CN111160654B - 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 - Google Patents
一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 Download PDFInfo
- Publication number
- CN111160654B CN111160654B CN201911410700.7A CN201911410700A CN111160654B CN 111160654 B CN111160654 B CN 111160654B CN 201911410700 A CN201911410700 A CN 201911410700A CN 111160654 B CN111160654 B CN 111160654B
- Authority
- CN
- China
- Prior art keywords
- distribution
- targets
- distributed
- target
- initial
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
一种基于模糊C均值‑模拟退火算法减小总成本的运输路径优化方法属于路径优化技术领域;现有技术会使配送车的行驶路径变长和增加成本;包括根据待配送目标的数量、需求数据以及配送的范围确定所需要配送站的数量;根据待配送目标与配送站的距离,运用模糊C均值算法,进行初始的聚类即为配送站的数量;对于与配送站距离大于SumD,以及与配送站连线间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即确定的目标;运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;通过动态调整将待配送目标的所属配送站,再次优化配送路线,保持最短的配送距离,节约配送车辆,减小配送总成本。
Description
技术领域
本发明属于路径优化技术领域,尤其涉及一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法。
背景技术
运输路径优化即要拜访n个待配送目标,每个目标只能经过一次,规划出较短的路径,而且最后要回到原来出发地,可以归结为TSP问题。在实际运输过程中,由于配送车容量等其他方面的限制,实际问题并不能用TSP问题的模型求解。
目前已经有很多方法能够解决路径优化问题。早年的优化算法主要集中在精确算法,如分枝定界法,动态规划法以及中心树算法,但受求解模型的约束,在实际应用中更偏重于构造应用更为广泛的启发式算法来求解此类问题。启发式算法也由上世纪的节约算法,***法等发展到人工智能的禁忌搜索算法、遗传算法等。
由于待配送目标的位置是随机分布的且配送需求各不相同,配送目标数量和需求的多变性使得多配送目标的路径规划问题更加复杂。对于这种分布式结构,如果采用随机配送方式,不仅会使配送车的行驶路径变长也会增加配送车数量,因而造成总成本的增加。
发明内容
本发明克服了上述现有技术的不足,提供一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,根据实际情况对目标进行聚类,聚类的原则使目标与配送站的距离,本质上减小配送的距离;通过动态调整待配送目标的所属,达到减少配送车数量的目的,优化了总配送成本。
本发明的技术方案:
一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,包括以下步骤:
步骤a、根据待配送目标的数量、需求数据以及配送的范围确定所需要配送站的数量;
步骤b、根据待配送目标与配送站的距离,运用模糊C均值算法,经行初始的聚类,聚类的数量即为配送站的数量;
步骤c、在初始的聚类的基础上,对于与配送站距离大于SumD,以及与配送站连线间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即确定的目标;
步骤d、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤e、在初始配送路线的基础上,通过动态调整将待配送目标的所属配送站,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的。
进一步地,所述步骤b具体方法包括以下步骤:
步骤b1、根据路径优化问题,确定此类问题的约束条件;
步骤b2、确定路径优化问题总成本的组成部分;
步骤b3、确定每部分的成本的简化模型;
步骤b4、根据约束条件,构造多用户随机需求的分配路径优化问题的目标函数。
进一步地,所述步骤c具体方法包括以下步骤:
步骤c1、确定模糊C均值算法的初始参数,包含确定聚类的数量,指数m的值,以及迭代次数;
步骤c2、确定模糊C均值算法的目标函数J,目标函数由相应样本的隶属度与该样本到各个类中心的距离相乘组成的;
步骤c3、初始化一个隶属度U;
步骤c4、根据U计算聚类中心C;
步骤c5、计算目标函数J;
步骤c6、根据C返回去计算U,回到步骤c3,直到循环结束;
步骤c7、在步骤c6,即初始的聚类的基础上,对于与配送站距离大于SumD,以及与配送站连线间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即为确定的目标。
进一步地,所述步骤d具体方法包括以下步骤:
步骤d1、需要根据实际情况,对模拟退火算法进行初始化实验参数;
步骤d2、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤d3、在初始配送路线的基础上,动态调整将待配送目标的所属配送站,目标是减少配送成本;
步骤d4、在步骤d3的基础上,将待确定目标调整后,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的。
本发明相对于现有技术具有以下有益效果:
本发明提供了一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,根据待配送目标的数量及需求数据以及配送的范围确定配送站的数量。在初始的聚类的基础上,将目标划分为待确定部分与确定部分,运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线即初始配送路线,通过动态调整将待配送目标的所属配送站,再次优化配送路线,保持了最短的配送距离,同时减少了配送车数量,达到了优化配送总成本的目的。
附图说明
图1是本发明整体流程图;
图2是待确定目标和确定目标图;
图3是本发明实际优化对比图,其中图3a为优化前的运输路径图,图3b为优化后的运输路径图。
具体实施方式
以下将结合附图对本发明进行详细说明。
一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,如图1和图2所示,包括以下步骤:
步骤a、根据待配送目标的数量、需求数据以及配送的范围确定所需要配送站的数量;
步骤b、根据待配送目标与配送站的距离,运用模糊C均值算法,经行初始的聚类,聚类的数量即为配送站的数量;
步骤c、在初始的聚类的基础上,对于与配送站距离大于SumD,以及与配送站连线间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即确定的目标;
步骤d、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤e、在初始配送路线的基础上,通过动态调整将待配送目标的所属配送站,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的。
具体地,所述步骤b具体方法包括以下步骤:
步骤b1、根据路径优化问题,确定此类问题的约束条件;
步骤b2、确定路径优化问题总成本的组成部分;
步骤b3、确定每部分的成本的简化模型;
步骤b4、根据约束条件,构造多用户随机需求的分配路径优化问题的目标函数。
具体地,所述步骤b1中约束条件包括如下:
(1)配送车所能携带的物品容量是有限的,即不能一次配送满足所有顾客的要求。
(2)每个用户只能配送一次。
(3)配送路径是对称的,即配送车从用户i到j的距离与j到i的距离一样。
(4)配送需求守恒约束。
(5)配送车完成任务后一定要回到配送站且没有物品。
(6)每个用户只能分配给一个配送站等
具体地,所述步骤b2中确定路径优化问题总成本的组成部分包括如下:
(1)路径成本,AGV的行驶距离不仅关系到配送过程中的油耗成本,也包含了工作效率问题,最短的行驶路径不仅可以降低油耗成本,也可以提高工作效率等。
(2)配送任务成本,配送过程中的成本主要包含1.配送车的数量。两者对总的成本。
(3)配送站成本,主要体现在配送站的数量上,数量少的配送站无法按时完成规定的任务,配送站过多消耗了过多的人力物力,合理的配送站数量,是节约成本的重要一环。
具体地,所述步骤b3中确定每部分的成本的简化模型包括如下:
具体地,所述步骤b4中构造多用户随机需求的分配路径优化问题的目标函数为三部分配送成本的加和,公式如下:
具体地,,所述步骤c具体方法包括以下步骤:
步骤c1、确定模糊C均值算法的初始参数,包含确定聚类的数量,指数m的值,以及迭代次数;
步骤c2、确定模糊C均值算法的目标函数J,目标函数由相应样本的隶属度与该样本到各个类中心的距离相乘组成的;
步骤c3、初始化一个隶属度U,注意条件—和为1;
步骤c4、根据U计算聚类中心C;
步骤c5、计算目标函数J;
步骤c6、根据C返回去计算U,回到步骤c3,直到循环结束;
步骤c7、在步骤c6,即初始的聚类的基础上,对于与配送站距离大于SumD,以及与配送站连线间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即为确定的目标。
具体地,所述步骤c1中确定模糊C均值算法的初始参数,包含确定聚类的数量,指数m的值,以及迭代次数;聚类的数量是根据实际情况以及历史发货时的数据量确定配送站的数量,配送站的数量也就是要实际聚类的数量,本实施方式的配送站的数量确定为3。本算法的迭代次数为150次,指数m=2。
具体地,步骤c4-步骤c6的具体算法包括:
对每个目标属于哪个聚类赋予一个权值,指明对象属于该簇的程度(概率),本实施方式的是3个聚类,对于每个目标属于这三个聚类的程度(概率)为1。
具体地,所述步骤d具体方法包括以下步骤:
步骤d1、需要根据实际情况,对模拟退火算法进行初始化实验参数;
步骤d2、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤d3、在初始配送路线的基础上,动态调整将待配送目标的所属配送站,目标是减少配送成本;
步骤d4、在步骤d3的基础上,将待确定目标调整后,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的。
具体地,所述步骤d2中运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线的具体方法包括如下步骤:
步骤d21、初始化:初始温度T(足够大),初始解状态S(是算法迭代的起点),每个T值的迭代次数L
步骤d21、对k=1,…,L做第d23至第点6:
步骤d22、产生新解S′
步骤d23、计算增量ΔT=C(S′)-C(S),其中C(S)为评价函数
步骤d25、如果满足终止条件则输出当前解作为最优解,结束程序。终止条件通常取为连续若干个新解都没有被接受时终止算法
步骤d26、T逐渐减少,且T->0,然后转第都都d22步。
需要根据实际情况,初始化实验参数,最低温度为1.0°。温度下降率为0.0000001°,初始温度为T=1000.0°。
具体地,步骤d3中在初始配送路线的基础上,动态调整将待配送目标的所属配送站,因为用户的分配问题很容易出现配送车的利用率不高的情况,即会有几个AGV小车的携带配送物品的数量最少。但是通过划分出待确定用户,既可以调节各个配送站用户的数量,也可以调节配送距离,同时可以提高配送车的使用率,使整体的代价成本减小。
如图3所示,为本实施方式应用前后对比图,其中图3a为优化前的运输路径图,图3b为优化后的运输路径图,下表为应用实验数据表。
Claims (3)
1.一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,其特征在于,包括以下步骤:
步骤a、根据待配送目标的数量、需求数据以及配送的范围确定所需要配送站的数量;
步骤b、根据待配送目标与配送站的距离,运用模糊C均值算法,经行初始的聚类,聚类的数量即为配送站的数量;
步骤c、在初始的聚类的基础上,对于待配送目标与配送站距离大于SumD均值方差与0.7的乘积,以及待配送目标与配送站的连线与配送站连线之间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即确定的目标;
步骤d、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤e、在初始配送路线的基础上,通过动态调整待配送目标的所属配送站,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的;
所述步骤c具体方法包括以下步骤:
步骤c1、确定模糊C均值算法的初始参数,包含确定聚类的数量,指数m的值,以及迭代次数;
步骤c2、确定模糊C均值算法的目标函数J,目标函数由相应样本的隶属度与该样本到各个类中心的距离相乘组成的;
步骤c3、初始化一个隶属度U;
步骤c4、根据U计算聚类中心C;
步骤c5、计算目标函数J;
步骤c6、根据C返回去计算U,回到步骤c3,直到循环结束;
步骤c7、在步骤c6,即初始的聚类的基础上,对于待配送目标与配送站距离大于SumD均值方差与0.7的乘积,以及待配送目标与配送站的连线与配送站连线之间的方向夹角小于45°的目标划分为将待配送目标,将其他的目标保持初始的分配,即为确定的目标;
SumD为每个聚类的所有待配送目标与该聚类的配送站之间的距离之和。
2.根据权利要求1所述一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,其特征在于,所述步骤b具体方法包括以下步骤:
步骤b1、根据路径优化问题,确定此类问题的约束条件;
步骤b2、确定路径优化问题总成本的组成部分;
步骤b3、确定每部分的成本的简化模型;
步骤b4、根据约束条件,构造多用户随机需求的分配路径优化问题的目标函数。
3.根据权利要求1所述一种基于模糊C均值-模拟退火算法减小总成本的运输路径优化方法,其特征在于,所述步骤d具体方法包括以下步骤:
步骤d1、需要根据实际情况,对模拟退火算法进行初始化实验参数;
步骤d2、运用模拟退火算法进行搜索配送的路径,计算出最短的配送路线,即初始配送路线;
步骤d3、在初始配送路线的基础上,动态调整将待配送目标的所属配送站,目标是减少配送成本;
步骤d4、在步骤d3的基础上,将待确定目标调整后,再次优化配送路线,保持了最短的配送距离,同时节约了配送车辆,达到了优化配送总成本的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410700.7A CN111160654B (zh) | 2019-12-31 | 2019-12-31 | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410700.7A CN111160654B (zh) | 2019-12-31 | 2019-12-31 | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160654A CN111160654A (zh) | 2020-05-15 |
CN111160654B true CN111160654B (zh) | 2022-06-24 |
Family
ID=70559816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410700.7A Active CN111160654B (zh) | 2019-12-31 | 2019-12-31 | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160654B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598516B (zh) * | 2020-05-20 | 2023-08-22 | 圆通速递有限公司 | 一种驿站选址方法和*** |
CN114004386A (zh) * | 2021-02-24 | 2022-02-01 | 成都知原点科技有限公司 | 一种基于智能算法的虚拟物流中转站选址及配送路径优化方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6421467B1 (en) * | 1999-05-28 | 2002-07-16 | Texas Tech University | Adaptive vector quantization/quantizer |
US8788306B2 (en) * | 2007-03-05 | 2014-07-22 | International Business Machines Corporation | Updating a forecast model |
CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
SG11201706602RA (en) * | 2015-02-13 | 2017-09-28 | Beijing Didi Infinity Tech And Dev Co Ltd | Methods and systems for transport capacity scheduling |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟*** |
US10636007B2 (en) * | 2017-05-15 | 2020-04-28 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
CN111768042A (zh) * | 2017-07-28 | 2020-10-13 | 株式会社日立制作所 | 一种配送车辆的配送计划生成方法、装置及*** |
CN108764777B (zh) * | 2018-04-26 | 2021-03-30 | 浙江工商大学 | 带时间窗的电动物流车调度方法和*** |
CN109657695A (zh) * | 2018-11-05 | 2019-04-19 | 中国电子科技集团公司电子科学研究院 | 一种基于确定性退火的模糊划分聚类方法及装置 |
CN109858858A (zh) * | 2019-01-21 | 2019-06-07 | 中国人民解放军陆军工程大学 | 一种地下物流网络节点分级与选址***及方法 |
-
2019
- 2019-12-31 CN CN201911410700.7A patent/CN111160654B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111160654A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875090B (zh) | 一种面向动态任务的多机器人分布式任务分配形成方法 | |
CN111178440B (zh) | 一种基于高效减小agv总运输成本的路径优化方法 | |
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 | |
CN110264062A (zh) | 分布式多agv动态任务分配及其路径规划方法与*** | |
CN106203739B (zh) | 一种多配送中心物流运输调度的方法及*** | |
CN111160654B (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
CN109191052B (zh) | 一种多车型车辆路径优化方法、服务器及*** | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN114237222B (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
CN113867358B (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN113051815A (zh) | 一种基于独立指针网络的敏捷成像卫星任务规划方法 | |
CN115062868B (zh) | 一种预聚类的车辆配送路径规划方法和装置 | |
CN111798097B (zh) | 一种基于市场机制的自主移动机器人任务分配处理方法 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
CN116579513A (zh) | 基于改进鲸鱼优化算法的物资配送路径优化方法和*** | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及*** | |
CN113467473B (zh) | 一种基于自主移动机器人的物料存储方法及装置 | |
CN116108975A (zh) | 基于br-som聚类算法的配电网短期负荷预测模型建立方法 | |
CN115439063A (zh) | 一种定制家具物流配送的多目标路径规划方法及*** | |
CN115187056A (zh) | 一种考虑公平性原则的多智能体协同资源分配方法 | |
CN112070351B (zh) | 一种基于重心回归和粒子群混合算法的变电站优化选址方法 | |
CN112836846A (zh) | 一种卷烟发货多库点多方向联运调度双层优化算法 | |
CN109447471B (zh) | 一种多机器人多区域协同搜索任务分配方法 | |
CN114548913A (zh) | 一种最大化任务分配数量的多阶段任务分配方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220707 Address after: 150000 No. 311, third floor, science and Technology Park building, Harbin University of technology, No. 434, sub postal street, Nangang District, Harbin, Heilongjiang Province Patentee after: Harbin Zhiwu Technology Co.,Ltd. Address before: 518110 room 214, No. 67, Xikeng Road, Xikeng community, Fucheng street, Longhua District, Shenzhen City, Guangdong Province Patentee before: Harbin Huizhi (Shenzhen) Technology Co.,Ltd. |