CN117495236A - 一种电力物资仓库的调度方法及装置 - Google Patents
一种电力物资仓库的调度方法及装置 Download PDFInfo
- Publication number
- CN117495236A CN117495236A CN202311553039.1A CN202311553039A CN117495236A CN 117495236 A CN117495236 A CN 117495236A CN 202311553039 A CN202311553039 A CN 202311553039A CN 117495236 A CN117495236 A CN 117495236A
- Authority
- CN
- China
- Prior art keywords
- positioning information
- ant colony
- warehouse
- algorithm
- scheduling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000000463 material Substances 0.000 title abstract description 25
- 239000003016 pheromone Substances 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 27
- 238000012384 transportation and delivery Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 4
- 241000257303 Hymenoptera Species 0.000 description 19
- 238000004891 communication Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/08—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q10/04—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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力物资仓库的调度方法及装置,包括获取目标客户数据和运送车辆数据;根据均值漂移聚类算法,对目标客户数据进行初始化;根据蚁群算法确定最优调度线路策略,其中,本发明对两种算法均进行了相关的改进,例如基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;控制对应的运送车辆执行相匹配的所述最优调度线路策略。本发明通过均值漂移聚类算法和蚁群算法相结合,均值漂移聚类算法能够优化每条路径的客户选择,蚁群算法能够避免算法陷入到局部最优,从而得到最为最优最短的调度路线,推进了电力仓库物流调度的智能化进程。
Description
技术领域
本发明涉及物流技术领域,尤其是涉及一种电力物资仓库的调度方法及装置。
背景技术
随着社会经济的快速发展和电力需求的不断增长,电力物资仓库作为供应链管理中的关键环节,发挥着重要的作用,它们负责存储、分拣和配送各种电力设备和材料,确保电力供应的稳定和可靠。
现如今,电力物资仓库之间的高效物流调度问题日益凸显,如何优化电力仓库之间的物流调度,提高配送效率,降低成本,已经成为本领域技术人员所要亟待解决的技术问题。
发明内容
本发明提供一种电力物资仓库的调度方法及装置,通过均值漂移聚类算法和蚁群算法相结合,均值漂移聚类算法能够优化每条路径的客户选择,蚁群算法能够避免算法陷入到局部最优,从而得到最为最优最短的调度路线,推进了电力仓库物流调度的智能化进程。
为了解决上述技术问题,本发明实施例提供了一种电力物资仓库的调度方法,包括:
分别获取目标客户数据和运送车辆数据;
根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
控制对应的运送车辆执行相匹配的所述最优调度线路策略。
作为其中一种优选方案,在得到所述最优调度线路策略后,所述电力物资仓库的调度方法还包括:
将所述最优调度线路策略上传至服务器终端。
作为其中一种优选方案,在执行所述最优调度线路策略时,实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。
作为其中一种优选方案,所述实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端,具体包括:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
作为其中一种优选方案,在所述目标定位信息与对应的所述最优调度线路策略不匹配时,生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端。
本发明另一实施例提供了一种电力物资仓库的调度装置,包括处理器,所述处理器被配置为:
分别获取目标客户数据和运送车辆数据;
根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
控制对应的运送车辆执行相匹配的所述最优调度线路策略。
作为其中一种优选方案,所述处理器还被配置为:
将所述最优调度线路策略上传至服务器终端。
作为其中一种优选方案,所述处理器还被配置为:
在执行所述最优调度线路策略时,实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。
作为其中一种优选方案,所述处理器还被配置为:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
作为其中一种优选方案,所述处理器还被配置为:
在所述目标定位信息与对应的所述最优调度线路策略不匹配时,生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端。
相比于现有技术,本发明实施例的有益效果在于以下所述中的至少一点:
(1)本发明利用基于带核函数的均值漂移聚类算法将目标客户分成多个子类,在初始化时优化每条路径对客户个体的选择,优化算法的初始解;本发明还对蚁群算法进行改进,更改蚂蚁路径转移概率的公式、信息素浓度更新公式以及启发因子,使得算法不容易陷入到局部最优解。本发明的电力物资仓库的调度方法,能够得到最为最优最短的调度路线,进而有效提高了配送效率,降低了调度成本;
(2)本发明的电力物资仓库的调度方法完善了电力物资仓库和服务器终端在调度过程中的通信交互,实现有效及时地监控和预警,从而能够实现电力物资仓库在调度过程中的及时控制,进而推进了电力仓库物流调度的智能化进程。
附图说明
图1是本发明其中一种实施例中的电力物资仓库的调度方法的流程示意图;
图2是本发明其中一种实施例中的电力物资仓库的空间分布图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,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”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中,需要说明的是,除非另有定义,本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种电力物资仓库的调度方法,具体的,请参见图1,图1示出为本发明其中一种实施例中的电力物资仓库的调度方法的流程示意图,其包括步骤S1~S4,具体如下:
S1、分别获取目标客户数据和运送车辆数据;
S2、根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
S3、根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
S4、控制对应的运送车辆执行相匹配的所述最优调度线路策略。
需要提前说明的是,传统的车辆路径规划问题(Vehicle Routing Problem,简称VRP)是指在给定一组客户需求和一定数量的配送车辆的情况下,确定使得配送车辆的行驶距离最短或成本最低的配送路线,以满足所有顾客需求。然而,实际的电力仓库物流调度问题更加复杂,因为它不仅受到客户需求的影响,还受到时间窗口、车辆容量等限制条件的制约。因此,如何在考虑这些实际约束条件的前提下,设计出一种高效、可行的配送方案,成为了研究者们关注的焦点。
为了解决这一问题,现有技术引入了启发式算法,其中蚁群算法作为一种模拟蚁群觅食行为的启发式算法,因其具有全局搜索能力和自适应性而备受关注。然而,传统的蚁群算法在处理带有时间窗口的VRP问题时,容易陷入局部最优解,导致求解效率低下。
本发明提出了一种基于带核函数的均值漂移聚类的改进算法和改进的蚁群算法,旨在提高算法的收敛速度和求解质量。均值漂移聚类算法是一种聚类分析方法,能够将相似的数据点聚集在一起,降低数据维度,提高问题求解的效率。此外,本发明还对蚁群算法进行改进,更改蚂蚁路径转移概率的公式、信息素浓度更新公式以及启发因子。通过将均值漂移聚类与蚁群算法相结合,可以更好地解决带时间窗口的VRP问题,提高配送路线的优化程度,降低配送成本,提高电力仓库之间的物流调度效率。
具体的,在本发明实施例中,电力物资仓库为某一中心仓库,以数字0表示,利用K辆车进行配送,其容量分别为qk(k=1,2,...,K);现有L个客户点(目标客户),以数字1,2,...,L表示;车辆从中心仓库出发,对所有客户进行货物配送;第i个客户点的货物需求量为gi(i=1,2,...,L),其中客户最大的货物需求量不大于车辆容量,即max(gi)≤max(qk),每个客户需求只能有一辆车辆运输,但是一辆车可以服务多个客户;客户点任务需要时间Ti,i任务需要在时间窗口内完成,/>为任务最早起始时间,/>为任务最晚起始时间,此外,车辆在运输完货物后返回到中心仓库的时间也在中心仓库规定的最晚时间之前。本发明需要在时间窗口内完成。
具体的,定义yik∈(0,1),当客户点i的任务由车辆k完成时,yik=1;否则,yik=0。定义xijk∈(0,1),当车辆k从客户点i行驶到客户点j时,xijk=1;否则,xijk=0。定义Cii为车辆从客户点i到客户点j的运输成本,本发明的运输成本为行驶距离。Si表示车辆到达客户点i的时间。基于以上定义,可以构建本发明目标函数的约束条件:
xijk,yik∈(0,1) (7)
其中,k=1,2,...,K;i,j=1,2,...,L。上式中,式(1)是目标函数,运输完所有客户后的成本最下;式(2)为该路径上的配送车辆容量覆盖该路径上的需求总量;式(3)至式(5)表示某客户由某车辆调度服务;式(6)为车辆必须在时间窗口内完成配送任务;式(7)为整数化约束。
下面详细介绍本发明实施例对两种算法的改进。
首先利用带有核函数的均值漂移聚类算法对客户群进行初始化。在客户区域内设置M个移动点粒子Xm,在迭代过程中点粒子搜索半径内的所有客户点,然后利用生成移动向量来更新移动点坐标。当某些移动点十分接近的时候将这些移动点合并,直到移动点不再变化时停止迭代。用剩余的点来代表聚类的个数,该移动点半径内的客户就是此类别的客户子集。定义半径为r,定义该半径里的客户集合为Sm,Mr为偏移量。具体的数学表达式如下:
式中,Sm通过判断xi与Xm之间的欧式距离来依据目标点是否在指定半径圆内。g(·)为高斯函数,h为带宽,Mr为加入了核函数的偏移量,式(10)为点粒子的更新值。
上述均值漂移聚类算法的流程为:
(1)随机选择车辆k,生成子路径Λk;
(2)随机选择客户子集Vi,i∈L,然后随机选择其中客户i,添加到路径Λk的末尾;
(3)选择客户子集Vi中距离当前i最近的客户j,其中j∈Vi,添加到Λk的末尾,然后令i=j。
(4)若车辆k到达容量上限或者超过最长时间,客户子集Vi还有为服务客户,则随机再选择车辆,重新生成子路径Λ,返回步骤(3);若车辆k未到达容量上限和未超过最长时间,但是Vi中客户已经服务完全,则返回步骤(2);若车辆k到达容量上限或超过最长时间,且Vi中客户已经服务完全,则进入到步骤(5);
(5)判断客户是否全部分配完成,是则完成初始化,否则返回到步骤(1)。
对于蚁群算法,其是受蚁群集体行为启发而产生的算法,模拟自然蚂蚁的协作过程,是一种常规随机优化方法。在用其求解现实问题时,先生成一定数量蚂蚁的蚁群,单个蚂蚁从问题的初始节点出发,使得每只蚂蚁构成一个解或者解的一部分,整个蚁群通过正反馈、分布式协作和隐并行性找出最优解。蚂蚁在运动过程中,会在路径上会留下一种被称为“信息素”的物质。其他的蚂蚁会感知到信息素的存在以及浓度。蚂蚁在爬行时会偏爱最短路径,并且有更高概率选择高浓度信息素的路径。随着时间的推移,短路径上的信息素浓度会越来越高,非短路径上的浓度会越来越少。不断循环往复后,所有的蚂蚁都会选择最短路径,此时,蚁群找到了最短路径。
本发明实施例对转移概率、信息素浓度和启发函数进行了相关改进,具体如下:
(1)转移概率的计算
在通过前面聚类初始化后,对每个集合通过蚁群算法来寻找最优路径。先假设有N个蚂蚁,其中一只蚂蚁假设为n,置于中心仓库0,通过轮盘赌或者选择概率公式去选择下一个客户点j,判断客户点j是否满足约束条件,若满足,则将j放到蚂蚁n所对应的禁忌表中,从而找到可行解。为了防止解陷入到局部最优,下面是引入了节约矩阵的转移概率公式介绍:
上式中,τij(t)为t时刻i,j两点间的信息素浓度,该浓度越高,蚂蚁选择该路径的可能性就越大;ηij为启发函数;allowed为表示该时刻蚂蚁n未访问节点集合;α与β是调节参数,权衡启发因子与信息素浓度对转移概率的作用大小;Uij为节约矩阵,增强先验信息对蚂蚁的吸引力;该节约矩阵能合并路线,使得总运输距离变小。具体来说,节点1如果需要给节点i和节点j运输货物并返回,行驶的总距离为D0=d1i+di1+d1j+dj1;现在合并该线路,直接从节点1运输物质到i,然后再到j,此时的行驶总距离为D1=di1+dij+dj1。节约的里程A=D0-D1=di1+dj1-dij,A越大,就越应该把i,j合并到一条路线里来。此时的U(i,j)=D(i,1)+D(j,1)-D(i,j)。另外,式中θ是可以调节节约矩阵的权重系数。
(2)信息素浓度的更新
蚂蚁在寻找食物的过程中,会释放信息素,记为τij(t),随着最优路径上的蚂蚁变多,信息素浓度越来越多,路径上信息素的浓度更新表达式为:
其中,与/>为弧(i,j)上的信息素更新之后和之前的浓度。Q为蚂蚁进行一轮循环后释放在路径上的信息素总量;Q值越大,蚂蚁访问过的路径上的信息素积累就越快,这样使得蚁群的正反馈性能加强,加快蚁群算法的收敛速度。为了避免算法过早的停止更新,不能进行全局最优解的搜索,构造了函数Q(t)=Q(1-rk/Rk),该函数中,路径的吸引力越大,Q(t)越小。在第k只蚂蚁进行第m次迭代中第s次转移时从弧(i,j)经过,此前共有Rk只蚂蚁从i点经过,其中rk只蚂蚁选择了弧(i,j)。
(3)启发式因子ηij的更新
蚁群算法中,启发函数设置为ηij(t)=1/dij,dij表示为客户节点i到客户节点j之间的距离。该函数是为了使得蚂蚁在下一步路径选择时,能够以更大的概率选择短路径。节点i与节点j的距离越小,ηij值越大。这种方式只考虑了节点i与节点j之间的距离,没有考虑到节点到中心仓库之间的距离,因此重新对ηij(t)进行改进,使得ηij(t)=1/(dij+d0j)。这个改进使得算法能从局部和全局出发,为蚁群的搜索全局最优指明方向,但是又没有忽略局部信息,提高了算法的搜索效率。
(4)具体的,上述蚁群算法的实现步骤为
①初始化参数。NC=0(NC为迭代步数和搜索次数),每一条路径弧(i,j)的信息素浓度为τij(0)=1,t=0,k为仓库的发车数目,k=0。
②设有E只蚂蚁,从中心仓库0出发,蚂蚁e根据轮盘赌和转移概率公式选择下一个客户节点j。判断j点是否满足约束条件,把满足约束条件的j点放入到禁忌表中,其中节点0可以重复,其他节点不能重复。若不满足,继续选择未被访问的点,重复该步骤。
③当未被访问点均不满足约束条件时,返回到中心仓库0节点,此时记k=k+1。蚂蚁e重新从仓库出发,重复步骤②,直到禁忌表中包含所有客户点,顺序连接就形成一条可行路径,即为可行解。
④根据信息素浓度更新公式进行信息素的全局更新。
⑤如果循环次数NC≥NCmax,则循环结束,否则清空禁忌表并跳转到步骤②。
⑥得到最优解,输出程序的计算结果。
为进一步说明本发明实施例中的电力物资仓库的调度方法,请参见图2,图2示出为本发明其中一种实施例中的电力物资仓库的空间分布图。采用20个客户点进行测试,客户点的空间布局如图1所示,中心仓库的坐标为[93,75],各客户点的要求如下表所示。
车速为30km/h,使用4辆车,每辆车的容量为5t。利用带核函数的均值漂移算法进行聚类,其中带宽h=2,可以分为四类。第一类:14、15、16、18、20,第二类:4、5、6、8、19,第三类:1、2、3、10、12、17,第四类:7、9、11、13。对聚类后的数据,利用改进的蚁群算法进行求解。初始蚂蚁个数为40只,迭代次数为200次,经实验调参,算法中的参数设置为α=1、β=5、Q=100时,结果较好。可以解的路径1:0-19-4-5-8-6-0,长度为81.3,路径2为:0-11-7-9-13-0,长度为140.20;路径3为0-3-17-2-1-12-10-0,长度为141.50;路径4为0-16-18-15-20-14-0,长度为170.25;四条路径的总长度为533.24。和传统蚁群算法的546.3相比,节约了一定路程。
进一步地,本发明实施例还对服务器终端进行了改进,在得到所述最优调度线路策略后,所述电力物资仓库的调度方法还包括:
将所述最优调度线路策略上传至服务器终端。在执行所述最优调度线路策略时,可以实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。从而完善电力物资仓库和服务器终端在调度过程中的通信交互。
对于运送车辆的定位监控,在上述实施例中,通过坐标变换实现精准的定位信息获取,具体包括:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
在监控过程中,如果发现所述目标定位信息与对应的所述最优调度线路策略不匹配时,则会生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端,从而便于操作人员及时进行控制操作和日志信息的查询。
本发明另一实施例提供了一种电力物资仓库的调度装置,包括处理器,所述处理器被配置为:
分别获取目标客户数据和运送车辆数据;
根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
控制对应的运送车辆执行相匹配的所述最优调度线路策略。
进一步地,在上述实施例中,所述处理器还被配置为:
将所述最优调度线路策略上传至服务器终端。
进一步地,在上述实施例中,所述处理器还被配置为:
在执行所述最优调度线路策略时,实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。
进一步地,在上述实施例中,所述处理器还被配置为:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
进一步地,在上述实施例中,所述处理器还被配置为:
在所述目标定位信息与对应的所述最优调度线路策略不匹配时,生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端。
本发明实施例提供的电力物资仓库的调度方法及装置,有益效果在于以下所述中的至少一点:
(1)本发明利用基于带核函数的均值漂移聚类算法将目标客户分成多个子类,在初始化时优化每条路径对客户个体的选择,优化算法的初始解;本发明还对蚁群算法进行改进,更改蚂蚁路径转移概率的公式、信息素浓度更新公式以及启发因子,使得算法不容易陷入到局部最优解。本发明的电力物资仓库的调度方法,能够得到最为最优最短的调度路线,进而有效提高了配送效率,降低了调度成本;
(2)本发明的电力物资仓库的调度方法完善了电力物资仓库和服务器终端在调度过程中的通信交互,实现有效及时地监控和预警,从而能够实现电力物资仓库在调度过程中的及时控制,进而推进了电力仓库物流调度的智能化进程。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力物资仓库的调度方法,其特征在于,包括:
分别获取目标客户数据和运送车辆数据;
根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
控制对应的运送车辆执行相匹配的所述最优调度线路策略。
2.如权利要求1所述的电力物资仓库的调度方法,其特征在于,在得到所述最优调度线路策略后,所述电力物资仓库的调度方法还包括:
将所述最优调度线路策略上传至服务器终端。
3.如权利要求2所述的电力物资仓库的调度方法,其特征在于,在执行所述最优调度线路策略时,实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。
4.如权利要求3所述的电力物资仓库的调度方法,其特征在于,所述实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端,具体包括:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
5.如权利要求4所述的电力物资仓库的调度方法,其特征在于,在所述目标定位信息与对应的所述最优调度线路策略不匹配时,生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端。
6.一种电力物资仓库的调度装置,其特征在于,包括处理器,所述处理器被配置为:
分别获取目标客户数据和运送车辆数据;
根据均值漂移聚类算法,对目标客户数据进行初始化,其中,均值漂移聚类算法被配置为在目标区域内基于移动路径设置移动点粒子,在算法迭代过程中基于移动向量更新移动点粒子的坐标,将满足条件的所述移动点粒子合并,直至移动点粒子不再更新时停止迭代,以优化每条移动路径对每一目标客户的选择;
根据蚁群算法确定最优调度线路策略,其中,基于节约矩阵确定蚁群算法的转移概率,基于构造函数确定蚁群算法的信息素浓度,并基于启发函数确定蚁群算法的距离函数,以提高蚁群算法选择短路径的概率;
控制对应的运送车辆执行相匹配的所述最优调度线路策略。
7.如权利要求6所述的电力物资仓库的调度装置,其特征在于,所述处理器还被配置为:
将所述最优调度线路策略上传至服务器终端。
8.如权利要求7所述的电力物资仓库的调度装置,其特征在于,所述处理器还被配置为:
在执行所述最优调度线路策略时,实时获取所述运送车辆的定位信息,并将所述定位信息上传至所述服务器终端。
9.如权利要求8所述的电力物资仓库的调度装置,其特征在于,所述处理器还被配置为:
分别获取所述运送车辆相对于仓库摄像头的第一定位信息和所述仓库摄像头相对于世界坐标系的第二定位信息;
将所述第一定位信息和所述第二定位信息进行位姿叉乘,得到所述运送车辆相对于世界坐标系的目标定位信息;
将所述目标定位信息上传至所述服务器终端。
10.如权利要求9所述的电力物资仓库的调度装置,其特征在于,所述处理器还被配置为:
在所述目标定位信息与对应的所述最优调度线路策略不匹配时,生成对应的预警提示和记录日志,将所述记录日志上传至所述服务器终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553039.1A CN117495236A (zh) | 2023-11-20 | 2023-11-20 | 一种电力物资仓库的调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311553039.1A CN117495236A (zh) | 2023-11-20 | 2023-11-20 | 一种电力物资仓库的调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495236A true CN117495236A (zh) | 2024-02-02 |
Family
ID=89684768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311553039.1A Pending CN117495236A (zh) | 2023-11-20 | 2023-11-20 | 一种电力物资仓库的调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910917A (zh) * | 2024-03-19 | 2024-04-19 | 安徽智享云科技有限公司 | 一种基于人工智能的物流运输过程质量管理系统及方法 |
-
2023
- 2023-11-20 CN CN202311553039.1A patent/CN117495236A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910917A (zh) * | 2024-03-19 | 2024-04-19 | 安徽智享云科技有限公司 | 一种基于人工智能的物流运输过程质量管理系统及方法 |
CN117910917B (zh) * | 2024-03-19 | 2024-06-04 | 安徽智享云科技有限公司 | 一种基于人工智能的物流运输过程质量管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN110782086B (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
CN109034468A (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
Tarhini et al. | Swarm intelligence-based hyper-heuristic for the vehicle routing problem with prioritized customers | |
Luo et al. | A last-mile drone-assisted one-to-one pickup and delivery problem with multi-visit drone trips | |
CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
Zou et al. | An effective discrete artificial bee colony algorithm for scheduling an automatic-guided-vehicle in a linear manufacturing workshop | |
CN116187896A (zh) | 绿色车辆路径问题求解方法、装置、计算机设备以及介质 | |
CN112488386A (zh) | 基于分布熵多目标粒子群的物流车辆配送规划方法及系统 | |
CN112184053A (zh) | 一种任务调度的方法、装置及其设备 | |
CN116203959A (zh) | 基于hac算法的机器人路径规划方法及系统 | |
CN109359771A (zh) | 一种基于大数据的干线运输车货匹配算法 | |
Zhang et al. | A review on the truck and drone cooperative delivery problem | |
CN114548880A (zh) | 物流规划方法、设备、装置和存储介质 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
WO2021252683A1 (en) | Systems and methods for controlling automated systems using integer programming and column generation techniques | |
CN115470651A (zh) | 一种基于蚁群算法的带道路与时间窗车辆路径优化方法 | |
CN115062868A (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
Cao et al. | Path optimization of joint delivery mode of trucks and UAVs | |
Jiao et al. | The Optimization Model of E‐Commerce Logistics Distribution Path Based on GIS Technology | |
Dong et al. | Exploration of joint optimization and visualization of inventory transportation in agricultural logistics based on ant colony algorithm | |
Bi et al. | Dynamic weighted and heat-map integrated scalable information path-planning algorithm | |
Tao et al. | Research on disruption management of urgent arrival in job shop with deteriorating effect | |
Rezaeipanah et al. | An Improved Hybrid Cuckoo Search Algorithm for Vehicle Routing Problem with Time Windows | |
CN114003011B (zh) | 一种多载量agvs防死锁任务调度方法 |
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 |