CN117314283A - 混流装配车间的物料配送方法、装置、系统及存储介质 - Google Patents
混流装配车间的物料配送方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN117314283A CN117314283A CN202311333532.2A CN202311333532A CN117314283A CN 117314283 A CN117314283 A CN 117314283A CN 202311333532 A CN202311333532 A CN 202311333532A CN 117314283 A CN117314283 A CN 117314283A
- Authority
- CN
- China
- Prior art keywords
- delivery
- distribution
- correction
- station node
- information
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 340
- 239000000463 material Substances 0.000 title claims abstract description 286
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 521
- 238000013439 planning Methods 0.000 claims abstract description 217
- 238000012937 correction Methods 0.000 claims abstract description 173
- 238000005457 optimization Methods 0.000 claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 239000003016 pheromone Substances 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 30
- 238000012546 transfer Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 239000011664 nicotinic acid Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 108010046685 Rho Factor Proteins 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 17
- 241000257303 Hymenoptera Species 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000001502 supplementing effect Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及混流装配车间的物料配送方法、装置、系统及存储介质,该方法包括:在按第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点;从修正规划生成的第二混流配送规划信息中,检测出向当前工位节点配送物料的配送车所对应的候选子配送规划信息,第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息进行修正生成的;在候选子配送规划信息中,检测目标配送车对应的配送路线,并按与检测出的目标配送路线,控制目标配送车进行物料配送。通过本申请,解决了混流装配车间中的物料配送规划,易造成物料易堆积且资源浪费及运作成本高的问题。
Description
技术领域
本申请涉及智慧物流技术领域,特别是混流装配车间的物料配送方法、装置、系统及存储介质。
背景技术
随着个性化需求的不断攀升,需要生产系统具备高度的柔性和可变性,可快速实现多品种、小批量产品的混流生产模式已经成为满足客户个性化需求的主要组织模式,在混流生产模式下,物料配送是确保生产流程连贯性和效率的重要环节。
相关技术中,物料配送管理主要依赖凭人工经验,存在着物流资源错配、运行过程混乱无序的问题,常常使得总装各工位物料堆积和物料无法及时送达,直接影响了生产效率和产品交付周期;同时,现有的物料配送系统,受限于实时信息收集手段弱、配送优化决策能力低等问题,在混流装配的物料配送过程中,由于总装产品需求变动、配送车辆故障等动态性干扰频发,使得物料配送系统无法按照最优的配送计划执行配送任务,进而使得执行效果与预期结果相差巨大,并且,还会造成混装车间的装配工位物料堆积、物料配送资源浪费、配送运作成本过高。
目前针对相关技术的混流装配车间中的物料配送规划,易造成的装配工位物料堆积、物料配送资源浪费、配送运作成本过高的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种混流装配车间的物料配送方法、装置、系统及存储介质,以至少解决相关技术的混流装配车间中的物料配送规划,易造成的装配工位物料堆积、物料配送资源浪费、配送运作成本过高的问题。
第一方面,本申请实施例提供了一种混流装配车间的物料配送方法,包括:在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,所述配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,所述当前工位节点为所述目标配送车下一个待配送的工位节点;从修正规划生成的第二混流配送规划信息中,检测出向所述当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,所述第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化所生成的,所述改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,所述子配送规划信息包括配送路线和物料配送量;在所述候选子配送规划信息中,检测所述目标配送车对应的所述配送路线,其中,所述配送路线上的每个工位节点对应一辆配送车;在检测到所述目标配送车对应的所述配送路线的情况下,将所述配送路线作为所述目标配送车所对应的目标配送路线,并按与所述目标配送路线上的每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送。
第二方面,本申请实施例提供了一种混流装配车间的物料配送装置,包括:
确定模块,用于在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,所述配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,所述当前工位节点为所述目标配送车下一个待配送的工位节点;
规划模块,用于从修正规划生成的第二混流配送规划信息中,检测出向所述当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,所述第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化所生成的,所述改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,所述子配送规划信息包括配送路线和物料配送量;
检测模块,用于在所述候选子配送规划信息中,检测所述目标配送车对应的所述配送路线,其中,所述配送路线上的每个工位节点对应一辆配送车;
处理模块,用于在检测到所述目标配送车对应的所述配送路线的情况下,将所述配送路线作为所述目标配送车所对应的目标配送路线,并按与所述目标配送路线上的每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送。
第三方面,本申请实施例提供了一种混流装配车间的物料配送管控系统,包括:终端设备、传输设备以及服务器设备;其中,所述终端设备通过传输设备连接服务器设备;
所述终端设备用于采集所述配送修正信息;
所述传输设备用于将所述配送修正信息传输至所述服务器设备;
所述服务器设备用于执行第一方面所述的混流装配车间的物料配送方法。
第四方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的混流装配车间的物料配送方法的步骤。
第五方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的混流装配车间的物料配送方法的步骤。
相比于相关技术,本申请实施例提供的混流装配车间的物料配送方法、装置、系统及存储介质,采用在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,所述配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,所述当前工位节点为所述目标配送车下一个待配送的工位节点;从修正规划生成的第二混流配送规划信息中,检测出向所述当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,所述第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化所生成的,所述改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,所述子配送规划信息包括配送路线和物料配送量;在所述候选子配送规划信息中,检测所述目标配送车对应的所述配送路线,所述配送路线上的每个工位节点对应一辆配送车;在检测到所述目标配送车对应的所述配送路线的情况下,将所述配送路线作为所述目标配送车所对应的目标配送路线,并按与所述目标配送路线上的每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送,解决了相关技术的混流装配车间中的物料配送规划,易造成的装配工位物料堆积、物料配送资源浪费、配送运作成本过高的问题,通过基于带混合时间窗的优化机制和改进性蚁群算法进行实时修正规划,并通过在路线节点转移规则引入了节约量,以化路线节点的转移概率,以及通过在信息素更新规则中加入合格行驶路径的经验并对信息素浓度的范围进行了约束的奖惩策略,提高了物料配送优化模型求解的速度和精度,能够满足混流装配进度要求的同时,大幅度降低物料配送运作成本,提高了物流配送的准确性和实时性。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例的混流装配车间的物料配送方法的终端的硬件结构框图;
图2是根据本申请实施例的混流装配车间的物料配送方法的流程图;
图3是本申请实施例提供的数字孪生管控系统的框架图;
图4是本申请优选实施例的配送修正优化机制决策的流程图;
图5是本申请优选实施例的改进性蚁群算法求解的流程图;
图6是本申请优选实施例的改进性蚁群算法的仿真结果图;
图7为本申请优选实施例的物流配送运作场景示意图;
图8是根据本申请实施例的混流装配车间的物料配送装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的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。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“多环节”是指大于或者等于两个的环节。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例,图1是本申请实施例的混流装配车间的物料配送方法的终端的硬件结构框图。如图1所示,终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限定。例如,终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的混流装配车间的物料配送方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
本实施例提供了一种运行于上述终端的混流装配车间的物料配送方法,图2是根据本申请实施例的混流装配车间的物料配送方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,当前工位节点为目标配送车下一个待配送的工位节点。
在本实施例中,执行本申请实施例的物料配送方法的执行主体为部署于终端、服务器、云服务器的面向混流装配车间物料配送优化的数字孪生管控系统,该数字孪生管控系统根据配送在管控系统的物理对象层的智能设备(例如:智能标签、PDA终端、可穿戴设备及传感器)采集的各类物理实体(例如:电器物料、物料托盘、配送车辆、线边库位、总装车间以及操作人员)的实时状态信息,并以此作为对应的配送修正信息,以进行物料配送规划优化。
在本实施例中,本申请实施例所执行的混流装配车间的物料配送方法是属于包括预规划阶段和修正规划阶段的两阶段动态的实时调控,在采集到配送修正动态信息之前,执行的预规划阶段的配送规划信息,可以理解的是,在当前之前的预规划并非只表示初始的预规划,可以是当前之前最近一次完成修正配送优化的修正规划,而修正规划则是表示基于当前所接收到的配送修正信息后,所进行的修正配送优化;同时,预规划或修正规划所生成的配送规划信息包括分配好的配送车的车次、配送路线(包括多个配送工位节点)和各个配送工位节点对应的配送时间点,其中,数字孪生管控系统还通过采集每个工位节点所对应的各类物理实体的实时状态信息与第一混流配送规划信息所对应的状态信息的差异,确定是否接收到对应的修正配送信息。
在本实施例中,执行物料配送的载体为对应的配送车(例如:AGV小车),同时,由于配送车需要通过对应的引导(例如:AGV小车需要通过磁条导线进行引导行驶,),避开装配车间内的障碍物,配送车需要按既定路线行驶,本申请实施例中的配送车的路径的修正是在既定行驶路线上的工位节点停留的修正,例如:在配送修正规划之前,配送车在既定路线上的行驶路径为:物料暂存区(配送车出发点)→工位节点1→工位节点5→工位节点9→物料暂存区,而完成配送修正规划之后,配送车在既定路线上的行驶路径为::物料暂存区(配送车出发点)→工位节点5→工位节点6→工位节点7→工位节点8→物料暂存区;当然,在一个混流装配车间,会存在多条既定路线,配送车辆可以被控制驶向任一既定路线,也就是在配送修正路径规划的时候,配送车的行驶路径可以是从一条既定路线上的某个工位节点驶向另一条既定路线上的一个工位节点。
在本实施例中,数字孪生管控系统在进行配送修正规划后,根据修正规划所生成的混流配送规划信息控制配送车进行物料配送时,需要基于所配送车当前所在的工位节点,进而以当前所在的工位节点为出发点并进行物料配送,故需要在接收到配送修正信息时,确定目标配送车所在当前工位节点,而目标配送车为处于混流装配车间中进行物料配送的配送车中的任一辆配送车。
步骤S202,从修正规划生成的第二混流配送规划信息中,检测出向当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化所生成的,改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,子配送规划信息包括配送路线和物料配送量。
在本实施例中,考虑的工位节点均为当前之后还未完成配送的工位节点且每次物料配送均是自物料暂存区出发又回到物料暂存区,以及考虑在接收配送修正信息(产生动态性)时,因每辆配送车在既定路线上的位置不同,对配送车的所处的位置进行统一限定,以在动态性发生瞬间将所有配送车统一划定为处于“物料暂存区”,具体地,若收配送车正在对工位节点进行物料配送,则将该工位节点设定为“物料暂存区”;若配送车前往下一个工位节点,则将下一个工位节点作为“物料暂存区”;若配送车配送完成或者是新加入的配送车,则以实际的物料暂存区作为对应的“物料暂存区”。
在本实施例中,第二混流配送规划信息是采用基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化所获得的实时配送规划信息;在本实施例中,生成的第二混流配送规划信息是满足适应配送修正信息对混流装配车间的物料配送所带来的影响,也就是配送修正信息对应的修正动态等级是对应的动态性影响等级,而执行第二混流配送规划信息是能克服对应的影响而使混流装配车间内的物料配送实现车辆固定成本最低、车辆配送行驶成本最低以及工位时间窗惩罚成本最低的目标;在本实施例中,在生成第二混流配送规划信息后,在基于二混流配送规划信息控制配送车进行物料配送时,通过查找每辆配送车对应的子配送规划信息,以控制每辆配送车按子配送规划信息中的配送路线和物料配送量进行配送;在本实施例中,是以目标配送车所处的工位节点为对象,查找该工位节点上的配送车对应的子配送规划信息,从而为确定每个配送车对应的配送路线和物料配送量提供数据;可以理解的是,因为目标配送车是所有配送车中的一个,而参与混流装配车间中的物料配送车的目标信息,数字孪生管控系统是已知确定的,因此,当以一个目标配送车为对象完成该目标配送车的子配送规划信息的查找之后,则可以选取另一个配送车为目标配送车,以完成对所有配送车对应的子配送规划信息的查找。
步骤S203,在候选子配送规划信息中,检测目标配送车对应的配送路线,其中,配送路线上的每个工位节点对应一辆配送车。
可以理解的是,在本实施例中,当以一个目标配送车为对象进行对应的子配送规划信息查找时,若目标配送车在修正规划之前所在当前工位节点并非修正规划后该目标配送车的出发点(例如,当目标配送车故障后,需要通过引入其他车来进行配送,或者,目标配送车在修正规划完成之后,进行物料配送的首个工位节点并非修正规划之前所在当前工位节点),则通过确定对应的配送路线所对应的新的配送车来实现子配送规划信息的查找,此时,完成一次以配送路线查找配送车的适配,进而完成对一个配送车对应的子配送规划信息的确定。
步骤S204,在检测到目标配送车对应的配送路线的情况下,将配送路线作为目标配送车所对应的目标配送路线,并按与目标配送路线上的每个工位节点对应的物料配送量,控制目标配送车进行物料配送。
在本实施例中,通过验证配送路线中是否有目标配送车对应的配送路线,以确定修正规划后该目标配送车是否以当前工位节点为出发点(对应物料暂存区)进行物料配送,当确定是以当前工位节点为出发点,则表示候选子配送规划信息为目标配送车对应的子配送规划信息,否则,则表示候选子配送规划信息为其他配送车的子配送规划信息;可以理解的是,当候选子配送规划信息为目标配送车对应的子配送规划信息时,该候选子配送规划信息中的配送路线可以是与第一混流配送规划信息中该目标配送车对应的子配送规划信息的配送路线一致,也可以是部分工位节点的配送顺序发生变化。
在本实施例中,数字孪生管控系统通过按目标配送路线及上目标配送路线的每个工位节点对应的物料配送量,控制目标配送车从当前工位节点去到下一个待配送的工位节点进行物料配送。
通过上述步骤S201至步骤S204,采用在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,当前工位节点为目标配送车下一个待配送的工位节点;从修正规划生成的第二混流配送规划信息中,检测出向当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化所生成的,改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,子配送规划信息包括配送路线和物料配送量;在候选子配送规划信息中,检测目标配送车对应的配送路线,配送路线上的每个工位节点对应一辆配送车;在检测到目标配送车对应的配送路线的情况下,将配送路线作为目标配送车所对应的目标配送路线,并按与目标配送路线上的每个工位节点对应的物料配送量,控制目标配送车进行物料配送,解决了相关技术的混流装配车间中的物料配送规划,易造成的装配工位物料堆积、物料配送资源浪费、配送运作成本过高的问题,通过基于带混合时间窗的优化机制和改进性蚁群算法进行实时修正规划,并通过在路线节点转移规则引入了节约量,以化路线节点的转移概率,以及通过在信息素更新规则中加入合格行驶路径的经验并对信息素浓度的范围进行了约束的奖惩策略,提高了物料配送优化模型求解的速度和精度,能够满足混流装配进度要求的同时,大幅度降低物料配送运作成本,提高了物流配送的准确性和实时性。
需要说明的是,本申请实施例的数字孪生管控系统是将物联网技术和数字孪生技术应用于混流装配车间的物料配送路径优化中,该数字孪生管控系统能够有效地获取物料配送系统的全面、实时信息,实现了数据实时共享互联,及时更新物料暂存情况,可以更加精准地制定下一阶段的物料配送计划,实现了物理系统状态和数字空间的资源信息实时同步;同时,数字孪生管控系统采用实时信息驱动的动态物料配送优化机制,有效应对混流装配车间的多种动态性,为高动态性运作环境下的动态物料配送优化提供了运作策略支撑;再者,本申请实施例的物料配送方法,通过获取实时运作信息,构建了以配送成本最低、配送路径最短、工位不满最低为目标的带混合时间窗的物流路径优化策略,并在传统蚁群算法的基础上对路线节点转移规则和信息素更新规则进行了改进,也就是在改进的路线节点转移规则中引入了节约量,来优化路线节点的转移概率,以及在改进的信息素更新规则中加入了加入奖惩策略,加入了合格行驶路径的经验并对信息素浓度的范围进行了约束,籍以提高物料配送优化求解的速度和精度,能够满足混流装配进度要求的同时,大幅度降低物料配送运作成本,提高了物流配送的准确性和实时性。
在其中一些实施例中,在未检测到目标配送车对应的配送路线的情况下,实施如下步骤:
步骤21、确定检测到的配送路线所对应的第一配送车,并将第一配送车作为目标配送车。
步骤22、将第一配送车所对应的配送路线作为目标配送路线,并按与目标配送路线上每个工位节点对应的物料配送量,控制目标配送车进行物料配送。
在本实施例中,当在候选子配送规划信息中,未检测到目标配送车对应的配送路线时,则表示当前工位节点并非是目标配送车进行待物料配送的工位节点,此时,通过确定当前配送路线所对应的配送车,也就是第一配送车,以完成配送车与子配送规划信息的适配,进而完成查找所有配送车的物料配送规划信息。
在其中一些实施例中,基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化,生成第二混流配送规划信息,包括如下步骤:
步骤31、在获取到配送修正信息时,确定与每种修正动态等级对应的待配送的第一工位节点组,其中,每种修正动态等级关联对至少一条装配线进行物料配送的第二配送车,第一工位节点组包括每个第二配送车配送物料的多个第一工位节点。
在本实施例中,在确定修正动态等级以及确定与修正动态等级对应的修正模式后,则根据修正模式对应的修正内容,确定对应的第一工位节点组。
步骤32、以第一工位节点组所对应的所有第一工位节点为备选节点,利用改进性蚁群算法对备选节点进行最优路径求解处理,生成每辆配送车对应的第一子配送规划信息。
在本实施例中,在确定对应的第一工位节点组之后,则对应确定需要进行配送优化的工位节点,然后,利用改进性蚁群算法,基于第一工位节点组进行最优路径求解处理,获得当初路径搜寻所对应的最优解。
可以理解的是,在本实施例中,利用改进性蚁群算法对备选节点进行最优路径求解处理的步骤与现有的基于蚁群算法进行最优路径搜索的步骤相似,也就是,在本实施例中,利用改进性蚁群算法对备选节点进行最优路径求解处理是清楚的,但本申请实施例所采用的蚁群算法在节点转移规则中引入节约量、在信息素更新规则中加入奖惩策略。
步骤33、利用预设的多目标优化网络模型计算第一子配送规划信息所对应的物流配送适应度,其中,多目标优化网络模型是以预设的配送优化目标混合工位时间窗惩罚函数为目标函数所构建的物料配送优化模型,配送优化目标至少包括以下之一:最少配送车辆数、最短配送路径、最低工位不满意度,物流配送适应度用于表征第一子配送规划信息的可优化程度。
在本实施例中,在获得每辆配送车对应的第一子配送规划信息后,利用对应的多目标优化网络(预先构建的一种多目标优化模型)对第一子配送规划信息是否满足预设的配送优化目标,例如:是否满足全局的第一子配送规划信息所对应的配送车的车辆数最少,每条配送线路的路径是否最短,每个工位节点对应的工位不满意度是否最低,籍以确定合适的配置规划信息。
步骤34、基于物流配送适应度,利用改进性蚁群算法对第一子配送规划信息进行最优路径更新求解,生成物流配送适应度大于预设阈值的第二子配送规划信息,得到第二混流配送规划信息,其中,第二混流配送规划信息包括第二子配送规划信息。
在本实施例中,当满足预设的目标预期(物流配送适应度满足设置阈值),则表示对应的第一子配送规划信息满足整个混流装配车间物流配送的需求,而且会降低物料配送运作成本,则将该第一子配送规划信息作为目标子配送规划信息;当不满足预设的目标预期(物流配送适应度不满足设定阈值),则需要再次利用改进性蚁群算法对第一子配送规划信息进行再次的最优路径更新求解处理,直到更新后的子配送规划信息满足预设的目标预期,也就是物流配送适应度大于预设阈值,则将该子配送规划信息作为最终的目标子配送规划信息,也就是第二子配送规划信息,进而将所生成的所有第二子配送规划信息作为第二混流配送规划信息。
通过上述步骤31至步骤34,实现了基于带混合时间窗的优化机制和改进性蚁群算法,进行与配送修正信息匹配的修正动态等级的修正规划,生成满足混流装配进度要求、大幅度降低物料配送运作成本、提高物流配送的准确性和实时性的第二混流配送规划信息。
在其中一些实施例中,在获取到配送修正信息时,确定与每种修正动态等级对应的待配送的第一工位节点组,包括如下步骤:
步骤41、根据配送修正信息,计量所对应的修正动态等级,并基于修正动态等级,确定预配的待配送的第二工位节点和第二工位节点所对应的第二物料配送量,其中,修正动态等级表征对混流装配的配送的影响程度。
在本实施例中,在获取到配送修正信息时,会根据配送修正信息计量修正动态等级,并在确定对应的修正动态等级之后,预配对应的修正规划,例如:配送车的配送顺序更换、物料配送量的更换、或引入空闲的配送车参与物料配送;同时,修正规划确定后,则进行对应预配,在本实施例中,预配包括对修正的工位节点的配送车的更换和/或配送量的更换,例如:修正动态等级为第一等级时,进行工位节点顺序的置换、配送量调整,又例如:修正动态等级为第二等级时,引入新的配送车,则存在工位节点上的配送车和/或配送量的变化。
步骤42、基于修正动态等级,从预设的配送修正规划中,获取目标配送修正规划,其中,配送修正规划至少包括以下之一:待配送的第二工位节点所对应的配送车的修正、配送车向对应的第二工位节点所配送的物料配送量的修正、配送车待配送的第二工位节点的修正。
步骤43、按目标配送修正规划,对待配送的第二工位节点进行配送规划配置,得到与每种修正动态等级对应的待配送的第一工位节点组,其中,第一工位节点组包括完成对应的配送规划配置后的第二工位节点。
通过上述步骤41至步骤43,实现了确定配送修正信息对应的修正动态等级以及所采用的修改规则模式,进而确定出优化的工位节点,以通过对确定出的工位节点的配送顺序、物流配送量及配送车的更换,来形成对应的配送规划信息。
在其中一些实施例中,步骤S201中的以引入节约量的节点转移规则为状态转移规则,包括:
按如下公式计算工位节点选择转移概率:
其中,τij(t)为i和j两个工位节点之间的信息素浓度,ηij(t)为启发因子函数,α为信息素因子,β为启发函数因子,ρ为信息素挥发因子,dij为节点i和节点j之间的欧氏距离,μij为节约量,allowed为待配送的工位节点。
在其中一些实施例中,步骤S201中的以加入奖惩策略的信息素更新规则为信息素规则,包括:按如下公式更新信息素浓度:
其中,表示当前迭代生成的最优解,/>表示当前迭代生成的最差解,α为信息素因子、β为启发函数因子、Q为信息素常量、ρ为信息素挥发因子,m为配送车的数量、n为工位节点数、τij(t)为初始信息素浓度。
图3是本申请实施例提供的数字孪生管控系统的框架图,图4是本申请优选实施例的配送修正优化机制决策的流程图,图5是本申请优选实施例的改进性蚁群算法求解的流程图,图6是本申请优选实施例的改进性蚁群算法的仿真结果图,图7为本申请优选实施例的物流配送运作场景示意图,参考图3至图7,以下对本申请的数字孪生管控系统及物流配送方法进行进一步说明如下:
参考图3,本申请实例的数字孪生管控系统包括:物理对象层、数字孪生映像层和数字孪生控制层,其中,
物理对象层是混流装配车间的物理模型,包括物理资源层和智能设备层。
在本实施例中,物理资源层包括空调混流装配过程中各类实体资源集合,包括电器物料、物料托盘、配送车辆、线边库位、总装车间以及操作人员等,物理实体资源是实现物料配送的基础;物料包括车间仓库存储的物料、配送车辆装载的物料及各工位线边存储的物料;配送车辆包括物料配送自动导引车辆(AGV);总装车间环境包括物料配送中心与各个工位的布局以及配送车辆的可供行驶路线;操作人员包括拣货人员、库区管理人员和配送人员。
在本实施例中,智能设备层负责采集、传输和处理各类物理实体的实时信息,包括智能标签、PDA终端、可穿戴设备以及传感器等物联网感知设备;在本实施例中,物联网感知设备用于采集物理资源层中各类实体的实时状态信息以及实体之间的相关数据,为上层的数字孪生映像层和控制层,实现物料配送优化提供实时数据支撑;在本实施例中,智能设备层还包括各类异构传输网络,在智能设备获取到实时信息后,需要通过各类异构传输网络将信息传输至总体框架的上层,异构传输网络包括RFID网络、WiFi、4/5G、蓝牙、ZigBee及LoRa等无线传输网络。
数字孪生映像层包括数据中心、模型中心和映像中心。
数据中心包括基本静态数据和动态运作数据两个模块,其中,基本静态数据模块用于存储车间内操作人员数据、车辆数据、物料数据和设备数据等基础数据;动态运作数据模块用于存储通过物联网设备捕获的全要素资源的实时状态数据、生产计划数据、任务分配数据和车辆调度数据。
模型中心是基于数据中心中的多尺度数据融合,构建出的物理对象层中混流装配车间所对应的数字孪生车间模型,该模型包含人员、设备、配送车辆、物料、车间环境等要素,可精确映射实际装配车间的物理结构、生产流程及物料流动,可准确呈现物料的流动路径、工位布局和车辆状态等关键信息,通过数字孪生车间可更好地监控物料流动的动态性情况,如物料堆积、短缺等。同时也为最优的物料配送规划、最佳的补料时间窗的制定提供了决策基础。
虚拟孪生层的映像中心,是基于全要素实时信息与多尺度数字孪生模型融合,形成实时多尺度的数字孪生映像,形成实时同步、高保真的数字孪生车间映像,其中,
多尺度数字孪生映像是基于实时数据和模型的车间级数字孪生映像,它通过数字孪生技术来可精确映射实际装配车间的物理结构、生产流程及物料流动,可准确呈现物料的流动路径、工位布局、车辆状态等关键信息;通过数字孪生车间可更好地监控物料流动的动态性情况,如物料堆积、短缺等。同时也为最优的物料配送规划、最佳的补料时间窗的制定提供了决策基础。
数字孪生控制层包括物料配送优化管控系统。
物料配送优化管控系统,包括配送任务分配子系统和配送车辆调度计划子系统,其中,配送任务分配子系统用于提供补料配送任务分配决策服务,将补料配送任务合理分配好正确的车次和操作人员;物料配送车辆调度计划子系统用于提供配送车辆调度的决策服务,决策得出配送路线和各个工位配送时间点。
配送任务分配子系统和配送车辆调度计划子系统下包括五个系统模块:数据调用模块、算法调用模块、程序运作模块、仿真运行模块、决策导出模块,运用设计改进算法进行模拟仿真,最终实现生成补料配送任务分配以及配送车辆调度计划决策,并将决策结果进行导出,转换成决策指令下发至物理对象层进行实际操控。
在本实施例中,物料配送优化管控系统,面向动态的混流车间物料配送任务,根据内嵌的改进蚁群算法在数字空间中进行虚拟仿真,经多次迭代优化后,最终生成物料配送优化决策方案,包括补料配送任务分配以及配送车辆调度计划,并将决策指令下达给物理实际车间进行实时调控。
为了应对装配过程中频发的动态性,参考图4,本申请实施例提供的配送修正优化机制决策包括动态性评估,动态性评估是根据动态性对混流装配车间装配生产影响程度R的大小,将可能发生的动态性分为以下三类:
当R<Rmin时,此时尽管混流车间的物料配送计划受到动态性干扰,但仍未对其正常执行造成较大影响,因此可以继续按原计划进行配送,无需采取任何调整策略。
当Rmin<R<Rmax时,此时的物料配送计划已不能满足动态性需求,但可以通过内部修正调整物料配送计划,调配多余可用的配送车辆进行物料配送。
当Rmax<R时,此时计划的修正已无法满足混流车间物料配送计划中的高度动态需求了,需要引入外部资源进行资源修正以响应动态需求。
配送修正优化机制决策包括两个核心阶段:预规划和修正规划阶段,其中,
预规划阶段:虚拟孪生层通过物理资源层实时感知获取物料、托盘、配送车辆以及操作人员等物理实体资源的运作数据,根据生产计划中的物料配送需求及资源约束制定物料配送的预规划方案;车间系统会实时监控物料配送需求的变化,当动态需求产生,需要对其进行动态性评估,若R<Rmin,此时动态性干扰不会波及其他环节的正常运作,对装配生产运作不会产生明显影响,这时可以通过调整配送顺序及物料配送量消除动态性的影响,可继续执行原计划。
修正规划阶段:在执行预规划的计划的过程中,车间将按照核心服务层输出的配送计划执行预规划方案,在对物料需求的实时监控下,当物料配送动态需求产生,在动态性评估后,若Rmin<R<Rmax,则表明动态性影响到物料配送的内部运作,例如车辆故障、物料损坏、紧急插单等,此时需要增加多余可用的车辆进行物料配送,以应对动态性变化;若Rmax<R,则表明需要采取资源修正,引入外部资源应对动态性干扰,以上若在进行修正计划后可以满足物料配送需求,则将修正后的物料配送规划方案下达指令至执行现场,以执行修正物料配送计划。
在本实施例中,混流装配车间的物料配送优化问题可以描述为:面向总装车间产品组装需求,在已生成的配送时间窗以及配送数量的基础上,建立以配送车使用数目最少、配送总距离最短以及工位不满意度最低为目标的物料配送路径规划模型。具体的是,混流装配车间的生产计划部门将根据每目的生产计划拆解成物料需求计划,并根据物料需求计划安排物料配送,由于工位的缓冲区容量有限,因此物料配送需要满足一定的时间窗要求,才能避免物料提前送达造成缓冲区爆仓,缓冲区与工位布置有RFID标签及其读写设备,可实时采集工位物料消耗信息,本申请实施例对物料配送优化问题做如下假设:各工位的物料需求已经明确,不存在物料质量问题;配送车(AGV小车)的起始位置均在物料暂存区,以固定速度沿着规划路径行驶;每个工位节点只能允许被一辆配送车对其进行配送服务;每辆配送车可以对多个工位节点进行配送;所有配送车从物料暂存区出发,完成配送任务后又返回物料暂存区;每条配送路径上的配送容量不能超过配送车的车辆容量限制;物料暂存区到各个工位节点的距离,以及各工位节点之间的距离都已知。
数学模型建立
由于受到工位缓冲区容量限制,物料需要在指定时间内送达到规定工位,如果过早送达,会出现无足够空间存放物料,造成配送车等待成本增加;如果过晚送达,则会造成工位缺料,造成装配线停工中断,从而影响整体装配进度,甚至延误客户订单交付,为了尽可能减少物料在规定时间窗到达工位增加的延期惩罚成本,设置时间窗惩罚函数来约束物料送达时间,设[ei,li]为工位节点i的时间窗,当物料在[ei,li]内送达时,惩罚成本为0,当在[ai,ei]或者[li,bi]内送达时,则会受到相应惩罚系数的惩罚。惩罚系数设置为δ,β。当在(0,ai)或者(bi,+∞)内送达时,则不被接受,此时惩罚为极大的正值F。
本申请实施例采用混合时间窗来代替传统时间窗,考虑带混合时间窗的物料配送配送优化问题可以抽象为带混合时间窗的多工位车辆路径优化问题(Multi-workstationVehicle Routing Problems with Hybrid Time Windows,MVRPHTW),该MVRPHTW问题可进一步描述为,在一个混流装配车间共有k(k=1,2,...,K)辆最大载重量为Q′的配送车负责三条装配线N个工位节点的物料配送,配送车从物料暂存区装完物料后开始配送,在配送完成后配送车又会返回物料暂存区。在每个配送周期内,配送车按照规定路线行驶进行配送,以有限的配送车资源在时间窗内补充物料到各个工位节点,尽可能达到车辆使用数目最少、运输配送成本最少以及工位不满意度最低的目标。
为了方便进行形式化描述,定义一下符号:工位节点集合为I={i,j|i,j=0,1,2,…,N},共有N个工位节点,当i,j=0时为物料暂存区,配送车数量为K,车辆的容量限制为Q′,工位节点i到工位节点j的距离为Dij,qi表示工位节点i所需的物料配送量,且maxqi≤Q′,工位节点i最早需要物料的时间为ai,工位节点i最晚需要物料的时间为bi,工位节点i时间窗惩罚成本为Ci,配送车单位距离的运输成本为Cd,单个配送车的启动固定成本为Co,物料早于时间窗送达的单位时间惩罚成本为物料晚于时间窗送达的单位时间惩罚成本为配送车从工位节点i到工位节点j的行驶时间为tij,配送车k在工位节点i的卸货时间为ti,k,配送车k到达工位节点i的时刻为ti-k,决策变量/>表示工位节点i由配送小车k配送为1,否则为0,决策变量/>表示配送小车k从工位i行驶到工位j为1,否则为0。
以车辆使用数目最少、配送距离最短以及工位不满意度最低为目标建立以下数学模型:
ti-k+ti,k+tij-F(1-xij-k)≤tj-k
i=0,1,2,...,N;j=0,1,2,...,N;k=1,2,...,K
其中,minf1表示车辆使用数最少,即车辆固定成本最低;minf2表示车辆路径最短,即车辆配送行驶成本最低;minf3表示工位不满意度最低,即车辆时间窗惩罚代价最小;表示每辆配送车的车载重量不得超过最大载重量;/>表示每个工位节点只能由一辆配送车进行配送;/>表示配送车从物料暂存区出发,完成配送后需回到物料暂存区;ti-k+ti,k+tij-F(1-xij-k)≤tj-k表示配送小车k需在ti-k+ti,k+tij时刻之后到达工位节点j;Ci表示时间窗约束,物料在时间窗外送达将产生惩罚。
上构建的数学模型属于多目标优化模型,为方便求解,对上述三个目标函数(车辆使用数最少、配送路径最短以及工位不满意度最低)转换成以配送总运作成本最低的单目标函数,即求车辆固定成本最低、车辆配送行驶成本最低以及工位时间窗惩罚成本最低,处理后的目标函数表达式具体如下所示:
在本实施例中,为求解混流装配车间多工位的物料配送路径优化模型,设计了改进蚁群算法,其中,蚁群算法是一种模拟大自然中蚂蚁觅食行为的群智能优化算法,它是一种寻找较优路径的概率型算法,具有良好的并行性、鲁棒性以及正反馈性,在求解物流优化问题中得到了良好的效果。
本申请实施例在传统蚁群算法的基础上,对路线节点转移规则和信息素更新规则进行了改进,在改进的路线节点转移规则中引入了节约量,来优化路线节点的转移概率;在改进的信息素更新规则中加入了加入奖惩策略,加入了合格行驶路径的经验并对信息素浓度的范围进行了约束,改进后的蚁群算法提高了物料配送优化模型求解的速度和精度,最大限度地降低了物料配送运作成本,具体如下:
改进的路径节点选择转移规则
采用节约法计算引入节约量改进蚂蚁转移概率的选择,节约法即是将两个工位单独配送时的路线长度相加再减去同时访问两个工位的路径长度,最后的计算结果即为节约量μij,并将μij引入蚂蚁路径节点转移概率公式中,优化其路径节点选择转移概率,在节点(工位)选择的同时偏向提升车辆装载率。其中,改进的节点选择转移概率公式为:
μij=di0+dj0-dij
其中,为改进的节点选择转移概率公式,ηij(t)为启发函数,即节点之间的可见度或吸引力,di0是从工位i到物料暂存区(起始/结束点)的距离,dj0是从工位j到物料暂存区的距离,dij是工位节点i和工位节点j之间的欧氏距离,μij为节约量函数,用来表示选择该路径可以节省的路径或成本,α、β和ρ是权重参数,用于调整信息素浓度、启发函数和节约量在决策中的重要性。
通过引入节约量μij到蚁群算法的节点选择转移概率公式中,可以更好地考虑两个工位之间的相对位置和成本,从而更有效地优化车辆的配送路径。这种方法不仅可以减少总的行驶距离,还可以提高车辆的装载率,从而提高整体的配送效率。
改进的信息素更新规则
蚂蚁在搜寻路径的过程中会对路径上的信息素进行更新,以指导在配送过程中使所有蚂蚁都生成网络路径。根据信息素更新公式计算出蚂蚁本次的行驶路径长度,其中信息素更新公式由路径节点间的信息素浓度函数、信息素增量函数、单只蚂蚁的信息素增量函数组成。其中,更新后工位节点i和工位节点j(两个工位)之间路径上的信息素浓度函数为
τij(t+1)=(1-ρ)τij(t)+Δτij(t)
本次迭代工位节点i和工位节点j(两个工位)之间路径上的信息素浓度为τij(t),信息素增量函数为:
第k只(单只)蚂蚁的信息素增量计算公式为:
其中,Q为信息素常量,Lk为蚂蚁k所移动的总路径长度。
改进的信息素更新规则,通过引入奖惩策略来加快算法收敛速度,具体操作:在蚂蚁搜寻路径的过程中,排除没有正确完成行驶路线的蚂蚁,留下能够完成任务并到达目标终点的蚂蚁行驶路径,再针对这些合格的行驶路线引入奖惩策略进行信息素更新优化。假若设定共有m只蚂蚁,对于行驶路径长度排在前n只的蚂蚁给予奖励,即在其路径上增加蚂蚁释放的信息素浓度;对于行驶路径长度排名在m-n(即第n只蚂蚁后)的蚂蚁给予惩罚,即在其路径上减少蚂蚁释放的信息素浓度。
改进后的信息素更新规则公式如下所示,其中,表示当前迭代生成的最优解,/>表示当前迭代生成的最差解:
为了避免信息素浓度过高或过低从而造成算法过早收敛到局部最优解或者算法在搜索过程中陷入停滞状态,为此对信息素浓度设置一个阈值范围。信息素浓度公式设置为:
在某一次迭代的信息素更新过程中,如果当前路径上的信息素浓度高于设定的最大信息素浓度值,则将其改定为最大信息素浓度值,同理,如果当前路径上的信息素浓度低于设定的最大信息素浓度值,则将其改定为最小信息素浓度值。
参考图5,本申请实施例的基于改进性蚁群算法求解过程包括如下步骤:
步骤1:各项参数初始化
设置最大迭代次数itermax,初始化算法里的相关参数:α、β、Q、ρ,设置蚂蚁(配送车俩)数量为M、工位数N、初始信息素浓度τij(t)、初始化禁忌表Tabu和所有可访问节点(allowed)。
步骤2:路径搜寻
从起始点(对应为配送中心或物料暂存区)开始,将其添加到禁忌表中,然后根据和μij=di0+dj0-dij计算路径节点选择转移概率。
在本实施例中,转移概率将决定蚂蚁在选择下一个节点时的可能性;在本实施例中,采用轮盘赌方法来选择下一个节点进行路径搜寻,并将该节点添加到当前迭代的禁忌表中。
步骤3:判断当前蚂蚁是否已完成物料配送任务,即是否满足了所有需求服务点,如果是,蚂蚁返回起始点(O)完成一次配送任务;如果不是,蚂蚁返回步骤2继续进行路径搜寻,以满足剩余的需求。
步骤4:选择下一只蚂蚁进行路径搜寻,判断所有蚂蚁是否都已完成路径搜寻,若是,则进行下一个步骤,若不是,则继续进行步骤4。
步骤5:根据和对路径上的信息素进行更新。
在本实施例中,这些是更新基于蚂蚁在路径上的表现,以及问题特定的参数,然后检查当前迭代次数是否大于最大迭代次数。如果是,算法终止迭代,并输出当前的最优解。如果不是,则返回步骤2,继续进行路径搜索和信息素更新的迭代过程。
参考图6和图7,以下对本申请所做实验及结果进行说明如下:
本申请实施例在实验过程中,采用在智慧物流技术实验室的软硬件资源支撑的基础上,采用Java、XML和Web Service技术进行软件集成开发、虚拟孪生建模和算法编程,得到面向混流装配车间物料配送优化的数字孪生原型系统。该原型系统主要的运作过程包括以下步骤:
(1)通过工业物联网设备进行物料数据采集,将数据上传至数字孪生联动信息架构中孪生对象层的数据中心,将数据进行处理、存储,随后将处理好的数据信息传输至数字孪生控制层的物料配送管控系统中,以进行下一步的补料配送任务分配和配送车辆调度决策;
(2)调用物料配送管控系统中的数据和算法,通过特定的程序运行,并进行虚拟数字模型的仿真运作,得出最优的补料配送任务分配和配送车辆调度决策结果,转化成控制指令下发至物理对象层实施管控;
(3)操作人员接收到控制指令后按照系统指令进行补料配送任务分配和配送车辆调度,准确地将物料派发到指定车辆上,如图3所示,操作人员将安排好的车辆从配送中心出发按照指定路线在各个工位指定的时间窗内进行物料配送,配送完成后返回配送中心;
(4)操作人员每进行一个工位的物料配送时,都需要将该工位目前的物料暂存量进行记录,并如同步骤(1)将物料暂存量的具体数据进行传输至数据中心,以进行下一阶段的物料配送计划的制定,实时调整配送运作。
数值实验仿真
本申请实施例采用某空调制造企业装配车间的制造数据,分别采用传统蚁群算法和本申请实施例的改进蚁群算法进行对比,以测试提出的算法的性能。
假设该装配车间有三条装配线,共计32个工位节点,各工位节点物料需求时间窗及其卸货时间如表1所示,各工位坐标数据由随机函数生成,经过大量组合测试,将算法参数α、β、Q、ρ、设置为(2,3,1.2,0.3,1.2,1.3),蚂蚁数量M=32,配送车额定载重为180KG,配送车小车的平均行驶速度为1m/s,最大迭代次数为45。
表1
经过多次迭代测试,传统蚁群算法在规定的最大迭代次数约束下,无法收敛到全局最优解,而且容易陷入局部最优。参考附图6可以看出,本申请实施例提出的改进性蚁群算法可收敛到全局最优解,算例仿真结果表明,与传统蚁群算法相比,本申请实施例提出的改进蚁群算法具有更好的全局搜索能力、更快的求解速度。同时还可以获得满足总装需求且较低运作成本的物料配送优化方案,有效提升了混流车间内物流配送效率和服务水平。
本实施例还提供了混流装配车间的物料配送方法装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本申请实施例的混流装配车间的物料配送方法的结构框图,如图8所示,该装置包括确定模块81、规划模块82、检测模块83及处理模块84,其中,
确定模块81,用于在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,当前工位节点为目标配送车下一个待配送的工位节点。
规划模块82,与确定模块81耦合连接,用于从修正规划生成的第二混流配送规划信息中,检测出向当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化所生成的,改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,子配送规划信息包括配送路线和物料配送量。
检测模块83,与规划模块82耦合连接,用于在候选子配送规划信息中,检测目标配送车对应的配送路线,其中,配送路线上的每个工位节点对应一辆配送车。
处理模块84,与检测模块83耦合连接,用于在检测到目标配送车对应的配送路线的情况下,将配送路线作为目标配送车所对应的目标配送路线,并按与目标配送路线上的每个工位节点对应的物料配送量,控制目标配送车进行物料配送。
在其中一些实施例中,在检测模块83在未检测到目标配送车对应的配送路线的情况下,该处理模块34还用于确定检测到的配送路线所对应的第一配送车,并将第一配送车作为目标配送车;将第一配送车所对应的配送路线作为目标配送路线,并按与目标配送路线上每个工位节点对应的物料配送量,控制目标配送车进行物料配送。
在其中一些实施例中,该规划模块82进一步包括:
第一确定单元,用于在获取到配送修正信息时,确定与每种修正动态等级对应的待配送的第一工位节点组,其中,每种修正动态等级关联对至少一条装配线进行物料配送的第二配送车,第一工位节点组包括每个第二配送车配送物料的多个第一工位节点。
第一搜索单元,与第一确定单元耦合连接,用于以第一工位节点组所对应的所有第一工位节点为备选节点,利用改进性蚁群算法对备选节点进行最优路径求解处理,生成每辆配送车对应的第一子配送规划信息。
第一计算单元,与第一搜索单元耦合连接,用于利用预设的多目标优化网络模型计算第一子配送规划信息所对应的物流配送适应度,其中,多目标优化网络模型是以预设的配送优化目标混合工位时间窗惩罚函数为目标函数所构建的物料配送优化模型,配送优化目标至少包括以下之一:最少配送车辆数、最短配送路径、最低工位不满意度,物流配送适应度用于表征第一子配送规划信息的可优化程度。
第一更新单元,与第一计算单元耦合连接,用于基于物流配送适应度,利用改进性蚁群算法对第一子配送规划信息进行最优路径更新求解,生成物流配送适应度大于预设阈值的第二子配送规划信息,得到第二混流配送规划信息,其中,第二混流配送规划信息包括第二子配送规划信息。
在其中一些实施例中,第一确定单元还用于根据配送修正信息,计量所对应的修正动态等级,并基于修正动态等级,确定预配的待配送的第二工位节点和第二工位节点所对应的第二物料配送量,其中,修正动态等级表征对混流装配的配送的影响程度;基于修正动态等级,从预设的配送修正规划中,获取目标配送修正规划,其中,配送修正规划至少包括以下之一:待配送的第二工位节点所对应的配送车的修正、配送车向对应的第二工位节点所配送的物料配送量的修正、配送车待配送的第二工位节点的修正;按目标配送修正规划,对待配送的第二工位节点进行配送规划配置,得到与每种修正动态等级对应的待配送的第一工位节点组,其中,第一工位节点组包括完成对应的配送规划配置后的第二工位节点。
在其中一些实施例中,该规划模块82还用于按如下公式计算工位节点选择转移概率:
μij=di0+dj0-dij
其中,为i和j两个工位节点之间的信息素浓度,ηij(t)为启发因子函数,α为信息素因子,β为启发函数因子,ρ为信息素挥发因子,dij为节点i和节点j之间的欧氏距离,μij为节约量,allowed为待配送的工位节点。
在其中一些实施例中,该规划模块82还用于按如下公式更新信息素浓度:
其中,表示当前迭代生成的最优解,/>表示当前迭代生成的最差解,α为信息素因子、β为启发函数因子、Q为信息素常量、ρ为信息素挥发因子,m为配送车的数量、n为工位节点数、τij(t)为初始信息素浓度。
本实施例还提供了一种混流装配车间的物料配送管控系统,包括:终端设备、传输设备以及服务器设备;其中,所述终端设备通过传输设备连接服务器设备;所述终端设备用于采集所述配送修正信息;所述传输设备用于将所述配送修正信息传输至所述服务器设备;所述服务器设备用于执行以执行上述任一项方法实施例中的步骤。
本实施例还提供了一种电子设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,当前工位节点为目标配送车下一个待配送的工位节点。
S2,从修正规划生成的第二混流配送规划信息中,检测出向当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对第一混流配送规划信息和配送修正信息按与配送修正信息匹配的修正动态等级进行配送修正优化所生成的,改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,子配送规划信息包括配送路线和物料配送量。
S3,在候选子配送规划信息中,检测目标配送车对应的配送路线,其中,配送路线上的每个工位节点对应一辆配送车。
S4,在检测到目标配送车对应的配送路线的情况下,将配送路线作为目标配送车所对应的目标配送路线,并按与目标配送路线上的每个工位节点对应的物料配送量,控制目标配送车进行物料配送。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的混流装配车间的物料配送方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种混流装配车间的物料配送方法。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种混流装配车间的物料配送方法,其特征在于,包括:
在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,所述配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,所述当前工位节点为所述目标配送车下一个待配送的工位节点;
从修正规划生成的第二混流配送规划信息中,检测出向所述当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,所述第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化所生成的,所述改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,所述子配送规划信息包括配送路线和物料配送量;
在所述候选子配送规划信息中,检测所述目标配送车对应的所述配送路线,其中,所述配送路线上的每个工位节点对应一辆配送车;
在检测到所述目标配送车对应的所述配送路线的情况下,将所述配送路线作为所述目标配送车所对应的目标配送路线,并按与所述目标配送路线上的每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送。
2.根据权利要求1所述的方法,其特征在于,在未检测到所述目标配送车对应的所述配送路线的情况下,所述方法包括:
确定检测到的所述配送路线所对应的第一配送车,并将所述第一配送车作为所述目标配送车;
将所述第一配送车所对应的所述配送路线作为所述目标配送路线,并按与所述目标配送路线上每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送。
3.根据权利要求1所述的方法,其特征在于,基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化,生成第二混流配送规划信息,包括:
在获取到所述配送修正信息时,确定与每种所述修正动态等级对应的待配送的第一工位节点组,其中,每种所述修正动态等级关联对至少一条装配线进行物料配送的第二配送车,所述第一工位节点组包括每个所述第二配送车配送物料的多个第一工位节点;
以所述第一工位节点组所对应的所有所述第一工位节点为备选节点,利用所述改进性蚁群算法对所述备选节点进行最优路径求解处理,生成每辆所述配送车对应的第一子配送规划信息;
利用预设的多目标优化网络模型计算所述第一子配送规划信息所对应的物流配送适应度,其中,所述多目标优化网络模型是以预设的配送优化目标混合工位时间窗惩罚函数为目标函数所构建的物料配送优化模型,所述配送优化目标至少包括以下之一:最少配送车辆数、最短配送路径、最低工位不满意度,所述物流配送适应度用于表征所述第一子配送规划信息的可优化程度;
基于所述物流配送适应度,利用所述改进性蚁群算法对所述第一子配送规划信息进行最优路径更新求解,生成所述物流配送适应度大于预设阈值的第二子配送规划信息,得到所述第二混流配送规划信息,其中,所述第二混流配送规划信息包括所述第二子配送规划信息。
4.根据权利要求3所述的方法,其特征在于,在获取到所述配送修正信息时,确定与每种所述修正动态等级对应的待配送的第一工位节点组,包括:
根据所述配送修正信息,计量所对应的所述修正动态等级,并基于所述修正动态等级,确定预配的待配送的第二工位节点和所述第二工位节点所对应的第二物料配送量,其中,所述修正动态等级表征对混流装配的配送的影响程度;
基于所述修正动态等级,从预设的配送修正规划中,获取目标配送修正规划,其中,所述配送修正规划至少包括以下之一:待配送的所述第二工位节点所对应的配送车的修正、所述配送车向对应的所述第二工位节点所配送的物料配送量的修正、所述配送车待配送的所述第二工位节点的修正;
按所述目标配送修正规划,对待配送的所述第二工位节点进行配送规划配置,得到与每种所述修正动态等级对应的待配送的第一工位节点组,其中,所述第一工位节点组包括完成对应的配送规划配置后的所述第二工位节点。
5.根据权利要求1所述的方法,其特征在于,以引入节约量的节点转移规则为状态转移规则,包括:
按如下公式计算工位节点选择转移概率:
μij=di0+dj0-dij
其中,τij(t)为i和j两个工位节点之间的信息素浓度,ηij(t)为启发因子函数,α为信息素因子,β为启发函数因子,ρ为信息素挥发因子,dij为节点i和节点j之间的欧氏距离,μij为节约量,allowed为待配送的工位节点。
6.根据权利要求1所述的方法,其特征在于,以加入奖惩策略的信息素更新规则为信息素规则,包括:按如下公式更新信息素浓度:
其中,表示当前迭代生成的最优解,/>表示当前迭代生成的最差解,α为信息素因子、β为启发函数因子、Q为信息素常量、ρ为信息素挥发因子,m为配送车的数量、n为工位节点数、τij(t)为初始信息素浓度。
7.一种混流装配车间的物料配送装置,其特征在于,包括:
确定模块,用于在按已规划的第一混流配送规划信息进行物料配送过程中,确定在接收到配送修正信息时,目标配送车所在当前工位节点,其中,所述配送修正信息用于表征混流装配车间对应的工位节点的配送信息变化,所述当前工位节点为所述目标配送车下一个待配送的工位节点;
规划模块,用于从修正规划生成的第二混流配送规划信息中,检测出向所述当前工位节点配送物料的配送车所对应的子配送规划信息,得到候选子配送规划信息,其中,所述第二混流配送规划信息是基于带混合时间窗的优化机制和改进性蚁群算法,对所述第一混流配送规划信息和所述配送修正信息按与所述配送修正信息匹配的修正动态等级进行配送修正优化所生成的,所述改进性蚁群算法是以引入节约量的节点转移规则为状态转移规则和以加入奖惩策略的信息素更新规则为信息素规则的仿生算法,所述子配送规划信息包括配送路线和物料配送量;
检测模块,用于在所述候选子配送规划信息中,检测所述目标配送车对应的所述配送路线,其中,所述配送路线上的每个工位节点对应一辆配送车;
处理模块,用于在检测到所述目标配送车对应的所述配送路线的情况下,将所述配送路线作为所述目标配送车所对应的目标配送路线,并按与所述目标配送路线上的每个工位节点对应的所述物料配送量,控制所述目标配送车进行物料配送。
8.一种混流装配车间的物料配送管控系统,其特征在于,包括:终端设备、传输设备以及服务器设备;其中,所述终端设备通过传输设备连接服务器设备;
所述终端设备用于采集所述配送修正信息;
所述传输设备用于将所述配送修正信息传输至所述服务器设备;
所述服务器设备用于执行权利要求1至6中任一项所述的混流装配车间的物料配送方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的混流装配车间的物料配送方法的步骤。
10.一种存储介质,其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执行时实现权利要求1至6中任一项所述的混流装配车间的物料配送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333532.2A CN117314283B (zh) | 2023-10-16 | 2023-10-16 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333532.2A CN117314283B (zh) | 2023-10-16 | 2023-10-16 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314283A true CN117314283A (zh) | 2023-12-29 |
CN117314283B CN117314283B (zh) | 2024-04-19 |
Family
ID=89261913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333532.2A Active CN117314283B (zh) | 2023-10-16 | 2023-10-16 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314283B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611045A (zh) * | 2024-01-22 | 2024-02-27 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
CN117952398A (zh) * | 2024-03-25 | 2024-04-30 | 山东国泰民安玻璃科技有限公司 | 一种注射剂瓶加工材料的分布式调配控制方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
CN112733272A (zh) * | 2021-01-13 | 2021-04-30 | 南昌航空大学 | 一种解决带软时间窗的车辆路径问题的方法 |
CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
CN113947310A (zh) * | 2021-10-19 | 2022-01-18 | 福州大学 | 一种车间物料配送路径优化方法 |
CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN115857444A (zh) * | 2022-11-24 | 2023-03-28 | 中国科学院合肥物质科学研究院 | 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 |
CN116644936A (zh) * | 2023-06-20 | 2023-08-25 | 华东理工大学 | 一种多agv的路径规划和调度方法 |
-
2023
- 2023-10-16 CN CN202311333532.2A patent/CN117314283B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018176595A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
CN110705742A (zh) * | 2019-08-21 | 2020-01-17 | 浙江工业大学 | 一种基于改进蚁群算法的物流配送方法 |
CN112733272A (zh) * | 2021-01-13 | 2021-04-30 | 南昌航空大学 | 一种解决带软时间窗的车辆路径问题的方法 |
CN113093724A (zh) * | 2021-02-24 | 2021-07-09 | 上海工程技术大学 | 一种基于改进蚁群算法的agv路径规划方法 |
CN113947310A (zh) * | 2021-10-19 | 2022-01-18 | 福州大学 | 一种车间物料配送路径优化方法 |
CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
CN115857444A (zh) * | 2022-11-24 | 2023-03-28 | 中国科学院合肥物质科学研究院 | 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 |
CN116644936A (zh) * | 2023-06-20 | 2023-08-25 | 华东理工大学 | 一种多agv的路径规划和调度方法 |
Non-Patent Citations (2)
Title |
---|
余冬财;朱华炳;王烽;高崧;姚卫杰;: "基于改进蚁群算法的机械加工零件物流配送路径研究", 《组合机床与自动化加工技术》, no. 09, 20 September 2020 (2020-09-20), pages 180 - 184 * |
王昀睿 等: "基于混流生产模式的装配车间物流配送路径规划方法", 《现代制造工程》, no. 7, 18 July 2021 (2021-07-18), pages 109 - 116 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611045A (zh) * | 2024-01-22 | 2024-02-27 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
CN117611045B (zh) * | 2024-01-22 | 2024-04-19 | 湖南创亚信息科技有限公司 | 一种基于云计算的货物流动监测方法及系统 |
CN117952398A (zh) * | 2024-03-25 | 2024-04-30 | 山东国泰民安玻璃科技有限公司 | 一种注射剂瓶加工材料的分布式调配控制方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117314283B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117314283B (zh) | 混流装配车间的物料配送方法、装置、系统及存储介质 | |
US20220063915A1 (en) | Goods sorting method and goods sorting system | |
CN112418497B (zh) | 一种面向制造物联的物料配送路径优化方法 | |
US11928644B2 (en) | Articles picking method, control system and articles picking system | |
CN110807236A (zh) | 一种基于多机器人的仓储物流仿真系统 | |
CN110705742A (zh) | 一种基于改进蚁群算法的物流配送方法 | |
CN113011644A (zh) | 基于蚁群优化算法的智慧城市动态冷链物流调度方法 | |
CN109345091A (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN109214756A (zh) | 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端 | |
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 | |
WO2023273758A1 (zh) | 用于搬运机器人的调度方法、调度系统和计算机程序产品 | |
Yuan et al. | The pod assignment model and algorithm in robotic mobile fulfillment systems | |
CN111652407B (zh) | 仓库中的任务处理方法、装置、介质、电子设备与系统 | |
Zhou et al. | A dynamic material handling scheduling method based on elite opposition learning self-adaptive differential evolution-based extreme learning machine (EOADE-ELM) and knowledge base (KB) for line-integrated supermarkets | |
CN115689081B (zh) | 基于适应性协同机制的厨余垃圾收运路径动态优化方法 | |
Ji et al. | Model-based optimization of pod point matching decision in robotic mobile fulfillment system | |
CN115062868A (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
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 | |
CN114662853A (zh) | 一种运输车的分配方法、设备、产品及介质 | |
Jing et al. | An optimization task scheduling model for multi-robot systems in intelligent warehouses | |
CN117196263B (zh) | 一种货物调度方法、装置、设备及计算机可读存储介质 | |
CN116739467B (zh) | 基于云边协同的循环取送货路径规划方法、装置及介质 | |
CN114003011B (zh) | 一种多载量agvs防死锁任务调度方法 | |
CN116738239B (zh) | 模型训练方法、资源调度方法及装置、系统、设备及介质 | |
CN117332995B (zh) | 基于窄通道避堵的拣选订单分配规划方法、装置及介质 |
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 |