CN116523221A - 一种智能仓储拣选任务的优化调度方法及系统 - Google Patents
一种智能仓储拣选任务的优化调度方法及系统 Download PDFInfo
- Publication number
- CN116523221A CN116523221A CN202310407489.3A CN202310407489A CN116523221A CN 116523221 A CN116523221 A CN 116523221A CN 202310407489 A CN202310407489 A CN 202310407489A CN 116523221 A CN116523221 A CN 116523221A
- Authority
- CN
- China
- Prior art keywords
- agv
- picking
- order
- scheduling
- population
- 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 52
- 241000283153 Cetacea Species 0.000 claims abstract description 35
- 238000003064 k means clustering Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 19
- 238000013439 planning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000007306 turnover Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
Abstract
本发明涉及智能仓储任务调度技术领域,特别是指一种智能仓储拣选任务的优化调度方法及系统。一种智能仓储拣选任务的优化调度方法包括:读取电商平台信息,获得ID化订单集合;基于ID化订单集合,通过预设的K‑means聚类算法,获得订单最优聚类集合;将订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;根据货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;根据AGV优化调度任务序列,对AGV进行调度。本发明是一种高效率、低空载的拣选任务优化调度方法。
Description
技术领域
本发明涉及智能仓储任务调度技术领域,特别是指一种智能仓储拣选任务的优化调度方法及系统。
背景技术
为了解决传统物流的低效率、高成本问题,提升商品订单的分拣效率逐渐成为了物流仓储内的关键环节。自动导向车辆(AGV)是也被称为移动机器人,是一个集成多种传感器的智能体,能够通过感知外部环境进行自主决策完成特定任务。主要应用于物流仓储系统的自动化运输,其他人工拣选和搬运工作,极大的提升了货品搬运效率,缩短了物流中转时间。
多AGV的协作方式可分为集中式、分布式和混合式三种形式,而针对订单任务的优化的方法有线性规划、市场机制、基于行为、群体智能等算法。在集中式分配方案中,考虑了不同于离线路径生成阶段和在线路径规划的规划策略,提出了基于路径规划层和碰撞避免层的多机器人路径规划策略:在第一层只考虑单一机器人的路径规划,忽略其他机器人的影响,其规划的路径可能会与其他机器人产生严重碰撞;在第二层采用碰撞避免规则解决多机器人的局部碰撞,其避碰规则复杂,且需要人为提前制定,无法根据多机器人系统当前特点改变。
在分布式控制系统的研究中,提出了一种基于邻域人工势场的多机器人分布式路径规划方法,利用分布式体系结构规划移动机器人轨迹,采用改进的人工市场方法使多机器人系统获得良好的轨迹规划,提高了多机器人系统的鲁棒性。混合式任务分配兼具了集中式和分布式的优点,同时弥补了部分缺陷,但混合式系统更加复杂,设计应用难度更大。
基于市场机制的算法借鉴经济学中拍卖理论的公平竞价机制,将每个任务作为商品进行拍卖,而每个机器人作为竞拍者,通过参与竞拍获取任务。基于机器人和工件智能体之间谈判时的定价机制,设计了相应的算法,实验证明他的算法在提升系统整体性能方面优于传统的调度规则,但是在平均延迟、最大延迟等方面表现较差。
在现有技术中,缺乏一种高效率、低空载的拣选任务优化调度方法。
发明内容
本发明实施例提供了一种智能仓储拣选任务的优化调度方法及系统。所述技术方案如下:
一方面,提供了一种智能仓储拣选任务的优化调度方法,该方法由电子设备实现,该方法包括:
S1、读取电商平台信息,获得ID化订单集合;
S2、基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合;
S3、将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;
S4、根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;
S5、根据所述AGV优化调度任务序列,对AGV进行调度。
可选地,所述读取电商平台信息,获得ID化订单集合,包括:
读取电商平台信息,获得货品订单集合;
对所述货品订单集合进行ID编号,获得ID化订单集合。
可选地,所述基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合,包括:
S21、基于所述ID化订单集合进行聚类中心选取操作,获得聚类中心;
S22、根据所述ID化订单集合和所述聚类中心进行计算,获得每个订单与聚类中心的距离;
S23、基于所述每个订单与聚类中心的距离,将所述ID化订单集合进行聚类,获得订单聚类集合;
S24、重复步骤S21-S23,当迭代次数达到最大时,获得订单最优聚类集合。
可选地,所述将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列,包括:
将所述订单最优聚类集合中的每个订单聚类匹配一个拣选工作站,获得已匹配工作站集合;
所述已匹配工作站集合中的每个工作站,对匹配的订单聚类进行分析,获得货品拣选ID序列。
可选地,所述根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列,包括:
S41、根据所述货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对所述AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当所述AGV调度空载距离最小时,获得AGV优化调度任务序列。
可选地,所述对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列,包括:
将所述AGV调度任务序列作为当前种群,进行适应度计算,得到种群适应度;
基于所述种群适应度,对所述当前种群进行划分,获得种群A和种群B;
根据所述种群A,获得种群A中的AGV调度任务序列;所述种群A中的AGV调度任务序列,通过预设的改进搜索算法进行优化,获得种群A的AGV更新调度任务序列;
根据所述种群B,获得种群B中的AGV调度任务序列;所述种群B中的AGV调度任务序列,通过预设的改进多策略优化算法进行优化,获得种群B的AGV更新调度任务序列;
基于所述种群A的AGV更新调度任务序列和所述种群B的AGV更新调度任务序列,获得AGV更新调度任务序列。
其中,所述预设的改进搜索算法在原始鲸鱼算法的搜索策略中,添加改进搜索模型;所述改进搜索模型以种群A中的个体为搜索中心,对周围的其他个体的位置进行搜索。
其中,所述预设的改进多策略优化算法是基于哈里鹰算法的优化引导数学模型和差分进化算法的基因替换数学模型的改进优化算法。
另一方面,提供了一种智能仓储拣选任务的优化调度系统,该系统应用于一种智能仓储拣选任务的优化调度方法,该系统包括电子设备、拣选工作站和AGV,其中:
所述电子设备,用于读取电商平台信息,获得ID化订单集合;基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合;根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;
所述拣选工作站,用于将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;
所述AGV,用于根据所述AGV优化调度任务序列,执行调度。
可选地,所述电子设备,进一步用于:
读取电商平台信息,获得货品订单集合;
对所述货品订单集合进行ID编号,获得ID化订单集合。
可选地,所述电子设备,进一步用于:
S21、基于所述ID化订单集合进行聚类中心选取操作,获得聚类中心;
S22、根据所述ID化订单集合和所述聚类中心进行计算,获得每个订单与聚类中心的距离;
S23、基于所述每个订单与聚类中心的距离,将所述ID化订单集合进行聚类,获得订单聚类集合;
S24、重复步骤S21-S23,当迭代次数达到最大时,获得订单最优聚类集合。
可选地,所述拣选工作站,进一步用于:
将所述订单最优聚类集合中的每个订单聚类匹配一个拣选工作站,获得已匹配工作站集合;
所述已匹配工作站集合中的每个工作站,对匹配的订单聚类进行分析,获得货品拣选ID序列。
可选地,所述电子设备,进一步用于:
S41、根据所述货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对所述AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当所述AGV调度空载距离最小时,获得AGV优化调度任务序列。
可选地,所述电子设备,进一步用于:
将所述AGV调度任务序列作为当前种群,进行适应度计算,得到种群适应度;
基于所述种群适应度,对所述当前种群进行划分,获得种群A和种群B;
根据所述种群A,获得种群A中的AGV调度任务序列;所述种群A中的AGV调度任务序列,通过预设的改进搜索算法进行优化,获得种群A的AGV更新调度任务序列;
根据所述种群B,获得种群B中的AGV调度任务序列;所述种群B中的AGV调度任务序列,通过预设的改进多策略优化算法进行优化,获得种群B的AGV更新调度任务序列;
基于所述种群A的AGV更新调度任务序列和所述种群B的AGV更新调度任务序列,获得AGV更新调度任务序列。
其中,所述预设的改进搜索算法在原始鲸鱼算法的搜索策略中,添加改进搜索模型;所述改进搜索模型以种群A中的个体为搜索中心,对周围的其他个体的位置进行搜索。
其中,所述预设的改进多策略优化算法是基于哈里鹰算法的优化引导数学模型和差分进化算法的基因替换数学模型的改进优化算法。
另一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述一种智能仓储拣选任务的优化调度方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述一种智能仓储拣选任务的优化调度方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明提出了一种智能仓储拣选任务的优化调度方法,采用K-means聚类算法,能有效的减少智能仓储系统中AGV搬运货架的次数;采用多策略鲸鱼算法,缩小了AGV的空载搬运距离,缩短物流周转时间;本发明可应用于构建新型自动化的智能仓储系统,提出的基于订单特性的优化调度方法能够极大的提高订单拣选的效率。本发明是一种高效率、低空载的拣选任务优化调度方法。
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,对于本领域普通技术人员来讲,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是本发明实施例提供的一种智能仓储拣选任务的优化调度方法流程图;
图2是本发明实施例提供的一种智能仓储环境示意图;
图3是本发明实施例提供的一种AGV货架搬运示意图;
图4是本发明实施例提供的一种智能仓储拣选任务的优化调度系统框图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种智能仓储拣选任务的优化调度方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器。如图1所示的一种智能仓储拣选任务的优化调度方法流程图,该方法的处理流程可以包括如下的步骤:
S1、读取电商平台信息,获得ID化订单集合。
可选地,读取电商平台信息,获得ID化订单集合,包括:
读取电商平台信息,获得货品订单集合;
对货品订单集合进行ID编号,获得ID化订单集合。
一种可行的实施方式中,本发明中的智能仓储系统将传统的“人到货”模式革命性地升级为“货到人”模式,适应现代物流配送发货单位小型化的特点。电子设备构成的智能仓储的控制中心,具有强大的计算能力,其主要任务是完成仓储货品的实时管理与更新、仓储硬件设备的管理与控制、订单任务的分配与调度,是智能仓储的控制核心,是系统中不可或缺的组成部分。
当从电商平台获取货品的订单信息时,根据订单信息得到货品在智能仓储中对应货架的位置,将订单集合中的货品进行ID编号,获得ID化的货品订单集合,智能仓储的环境如图2所示。
其中,最上方为电子设备构成的智能仓储的控制中心,用于调度控制智能仓储中的硬件设备。最左侧为拣选服务站点,服务站点的拣选工作员等待AGV搬运货品相关的货架到达服务站以完成订单任务。中间区域为储物货架区,每个正方形方格代表某一类的储物货架,整齐排放在规划区域内。圆形图标代表AGV,当AGV处于空闲状态时,将位于下方的空闲等待区域等待任务分配或处于右侧的充电区域进行充电。当AGV处于工作状态时,AGV可在仓储环境中自由移动,通过规划无碰撞的路径,将方格代表的储物货架搬运至拣选工作站。
采用栅格法对储物货架区进行建模,将环境看成一个二维平面且划分成多个大小相等的栅格,计算机数字“0”和“1”判别栅格环境中是否含有障碍物,并对每个栅格进行编号以便描述其相对位置。栅格地图中分为两类栅格,一是自由空间栅格,表示移动机器人可以行进的单元。二是障碍物栅格,表示当前环境中障碍所占据的位置,通常移动机器人不可在此栅格区域行走。
S2、基于ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合。
可选地,基于ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合,包括:
S21、基于ID化订单集合进行聚类中心选取操作,获得聚类中心;
S22、根据ID化订单集合和聚类中心进行计算,获得每个订单与聚类中心的距离;
S23、基于每个订单与聚类中心的距离,将ID化订单集合进行聚类,获得订单聚类集合;
S24、重复步骤S21-S23,当迭代次数达到最大时,获得订单最优聚类集合。
一种可行的实施方式中,本发明中根据网络用户的多样性,采用EIQ(E:OrderEntry、I:Item、Q:Quantity)规划法对电商平台的订单特性进行全面分析,为优化订单的分配分拣提供理论依据。结合大数据调研结果,电商平台的订单主要有EN值低、EQ值低、IK值波动大、IQ值波动大等特点,即电商平台的订单任务呈现小批量、多种类、大批次、波动起伏大的特点。
由于订单量较大,如果将订单按随机分配策略或先到先服务(first come firstservice,FCFS)策略给拣选工作台分配拣选任务,容易造成同一类货品的货架多次搬运,增加了自动导向车辆(Automated Guided Vehicle,AGV)的搬运工作量,降低了拣选工作效率。因此,为了进一步提升AGV的搬运效率,需要先对智能仓储接受的订单任务进行分配处理,将订单内容相似性较大的货品分配到同一拣选工作台进行拣选,提升分拣效率。
在智能仓储系统,由于AGV通常处于匀速行驶状态而工作站的拣选人员的拣选速度相对固定,因此订单任务的分配目标是最小化货架搬运距离。设当仓储系统中的n个货架由k辆AGV完成搬运,则所有AGV需要行驶的总距离为S,其数学表达式如下式(1)所示:
其中,ds代表第s辆AGV从空闲区域第一次到达货架区域的行驶距离,由于空闲等待区、分拣工作站、货架区域的位置已经固定,因此通常为固定值可以忽略。di为AGV将货架搬运至拣选工作站的距离,由于需要将货架复原,因此需要行驶2倍该距离。ti表示货架的搬运次数,由于同一货架的货品会被不同的拣选工作站需求,因此货架可能需要被多次搬运。对于整个智能仓储系统的所有拣选工作站m,目标函数如下式(2)所示:
当所有订单任务分配至拣选工作站时,该工作站所需要拣选的货品内容已经确定。即在进行订单任务分配前后,待拣选的货架已经确定,即分拣站台的距离di已经确定。AGV搬运距离的差别来自于货架的搬运次数,因此,为了最小化AGV拣选订单的总距离,需要在进行订单任务分配时最小化货架的搬运次数。因此,目标函数转化为下式(3):
当相同货品的订单任务被分配至同一拣选工作站时,AGV在搬运一次货架时可以同时完成多个订单任务中的相同货品,减少货架被搬运次数。因此通过订单特性来最小化货架搬运次数,采用K-means聚类方法对具有相同货品的订单进行聚类后分配至同一拣选工作站。为了量化不同订单O={x1,x2...xk},x1,x2...xk∈[1,120]之间的相似程度,其中x1,x2,...xk为货品ID,采用的量化模型的数学表达式如下式(4)所示:
其中,MOij为订单Oi和Oj货品ID的交集,即两订单中相同货品的ID合集,通过计算MOij的基数SI,即card(MOij)判断两订单的相似程度。当MOij为空时,基数SI为0,两个订单的相似度为0。当两个订单存在一种相同货品时,基数SI为1,订单相似度为1。相同货品数量越多,集合的基数SI越大,订单相似度就越高,被聚类至同一拣选工作站的概率越大。
不同订单之间还存在大量不同的货品,还需考虑AGV在不同货架间空载的移动距离,即AGV完成这一次货架搬运任务后,将货架从拣选工作站复原到初始位置后开始搬运下一个货架时的位置,当两个货架相距较近时可以进一步减少AGV搬运距离。依据仓储系统的货架布局规则可知,ID差异小的货架位置更加靠近,因此,在聚类时还需要考虑订单的差异性,即位于智能仓储系统中两订单货品在仓储位置中相距距离的大小,其量化模型(5)为
其中,代表订单Oj相对于订单Oi的补集,/>代表订单Oi相对于订单Oj的补集。SOij代表两个补集的并集,即两订单中货品完全不相同的ID集合。以集合SOij中ID的离散程度表征两订单在仓储系统中所需货架位置相距距离的差异,即将SOij集合中ID标准差作为两订单差异性DI。当较小是说明,两订单所需货品的货架处于局部的集中区域。当较大时,说明所需货品的货架较分散。其中,N为SOij集合中货品总量,u为货品ID的均值,xi为集合中货品ID。
随机选取m个订单作为初始聚类中心,采用订单相似性SI和订单差异性DI计算所有订单与m个聚类中心的距离,并将每个订单分配到距离其最近的订单聚类集合中。当完成一次聚类后,重新计算每个订单聚类集合的中心,即该订单类别的所有样本的质心。计算当前订单聚类集合所需的AGV搬运次数,并重复上述步骤,直到满足最大迭代次数,获得m个订单聚类集合。其中,m对应拣选工作站的数量。
S3、将订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列。
可选地,将订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列,包括:
将订单最优聚类集合中的每个订单聚类匹配一个拣选工作站,获得已匹配工作站集合;
已匹配工作站集合中的每个工作站,对匹配的订单聚类进行分析,获得货品拣选ID序列。
一种可行的实施方式中,本发明中分拣服务站点在智能仓储的位置固定,是工作人员拣选订单货品的地方。
当AGV将货架运输至分拣站台,拣选工作员会依据订单任务取出相应的货品数量完成拣选任务,并通过扫描货品的条码实时更新订单的完成度和仓储货品存储量。拣选工作站分析匹配到的货品订单聚类获得等待执行拣选操作的货品ID序列。
S4、根据货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列。
一种可行的实施方式中,在搬运过程中,待拣选货品的终点已经固定为接受订单的拣选工作站,而仓储系统中所有货架总是处于固定位置,并且订单的货品内容也已经确定。
因此,拣选工作站所需货品的起点和终点位置固定。在不考虑其他AGV阻塞路径的情况下,AGV将货架搬运至拣选工作站的最短路径距离是固定的,因此能够进一步缩短AGV移动距离的方法是减小执行任务时,AGV在货架区域移动的空载距离,即改变AGV执行搬运任务的先后顺序。若AGV任务列表中相邻任务的货架位置的距离较远,会增加AGV在货架区域的空载距离,使得订单完成时间延长,增加了总体的移动距离,降低了搬运效率。
可选地,根据货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列,包括:
S41、根据货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当AGV调度空载距离最小时,获得AGV优化调度任务序列。
一种可行的实施方式中,如图3一种AGV货架搬运示意图所示,当两AGV共同执行4个货品拣选任务时的总行驶距离。其中,L1为和L2分别表示两辆AGV搬运货架时的行驶距离。图3的左图中,第一辆AGV搬运的货架为12、2,第二辆AGV搬运的货架为14、4,两辆AGV的总行驶距离为60,空载距离为10。图3的右图中,第一辆AGV搬运的货架为12、14,第二辆AGV搬运的货架为2、4,两辆AGV的总行驶距离为54,空载距离为4。由此可以看出,虽然拣选工作站所需要的货架总量、位置等信息不变,但AGV执行搬运任务序列不同,AGV的总行驶距离也会存在较大差异,总行驶距离的减少来源于空载距离的减少。因此,通过对拣选工作站货架搬运任务的调度,合理为每辆AGV分配货架搬运的任务序列,能够有效减少AGV的空载,缩短订单完成时间。
为了最大化的搬运效率,需要为每一辆AGV制定合理的任务序列,以减少AGV的空载距离。依据存储货架区的布局结构、AGV运动约束及数量、AGV任务量的上下限等对AGV任务调度进行建模分析。
在智能仓储系统中该模型具备如下特征:由于设备采购成本、运输需求等原因,AGV总量被限制在一定范围内。AGV由于自身电量、多AGV协作等约束,在一定时间内能够执行的搬运任务有限。针对同一拣选工作站的订单,所需的储物货架只需被AGV搬运一次,拣选工作员即可取出该工作站所需的该类货品的数量。依据仓储系统货架布局,ID相差较小的货品在仓储中位置相邻。该模型的目标是最小化所有AGV的空载距离LC,减少AGV搬运的总距离,提高货架搬运速率。
依据上述分析,将同一拣选工作站的所需货ID进行升序排列,得到工作站的货架需求序列Wc={x1,x2...xn},x1∈x2<...<xn,则对AGV货架搬运任务的调度问题转化为:依据AGV搬运任务量的约束,使得AGV依次按序截取工作站货架序列Wc中一定量的货架搬运任务时,AGV的行驶的空载距离LC最小。构建关于AGV任务调度模型的评估函数及约束,如下式(6)所示:
s.t lmin≤l≤lmax
其中,设AGV被分配的货物搬运量为l,则xi,j=(xi,j,1,xi,j,2)(1≤i≤n,1≤j≤l)代表第i辆AGV任务列表中第j个货物的位置,d(xi,j,xi,j+1)表示则第i辆AGV完成第j个货物搬运后前往j+1个货物时在存储货架区行驶的空载距离。约束条件表明AGV一段时间内搬运货架数量存在限制,即AGV获取的任务量有限。
可选地,对AGV调度任务序列进行更新,获得AGV更新调度任务序列,包括:
将AGV调度任务序列作为当前种群,进行适应度计算,得到种群适应度;
基于种群适应度,对当前种群进行划分,获得种群A和种群B;
根据种群A,获得种群A中的AGV调度任务序列;种群A中的AGV调度任务序列,通过预设的改进搜索算法进行优化,获得种群A的AGV更新调度任务序列;
根据种群B,获得种群B中的AGV调度任务序列;种群B中的AGV调度任务序列,通过预设的改进多策略优化算法进行优化,获得种群B的AGV更新调度任务序列;
基于种群A的AGV更新调度任务序列和种群B的AGV更新调度任务序列,获得AGV更新调度任务序列。
一种可行的实施方式中,本发明中公式(6)的目标函数为典型NP-hard问题,采用启发式的优化算法可实现对该问题的近似求解。本发明提出一种基于多策略鲸鱼优化算法(Multi-strategy whale optimization algorithm,MWOA),平衡原始鲸鱼优化算法的探索与开发的能力,并调整算法搜索的方向,避免陷入局部最优。
在提出的多策略鲸鱼优化算法中,为了使算法在迭代求解过程中能够保持较好的搜索能力,本发明的搜索策略将种群按照目标函数的适应度值分裂为2个固定数目的种群。将整体种群中适应度值最优的40%个体被划分至第1个种群,命名为种群A,适用于精英搜索策略,进行局部搜索,以提高解的精度;剩余的60%个体被划分至第2个种群,命名为种群B,适用于普通搜索策略,增强解的多样性;两个种群适用于不同的搜索策略,使得算法在迭代过程中不会因为参数的迭代更新而丧失全局搜索或局部搜索能力。
当一次迭代搜索完成,个体的适应度值发生改变,将依据自身在种群中适应度值的优劣排名,重新划分种群。即个体依据自身适应度值在整体种群中的优劣程度在两个种群中不断转换并适用不同的搜索策略。
其中,预设的改进搜索算法在原始鲸鱼算法的搜索策略中,添加改进搜索模型;改进搜索模型以种群A中的个体为搜索中心,对周围的其他个体的位置进行搜索。
一种可行的实施方式中,在本发明中种群A中鲸鱼个体的适应度是整体种群中较优部分,适用于局部搜索策略。因此,除了采用原始鲸鱼算法中的局部搜索策略,鲸鱼个体也可以以自身为中心搜索周围的领域,以发现一个更优的位置。改进搜索模型的数学表达式如下式(7)所示:
ε为[0,1]之间的任意随机值。将该搜索方式添加至局部搜索策略当中,与原始鲸鱼算法中局部搜索策略呈并行关系。得到种群A适用的改进搜索模型如式(7)所示。得到种群A适用的改进搜索算法的数学表达式如下式(8)所示:
其中,依据随机概率p的不同,随机选择两种搜索策略中的一种进行最优解的搜索,代表当前最优个体,/>代表当前个体,/>表示当前鲸鱼个体到最优个体之间的距离,b是对数螺旋线常数,l是[-1,1]之间的随机数,e是自然常数。
其中,预设的改进多策略优化算法是基于哈里鹰算法的优化引导数学模型和差分进化算法的基因替换数学模型的改进优化算法。
一种可行的实施方式中,种群B采用的改进多策略优化算法,结合了哈里鹰算法(HHO)和差分进化算法(DE)的多策略模型。其中,HHO算法策略中的软包围设计参考了当前种群的平均位置并引导鲸鱼优化算法持续向最优解的位置进行探索,加快算法的收敛速度。DE算法使用了基因替换的思想。首先,通过按比例交叉和替换3个随机个体的基因来构建基因模板。然后,通过用模板随机交换当前个体中的某些基因来创建新个体。
该方法可以保留当前个体的部分信息,在一定程度上接受其他个体的求解信息,实现了多信息的融合,有助于避免算法陷入局部最优。种群B的模型的数学表达式如下式(9)所示:
其中,和/>是参数向量,/>向量在迭代过程中由2线性减少至0。向量的分量是取值在[0,1]之间的随机数;/>是种群的平均位置,/>是种群中任意个体;N为种群的数目;r1、r2是0到1之间的随机数;LB、UB是目标函数取值范围的上下限;E=2E0(1-t/T)代表能量参数;Xr1(t)、Xr2(t)、Xr3(t)是种群中任意的个体的位置;M是只包含0和1的序列,长度与搜索的维度相当,用于模板基因中将被保留的基因;Fa是交叉比例因子用于产生模板基因。种群B中的个体采用模型公式(9)中三个搜索策略中最优的一个进行最优解的搜索。
S5、根据AGV优化调度任务序列,对AGV进行调度。
一种可行的实施方式中,本发明中AGV主要用于仓储物流系统中的货物搬运,通过给定的任务起点和终点信息实现自主的路径规划,是提升仓储货物自动分拨和快速搬运,全面提升仓储、运输、配送等环节的作业效率的重要执行单元。
在智能仓储系统中,拣选工作站获取分配的订单后,需要分发给AGV进行货架的搬运以完成拣选工作。在AGV执行货品搬运任务时,忽略从空闲区域到达第一个搬运任务起点的距离,则AGV完成搬运任务的流程是:从拣选工作站获取一批订单任务中的某几个货品拣选任务(至少一个货品的搬运),从空闲区域到达第一个搬运任务的货架位置,将货架搬运到需求该货品的拣选工作站,待拣选工作完成后将该货架搬运到货架区域的原始位置,然后前往下一个任务的货架位置,开始下一个搬运任务。
本发明对比两种方法在不同订单任务量下获得的最小搬运次数。通过调查分析电商平台的订单特性使用系统随机生成订单,令每张订单所含品项最少为1,最大不超过5,总体订单数量从400递增至2000,每次递增400张订单。每个拣选工作站在一段时间内能够拣选的最大订单量为50。
所有数据记录于表1(对比实验统计结果1表)中。随着订单数量的快速增加,两种任务分配策略的搬运次数重量均开始增加,但采用基于订单特性的K-means任务分配策略时计算得到的AGV搬运次数总量均少于固定分配策略,证明了依据订单之间的相似特性进行订单任务的聚类,将相似性较高的订单分配至同一拣选工作站进行拣选工作可以有效减少AGV搬运货架的总次数。
此外,由表1可知,基于订单特性的K-means任务分配策略减少搬运次数的比例13.44%~20.79%之间,平均减少搬运次数17.15%,验证了K-means任务分配策略的有效性。
表1
设AGV一段时间内能够执行的最大任务量为10,即最多执行10个货架的搬运任务;AGV一段时间内至少执行的任务量为4,即AGV只有在获取至少4个货架的搬运任务后才开始工作。
对比不同订单量时,多策略鲸鱼优化(MWOA)算法相较于AGV始终保持最大任务量(Max-C)和最小任务量(Min-C)时的行驶距离,验证MWOA在解决AGV任务调度的NP-hard问题时的高效性。对拣选工作站的总订单进行任务调度后,获得AGV任务序列,计算AGV按此序列执行搬运任务时的空载距离,并将结果记录于表2(对比实验统计结果2表)中。
表2
/>
从表2的信息可知,当要求每辆AGV按照自身最大任务量或最小任务从拣选工作站获取搬运任务时导致AGV的总行驶距离始终高于MWOA为AGV自由分配任务量的策略。证明了MWOA算法的任务调度策略充分考虑了仓储货架间的距离关系,减少了单个AGV搬运货架的行驶距离。
同时,随着订单数量的增加,AGV总的行驶距离增加,采用MWOA调度算法减少的总行驶距离增加,即当订单数量较大时,MWOA调度算法的对仓储系统的性能提升更大。
本发明提出了一种智能仓储拣选任务的优化调度方法,采用K-means聚类算法,能有效的减少智能仓储系统中AGV搬运货架的次数;采用多策略鲸鱼算法,缩小了AGV的空载搬运距离,缩短物流周转时间;本发明可应用于构建新型自动化的智能仓储系统,提出的基于订单特性的优化调度方法能够极大的提高订单拣选的效率。本发明是一种高效率、低空载的拣选任务优化调度方法。
图4是根据一示例性实施例示出的一种智能仓储拣选任务的优化调度系统框图。该系统应用于一种智能仓储拣选任务的优化调度方法,参照图4,该系统包括电子设备、拣选工作站和AGV,其中:
电子设备410,用于读取电商平台信息,获得ID化订单集合;基于ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合;根据货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;
拣选工作站420,用于将订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;
AGV430,用于根据AGV优化调度任务序列,执行调度。
可选地,电子设备410,进一步用于:
读取电商平台信息,获得货品订单集合;
对货品订单集合进行ID编号,获得ID化订单集合。
可选地,电子设备410,进一步用于:
S21、基于ID化订单集合进行聚类中心选取操作,获得聚类中心;
S22、根据ID化订单集合和聚类中心进行计算,获得每个订单与聚类中心的距离;
S23、基于每个订单与聚类中心的距离,将ID化订单集合进行聚类,获得订单聚类集合;
S24、重复步骤S21-S23,当迭代次数达到最大时,获得订单最优聚类集合。
可选地,拣选工作站420,进一步用于:
将订单最优聚类集合中的每个订单聚类匹配一个拣选工作站,获得已匹配工作站集合;
已匹配工作站集合中的每个工作站,对匹配的订单聚类进行分析,获得货品拣选ID序列。
可选地,电子设备410,进一步用于:
S41、根据货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当AGV调度空载距离最小时,获得AGV优化调度任务序列。
可选地,电子设备410,进一步用于:
将AGV调度任务序列作为当前种群,进行适应度计算,得到种群适应度;
基于种群适应度,对当前种群进行划分,获得种群A和种群B;
根据种群A,获得种群A中的AGV调度任务序列;种群A中的AGV调度任务序列,通过预设的改进搜索算法进行优化,获得种群A的AGV更新调度任务序列;
根据种群B,获得种群B中的AGV调度任务序列;种群B中的AGV调度任务序列,通过预设的改进多策略优化算法进行优化,获得种群B的AGV更新调度任务序列;
基于种群A的AGV更新调度任务序列和种群B的AGV更新调度任务序列,获得AGV更新调度任务序列。
其中,预设的改进搜索算法在原始鲸鱼算法的搜索策略中,添加改进搜索模型;改进搜索模型以种群A中的个体为搜索中心,对周围的其他个体的位置进行搜索。
其中,预设的改进多策略优化算法是基于哈里鹰算法的优化引导数学模型和差分进化算法的基因替换数学模型的改进优化算法。
本发明提出了一种智能仓储拣选任务的优化调度方法,采用K-means聚类算法,能有效的减少智能仓储系统中AGV搬运货架的次数;采用多策略鲸鱼算法,缩小了AGV的空载搬运距离,缩短物流周转时间;本发明可应用于构建新型自动化的智能仓储系统,提出的基于订单特性的优化调度方法能够极大的提高订单拣选的效率。本发明是一种高效率、低空载的拣选任务优化调度方法。
图5是本发明实施例提供的一种电子设备500的结构示意图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)501和一个或一个以上的存储器502,其中,所述存储器502中存储有至少一条指令,所述至少一条指令由所述处理器501加载并执行以实现上述一种智能仓储拣选任务的优化调度方法的步骤。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述一种智能仓储拣选任务的优化调度方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能仓储拣选任务的优化调度方法,其特征在于,所述方法包括:
S1、读取电商平台信息,获得ID化订单集合;
S2、基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合;
S3、将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;
S4、根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;
S5、根据所述AGV优化调度任务序列,对AGV进行调度。
2.根据权利要求1所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述读取电商平台信息,获得ID化订单集合,包括:
读取电商平台信息,获得货品订单集合;
对所述货品订单集合进行ID编号,获得ID化订单集合。
3.根据权利要求1所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合,包括:
S21、基于所述ID化订单集合进行聚类中心选取操作,获得聚类中心;
S22、根据所述ID化订单集合和所述聚类中心进行计算,获得每个订单与聚类中心的距离;
S23、基于所述每个订单与聚类中心的距离,将所述ID化订单集合进行聚类,获得订单聚类集合;
S24、重复步骤S21-S23,当迭代次数达到最大时,获得订单最优聚类集合。
4.根据权利要求1所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列,包括:
将所述订单最优聚类集合中的每个订单聚类匹配一个拣选工作站,获得已匹配工作站集合;
所述已匹配工作站集合中的每个工作站,对匹配的订单聚类进行分析,获得货品拣选ID序列。
5.根据权利要求1所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列,包括:
S41、根据所述货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对所述AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当所述AGV调度空载距离最小时,获得AGV优化调度任务序列。
6.根据权利要求5所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列,包括:
将所述AGV调度任务序列作为当前种群,进行适应度计算,得到种群适应度;
基于所述种群适应度,对所述当前种群进行划分,获得种群A和种群B;
根据所述种群A,获得种群A中的AGV调度任务序列;所述种群A中的AGV调度任务序列,通过预设的改进搜索算法进行优化,获得种群A的AGV更新调度任务序列;
根据所述种群B,获得种群B中的AGV调度任务序列;所述种群B中的AGV调度任务序列,通过预设的改进多策略优化算法进行优化,获得种群B的AGV更新调度任务序列;
基于所述种群A的AGV更新调度任务序列和所述种群B的AGV更新调度任务序列,获得AGV更新调度任务序列。
7.根据权利要求6所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述预设的改进搜索算法在原始鲸鱼算法的搜索策略中,添加改进搜索模型;所述改进搜索模型以种群A中的个体为搜索中心,对周围的其他个体的位置进行搜索。
8.根据权利要求6所述的一种智能仓储拣选任务的优化调度方法,其特征在于,所述预设的改进多策略优化算法是基于哈里鹰算法的优化引导数学模型和差分进化算法的基因替换数学模型的改进优化算法。
9.一种智能仓储拣选任务的优化调度系统,其特征在于,所述系统包括电子设备、拣选工作站和AGV,其中:
所述电子设备,用于读取电商平台信息,获得ID化订单集合;基于所述ID化订单集合,通过预设的K-means聚类算法,获得订单最优聚类集合;根据所述货品拣选ID序列和预设的AGV拣选约束条件,通过多策略鲸鱼算法,获得AGV优化调度任务序列;
所述拣选工作站,用于将所述订单最优聚类集合和拣选工作站进行匹配,获得货品拣选ID序列;
所述AGV,用于根据所述AGV优化调度任务序列,执行调度。
10.根据权利要求9所述的一种智能仓储拣选任务的优化调度系统,其特征在于,所述电子设备,进一步用于:
S41、根据所述货品拣选ID序列和预设的AGV拣选约束条件,对多策略鲸鱼算法进行初始化操作,获得AGV调度任务序列;
S42、对所述AGV调度任务序列中的调度任务,产生的空载距离进行计算,获得AGV调度空载距离;
S43、对所述AGV调度任务序列进行更新,获得AGV更新调度任务序列;
S44、重复步骤S41-S43,当所述AGV调度空载距离最小时,获得AGV优化调度任务序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407489.3A CN116523221A (zh) | 2023-04-17 | 2023-04-17 | 一种智能仓储拣选任务的优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407489.3A CN116523221A (zh) | 2023-04-17 | 2023-04-17 | 一种智能仓储拣选任务的优化调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523221A true CN116523221A (zh) | 2023-08-01 |
Family
ID=87402229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407489.3A Pending CN116523221A (zh) | 2023-04-17 | 2023-04-17 | 一种智能仓储拣选任务的优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523221A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796910A (zh) * | 2023-08-21 | 2023-09-22 | 青岛中德智能技术研究院 | 基于货物分配策略的订单分批优化方法 |
-
2023
- 2023-04-17 CN CN202310407489.3A patent/CN116523221A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796910A (zh) * | 2023-08-21 | 2023-09-22 | 青岛中德智能技术研究院 | 基于货物分配策略的订单分批优化方法 |
CN116796910B (zh) * | 2023-08-21 | 2023-11-21 | 青岛中德智能技术研究院 | 基于货物分配策略的订单分批优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fragapane et al. | Planning and control of autonomous mobile robots for intralogistics: Literature review and research agenda | |
Rahman et al. | An integrated approach for line balancing and AGV scheduling towards smart assembly systems | |
CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
CN110245890A (zh) | 货品分拣方法及货品分拣系统 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
Qin et al. | JD. com: Operations research algorithms drive intelligent warehouse robots to work | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
CN107657364A (zh) | 一种面向烟草工厂物料运输的多载agv任务分配形成方法 | |
Srinivas et al. | Collaborative order picking with multiple pickers and robots: Integrated approach for order batching, sequencing and picker-robot routing | |
Xu et al. | A dynamic scheduling method for logistics tasks oriented to intelligent manufacturing workshop | |
CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
CN116523221A (zh) | 一种智能仓储拣选任务的优化调度方法及系统 | |
CN114610015A (zh) | 一种带搬运机器人的柔性作业车间动态调度方法及装置 | |
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 | |
Lin et al. | MLATSO: A method for task scheduling optimization in multi-load AGVs-based systems | |
Wang et al. | Heterogeneous multi-agent routing strategy for robot-and-picker-to-good order fulfillment system | |
Jiang et al. | Intralogistics synchronization in robotic forward-reserve warehouses for e-commerce last-mile delivery | |
Wang et al. | Storage assignment optimization for fishbone robotic mobile fulfillment systems | |
Xia et al. | A multi-AGV optimal scheduling algorithm based on particle swarm optimization | |
Baltussen et al. | A parallel monte-carlo tree search-based metaheuristic for optimal fleet composition considering vehicle routing using branch & bound | |
Chen et al. | Novel encoding and routing balance insertion based particle swarm optimization with application to optimal CVRP depot location determination | |
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 | |
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 | |
Zunic et al. | Innovative Modular Approach based on Vehicle Routing Problem and Ant Colony Optimization for Order Splitting in Real Warehouses. | |
Duan et al. | Nondominated sorting differential evolution algorithm to solve the biobjective multi-AGV routing problem in hazardous chemicals warehouse |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |