CN116542493A - 高速分拣机器人集中式调度实时任务分配方法及装置 - Google Patents

高速分拣机器人集中式调度实时任务分配方法及装置 Download PDF

Info

Publication number
CN116542493A
CN116542493A CN202310808474.8A CN202310808474A CN116542493A CN 116542493 A CN116542493 A CN 116542493A CN 202310808474 A CN202310808474 A CN 202310808474A CN 116542493 A CN116542493 A CN 116542493A
Authority
CN
China
Prior art keywords
task
sorting
robot
individual
tasks
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
Application number
CN202310808474.8A
Other languages
English (en)
Other versions
CN116542493B (zh
Inventor
苏志远
谭树勇
李金澎
汪朝林
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.)
Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Beijing University of Posts and Telecommunications
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 Bao Kai Shanghai Intelligent Logistics Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Priority to CN202310808474.8A priority Critical patent/CN116542493B/zh
Publication of CN116542493A publication Critical patent/CN116542493A/zh
Application granted granted Critical
Publication of CN116542493B publication Critical patent/CN116542493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明提供一种高速分拣机器人集中式调度实时任务分配方法及装置，包括：获取当前波次订单中的多个分拣任务、空闲分拣机器人及空闲搬运机器人，构建各空闲分拣机器人执行其对应的任务序列的第一成本模型，构建各空闲搬运机器人执行其对应的任务序列的第二成本模型，基于各第一成本模型和各第二成本模型构建成本目标函数；构建初始种群，基于成本目标函数构建适应度函数；基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群；计算种群内各个体的适应度值，基于各适应度值确定任务分配策略。该任务分配方法在多类型机器人和多类任务的复杂场景下降低了任务成本。

Description

高速分拣机器人集中式调度实时任务分配方法及装置
技术领域
本发明涉及分拣机器人任务调度技术领域，尤其涉及一种高速分拣机器人集中式调度实时任务分配方法及装置。
背景技术
新型轻小包裹高速分拣机器人系统在运行时不需要搭建专用的分拣平台，可以在地面上进行分拣，具有基于需求的变化动态调整机器人数量、分拣区域形状和面积、以及随时随地快速部署分拣的特征，极具应用前景。而对于大规模的高速分拣机器人系统，往往包含多种类型的机器人以及多种类型的任务，如分拣机器人和搬运机器人，分拣任务和搬运任务等；而目前的分拣机器人系统在进行任务分配时仅仅考虑了单一的分拣机器人和分拣任务，目前普遍采用的任务分配方法对于仅包含单一类型的分拣机器人和单一类型的分拣任务的分拣机器人系统来说虽然可满足系统对调度效率和任务成本的需求，但该任务分配方法若应用于由多类型机器人和多类任务组成的大规模的高速分拣机器人系统，未考虑在复杂场景下机器人之间和不同调度阶段之间高效率的配合方式，因而导致任务执行成本高。因此，对于多类型机器人和多类任务的复杂场景下的分拣机器人系统，如何降低任务执行成本是亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种高速分拣机器人集中式调度实时任务分配方法及装置，以解决现有技术中存在的一个或多个问题。
根据本发明的一个方面，本发明公开了一种高速分拣机器人集中式调度实时任务分配方法，所述方法包括：获取当前波次订单中的多个分拣任务、分拣区域内的空闲分拣机器人以及空闲搬运机器人，构建各空闲分拣机器人执行其对应的任务序列的第一成本模型，构建各空闲搬运机器人执行其对应的任务序列的第二成本模型，基于各所述第一成本模型和各所述第二成本模型构建成本目标函数；
构建初始种群，基于所述成本目标函数构建适应度函数，所述初始种群内的个体表示各所述空闲分拣机器人被分配的任务序列以及各所述空闲搬运机器人被分配的任务序列；
基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群；
计算种群内各个体的适应度值，基于各个体的适应度值确定任务分配策略。
在本发明的一些实施例中，所述第一成本模型为：
其中，表示第i个空闲分拣机器人，n表示空闲分拣机器人的总数量，/>表示第i个空闲分拣机器人的任务序列中的第一个分拣任务，/>表示空闲分拣机器人/>执行第一个分拣任务/>的成本，/>表示空闲分拣机器人/>在分拣任务/>和分拣任务/>间的任务切换成本，d表示空闲分拣机器人/>的任务序列中的分拣任务总数量，表示空闲分拣机器人/>执行分拣任务/>的成本。
在本发明的一些实施例中，所述第二成本模型为：
其中，表示第i个空闲搬运机器人，m表示空闲搬运机器人的总数量，/>表示第i个空闲搬运机器人的任务序列中的第一个搬运任务，/>表示空闲搬运机器人/>执行第一个搬运任务/>的成本，/>表示空闲搬运机器人/>在搬运任务/>和搬运任务间的任务切换成本，p表示空闲搬运机器人/>的任务序列中的搬运任务总数量，表示空闲搬运机器人/>执行搬运任务/>的成本。
在本发明的一些实施例中，各所述空闲搬运机器人被分配的任务序列包括：把空料箱从装箱区搬运到分拣区的任务和把满料箱从分拣区搬运到装箱区的任务。
在本发明的一些实施例中，基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群，包括：
对所述初始种群内的初始个体进行编码；
基于各初始个体的编码计算编码距离，将所述编码距离小于预设数值的初始个体从所述初始种群中删除；
基于所述初始种群中保留的多个初始个体组成多个个体对；
通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群。
在本发明的一些实施例中，所述编码距离的计算公式为：
其中，d1和d2表示两个个体，l表示当前波次订单中分拣任务的总数量，k表示当前波次订单中空料箱搬运任务的总数量，v表示当前波次订单中满料箱搬运任务的总数量，表示d1和d2两个个体中相同的分拣任务被分配至不同分拣机器人的任务总数量，表示d1和d2两个个体中相同的空料箱搬运任务被分配至不同搬运机器人的任务总数量，/>表示d1和d2两个个体中相同的满料箱搬运任务被分配至不同搬运机器人的任务总数量，k 1 、k 2 、k 3均表示常数。
在本发明的一些实施例中，对所述初始种群内的初始个体进行编码，包括：
对所述初始种群内的初始个体进行两段双层式编码；其中，第一段第一层编码表示分拣任务编码，第一段第二层编码表示空闲分拣机器人编码，第二段第一层编码表示搬运任务编码，第二段第二层编码表示空闲搬运机器人编码。
在本发明的一些实施例中，通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群，包括：
将所述个体对中第一个体的第一段编码和第二个体的第一段编码分别分成两段，将第一个体的第一段编码的前半段编码和第二个体的第一段编码的后半段编码进行组合，以及将第二个体的第一段编码的前半段编码和第一个体的第一段编码的后半段编码进行组合分别形成所述新个体对的第一个体的第一段编码和第二个体的第一段编码；
将所述个体对中第一个体的第二段编码和第二个体的第二段编码分别分成三段，将第一个体的第二段编码的前半段编码、后半段编码和第二个体的第二段编码的中间段编码进行组合，以及将第二个体的第二段编码的前半段编码、后半段编码和第一个体的第二段编码的中间段编码进行组合分别形成所述新个体对的第一个体的第二段编码和第二个体的第二段编码；
将所述初始种群中的第三个体的第一段第二层编码中的部分编码和第二段第二层编码中的部分编码分别进行编码倒置，形成变异新个体；
将所述初始种群中的第四个体的第一段第二层编码中的两个编码和第二段第二层编码中的两个编码分别进行位置互换，形成交换新个体；
基于所述初始种群中的第五个体的第一段编码获取分拣任务最多的第一分拣机器人，将所述第一分拣机器人的多个分拣任务中的其中一个分拣任务对应的分拣机器人编码修改为第二分拣机器人的分拣机器人编码，基于所述初始种群中的第五个体的第二段编码获取空料箱搬运任务最多的第一搬运机器人和满料箱搬运任务最多的第二搬运机器人，将所述第一搬运机器人的多个空料箱搬运任务中的其中一个空料箱搬运任务对应的搬运机器人编码修改为第三搬运机器人的搬运机器人编码，将所述第二搬运机器人的多个满料箱搬运任务中的其中一个满料箱搬运任务对应的搬运机器人编码修改为第四搬运机器人的搬运机器人编码，形成贪心新个体；
基于形成的所述新个体对、变异新个体、交换新个体以及贪心新个体的适应度函数通过选择算子选择优良个体，基于所述优良个体得到下一代种群。
根据本发明的另一方面，还公开了一种高速分拣机器人集中式调度实时任务分配系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
根据本发明的再一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
上述实施例所公开的高速分拣机器人集中式调度实时任务分配方法及装置，在任务分配过程中考虑到了分拣机器人的分拣任务和搬运机器人的搬运任务，并采用遗传搜索算法对成本目标函数进行求解，从而在多类型机器人和多类任务的复杂场景下不仅提升了机器人的调度效率、降低了任务执行成本，还提高了算法的搜索速度和求解质量。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本发明一实施例的高速分拣机器人集中式调度实时任务分配方法的流程示意图。
图2为本发明一实施例的多类型机器人和多类任务场景下的轻小件包裹分拣流程示意图。
图3为本发明一实施例的两段双层式编码示意图。
图4为本发明一实施例的交叉算子示意图。
图5为本发明一实施例的交换算子示意图。
图6为本发明一实施例的变异算子示意图。
图7为本发明一实施例的均衡算子示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
包含多类型机器人和多类任务的轻小件高速分拣机器人系统实时任务分配是将系统当前时刻的波次任务分配给多个机器人执行，以使得调度效率最高以及使得执行完任务的总分拣成本最低。本申请的多类型机器人和多类任务的轻小件高速分拣机器人系统相对于传统的多分拣机器人的调度系统，主要区别在于本申请的多类型机器人和多类任务的轻小件高速分拣机器人系统至少包含分拣机器人和搬运机器人两种类型机器人，以及至少包含以下三种任务：将待分拣包裹进行分拣的任务、把空料箱从装箱区搬运到分拣区的任务和把满料箱从分拣区搬运到装箱区的任务。该多类型机器人和多类任务的分拣机器人系统在大规模场景下，需要处理的任务量巨大，同时机器人数量和类型也增多，相比于小规模场景的多机器人任务分配问题，问题的规模和复杂度都呈指数型上升；现有的任务分配方法通常无法在有效的时间内获得较佳的任务分配方式。示例性的，图2为本发明一实施例的多类型机器人和多类任务场景下的轻小件包裹分拣流程示意图，参考图2，首先接收WMS（仓储管理系统）下发的当前波次订单，然后根据接收到的当前波次订单产生多个任务，将多个任务进行分类，如分为分拣任务（A类任务）、空料箱搬运任务（B类任务）以及满料箱搬运任务（C类任务），然后将分类后的任务进行多机器人任务分配；任务分配后异步调度搬运机器人将空料箱搬运至分拣料口，进而异步调度分拣机器人将待分拣包裹分拣至对应的周转料箱，最后再异步调度搬运机器人将盛装有包裹的周转料箱（或称为满料箱）搬运至装箱区以进行打包。
在本申请中，轻小件高速分拣机器人系统多机器人实时任务分配的主要是以最低成本完成任务为目标。所以该问题可以描述为：如何安排每个分拣机器人的分拣任务分配方案和搬运机器人的搬运任务分配方案，使得总的分拣成本最低。基于此，本申请提供了一种高速分拣机器人集中式调度实时任务分配方法及装置，以对于多类型机器人和多类任务的复杂场景下的分拣机器人系统降低其任务执行成本、能耗以及提升整个系统调度的效率。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
图1为本发明一实施例的高速分拣机器人集中式调度实时任务分配方法的流程示意图，如图1所示，该任务分配方法至少包括步骤S10至S40。
步骤S10:获取当前波次订单中的多个分拣任务、分拣区域内的空闲分拣机器人以及空闲搬运机器人，构建各空闲分拣机器人执行其对应的任务序列的第一成本模型，构建各空闲搬运机器人执行其对应的任务序列的第二成本模型，基于各所述第一成本模型和各所述第二成本模型构建成本目标函数。
在该步骤中，当前波次订单可为仓储管理系统WMS下发的订单，当前波次订单中包含多个分拣任务；获取到的分拣区域内的空闲分拣机器人的数量为n个，如分别为；获取到的分拣区域内的空闲搬运机器人的数量为m个，如分别为/>。在该实施例中，空闲分拣机器人用于完成分拣任务，空闲搬运机器人用于完成空料箱和满料箱的搬运任务，即空闲搬运机器人被分配的任务序列包括：把空料箱从装箱区搬运到分拣区的任务和把满料箱从分拣区搬运到装箱区的任务。除上述之外，在该系统中，在上件区内还可具体分布着h个上货台/>；在分拣区内分布着r个用于放置周转料箱的分拣料口/>；在装箱区内分布着p个放置周转料箱的装箱位置/>。
第一成本模型用于表示空闲分拣机器人执行完毕其对应的任务序列所需要的分拣成本，第二成本模型用于表示空闲搬运机器人执行完毕其对应的任务序列所需要的搬运成本。而成本目标函数用于在后续步骤中基于遗传算法寻求成本最低的任务分配策略。
示例性的，空闲分拣机器人的初始位置坐标表示为/>，空闲搬运机器人的初始位置坐标表示为/>；当前波次订单中有l个待分配的A类任务（A类任务为空闲分拣机器人需执行的分拣任务，即空闲分拣机器人从上货台将待分拣包裹分拣至指定的周转料箱中），/>；当前波次订单中有k个待分配的B类任务（B类任务为空闲搬运机器人需执行的空料箱搬运任务，即空闲搬运机器人将空料箱从装箱区搬运到分拣区的周转料箱放置位置），/>；当前波次订单中有v个待分配的C类任务（C类任务为空闲搬运机器人需执行的满料箱搬运任务，即空闲搬运机器人将满料箱从周转料箱放置位置搬运至包装区等指定位置）。在A类任务中，/>，/>为任务/>的信息，其中/>表示任务/>的起始位置坐标，/>表示任务/>的终点位置坐标，h表示上货台，r表示分拣料口，/>表示分拣机器人执行任务/>的成本；w hr 表示从上货台h到分拣料口r的成本权重，用于计算A类任务的成本；/>表示空闲分拣机器人/>开始执行第一个分拣任务/>的成本；/>表示分拣机器人执行完任务/>、然后切换到任务/>的任务切换成本；/>表示从一个坐标点到另一坐标点的成本权重，用于计算机器人执行任务的成本。
在B类任务中，，/>为任务b i 的信息，其中表示任务b i 的起始位置坐标，/>表示任务b i 的终点位置坐标，p表示装箱位置，r表示分拣料口，/>表示搬运机器人执行任务b i 的成本。/>表示从装箱位置p到分拣料口r的成本权重，用于计算B类任务成本；/>为C类任务中任务c i 的信息，其中/>表示任务c i 的起始位置坐标，/>表示任务c i 的终点位置坐标，r表示分拣料口，p表示装箱位置，/>表示搬运机器人执行任务c i 的成本，/>表示从分拣料口r到装箱位置p的成本权重，用于计算C类任务成本。/>表示空闲搬运机器人/>开始执行第一个搬运任务b i 的成本，/>表示空闲搬运机器人/>开始执行第一个搬运任务c i 的成本；/>表示搬运机器人执行完任务b i 、然后切换到任务b j 的任务切换成本，/>表示搬运机器人执行完任务c i 、然后切换到任务c j 的任务切换成本，/>表示搬运机器人执行完任务b i 、然后切换到任务c j 的任务切换成本，/>表示搬运机器人执行完任务c i 、然后切换到任务b j 的任务切换成本。/>表示任务数量为d的A类任务的任务序列，/>表示任务数量为d的由B类任务和C类任务组成的任务序列，由于B类任务和C类任务均为搬运任务，则此时将B类任务和C类任务通过一个任务序列表示，即/>表示B类任务或C类任务。/>表示单个分拣机器人/>执行其当前任务序列/>需要的成本，/>，/>表示分拣机器人的分拣任务序列；/>表示单个搬运机器人/>执行其当前任务序列/>需要的成本，/>，/>表示搬运机器人/>的搬运任务序列，n1表示分拣任务序列中的总任务数量，m1表示搬运任务序列中的总任务数量。
进一步的，该实施例的分拣机器人系统的总分拣成本由两个部分组成：空闲分拣机器人执行其分拣任务的分拣总成本C1、空闲搬运机器人执行其搬运任务的搬运总成本C2。，/>，n表示空闲分拣机器人的总数量，m表示空闲搬运机器人的总数量。为了获得最优的任分配策略，则以分拣机器人分拣任务序列和搬运机器人搬运任务序列/>为决策变量，以总成本最小化为目标的优化模型如下：/>。
具体的，分拣机器人执行任务的成本/>，,/>表示系数，/>，w hr 表示把包裹从上货台h搬运到分拣料口r的一个分拣任务的成本权重。搬运机器人执行任务b i 的成本，/>，/>表示系数，/>，w pr 表示把空料箱从装箱位置p搬运到分拣料口r的一个空料箱搬运任务的成本权重。搬运机器人执行任务c i 的成本/>，/>，为系数，/>，w rp 表示把满料箱从分拣料口r搬运到装箱位置p的一个满料箱搬运任务的成本权重。空闲分拣机器人/>开始执行第一个分拣任务/>的成本，分拣机器人连续执行A类任务的任务切换成本，空闲搬运机器人/>开始执行第一个搬运任务/>的成本/>，空闲搬运机器人/>开始执行第一个搬运任务c i 的成本/>，搬运机器人连续执行B类任务的任务切换成本/>，搬运机器人连续执行C类任务的任务切换成本/>，搬运机器人从B类任务切换为C类任务的任务切换成本/>，搬运机器人从C类任务切换为B类任务的任务切换成本/>。而单个分拣机器人/>执行其当前任务序列需要的成本/> ，单个搬运机器人/>执行其当前任务序列/>需要的成本。
因此，在一实施例中，第一成本模型为：
其中，表示第i个空闲分拣机器人，n表示空闲分拣机器人的总数量，/>表示第i个空闲分拣机器人的任务序列中的第一个分拣任务，/>表示空闲分拣机器人/>执行第一个分拣任务/>的成本，/>表示空闲分拣机器人/>在分拣任务/>和分拣任务/>间的任务切换成本，d表示空闲分拣机器人/>的任务序列中的分拣任务总数量，表示空闲分拣机器人/>执行分拣任务/>的成本。
进一步的，第二成本模型为：
其中，表示第i个空闲搬运机器人，m表示空闲搬运机器人的总数量，/>表示第i个空闲搬运机器人的任务序列中的第一个搬运任务，/>表示空闲搬运机器人/>执行第一个搬运任务/>的成本，/>表示空闲搬运机器人/>在搬运任务/>和搬运任务间的任务切换成本，p表示空闲搬运机器人/>的任务序列中的搬运任务总数量，表示空闲搬运机器人/>执行搬运任务/>的成本。
除上述之外，所构建的第一成本模型和第二成本模型还应满足如下条件：
； （1）
； （2）
； （3）
； （4）
； （5）
； （6）
； （7）
其中，n表示空闲分拣机器人的总数量,m表示空闲搬运机器人的总数量,l表示当前波次订单中分拣任务的总数量，k表示当前波次订单中空料箱搬运任务的总数量，v表示当前波次订单中满料箱搬运任务的总数量。（1）表示单个分拣机器人的任务序列长度约束；（2）表示单个搬运机器人的任务序列长度约束；（3）和（5）表示所有空闲分拣机器人的任务序列中的任务数量之和等于A类任务的数量，并且其中一个A类任务只被分配给其中一个分拣机器人，并且所有A类任务必须被执行，且仅被执行一次；（4）、（6）和（7）表示所有搬运搬运机器人的任务序列中的任务数量之和等于B类任务与C类任务的数量之和，并且一个B类任务或者一个C类任务只被分配给其中一个搬运机器人，并表示所有B类型和C类型的任务必须均被执行，且仅被执行一次。
步骤S20:构建初始种群，基于所述成本目标函数构建适应度函数，所述初始种群内的个体表示各所述空闲分拣机器人被分配的任务序列以及各所述空闲搬运机器人被分配的任务序列。
在该步骤中，基于成本目标函数进一步的构建适应度函数，并且可以理解的，在种群中每个个体有其适应度值，适应度值由适应度函数确定，本申请中的成本目标函数为总分拣成本，因而种群内总分拣成本越低的个体其适应度值越大。；其中，/>为个体z的适应度值，/>为个体i对应的目标函数值。
步骤S30:基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群。
在该步骤中，首先通过构建的初始种群确定个体对，然后基于交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群。
示例性的，基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群，包括：对所述初始种群内的初始个体进行编码；基于各初始个体的编码计算编码距离，将所述编码距离小于预设数值的初始个体从所述初始种群中删除；基于所述初始种群中保留的多个初始个体组成多个个体对；通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群。
在该实施例中，所采用的编码方式为两段双层式编码，即根据机器人的类型分为两段，各段均包括两层，第一段编码为分拣机器人执行A类任务对应的任务编码和机器人编码，其用于表示A类任务和分拣机器人的任务分配关系以及每个分拣机器人的任务序列；第二段编码为搬运机器人执行B类任务和C类任务对应的任务编码和机器人编码，用于表示B类任务和C类任务与搬运机器人的任务分配关系以及每个搬运机器人的任务序列；其中第一段编码和第二段编码均由两层整数编码构成。因而在一具体实施例中，对所述初始种群内的初始个体进行编码，包括：对所述初始种群内的初始个体进行两段双层式编码；其中，第一段第一层编码表示分拣任务编码，第一段第二层编码表示空闲分拣机器人编码，第二段第一层编码表示搬运任务编码，第二段第二层编码表示空闲搬运机器人编码。
参考图3，第一段编码中的第一层为A类任务序列编码，第二层为分拣机器人编码；每一个A类任务编码对应一个分拣机器人编码，代表该分拣搬运机器人执行该任务。第二段编码中的第一层为B类任务序列编码和C类任务序列编码（前五个编码为B类任务序列编码，后三个为C类任务序列编码），第二段编码中的第二层为搬运机器人编码；每一个B类任务编码和C类任务编码对应一个搬运机器人编码，代表该搬运机器人执行该任务。具体的，在第一段编码中，1号分拣机器人需要顺序执行A类任务中的1、4、7、10号任务，2号分拣机器人需要顺序执行A类任务中的2、5、8号任务；而在第二段编码中，1号搬运机器人需要顺序执行1号B任务、4号B任务、7号C任务、10号C任务，2号搬运机器人需要顺序执行2号B任务、5号B任务、8号C任务。
通过上述实施例可以发现，本申请基于轻小件高速分拣机器人系统多机器人任务分配问题的特点，采用双段两层式编码方式对任务序列和机器人进行编码，满足了大规模场景下多机器人任务分配的要求。
在基于各初始个体的编码计算编码距离时，从三个方面进行了度量：A类任务的分配方案、B 类任务的分配方案和C类任务的分配方案。A类任务分配方案是指把多个A类任务分配给多个分拣机器人，B类任务分配方案是指把多个B类任务分配给多个搬运机器人，C类任务分配方案是指把多个C类任务分配给多个搬运机器人。
示例性的，编码距离的计算公式为：
其中，d1和d2表示两个个体，l表示当前波次订单中分拣任务的总数量，k表示当前波次订单中空料箱搬运任务的总数量，v表示当前波次订单中满料箱搬运任务的总数量，表示d1和d2两个个体中相同的分拣任务被分配至不同分拣机器人的任务总数量，表示d1和d2两个个体中相同的空料箱搬运任务被分配至不同搬运机器人的任务总数量，/>表示d1和d2两个个体中相同的满料箱搬运任务被分配至不同搬运机器人的任务总数量，k 1 、k 2 、k 3均表示常数。
在上述实施例中，本申请基于编码距离计算公式计算个体之间的距离，该编码距离计算方法综合考虑了分拣机器人任务序列编码和搬运机器人任务序列编码，将不同解的编码多样性凸显出来，通过保留解集的多样性，以维持种群搜索过程中的多样性，以保证解搜索的宽度和广度。并且基于交叉算子、变异算子、交换算子、均衡算子和选择算子得到新的个体，提高了种群的搜索能力和收敛速度，并有效提升了遗传搜索算法的收敛速度和求解质量。
步骤S40:计算种群内各个体的适应度值，基于各个体的适应度值确定任务分配策略。
在该步骤中，基于个体的适应度值确定最小总分拣成本对应的最优个体，将该最优个体作为高速分拣机器人集中式调度实时任务分配的最优分配策略。
在另一实施例中，通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群，具体包括：
将所述个体对中第一个体的第一段编码和第二个体的第一段编码分别分成两段，将第一个体的第一段编码的前半段编码和第二个体的第一段编码的后半段编码进行组合，以及将第二个体的第一段编码的前半段编码和第一个体的第一段编码的后半段编码进行组合分别形成所述新个体对的第一个体的第一段编码和第二个体的第一段编码；
将所述个体对中第一个体的第二段编码和第二个体的第二段编码分别分成三段，将第一个体的第二段编码的前半段编码、后半段编码和第二个体的第二段编码的中间段编码进行组合，以及将第二个体的第二段编码的前半段编码、后半段编码和第一个体的第二段编码的中间段编码进行组合分别形成所述新个体对的第一个体的第二段编码和第二个体的第二段编码；
将所述初始种群中的第三个体的第一段第二层编码中的部分编码和第二段第二层编码中的部分编码分别进行编码倒置，形成变异新个体；
将所述初始种群中的第四个体的第一段第二层编码中的两个编码和第二段第二层编码中的两个编码分别进行位置互换，形成交换新个体；
基于所述初始种群中的第五个体的第一段编码获取分拣任务最多的第一分拣机器人，将所述第一分拣机器人的多个分拣任务中的其中一个分拣任务对应的分拣机器人编码修改为第二分拣机器人的分拣机器人编码，基于所述初始种群中的第五个体的第二段编码获取空料箱搬运任务最多的第一搬运机器人和满料箱搬运任务最多的第二搬运机器人，将所述第一搬运机器人的多个空料箱搬运任务中的其中一个空料箱搬运任务对应的搬运机器人编码修改为第三搬运机器人的搬运机器人编码，将所述第二搬运机器人的多个满料箱搬运任务中的其中一个满料箱搬运任务对应的搬运机器人编码修改为第四搬运机器人的搬运机器人编码，形成贪心新个体；
基于形成的所述新个体对、变异新个体、交换新个体以及贪心新个体的适应度函数通过选择算子选择优良个体，基于所述优良个体得到下一代种群。
可以理解的，轻小件高速分拣机器人系统需要处理的分拣任务量十分巨大，而本申请的分拣机器人系统在进行任务分配时需要同时考虑两种类型的机器人和多种类型的分拣任务，相比于现有技术的机器人任务分配问题，问题的规模和复杂度都呈指数上升，并且本申请的分拣机器人系统在实时生产环境下，对模型的实效性、可行性和求解质量上要求较高，因此本申请的分拣机器人系统在求解多类型任务和多类型机器人的任务分配策略时必须具有较高的收敛速度和求解质量，同时在算法求解过程中需要保证算法搜索的广度和深度，以此来保证求解的质量。显然，该问题是一个NP难题；为了减少解的搜索范围并且保证搜索到可以接受的解，一般通常采用启发式搜索算法进行求解。本申请针对三种分拣任务和两种机器人设计了一种双段双层编码方式，并且依据编码特点设计了结合选择算子、交换算子、变异算子、交叉算子和均衡算子的改进遗传搜索算法来对模型进行求解。
具体的，基于初始种群产生新种群的主要步骤如下：首先从初始种群中选取两组两段双层式编码C1和C2生成一个编码对，最多可以从种群中选取 个编码对，其中N为种群大小；进一步计算C1和C2之间的距离，判断计算的距离数值是否小于预设数值，如果小于则丢弃对应的编码C1或C2；然后依次按照概率应用交叉算子、交换算子、变异算子和均衡算子产生新个体；最后采用选择算子对所有的新个体进行选择，产生下一代种群。
图4为本发明一实施例的交叉算子示意图，参考图4，C1和C2组合而成的编码对基于交叉算子生成新的由C3和C4组合而成的编码对。采用交叉算子时，具体的可以选择三个切割点t 1、 t 2、 t 3；表示第一段编码（A类任务编码）的切割点，/>表示第二段编码中B类任务的切割点，/>表示第二段编码中C类任务的切割点。基于上述切割点分别对C1和C2切割完毕后，则选取C1中第一段编码的前t 1个位置和C2中第一段编码的后l- t 1个位置生成新的第一段编码，选取C1中第二段编码的前t 2个位置、后k+v- t 3个位置和C2中第二段编码的t 2位置和t 3位置之间的编码生成新的第二段编码，新的第一段编码和第二段编码组成新的编码C3；同理选择剩下的部分组成新的编码C4。其中，l、k和v分别为当前波次订单中分拣任务的总数量、当前波次订单中空料箱搬运的任务总数量以及当前波次订单中满料箱搬运的任务总数量。
图5为本发明一实施例的交换算子示意图，参考图5，两段双层式编码C5基于交换算子生成新的两段双层式编码C6。具体的，首先对每段编码随机选择两个位置，若随机选择的两个位置的机器人编码不同，则互相交换上述两个位置的机器人编码。如图5所示，首先选取C5的第一段编码中的5号A类任务和9号A类任务，5号A类任务对应的分拣机器人编码为2，9号A类任务对应的分拣机器人编码为3，则将5号A类任务和9号A类任务对应的分拣机器人编码进行互换得到C6的第一段编码，即在C6的第一段编码中，5号A类任务对应的分拣机器人编码为3，9号A类任务对应的分拣机器人编码为2。类似的，选取C5的第二段编码中的2号B类任务和10号C类任务，2号B类任务对应的搬运机器人编码为2，10号C类任务对应的搬运机器人编码为1，则将2号B类任务和10号C类任务对应的搬运机器人编码进行互换得到C6的第二段编码，即在C6的第二段编码中，2号B类任务对应的搬运机器人编码为1，10号C类任务对应的搬运机器人编码为2。
图6为本发明一实施例的变异算子示意图，参考图6，两段双层式编码C7基于变异算子生成新的两段双层式编码C8。具体的，首先随机选择每段编码中的部分段，被选中的部分段至少包含两个位置的编码，进而将选取的部分段的机器人编码进行倒置。如图6所述，首先选取C7第一段编码的3号A类任务至6号A类任务，C7第一段编码的3号A类任务至6号A类任务对应的分拣机器人的编码依次为3、1、2、3，将C7第一段编码的3号A类任务至6号A类任务对应的分拣机器人的编码依次倒置使得C8第一段编码的3号A类任务至6号A类任务对应的分拣机器人的编码依次为3、2、1、3。类似的，选取C7第二段编码的6号C类任务至8号C类任务，C7第二段编码的6号C类任务至8号C类任务对应的搬运机器人的编码依次为3、1、2，将C7第二段编码的6号C类任务至8号C类任务对应的搬运机器人的编码依次倒置使得C8第二段编码的6号C类任务至8号C类任务对应的搬运机器人的编码依次为2、1、3。
图7为本发明一实施例的均衡算子示意图，参考图7，两段双层式编码C9基于均衡算子生成新的两段双层式编码C10。具体的，首先选择执行A类任务最多的分拣机器人、执行B类任务最多的搬运机器人以及执行C类任务最多的搬运机器人，将执行A类任务最多的分拣机器人中的其中一个分拣任务随机分配给其他分拣机器人，将执行B类任务最多的搬运机器人中的其中一个搬运任务随机分配给其他搬运机器人，将执行C类任务最多的搬运机器人中的其中一个搬运任务随机分配给其他搬运机器人。如图7所示，首先基于C9第一段编码确定执行A类任务最多的分拣机器人的编码为1，则此时将编码为1的分拣机器人的1号A类任务分配给编码为3的分拣机器人，则得到C10的第一段编码。类似的，基于C9第二段编码确定执行B类任务最多的搬运机器人的编码为2，则此时将编码为2的搬运机器人的2号B类任务分配给编码为3的搬运机器人；基于C9第二段编码确定执行C类任务最多的搬运机器人的编码为3，进一步将编码为3的搬运机器人的6号C类任务分配给编码为2的搬运机器人，则得到C10的第二段编码。
在基于上述的交叉算子、变异算子、交换算子、均衡算子得到新的个体后，则进一步通过选择算子选取优良的个体，淘汰劣势的个体，以生成高质量的下一代群体。可以理解的，选择算子的主要目的是防止有用信息丢失，同时也要保证解的多样性，并且能提高计算效率。本申请具体的采用锦标赛选择的方法，每次随机选择若干个体，挑选适应度最高的个体保留下来，迭代N次，生成数量大小为N的种群；在该策略下，最差的个体一定会被淘汰，同时也能保存一些较优的个体，保证了解的多样性。
通过上述实施例可以发现，本申请的高速分拣机器人集中式调度实时任务分配方法考虑了各机器人的初始位置和任务之间的关联关系，同时考虑了任务执行的切换代价，构建以最低成本为目标的调度模型；其针对三种类型任务（分拣任务、空料箱搬运任务和满料箱搬运任务）和两种机器人（分拣机器人和搬运机器人）采用两段双层编码方式，并根据编码特点结合交叉算子、选择算子、交换算子、变异算子和均衡算子的改进遗传搜索算法来对模型进行求解；既能满足大规模场景下多机器人任务分配的要求，又能提高算法的搜索速度和求解质量。并且本申请采用改进的MAPF基准数据集进行验证，结果表明本申请所采用的算法求解精度相较于标准遗传算法和标准分散搜索算法分别提升了17.2%和10.5%，同时随着分拣任务规模增大，算法收敛速度与遗传算法的差距逐渐缩小，验证了本申请所采用的改进遗传搜索算法在大规模数据集下的求解优势。
相应的，本发明还提供了一种高速分拣机器人集中式调度实时任务分配系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
另外，该发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。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)

1.一种高速分拣机器人集中式调度实时任务分配方法，其特征在于，所述方法包括：
获取当前波次订单中的多个分拣任务、分拣区域内的空闲分拣机器人以及空闲搬运机器人，构建各空闲分拣机器人执行其对应的任务序列的第一成本模型，构建各空闲搬运机器人执行其对应的任务序列的第二成本模型，基于各所述第一成本模型和各所述第二成本模型构建成本目标函数；
构建初始种群，基于所述成本目标函数构建适应度函数，所述初始种群内的个体表示各所述空闲分拣机器人被分配的任务序列以及各所述空闲搬运机器人被分配的任务序列；
基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群；
计算种群内各个体的适应度值，基于各个体的适应度值确定任务分配策略。
2.根据权利要求1所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，所述第一成本模型为：
其中，表示第i个空闲分拣机器人，n表示空闲分拣机器人的总数量，/>表示第i个空闲分拣机器人的任务序列中的第一个分拣任务，/>表示空闲分拣机器人/>执行第一个分拣任务/>的成本，/>表示空闲分拣机器人/>在分拣任务/>和分拣任务间的任务切换成本，d表示空闲分拣机器人/>的任务序列中的分拣任务总数量，表示空闲分拣机器人/>执行分拣任务/>的成本。
3.根据权利要求1所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，所述第二成本模型为：
其中，表示第i个空闲搬运机器人，m表示空闲搬运机器人的总数量，/>表示第i个空闲搬运机器人的任务序列中的第一个搬运任务，/>表示空闲搬运机器人/>执行第一个搬运任务/>的成本，/>表示空闲搬运机器人/>在搬运任务/>和搬运任务/>间的任务切换成本，p表示空闲搬运机器人/>的任务序列中的搬运任务总数量，/>表示空闲搬运机器人/>执行搬运任务/>的成本。
4.根据权利要求1至3中任意一项所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，各所述空闲搬运机器人被分配的任务序列包括：把空料箱从装箱区搬运到分拣区的任务和把满料箱从分拣区搬运到装箱区的任务。
5.根据权利要求1所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，基于各初始个体之间的距离确定多个个体对，通过交叉算子、变异算子、交换算子、均衡算子和选择算子得到下一代种群，包括：
对所述初始种群内的初始个体进行编码；
基于各初始个体的编码计算编码距离，将所述编码距离小于预设数值的初始个体从所述初始种群中删除；
基于所述初始种群中保留的多个初始个体组成多个个体对；
通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群。
6.根据权利要求5所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，所述编码距离的计算公式为：
其中，d1和d2表示两个个体，l表示当前波次订单中分拣任务的总数量，k表示当前波次订单中空料箱搬运任务的总数量，v表示当前波次订单中满料箱搬运任务的总数量，表示d1和d2两个个体中相同的分拣任务被分配至不同分拣机器人的任务总数量，表示 d1和d2两个个体中相同的空料箱搬运任务被分配至不同搬运机器人的任务总数量，/>表示 d1和d2两个个体中相同的满料箱搬运任务被分配至不同搬运机器人的任务总数量，k 1 、k 2 、k 3均表示常数。
7.根据权利要求5所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，对所述初始种群内的初始个体进行编码，包括：
对所述初始种群内的初始个体进行两段双层式编码；其中，第一段第一层编码表示分拣任务编码，第一段第二层编码表示空闲分拣机器人编码，第二段第一层编码表示搬运任务编码，第二段第二层编码表示空闲搬运机器人编码。
8.根据权利要求7所述的高速分拣机器人集中式调度实时任务分配方法，其特征在于，通过交叉算子将多个所述个体对生成多个新个体对，通过变异算子、交换算子、均衡算子将多个所述初始个体生成多个新个体，基于所述选择算子对多个新个体对、多个新个体进行选择得到下一代种群，包括：
将所述个体对中第一个体的第一段编码和第二个体的第一段编码分别分成两段，将第一个体的第一段编码的前半段编码和第二个体的第一段编码的后半段编码进行组合，以及将第二个体的第一段编码的前半段编码和第一个体的第一段编码的后半段编码进行组合分别形成所述新个体对的第一个体的第一段编码和第二个体的第一段编码；
将所述个体对中第一个体的第二段编码和第二个体的第二段编码分别分成三段，将第一个体的第二段编码的前半段编码、后半段编码和第二个体的第二段编码的中间段编码进行组合，以及将第二个体的第二段编码的前半段编码、后半段编码和第一个体的第二段编码的中间段编码进行组合分别形成所述新个体对的第一个体的第二段编码和第二个体的第二段编码；
将所述初始种群中的第三个体的第一段第二层编码中的部分编码和第二段第二层编码中的部分编码分别进行编码倒置，形成变异新个体；
将所述初始种群中的第四个体的第一段第二层编码中的两个编码和第二段第二层编码中的两个编码分别进行位置互换，形成交换新个体；
基于所述初始种群中的第五个体的第一段编码获取分拣任务最多的第一分拣机器人，将所述第一分拣机器人的多个分拣任务中的其中一个分拣任务对应的分拣机器人编码修改为第二分拣机器人的分拣机器人编码，基于所述初始种群中的第五个体的第二段编码获取空料箱搬运任务最多的第一搬运机器人和满料箱搬运任务最多的第二搬运机器人，将所述第一搬运机器人的多个空料箱搬运任务中的其中一个空料箱搬运任务对应的搬运机器人编码修改为第三搬运机器人的搬运机器人编码，将所述第二搬运机器人的多个满料箱搬运任务中的其中一个满料箱搬运任务对应的搬运机器人编码修改为第四搬运机器人的搬运机器人编码，形成贪心新个体；
基于形成的所述新个体对、变异新个体、交换新个体以及贪心新个体的适应度函数通过选择算子选择优良个体，基于所述优良个体得到下一代种群。
9.一种高速分拣机器人集中式调度实时任务分配系统，该系统包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至8中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。
CN202310808474.8A 2023-07-04 2023-07-04 高速分拣机器人集中式调度实时任务分配方法及装置 Active CN116542493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310808474.8A CN116542493B (zh) 2023-07-04 2023-07-04 高速分拣机器人集中式调度实时任务分配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310808474.8A CN116542493B (zh) 2023-07-04 2023-07-04 高速分拣机器人集中式调度实时任务分配方法及装置

Publications (2)

Publication Number Publication Date
CN116542493A true CN116542493A (zh) 2023-08-04
CN116542493B CN116542493B (zh) 2023-10-10

Family

ID=87454495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310808474.8A Active CN116542493B (zh) 2023-07-04 2023-07-04 高速分拣机器人集中式调度实时任务分配方法及装置

Country Status (1)

Country Link
CN (1) CN116542493B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112371518A (zh) * 2020-10-15 2021-02-19 北京极智嘉科技有限公司 物品分拣系统和方法
CN113968445A (zh) * 2021-11-18 2022-01-25 宝开(上海)智能物流科技有限公司 一种轻小件高速分拣控制方法、系统及装置
JP7066029B1 (ja) * 2020-12-04 2022-05-12 シャンハイ クイックトロン インテリジェント テクノロジー カンパニー リミテッド 倉庫システムの制御方法、装置、設備及びコンピュータ可読記憶媒体
CN115759407A (zh) * 2022-11-18 2023-03-07 宝开(上海)智能物流科技有限公司 基于分拣系统的多维调度方案优化方法、系统和存储介质
CN115933664A (zh) * 2022-12-13 2023-04-07 华东理工大学 物流机器人的调度方法以及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112371518A (zh) * 2020-10-15 2021-02-19 北京极智嘉科技有限公司 物品分拣系统和方法
JP7066029B1 (ja) * 2020-12-04 2022-05-12 シャンハイ クイックトロン インテリジェント テクノロジー カンパニー リミテッド 倉庫システムの制御方法、装置、設備及びコンピュータ可読記憶媒体
CN113968445A (zh) * 2021-11-18 2022-01-25 宝开(上海)智能物流科技有限公司 一种轻小件高速分拣控制方法、系统及装置
CN115759407A (zh) * 2022-11-18 2023-03-07 宝开(上海)智能物流科技有限公司 基于分拣系统的多维调度方案优化方法、系统和存储介质
CN115933664A (zh) * 2022-12-13 2023-04-07 华东理工大学 物流机器人的调度方法以及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
辜勇;段晶晶;袁源乙;苏宇霞;: "基于遗传算法的仓储机器人多目标路径规划方法", 物流技术, no. 06 *

Also Published As

Publication number Publication date
CN116542493B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN111065103B (zh) 一种多目标优化的无线传感器网络节点部署方法
CN109784566A (zh) 一种订单排序优化方法及装置
CN115759407B (zh) 基于分拣系统的多维调度方案优化方法、系统和存储介质
CN108764777A (zh) 带时间窗的电动物流车调度方法和系统
CN110852530B (zh) 一种多车场多车型的车辆路径规划方法
Zeng et al. Integrated optimization of pickup sequence and container rehandling based on partial truck arrival information
CN111382889A (zh) 仓储库位推荐方法、装置、设备及介质
CN113706081B (zh) 基于城市屋顶自动快递装置的无人机取送货系统和方法
CN107230023A (zh) 基于改进和声搜索的生产和运输协同调度方法和系统
CN115796530A (zh) 一种同时送货和取货的机器人物流调度优化方法
CN114626794B (zh) 基于物联网的仓储立库穿梭车路径规划方法及系统
Homayouni et al. Joint scheduling of production and transport with alternative job routing in flexible manufacturing systems
CN116542493B (zh) 高速分拣机器人集中式调度实时任务分配方法及装置
CN117930842B (zh) 一种多agv任务分配方法
CN111027875A (zh) 一种基于自适应任务池的智能仓储多机器人任务分配方法
CN110264140A (zh) 一种带时间窗的物流运输调度方法、装置及设备
CN116136990B (zh) 一种考虑三维装箱问题的车辆路径规划方法
CN116822884B (zh) 一种柔性制造系统中多天车协同调度方法
WO2023173992A1 (zh) 货物配送方法、装置和设备
CN117389300A (zh) 一种城市战争无人机编队侦察任务分配方法
CN116167245B (zh) 基于多属性转运决策模型的多式联运粮食运输方法及系统
CN117035599A (zh) 基于改进moea/d算法的车辆装载和路径优化系统及方法
Hirashima et al. A new reinforcement learning for group-based marshaling plan considering desired layout of containers in port terminals
CN116540743B (zh) 高速分拣机器人集中式调度实时路径规划方法及装置
CN109934411B (zh) 考虑紧急度的应急救灾智能路径规划方法及装置

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
GR01 Patent grant