复随机生成，否则执行步骤6；
步骤10、第iter代种群的每条人工鱼均按照步骤5-步骤9的过程进行处理，计算第iter代种群中每条人工鱼的适应度函数值，并将适应度函数值最优的人工鱼赋予公告牌；
步骤11、iter+1赋值给iter后，若iter≤iter_max成立，则重复执行步骤5-步骤10；否则，输出第iter_max代种群中适应度函数值最优的人工鱼
Figure BDA00039617639800000314
并作为物料需求的装配节点最优配送序列，其中，/>
Figure BDA00039617639800000315
表示物料最优配送序列中第i个节点所代表的工位序号；
步骤12、从物料需求的装配节点最优配送序列Sgbest中按顺序依次选择两节点，使用人工势力场法优化所选两节点位置间的局部路径：
步骤12.1、通过数字孪生系统获取装配节点最优配送序列Sgbest中第i节点
Figure BDA00039617639800000316
的位置坐标/>
Figure BDA00039617639800000317
其中，/>
Figure BDA00039617639800000318
表示节点/>
Figure BDA00039617639800000319
在x轴方向上坐标，/>
Figure BDA00039617639800000320
表示节点/>
Figure BDA00039617639800000321
在y轴方向上坐标，并初始化i＝1；
步骤12.2、以最优配送序列Sgbest中第i节点
Figure BDA00039617639800000322
的位置/>
Figure BDA00039617639800000323
为物料输送车当前位置G，即/>
Figure BDA00039617639800000324
第i+1节点/>
Figure BDA00039617639800000325
的位置/>
Figure BDA00039617639800000326
作为物料输送车目标位置T，即/>
Figure BDA00039617639800000327
步骤12.3、利用式(3)计算物料输送车当前位置G和目标位置T间的引力Fatt：
Fatt(G)＝ηρ(G,T) (3)
式(3)中，η为正比例系数，ρ(G,T)表示物料输送车当前位置G到目标位置T之间的几何距离，且方向从G指向T；
步骤12.4、通过数字孪生系统在线统计物料输送车当前位置G到目标位置T间障碍物数量m，分别利用式(4)计算目标位置T间障碍物与当前位置G间斥力，第t个障碍物Ot与当前位置G间斥力为
Figure BDA00039617639800000328
Figure BDA0003961763980000041
式(4)中，λ为正比例系数，ρ(G,Ot)表示为物料输送车与障碍物间的距离，且方向从Ot指向G；ρ0表示障碍物对物料输送车产生作用的最大距离；
Figure BDA0003961763980000042
表示梯度；
步骤12.5、计算引力Fatt(G)与斥力
Figure BDA0003961763980000043
的合力/>
Figure BDA0003961763980000044
并计算所述合力F在x，y方向上的单位分量/>
Figure BDA0003961763980000045
其中，|F|表示合力F的模，Fx表示合力F在x轴方向上分量，Fy表示合力F在y轴方向上分量，zx表示合力F在x轴方向上单位分量，zy表示合力F在y轴方向上单位分量；
步骤12.6、根据物料输送车的当前位置G和移动步长step，利用式(5)计算物料输送车的下一位置Gnext：
Gnext＝G+step*z (5)
步骤12.7、将Gnext赋值给G后，返回步骤12.3顺序执行，从而在数字孪生系统实时监测物料输送车当前位置G至目标位置T之间障碍物的变化下，完成物料输送车在起始节点
Figure BDA0003961763980000046
至目标节点/>
Figure BDA0003961763980000047
间的路径规划及物料配送；
步骤12.8、将i+1赋值给i后，返回步骤12.2顺序执行，直到i＞n-1为止，从而完成所有节点
Figure BDA0003961763980000048
的路径规划和物料配送。
本发明一种电子设备，包括存储器以及处理器，其特点在于，所述存储器用于存储支持处理器执行所述物料配送路径优化方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特点在于，所述计算机程序被处理器运行时所述物料配送路径优化方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、本发明通过数字孪生技术监测混流装配车间装配节点物料动态变化，在车间物料配送规划过程中，统计配送时段需要补给物料的装配节点数量，使用改进型人工鱼群算法规划该时段需要补给物料的装配节点全局配送路径序列，从而提升了车间物料需求配送与动态生产过程的协同性。
2、本发明通过数字孪生技术监测混流装配车间中障碍物变化，实时获取装配节点间障碍物的状态和位置信息，使用人工势场法在线更新装配节点间局部路径，优化了物料配送车辆行驶路径，增强了车间物料配送路径规划与动态变化车间环境的适应性。
附图说明
图1为本发明混流装配车间场景示意图；
图2为本发明人工鱼群觅食行为示意图；
图3为本发明人工鱼群聚众行为示意图；
图4为本发明人工鱼群追尾行为示意图；
图5为本发明混流装配车间物料配送路径优化方法的流程示意图。
具体实施方式
本实施例中，一种数字孪生驱动混流装配车间的物料配送路径优化方法，是首先通过数字孪生系统监测获取混流装配车间装配节点物料需求信息，并统计不同生产时段的各装配节点物料需求变化，然后针对该时段需要物料的装配节点，使用改进型人工鱼群算法规划更新装配节点的物料配送顺序；再使用人工势场法在线规划装配节点间局部路径，物料运输车在装配节点间移动过程中，通过数字孪生系统实时统计装配节点间障碍物变化信息，自主更新在装配节点间的物料配送局部路径，具体的说，步骤如下：
步骤1、图1所示的混流装配车间中需要物料补给的装配节点处于动态变化中，通过数字孪生系统统计混流装配车间中某一生产时段需要物料补给的装配节点S＝[s1 s2…si…sn]，其中，s1表示物料配送起始节点，sn表示物料配送终节点，[s1 s2…si…sn]为1 2…i…n的一种序列，表示一次待配送过程中所需要物料补给的节点顺序，且互不重复。
步骤2、通过数字孪生系统获取装配节点si和装配节点si+1之间距离di,i+1，对待配送过程中所需要物料补给的装配节点序列S，建立式(1)为节点物料配送序列的最优化目标函数：
Figure BDA0003961763980000051
步骤3、初始化人工鱼群算法的各个参数，包括：种群规模为k，视野范围为vis、觅食最大尝试次数为try_max，拥挤度为δ，变异优化位数为bit，当前迭代次数为iter，最大迭代次数为iter_max，并初始化iter＝1；
步骤4、初始化人工鱼种群的m条人工鱼为
Figure BDA0003961763980000061
其中，/>
Figure BDA0003961763980000062
表示第m条鱼中第i个位置上装配节点的工位序号，n表示人工鱼中第n个位置号；
令第iter代种群中第a条人工鱼为
Figure BDA0003961763980000063
令第iter代种群中第b条人工鱼为/>
Figure BDA0003961763980000064
Figure BDA0003961763980000065
表示第a条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号，/>
Figure BDA0003961763980000066
表示第b条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号；定义优化目标函数f(S)为每条鱼的适应度函数；
步骤5、定义两条人工鱼之间距离为两者对应位置上工位序号不同的数量和，确定种群k中其它鱼是否在人工鱼
Figure BDA0003961763980000067
视野范围vis内。
利用式(2)计算第iter代种群中第a条人工鱼
Figure BDA0003961763980000068
和第b条人工鱼/>
Figure BDA0003961763980000069
之间距离
Figure BDA00039617639800000610
并比较/>
Figure BDA00039617639800000611
是否成立，若成立，则表示人工鱼/>
Figure BDA00039617639800000612
在人工鱼/>
Figure BDA00039617639800000613
视野范围vis内，从而确定第iter代种群中其它鱼是否在人工鱼/>
Figure BDA00039617639800000614
视野范围vis内，并统计人工鱼/>
Figure BDA00039617639800000615
视野范围vis内所有人工鱼的数量kiter；
Figure BDA00039617639800000616
式(2)中，sign(·)表示二值函数，即
Figure BDA00039617639800000617
若/>
Figure BDA00039617639800000618
时，则返回值为1，若/>
Figure BDA00039617639800000619
则返回值为0；
步骤6、第a条人工鱼
Figure BDA00039617639800000620
在其视野范围vis内进行觅食行为，如图2所示，循环选择视野范围vis内其它人工鱼/>
Figure BDA00039617639800000621
并比较/>
Figure BDA00039617639800000622
是否成立，若成立，则/>
Figure BDA00039617639800000623
复制/>
Figure BDA00039617639800000624
前bit位上工位序号，/>
Figure BDA00039617639800000625
剩余位置上工位序号则不重复随机生成；否则，/>
Figure BDA00039617639800000626
保持不变，若视野范围vis内没有满足条件/>
Figure BDA00039617639800000627
的人工鱼，则/>
Figure BDA00039617639800000628
随机产生一个新工位序号序列；/>
步骤7、搜索人工鱼
Figure BDA0003961763980000071
视野范围vis内鱼群/>
Figure BDA0003961763980000072
的中心位置/>
Figure BDA0003961763980000073
依次选择每条鱼中第1 2 … i … n位置上出现次数最多的工位序号分别作为/>
Figure BDA0003961763980000074
视野范围vis内鱼群中心/>
Figure BDA0003961763980000075
中对应位置1 2 … i … n上的工位序号，从而得到人工鱼/>
Figure BDA0003961763980000076
视野范围vis内鱼群中心集合/>
Figure BDA0003961763980000077
步骤7.1、搜索统计人工鱼
Figure BDA0003961763980000078
视野范围vis内鱼群中每条鱼第1列位置上工位序号
Figure BDA0003961763980000079
对统计数量相同的不同工位序号，优先选择第一个搜索到的工位序号，并将该统计数量最多的工位序号num1 iter赋予鱼群中心/>
Figure BDA00039617639800000710
的第1个位置上，即
Figure BDA00039617639800000711
步骤7.2、搜索统计人工鱼
Figure BDA00039617639800000712
视野范围vis内鱼群中每条鱼第2列位置上工位序号
Figure BDA00039617639800000713
排除鱼群中心/>
Figure BDA00039617639800000714
中已有的工位序号/>
Figure BDA00039617639800000715
对统计数量相同的不同工位序号，优先选择第一个搜索到的工位序号，并将该统计数量最多的工位序号num2 iter赋予鱼群中心/>
Figure BDA00039617639800000716
的第2个位置上，即/>
Figure BDA00039617639800000717
步骤7.3、搜索统计人工鱼
Figure BDA00039617639800000718
视野范围vis内鱼群中每条鱼第i列位置上工位序号
Figure BDA00039617639800000719
排除鱼群中心/>
Figure BDA00039617639800000720
中第i列前已获取的工位序号/>
Figure BDA00039617639800000721
对统计数量相同的不同工位序号，优先选择第一个搜索到的工位序号，并将统计数量最多的工位序号/>
Figure BDA00039617639800000722
赋予鱼群中心/>
Figure BDA00039617639800000723
的第i个位置上，即/>
Figure BDA00039617639800000724
使用同样方法直至获得鱼群中心/>
Figure BDA00039617639800000725
的第n个位置上的工位序号，即/>
Figure BDA00039617639800000726
步骤8、第a条人工鱼
Figure BDA00039617639800000727
在其视野范围vis内进行聚群行为，如图3所示，判断
Figure BDA00039617639800000728
是否成立，若成立，则/>
Figure BDA00039617639800000729
复制中心位置/>
Figure BDA00039617639800000730
前bit位上工位序号，
Figure BDA00039617639800000731
剩余位置上工位序号则不重复随机生成，否则，返回执行步骤6；
步骤9、第a条人工鱼
Figure BDA00039617639800000732
在其视野范围vis内进行追尾行为，如图4所示，人工鱼/>
Figure BDA00039617639800000733
搜索视野范围vis内适应度函数值最高的人工鱼/>
Figure BDA00039617639800000734
如果/>
Figure BDA00039617639800000735
则
Figure BDA00039617639800000736
复制人工鱼/>
Figure BDA00039617639800000737
的前bit位上工位序号，/>
Figure BDA00039617639800000738
剩余位置上工位序号不重复随机生成，否则执行步骤6；
步骤10、第iter代种群的每条人工鱼均按照步骤5-步骤9的过程进行处理，计算第iter代种群中每条人工鱼的适应度函数值，并将适应度函数值最优的人工鱼赋予公告牌；
步骤11、iter+1赋值给iter后，若iter≤iter_max成立，则重复执行步骤5-步骤10；否则，输出第iter_max代种群中适应度函数值最优的人工鱼
Figure BDA0003961763980000081
并作为物料需求的装配节点最优配送序列，其中，/>
Figure BDA0003961763980000082
表示物料最优配送序列第i个节点所代表的工位序号；
步骤12、从物料需求的装配节点最优配送序列Sgbest中按顺序依次选择两节点，使用人工势力场法优化所选两节点位置间的局部路径：
步骤12.1、通过数字孪生系统获取装配节点最优配送序列Sgbest中第i节点的位置坐标
Figure BDA0003961763980000083
其中，i＝1，…，n，/>
Figure BDA0003961763980000084
表示节点/>
Figure BDA0003961763980000085
在x轴方向上坐标，
Figure BDA0003961763980000086
表示节点/>
Figure BDA0003961763980000087
在y轴方向上坐标，并初始化i＝1；
步骤12.2、以最优配送序列Sgbest中第i节点
Figure BDA0003961763980000088
的位置/>
Figure BDA0003961763980000089
为物料输送车当前位置G，即/>
Figure BDA00039617639800000810
第i+1节点/>
Figure BDA00039617639800000811
的位置/>
Figure BDA00039617639800000812
作为物料输送车目标位置T，即/>
Figure BDA00039617639800000813
步骤12.3、建立物料输送车当前位置G和目标位置T间的引力场Uatt(G)，使用式(3)计算引力场Uatt(G)；
Figure BDA00039617639800000814
式(3)中，η为正比例系数，ρ(G,T)表示物料输送车当前位置G和目标位置T之间的几何距离，方向从G指向T。
步骤12.4、使用式(4)计算目标位置T对物料输送车的引力Fatt(G)，Fatt(G)为引力场Uatt(G)的负梯度；
Fatt(G)＝ηρ(G,T) (4)
步骤12.5、通过数字孪生系统在线统计物料输送车当前位置G到目标位置T间障碍物O数量m，建立物料输送车当前位置G和障碍物间的斥力场Urep(O)和斥力Frep(O)，Frep(O)为Urep(O)的负梯度。建立第t个障碍物Ot与当前位置G间的斥力场
Figure BDA00039617639800000815
使用式(5)计算
Figure BDA00039617639800000816
Figure BDA0003961763980000091
式(5)中，λ为正比例系数，ρ(G,Ot)表示物料输送车当前位置G与障碍物Ot间的几何距离，方向从Ot指向G。ρ0为常数，表示障碍物Ot对物料输送车产生作用的最大距离。
步骤12.6、使用式(6)计算障碍物Ot对物料输送车的斥力
Figure BDA0003961763980000092
为斥力场/>
Figure BDA0003961763980000093
的负梯度；
Figure BDA0003961763980000094
/>
步骤12.7、计算引力Fatt(G)和斥力
Figure BDA0003961763980000095
的合力/>
Figure BDA0003961763980000096
并计算所述合力F在x，y方向上的单位分量/>
Figure BDA0003961763980000097
其中，|F|表示合力F的模，Fx表示合力F在x轴方向上分量，Fy表示合力F在y轴方向上分量，zx表示合力F在x轴方向上单位分量，zy表示合力F在y轴方向上单位分量；
步骤12.8、根据物料输送车的当前位置G和移动步长step，利用式(7)计算物料输送车的下一位置Gnext：
Gnext＝G+step*z (7)
步骤12.9、将Gnext赋值给G后，返回步骤12.3顺序执行，从而在数字孪生系统实时监测物料输送车当前位置G至目标位置T之间障碍物的变化下，完成物料输送车在起始节点
Figure BDA0003961763980000098
至目标节点/>
Figure BDA0003961763980000099
间的路径规划及物料配送。
步骤12.10、将i+1赋值给i后，返回步骤12.2顺序执行，直到i＞n-1为止，从而完成所有装配节点最优配送序列Sgbest的路径规划和物料配送，如图5所示。
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述物料配送路径优化方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述物料配送路径优化方法的步骤。
综上所述，本发明使用数字孪生系统实时准确地提供混流装配车间中生产状态信息和环境变化信息，根据装配节点物料动态需求和装配车间环境动态变化，利用改进型人工鱼群算法规划装配节点物料配送全局路径，人工势场法在线更新优化装配节点间局部路径，考虑车间物料配送与动态生产过程的协同性，与动态变化车间环境的适应性，优化车间物料的配送需求供应和配送规划路径，精准满足装配节点物料需求，保障物料及时供应，提高车间生产效率。

Claims (3)

1.一种数字孪生驱动混流装配车间的物料配送路径优化方法，其特征包括如下步骤：
步骤1、通过数字孪生系统在线统计混流装配车间中生产时段需要物料补给的装配节点，从而构成节点物料配送序列S＝[s1 s2…si…sn]，并获取第i个装配节点si和第i+1个装配节点si+1之间距离di,i+1，其中，s1表示物料配送起始节点的工位序号，sn表示物料配送终止节点的工位序号；
步骤2、利用式(1)建立节点物料配送序列S的优化目标函数f(S)：
Figure FDA0003961763970000011
步骤3、初始化人工鱼群算法的各个参数，包括：种群规模为k，视野范围为vis、觅食最大尝试次数为try_max，拥挤度为δ，变异优化位数为bit，当前迭代次数为iter，最大迭代次数为iter_max，并初始化iter＝1；
步骤4、初始化人工鱼种群的m条人工鱼为
Figure FDA0003961763970000012
其中，/>
Figure FDA0003961763970000013
表示第m条鱼中第i个位置上装配节点的工位序号，n表示人工鱼中的位置号；
令第iter代种群中第a条人工鱼为
Figure FDA0003961763970000014
令第iter代种群中第b条人工鱼为/>
Figure FDA0003961763970000015
其中，/>
Figure FDA0003961763970000016
表示第a条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号，/>
Figure FDA0003961763970000017
表示第b条人工鱼在第iter次迭代时物料配送节点序列中第i个节点上的工位序号；
定义优化目标函数f(S)为每条鱼的适应度函数；
步骤5、利用式(2)计算第iter代种群中第a条人工鱼
Figure FDA0003961763970000018
和第b条人工鱼/>
Figure FDA0003961763970000019
之间距离
Figure FDA00039617639700000110
并比较/>
Figure FDA00039617639700000111
是否成立，若成立，则表示人工鱼/>
Figure FDA00039617639700000112
在人工鱼/>
Figure FDA00039617639700000113
视野范围vis内，从而确定第iter代种群中其它鱼是否在人工鱼/>
Figure FDA00039617639700000114
视野范围vis内，并统计人工鱼/>
Figure FDA00039617639700000115
视野范围vis内所有人工鱼的数量kiter；
Figure FDA00039617639700000116
式(2)中，sign(·)表示二值函数；
步骤6、第a条人工鱼
Figure FDA00039617639700000117
在其视野范围vis内进行觅食行为，循环选择视野范围vis内其它人工鱼/>
Figure FDA0003961763970000021
并比较/>
Figure FDA0003961763970000022
是否成立，若成立，则/>
Figure FDA0003961763970000023
复制/>
Figure FDA0003961763970000024
前bit位上工位序号，/>
Figure FDA0003961763970000025
剩余位置上工位序号则不重复随机生成；否则，/>
Figure FDA0003961763970000026
保持不变，若视野范围vis内没有满足条件/>
Figure FDA0003961763970000027
的人工鱼，则/>
Figure FDA0003961763970000028
随机产生一个新工位序号序列；
步骤7、搜索统计人工鱼
Figure FDA0003961763970000029
视野范围vis鱼群中每条鱼的第i列位置上工位序号，并将出现次数最多且不属于/>
Figure FDA00039617639700000210
中i列之前位置上的工位序号赋予鱼群中心/>
Figure FDA00039617639700000211
的第i列位置上/>
Figure FDA00039617639700000212
若出现次数相同，则将第一个搜索到的工位序号赋予鱼群中心/>
Figure FDA00039617639700000213
的第i列位置上
Figure FDA00039617639700000214
从而得到人工鱼/>
Figure FDA00039617639700000215
视野范围vis内鱼群中心集合/>
Figure FDA00039617639700000216
步骤8、第a条人工鱼
Figure FDA00039617639700000217
在其视野范围vis内进行聚群行为，判断/>
Figure FDA00039617639700000218
是否成立，若成立，则/>
Figure FDA00039617639700000219
复制中心位置/>
Figure FDA00039617639700000220
前bit位上工位序号，/>
Figure FDA00039617639700000221
剩余位置上工位序号则不重复随机生成，否则，返回执行步骤6；
步骤9、第a条人工鱼
Figure FDA00039617639700000222
在其视野范围vis内进行追尾行为，人工鱼/>
Figure FDA00039617639700000223
搜索视野范围vis内适应度函数值最高的人工鱼/>
Figure FDA00039617639700000224
如果/>
Figure FDA00039617639700000225
则/>
Figure FDA00039617639700000226
复制人工鱼
Figure FDA00039617639700000227
的前bit位上工位序号，/>
Figure FDA00039617639700000228
剩余位置上工位序号不重复随机生成，否则执行步骤6；
步骤10、第iter代种群的每条人工鱼均按照步骤5-步骤9的过程进行处理，计算第iter代种群中每条人工鱼的适应度函数值，并将适应度函数值最优的人工鱼赋予公告牌；
步骤11、iter+1赋值给iter后，若iter≤iter_max成立，则重复执行步骤5-步骤10；否则，输出第iter_max代种群中适应度函数值最优的人工鱼
Figure FDA00039617639700000229
并作为物料需求的装配节点最优配送序列，其中，/>
Figure FDA00039617639700000230
表示物料最优配送序列中第i个节点所代表的工位序号；
步骤12、从物料需求的装配节点最优配送序列Sgbest中按顺序依次选择两节点，使用人工势力场法优化所选两节点位置间的局部路径：
步骤12.1、通过数字孪生系统获取装配节点最优配送序列Sgbest中第i节点
Figure FDA00039617639700000231
的位置坐标/>
Figure FDA00039617639700000232
其中，/>
Figure FDA00039617639700000233
表示节点/>
Figure FDA00039617639700000234
在x轴方向上坐标，/>
Figure FDA00039617639700000235
表示节点
Figure FDA00039617639700000236
在y轴方向上坐标，并初始化i＝1；
步骤12.2、以最优配送序列Sgbest中第i节点
Figure FDA00039617639700000237
的位置/>
Figure FDA00039617639700000238
为物料输送车当前位置G，
即
Figure FDA0003961763970000031
第i+1节点/>
Figure FDA0003961763970000032
的位置/>
Figure FDA0003961763970000033
作为物料输送车目标位置T，即/>
Figure FDA0003961763970000034
步骤12.3、利用式(3)计算物料输送车当前位置G和目标位置T间的引力Fatt：
Fatt(G)＝ηρ(G,T) (3)
式(3)中，η为正比例系数，ρ(G,T)表示物料输送车当前位置G到目标位置T之间的几何距离，且方向从G指向T；
步骤12.4、通过数字孪生系统在线统计物料输送车当前位置G到目标位置T间障碍物数量m，分别利用式(4)计算目标位置T间障碍物与当前位置G间斥力，第t个障碍物Ot与当前位置G间斥力为
Figure FDA0003961763970000035
Figure FDA0003961763970000036
式(4)中，λ为正比例系数，ρ(G,Ot)表示为物料输送车与障碍物间的距离，且方向从Ot指向G；ρ0表示障碍物对物料输送车产生作用的最大距离；
Figure FDA0003961763970000037
表示梯度；/>
步骤12.5、计算引力Fatt(G)与斥力
Figure FDA0003961763970000038
的合力/>
Figure FDA0003961763970000039
并计算所述合力F在x，y方向上的单位分量/>
Figure FDA00039617639700000310
其中，|F|表示合力F的模，Fx表示合力F在x轴方向上分量，Fy表示合力F在y轴方向上分量，zx表示合力F在x轴方向上单位分量，zy表示合力F在y轴方向上单位分量；
步骤12.6、根据物料输送车的当前位置G和移动步长step，利用式(5)计算物料输送车的下一位置Gnext：
Gnext＝G+step*z (5)
步骤12.7、将Gnext赋值给G后，返回步骤12.3顺序执行，从而在数字孪生系统实时监测物料输送车当前位置G至目标位置T之间障碍物的变化下，完成物料输送车在起始节点
Figure FDA00039617639700000311
至目标节点/>
Figure FDA00039617639700000312
间的路径规划及物料配送；
步骤12.8、将i+1赋值给i后，返回步骤12.2顺序执行，直到i＞n-1为止，从而完成所有节点
Figure FDA00039617639700000313
的路径规划和物料配送。
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述物料配送路径优化方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述物料配送路径优化方法的步骤。
CN202211481357.7A 2022-11-24 2022-11-24 一种数字孪生驱动混流装配车间的物料配送路径优化方法 Pending CN115857444A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211481357.7A CN115857444A (zh) 2022-11-24 2022-11-24 一种数字孪生驱动混流装配车间的物料配送路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211481357.7A CN115857444A (zh) 2022-11-24 2022-11-24 一种数字孪生驱动混流装配车间的物料配送路径优化方法

Publications (1)

Publication Number Publication Date
CN115857444A true CN115857444A (zh) 2023-03-28

Family

ID=85665737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211481357.7A Pending CN115857444A (zh) 2022-11-24 2022-11-24 一种数字孪生驱动混流装配车间的物料配送路径优化方法

Country Status (1)

Country Link
CN (1) CN115857444A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314283A (zh) * 2023-10-16 2023-12-29 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314283A (zh) * 2023-10-16 2023-12-29 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质
CN117314283B (zh) * 2023-10-16 2024-04-19 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质

Similar Documents

Publication Publication Date Title
CN109034468B (zh) 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
Monmarché et al. On improving clustering in numerical databases with artificial ants
CN113311829B (zh) 一种基于动态时间窗冲突搜索的多机器人路径规划方法
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN115857444A (zh) 一种数字孪生驱动混流装配车间的物料配送路径优化方法
CN110069699B (zh) 排序模型训练方法和装置
CN105469201A (zh) 一种物流配送中心作业任务处理与调度的方法
CN109191052B (zh) 一种多车型车辆路径优化方法、服务器及系统
CN112785132B (zh) 一种用于智能仓库的多机器人移动货架任务分配方法
CN113516293B (zh) 一种考虑拣货距离与库位离散度的库位分配方法
CN110751441A (zh) 一种优化物流仓储系统中储位的方法及装置
Zhou et al. Solving dynamic vehicle routing problem via evolutionary search with learning capability
CN115421448A (zh) Agv拣货路径规划方法及系统
CN114237222A (zh) 一种基于强化学习的取送货车辆路径规划方法
Manzini et al. Design and control of a flexible order‐picking system (FOPS) A new integrated approach to the implementation of an expert system
Ramadhan et al. A record-to-record travel algorithm for multi-product and multi-period inventory routing problem
CN112558559B (zh) 一种串联线性缓冲区及其序列恢复方法
CN110175695A (zh) 针对春节期间的货量预测方法及系统
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
CN115080550A (zh) 路网交通量分配方法及装置
Nugraheni et al. Hybrid Metaheuristics for Job Shop Scheduling Problems.
CN114219387A (zh) 一种物流车辆调度装载的方法
CN117215275B (zh) 一种基于遗传编程的柔性车间大规模动态双效调度方法
CN111652649A (zh) 一种广告定向投放方法、系统、装置及存储介质
CN111598510A (zh) 一种适用于智能仓储系统的订单分批方法

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