CN116382099A - 一种机器人路径调度规划方法及*** - Google Patents

一种机器人路径调度规划方法及*** Download PDF

Info

Publication number
CN116382099A
CN116382099A CN202310649316.2A CN202310649316A CN116382099A CN 116382099 A CN116382099 A CN 116382099A CN 202310649316 A CN202310649316 A CN 202310649316A CN 116382099 A CN116382099 A CN 116382099A
Authority
CN
China
Prior art keywords
constraint
robot
node
departure
path
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
Application number
CN202310649316.2A
Other languages
English (en)
Inventor
侯淑芳
冯源昊
黄泽人
刘超雄
张伟楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Digital Brain Technology Research Institute Co ltd
Original Assignee
Shanghai Digital Brain Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Digital Brain Technology Research Institute Co ltd filed Critical Shanghai Digital Brain Technology Research Institute Co ltd
Priority to CN202310649316.2A priority Critical patent/CN116382099A/zh
Publication of CN116382099A publication Critical patent/CN116382099A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种机器人路径调度规划方法及***，其中所述方法包括：获取建模必要参数，建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；依据建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据最优解按照距离最近原则选取最终回归仓库；根据选取的最终回归仓库确定最终路径，并依据最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。本发明有效减少了单次优化变量和冗余约束，提高了求解效率。

Description

一种机器人路径调度规划方法及***
技术领域
本发明涉及调度规划技术领域，特别是涉及一种机器人路径调度规划方法及***。
背景技术
车辆路径规划问题（Vehicle Routing Problem，VRP)是物流运输管理中的核心问题之一，是指在满足一定的约束条件 （如时间限制、车载容量限制、交通限制等）下，通过对一系列收货点与发货点客户合理安排行车路线，在客户的需求得到满足的前提下，达到配送车辆最少、配送时间最短、配送成本最低、配送路程最短等目标。该问题由 Dantzig 和Ramser于 1959年在优化亚特兰大炼油厂的运输路径问题时首次提出，现已成为运筹学中一类经典的组合优化问题，是典型的NP难题。
VRP 的构成要素通常包括车辆、客户点、货物、配送中心（车场）、道路网络、目标函数和约束条件等，根据侧重点的不同，如图1所示，VRP 可以分为不同的类型。在求解VRP问题中，场景不同，其模型构建和求解算法会有很大的差异。从求解算法来说，可以分为精确解算法和启发式算法两大类。精确解算法适用于求解小规模问题的最优解，而启发式算法适用于求解大规模问题，可以在较短时间内给出一个差不多质量的可行解。
目前，通常采用精确解算法来求解多车场开放式车辆路径问题(Multi-DepotOpen Vehicle Routing Problem，MDOVRP)，在求解过程中会把MDOVRP问题建模为一个MIP模型，上述求解MDOVRP问题的一般MIP（Mixed IntegerProgramming，混合整数规划）模型，应用于机器人调配问题时存在以下问题：
一、冗余变量较多：一般意义的MDOVRP通常会将变量定义为三维形式，以体现不同车辆的路径规划。但是事实上，对于机器人的调配问题，不同类型的机器人的规划是解耦的、客户需求是单次的，因此对于机器人调配问题来说，经典的MDOVRP的模型逻辑存在大量的冗余变量，需要进行模型化简改进，以大大提升求解效率。
二、冗余约束较多：对于经典的MDOVRP问题来说，会包括出入度约束、任务时间点约束、车辆选取约束、非环路径约束等等。事实上，对于机器人调配问题，由于机器人任务时长已知，且逗留与否不影响模型调度结果，因此任务时间点约束尤其是离开时间相关约束可以进行简化；此外，机器人选取约束可以根据出发点出入度来体现；最后，最晚到达时间约束的存在，非环路径约束是多余的。综上，针对机器人调度问题，大量冗余约束存在，需要对优化模型的约束条件进行化简，以提升求解效率。
三、模型求解方式欠灵活：经典MDOVRP模型追求“一步到位”，即通过求解优化模型直接获得最终的机器人选择、路径规划等。事实上，新建机器人的上限无法判定，若上限选取过高，则造成整数变量增多，求解时间指数上升；若选取过低，则造成模型无解。此外，由于回归仓库的入度是自由的，因此考虑仓库回归会大大提升模型的复杂度。因此对于新建机器人以及仓库回归选择两个方面具有灵活处理的改进空间。
综上所述，MDOVRP问题在机器人调配方面的应用时不可以完全仿照经典的MDOVRP模型求解，需要进行模型改进以保证求解效率。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种机器人路径调度规划方法及***，用于解决现有技术中传统MDOVRP模型求解效率较低的问题。
为实现上述目的及其他相关目的，本发明提供如下技术方案：
一种机器人路径调度规划方法，包括：
获取建模必要参数，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；
依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；
根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；
根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。
作为发明的一种优选方案，所述依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型中，所述第一预定策略按照如下公式计算：
Figure SMS_1
（1），其中，
Figure SMS_2
表示节点/>
Figure SMS_3
与节点/>
Figure SMS_4
之间的运输开销；/>
Figure SMS_5
取值为1即代表路线从点/>
Figure SMS_6
到/>
Figure SMS_7
，否则为0。
作为发明的一种优选方案，所述依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型中，所述调度任务执行约束包括：服务节点出入度约束、出发点的出度约束、平衡约束、服务到达时间约束、节点连接约束、出发路径约束、出发点入度约束、以及虚拟仓库的出度约束。
作为发明的一种优选方案，所述服务节点出入度约束包括：
Figure SMS_8
(2)；
Figure SMS_9
(3)；
所述出发点的出度约束具体为出发点的出度不能大于1，包括：
Figure SMS_10
(4)；
所述平衡约束具体为机器人出发、回归量平衡约束，包括：
Figure SMS_11
(5)；
其中，
Figure SMS_14
为现有可调度机器人数量，集合为：/>
Figure SMS_17
，/>
Figure SMS_20
，…，/>
Figure SMS_15
；/>
Figure SMS_18
为可新增机器人数量，集合为：/>
Figure SMS_21
，/>
Figure SMS_23
，…，/>
Figure SMS_12
；各机器人当前所处位点定义为各出发点，h1、h2……hr为机器人可返回的虚拟仓库的集合；n为服务楼盘点数量，b1、b2……bn为服务楼盘点集合；/>
Figure SMS_16
取值为1即代表存在从点/>
Figure SMS_19
到/>
Figure SMS_22
的运输路线，否则/>
Figure SMS_13
取值为0。
作为发明的一种优选方案，所述服务到达时间约束包括：
Figure SMS_24
Figure SMS_25
(6)；
Figure SMS_26
Figure SMS_27
(7)；
Figure SMS_28
Figure SMS_29
(8)；
Figure SMS_30
Figure SMS_31
(9)；
Figure SMS_32
(10)；
所述节点连接约束具体为不能将节点连接节点自己，包括：
Figure SMS_33
(11)；
所述出发路径约束具体为机器人不能直接从出发点去仓库，包括：
Figure SMS_34
(12)；
所述出发点入度约束具体为出发点的入度为0，包括：
Figure SMS_35
(13)；
所述虚拟仓库的出度约束具体为虚拟仓库的出度为0，包括：
Figure SMS_36
(14)；
其中，
Figure SMS_49
为节点/>
Figure SMS_39
与节点/>
Figure SMS_46
之间的运输开销，/>
Figure SMS_40
为节点/>
Figure SMS_43
的到达时间，/>
Figure SMS_42
为节点/>
Figure SMS_44
与节点/>
Figure SMS_45
之间的运输时间；/>
Figure SMS_48
为楼盘节点/>
Figure SMS_37
的最晚开始时间，/>
Figure SMS_41
为楼盘节点/>
Figure SMS_47
的最早离开时间，/>
Figure SMS_50
为楼盘节点/>
Figure SMS_51
的服务时长/>
Figure SMS_52
，/>
Figure SMS_38
为一个充分大的正常数。
作为发明的一种优选方案，所述依据所述最终路径按照第二预定策略计算得到综合成本中，所述第二预定策略按照如下公式计算：
Figure SMS_53
(15)，其中，
Figure SMS_54
为机器人人工成本，/>
Figure SMS_55
为机器人使用成本，/>
Figure SMS_56
为新建机器人成本。
作为发明的一种优选方案，所述MILP模型通过调用求解器进行求解。
另一方面，为解决上述技术问题，本发明还提供一种机器人路径调度规划***，包括：
获取单元，用于获取建模必要参数，其中，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；
建模单元，用于依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；
求解单元，用于根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；
成本核算单元，根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。
另一方面，为解决上述技术问题，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述任一技术方案所述机器人路径调度规划方法的步骤。
另一方面，为解决上述技术问题，本发明还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述任一技术方案所述机器人路径调度规划方法的步骤。
如上所述，本发明具有以下有益效果：
本发明通过提供一种机器人路径调度规划方法及***，其中所述方法包括：获取建模必要参数，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。本发明单独优化某一类机器人的路线以减少单次优化变量，每一个机器人当前所处位置定义为一个出发点，由此对路径选择变量降维，减少了整数变量数量；删除了与路径规划无关的离开时间变量、机器人选择变量、时间约束和非环路径约束，减少了冗余约束；同时，本发明针对新建机器人的数量选择问题，避免了人为限定新建机器人数量上限造成的弊端：当规模变化时，新建机器人的上限也要人工改变估计量；若上限定义过高造成求解时间过长，若上限定义过低而造成无解，而采用迭代的方式选取最优新建机器人数则可以避免上述弊端。
附图说明
图1为本发明背景技术中VRP场景分类示意图。
图2显示为本发明实施例中机器人路径调度规划方法的流程图。
图3显示为本发明实施例中机器人路径调度规划***的结构示意图。
图4显示为本发明实施例中计算机设备的基本结构框图。
图中数字和字母所表示的相应部件名称：
501、获取单元；502、建模单元；503、求解单元；504、成本核算单元。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
请参阅图2至图4。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本发明主要针对小规模多车场多车型开放式带时间窗口的车辆路径规划问题(Multi-Depot Open Vehicle Routing Problem，MDOVRP)：由于不同型号的机器人分布在不同地点的仓库或者工地上，需要把现有的对应型号的机器人派往全国不同地点的工地上进行涂墙作业，机器人作业完成之后需要返回最近的一个仓库中，且每个工地作业都有最晚开始和最早离开的时间窗限制，因此需要合理分配调度机器人的作业路线，以期达到费用最低的优化目标。
请参阅图2，本发明提供一种机器人路径调度规划方法，包括：
S100、获取建模必要参数，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵。
具体的，机器人信息包括机器人数量、可用机器人集合、可新增机器人数量、各机器人当前所处点等信息，仓库信息包括仓库位置、仓库数量等信息，服务点信息包括服务楼盘点数量、服务楼盘点位置等信息，距离矩阵包括机器人到服务楼盘点的距离信息、机器人到仓库的距离信息等。
例如，在一具体实施方式中，可以进行如下定义：现有可调度机器人数量为
Figure SMS_60
，分别为/>
Figure SMS_62
，/>
Figure SMS_65
，…，/>
Figure SMS_58
；各机器人当前所处点（出发点）分别为/>
Figure SMS_64
，/>
Figure SMS_67
，…，/>
Figure SMS_71
；可新增机器人数量为/>
Figure SMS_59
，分别为/>
Figure SMS_63
，/>
Figure SMS_68
，…，/>
Figure SMS_72
；各机器人当前所处点（出发点）分别为/>
Figure SMS_69
，
Figure SMS_73
，…，/>
Figure SMS_76
；假设每个机器人返回一个虚拟仓库（真实返回仓库由优化模型求解之后距离最后一个任务点最近的原则选取），每个机器人可返回的仓库点分别为/>
Figure SMS_78
，/>
Figure SMS_74
，…，/>
Figure SMS_77
，(/>
Figure SMS_79
)；服务楼盘点数量为/>
Figure SMS_80
，分别为/>
Figure SMS_57
，/>
Figure SMS_61
，…，/>
Figure SMS_66
。设节点集合
Figure SMS_70
，建模中下标以集合/>
Figure SMS_75
为准。
S200、依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型。
现有技术中，经典的MDOVRP (Multi-Depot Open Vehicle Routing Problem，多车场开放式车辆路径问题)模型通常会将变量定义为三维形式，以体现不同车辆的路径规划，但是事实上，对于机器人的调配问题，不同类型的机器人的规划是解耦的、客户需求是单次的，因此对于机器人调配问题来说，经典的MDOVRP模型逻辑存在大量的冗余变量，需要进行模型化简改进，以大大提升求解效率；
其次，对于经典的MDOVRP问题来说，会包括出入度约束、任务时间点约束、车辆选取约束、非环路径约束等等，但事实上，对于机器人调配问题，由于机器人任务时长已知，且逗留与否不影响模型调度结果，因此任务时间点约束尤其是离开时间相关约束可以进行简化；此外，机器人选取约束可以根据出发点出入度来体现，最晚到达时间约束的存在，非环路径约束是多余的，因此针对机器人调度问题，存在大量冗余约束，需要对优化模型的约束条件进行化简，以提升求解效率。
最后，经典MDOVRP模型往往追求“一步到位”，即通过求解优化模型直接获得最终的机器人选择、路径规划等，但事实上，新建机器人的上限无法判定，若上限选取过高，则造成整数变量增多，求解时间指数上升；若选取过低，则造成模型无解；此外，由于回归仓库的入度是自由的，因此考虑仓库回归会大大提升模型的复杂度，进而对于新建机器人以及仓库回归选择两个方面具有灵活处理的改进空间。
而本实施例中，引入MILP模型解决MDOVRP问题，在MILP（Mixed Integer LinearProgram，混合整数线性规划）模型中，其约束包括条件约束和整数约束，其目标函数是线性的，所有约束也是线性的，决策变量为整数，从而能够实现高效求解。
具体的，依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型中，第一预定策略按照如下公式计算：
Figure SMS_81
（1），其中，/>
Figure SMS_82
表示节点/>
Figure SMS_83
与节点/>
Figure SMS_84
之间的运输开销；/>
Figure SMS_85
取值为1即代表路线从点/>
Figure SMS_86
到/>
Figure SMS_87
，否则为0。
调度任务执行约束包括：服务节点出入度约束、出发点的出度约束、平衡约束、服务到达时间约束、节点连接约束、出发路径约束、出发点入度约束、以及虚拟仓库的出度约束。
服务节点出入度约束包括：
Figure SMS_88
(2)；
Figure SMS_89
(3)；
出发点的出度约束具体为出发点的出度不能大于1，包括：
Figure SMS_90
(4)；
平衡约束具体为机器人出发、回归量平衡约束，包括：
Figure SMS_91
(5)；
服务到达时间约束包括：
Figure SMS_92
Figure SMS_93
(6)；
Figure SMS_94
Figure SMS_95
(7)；
Figure SMS_96
Figure SMS_97
(8)；
Figure SMS_98
Figure SMS_99
(9)；
Figure SMS_100
(10)；
所述节点连接约束具体为不能将节点连接节点自己，包括：
Figure SMS_101
(11)；
所述出发路径约束具体为机器人不能直接从出发点去仓库，包括：
Figure SMS_102
(12)；
所述出发点入度约束具体为出发点的入度为0，包括：
Figure SMS_103
(13)；
所述虚拟仓库的出度约束具体为虚拟仓库的出度为0，包括：
Figure SMS_104
(14)；
其中，
Figure SMS_123
为现有可调度机器人数量，集合为：/>
Figure SMS_126
，/>
Figure SMS_129
，…，/>
Figure SMS_107
；/>
Figure SMS_111
为可新增机器人数量，集合为：/>
Figure SMS_116
，/>
Figure SMS_119
，…，/>
Figure SMS_121
；各机器人当前所处位点定义为各出发点，h1、h2……hr为机器人可返回的虚拟仓库的集合；n为服务楼盘点数量，b1、b2……bn为服务楼盘点集合；/>
Figure SMS_124
（变量）取值为1即代表存在从点/>
Figure SMS_127
到/>
Figure SMS_130
的运输路线，否则/>
Figure SMS_125
取值为0；/>
Figure SMS_128
（常量）为节点/>
Figure SMS_131
与节点/>
Figure SMS_132
之间的运输开销；/>
Figure SMS_112
（变量）为节点/>
Figure SMS_115
的到达时间；/>
Figure SMS_120
（常量）为节点/>
Figure SMS_122
与节点/>
Figure SMS_105
之间的运输时间；/>
Figure SMS_109
（常量）为楼盘节点/>
Figure SMS_114
的最晚开始时间；/>
Figure SMS_118
（常量）为楼盘节点/>
Figure SMS_106
的最早离开时间；/>
Figure SMS_110
（常量）为楼盘节点/>
Figure SMS_113
的服务时长/>
Figure SMS_117
；/>
Figure SMS_108
（常量）为一个充分大的正常数。
上述模型（1）-（14）即构成MILP模型，本实施例中，求解MILP模型时通过调用求解器进行高效求解。
S300、根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库。
具体的，在进行机器人路径调度规划过程中，新建机器人数量从0开始进行迭代计算，每一次运算均尝试求解模型（1）-（14），直至有解，随后从计算结果中选择得到最优解，根据最优解可以找到每个机器人最后的一个服务楼盘点，最后以距离该服务楼盘点距离最近的原则选取回归仓库，即得到最优的调度路径。
S400、根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。
具体的，机器人成本包括机器人人工成本、机器人使用成本及新建机器人成本，其中依据所述最终路径按照第二预定策略计算得到综合成本中，所述第二预定策略按照如下公式计算：
Figure SMS_133
(15)，其中，/>
Figure SMS_134
（常量）为机器人人工成本，其单位为元/天；/>
Figure SMS_135
（常量）为机器人使用成本，其单位为元/天；/>
Figure SMS_136
（常量）为新建机器人成本，其单位为元/个。
本发明通过引入MILP模型进行路径调度规划求解，并采用求解器进行高效求解，从而能够解决智能涂墙机器人在全国范围内不同建筑工地之间的路径调度规划达到最小化业务成本的问题，根据本发明的技术方案，能够实现如下技术效果：
1、简化了冗余变量：每类机器人的调度互不干扰，故对每种机器人单独优化路线以减少单次优化变量；将机器人的出发点进行解耦，即一个机器人对应着一个出发点，且出发点的入度为0，这保证了机器人之间没有任何耦合，且最终的路径规划为一个机器人一条路径且没有交叉；上述做法对路径选择变量进行了降维，减少了整数变量数量，删除了离开时间变量，采用最早离开时间作为节点的离开时间，采用这种处理方式合理性是因为节点的逗留与否不影响路径成本，且选择最早离开时间离开有利于满足最晚到达时间的约束，因此删除此变量不影响模型的正确性；同时，删除了机器人选择变量，本发明采用新建机器人的数量选择的方法为从0迭代直至有解，因此机器人选择的变量是冗余的，可以删除。
2、简化了冗余约束：对于机器人调配问题，由于机器人任务时长已知，且逗留与否不影响模型调度结果，因此删除了离开时间约束；机器人选取约束可以根据出发点出入度来体现，因此可删除；最后，删除非环路径约束，因为若存在环路则必不满足最晚到达时间约束，因此非环路径是多余的。
3、灵活处理机器人新建问题和仓库回归问题：新建机器人数量的选择采用从0迭代直至有解的方式，采用这种处理方式的合理性是因为新建机器人成本很高，因此以尽可能少的原则寻找最小新建机器人数量基本不改变最优性；回归仓库的选择的方法是：对于每一个机器人到达最后一个服务站点后，选择距离最后一个服务站点最近的一个仓库进行回归，这样做相当于将仓库回归作为了一个优化子问题求解，存在略微损失最优性的可能但是极大的提升了模型求解效率。
综上所述，本发明单独优化某一类机器人的路线以减少单次优化变量，每一个机器人当前所处位置定义为一个出发点，由此对路径选择变量降维，减少了整数变量数量；删除了与路径规划无关的离开时间变量、机器人选择变量、时间约束和非环路径约束，减少了冗余约束；同时，本发明针对新建机器人的数量选择问题，避免了人为限定新建机器人数量上限造成的弊端：当规模变化时，新建机器人的上限也要人工改变估计量；若上限定义过高造成求解时间过长，若上限定义过低而造成无解，而采用迭代的方式选取最优新建机器人数则可以避免上述弊端。
另一方面，为解决上述技术问题，本发明还提供一种机器人路径调度规划***，请参阅图3，包括：获取单元501，用于获取建模必要参数，其中，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；建模单元502，用于依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；求解单元503，用于根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；成本核算单元504，根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定。
具体的，获取单元501获取建模必要参数中具体为：机器人信息包括机器人数量、可用机器人集合、可新增机器人数量、各机器人当前所处点等信息，仓库信息包括仓库位置、仓库数量等信息，服务点信息包括服务楼盘点数量、服务楼盘点位置等信息，距离矩阵包括机器人到服务楼盘点的距离信息、机器人到仓库的距离信息等。
例如，在一具体实施方式中，可以进行如下定义：现有可调度机器人数量为
Figure SMS_153
，分别为/>
Figure SMS_156
，/>
Figure SMS_159
，…，/>
Figure SMS_139
；各机器人当前所处点（出发点）分别为/>
Figure SMS_142
，/>
Figure SMS_148
，…，/>
Figure SMS_151
；可新增机器人数量为/>
Figure SMS_141
，分别为/>
Figure SMS_147
，/>
Figure SMS_152
，…，/>
Figure SMS_155
；各机器人当前所处点（出发点）分别为/>
Figure SMS_154
，
Figure SMS_157
，…，/>
Figure SMS_158
；假设每个机器人返回一个虚拟仓库（真实返回仓库由优化模型求解之后距离最后一个任务点最近的原则选取），每个机器人可返回的仓库点分别为/>
Figure SMS_160
，/>
Figure SMS_140
，…，/>
Figure SMS_143
，(/>
Figure SMS_146
)；服务楼盘点数量为/>
Figure SMS_149
，分别为/>
Figure SMS_137
，/>
Figure SMS_144
，…，/>
Figure SMS_145
。设节点集合
Figure SMS_150
，建模中下标以集合/>
Figure SMS_138
为准。
建模单元502在建模过程中，第一预定策略按照如下公式计算：
Figure SMS_161
（1），其中，/>
Figure SMS_162
表示节点/>
Figure SMS_163
与节点/>
Figure SMS_164
之间的运输开销；/>
Figure SMS_165
取值为1即代表路线从点/>
Figure SMS_166
到/>
Figure SMS_167
，否则为0。
调度任务执行约束包括：服务节点出入度约束、出发点的出度约束、平衡约束、服务到达时间约束、节点连接约束、出发路径约束、出发点入度约束、以及虚拟仓库的出度约束。
服务节点出入度约束包括：
Figure SMS_168
(2)；
Figure SMS_169
(3)；
出发点的出度约束具体为出发点的出度不能大于1，包括：
Figure SMS_170
(4)；
平衡约束具体为机器人出发、回归量平衡约束，包括：
Figure SMS_171
(5)；
服务到达时间约束包括：
Figure SMS_172
Figure SMS_173
(6)；
Figure SMS_174
Figure SMS_175
(7)；
Figure SMS_176
Figure SMS_177
(8)；
Figure SMS_178
Figure SMS_179
(9)；
Figure SMS_180
(10)；
所述节点连接约束具体为不能将节点连接节点自己，包括：
Figure SMS_181
(11)；
所述出发路径约束具体为机器人不能直接从出发点去仓库，包括：
Figure SMS_182
(12)；
所述出发点入度约束具体为出发点的入度为0，包括：
Figure SMS_183
(13)；
所述虚拟仓库的出度约束具体为虚拟仓库的出度为0，包括：
Figure SMS_184
(14)；
其中，
Figure SMS_202
为现有可调度机器人数量，集合为：/>
Figure SMS_205
，/>
Figure SMS_208
，…，/>
Figure SMS_186
；/>
Figure SMS_192
为可新增机器人数量，集合为：/>
Figure SMS_195
，/>
Figure SMS_201
，…，/>
Figure SMS_188
；各机器人当前所处位点定义为各出发点，h1、h2……hr为机器人可返回的虚拟仓库的集合；n为服务楼盘点数量，b1、b2……bn为服务楼盘点集合；/>
Figure SMS_191
（变量）取值为1即代表存在从点/>
Figure SMS_198
到/>
Figure SMS_204
的运输路线，否则/>
Figure SMS_207
取值为0；/>
Figure SMS_209
（常量）为节点/>
Figure SMS_211
与节点/>
Figure SMS_212
之间的运输开销；/>
Figure SMS_200
（变量）为节点/>
Figure SMS_203
的到达时间；/>
Figure SMS_206
（常量）为节点/>
Figure SMS_210
与节点/>
Figure SMS_185
之间的运输时间；/>
Figure SMS_189
（常量）为楼盘节点/>
Figure SMS_194
的最晚开始时间；/>
Figure SMS_196
（常量）为楼盘节点/>
Figure SMS_187
的最早离开时间；/>
Figure SMS_190
（常量）为楼盘节点/>
Figure SMS_193
的服务时长/>
Figure SMS_197
；/>
Figure SMS_199
（常量）为一个充分大的正常数。
上述模型（1）-（14）即构成MILP模型，本实施例中，求解MILP模型时通过调用求解器进行高效求解。
求解单元503在具体求解过程中，新建机器人数量从0开始进行迭代计算，每一次运算均尝试求解模型（1）-（14），直至有解，随后从计算结果中选择得到最优解，根据最优解可以找到每个机器人最后的一个服务楼盘点，最后以距离该服务楼盘点距离最近的原则选取回归仓库，即得到最优的调度路径。
成本核算单元504在进行具体核算过程中，第二预定策略按照如下公式计算：
Figure SMS_213
(15)，其中，/>
Figure SMS_214
（常量）为机器人人工成本，其单位为元/天；/>
Figure SMS_215
（常量）为机器人使用成本，其单位为元/天；/>
Figure SMS_216
（常量）为新建机器人成本，其单位为元/个。
本发明实施例的机器人路径调度规划***在进行处理时，单独优化某一类机器人的路线以减少单次优化变量，每一个机器人当前所处位置定义为一个出发点，由此对路径选择变量降维，减少了整数变量数量；删除了与路径规划无关的离开时间变量、机器人选择变量、时间约束和非环路径约束，减少了冗余约束；同时，本发明针对新建机器人的数量选择问题，避免了人为限定新建机器人数量上限造成的弊端：当规模变化时，新建机器人的上限也要人工改变估计量；若上限定义过高造成求解时间过长，若上限定义过低而造成无解，而采用迭代的方式选取最优新建机器人数则可以避免上述弊端。
另一方面，为解决上述技术问题，本发明实施例提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
如图4所示，计算机设备的内部结构示意图。该计算机设备包括通过***总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作***、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种机器人路径调度规划方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种机器人路径调度规划方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行获取单元501、建模单元502、求解单元503、成本核算单元504的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。
本发明实施例的计算机设备在进行机器人路径调度规划时，单独优化某一类机器人的路线以减少单次优化变量，每一个机器人当前所处位置定义为一个出发点，由此对路径选择变量降维，减少了整数变量数量；删除了与路径规划无关的离开时间变量、机器人选择变量、时间约束和非环路径约束，减少了冗余约束；同时，针对新建机器人的数量选择问题，避免了人为限定新建机器人数量上限造成的弊端：当规模变化时，新建机器人的上限也要人工改变估计量；若上限定义过高造成求解时间过长，若上限定义过低而造成无解，而采用迭代的方式选取最优新建机器人数则可以避免上述弊端。
另一方面，本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例机器人路径调度规划方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccess Memory，RAM)等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种机器人路径调度规划方法，其特征在于，包括：
获取建模必要参数，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；
依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；
根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；
根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定；
其中，所述调度任务执行约束包括：服务节点出入度约束、出发点的出度约束、平衡约束、服务到达时间约束、节点连接约束、出发路径约束、出发点入度约束、以及虚拟仓库的出度约束；
所述服务到达时间约束包括：
Figure QLYQS_1
Figure QLYQS_2
(6)；
Figure QLYQS_3
Figure QLYQS_4
(7)；
Figure QLYQS_5
Figure QLYQS_6
(8)；
Figure QLYQS_7
Figure QLYQS_8
(9)；
Figure QLYQS_9
(10)；
所述节点连接约束具体为不能将节点连接节点自己，包括：
Figure QLYQS_10
(11)；
所述出发路径约束具体为机器人不能直接从出发点去仓库，包括：
Figure QLYQS_11
(12)；
所述出发点入度约束具体为出发点的入度为0，包括：
Figure QLYQS_12
(13)；
所述虚拟仓库的出度约束具体为虚拟仓库的出度为0，包括：
Figure QLYQS_13
(14)；
其中，
Figure QLYQS_24
为节点/>
Figure QLYQS_15
与节点/>
Figure QLYQS_21
之间的运输开销，/>
Figure QLYQS_17
为节点/>
Figure QLYQS_20
的到达时间，/>
Figure QLYQS_19
为节点/>
Figure QLYQS_23
与节点/>
Figure QLYQS_22
之间的运输时间；/>
Figure QLYQS_26
为楼盘节点/>
Figure QLYQS_14
的最晚开始时间，/>
Figure QLYQS_18
为楼盘节点/>
Figure QLYQS_25
的最早离开时间，/>
Figure QLYQS_28
为楼盘节点
Figure QLYQS_27
的服务时长/>
Figure QLYQS_29
，/>
Figure QLYQS_16
为一个充分大的正常数。
2.根据权利要求1所述的机器人路径调度规划方法，其特征在于，所述依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型中，所述第一预定策略按照如下公式计算：
Figure QLYQS_30
（1），其中，/>
Figure QLYQS_31
表示节点/>
Figure QLYQS_32
与节点/>
Figure QLYQS_33
之间的运输开销；/>
Figure QLYQS_34
取值为1即代表路线从点/>
Figure QLYQS_35
到/>
Figure QLYQS_36
，否则为0。
3.根据权利要求1或2所述的机器人路径调度规划方法，其特征在于，所述服务节点出入度约束包括：
Figure QLYQS_37
(2)；
Figure QLYQS_38
(3)；
所述出发点的出度约束具体为出发点的出度不能大于1，包括：
Figure QLYQS_39
(4)；
所述平衡约束具体为机器人出发、回归量平衡约束，包括：
Figure QLYQS_40
(5)；
其中，
Figure QLYQS_43
为现有可调度机器人数量，集合为：/>
Figure QLYQS_46
，/>
Figure QLYQS_49
，…，/>
Figure QLYQS_44
；/>
Figure QLYQS_47
为可新增机器人数量，集合为：/>
Figure QLYQS_50
，/>
Figure QLYQS_52
，…，/>
Figure QLYQS_41
；各机器人当前所处位点定义为各出发点，h1、h2……hr 为机器人可返回的虚拟仓库的集合；n为服务楼盘点数量，b1、b2……bn为服务楼盘点集合；/>
Figure QLYQS_45
取值为1即代表存在从点/>
Figure QLYQS_48
到/>
Figure QLYQS_51
的运输路线，否则/>
Figure QLYQS_42
取值为0。
4.根据权利要求3所述的机器人路径调度规划方法，其特征在于，所述依据所述最终路径按照第二预定策略计算得到综合成本中，所述第二预定策略按照如下公式计算：
Figure QLYQS_53
(15)，其中，/>
Figure QLYQS_54
为机器人人工成本，/>
Figure QLYQS_55
为机器人使用成本，/>
Figure QLYQS_56
为新建机器人成本。
5.根据权利要求1所述的机器人路径调度规划方法，其特征在于，所述MILP模型通过调用求解器进行求解。
6.一种机器人路径调度规划***，其特征在于，包括：
获取单元，用于获取建模必要参数，其中，所述建模必要参数包括机器人信息、仓库信息、服务点信息及距离矩阵；
建模单元，用于依据所述建模必要参数按照第一预定策略建立包含调度任务执行约束的MDOVRP模型，所述MDOVRP模型包括用于求解路径调度规划结果的MILP模型；
求解单元，用于根据设定的新增机器人数量利用所述MILP模型进行迭代计算直至得到最优解，并根据所述最优解按照距离最近原则选取最终回归仓库；
成本核算单元，根据选取的最终回归仓库确定最终路径，并依据所述最终路径按照第二预定策略计算得到综合成本，所述第二预定策略基于所述建模必要参数及机器人成本参数确定；
其中，所述调度任务执行约束包括：服务节点出入度约束、出发点的出度约束、平衡约束、服务到达时间约束、节点连接约束、出发路径约束、出发点入度约束、以及虚拟仓库的出度约束；
所述服务到达时间约束包括：
Figure QLYQS_57
Figure QLYQS_58
(6)；
Figure QLYQS_59
Figure QLYQS_60
(7)；
Figure QLYQS_61
Figure QLYQS_62
(8)；
Figure QLYQS_63
Figure QLYQS_64
(9)；
Figure QLYQS_65
(10)；
所述节点连接约束具体为不能将节点连接节点自己，包括：
Figure QLYQS_66
(11)；
所述出发路径约束具体为机器人不能直接从出发点去仓库，包括：
Figure QLYQS_67
(12)；
所述出发点入度约束具体为出发点的入度为0，包括：
Figure QLYQS_68
(13)；
所述虚拟仓库的出度约束具体为虚拟仓库的出度为0，包括：
Figure QLYQS_69
(14)；
其中，
Figure QLYQS_79
为节点/>
Figure QLYQS_71
与节点/>
Figure QLYQS_75
之间的运输开销，/>
Figure QLYQS_77
为节点/>
Figure QLYQS_80
的到达时间，/>
Figure QLYQS_83
为节点/>
Figure QLYQS_85
与节点/>
Figure QLYQS_78
之间的运输时间；/>
Figure QLYQS_82
为楼盘节点/>
Figure QLYQS_70
的最晚开始时间，/>
Figure QLYQS_74
为楼盘节点/>
Figure QLYQS_72
的最早离开时间，/>
Figure QLYQS_76
为楼盘节点
Figure QLYQS_81
的服务时长/>
Figure QLYQS_84
，/>
Figure QLYQS_73
为一个充分大的正常数。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1-5中任一项所述机器人路径调度规划方法的步骤。
8.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1-5中任一项所述机器人路径调度规划方法的步骤。
CN202310649316.2A 2023-06-02 2023-06-02 一种机器人路径调度规划方法及*** Pending CN116382099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310649316.2A CN116382099A (zh) 2023-06-02 2023-06-02 一种机器人路径调度规划方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310649316.2A CN116382099A (zh) 2023-06-02 2023-06-02 一种机器人路径调度规划方法及***

Publications (1)

Publication Number Publication Date
CN116382099A true CN116382099A (zh) 2023-07-04

Family

ID=86971453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310649316.2A Pending CN116382099A (zh) 2023-06-02 2023-06-02 一种机器人路径调度规划方法及***

Country Status (1)

Country Link
CN (1) CN116382099A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度***
US20190202056A1 (en) * 2017-12-28 2019-07-04 Ubtech Robotics Corp Robot motion path planning method, apparatus and terminal device
CN112001064A (zh) * 2020-07-29 2020-11-27 浙江大学 一种集装箱码头间全自主水上运输调度方法及***
WO2021142917A1 (zh) * 2020-01-15 2021-07-22 深圳大学 多车场车辆路径规划方法、装置、计算机设备及存储介质
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置
CN113887782A (zh) * 2021-08-27 2022-01-04 西安电子科技大学 一种面向维修资源配送调度的遗传-烟花混合方法及***
US20220035374A1 (en) * 2020-07-29 2022-02-03 Zhejiang University Scheduling method and system for fully autonomous waterborne inter terminal transportation
CN115423219A (zh) * 2022-11-03 2022-12-02 北京航空航天大学 无人机群应急物资投送方法与仿真***
US20230075128A1 (en) * 2021-08-19 2023-03-09 Next Generation Robotics, Inc. Column generation methods and systems for routing and scheduling in robotic and vehicular applications
CN115841286A (zh) * 2022-08-29 2023-03-24 南京信息工程大学 一种基于深度强化学习的外卖配送路径规划方法
CN115860289A (zh) * 2022-08-31 2023-03-28 国网浙江省电力有限公司物资分公司 一种基于碳排放的路径规划方法、装置、设备及存储介质
CN116090785A (zh) * 2023-02-21 2023-05-09 哈尔滨工业大学 针对大型活动散场场景两阶段的定制公交规划方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度***
US20190202056A1 (en) * 2017-12-28 2019-07-04 Ubtech Robotics Corp Robot motion path planning method, apparatus and terminal device
WO2021142917A1 (zh) * 2020-01-15 2021-07-22 深圳大学 多车场车辆路径规划方法、装置、计算机设备及存储介质
CN112001064A (zh) * 2020-07-29 2020-11-27 浙江大学 一种集装箱码头间全自主水上运输调度方法及***
US20220035374A1 (en) * 2020-07-29 2022-02-03 Zhejiang University Scheduling method and system for fully autonomous waterborne inter terminal transportation
CN113703472A (zh) * 2021-07-23 2021-11-26 安徽有云智能科技有限公司 多无人机与车辆协同巡检的路径优化方法和装置
US20230075128A1 (en) * 2021-08-19 2023-03-09 Next Generation Robotics, Inc. Column generation methods and systems for routing and scheduling in robotic and vehicular applications
CN113887782A (zh) * 2021-08-27 2022-01-04 西安电子科技大学 一种面向维修资源配送调度的遗传-烟花混合方法及***
CN115841286A (zh) * 2022-08-29 2023-03-24 南京信息工程大学 一种基于深度强化学习的外卖配送路径规划方法
CN115860289A (zh) * 2022-08-31 2023-03-28 国网浙江省电力有限公司物资分公司 一种基于碳排放的路径规划方法、装置、设备及存储介质
CN115423219A (zh) * 2022-11-03 2022-12-02 北京航空航天大学 无人机群应急物资投送方法与仿真***
CN116090785A (zh) * 2023-02-21 2023-05-09 哈尔滨工业大学 针对大型活动散场场景两阶段的定制公交规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
E LALLA-RUIZ: "An improved formulation for the multi-depot open vehicle routing problem", OR SPECTRUM *
张凯庆: "带软时间窗约束的多目标车辆路径优化问题研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 1 *
杨翔: "多中心开放式VRP拓展问题建模及算法研究", 中国博士学位论文全文数据库 (经济与管理科学辑), no. 6 *
霍凯歌;胡志华;: "基于遗传算法的自动化集装箱码头多载AGV调度", 上海海事大学学报, no. 03 *

Similar Documents

Publication Publication Date Title
CN108764777B (zh) 带时间窗的电动物流车调度方法和***
CN109034481B (zh) 一种基于约束规划的带时间窗车辆路径问题建模及优化方法
CN107036618A (zh) 一种基于最短路径深度优化算法的agv路径规划方法
JP4138541B2 (ja) 分散型経路計画装置及び方法、分散型経路計画プログラム
CN108846623B (zh) 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端
CN110807236A (zh) 一种基于多机器人的仓储物流仿真***
CN112001064B (zh) 一种集装箱码头间全自主水上运输调度方法及***
CN114648267B (zh) 一种自动化立体仓库调度路径的优化方法及***
Grzybowska et al. Decision support system for real-time urban freight management
CN113359702B (zh) 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法
TWI796017B (zh) 自動導引車調度方法、電子裝置及電腦可讀儲存媒體
CN113112203B (zh) 一种基于混合蚁群算法多配送中心车辆路径安排***
CN112382118B (zh) 车位智能预约管理***、方法、存储介质、计算机设备
CN117314283B (zh) 混流装配车间的物料配送方法、装置、***及存储介质
CN111860957B (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
Teck et al. Optimization models for scheduling operations in robotic mobile fulfillment systems
CN115981264A (zh) 一种考虑冲突的agv调度与数量联合优化方法
KR102624451B1 (ko) 물류를 위한 경로 정보를 제공하는 서버, 방법 및 컴퓨터 프로그램
CN116976069A (zh) 一种物流园区与仓储决策支持软件平台***
CN115705593A (zh) 物流运输方法、装置、计算机设备和存储介质
CN116382099A (zh) 一种机器人路径调度规划方法及***
CN116430805A (zh) 车间调度控制方法及装置、生产线、作业机械
CN115755786A (zh) 基于流量的多agv全局调度方法
JP7480360B2 (ja) 棚の位置を特定するための方法および装置、電子機器、コンピュータ可読媒体並びにコンピュータプログラム
CN115018211A (zh) 一种运输调度线路设定方法和装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20230704