CN112100899A - 卷烟辅料调度的agv多线程作业全局优化方法 - Google Patents
卷烟辅料调度的agv多线程作业全局优化方法 Download PDFInfo
- Publication number
- CN112100899A CN112100899A CN202011002512.3A CN202011002512A CN112100899A CN 112100899 A CN112100899 A CN 112100899A CN 202011002512 A CN202011002512 A CN 202011002512A CN 112100899 A CN112100899 A CN 112100899A
- Authority
- CN
- China
- Prior art keywords
- particle
- task
- optimal solution
- individual
- agv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 239000000463 material Substances 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 184
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000004615 ingredient Substances 0.000 claims 2
- 230000035772 mutation Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012856 packing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000002390 adhesive tape Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种卷烟辅料调度的AGV多线程作业全局优化方法,其包括:构造时序约束矩阵和资源约束矩阵;采用随机生成任务优先级与执行方法对粒子种群进行初始化;根据随机规则和随机执行方法对粒子个体进行编码;为粒子个体进行解码;计算粒子个体的局部最优解和初始粒子种群的全局最优解;基于局部最优解和全局最优解对粒子个体进行更新,随机改变某个编码位置的值,产生新粒子个体。本发明提供的卷烟辅料调度的AGV多线程作业全局优化方法,利用各阶段的个体局部解和全局最优解对所有粒子进行更新迭代,并加入变异算子增加种群多样性,既保留了粒子群算法易实现、收敛快的优点,也不易陷入局部最优解,可以为配盘作业多AGV的任务调度提供解决方案。
Description
技术领域
本发明涉及卷烟厂生产辅料仓储调度的数字化管理技术领域,尤其涉及一种卷烟辅料调度的AGV多线程作业全局优化方法。
背景技术
近年来,自动化仓储和智慧物流迅速在多个行业推广开来,其中也包括卷烟制造行业,通过新厂房或原有仓库的技术改造,卷烟辅料、烟丝、成品卷烟等的仓储作业许多操作都由高效的自动化设备协助完成,其中自动导引小车(AGV,Automated Guided Vehicle)由于其适用于各种工作环境、运行灵活、容易扩展等优点,更是得到了广泛应用。
在卷烟生产之前,有一个配盘的过程,就是将仓库中的各种辅料(卷烟纸、滤棒成形纸、接装纸、盒包装纸、条包装纸、内衬纸、框架纸、封签纸、透明包装膜、拉带、丝束、烟箱、香精香料、胶带、滤棒添加剂、粘合剂等),按照生产工单的要求,预先以一定的数量配比放置在一个或多个托盘上。在后续加工过程中,工人只需要从托盘上取出所需辅料,通过卷包设备,即可生产出各种型号的卷烟。在辅料配盘时,AGV往往作为物流设备,将所需的种类繁多的辅料从仓库库位中搬出来,运至配盘工位,供工人扫描、用料、配盘,达到“货找人”的效果。配好盘后,如果还有剩余辅料,可提供给下一个配盘工位,或者直接返回仓库库位。另外,有时卷烟加工后会有剩余辅料,也需要进一步配盘供后续工单使用。在这一过程中,多个AVG共同协作,搬运数十种规格的辅料,为多个配盘工位提供支持,其中的管理过程十分复杂。为提高配盘物流工作效率,使辅料配送耗费时间最小。因此,亟需一种卷烟辅料调度的AGV多线程作业全局优化方法。
发明内容
本发明的目的是提供一种卷烟辅料调度的AGV多线程作业全局优化方法,以解决上述现有技术中的问题,能够既保留粒子群算法易实现、收敛快的优点,也不易陷入局部最优解。
本发明提供了一种卷烟辅料调度的AGV多线程作业全局优化方法,其中,包括以下步骤:
根据求解的卷烟辅料配盘任务调度问题的特征,构造时序约束矩阵和资源约束矩阵;
采用随机生成任务优先级与执行方法,对粒子种群进行初始化,以得到初始粒子种群;
根据随机规则和随机执行方法对所述初始粒子种群中的粒子个体进行编码;
为所述初始粒子种群中的粒子个体进行解码;
计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解;
基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,并采用变异概率随机改变某个编码位置的值,以产生新的粒子个体。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述根据求解的卷烟辅料配盘任务调度问题的特征,构造时序约束矩阵和资源约束矩阵,具体包括:
根据卷烟辅料配盘任务调度问题中各任务的先后顺序,采用n×n的二维矩阵T构造所述时序约束矩阵,其中,n表示任务总数,若任务a是任务b的前置任务,则矩阵T中第a行第b列矩阵元素Tab设为1,否则为0;
根据卷烟辅料配盘任务调度问题中各任务所涉及的资源和任务完成的时间单位,采用c×m的二维矩阵R构造所述资源约束矩阵,其中,c表示资源总数,m表示任务完成所需要的时间单位,矩阵R中第i行第j列矩阵元素Rij表示对于第i类资源在时间单位j-1与j之间的余量。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述采用随机生成任务优先级与执行方法,对粒子种群进行初始化,以得到初始粒子种群,具体包括:
为每种编码规则分配一个规则标记,其中,RLx表示第x种编码规则所对应的规则标记;
采用由多种编码规则组成的混合规则对卷烟辅料配盘任务中的各任务进行编码,各编码规则随机排序,在调度过程的各个阶段选择不同的编码规则来决定各任务的优先级值,其中,优先级值表示为一个[0,1]之间的值,以得到配盘作业中的某个任务序列J={j0,j1,…,jn-1,jn};
随机选取配盘作业中每个任务中的一种执行方法,并将该执行方法对应的模式值表示为一个整数值,以得到与所述任务序列对应的执行方法序列P={p0,p1,…,pn-1,pn};
将所述任务序列和所述执行方法序列组合,得到配盘作业调度方案的编码,生成所述初始粒子种群。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述根据随机规则和随机执行方法对所述初始粒子种群中的粒子个体进行编码,具体包括:
根据随机规则和随机执行方法对所述初始粒子种群中的每个粒子个体进行编码,得到粒子个体编码结果;
对每个所述粒子个体编码结果进行检查,以去除执行方法所占用的资源超过可用资源的粒子个体。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述为所述初始粒子种群中的粒子个体进行解码,具体包括:
初始化i=1;
从后续可用的任务集Availi中取出优先级值最高的任务a,该任务a对应的执行方法为pa,根据该执行方法对应的模式值计算该任务所消耗的时间ta;
在已调度的任务集合Seqi中计算任务a的所有前置任务的最迟完成时间,将该时间作为任务a的最早开始时间Starta;
计算任务a的完成时间,Enda=ta+min{t|Starta≤t,t=0,1…},并且满足任务所需资源;
将任务a从后续可用的任务集Availi中移至已调度的任务集合Seqi,以对已调度的任务集合Seqi进行更新,Seqi+1=Seqi∪{a};
持续执行上述取出优先级值最高的任务、计算该任务的完成时间、更新已调度的任务集合的步骤,直到i>n,以确定所有任务的先后顺序,并根据所有任务的先后顺序计算调度方案所耗费的时间Tx;
根据调度方案所耗费的时间Tx,计算粒子适应度值fx=1/Tx。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解,具体包括:
计算并比较多个时刻所述初始粒子种群中的每个粒子个体的粒子适应度值,针对每个粒子个体,将粒子适应度值最大的粒子个体编码结果,作为该粒子个体的局部最优解,局部最优解的编码记为Li(t)=jl i1(t),jl i2(t),…,jl i(n-1)(t),jl in(t),pl i1(t),pl i2(t),…,pl i(n-1)(t),pl in(t),其中t为粒子个体的局部最优解所对应的时刻;
根据所述初始粒子种群中每个粒子个体的局部最优解,得到所述初始粒子种群的全局最优解,局部最优解的编码记为Gi(t)=jg i1(t),jg i2(t),…,jg i(n-1)(t),jg in(t),pg i1(t),pg i2(t),…,pg i(n-1)(t),pg in(t)。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,具体包括:
对每个粒子个体的任务编码部分进行更新;
对每个粒子个体的执行方法编码部分进行更新。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述对每个粒子个体的任务编码部分进行更新,具体包括:
针对每个粒子个体,将粒子个体的优先级值增量表示为:
vix(t+1)=w*vix(t)+c1r1(jl ix(t)-jix(t)+c2r2(jg ix(t)-jix(t))
其中,vix(t+1)为粒子个体的优先级值增量,w为惯性因子,表示粒子个体对原先运动状态的保留程度,c1为粒子个体对自身经验的学习程度,c2为粒子个体对群体信息的学习程度,r1和r2为[0,1]区间的两个随机数;
根据粒子个体的优先级值与优先级值增量,得到下一时刻的优先级值,若下一时刻的优先级值小于0,则取值为0,若下一时刻的优先级值大于1,则取值为1。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述对每个粒子个体的执行方法编码部分进行更新具体包括:
基于所述局部最优解和所述全局最优解进行更新,分别取局部最优更新概率dl和全局最优更新概率dg,取值均位于[0,1];
对于编码中任意一个粒子个体,随机生成一个模式值,如果小于dl则保留原值,否则变为plix(t),继续随机生成模式值,如果小于dg则保留原值,否则变为pg ix(t)。
如上所述的卷烟辅料调度的AGV多线程作业全局优化方法,其中,优选的是,所述卷烟辅料调度的AGV多线程作业全局优化方法还包括:
对不满足顺序约束与资源约束的粒子个体进行调整,以去除执行方法所占用的资源超过可用资源的粒子个体;
判断是否满足终止条件,若满足终止条件,则终止;若不满足终止条件,则返回到计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解的步骤。
本发明提供一种卷烟辅料调度的AGV多线程作业全局优化方法,针对卷烟厂的卷烟辅料配盘作业中多AGV应用与调度场景中任务与执行方法组合数量庞大难以解决的问题,采用粒子群算法进行求解,将任务组合进行编码作为粒子个体,通过解码计算粒子个体的适应度,利用各阶段的个体局部解和全局最优解对所有粒子进行更新迭代,并加入变异算子以增加种群多样性,既保留了粒子群算法易实现、收敛快的优点,也不易陷入局部最优解,可以为配盘作业多AGV的任务调度提供最优解决方案。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的卷烟辅料调度的AGV多线程作业全局优化方法的实施例的流程图;
图2为本发明提供的卷烟辅料调度的AGV多线程作业全局优化方法的实施例的算法流程图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”:以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定部件位于第一部件和第二部件之间时,在该特定部件与第一部件或第二部件之间可以存在居间部件,也可以不存在居间部件。当描述到特定部件连接其它部件时,该特定部件可以与所述其它部件直接连接而不具有居间部件,也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
配盘多AGV任务调度问题中有搬运、排队、续盘、回库等任务,一些任务相互间有前后顺序约束,各任务有多种执行方法,各执行方法又可自由组合,其组合数量十分庞大。为此,需设计有效的优化方法进行求解。其中,粒子群算法作为一种群智能演化算法,其规则较为简单,收敛较快,易于理解,因此发明人考虑粒子群算法可被用于解决此类问题,但该算法容易陷入局部最优解,因此需要进行改进,使其适应任务调度问题。
如图1和图2所示,本实施例提供的卷烟辅料调度的AGV多线程作业全局优化方法在实际执行过程中,具体包括如下步骤:
步骤S1、根据求解的卷烟辅料配盘任务调度问题的特征,构造时序约束矩阵和资源约束矩阵。
本发明针对卷烟厂辅料配盘作业中的搬运、暂存、排队、配盘等任务进行调度规划而设计全局优化方法,通过将各项作业抽象为一些任务集合,确立作业时间最小的优化目标,然后以粒子群算法为基础,进行优化求解。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述步骤S1具体可以包括:
步骤S11、根据卷烟辅料配盘任务调度问题中各任务的先后顺序,采用n×n的二维矩阵T构造所述时序约束矩阵,其中,n表示任务总数,若任务a是任务b的前置任务,则矩阵T中第a行第b列矩阵元素Tab设为1,否则为0。
其中,所述卷烟辅料配盘任务调度问题中的任务包括取料、搬运、暂存、排队等,不同任务之间有先后顺序关系。可以理解的是,矩阵T随着调度过程而随时变化。
步骤S12、根据卷烟辅料配盘任务调度问题中各任务所涉及的资源和任务完成的时间单位,采用c×m的二维矩阵R构造所述资源约束矩阵,其中,c表示资源总数,m表示任务完成所需要的时间单位,矩阵R中第i行第j列矩阵元素Rij表示对于第i类资源在时间单位j-1与j之间的余量。
其中,所述卷烟辅料配盘任务调度问题中的资源约束包括AGV小车数量有限、某些辅料的数量有限、配盘工位有限等。可以理解的是,矩阵R也会随着调度过程而随时变化。
步骤S2、采用随机生成任务优先级与执行方法,对粒子种群进行初始化,以得到初始粒子种群。
为达到配盘运输时间最短的目标,按照粒子群优化算法的要求,对任务进行编码,以表示任务的执行顺序。编码规则有多种,如最大资源需求、最短活动时间、最多后置操作数等,单一的规则往往不能满足多种优化操作所需,本方法采用优先规则的编码方式,将多种规则混合使用,在调度的各个阶段随机选取编码规则以确定任务的优先级,最终得到一个完整的调度方案。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述步骤S2具体可以包括:
步骤S21、为每种编码规则分配一个规则标记,其中,RLx表示第x种编码规则所对应的规则标记;
步骤S22、采用由多种编码规则组成的混合规则对卷烟辅料配盘任务中的各任务进行编码,各编码规则随机排序,在调度过程的各个阶段选择不同的编码规则来决定各任务的优先级值,其中,优先级值表示为一个[0,1]之间的值,以得到配盘作业中的某个任务序列J={j0,j1,…,jn-1,jn};
步骤S23、随机选取配盘作业中每个任务中的一种执行方法,并将该执行方法对应的模式值表示为一个整数值,以得到与所述任务序列对应的执行方法序列P={p0,p1,…,pn-1,pn};
步骤S24、将所述任务序列和所述执行方法序列组合,得到配盘作业调度方案的编码,生成所述初始粒子种群。
步骤S3、根据随机规则和随机执行方法对所述初始粒子种群中的粒子个体进行编码。
将调度方法进行编码,分为任务和执行方法两个部分,作为初始粒子种群中的粒子个体。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述步骤S3具体可以包括:
步骤S31、根据随机规则和随机执行方法对所述初始粒子种群中的每个粒子个体进行编码,得到粒子个体编码结果;
其中,随机规则和随机执行方法可以参照步骤S2执行,本发明实施例中不再赘述。
步骤S32、对每个所述粒子个体编码结果进行检查,以去除执行方法所占用的资源超过可用资源的粒子个体。
步骤S4、为所述初始粒子种群中的粒子个体进行解码。
根据步骤S2中的随机规则对初始粒子中群中的每个粒子个体进行解码,以获得任务顺序和任务执行方法,即通过解码可以确定实际任务调度方案,进而计算出整体调度时间,取其倒数作为适应度值。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述步骤S4具体可以包括:
步骤S41、初始化i=1;
步骤S42、从后续可用的任务集Availi中取出优先级值最高的任务a,该任务a对应的执行方法为pa,根据该执行方法对应的模式值计算该任务所消耗的时间ta;
步骤S43、在已调度的任务集合Seqi中计算任务a的所有前置任务的最迟完成时间,将该时间作为任务a的最早开始时间Starta;
步骤S44、计算任务a的完成时间,Enda=ta+min{t|Starta≤t,t=0,1…},并且满足任务所需资源;
步骤S45、将任务a从后续可用的任务集Availi中移至已调度的任务集合Seqi,以对已调度的任务集合Seqi进行更新,Seqi+1=Seqi∪{a};
步骤S46、持续执行上述取出优先级值最高的任务、计算该任务的完成时间、更新已调度的任务集合的步骤,直到i>n,以确定所有任务的先后顺序,并根据所有任务的先后顺序计算调度方案所耗费的时间Tx;
步骤S47、根据调度方案所耗费的时间Tx,计算粒子适应度值fx=1/Tx。
本发明的优化目标是使完成所有运输任务的时间最短,因此可取适应度值fx=1/Tx。
步骤S5、计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解。
在时刻t,对粒子种群中每个粒子个体的适应度值进行计算与比较,可以得到粒子个体最优值和全局最优值,对应就是局部最优解和全局最优解。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述步骤S5具体可以包括:
步骤S51、计算并比较多个时刻所述初始粒子种群中的每个粒子个体的粒子适应度值,针对每个粒子个体,将粒子适应度值最大的粒子个体编码结果,作为该粒子个体的局部最优解,局部最优解的编码记为Li(t)=jl i1(t),jl i2(t),…,jl i(n-1)(t),jl in(t),pl i1(t),pl i2(t),…,pl i(n-1)(t),pl in(t),其中t为粒子个体的局部最优解所对应的时刻;
步骤S52、根据所述初始粒子种群中每个粒子个体的局部最优解,得到所述初始粒子种群的全局最优解,局部最优解的编码记为Gi(t)=jg i1(t),jg i2(t),…,jg i(n-1)(t),jg in(t),pg i1(t),pg i2(t),…,pg i(n-1)(t),pg in(t)。
步骤S6、基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,并采用变异概率随机改变某个编码位置的值,以产生新的粒子个体。
在更新粒子时,利用各阶段的个体局部解和全局最优解对所有粒子进行更新迭代,并加入变异算子以增加种群多样性。
由于粒子编码由任务与任务执行方法两部分组成,长度都是n,因此它的更新也分两步进行。
在本发明的卷烟辅料调度的AGV多线程作业全局优化方法的一种实施方式中,所述基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,具体包括:
步骤S61、对每个粒子个体的任务编码部分进行更新。
其中,步骤S61具体可以包括:
步骤S611、针对每个粒子个体,将粒子个体的优先级值增量表示为:
vix(t+1)=w*vix(t)+c1r1(jl ix(t)-jix(t)+c2r2(jg ix(t)-jix(t))
其中,vix(t+1)为粒子个体的优先级值增量,w为惯性因子,表示粒子个体对原先运动状态的保留程度,c1为粒子个体对自身经验的学习程度,c2为粒子个体对群体信息的学习程度,r1和r2为[0,1]区间的两个随机数;
步骤S612、根据粒子个体的优先级值与优先级值增量,得到下一时刻的优先级值,若下一时刻的优先级值小于0,则取值为0,若下一时刻的优先级值大于1,则取值为1。
步骤S62、对每个粒子个体的执行方法编码部分进行更新。
其中,步骤S62具体可以包括:
基于所述局部最优解和所述全局最优解进行更新,分别取局部最优更新概率dl和全局最优更新概率dg,取值均位于[0,1];
对于编码中任意一个粒子个体,随机生成一个模式值,如果小于dl则保留原值,否则变为plix(t),继续随机生成模式值,如果小于dg则保留原值,否则变为pg ix(t)。
进一步地,在上述粒子更新的基础上,仿照遗传算法的变异操作,采用变异概率pm,随机改变某个编码位置的值,以产生新的粒子个体,这样,通过加入变异算子,可以增加粒子种群的多样性。
进一步地,所述卷烟辅料调度的AGV多线程作业全局优化方法还包括:
步骤S7、对不满足顺序约束与资源约束的粒子个体进行调整,以去除执行方法所占用的资源超过可用资源的粒子个体;
进一步地,所述卷烟辅料调度的AGV多线程作业全局优化方法还包括:
步骤S8、判断是否满足终止条件,若满足终止条件,则终止;若不满足终止条件,则返回到计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解的步骤。
其中所述终止条件包括:达到设定的迭代次数或代数之间全局最优适应度值满足最小界限。
本发明实施例提供的卷烟辅料调度的AGV多线程作业全局优化方法,针对卷烟厂的卷烟辅料配盘作业中多AGV应用与调度场景中任务与执行方法组合数量庞大难以解决的问题,采用粒子群算法进行求解,将任务组合进行编码作为粒子个体,通过解码计算粒子个体的适应度,利用各阶段的个体局部解和全局最优解对所有粒子进行更新迭代,并加入变异算子以增加种群多样性,既保留了粒子群算法易实现、收敛快的优点,也不易陷入局部最优解,可以为配盘作业多AGV的任务调度提供最优解决方案。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,包括如下步骤:
根据求解的卷烟辅料配盘任务调度问题的特征,构造时序约束矩阵和资源约束矩阵;
采用随机生成任务优先级与执行方法,对粒子种群进行初始化,以得到初始粒子种群;
根据随机规则和随机执行方法对所述初始粒子种群中的粒子个体进行编码;
为所述初始粒子种群中的粒子个体进行解码;
计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解;
基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,并采用变异概率随机改变某个编码位置的值,以产生新的粒子个体。
2.根据权利要求1所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述根据求解的卷烟辅料配盘任务调度问题的特征,构造时序约束矩阵和资源约束矩阵,具体包括:
根据卷烟辅料配盘任务调度问题中各任务的先后顺序,采用n×n的二维矩阵T构造所述时序约束矩阵,其中,n表示任务总数,若任务a是任务b的前置任务,则矩阵T中第a行第b列矩阵元素Tab设为1,否则为0;
根据卷烟辅料配盘任务调度问题中各任务所涉及的资源和任务完成的时间单位,采用c×m的二维矩阵R构造所述资源约束矩阵,其中,c表示资源总数,m表示任务完成所需要的时间单位,矩阵R中第i行第j列矩阵元素Rij表示对于第i类资源在时间单位j-1与j之间的余量。
3.根据权利要求2所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述采用随机生成任务优先级与执行方法,对粒子种群进行初始化,以得到初始粒子种群,具体包括:
为每种编码规则分配一个规则标记,其中,RLx表示第x种编码规则所对应的规则标记;
采用由多种编码规则组成的混合规则对卷烟辅料配盘任务中的各任务进行编码,各编码规则随机排序,在调度过程的各个阶段选择不同的编码规则来决定各任务的优先级值,其中,优先级值表示为一个[0,1]之间的值,以得到配盘作业中的某个任务序列J={j0,j1,…,jn-1,jn};
随机选取配盘作业中每个任务中的一种执行方法,并将该执行方法对应的模式值表示为一个整数值,以得到与所述任务序列对应的执行方法序列P={p0,p1,…,pn-1,pn};
将所述任务序列和所述执行方法序列组合,得到配盘作业调度方案的编码,生成所述初始粒子种群。
4.根据权利要求3所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述根据随机规则和随机执行方法对所述初始粒子种群中的粒子个体进行编码,具体包括:
根据随机规则和随机执行方法对所述初始粒子种群中的每个粒子个体进行编码,得到粒子个体编码结果;
对每个所述粒子个体编码结果进行检查,以去除执行方法所占用的资源超过可用资源的粒子个体。
5.根据权利要求4所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述为所述初始粒子种群中的粒子个体进行解码,具体包括:
初始化i=1;
从后续可用的任务集Availi中取出优先级值最高的任务a,该任务a对应的执行方法为pa,根据该执行方法对应的模式值计算该任务所消耗的时间ta;
在已调度的任务集合Seqi中计算任务a的所有前置任务的最迟完成时间,将该时间作为任务a的最早开始时间Starta;
计算任务a的完成时间,Enda=ta+min{t|Starta≤t,t=0,1…},并且满足任务所需资源;
将任务a从后续可用的任务集Availi中移至已调度的任务集合Seqi,以对已调度的任务集合Seqi进行更新,Seqi+1=Seqi∪{a};
持续执行上述取出优先级值最高的任务、计算该任务的完成时间、更新已调度的任务集合的步骤,直到i>n,以确定所有任务的先后顺序,并根据所有任务的先后顺序计算调度方案所耗费的时间Tx;
根据调度方案所耗费的时间Tx,计算粒子适应度值fx=1/Tx。
6.根据权利要求5所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解,具体包括:
计算并比较多个时刻所述初始粒子种群中的每个粒子个体的粒子适应度值,针对每个粒子个体,将粒子适应度值最大的粒子个体编码结果,作为该粒子个体的局部最优解,局部最优解的编码记为Li(t)=jl i1(t),jl i2(t),…,jl i(n-1)(t),jl in(t),pl i1(t),pl i2(t),…,pl i(n-1)(t),pl in(t),其中t为粒子个体的局部最优解所对应的时刻;
根据所述初始粒子种群中每个粒子个体的局部最优解,得到所述初始粒子种群的全局最优解,局部最优解的编码记为Gi(t)=jg i1(t),jg i2(t),…,jg i(n-1)(t),jg in(t),pg i1(t),pg i2(t),…,pg i(n-1)(t),pg in(t)。
7.根据权利要求6所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述基于所述局部最优解和所述全局最优解对所述粒子个体进行更新,具体包括:
对每个粒子个体的任务编码部分进行更新;
对每个粒子个体的执行方法编码部分进行更新。
8.根据权利要求7所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述对每个粒子个体的任务编码部分进行更新,具体包括:
针对每个粒子个体,将粒子个体的优先级值增量表示为:
vix(t+1)=w*vix(t)+c1r1(jl ix(t)-jix(t)+c2r2(jg ix(t)-jix(t))
其中,vix(t+1)为粒子个体的优先级值增量,w为惯性因子,表示粒子个体对原先运动状态的保留程度,c1为粒子个体对自身经验的学习程度,c2为粒子个体对群体信息的学习程度,r1和r2为[0,1]区间的两个随机数;
根据粒子个体的优先级值与优先级值增量,得到下一时刻的优先级值,若下一时刻的优先级值小于0,则取值为0,若下一时刻的优先级值大于1,则取值为1。
9.根据权利要求7所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述对每个粒子个体的执行方法编码部分进行更新具体包括:
基于所述局部最优解和所述全局最优解进行更新,分别取局部最优更新概率dl和全局最优更新概率dg,取值均位于[0,1];
对于编码中任意一个粒子个体,随机生成一个模式值,如果小于dl则保留原值,否则变为plix(t),继续随机生成模式值,如果小于dg则保留原值,否则变为pg ix(t)。
10.根据权利要求1所述的卷烟辅料调度的AGV多线程作业全局优化方法,其特征在于,所述卷烟辅料调度的AGV多线程作业全局优化方法还包括:
对不满足顺序约束与资源约束的粒子个体进行调整,以去除执行方法所占用的资源超过可用资源的粒子个体;
判断是否满足终止条件,若满足终止条件,则终止;若不满足终止条件,则返回到计算所述粒子个体的局部最优解和所述初始粒子种群的全局最优解的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002512.3A CN112100899B (zh) | 2020-09-22 | 2020-09-22 | 卷烟辅料调度的agv多线程作业全局优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002512.3A CN112100899B (zh) | 2020-09-22 | 2020-09-22 | 卷烟辅料调度的agv多线程作业全局优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100899A true CN112100899A (zh) | 2020-12-18 |
CN112100899B CN112100899B (zh) | 2024-04-09 |
Family
ID=73754861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011002512.3A Active CN112100899B (zh) | 2020-09-22 | 2020-09-22 | 卷烟辅料调度的agv多线程作业全局优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100899B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240076A (zh) * | 2021-11-26 | 2022-03-25 | 成都睿芯行科技有限公司 | 一种基于改进粒子群算法的多agv任务分配方法 |
CN115186878A (zh) * | 2022-06-22 | 2022-10-14 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及*** |
CN115826537A (zh) * | 2023-01-29 | 2023-03-21 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938572A (zh) * | 2016-01-14 | 2016-09-14 | 上海海事大学 | 一种物流存储***预防干涉的多自动导引车路径规划方法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN110516976A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种可选择装卸完工时间的自动化集装箱码头agv调度方法 |
CN110533301A (zh) * | 2019-08-09 | 2019-12-03 | 大连理工大学 | 一种基于动态约束矩阵的粒子群调度方法 |
CN110599068A (zh) * | 2019-09-29 | 2019-12-20 | 哈尔滨理工大学 | 一种基于粒子群优化算法的云资源调度方法 |
CN111474926A (zh) * | 2020-03-24 | 2020-07-31 | 浙江中烟工业有限责任公司 | 一种基于多agv时间窗路径优化算法的废烟回收方法 |
-
2020
- 2020-09-22 CN CN202011002512.3A patent/CN112100899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938572A (zh) * | 2016-01-14 | 2016-09-14 | 上海海事大学 | 一种物流存储***预防干涉的多自动导引车路径规划方法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
CN110533301A (zh) * | 2019-08-09 | 2019-12-03 | 大连理工大学 | 一种基于动态约束矩阵的粒子群调度方法 |
CN110516976A (zh) * | 2019-08-30 | 2019-11-29 | 大连海事大学 | 一种可选择装卸完工时间的自动化集装箱码头agv调度方法 |
CN110599068A (zh) * | 2019-09-29 | 2019-12-20 | 哈尔滨理工大学 | 一种基于粒子群优化算法的云资源调度方法 |
CN111474926A (zh) * | 2020-03-24 | 2020-07-31 | 浙江中烟工业有限责任公司 | 一种基于多agv时间窗路径优化算法的废烟回收方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240076A (zh) * | 2021-11-26 | 2022-03-25 | 成都睿芯行科技有限公司 | 一种基于改进粒子群算法的多agv任务分配方法 |
CN114240076B (zh) * | 2021-11-26 | 2022-11-18 | 成都睿芯行科技有限公司 | 一种基于改进粒子群算法的多agv任务分配方法 |
CN115186878A (zh) * | 2022-06-22 | 2022-10-14 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及*** |
CN115186878B (zh) * | 2022-06-22 | 2023-05-16 | 湖南大学无锡智能控制研究院 | 一种多agv在线任务分配方法及*** |
CN115826537A (zh) * | 2023-01-29 | 2023-03-21 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
CN115826537B (zh) * | 2023-01-29 | 2023-05-02 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112100899B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
Park et al. | A hybrid genetic algorithm for the job shop scheduling problems | |
Guo et al. | Mathematical model and genetic optimization for the job shop scheduling problem in a mixed-and multi-product assembly environment: A case study based on the apparel industry | |
Zhang et al. | An object-coding genetic algorithm for integrated process planning and scheduling | |
Mansouri | A multi-objective genetic algorithm for mixed-model sequencing on JIT assembly lines | |
CN110837981B (zh) | 一种调度与控制协同处理方法及相关设备 | |
Jung et al. | Two-stage assembly scheduling problem for processing products with dynamic component-sizes and a setup time | |
CN108267954B (zh) | 一种带硬时间窗的刀具准时配送路径规划算法 | |
CN105974891A (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
Hu et al. | Synchronizing vehicles for multi-vehicle and one-cargo transportation | |
CN113128839A (zh) | 面向高端装备分布式制造与多模式运输的协同调度方法 | |
Respen et al. | Metaheuristics for a job scheduling problem with smoothing costs relevant for the car industry | |
CN117348575B (zh) | 基于生产仿真平台的生产优化方法、装置及*** | |
Pandey | Simultaneous scheduling of machines and tools in a multimachine FMS with alternative routing using symbiotic organisms search algorithm | |
CN117389300A (zh) | 一种城市战争无人机编队侦察任务分配方法 | |
Akyol et al. | Multi-machine earliness and tardiness scheduling problem: an interconnected neural network approach | |
Varghese et al. | Dynamic spatial block arrangement scheduling in shipbuilding industry using genetic algorithm | |
Lin et al. | Integrated optimization of supplier selection and service scheduling in cloud manufacturing environment | |
CN113177781B (zh) | 基于变邻域和遗传算子的生产组装协同调度方法及*** | |
CN114186755A (zh) | 一种可视化智慧物流动态优化管控方法及*** | |
Chen et al. | Study on split delivery open vehicle routing problem within two splits | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
CN112514352A (zh) | 更新调度规则的方法、设备、***、存储介质和终端 | |
Wang et al. | Learning to dynamically coordinate multi-robot teams in graph attention networks | |
Tesic et al. | Period batch control-a production planning system applied to virtual manufacturing cells |
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 |