CN117455100B - 一种基于全局最优化的智能仓储物流调度方法 - Google Patents
一种基于全局最优化的智能仓储物流调度方法 Download PDFInfo
- Publication number
- CN117455100B CN117455100B CN202311799654.0A CN202311799654A CN117455100B CN 117455100 B CN117455100 B CN 117455100B CN 202311799654 A CN202311799654 A CN 202311799654A CN 117455100 B CN117455100 B CN 117455100B
- Authority
- CN
- China
- Prior art keywords
- bin
- delivery
- demand
- distribution
- bins
- 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 21
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 239000000463 material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 238000003860 storage Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于全局最优化的智能仓储物流调度方法,涉及仓储物流调度技术领域,采集历史配送速度序列数据,预测从配送仓到需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓;根据超时损失函数,计算各需求仓的配送优先度;针对优先度最高的需求仓,构建最小装货路径模型,根据计算得到的与需求仓匹配的多个配送仓计算最优装货路径。满足了优化仓储物流调度,提高工作效率,降低运输的需求。
Description
技术领域
本发明涉及仓储物流调度技术领域,具体涉及一种基于全局最优化的智能仓储物流调度方法。
背景技术
库存是以支持生产、维护、操作和客户服务为目的而存储的各种物料,包括原材料和在制品、维修件和生产消耗品、成品和备件等。库存的存在有利有弊,一方面它占用了资金,减少了企业利润,甚至导致竞争性亏损;另一方面它能改善客户服务,有效缓解供需矛盾,有时甚至还是投机功能,为企业盈利。
随着电子商务的蓬勃发展,海量客户需求和高频次、多品种、小批量的订单特性给电商物流中心订单拣选效率带来巨大挑战。智能仓储物流到拣选系统在实现拣货模式向“货到人”转变和订单处理速度提升的同时,也面临着货架重复多次出入库、机器人行走路线迂回等问题。
随着经济社会的发展,和电子商务的发展壮大,物流运输量越来越大,因此物流调度成了经济发展的社会生活的一个重要问题,各类物资需要统一的安排运输,但是物资在实际运输过程中是错综复杂的,是无序的,首先,在分拣和装载的过程,物资处于无序状态,目前很少有企业针对于物资的装载进行运算,进行合理装载,以节省运输空间。仓储是物流管理系统的核心环节之一,全球经济一体化与信息技术的飞速发展迫使仓储在建设准则、实施路径、技术架构等方面都面临着巨大的转型挑战。如何实现物联网、人工智能、大数据分析技术的深度融合,推动商品在仓储物流全生命周期的自动化、智能化、精细化的监控管理与实时决策,从而提高物流效率、降低仓储成本是智能仓储亟待解决的关键问题之一。
现有技术中常用的优化方法为基于蚁群算法的物流配送车辆最优网络路径获取方法,但是基于蚁群算法的物流配送车辆最优网络路径获取方法没有充分考虑实际交通的动态变化的限制,蚂蚁收敛速度过快,容易陷入局部最优解,获得的物流配送车辆网络路径并非全局最优解,导致运输效率较低,配送成本增加。
发明内容
为了解决上述技术问题,本发明提出了一种基于全局最优化的智能仓储物流调度方法,包括如下步骤:
S1、采集历史配送速度序列数据,预测从配送仓到需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓;
S2、根据超时损失函数,计算各需求仓的配送优先度;
S3、针对优先度最高的需求仓,构建最小装货路径模型,根据步骤S1中计算得到的与需求仓匹配的多个配送仓计算最优装货路径。
进一步地,步骤S1包括:
S1.1、采集历史配送速度数据序列,对数据序列中的偏差数据进行预处理;
S1.2、使用最终的预测的配送速度,估算每个配送仓到每个需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓。
进一步地,步骤S1.1中,对数据序列中的偏差数据进行偏差处理,处理公式如下:
;
其中,为根据历史配送速度数据序列进行预测的配送速度,/>为历史配送速度数据序列中的第I个配送速度,e为预测误差系数,K为数据总数;
如果历史数据中的配送速度与预测的配送速度的误差系数e>50%时,则使用预测的配送速度代替偏差的历史数据中的配送速度,并重新计算得到最终的预测的配送速度。
进一步地,步骤S3中,计算运输装置的最小装货路径模型minZ:
;
其中,b为运输装置车次序号,B为运输车次总量;r为配送仓序号,R为根据步骤S1中计算得到的与其匹配的多个配送仓的集合;为b车次从配送仓r装货的概率,/>为b车次是否去配送仓r装货的决策变量。
进一步地,配送概率计算公式为:
;
其中,为t时刻配送仓r到需求仓连接线路上延迟时间;/>为物资信息函数,表示运输装置转移到下一配送仓装货的期望;/>为延迟因子,/>为重要程度因子;
运输装置根据选择下一可能的配送仓n,移动的下一配送仓n进行装货。
进一步地,设置约束条件一:一个用户订单J被分配到1个运输装置车次上面:
;
其中,为用户订单J被分配到b车次中的决策变量,Y为用户订单总量;
设置约束条件二:每次运输最多包含F个订单:
;
设置约束条件三:1个运输装置车次中的订单只能在同一个配送仓中进行补货作业:
;
其中,为配送仓r是否对车次b进行补货任务。
相比于现有技术,本发明具有如下有益技术效果:
采集历史配送速度序列数据,预测从配送仓到需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓;根据超时损失函数,计算各需求仓的配送优先度;针对优先度最高的需求仓,构建最小装货路径模型,根据计算得到的与需求仓匹配的多个配送仓计算最优装货路径。根据用户订单信息和仓库存储情况,最优化预测行程路径,给运输装置选择最短运输时间;根据上面得到的最优路径,结合运输装置的运载能力,将订单进行合理分配,降低运输能耗。满足了优化仓储物流调度,提高工作效率,降低运输的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于全局最优化的智能仓储物流调度方法的流程示意图;
图2为本发明的历史配送速度数据序列示意图;
图3为本发明的与需求仓匹配的多个配送仓的装货路径示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的基于全局最优化的智能仓储物流调度方法的流程示意图,该仓储物流调度方法包括如下步骤:
S1、采集历史配送速度序列数据,预测从配送仓到需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓。
S1.1、采集历史配送速度数据序列,对数据序列中的偏差数据进行预处理。
设A1,A2,…,Ai,…,An为n个配送仓,B1,B2,…,Bj,…,Bm为m个需求仓,从配送仓Ai到需求仓Bj的配送速度为,提取从配送仓Ai到需求仓Bj的配送速度的历史数据构成历史配送速度数据序列/>,对历史配送速度数据序列/>进行偏差处理,保证数据的准确性,去除数据序列中的偏差数据。
首先对数据序列中的偏差数据进行偏差处理,处理公式如下:
;
其中,为根据历史配送速度数据序列进行预测的配送速度,/>为历史配送速度数据序列中的第I个配送速度,e为预测误差系数,K为数据总数。
如图2所示为历史配送速度数据序列示意图,如果历史数据中的配送速度与预测的配送速度的误差系数e>50%时,则使用预测的配送速度代替偏差的历史数据中的配送速度,并重新计算得到最终的预测的配送速度。
S1.2、使用最终的预测的配送速度,估算每个配送仓到每个需求仓的配送时间Tij,按照配送时间从小到大的顺序为需求仓匹配多个配送仓。
在优选实施例中,当路程复杂时,可将需求仓与匹配的配送仓之间的路程S分为连续的路段,得到运行时间最小的最优运输路程。
路段由路标划分,路标m到m+1之间的距离表示如下:
;
其中m为路标序号,该路程中有M个路标,m=1,2,…,M,t为出发时刻,为路标m到m+1之间的距离,/>为运输装置到达路标m的时刻,/>为路标m到m+1距离间的任意时刻,为/>时刻下的瞬时速度。
需求仓与匹配的配送仓之间的路程S可以表示为:
;
其中,为运输装置在路标m到m+1之间的平均速度。
则在t时刻出发的运输装置从需求仓到匹配的配送仓的运行时间T如下:
;
可以通过S1.1中对历史数据序列进行偏差处理及速度预测获得。
使用最优路径算法,选择运行时间最小的路程作为最优路程,得到最优路程公式如下:
;
由上述公式可以得到运行时间最小的最优运输路程。
S2、根据超时损失函数,计算各需求仓的配送优先度。
设A1,A2,…,Ai,…,An为n个配送仓,B1,B2,…,Bj,…,Bm为m个需求仓;需求仓Bj要求物资必须在时间ETj内到达,否则发生物资短缺,短缺判断的超时损失函数为dj;物资从配送仓Ai到需求仓Bj的实际时间为Tij。
损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的风险或损失的函数。损失函数作为学习准则与优化问题相联系,通过最小化损失函数求解和评估模型,本实施例中,定义超时损失函数为:
。
其中,kj为需求仓Bj的权重系数。
根据超时损失函数计算得到的超时损失函数值dj,确定各需求仓优先度。
本步骤根据超时损失函数计算得到的损失函数值dj,确定各需求仓优先度,将多配送仓对多需求仓进行调度。
按照超时损失函数计算各需求仓的超时损失函数值,将超时损失函数值最大的需求仓作为优先度最高的需求仓,将损失函数值为零的需求仓作为优先度最底的需求仓。
S3、针对优先度最高的需求仓,构建最小装货路径模型,根据步骤S1中计算得到的与需求仓匹配的多个配送仓计算最优装货路径。如图3所示为与需求仓匹配的多个配送仓的装货路径示意图。
计算运输装置的最小装货路径模型minZ:
;
其中,b为运输装置车次序号,B为运输车次总量;r为配送仓序号,R为根据步骤S1中计算得到的与其匹配的多个配送仓的集合;为b车次从配送仓r装货的概率,/>为b车次是否去配送仓r装货的决策变量。
配送概率计算公式为:
;
其中,为t时刻配送仓r到需求仓连接线路上延迟时间;/>为物资信息函数,表示运输装置转移到下一配送仓装货的期望;/>为延迟因子,/>为重要程度因子。
在本实施例中,通过获取路径堵塞或移动时间的实际值动态地变更延迟因子。利用储存装置预先储存地形,该地形将搬运设备的换乘地点、分岔地点、合流地点、搬运源、搬运目的地作为点,将从各点至能够直接移动的邻近地点作为支线,将与各支线的通过时间成比例的时间负载以及与消耗能量成比例的负载的和作为延迟因子/>。
运输装置根据选择下一可能的配送仓n,移动的下一配送仓n进行装货。
在优选实施例中,可以通过设置约束条件,控制订单分配流程。
设置约束条件一:一个用户订单J被分配到1个运输装置车次上面:
;
其中,为用户订单J被分配到b车次中的决策变量,Y为用户订单总量。
设置约束条件二:每次运输最多包含F个订单:
;
设置约束条件三:1个运输装置车次中的订单只能在同一个配送仓中进行补货作业:
;
其中,为配送仓r是否对车次b进行补货任务。
运输装置由顶板行驶台车(OHV)、无人搬运车(RGV)、自动吊车等各种各样的种类的搬运设备的组合构成。此时,准备多个运输装置或路径以具有充裕的处理能力,使得即使在搬运的货物较多、高负载时,或者一部分的设备产生故障等时也能够充分地搬运。
在一个实施例中,配送仓还可以包括货物仓储站点、物流运输启程站点、物流运输抵达站点和物流运输归位站点,其中,一个配送仓可以同时为货物仓储站点、物流运输启程站点和物流运输抵达站点中的一个或多个。
在一个实施例中,需求仓为需求货物的站点配送仓为进行物流运输时,货物的配送起点。需求仓为进行物流运输时,货物的配送终点。物流运输归位站点为物流运输车完成一次运输时的报到站点。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于全局最优化的智能仓储物流调度方法,其特征在于,包括如下步骤:
S1、采集历史配送速度序列数据,预测从配送仓到需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓;
S1.1、采集历史配送速度数据序列,对数据序列中的偏差数据进行预处理;
对数据序列中的偏差数据进行偏差处理,处理公式如下:
;
其中,为根据历史配送速度数据序列进行预测的配送速度,/>为历史配送速度数据序列中的第I个配送速度,e为预测误差系数,K为数据序列中的数据总数;
如果历史数据中的配送速度与预测的配送速度的误差系数e>50%时,则使用预测的配送速度代替偏差的历史数据中的配送速度,并重新计算得到最终预测的配送速度;
S1.2、使用最终预测的配送速度,估算每个配送仓到每个需求仓的配送时间,按照配送时间从小到大的顺序为需求仓匹配多个配送仓;
S2、根据超时损失函数,计算各需求仓的配送的优先度;按照超时损失函数计算各需求仓的超时损失函数值,将超时损失函数值最大的需求仓作为优先度最高的需求仓,将损失函数值为零的需求仓作为优先度最低的需求仓;
S3、针对优先度最高的需求仓,构建最小装货路径模型,根据步骤S1中计算得到的与需求仓匹配的多个配送仓计算最优装货路径;
计算运输装置的最小装货路径模型minZ:
;
其中,b为运输装置车次序号,B为运输车次总量;r为配送仓序号,R为根据步骤S1中计算得到的与其匹配的多个配送仓的集合;为b车次从配送仓r装货的概率,/>为b车次是否去配送仓r装货的决策变量;
配送概率计算公式为:
;
其中,为t时刻配送仓r到需求仓连接线路上延迟时间;/>为物资信息函数;/>为延迟因子,/>为重要程度因子;
运输装置根据选择下一配送仓n,移动的下一配送仓n进行装货。
2.根据权利要求1中所述的智能仓储物流调度方法,其特征在于,
设置约束条件一:一个用户订单J被分配到1个运输装置车次上面:
;
其中,为用户订单J被分配到b车次中的决策变量,Y为用户订单总量,B为运输车次总量;
设置约束条件二:每次运输最多包含F个订单:
;
设置约束条件三:1个运输装置车次中的订单只能在同一个配送仓中进行补货作业:
;
其中,为配送仓r是否对车次b进行补货任务,r为配送仓序号,R为多个配送仓的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799654.0A CN117455100B (zh) | 2023-12-26 | 2023-12-26 | 一种基于全局最优化的智能仓储物流调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799654.0A CN117455100B (zh) | 2023-12-26 | 2023-12-26 | 一种基于全局最优化的智能仓储物流调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455100A CN117455100A (zh) | 2024-01-26 |
CN117455100B true CN117455100B (zh) | 2024-03-15 |
Family
ID=89593359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311799654.0A Active CN117455100B (zh) | 2023-12-26 | 2023-12-26 | 一种基于全局最优化的智能仓储物流调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455100B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330626A (zh) * | 2017-07-04 | 2017-11-07 | 北京惠赢天下网络技术有限公司 | 一种拆分订单的方法、装置及服务器 |
CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN111738663A (zh) * | 2020-06-30 | 2020-10-02 | 昆明东电科技有限公司 | 一种基于avg技术的智能仓库管理系统 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN112270135A (zh) * | 2020-11-13 | 2021-01-26 | 吉林烟草工业有限责任公司 | 一种物流发运调度智能配送方法、装置、设备及存储介质 |
CN112508481A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种智能仓储多agv调度方法 |
CN113159588A (zh) * | 2021-04-26 | 2021-07-23 | 南京工业大学 | 一种基于物联网技术的物流车辆智能调度算法 |
CN114611767A (zh) * | 2022-02-23 | 2022-06-10 | 北京工业大学 | 一种全局最优的智能仓储调度优化算法 |
CN114897359A (zh) * | 2022-05-11 | 2022-08-12 | 日日顺供应链科技股份有限公司 | 多维数据下整车运力调度方法 |
CN114895690A (zh) * | 2022-06-28 | 2022-08-12 | 济南大学 | 基于动态加权及热力图算法的机器人路径规划方法及系统 |
CN115035998A (zh) * | 2022-08-02 | 2022-09-09 | 之江实验室 | 基于早期预测和无人快速配送的紧急血液调度方法及系统 |
CN115049096A (zh) * | 2022-03-31 | 2022-09-13 | 日日顺供应链科技股份有限公司 | 一种仓库作业效率提升方法及系统 |
CN116203959A (zh) * | 2023-02-24 | 2023-06-02 | 济南大学 | 基于hac算法的机器人路径规划方法及系统 |
CN116629738A (zh) * | 2023-07-25 | 2023-08-22 | 昆仑数智科技有限责任公司 | 一种物流路径优化方法、相关方法、装置、设备及介质 |
CN117196136A (zh) * | 2023-08-30 | 2023-12-08 | 三一集团有限公司 | 一种换电车辆调度方法、系统和装置 |
-
2023
- 2023-12-26 CN CN202311799654.0A patent/CN117455100B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330626A (zh) * | 2017-07-04 | 2017-11-07 | 北京惠赢天下网络技术有限公司 | 一种拆分订单的方法、装置及服务器 |
CN109615122A (zh) * | 2018-11-27 | 2019-04-12 | 拉扎斯网络科技(上海)有限公司 | 配送范围的生成方法、装置、电子设备和存储介质 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN111738663A (zh) * | 2020-06-30 | 2020-10-02 | 昆明东电科技有限公司 | 一种基于avg技术的智能仓库管理系统 |
CN112270135A (zh) * | 2020-11-13 | 2021-01-26 | 吉林烟草工业有限责任公司 | 一种物流发运调度智能配送方法、装置、设备及存储介质 |
CN112508481A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种智能仓储多agv调度方法 |
CN113159588A (zh) * | 2021-04-26 | 2021-07-23 | 南京工业大学 | 一种基于物联网技术的物流车辆智能调度算法 |
CN114611767A (zh) * | 2022-02-23 | 2022-06-10 | 北京工业大学 | 一种全局最优的智能仓储调度优化算法 |
CN115049096A (zh) * | 2022-03-31 | 2022-09-13 | 日日顺供应链科技股份有限公司 | 一种仓库作业效率提升方法及系统 |
CN114897359A (zh) * | 2022-05-11 | 2022-08-12 | 日日顺供应链科技股份有限公司 | 多维数据下整车运力调度方法 |
CN114895690A (zh) * | 2022-06-28 | 2022-08-12 | 济南大学 | 基于动态加权及热力图算法的机器人路径规划方法及系统 |
CN115035998A (zh) * | 2022-08-02 | 2022-09-09 | 之江实验室 | 基于早期预测和无人快速配送的紧急血液调度方法及系统 |
CN116203959A (zh) * | 2023-02-24 | 2023-06-02 | 济南大学 | 基于hac算法的机器人路径规划方法及系统 |
CN116629738A (zh) * | 2023-07-25 | 2023-08-22 | 昆仑数智科技有限责任公司 | 一种物流路径优化方法、相关方法、装置、设备及介质 |
CN117196136A (zh) * | 2023-08-30 | 2023-12-08 | 三一集团有限公司 | 一种换电车辆调度方法、系统和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117455100A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20120100601A (ko) | 스마트 물류네트워크의 최적화시스템 | |
CN112700192A (zh) | 一种基于spark物联网的码头物流业务对象处理方法 | |
Jafarian et al. | The inventory-routing problem subject to vehicle failure | |
Peng et al. | Scheduling Just‐in‐Time Transport Vehicles to Feed Parts for Mixed Model Assembly Lines | |
Beskorovainyi et al. | Optimization of transportation routes in a closed logistics system | |
Cai et al. | A survey of dynamic pickup and delivery problems | |
CN117455100B (zh) | 一种基于全局最优化的智能仓储物流调度方法 | |
Pei et al. | Critical review on the objective function of flexible job shop scheduling | |
CN117709836A (zh) | 一种数字化物流供应链的管理系统 | |
CN116882673A (zh) | 一种煤炭供应链系统及调度方法 | |
An et al. | An auxiliary model of intelligent logistics distribution management for manufacturing industry based on refined supply chain | |
CN104392326B (zh) | 一种用于钢铁企业含铁固废循环利用的监控方法 | |
Zhu et al. | Workstation layout strategies in Robotic Mobile Fulfillment Systems considering carbon emissions | |
CN116452150A (zh) | 一种项目信息协同管理系统 | |
Ma et al. | Optimal shipping path algorithm design for coastal port | |
Wang et al. | Stochastic dynamic location-routing-inventory problem in closed-loop logistics system for reusing end-of-use products | |
CN112712257A (zh) | 一种基于mysql数据库的码头物流数据管理方法 | |
JP2005189925A (ja) | 物流費予測装置と予測方法とそのためのプログラム | |
Duan et al. | Nondominated sorting differential evolution algorithm to solve the biobjective multi-AGV routing problem in hazardous chemicals warehouse | |
CN111626666A (zh) | 一种分布式堆场模式 | |
Dong et al. | Exploration of joint optimization and visualization of inventory transportation in agricultural logistics based on ant colony algorithm | |
Ma et al. | The stochastic and dynamic vehicle routing problem: A literature review | |
CN117541022B (zh) | 一种国际运输散货的拣货路径规划方法 | |
Khezeli et al. | Simulation Based Optimization Model for Logistic Network in a Multi-Stage Supply Chain Network with Considering Operational Production Planning" Truck Loading System and Transportation Network | |
CN117455341B (zh) | 一种智能化车货匹配灵活调优方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |