CN117196263B - 一种货物调度方法、装置、设备及计算机可读存储介质 - Google Patents
一种货物调度方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117196263B CN117196263B CN202311463059.XA CN202311463059A CN117196263B CN 117196263 B CN117196263 B CN 117196263B CN 202311463059 A CN202311463059 A CN 202311463059A CN 117196263 B CN117196263 B CN 117196263B
- Authority
- CN
- China
- Prior art keywords
- task
- tasks
- time
- mode
- probability
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 76
- 238000012546 transfer Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 126
- 238000011084 recovery Methods 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 210000000349 chromosome Anatomy 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物流技术领域，具体涉及一种货物调度方法、装置、设备及计算机可读存储介质，所述方法包括：获取任务信息；根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度。本发明解决了现有货物调度算法无法应对存在故障情况下的“退货”问题，提高了系统整体的运行效率，并进一步提升了调度过程的实时性。
Description
技术领域
本发明涉及物流技术领域，尤其是一种货物调度方法、装置、设备及计算机可读存储介质。
背景技术
近年来，随着各类商超和电商企业的崛起，物流和仓储行业也在加速发展。在这个过程中，大型仓库的储存密度和存放效率逐步成为业界关注的热点问题。针对这种状况，集中式多层货架应运而生。集中式多层货架依托先进的自动化技术，可以大幅提升仓库内货物的存储密度和存储效率，满足现代仓储物流企业对智能化、高效化管理的需求。同时，集中式多层货架还能帮助企业节省成本并提高盈利能力，成为当今物流和仓储行业的主流选择。
在集中式多层货架系统中，四向车是一种常用的自动化存储和取货设备。四向车可以沿着水平和垂直方向行走，通过高度自动化的技术，完成货物存储和取出的过程。然而，集中式多层货架系统存在多个四向车，四向车之间需要相互配合相互协作。由此可见，四向车的运行调度关乎着仓库的运转效率。
针对集中式多层货架系统，现有四向车多机协同调度方法包括遗传算法、模拟退火算法、蚁群算法、A*算法等，这些方法分析了四向车数量及分拣过程对系统运行效率的影响。但这些方法也存在一些明显的缺陷，比如：遗传算法和蚁群算法的求解速度较慢，难以做到实时调度；模拟退火算法和A*算法需要迭代多次才能达到最优解，且需要较高的平台算力。在集中式多层货架系统中，四向车往往都处于运动中，调度算法应该满足实时或者接近实时的条件，因此在应用遗传算法和蚁群算法等需要较长时间求解的算法时，四向车的调度过程会出现明显的延后现象，在应用模拟退火算法和A*算法等需要迭代多次才能达到最优解的算法时，需要部署高性能计算平台，这无疑增加了系统的运营成本。除上述缺陷以外，现有方法只关注四向车运行过程中的最优问题，这种调度模式适合“取货-出货”和“入库-放货”任务，这些方法并未考虑“退货”问题，当四向车在进行“取货-出货”任务时，若所取货物被发起了退货请求，“退货”会导致现有方法的优化条件发生改变，使得现有方法无法正常调度。针对这一问题的现有解决方案是让四向车继续执行“取货-出货”任务，待货物到达出货口后再将“退货”任务视为“入库-放货”任务执行。这一方法虽然能解决退货问题，但执行效率极低，当退货需求增多时，可能出现系统拥堵的现象。
发明内容
为解决上述现有技术问题，本发明提供一种货物调度方法，应用于集中式多层货架系统，所述集中式多层货架系统包括四向车和转运车，所述方法包括：
应用于集中式多层货架系统，所述集中式多层货架系统包括四向车和转运车，所述方法包括：
获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
根据所述目标任务序列，操作所述四向车以及所述转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率；
所述集中式多层货架系统还包括多层货架，所述多层货架中的每一层包括多个通道，所述任务种类包括出库任务、出货任务、退货任务以及在途退货任务；
所述获取任务信息，包括：
从订单池中获取任务；
根据所述四向车、所述转运车以及所述通道的位置关系，计算得到所述执行时间；
所述根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件，包括：
根据所述任务信息，确定所述订单池对应的任务模式，所述任务模式为第一模式、第二模式或第三模式，所述第一模式用于表征所述订单池中的任务均为所述出库任务或所述退货任务且有故障；所述第二模式用于表征所述订单池中的任务包括出库任务、退货任务以及在途退货任务且有故障；所述第三模式用于表征所述订单池中的任务包括出库任务以及退货任务但无在途退货任务且有故障；
根据所述任务模式，构建所述任务模式对应的优化目标函数并设定所述优化目标函数对应的约束条件；
所述根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，包括：
根据所述任务信息、所述优化目标函数以及所述约束条件，计算得到目标最优解集；
根据预先设定的突变概率，通过带精英策略的快速非支配排序遗传算法，从所述目标最优解集中筛选出所述目标任务序列；
若所述任务模式为第一模式，则所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果；故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
具体的，若所述任务模式为第二模式，则所述优化目标函数通过下列表达式表示：
Ta＝XS′S×tS′S
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示任务的标号的下一任务标号，f为目标函数，g(Td，Ta)表示货物在途时间函数，Td表示退货任务平均在途时间，Ta表示非退货在途时间，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
具体的，若所述任务模式为第三模式，则所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，为退货任务的数量，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
另一方面，本发明还提供一种货物调度装置，所述装置包括：
任务信息获取单元，用于获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
优化目标函数构建单元，用于根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
目标任务序列获取单元，用于根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
调度执行单元，用于根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度，以使得最大化集中式多层货架系统的运行效率；
所述集中式多层货架系统还包括多层货架，所述多层货架中的每一层包括多个通道，所述任务种类包括出库任务、出货任务、退货任务以及在途退货任务；
所述任务信息获取单元包括：
任务获取子单元，用于从订单池中获取任务；
执行时间获取子单元，用于根据所述四向车、所述转运车以及所述通道的位置关系，计算得到所述执行时间；
所述优化目标函数构建单元包括：
任务模式确定子单元，用于根据所述任务信息，确定所述订单池对应的任务模式，所述任务模式为第一模式、第二模式或第三模式，所述第一模式用于表征所述订单池中的任务均为所述出库任务或所述退货任务且有故障；所述第二模式用于表征所述订单池中的任务包括出库任务、退货任务以及在途退货任务且有故障；所述第三模式用于表征所述订单池中的任务包括出库任务以及退货任务但无在途退货任务且有故障；
优化目标函数构建子单元，用于根据所述任务模式，构建所述任务模式对应的优化目标函数并设定所述优化目标函数对应的约束条件；
所述目标任务序列获取单元包括：
目标最优解集获取子单元，用于根据所述任务信息、所述优化目标函数以及所述约束条件，计算得到目标最优解集；
目标任务序列筛选子单元，用于根据预先设定的突变概率，通过带精英策略的快速非支配排序遗传算法，从所述目标最优解集中筛选出所述目标任务序列。
另一方面，本发明还提供一种电子设备，该电子设备包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现所述的方法。
另一方面，本发明还提供一种计算机可读存储介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行所述的方法。
本发明的有益效果体现在，使用三种任务模式结合事件触发机制的四向车动态任务调度解决了针对“退货”问题的现有方法执行效率低的问题，提高了系统整体的运行效率；同时，通过带精英策略的快速非支配排序遗传算法用于求解调度过程中的优化问题，使得求解速度上有较大提升，并进一步提高了调度过程的实时性。
附图说明
图1为本发明所提供的一种货物调度方法的流程示意图；
图2为本发明所提供的一种货物调度装置的一种结构示意图；
图3为本发明所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
本申请实施例中的术语“第一”、“第二”、“第三”、“第四”等是用于区分不同对象，而非用于描述特定顺序。
本申请实施例中的术语“包括”及其任何形式的变形，意图在于覆盖不排他的包含。
本申请实施例提供一种货物调度方法、装置、电子设备和计算机可读存储介质。
其中，该装置具体可以集成在计算机设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑，或者个人电脑(PersonalComputer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该装置还可以集成在多个电子设备中，比如，所述装置可以集成在多个服务器中，由多个服务器来实现本申请的方法。
在一些实施例中，服务器也可以以终端的形式来实现。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
实施例1
本发明实施例提供了一种货物吧调度方法，如图1，应用于集中式多层货架系统，所述集中式多层货架系统包括四向车和转运车，所述方法的具体流程包括步骤S100至步骤S400：
S100、获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间。
在本申请的一些实施例中，所述集中式多层货架系统还包括多层货架，所述多层货架中的每一层包括多个通道，所述任务种类包括出库任务、出货任务、退货任务以及在途退货任务。
在本申请的一些实施例中，所述步骤S100包括以下具体步骤：
步骤S110、从订单池中获取任务。
步骤S120、根据所述四向车、所述转运车以及所述通道的位置关系，计算得到所述执行时间。
步骤S200、根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件。
在本申请的一些实施例中，所述步骤S200包括以下具体步骤：
步骤S210、根据所述任务信息，确定所述订单池对应的任务模式。
具体的，所述任务模式为第一模式、第二模式或第三模式，所述第一模式用于表征所述订单池中的任务均为所述出库任务或所述退货任务，所述第二模式用于表征所述订单池中的任务包括出库任务、退货任务以及在途退货任务，所述第三模式用于表征所述订单池中的任务包括出库任务以及退货任务。
步骤S220、根据所述任务模式，构建所述任务模式对应的优化目标函数并设定所述优化目标函数对应的约束条件。
步骤S300、根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列。
在本申请的一些实施例中，所述步骤S300包括以下具体步骤：
步骤S310、根据所述任务信息、所述优化目标函数以及所述约束条件，计算得到目标最优解集。
步骤S320、根据预先设定的突变概率，通过带精英策略的快速非支配排序遗传算法，从所述目标最优解集中筛选出所述目标任务序列。
在本申请的一些实施例中，若所述任务模式为第一模式，则所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S′时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果；故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
在本申请的一些实施例中，若所述任务模式为第二模式，则所述优化目标函数通过下列表达式表示：
Ta＝XS′S×tS′S
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，g(Td，Ta)表示货物在途时间函数，Td表示退货任务平均在途时间，Ta表示非退货在途时间，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
在本申请的一些实施例中，若所述任务模式为第三模式，则所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，为退货任务的数量，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
步骤S400、根据所述目标任务序列，操作所述四向车以及所述转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率。
下面通过一个具体实施过程对本实施例作进一步阐述：
本实施例所提出的任务模式有三种，全出库/全退货任务模式、复合作业下有在途退货任务的任务模式、复合作业下无在途退货的任务模式，即分别为所述第一模式、第二模式和第三模式。全出库/全退货任务模式：四向车订单池为所有出库任务或退货任务，此时，四向车采用单一操作模式。复合作业下无在途退货的任务模式：四向车订单池中既有出库任务，也有退货任务，但没有在途退回任务。复合作业下有在途退货任务的任务模式：随着任务的进行，退货任务生成，四向车的订单池发生变化。有出库任务和退货任务，也有在途退货任务。所有模式均存在故障的可能。
在四向车任务的动态调度中，使用了事件触发机制。每次任务退货仓库时，都会根据当前任务组合模式触发相应的调度优化算法，对任务序列进行重新优化。它包括三种调度优化方法。当订单池中的任务全部出库或全部退货仓库时，采用具有精英策略的快速非支配排序遗传算法对任务序列进行优化，目标是总任务完成时间最短。当订单池中同时存在出库和退货任务时，确定是否有退货任务在途。如果有，以退货任务等待时间最短和预测期内完成任务数量最多为目标，优化任务序列；否则，以总任务完成时间和退货任务等待时间最短为目标优化任务序列。
在集中式多层货架系统中，一排货架上设有d个货物存储空间，每个货物存储空间的长度为q，宽度为p，通道宽度为o。每一层有m个通道，通道编号为Ri(i＝1,2,3，......，m)，有n辆四向车，四向车编号为Cj(j＝1,2,3，......，n)。第j辆四向车的位置坐标为 是四向车所在的通道编号，是四向机对应的货物存储空间编号。第j辆四向车的任务数为当中包含个出货任务，个退货任务，第S个任务所关联的货物存储位置为转运车的坐标为(XC，YC)，XC是转运车所在通道的编号，由于转运车是固定在一条直线上运动，因此YC的值为0。
集中式多层货架系统的运行时间为 为四向车的任务执行时间，取最大值作为集中式多层货架系统整个系统的运行时间。对于第S个任务，其生成时间为其中，为第S个任务的结束时间，tl为吊装时间，tsorting为算法执行时间，tr为输送线运输时间。任务S的执行时间为tS′S，所述执行时间的计算方式分为以下4种：
(一)如果任务S是出货任务，并且任务S与四向车在同一通道中，即上一个任务S′和任务S在同一过道中(任务S的初始位置为上一个任务S′的结束位置)。
其中，是四向车从当前位置行驶到出库货物存储位置的时间，是四向车从出库货物存放位置提取货物并进入出库缓冲区的时间。Th为四向车取货或者放货的时间。q为货物的数量。V1为四向车速度。
(二)如果任务S是出库任务，并且任务S与四向车不在同一通道中，即任务S′和任务S不在相同通道中。
其中，和Th的含义与(一)中的相同，Tc为四向车上下转运车的固定时间。表示四向车从当前位置到当前通道的转移端口的时间，表示转移车辆从当前位置到达四向车和四向车的通道并被带到出库任务所在的通道的转移端口的时间。是四向车从中转移动到出库货物存储位置的时间。V1为四向车速度，V2为转移车的速度。
(三)如果任务S是退货任务，并且任务S与四向车在同一通道中，即任务S和任务S′在同一过道中。
其中，是四向车从当前位置行驶到退货缓冲区的时间，四向车从退货缓冲区到货物存储位置的时间，Th是四向车取货或者放货的时间。V1为四向车速度。
(四)如果任务S是退货任务，并且任务S与四向车不在同一通道中，即任务S和任务S′不在相同通道中。
其中，和Th的含义与(三)中的相同，Tc为四向车上下转运车的固定时间。指四向车从当前位置到当前通道的传送端口的时间，表示从当前位置到四向车通道的转运车和四向车被带到退货任务所在通道的转运端口的时间。是四向车从传送端口移动到退货缓冲区的时间。Tc为四向车上下转运车的固定时间。V1为四向车速度，V2为转移车的速度。
接续上述内容，即可构建对应的优化目标函数并设定约束条件。
(a)第一模式：
对于某个四向车，当订单池具有单个任务状态时，即当任务都是出库或退货任务时，任务数量为不同的任务队列会导致四向车的距离和运行时间不同。更改四向车的任务执行顺序，以减少总任务完成时间。
所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值。
(b)第二模式：
在跨通道四向车系统中，第j辆四向车在时间Ta具有出库任务和退货任务，并包括在途退货任务。据预测，在第Td秒，将生成一个退货任务并进入订单池。不同的任务队列将导致四向车的距离、运行时间和等待时间不同。调整任务队列的顺序，以便在生成预测退货任务之前尽可能多地完成任务，并缩短退货任务的等待时间。该优化目标函数是一个双目标优化模型函数。
所述优化目标函数通过下列表达式表示：
Ta＝XS′S×tS′S
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，g(Td，Ta)表示货物在途时间函数，Td表示退货任务平均在途时间，Ta表示非退货在途时间，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果；故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
(c)第三模式：
在系统中，第j辆四向车有个出库任务和退货任务，没有在途退货任务。任务总数为任务顺序不同，四向车的总运行时间和退货任务的等待时间也会不同。通过改变四向车的任务执行顺序，减少了任务的总完成时间和退货任务的等待时间。该优化目标函数是一个双目标优化模型函数。
所述优化目标函数通过下列表达式表示：
所述约束条件通过下列表达式表示：
XS′S＝P[S′|S]
其中，S表示任务的标号，S′表示当前任务的下一任务标号，f为目标函数，为退货任务的数量，表示第S个任务的开始时间，表示第S个退货任务进入任务队列的时间，表示第j辆四向车的任务数，XS′S表示任务S对应的下一个任务是任务S′的概率，P[S′|S]为概率函数，tS′S为任务S对应的执行时间，为第j辆四向车的总空闲时间，ζ(S)表示四向车在执行任务S时发生故障的概率，tr为故障恢复时间，为第j辆四向车完成所有任务的总时间。
具体的，所述故障恢复时间tr由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数P[S′|S]为历史任务的概率分布统计结果，故障概率ζ(S)为一个分段函数，具体为：
其中，p1、p2、p3均为概率值，weightS为任务S中四向车所携带的货物重量。
快速非支配排序方法可以降低算法的复杂度，拥塞度和比较算子可以保持种群的多样性；并且，引入精英策略可以扩大样本空间，快速提高种群水平，有效缩短求解时间，使求解结果尽可能最优。
因此，所述步骤S300可以包括以下具体流程：
对于集中式多层货架系统的优化目标函数所构成的任务调度模型染色体编码是自然编码，染色体是任务序列，任务序列中的个体是(r1,r2,r3,...,rn)，其中rn代表染色体中的某个基因，i表示任务执行的顺序。
对于三个模式分别对应的目标函数，在总体中找到目标函数的帕累托最优解集。首先，基于多目标函数的值，找到第一层Pareto最优解B1。在去除B1之后，在种群中的剩余个体中确定第二层最优解集合B2。循环直到种群中的所有个体都被分层。同一层中的个体的虚拟适应度值是相等的。层数越小，虚拟适应度值就越大。当染色体层数一致时，应比较染色体的拥挤距离，以确定哪条染色体更合适。
拥挤距离为：
dis＝(f.(k+1)-f.(k-1))/(maxf.-minf.)
其中，f.代表上述中的f1,f2，由选择的任务模式决定。
具体来讲，父母和子女是由分层和拥挤距离决定的。对于同一种群中的个体，根据层数由小到大和拥挤距离由大到小的要求，将个体按顺序放置在集合中，直到满足精英保留政策。采用类似PMX的交叉方法。选择A和B两条染色体，在A和B中随机选择两个点。中间部分是染色体的横截面。A和B的横截面被放置在彼此染色体的前面以形成染色体A1和B1。去除每条染色体中重复的基因项，得到杂交个体A2和B2。使用反转突变运算符。选择A染色体的两个随机点，中间为变异区间，将变异区间基因按相反顺序改写为变异区域，有效提高了遗传算法的全局优化性。
在本申请的一些实施例中，优选的突变概率Pm＝0.2。使用迭代次数终止方法，当达到最大迭代次数时，选择适应度最高的染色体作为算法的最优解，即最优任务队列顺序。
对于Pareto解集，即目标最优解集，在第二模式中，优选总任务完成时间最短的解；在第三模式中，优选总完成任务数最多的解决方案。如果有多个相同的解决方案，请选择退货任务等待时间最少的单个解决方案。
综上，本发明实施例具备以下有益效果：
使用三种任务模式结合事件触发机制的四向车动态任务调度解决了针对“退货”问题的现有方法执行效率低的问题，提高了系统整体的运行效率；同时，通过带精英策略的快速非支配排序遗传算法用于求解调度过程中的优化问题，使得求解速度上有较大提升，并进一步提高了调度过程的实时性。
实施例2
本发明实施例与实施例1均属于同一发明构思，本发明实施例提供了一种货物调度装置，如图2所示，所述装置包括：
任务信息获取单元201，用于获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
优化目标函数构建单元202，用于根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
目标任务序列获取单元203，用于根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
调度执行单元204，用于根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
实施例3
本发明实施例与实施例1、2均属于同一发明构思，本发明实施例提供了一种电子设备，所述电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。
在一些实施例中，所述装置还可以集成在多个设备中，比如，所述装置可以集成在多个服务器中，由多个服务器来实现本申请的所述方法。
比如，如图3所示，其示出了本申请实施例所涉及的设备的结构示意图，具体来讲：
该设备可以包括一个或者一个以上处理核心的处理器301、一个或一个以上存储介质的存储器302、电源303、输入模块304以及通信模块305等部件。本领域技术人员可以理解，图3中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器301是该设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行设备的各种功能和处理数据。在一些实施例中，处理器301可包括一个或多个处理核心；在一些实施例中，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件，或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。
设备还包括给各个部件供电的电源303，在一些实施例中，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电，以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该设备还可包括输入模块304，该输入模块304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该设备还可包括通信模块305，在一些实施例中通信模块305可以包括无线模块，设备可以通过该通信模块305的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块305可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出，设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，设备中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：
获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种所述方法中的步骤。例如，该指令可以执行如下步骤：
获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种所述方法中的步骤，因此，可以实现本申请实施例所提供的任一种所述方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上结合附图详细描述了一些本发明的实施例的可选实施方式，但是，实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种货物调度方法，其特征在于，应用于集中式多层货架系统，所述集中式多层货架系统包括四向车和转运车，所述方法包括：
获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
根据所述目标任务序列，操作所述四向车以及所述转运车移动并执行所述目标任务序列，完成调度，以使得最大化所述集中式多层货架系统的运行效率；
所述集中式多层货架系统还包括多层货架，所述多层货架中的每一层包括多个通道，所述任务种类包括出库任务、出货任务、退货任务以及在途退货任务；
所述获取任务信息，包括：
从订单池中获取任务；
根据所述四向车、所述转运车以及所述通道的位置关系，计算得到所述执行时间；
所述根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件，包括：
根据所述任务信息，确定所述订单池对应的任务模式，所述任务模式为第一模式、第二模式或第三模式，所述第一模式用于表征所述订单池中的任务均为所述出库任务或所述退货任务且有故障；所述第二模式用于表征所述订单池中的任务包括出库任务、退货任务以及在途退货任务且有故障；所述第三模式用于表征所述订单池中的任务包括出库任务以及退货任务但无在途退货任务且有故障；
根据所述任务模式，构建所述任务模式对应的优化目标函数并设定所述优化目标函数对应的约束条件；
所述根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，包括：
根据所述任务信息、所述优化目标函数以及所述约束条件，计算得到目标最优解集；
根据预先设定的突变概率，通过带精英策略的快速非支配排序遗传算法，从所述目标最优解集中筛选出所述目标任务序列；
若所述任务模式为第一模式，则所述优化目标函数通过下列表达式表示：
；
所述约束条件通过下列表达式表示：
；
；
其中，表示任务的标号，表示当前任务的下一任务标号，为目标函数，表示第辆四向车的任务数，表示任务对应的下一个任务是任务的概率，为概率函数，为任务对应的执行时间，为第辆四向车的总空闲时间，表示四向车在执行任务时发生故障的概率，为故障恢复时间，为第辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数为历史任务的概率分布统计结果；故障概率为一个分段函数，具体为：
；
其中，、、均为概率值，为任务中四向车所携带的货物重量。
2.根据权利要求1所述的方法，其特征在于，若所述任务模式为第二模式，则所述优化目标函数通过下列表达式表示：
；
；
所述约束条件通过下列表达式表示：
；
；
其中，表示任务的标号，表示任务的标号的下一任务标号，为目标函数，表示货物在途时间函数，表示退货任务平均在途时间，表示非退货在途时间，表示第个任务的开始时间，表示第个退货任务进入任务队列的时间，表示第辆四向车的任务数，表示任务对应的下一个任务是任务的概率，为概率函数，为任务对应的执行时间，为第辆四向车的总空闲时间，表示四向车在执行任务时发生故障的概率，为故障恢复时间，为第辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数为历史任务的概率分布统计结果；故障概率为一个分段函数，具体为：
；
其中，、、均为概率值，为任务中四向车所携带的货物重量。
3.根据权利要求1所述的方法，其特征在于，若所述任务模式为第三模式，则所述优化目标函数通过下列表达式表示：
；
；
所述约束条件通过下列表达式表示：
；
；
其中，表示任务的标号，表示当前任务的下一任务标号，为目标函数，为退货任务的数量，表示第个任务的开始时间，表示第个退货任务进入任务队列的时间，表示第辆四向车的任务数，表示任务对应的下一个任务是任务的概率，为概率函数，为任务对应的执行时间，为第辆四向车的总空闲时间，表示四向车在执行任务时发生故障的概率，为故障恢复时间，为第辆四向车完成所有任务的总时间；
具体的，所述故障恢复时间由任务队列中与故障四向车相邻的后一辆四向车到达故障车辆的时间所决定，概率函数为历史任务的概率分布统计结果；故障概率为一个分段函数，具体为：
；
其中，、、均为概率值，为任务中四向车所携带的货物重量。
4.一种货物调度装置，其特征在于，所述装置包括：
任务信息获取单元，用于获取任务信息，所述任务信息包括任务对应的任务种类以及所述任务种类对应的执行时间；
优化目标函数构建单元，用于根据所述任务信息，构建优化目标函数并设定所述优化目标函数对应的约束条件；
目标任务序列获取单元，用于根据所述任务信息、所述优化目标函数以及所述约束条件，通过带精英策略的快速非支配排序遗传算法，计算得到目标任务序列，所述目标任务序列用于表征任务对应的目标调度顺序；
调度执行单元，用于根据所述目标任务序列，操作四向车以及转运车移动并执行所述目标任务序列，完成调度，以使得最大化集中式多层货架系统的运行效率；
所述集中式多层货架系统还包括多层货架，所述多层货架中的每一层包括多个通道，所述任务种类包括出库任务、出货任务、退货任务以及在途退货任务；
所述任务信息获取单元包括：
任务获取子单元，用于从订单池中获取任务；
执行时间获取子单元，用于根据所述四向车、所述转运车以及所述通道的位置关系，计算得到所述执行时间；
所述优化目标函数构建单元包括：
任务模式确定子单元，用于根据所述任务信息，确定所述订单池对应的任务模式，所述任务模式为第一模式、第二模式或第三模式，所述第一模式用于表征所述订单池中的任务均为所述出库任务或所述退货任务且有故障；所述第二模式用于表征所述订单池中的任务包括出库任务、退货任务以及在途退货任务且有故障；所述第三模式用于表征所述订单池中的任务包括出库任务以及退货任务但无在途退货任务且有故障；
优化目标函数构建子单元，用于根据所述任务模式，构建所述任务模式对应的优化目标函数并设定所述优化目标函数对应的约束条件；
所述目标任务序列获取单元包括：
目标最优解集获取子单元，用于根据所述任务信息、所述优化目标函数以及所述约束条件，计算得到目标最优解集；
目标任务序列筛选子单元，用于根据预先设定的突变概率，通过带精英策略的快速非支配排序遗传算法，从所述目标最优解集中筛选出所述目标任务序列。
5.一种电子设备，其特征在于，该电子设备包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至3中任意一项权利要求所述的方法。
6.一种计算机可读存储介质，存储有计算机指令，其特征在于，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1至3中任意一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311463059.XA CN117196263B (zh) | 2023-11-06 | 2023-11-06 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311463059.XA CN117196263B (zh) | 2023-11-06 | 2023-11-06 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196263A CN117196263A (zh) | 2023-12-08 |
| CN117196263B true CN117196263B (zh) | 2024-02-09 |
Family
ID=89003801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311463059.XA Active CN117196263B (zh) | 2023-11-06 | 2023-11-06 | 一种货物调度方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196263B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955818A (zh) * | 2014-05-27 | 2014-07-30 | 山东大学 | 多层穿梭车自动仓储系统的任务调度方法 |
| CN106773686A (zh) * | 2016-12-12 | 2017-05-31 | 西安建筑科技大学 | 同轨双车运行模式下堆垛机调度路径模型建立方法 |
| CN111552553A (zh) * | 2020-04-29 | 2020-08-18 | 电子科技大学 | 一种基于模拟退火的多任务快速调度方法 |
| CN112070412A (zh) * | 2020-09-15 | 2020-12-11 | 吉林大学 | 一种立体库多提升机的配置方案及任务调度方法 |
| CN112270500A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种智能供应链物流调度方法和系统 |
| CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
| CN113408771A (zh) * | 2020-03-16 | 2021-09-17 | 北京京东振世信息技术有限公司 | 物品出库调度方法、装置以及存储介质 |
| CN115578023A (zh) * | 2022-10-31 | 2023-01-06 | 中国农业银行股份有限公司 | 一种装配车间调度方法、装置、设备和存储介质 |
| CN116342039A (zh) * | 2023-04-03 | 2023-06-27 | 辽宁理工职业大学 | 一种立体仓库的货物分配和拣选的优化方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160189090A1 (en) * | 2014-12-30 | 2016-06-30 | Shamik Chakraborty | Smart Scheduling for Processing Back Orders |
| US10146592B2 (en) * | 2015-09-18 | 2018-12-04 | Salesforce.Com, Inc. | Managing resource allocation in a stream processing framework |
-
2023
- 2023-11-06 CN CN202311463059.XA patent/CN117196263B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955818A (zh) * | 2014-05-27 | 2014-07-30 | 山东大学 | 多层穿梭车自动仓储系统的任务调度方法 |
| CN106773686A (zh) * | 2016-12-12 | 2017-05-31 | 西安建筑科技大学 | 同轨双车运行模式下堆垛机调度路径模型建立方法 |
| CN113408771A (zh) * | 2020-03-16 | 2021-09-17 | 北京京东振世信息技术有限公司 | 物品出库调度方法、装置以及存储介质 |
| CN111552553A (zh) * | 2020-04-29 | 2020-08-18 | 电子科技大学 | 一种基于模拟退火的多任务快速调度方法 |
| CN112070412A (zh) * | 2020-09-15 | 2020-12-11 | 吉林大学 | 一种立体库多提升机的配置方案及任务调度方法 |
| CN112270500A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种智能供应链物流调度方法和系统 |
| CN113222387A (zh) * | 2021-04-30 | 2021-08-06 | 北京理工新源信息科技有限公司 | 面向氢燃料车辆的多目标调度与协同优化方法 |
| CN115578023A (zh) * | 2022-10-31 | 2023-01-06 | 中国农业银行股份有限公司 | 一种装配车间调度方法、装置、设备和存储介质 |
| CN116342039A (zh) * | 2023-04-03 | 2023-06-27 | 辽宁理工职业大学 | 一种立体仓库的货物分配和拣选的优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| B2C电商环境下集中式退货中心的车辆调度;张新艳;周健;林婷;;浙江大学学报(工学版)(03);598-604 * |
| 基于快速非支配排序的多机器人任务分配方法;蔡帛良;魏长赟;张鹏鹏;;计算机与数字工程(04);786-792 * |
| 智慧制造云中供应链管理的计划调度技术综述;肖莹莹;李伯虎;侯宝存;施国强;林廷宇;杨晨;;计算机集成制造系统(07);1619-1635 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196263A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220063915A1 (en) | Goods sorting method and goods sorting system | |
| EP3816886B1 (en) | Management method, apparatus, system applied to goods-to-person system, and server and computer storage medium | |
| Tappia et al. | Integrated storage-order picking systems: Technology, performance models, and design insights | |
| CN113222293A (zh) | 一种智能立体仓库优化调度方法 | |
| 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 | |
| Vrysagotis et al. | Warehouse layout problems: Types of problems and solution algorithms | |
| CN111860919A (zh) | 库货架存储策略的确定方法、装置、介质及电子设备 | |
| Khojasteh et al. | A travel time model for order picking systems in automated warehouses | |
| Lin et al. | MLATSO: A method for task scheduling optimization in multi-load AGVs-based systems | |
| CN110134985A (zh) | 多层穿梭车系统输送机缓存长度建模及优化方法 | |
| CN112989696A (zh) | 一种基于移动机器人的自动拣选系统货位优化方法及系统 | |
| Lu et al. | An automated guided vehicle conflict-free scheduling approach considering assignment rules in a robotic mobile fulfillment system | |
| Yang et al. | Research on design of cross-aisles shuttle-based storage/retrieval system based on improved particle swarm optimization | |
| Schwab | A decentralized control strategy for high density material flow systems with automated guided vehicles | |
| Singh et al. | Dispatching AGVs with battery constraints using deep reinforcement learning | |
| CN117196263B (zh) | 一种货物调度方法、装置、设备及计算机可读存储介质 | |
| CN112034841A (zh) | 一种无人环境下的提货方法、系统和计算机可读存储介质 | |
| CN111709565A (zh) | 一种基于多层穿梭车系统的能效优化方法及系统 | |
| CN111994535A (zh) | 适用于立库仓储系统的入库储位调度方法 | |
| CN114493181B (zh) | 一种智能仓储环境下的多负载agv任务调度方法 | |
| CN115167457A (zh) | 一种考虑电量约束的多agv调度与协同路径规划方法和装置 | |
| Lin et al. | A model and a task scheduling method for double-deep tier-captive SBS/RS with alternative elevator-patterns | |
| CN115660551A (zh) | 一种电网计量物资无人值守仓库多agv调度优化方法及系统 | |
| CN113534783B (zh) | 仓库内运输车的分配方法、装置和电子设备 | |
| TWI701622B (zh) | 用於機器人場地回流的方法和裝置 |
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 |