CN112507545B - 一种基于***仿真的室内无人配送模式设计方法 - Google Patents
一种基于***仿真的室内无人配送模式设计方法 Download PDFInfo
- Publication number
- CN112507545B CN112507545B CN202011404252.2A CN202011404252A CN112507545B CN 112507545 B CN112507545 B CN 112507545B CN 202011404252 A CN202011404252 A CN 202011404252A CN 112507545 B CN112507545 B CN 112507545B
- Authority
- CN
- China
- Prior art keywords
- distribution
- task
- goods
- robot
- analysis
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于***仿真的室内无人配送模式设计方法,包括:1、数据采集与分析:收集室内无人配送场景数据,进行数据处理和统计分析,得到数据拟合结果;2、仿真模型开发:对模型进行假设,规划模型整体架构,根据实际场景,设计路网模型,制定任务响应机制,开发机器人决策算法,完成仿真模型搭建;3、情景实验:根据实际场景,设置参数,确定需要分析的指标,预设机器人最大配置数量;4、决策分析:设置初始化机器人数量,运行仿真模型,得到模型输出结果;逐次将配送机器人数量加1,迭代运行仿真模型,通过成本‑效益分析,得到机器人最佳配置数量及此情景下的***各项性能指标。本方法可合理规划、管理和使用室内配送机器人。
Description
技术领域
本发明一种室内无人配送模式设计方法,涉及室内无人配送领域技术领域,尤其涉及一种应用***仿真技术设计室内无人配送模式的方法。
背景技术
电子商务的快速发展使得快递量激增,对物流配送提出了更高的要求。作为整个物流链条中成本最高、效率最低、污染最严重的“最后一公里”末端配送环节,一直以来都是影响物流配送效率的“瓶颈”,存在诸多难以解决的“痛点”。目前主要存在的三种解决方案各有利弊。
(1)送货上门虽然大幅度提升了服务质量和客户满意度,节省了客户的时间,但在一定程度上提高了物流企业的末端配送成本,降低了配送速度,对于物流企业并不友好。此外,随着人工成本的不断提高,人口红利逐渐消失,且当遇到疫情等特殊情况,快递员无法进入写字楼、居民小区等人员聚集场所完成配送工作,使得人工送货上门的模式或将遇到各种挑战,长期来看是较难持续的。
(2)自提虽然其不受时间限制,用户可以随时取货,从而缓解了配送压力。但是若自建,前期投入成本较大;若以加盟方式共建,考虑到加盟商户类型复杂,且一般是副业经营,服务质量则难以保证。此外,自提模式并未真正解决“最后一公里”的末端配送问题,其本质是以客户自提替代了快递员配送,增加了客户拿取包裹的时间成本,并不是太便利,降低了客户体验,且经常造成包裹滞留时间过长等情况的发生。
(3)众包虽然整合了有业余时间的人力资源,实现点对点的配送,完美避开了接单量不均衡的问题,节约了配送时间,也使配送区域扩大。但由于配送人员广泛而复杂,对人员管理难度大,并且容易存在货物、人员安全方面等问题,应用非常受限。
上述方式均未能兼顾配送效率、货物安全和服务质量等方面的因素,无法从根本上实现供给端(物流企业)的“降本增效”,其在无形中增加的配送成本最终仍将转嫁到消费者身上。因此,采用更加先进的技术手段,对物流配送***进行优化和改进是十分必要的。
近年来,无人配送作为解决“最后一公里”末端配送的新途径日益受到物流行业的关注。无人配送是指在物品流通环节中没有或少量人工参与的、用机器替代人工或者人机协作的物流配送方式,其目的是提高效率、减少人工成本。其可分为“室外配送”和“室内配送”两类。其中,室内配送主要解决“最后一公里”中的“最后100米”配送问题,被视作是“末端”中的“末端”。它多适用于封闭的场所(如宾馆、商场、餐厅、医院、写字楼、公寓等),配送场景复杂(如乘坐电梯、上楼梯、找门户、避开人群障碍等),其通常采用的设备是配送机器人。
目前,越来越多的企业开始关注室内无人配送这一领域,如擎朗智能的Cubic配送机器人被称为“移动的蜂巢”,可以轻松融入社区、办公楼,作为人工智能时代的跑腿小哥,它不仅可以用于电梯物联,自主上下电梯,还可以给用户打电话取餐、取快递。然而,多数企业将研发重点放在了配送机器人的功能实现和技术改进上,较少关注如何合理地规划、管理和应用这些机器人,有关室内无人配送模式方面的可借鉴成功案例相对较少。
发明内容
本发明的目的在于提出一种基于***仿真的室内无人配送模式设计方法,设计相应技术路线,并以高校图书馆作为场景案例,探索配送机器人的合理规划、管理和使用等问题,以期为室内无人配送模式设计提供依据和辅助决策支持。需要特别指出的是,相关的技术路线不仅适用于高校图书馆,还可推广应用到医院、写字楼、宾馆、酒店等室内无人配送场景中。
为实现上述目的,本发明第一方面提出了一种基于***仿真的室内无人配送模式设计方法,包括:
S11数据采集与分析:收集所研究的室内无人配送场景相关数据,进行数据处理和统计分析,得到数据拟合结果。
S12仿真模型开发:根据实际情况与S11获得的数据处理结果,对模型进行假设,规划模型整体架构;根据实际场景,设计路网模型;制定配送机器人完成任务时应遵循的规则,即任务响应机制,并开展算法设计工作;在此基础上,完成仿真模型搭建。
S13情景实验:根据实际场景,确定相关参数(如任务产生频率、配送机器人性能参数、任务传递端口等),确定需要分析的指标(配送机器人利用率、配送任务完成时间等),预设配送机器人最大数量。
S14决策分析:设置初始化配送机器人数量为1,运行仿真模型,得到模型输出结果;逐次将配送机器人数量加1,并迭代运行仿真模型,得到不同配送机器人数量情景下对应的配送任务完成时间(效益),将其与配送机器人数量(成本)进行成本-效益分析,得到最佳配送机器人数量;在此基础上,开展情景分析,得到在最佳配送机器人数量下的***各项性能指标。
优选的,所述的步骤S11中对相关数据进行的统计分析包括时段分析、种类分析、区域分析,以得到数据的多维度规律特征。
优选的,在所述步骤S12仿真模型搭建过程中,使用基于数据分析的室内无人配送路网模型设计方法,以合理布置卸货点的空间位置和数量,进而设计出路网模型。
优选的,在所述步骤S12仿真模型搭建过程中,使用基于任务响应机制的室内无人配送机器人决策算法,以制定配送机器人完成任务时应遵循的规则,完成算法设计。
为实现上述目的,本发明第二方面提出了一种基于数据分析的室内无人配送路网模型设计方法,具体地:
通过现场调研,收集相关数据(货架摆放现状数据、货物出入库纪录数据等);结合货架摆放现状数据和货物分类标准,得到不同种类货物的空间布局分区图;结合货物出入库记录数据和货物分类标准,得到不同种类货物的出入库频率统计信息;在此基础上,绘制出货物出入库频率空间热力图(如附图11所示),并通过分析其空间分布特征,合理布设卸货点的空间位置和数量,进而设计出路网模型。
为实现上述目的,本发明第三方面提出了一个基于任务响应机制的室内无人配送机器人决策算法,包括:
任务响应机制:配送机器人在空闲状态下收到任务,前往取货点取货。如果在配送机器人取货途中有新任务产生,将分析新任务的目的地(卸货点)与现有任务的目的地(卸货点)是否在同一大区:(1)若两个任务的目的地在同一大区,则会在取完当前任务的货物后,再去取新任务的货物,随后统一配送;在取新任务的货物途中,如果再接收到第二新任务,则重复以上行为,直至没有更多新任务分配至当前配送机器人或者配送机器人达到最大装载量预设值。(2)若目的地不在同一区域,则先完成当前任务,送完当前货物,再去完成新任务。待全部任务完成,任务序列为空,结束运行。
优选的,在所述的任务响应机制中,可以应用所述的“基于数据分析的室内无人配送路网模型设计方法”中得到的出入库频率统计信息和空间热力图,用以指导配送机器人的空闲停靠及任务分配器(Dispatcher)的任务调度和任务分配。
优选的,在所述的决策算法设计过程中,根据配送机器人当前的位置坐标、配送机器人空闲时所处位置的坐标、配送机器人到不同卸货点的空间距离、不同卸货点所处的位置坐标等因素,应用路径优化算法(如Dijskra算法等)计算出机器人的最优配送路径。
优选的,在所述的决策算法设计过程中,应用随机路径选择策略,以避免道路堵塞,提高***的抗拥堵风险能力,包括:
随机路径选择策略:配送机器人在前往一目的地(取货点或卸货点)时,需对各节点进行检索,得到多条距离近似的潜在最短/最优路径。然而,若每次都使用同一条最短/最优路径,则在多任务累加情况下,可能造成道路堵塞;且一旦堵塞发生,将造成所有任务都无法及时完成,即***抗拥堵风险的能力会降低。因此,本发明采用随机路径选择策略来解决这个问题。具体地,对于这几条距离近似的潜在最短/最优路径,随机选择某一条潜在最短路/最优径上的某一个节点(出发节点和最终目的地节点之外的节点)作为下一个临时目的地;当配送机器人行驶到此临时目的地节点时,再将其之前的目的地节点(卸货点或取货点)恢复为最终目的地节点;在此基础上,再次进行最短路径的规划,实现随机路径的选择。该策略既可以避免道路堵塞的发生,又能够提高***抗拥堵风险的能力。
由上可见,本发明提供的技术路线可以完成对特定情景下的室内无人配送模式设计,并通过算法的计算,达到合理规划、管理和使用配送机器人的技术效果。
附图说明
图1是本发明实施例1中的室内无人配送模式设计方法的技术路线图
图2是本发明实施例1中月图书归还量分布图
图3是本发明实施例1中月图书借出量分布图
图4是本发明实施例1中各时段归还量关系图
图5是本发明实施例1中各类型书籍借阅分布图
图6是本发明实施例1中TP类书籍借阅分布图
图7是本发明实施例1中不同区域借阅量饼状图
图8是本发明实施例1中时间-归还量散点图
图9是本发明实施例1中基于数据分析的室内无人配送路网模型设计方法技术路线图
图10是本发明实施例1中阅览室借阅频率热力图
图11是本发明实施例1中仿真模型整体鸟瞰图
图12是本发明实施例1中基于任务响应机制的室内无人配送机器人决策算法流程图
图13是本发明实施例1中配送机器人成本-效益分析对比图
图14是本发明实施例1中配送机器人与人工完成10次任务的效率对比图
具体实施方式
以下实例用于说明本发明,但不用来限制本发明的范围。
实施例1
本实施例中,探索基于***仿真的室内无人配送模式设计方法,其技术路线如图1所示,具体包括以下步骤:
1、数据采集与分析
收集所研究的室内配送场景相关数据,进行数据处理和统计分析,得到数据拟合结果。
本实例中,我们以某高校图书馆作为室内无人配送的应用场景,通过图书馆流量统计***采集本案例的数据,从中提取以下基本数据信息:读者信息表、书目信息表、借阅信息表、阅览流量表等,并对获得数据进行筛选和转换。
图书馆入口的流量统计***自动统计入馆读者流量数据。从流量数据中可以看出,读者流量易受假期、考试时间、阅读推广活动等因素影响,需要根据实际情况进行分析。
(1)时段分析
月图书归还量如图2所示,根据流量分析,在2月、3月、8月、9月,图书馆可以开展馆藏整理工作,充分利用空闲时间,为后续几个月图书馆的高流量做准备,并能在学期结束后达到及时整理图书的目的。月图书借出量如图3所示,可以看出图书馆月图书借出量峰值为5300本左右。受春节假期的影响,图书馆在2月份开放只有不到十天的时间,故在2月时达到图书归还量的最小值,为2100本左右。各时段归还量如图4所示,可以看出一日内的图书归还高峰时段为15:45-16:00,归还量为661册,其次是17:45-19:30和10:15-10:30两个时间段。
(2)类型分析
各类型书籍借阅分布图如图5所示,TP类书籍借阅分布图如图6所示,可以看出,借阅次数多的书籍为TP类(计算机类),其次是I类(文学类)。而在计算机大类中,借阅量主要集中于程序语言、算法语言等类型的书籍。所以图书馆工作人员可根据热门书籍借阅频率分布图,关注借阅量大的TP类(计算机类)、I类(文学类)、O-N类(数理科学、化学及自然科学类)书籍,增加其订购量,并集中摆放,方便读者借阅。缩减借阅量较少书籍的订购量,调整陈列布局,减轻一线工作人员的工作量。
(3)区域分析
各楼层不同区域借阅量如图7所示,可以分析得出结论:二层北区和三层南区的借阅量较大。
(4)数据拟合
利用已有信息,提取图书归还时间段与图书归还量的相关数据,列出多个时间段与分别对应的归还量关系表,进而得到图书归还时间段与图书归还量的一一对应关系,绘制出散点图,如图8所示,从而可直观地看到各个时间段归还图书量的变化情况。再对数据进行独立性检验和同质性检验。在认为数据独立,无相关性,且数据同质的情况下,利用ExpertFit软件执行数据拟合,得到拟合函数的相对得分和其分布参数,找到拟合效果最好的函数分布及其表达式。实施例1中拟合最好的分布是Negative Binomial分布,其参数设置如下所示:
When using a picklist option:
Distribution Negative Binomial
Number of successes 3.000000
Percentage 0.977942
When using code:
negbinomial(3.000000.0.977942.<stream>)
本实例中,以“室内无人配送”为主题,对高校图书馆的图书借阅数据进行了分析。其解决问题的思路,不仅可以为后续机器人配送仿真模型的建立提供依据,也可推广应用到其他室内无人配送场景中。
2、仿真模型开发与情景分析
根据数据分析结果,对模型进行假设,规划模型的整体架构;根据实际场景,设计路网模型;制定配送机器人完成任务时应遵循的规则,即任务响应机制,开展算法设计工作;在此基础上,完成仿真模型搭建。
(1)模型假设
由于模型不可能完全还原真实***,因此有必要进行某些模型假设。实施例1中假设:由于图书馆闭馆时间为23:10-7:50,故假设配送机器人采用全周期充电方式,在开馆期间内不考虑间歇充电问题,且假设机器人工作期间其电量不会耗尽;任务产生频率全程均为高峰期的任务产生频率;若取书或还书时多个配送机器人同时到达同一取货点或卸货点,则假设它们可以同时完成任务,即不考虑它们在取货点或卸货点的排队问题。
(2)模型开发
实施例1中的仿真模型主要由路网模型和三维实体模型组成。
路网模型需要设计配送机器人配送路线以及控制点。本实施例中,使用基于数据分析的室内无人配送路网模型设计方法,其技术路线如附图9所示。具体地,通过调研阅览室现状,收集相关数据(书架摆放现状数据和图书借阅纪录数据);结合书架摆放现状数据和图书分类标准,得到图书大类空间分区图;结合图书借阅记录数据和图书分类标准,得到图书大类借阅频率;在此基础上,绘制图书大类的借阅热力图(如附图10所示),并通过分析其空间分布特征,合理布置卸货点的空间位置和数量,进而设计出路网模型。
三维实体模型是为了最大程度还原真实场景。将三维建模软件内制作的实体导入***仿真软件内,再在***仿真软件内设置其空间布局、添加路网模型等,最终搭建完成的仿真模型如图11所示。
(3)算法设计
算法设计工作需要基于实际场景,设计任务响应机制和决策逻辑,在实施例1中,使用基于任务响应机制的室内无人配送机器人决策算法,其工作流程如图12所示。具体地,配送机器人在空闲状态下收到任务,前往取货点取货。若在配送机器人取货途中有新任务生成,将分析新任务的目的地与现任务的目的地的是否在同一大区(此实施例中,将图书馆分为3大区,若不在同一大区则相隔距离太远,得不偿失)。若目的地在同一大区,则会在取完当前任务的书后,再去取新任务的书,随后统一归还。在取新任务的书途中,若再接收到新任务,则重复以上步骤,直至没有新任务分配至当前配送机器人或者配送机器人达到最大装载量(配送机器人的最大装载量假设为10)为止。若目的地不在同一区域,则配送机器人先执行完当前任务,再去执行新任务;全部任务完成后,任务序列为空,结束运行。
此外,考虑到配送机器人在前往一目的地(取货点或卸货点)的过程中,可能产生拥堵状况,因此,本实施例中,采用随机路径选择策略来避免道路堵塞。具体地,对于这几条距离近似的潜在最短路径,随机选择某一条潜在最短路径上的某一个节点(出发节点和最终目的地节点之外的节点)作为下一个临时目的地;当配送机器人行驶到此临时目的地节点时,再将其之前的目的地节点(卸货点或取货点)恢复为最终目的地节点;在此基础上,再次进行最短路径的规划,实现随机路径的选择。该策略既可以避免道路堵塞的发生,又能够提高***抗拥堵风险的能力。
(4)情景实验
根据实际场景,确定相关参数(如任务产生频率、配送机器人性能参数、任务传递端口等),确定需要分析的指标(配送机器人利用率、配送完成时间等);预设配送机器人最大数量。
在实施例1中,配送机器人预设的最大数量设置为13,一次还书任务的产生以及完成所依次经历的模块为:发生器创建任务;发生器将任务传递至下游还书点端口;配送机器人运输;还书点将任务传递至下游配送机器人放书点端口。3-5个配送机器人预设情景下模型输出的任务完成时间(分别运行10次)如下表所示:
表一
3、决策分析
设置初始化配送机器人数量为1,运行仿真模型,得到模型输出结果;逐次将配送机器人数量加1,并迭代运行仿真模型,得到不同配送机器人数量情景下对应的配送任务完成时间(效益),将其与配送机器人数量(成本)进行成本-效益对比分析,得到配送机器人的最佳配置数量;在此基础上,开展情景分析,得到在最佳配送机器人配置数量下的***各项性能指标。
其中,实施例1中配送机器人成本-效益分析对比图如图13所示,可以得到当配送机器人数量配置为4时,成本与效益达到平衡,此时***效率是兼具经济与高效性的。为对***性能进行分析,需要比较配送机器人较人工效率是否有较大提升,配送机器人与人工完成10次任务效率比如图14所示,使用配送机器人还书平均效率是传统人工平均效率的3.56倍。且使用配送机器人完成全自动还书可以与理想还书时间保持较小的误差,不会造成滞后、堆积现象,较好地完成了还书任务。分析可知使用配送机器人完成全自动还书,确实相较于传统人工而言,效率有了较大的提升。
Claims (8)
1.一种基于***仿真的室内无人配送模式设计方法,其特征在于,该方法包括:
S11数据采集与分析:收集所研究的室内无人配送场景相关数据,进行数据处理和统计分析,得到数据拟合结果;
S12仿真模型开发:根据实际情况与S11获得的数据处理结果,对模型进行假设,规划模型整体架构;根据实际场景,设计路网模型;制定配送机器人完成任务时应遵循的规则,即任务响应机制,并开展算法设计工作;在此基础上,完成仿真模型搭建;
在所述的算法设计过程中,应用随机路径选择策略;
所述的随机路径选择策略,具体为:配送机器人在前往一最终目的地节点时,所述最终目的地节点为取货点或卸货点,需对各节点进行检索,得到多条距离近似的潜在最短/最优路径;对所述的多条距离近似的潜在最短/最优路径,随机选择某一条潜在最短/最优路径上的某一个节点,即出发节点和最终目的地节点之外的节点作为下一个临时目的地;当配送机器人行驶到此临时目的地节点时,再将取货点或卸货点恢复为最终目的地节点;在此基础上,再次进行最短路径的规划,实现随机路径的选择;
S13情景实验:根据实际场景,确定参数,确定需要分析的指标,预设配送机器人最大数量;
S14决策分析:设置初始化配送机器人数量,运行仿真模型,得到模型输出结果;逐次将配送机器人数量加1,并迭代运行仿真模型,得到不同配送机器人数量情景下对应的配送任务完成时间即效益,将其与配送机器人数量即成本进行成本-效益分析,得到最佳配送机器人数量;在此基础上开展情景分析,得到在最佳配送机器人数量下的***各项性能指标。
2.根据权利要求1所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:所述的步骤S11中对相关数据进行的统计分析包括时段分析、种类分析、区域分析,以得到数据的多维度规律特征。
3.根据权利要求1所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:在所述步骤S12仿真模型搭建过程中,使用基于数据分析的室内无人配送路网模型设计方法,以合理布置卸货点的空间位置和数量,进而设计出路网模型。
4.根据权利要求3所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:所述的基于数据分析的室内无人配送路网模型设计方法,具体如下:
通过现场调研,收集相关数据包括:货架摆放现状数据、货物出入库纪录数据;结合货架摆放现状数据和货物分类标准,得到不同种类货物的空间布局分区图;结合货物出入库记录数据和货物分类标准,得到不同种类货物的出入库频率统计信息;在此基础上,绘制出货物出入库频率空间热力图,并通过分析其空间分布特征,合理布设卸货点的空间位置和数量,设计路网模型。
5.根据权利要求4所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:在所述步骤S12仿真模型搭建过程中,使用基于任务响应机制的室内无人配送机器人决策算法,制定配送机器人完成任务时应遵循的规则,完成算法设计。
6.根据权利要求5所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:所述的基于任务响应机制的室内无人配送机器人决策算法,包括:
任务响应机制:(1)配送机器人在空闲状态下收到任务,前往取货点取货;(2)如果在配送机器人取货途中有新任务产生,将分析新任务的目的地/卸货点与现有任务的目的地/卸货点是否在同一大区:(3)若两个任务的目的地在同一大区,则会在取完当前任务的货物后,再去取新任务的货物,随后统一配送;(4)在取新任务的货物途中,如果再接收到第二新任务,则重复步骤(2)(3),直至没有更多新任务分配至当前配送机器人或者配送机器人达到最大装载量预设值;(5)若目的地不在同一区域,则先完成当前任务,送完当前货物,再去完成新任务;(6)待全部任务完成,任务序列为空,结束运行。
7.根据权利要求6所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:在所述的任务响应机制中,应用所述的出入库频率统计信息和空间热力图,指导配送机器人的空闲停靠及任务分配器的任务调度和任务分配。
8.根据权利要求5所述的一种基于***仿真的室内无人配送模式设计方法,其特征在于:在所述的决策算法设计过程中,根据配送机器人当前的位置坐标、配送机器人空闲时所处位置的坐标、配送机器人到不同卸货点的空间距离、不同卸货点所处的位置坐标,应用路径优化算法计算出机器人的最优配送路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404252.2A CN112507545B (zh) | 2020-12-04 | 2020-12-04 | 一种基于***仿真的室内无人配送模式设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011404252.2A CN112507545B (zh) | 2020-12-04 | 2020-12-04 | 一种基于***仿真的室内无人配送模式设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507545A CN112507545A (zh) | 2021-03-16 |
CN112507545B true CN112507545B (zh) | 2022-07-15 |
Family
ID=74968387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011404252.2A Active CN112507545B (zh) | 2020-12-04 | 2020-12-04 | 一种基于***仿真的室内无人配送模式设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507545B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066334A (zh) * | 2021-03-29 | 2021-07-02 | 上海机器人产业技术研究院有限公司 | 一种居民小区快递自动化分拣投递仿真*** |
CN114415669A (zh) * | 2021-12-27 | 2022-04-29 | 江铃汽车股份有限公司 | 物品投递方法、***、存储介质及物品投递机器人 |
CN114881580B (zh) * | 2022-07-11 | 2022-09-27 | 深圳市元美供应链管理有限公司 | 一种基于智能供应链的电商物流配送管理***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067572A (en) * | 1996-11-07 | 2000-05-23 | Novell, Inc. | Extrinsically influenced near-optimal path apparatus and method |
CN107977739A (zh) * | 2017-11-22 | 2018-05-01 | 深圳北斗应用技术研究院有限公司 | 物流配送路径的优化方法、装置及设备 |
CN108022070A (zh) * | 2017-11-14 | 2018-05-11 | 沈阳工业大学 | 一种混合装卸车辆协同调度运输方法 |
CN109670620A (zh) * | 2017-10-16 | 2019-04-23 | 北京航空航天大学 | 一种车联网环境下出行信息服务策略与仿真验证*** |
CN111300416A (zh) * | 2020-03-10 | 2020-06-19 | 南京工程学院 | 基于增强现实的模块化可重构机器人规划仿真方法和*** |
-
2020
- 2020-12-04 CN CN202011404252.2A patent/CN112507545B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067572A (en) * | 1996-11-07 | 2000-05-23 | Novell, Inc. | Extrinsically influenced near-optimal path apparatus and method |
CN109670620A (zh) * | 2017-10-16 | 2019-04-23 | 北京航空航天大学 | 一种车联网环境下出行信息服务策略与仿真验证*** |
CN108022070A (zh) * | 2017-11-14 | 2018-05-11 | 沈阳工业大学 | 一种混合装卸车辆协同调度运输方法 |
CN107977739A (zh) * | 2017-11-22 | 2018-05-01 | 深圳北斗应用技术研究院有限公司 | 物流配送路径的优化方法、装置及设备 |
CN111300416A (zh) * | 2020-03-10 | 2020-06-19 | 南京工程学院 | 基于增强现实的模块化可重构机器人规划仿真方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112507545A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507545B (zh) | 一种基于***仿真的室内无人配送模式设计方法 | |
Hua et al. | Joint infrastructure planning and fleet management for one-way electric car sharing under time-varying uncertain demand | |
Barbati et al. | Applications of agent-based models for optimization problems: A literature review | |
Brimberg et al. | Improvements and comparison of heuristics for solving the uncapacitated multisource Weber problem | |
Cevallos et al. | Minimizing transfer times in public transit network with genetic algorithm | |
Mohammadi et al. | Development, application, and comparison of hybrid meta-heuristics for urban land-use allocation optimization: Tabu search, genetic, GRASP, and simulated annealing algorithms | |
US10789558B2 (en) | Non-linear systems and methods for destination selection | |
Freund et al. | Analytics and bikes: Riding tandem with motivate to improve mobility | |
Schermer et al. | A variable neighborhood search algorithm for solving the vehicle routing problem with drones | |
CN110222996A (zh) | 任务分配方法及装置 | |
Lowalekar et al. | Zone path construction (zac) based approaches for effective real-time ridesharing | |
Ninikas et al. | Integrated planning in hybrid courier operations | |
CN114063995A (zh) | 一种基于物管城市可视化的开发引擎***及方法 | |
Hou et al. | Integrated design of unmanned aerial mobility network: A data-driven risk-averse approach | |
CN113112107A (zh) | 中转场规划方法、装置、服务器及存储介质 | |
CN109242298A (zh) | 一种智能派工过程中的工单分配方法及装置 | |
CN114282032A (zh) | 一种区域化的交易数据分化转化统筹方法及其存储*** | |
CN109325615A (zh) | 一种智能派工方法及装置 | |
Palliyil et al. | A comprehensive model for the concurrent determination of aisles and load stations for aisle-based material handling systems | |
Wang et al. | Cross-region courier displacement for on-demand delivery with multi-agent reinforcement learning | |
Gan | A logistics distribution route optimization model based on hybrid intelligent algorithm and its application | |
Chen et al. | Solving a 3-dimensional vehicle routing problem with delivery options in city logistics using fast-neighborhood based crowding differential evolution algorithm | |
CN106991516A (zh) | 一种基于电网资源的投资规划方法及*** | |
Li et al. | Learning to bundle proactively for on-demand meal delivery | |
CN114037403B (zh) | 一种bim数据高效共享和管理轻量化的方法 |
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 |