CN105976030A - 基于多智能体月台调度智能排序模型的构造 - Google Patents

Abstract

本发明公开一种基于多智能体月台调度智能排序模型的构造；钢材的物流配送属于运输中的重型运输，需要专用的装卸设备和大型的运输车辆，配送装车过程中，车辆的装车效率和顺序(即月台调度)直接关系到配送时效，但月台调度是个多约束条件的组合优化复杂系统，合理排序取得最优化至关重要。本发明引入多智能体技术对实时的车辆调度决策进行研究，构造基于月台的调度排序系统和多智能体算法设计作为多约束条件的组合优化复杂系统，实现多智能体技术对实时的车辆调度决策进行研究提供了新的解决方法，以提高货运作业效率，解决了获取最优解的问题，辅以车辆识别技术对配送车辆全程监控，实现车辆调度的高效和装卸过程的精准，达到钢材精准配送目标。

Description

基于多智能体月台调度智能排序模型的构造

技术领域

本发明涉及一种多智能体月台调度系统模型的构造，具体地是一种按照供应链和Agent来构造的模型。

背景技术

本发明提出之前，在供应链中，货物的运送涉及到的因素诸多，各种因素下的水平指标也会存在不一致，例如：

1)送货时间

由于客户订单数量和周期不同，当DPS系统收到订单，将自动比对现有库存和货物数据，同时标识出材料的断点时间，提示业务员给予关注，根据备货系数的调整，智能进行原料分配及生产计划安排。并前期确定最优的送货时间。

2)车辆数量

参与运输操作的车辆数同样影响着整个月台的运作效率，不同的车辆参与装卸需要提供不同的调度优化策略。多辆运输车可以在其他条件允许的情况下同时在不同的仓库门进行装卸，也可能在更节省时间的前提下在同一仓库门前进行等待。

3)车辆类型

考虑到混装，就是一台车如果太大了，可能把两个客户东西凑在一起。车辆类型的不同意味着装运刚才的品种与重要不同，也一定程度影响着货物的装卸时间和物流成本，从调度、进库、装配的灵活性上游很大程度的提高，大型车辆载重量大，货物装卸耗时长，对月台的管理和车辆调度带来一定的影响。

4)紧急响应

系统在每一个运输指令的关键环节上都设置了预警功能，当实际执行确认指令未在计划时间内反馈至系统，预警信息会立即 显示在系统看板上，异常情况的处理主动性强，响应速度快。例如当客户的需求时间较为紧迫时，系统需要对相应的车辆装车时间进行提前处理。

5)设备故障率

在公司的长期运作中，设备不可避免的会出现故障，当参与装卸工作的行车出现故障时，会严重影响对应仓库的装卸任务，从而导致整个月台的调度做出调整，等待设备故障修复。

发明内容

本发明的目的在于，克服上述各种因素中存在的弊端，提供一种多智能体系统(Multi-Agent System，MAS)理论，构造基于月台的调度排序系统作为多约束条件的组合优化复杂系统，实现多智能体技术对实时的车辆调度决策进行研究提供了新的解决方法，以提高货运作业效率。

实现本发明的技术方案是，这种基于多智能体月台调度智能排序模型的构造，其特征在于：多智能体系统(Multi-Agent System，MAS)是由一个在一个环境中交互的多个智能体组成的计算系统；多智能体系统也能被用在解决分离的智能体以及单层系统中难以解决的问题；智能体通过一些方法，函数，过程，搜索算法来实现，其中各智能体的通信是通过彼此协调搁置行为实现相互之间的通信，是以通信技术为基础；

本发明包括基于月台调度的排序系统和多智能体算法设计两个部分：其中，所述的基于月台调度的排序系统还包括配送模式、Agent建模、车辆调度；

所述配送模式是基于月台调度的物流配送模式，配送中心从上游获取货源，经过收货、存储、组装和调度车辆等流程，最后将货物送到客户；任何情况的物流配送车辆调度问题都可以按照数学建模的方法，表达成有目标函数和约束条件两部分构成的数学规划模型；本发明基于月台调度的车辆调度需求方案，其数学 模型可以表述为：min or max z＝f(x)根据实际项目的需求，可以分析得出约束条件：送货时间相关的约束、运输车辆相关的约束、标准工时相关的约束、紧急响应相关的约束、人力资源相关的约束、装卸设备相关的约束；

所述Agent建模指的是：基于MAS处理多约束条件目标优化问题的明显优势，本发明将MAS应用到月台调度系统中，不同层次的主体(影响因素)可以通过不同层次的Agent来进行描述和表达；不同层次的Agent相互联系、相互作用共同组成了一个实际的调度系统；

所述车辆调度是针对月台调度智能排序的目标而设计的最为关键的模块，相应的影响因素主要涉及仓库和车辆两个方面，在多仓库的环境中，将待运车辆调度到合适的仓库门来提高整个厂区的装卸效率涉及较多的影响因素，如该仓库的繁忙程度、仓库的货物储备量等；综合各方面的因素，结合厂区内的各个仓库门，车辆与相应的仓库智能匹配；对于一个仓库的不同库门，存储不同的产品，正常情况下，每个库门对应一种产品(窄带、板等)，由于不同车辆需要混装的实际情况，可能存在该仓库门存放着少量的本不属于该库门的产品，当客户订单完成后，安排车辆根据客户订单到对应的仓库库门去取相应的产品；根据各个仓库门的繁忙程度或是装卸水平因素的影响，车辆可能不同的运输路径到达对应的仓库门以最短的时间完成装车工作，方便后面车辆的运作，提高系统整体的运行效率；

本发明基于多智能体的月台调度排序数学模型的构造如下：

$\begin{array}{c}{\mathrm{minZ}}_1=\underset{i=1}{\overset{G}{\Σ}}\underset{j=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{c}_{ij}{X}_{ijk}+\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{P}_i{Y}_{ik}+f_1\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{Y}_{ik}\max (a_i-t_i,0)+\\ f_2\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{Y}_{ik}\max (t_i-b_i,0)\end{array}\mathrm{...}\left(3.1\right)$

$\begin{array}{c}s.t.\\ E_i\≤t_i\≤L_i\end{array}\mathrm{...}\left(3.2\right)$

$\underset{i=0}{\overset{G}{\Σ}}{n}_i{Y}_{ik}\≤q,k\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.3\right)$

$\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}\≤G,k\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.4\right)$

$\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}^{*}+\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}=G,K\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.5\right)$

上述模型中涉及的参数作如下说明：

G:仓库门的集合

V:参与配送车辆的集合

t_i:车辆到达仓库i的用时

L_i:仓库i最晚服务的时间(厂区24小时工作，可忽略)

E_i:仓库i最早服务的时间(厂区24小时工作，可忽略)

a_i:仓库最早可提供装车服务的时间(车辆到达仓库时需等待的最短时间)

b_i:仓库最晚可提供装车服务的时间(车辆到达仓库时需等待的最长时间)

f₁：车辆到达仓库早于仓库提供服务时间的惩罚系数

f₂:车辆到达仓库晚于仓库提供服务时间的惩罚系数

c_ij:车辆经过仓库i和j之间的耗时(范围为5-10min)

P_i:仓库门i装完一辆车所需产品的耗时

q:车辆的容量

n_i:仓库门i提供给车的货物容量

本发明基于多智能体的月台调度排序模型的算法采用两种应用广发的启发式算法，遗传算法与禁忌搜索算法相结合的混合算法实现，遗传算法(GA)是根据达尔文的自然选择和遗传理论，将生物进化过程中适者生存规则与同一群染色体的随进信息交换相结合的智能算法；遗传算法的性能在很大程度上依赖于交叉和变异的操作，这取决于在解集中如何抽取样本解；禁忌搜索算法(TA)最重要的思想是标记对应已搜索的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象，而不是绝对禁止循环，从而保证对不同的有效搜索途径的探索；

混合后算法的主要策略就是：首先通过遗传算法进行全局搜索，采用自然数对所有仓库和可调配车辆进行编码，将各仓库的供货能力同车辆的运载能力进行全局的路径优化；然后运用禁忌搜索对种群中的个体以一定的概率进行局部搜索，也就是针对同一辆车对所有仓库进行局部运输路径优化；本发明首先设置初始种群，然后模拟生物进化，在初始种群之间产生选择、变异、交叉作为新一代种群，对新一代种群做仅仅搜索优化，留下好的个体，经过多代的遗传，最后形成适应度最好的个体；

本发明所采用的混合算法求解过程如下：

(1)仓库门直接排列自然数编码

首先可以设计多个1-G不同的不糊重复的自然数排列，该自然数排列就构成一个个体。按照约束条件可以依次将仓库门插入到行驶路线中，例如调用两辆车到达4的仓库点，假设车的行驶路径为1234，即依次遍历标号为1,2,3,4的仓库点，首先将第一个仓库点插入到行驶路线中，如果满足上述所有约束条件，插入第二个仓库点，若满足继续进行，当超出车辆的运载量时，调用第二辆车。

(2)设置初始种群

随机的生成1-G这G个互不重复的自然数排列，即生成一个个体。假设初始种群的数目为N，则产生N个这样不同的个体。

(3)适应度评价标准确定

因为优化目标是求最小值，而遗传算法的适应度表示适应能力最强的个体，故可用目标函数的倒数表示适应度。

f＝1/Z₁

(4)复制操作

本设计通过保留最佳个体和赌盘策略来完成对种群个体优胜劣汰的操作。

(5)交叉操作

通过一定的概率交换两个父代个体的部分片段来完成交叉操作，常见的交叉算子有部分交叉算子、顺序交叉算子、循环交叉算子和类OX算子等。

本设计采用顺序交叉算子，例如一辆车完成根据装运工作需要经过1、2、3、4、5、6、7这七个仓库门装载相应的产品，现有两种不同的车辆行驶路线：R₁＝1234567，R₂＝3425167，R₁表示车辆依次经过1号门、2号门、...、7号门，R₂表示车辆依次经过3号门、4号门、...、7号门，从中选择一个匹配段，

根据匹配段的映射关系，在匹配段区域外对应的位置标注为A，即：

再移动匹配段到起始位置，并在后面预留和匹配段空间相同的位置，标注为A,即：

最后将两个序列的匹配段相互交换，得到两个新的后代，即：

(6)变异操作

变异操作体现了自然界基因突变的思想，常见的变异算子有逆转变异、交换变异和插入变异。

本设计采用逆转变异，随机选择一个序列中的两个点进行位置互换，将两点内字符反序插入到原序列中。例如对于一辆车的行驶路线为R₁＝1234567，将第二个位置和第五个位置进行逆转变异，得到的序列为R₁ ^*＝1543267。

(7)利用禁忌搜索法对当前解进行改进

禁忌算法采用

对当前解进行评价

其中T(i)表示车辆到达仓库点需要的时间，E(i)表示车辆在仓库点装卸货物和等待的时间，W(i)表示车辆的车载量，p代表惩罚系数。

禁忌搜索算法的执行步骤如下：

步骤一：选定初始解(有遗传算法得到)x^now，令禁忌表

步骤二：若满足终止准则，转步骤四；否则，在x^now的领域N(x^now)中选出满足禁忌要求的候选集can_N(x^now)，执行步骤三。

步骤三：在can_N(x^now)选出一组评价值最优解x^best，令x^now＝x^best，更新禁忌表，转步骤二。

步骤四：输出运算结果。

(8)终止准则

因为影响车辆调度系统稳定性的动态因素较多，对决策系统的时效性要高，本设计拟采用指定代数步数终止的终止准则；

本发明基于多智能体的月台调度排序模型的算法设计如下：

输入参数：

种群规模N，表示不同的初始车辆的运行路线

进化代数T，表示种群要繁衍的代数

交叉概率P_c

变异概率P_m

惩罚系数p

输出结果：

车辆调度路线和优化目标值

算法主体：

根据车辆仓库匹配矩阵产生多个不同的初始种群P(0),

当前代数为t＝0；

计算初始种群的适应度

具体地，所述Agent建模包括：客户Agent、仓库Agent、车辆Agent、路网Agent、劳动力Agent、订单处理Agent、紧急响应Agent、车辆调度Agent、装卸调度Agent及总调度Agent，其中：

1)客户Agent包含客户名称、客户代码、发货计划、要求送 达时间、所需捆包的类型和数量等信息；

2)仓库Agent包含捆包类型、捆包号、备货系数等信息；

3)车辆Agent同司机绑定，包含车辆位置状态(车辆等待、正在装车、装完车辆)、车辆装载量、车牌、司机、车批等信息；

4)路网Agent包含不同的仓库点的库门、库位以及它们之间切换耗时信息；

5)劳动力Agent包含单包装车标准工时、装卸工人信息(总人数、已分配人数、待分配人数)等信息；

6)订单处理Agent会根据仓库的货物存储现状和客户的订单要求初步评估现有的货物量能否满足客户的需求，并将最终的评估报告反映给最上层的总调度Agent，总调度Agent根据评估报告决定采取生成装运计划单(计划单号作为订单ID)还是安排相关货物货物的生产计划；

7)紧急响应Agent属于单方向依赖的智能体，用来处理系统中的紧急情况；作用于系统的每一个运输指令的关键环节上，当实际执行确认指令未在计划时间内反馈至总调度Agent，预警信息会立即显示在系统看板上，异常情况的处理主动性强；

总调度根据生成的装运计划，计算装运装运线和运输里程(用在根据理论在途时间计算出厂时间上)；将装运计划提供给车辆调度Agent，车辆调度Agent完成车辆调度；最后根据车辆调度Agent的计算结果倒退车辆进场时间；

8)车辆调度Agent是整个调度系统的关键，当客户订单生成并且系统没有发生意外情况下，总调度Agent提取装载调度Agent的人力资源信息，将其同订单一并下发给车辆调度Agent，车辆调度Agent根据订单和车辆等资源，对装车顺序合理调度，是系统整体效率达到最高；

9)装卸调度Agent负责劳动力的调动，合理的安排工人工作时间和地点，让工人在正确的时间出现在正确的仓库门口装卸货 物，计算装车用时，就计算结果返给上级Agent，让车辆在仓库停留时间最少；

总调度Agent是整个系统的大脑，负责整个系统的同步和管理，协调各个Agent，使它们之间协作，保证整个系统有序的运行。

具体地，所述车辆调度模块中，D表示仓库，表示不同影响因素的权重，Δ_ij表示第i个仓库对第j个影响因素的评价情况，仓库装卸能力表示当前仓库的装车水平，在实时状态下装载单位产品的用时；车辆到仓库耗时表示空载车辆(没有装载货物)从场内发车点到对应仓库门的用时；仓库货物储量表示当前仓库门能够提供的对应货物的最大量，决定着是否满足车辆的需求；车辆实载率表示当前车辆的装载状态，剩余可供产品装车的空间还有多少，影响着车辆选择合适的仓库门。权重表示各个因素对车辆调度的重要程度。

车辆初始停靠位置的最佳匹配算法(以仓库门D₀₁为例)：

步骤一：标准化匹配矩阵的指标，将不同的单位换算成可用来比较的同一量；

Δ₁₀₁＝P_操作人数*0.6+P_{行车距库门位置}*0.2+P_等待时间*0.2

Δ₂₀₁＝P_{到达仓库门时间}

Δ₃₀₁＝P_{相应产品量}*0.9+P_其他产品*0.1

Δ₄₀₁＝P_车辆实载/P_车辆荷载

对Δ₁₀₁、Δ₂₀₁、Δ₃₀₁、Δ₄₀₁、Δ₅₀₁、Δ₆₀₁进行单位归一化

步骤二：归一化处理各影响因素的权重；

衡量的值，并使其满足：

${\∂}_1+{\∂}_2+{\∂}_3+{\∂}_4+{\∂}_5+{\∂}_6=1$

步骤三：计算仓库停靠的综合评价值；

综合评价值的计算公式为：

$S_{01}={\mathrm{\Δ}}_{101}*{\∂}_1+{\mathrm{\Δ}}_{201}*{\∂}_2+{\mathrm{\Δ}}_{301}*{\∂}_3+{\mathrm{\Δ}}_{401}*{\∂}_4+{\mathrm{\Δ}}_{501}*{\∂}_5+{\mathrm{\Δ}}_{601}*{\∂}_6$

步骤四：当有一个或多个车辆同时参与运输时，综合考虑评价值最高的仓库作为配送车辆停靠的初始最佳仓库。

具体地，所述基于多智能体的月台调度排序数学模型中式(3.1)作为整个模型的优化目标，表示车辆经过排序最后完成任务的时间最短，约束条件(3.2)表示车辆到达仓库的时间不能早于仓库开始提供服务的时间，不能晚于仓库关闭服务的时间，对于厂区24小时工作，可忽略此条件；式(3.3)表示车辆最终的运载量不能超过车辆本身的运载能力；式(3.4)、(3.5)表示一个车辆一次且最多只能一次经过同一个仓库且经过仓库的总数不能超过仓库的总数。

本发明的优点在于：整个方案的设计采用了多种理论和算法，并根据事件的应用需求对原有的算法做出了改进，综合体现了三个方面的优势。

1.多智能体理论的优势。

采用多智能体理论搭建排序系统，可以充分发挥多智能体理论的优势。

自治性：各个Agent可以独立的完成数据本Agent任务的工作，需要其他Agent的数据时，可以通过与其他Agent建立通信获取。

预动性：各个Agent可以根据整个系统的资源调度，适时地预测本Agent所负责的资源状态，及时的更新资源，避免不必要的耗时。

可扩展性：随着生产方式和需求的变化，系统需要根据实际需要作出调整，多智能可以在原先结构的基础上很容易扩展新的Agent，不需要做大的改动。

社会性：多智能体根据实际问题可以很好的对问题进行划分， 将耦合性低的模块分给不同的Agent去处理，清晰了工作流程，提高了工作效率，提升了系统性能。

2.混合算法的优势

处理车辆调度问题的传统方式是采用精确算法进行求解，包括分支定界算法、动态规划法等，这些算法都收限于问题的规模和约束条件的不变性。在处理大规模多变约束条件下的问题是通常采用启发式算法，常见的启发式算法有遗传算法、禁忌搜索算法、蚁群算法等，但是单个算法存在固有的缺陷。

遗传算法虽然有很好的灵活性和鲁棒性，适合大规模问题的求解，但其存在过早地收敛和局部搜索能力差的缺陷。而在遗传算法的基础上添加禁忌搜索算法的混合算法可以解除禁忌搜索算法局部优化的优点很好的弥补了这一缺陷。整个混合算法的思想就是通过遗传算法构造禁忌搜索算法的初始解，作为禁忌搜索模块的邻域，通过禁忌搜索算法进一步优化个体，提升整个种群的质量，使更优的个体在最少的迭代步数内出现。

3.应用实际的突破

以往的基于启发式算法的车辆调度都应用在物流公司对客户需求的配送中，考虑的都是从物流中心出发到客户手中的车辆调度，且考虑限制条件相对单一和存在很大的理论性。本设计从厂区的实际需求出发，突破以往的场外物流条件，综合考虑厂区中实际存在的约束条件，采用启发式算法完成厂区内部车辆来往于不同仓库的调度问题，从原先的从集中到分散的一对多配送模式转变为当前的从仓库到这车辆的多对一物流模式，依据实际对原有算法进行大胆的创新，以解决实际物流问题。

本设计基于实际项目背景，利用MAS多智能体模型搭建了基于月台的车辆调度系统模型，并在充分分析需求的基础上，设计了以车辆运作时间最短为目标的车辆调度数学模型，其中运用到了在物流调度问题上广泛采用的启发式算法：遗传算法和禁忌搜 索算法，在提取两者优势的基础上设计了基于两者的混合遗传算法，使车辆调度达到最优。

附图说明

图1是基于月台调度的物流配送模式模型示意图；

图2是基于MAS的智能调度排序模型示意图；

图3是车辆调度排序模型示意图；

图4是车辆调度匹配算法的流程图；

图5是仓库模型分析平面图；

图6混合算法模型示意图；

图7混合算法算法流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明提供一种多智能体系统Multi-Agent System，MAS理论，构造基于月台的调度排序系统作为多约束条件的组合优化复杂系统，实现多智能体技术对实时的车辆调度决策进行研究提供了新的解决方法，以提高货运作业效率。

多智能体(Multi-Agent System，MAS)作为分布式人工智能研究的前沿领域和支持智能决策的重要方法之一，因其具备的特点而被公认为是研究各类复杂系统的重要理论模型。基于月台的调度排序系统作为多约束条件的组合优化复杂系统，引入多智能体技术对实时的车辆调度决策进行研究提供了新的解决方法，具备很好的理论意义和实用价值。

多智能体系统(Multi-Agent System,MAS)是由一个在一个环境中交互的多个智能体组成的计算系统。多智能体系统也能被用在解决分离的智能体以及单层系统难以解决的问题。智能体可以由一些方法，函数，过程，搜索算法或加强学习来实现。Agent具有自治性、反应性、预动性、社会性的特点。MAS本身具有协作性、并行性、健壮性、易扩展性以及分布求解等特点，使得它在处理动态复杂系统方面具有天然的优越性。MAS是几个半自治或自治的Agent按照一定的协议和某种语言，能与其他Agent通信来完成一个复杂问题求解的一个系统。具有协作性、并行性、 健壮性、易扩展性、分布性等特征。MAS系统中各智能体的通信是通过彼此协调搁置行为实现相互之间的通信，是以通信技术为基础。自主性、动态性、分布性和协调性等特点是人工智能研究领域的MAS具备的优势，MAS之间的协作也经常用于优化资源配置和分布式问题合作求解。

本发明包括基于月台调度的排序系统和多智能体算法设计两个部分：其中，所述的基于月台调度的排序系统还包括配送模式、Agent建模、车辆调度；

A、配送模式：基于月台调度的物流配送模式大致如图1所示，配送中心从上游获取货源，经过收货、存储、组装和调度车辆等流程，最后将货物送到客户，基于月台的车辆调度主要负责厂区内的车辆进车装货并出厂的过程。

任何情况的物流配送车辆调度问题都可以按照数学建模的方法，表达成有目标函数和约束条件两部分构成的数学规划模型。根据基于月台调度的车辆调度需求方案，其数学模型可以表述为：

min or max z＝f(x)

根据实际项目的需求，可以分析得出约束条件：送货时间相关的约束、运输车辆相关的约束、标准工时相关的约束、紧急响应相关的约束、人力资源相关的约束、装卸设备相关的约束等。

B、Agent建模：基于MAS处理多约束条件目标优化问题的明显优势，本设计将MAS应用到月台调度系统中，不同层次的主体(影响因素)可以通过不同层次的Agent来进行描述和表达。不同层次的Agent相互联系、相互作用共同组成了一个实际的调度系统。

按照供应链和Agent建模的思想，整个基于MAS的月台智能系统模型如图2所示。

1、客户Agent包含客户名称、客户代码、发货计划、要求送达时间、所需捆包的类型和数量等信息。

2、仓库Agent包含捆包类型、捆包号、备货系数等信息。

3、车辆Agent同司机绑定，包含车辆位置状态(车辆等待、正在装车、装完车辆)、车辆装载量、车牌、司机、车批等信息。

4、路网Agent包含不同的仓库点的库门、库位以及它们之间切换耗时信息。

5、劳动力Agent包含单包装车标准工时、装卸工人信息(总人数、已分配人数、待分配人数)等信息。

订单处理Agent会根据仓库的货物存储现状和客户的订单要求初步评估现有的货物量能否满足客户的需求，并将最终的评估报告反映给最上层的总调度Agent，总调度Agent根据评估报告决定采取生成装运计划单(计划单号作为订单ID)还是安排相关货物货物的生产计划。

紧急响应Agent属于单方向依赖的智能体，用来处理系统中的紧急情况。作用于系统的每一个运输指令的关键环节上，当实际执行确认指令未在计划时间内反馈至总调度Agent，预警信息会立即显示在系统看板上，异常情况的处理主动性强。

总调度根据生成的装运计划，计算装运装运线和运输里程(用在根据理论在途时间计算出厂时间上)。将装运计划提供给车辆调度Agent，车辆调度Agent完成车辆调度。最后根据车辆调度Agent的计算结果倒退车辆进场时间。

车辆调度Agent是整个调度系统的关键，当客户订单生成并且系统没有发生意外情况下，总调度Agent提取装载调度Agent的人力资源信息，将其同订单一并下发给车辆调度Agent，车辆调度Agent根据订单和车辆等资源，对装车顺序合理调度，是系统整体效率达到最高。

装卸调度Agent负责劳动力的调动，合理的安排工人工作时间和地点，让工人在正确的时间出现在正确的仓库门口装卸货物，计算装车用时，就计算结果返给上级Agent，让车辆在仓库停留时间最少。

装车计划耗时为标准工时＝捆包个数*标准工时

总调度Agent是整个系统的大脑，负责整个系统的同步和管理，协调各个Agent，使它们之间协作，保证整个系统有序的运行。

C、车辆调度：针对月台调度智能排序的目标，整个系统中最为关键的模块是车辆调度Agent模块，相应的影响因素主要涉及仓库和车辆两个方面，相关的影响因素关系图如图3所示。

在多仓库的环境中，将代运车辆调度到合适的仓库门来提高整个厂区的装卸效率涉及较多的影响因素，如该仓库的繁忙程度、仓库的货物储备量等。综合各方面的因素，结合厂区内的13个仓库门，车辆与相应的仓库匹配矩阵如表1所示。

表1 车辆与仓库的匹配矩阵

表1中D表示仓库，表示不同影响因素的权重，Δ_ij表示第i个仓库对第j个影响因素的评价情况，仓库装卸能力表示当前仓库的装车水平，在实时状态下装载单位产品的用时；车辆到仓库耗时表示空载车辆(没有装载货物)从场内发车点到对应仓库门的用时；仓库货物储量表示当前仓库门能够提供的对应货物的最大量，决定着是否满足车辆的需求；车辆实载率表示当前车辆的装载状态，剩余可供产品装车的空间还有多少，影响着车辆选择合适的仓库门。权重表示各个因素对车辆调度的重要程度。

车辆初始停靠位置的最佳匹配算法(以仓库门D₀₁为例)：

步骤一：标准化匹配矩阵的指标，将不同的单位换算成可用来比 较的同一量；

Δ₁₀₁＝P_操作人数*0.6+P_{行车距库门位置}*0.2+P_等待时间*0.2

Δ₂₀₁＝P_{到达仓库门时间}

Δ₃₀₁＝P_{相应产品量}*0.9+P_其他产品*0.1

Δ₄₀₁＝P_车辆实载/P_车辆荷载

对Δ₁₀₁、Δ₂₀₁、Δ₃₀₁、Δ₄₀₁、Δ₅₀₁、Δ₆₀₁进行单位归一化

步骤二：归一化处理各影响因素的权重；

衡量的值，并使其满足：

${\∂}_1+{\∂}_2+{\∂}_3+{\∂}_4+{\∂}_5+{\∂}_6=1$

步骤三：计算仓库停靠的综合评价值；

综合评价值的计算公式为：

$S_{01}={\mathrm{\Δ}}_{101}*{\∂}_1+{\mathrm{\Δ}}_{201}*{\∂}_2+{\mathrm{\Δ}}_{301}*{\∂}_3+{\mathrm{\Δ}}_{401}*{\∂}_4+{\mathrm{\Δ}}_{501}*{\∂}_5+{\mathrm{\Δ}}_{601}*{\∂}_6$

步骤四：当有一个或多个车辆同时参与运输时，综合考虑评价值最高的仓库作为配送车辆停靠的初始最佳仓库。匹配算法的流程图如图4所示。

由于存在一个仓库货物短缺或是其他原因而存在一个仓库不能满足配送车辆运输需求的情况，车辆需要到其他仓库门提取需要装载的货物，在到达其他仓库提取相应的货物时，由于装卸水平的限制，出现多个车辆的时候需要后面的车辆等待前面车辆离开后才能装载，浪费了时间，降低了运输效率。

厂区仓库模型：以仓库1为例(其他两个库房同仓库1)，对仓库模型进行分析，仓库1的平面图如图5所示。

仓库1对应六个库门，其中1号门和7号门共用装卸设备，2号门和6号门共用装卸设备，3号门和5号门共用装卸设备，对于一个仓库的不同库门，存储不同的产品，正常情况下，每个库门对应一种产品(窄带、板等)，由于不同车辆需要混装的实际情况，可能存在 该仓库门存放着少量的本不属于该库门的产品，当客户订单完成后，安排车辆根据客户订单到对应的仓库库门去取相应的产品。根据各个仓库门的繁忙程度或是装卸水平因素的影响，车辆可能不同的运输路径到达对应的仓库门以最短的时间完成装车工作，方便后面车辆的运作，提高系统整体的运行效率。

根据用时最优的目标设计调度模型，模型中涉及的参数作如下说明：

G:仓库门的集合

V:参与配送车辆的集合

t_i:车辆到达仓库i的用时

L_i:仓库i最晚服务的时间(厂区24小时工作，可忽略)

E_i:仓库i最早服务的时间(厂区24小时工作，可忽略)

a_i:仓库最早可提供装车服务的时间(车辆到达仓库时需等待的最短时间)

b_i:仓库最晚可提供装车服务的时间(车辆到达仓库时需等待的最长时间)

f₁：车辆到达仓库早于仓库提供服务时间的惩罚系数

f₂:车辆到达仓库晚于仓库提供服务时间的惩罚系数

c_ij:车辆经过仓库i和j之间的耗时(范围为5-10min)

P_i:仓库门i装完一辆车所需产品的耗时

q:车辆的容量

n_i:仓库门i提供给车的货物容量

数学模型：

$\begin{array}{c}{\mathrm{minZ}}_1=\underset{i=1}{\overset{G}{\Σ}}\underset{j=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{c}_{ij}{X}_{ijk}+\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{P}_i{Y}_{ik}+f_1\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{Y}_{ik}\max (a_i-t_i,0)+\\ f_2\underset{i=0}{\overset{G}{\Σ}}\underset{k=1}{\overset{V}{\Σ}}{Y}_{ik}\max (t_i-b_i,0)\end{array}\mathrm{...}\left(3.1\right)$

$\begin{array}{c}s.t.\\ E_i\≤t_i\≤L_i\end{array}\mathrm{...}\left(3.2\right)$

$\underset{i=0}{\overset{G}{\Σ}}{n}_i{Y}_{ik}\≤q,k\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.3\right)$

$\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}\≤G,k\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.4\right)$

$\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}^{*}+\underset{i=0}{\overset{G}{\Σ}}{Y}_{ik}=G,K\∈\{1,2,\mathrm{...}V\}\mathrm{...}\left(3.5\right)$

式(3.1)作为整个模型的优化目标，表示车辆经过排序最后完成任务的时间最短，约束条件(3.2)表示车辆到达仓库的时间不能早于仓库开始提供服务的时间，不能晚于仓库关闭服务的时间，对于厂区24小时工作，可忽略此条件；式(3.3)表示车辆最终的运载量不能超过车辆本身的运载能力；式(3.4)、(3.5)表示一个车辆一次且最多只能一次经过同一个仓库且经过仓库的总数不能超过仓库的总数。

本发明基于多智能体月台调度排序模型的构造算法设计：

混合算法：

在车辆调度相关问题的求解中，普遍采取的是启发式算法，本设计采用两种应用广发的启发式算法，遗传算法与禁忌搜索算法相结合的混合算法实现，混合后的算法既具有遗传算法的全局性优点，有具有禁忌搜索算法的爬山能力，可以较大程度的避免早熟，提高性能。

遗传算法(GA)是根据达尔文的自然选择和遗传理论，将生物进 化过程中适者生存规则与同一群染色体的随进信息交换相结合的智能算法。

遗传算法的性能在很大程度上依赖于交叉和变异的操作，这取决于在解集中如何抽取样本解。

禁忌搜索算法(TA)最重要的思想是标记对应已搜索的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象(而不是绝对禁止循环)，从而保证对不同的有效搜索途径的探索。

混合后算法的主要策略就是：首先通过遗传算法进行全局搜索，采用自然数对所有仓库和可调配车辆进行编码，将各仓库的供货能力同车辆的运载能力进行全局的路径优化；然后运用禁忌搜索对种群中的个体以一定的概率进行局部搜索，也就是针对同一辆车对所有仓库进行局部运输路径优化。混合算法的设计策略如图6所示。

刚开始只有初始种群(十个蓝色六角星)，然后模拟生物进化，在初始种群之间产生选择(适应性强的个体保留，留下六个蓝色六角星)、变异(出现两个四角星)、交叉(出现一个红色六角星)作为新一代种群，对新一代种群做仅仅搜索优化，留下好的个体，经过多代的遗传，最后形成适应度最好的个体(一个红色六角星和一个蓝色五角星)。

混合算法求解：

(1)仓库门直接排列自然数编码

首先可以设计多个1-G不同的不糊重复的自然数排列，该自然数排列就构成一个个体。按照约束条件可以依次将仓库门插入到行驶路线中，例如调用两辆车到达4的仓库点，假设车的行驶路径为1234，即依次遍历标号为1,2,3,4的仓库点，首先将第一个仓库点插入到行驶路线中，如果满足上述所有约束条件，插入第二个仓库点，若满足继续进行，当超出车辆的运载量时，调用第二辆车。

(2)设置初始种群

随机的生成1-G这G个互不重复的自然数排列，即生成一个个体。假设初始种群的数目为N，则产生N个这样不同的个体。

(3)适应度评价标准确定

因为优化目标是求最小值，而遗传算法的适应度表示适应能力最强的个体， 故可用目标函数的倒数表示适应度。

f＝1/Z₁

(4)复制操作

本设计通过保留最佳个体和赌盘策略来完成对种群个体优胜劣汰的操作。

(5)交叉操作

通过一定的概率交换两个父代个体的部分片段来完成交叉操作，常见的交叉算子有部分交叉算子、顺序交叉算子、循环交叉算子和类OX算子等。

本设计采用顺序交叉算子，例如一辆车完成根据装运工作需要经过1、2、3、4、5、6、7这七个仓库门装载相应的产品，现有两种不同的车辆行驶路线：R₁＝1234567，R₂＝3425167，R₁表示车辆依次经过1号门、2号门、...、7号门，R₂表示车辆依次经过3号门、4号门、...、7号门，从中选择一个匹配段，

根据匹配段的映射关系，在匹配段区域外对应的位置标注为A，即：

再移动匹配段到起始位置，并在后面预留和匹配段空间相同的位置，标注为A,即：

最后将两个序列的匹配段相互交换，得到两个新的后代，即：

(6)变异操作

变异操作体现了自然界基因突变的思想，常见的变异算子有逆转变异、交换变异和插入变异。

本设计采用逆转变异，随机选择一个序列中的两个点进行位置互换，将两点内字符反序插入到原序列中。例如对于一辆车的行驶路线为R₁＝1234567，将第二个位置和第五个位置进行逆转变异，得到的序列为R₁ ^*＝1543267。

(7)利用禁忌搜索法对当前解进行改进

禁忌算法采用

对当前解进行评价

其中T(i)表示车辆到达仓库点需要的时间，E(i)表示车辆在仓库点装卸货 物和等待的时间，W(i)表示车辆的车载量，p代表惩罚系数。

禁忌搜索算法的执行步骤如下：

步骤一：选定初始解(有遗传算法得到)x^now，令禁忌表

步骤二：若满足终止准则，转步骤四；否则，在x^now的领域N(x^now)中选出满足禁忌要求的候选集can_N(x^now)，执行步骤三。

步骤三：在can_N(x^now)选出一组评价值最优解x^best，令x^now＝x^best，更新禁忌表，转步骤二。

步骤四：输出运算结果。

(8)终止准则

因为影响车辆调度系统稳定性的动态因素较多，对决策系统的时效性要高，本设计拟采用指定代数步数终止的终止准则。

算法流程：结合了遗传算法和紧急搜索算法的混合算法的流程图如图7所示。

算法设计：

输入参数：

种群规模N，表示不同的初始车辆的运行路线

进化代数T，表示种群要繁衍的代数

交叉概率P_c

变异概率P_m

惩罚系数p

输出结果：

车辆调度路线和优化目标值

算法主体：

根据车辆仓库匹配矩阵产生多个不同的初始种群P(0),当前代数为t＝0；

计算初始种群的适应度

发明创新点：

整个方案的设计采用了多种理论和算法，并根据事件的应用需求对原有的算法做出了改进，综合体现了三个方面的优势。

1、多智能体理论的优势。

采用多智能体理论搭建排序系统，可以充分发挥多智能体理论的优势。

自治性：各个Agent可以独立的完成数据本Agent任务的工作，需要其他Agent的数据时，可以通过与其他Agent建立通信获取。

预动性：各个Agent可以根据整个系统的资源调度，适时地预测本Agent所负责的资源状态，及时的更新资源，避免不必要的耗时。

可扩展性：随着生产方式和需求的变化，系统需要根据实际需要作出调整，多智能可以在原先结构的基础上很容易扩展新的Agent，不需要做大的改动。

社会性：多智能体根据实际问题可以很好的对问题进行划分，将耦合性低的模块分给不同的Agent去处理，清晰了工作流程，提高了工作效率，提升了系统性能。

2、混合算法的优势

处理车辆调度问题的传统方式是采用精确算法进行求解，包括分支定界算法、动态规划法等，这些算法都收限于问题的规模和约束条件的不变性。在处理大规模多变约束条件下的问题是通常采用启发式算法，常见的启发式算法有遗传算法、禁忌搜索算法、蚁群算法等，但是单个算法存在固有的缺陷。

遗传算法虽然有很好的灵活性和鲁棒性，适合大规模问题的求解，但其存在过早地收敛和局部搜索能力差的缺陷。而在遗传算法的基础上添加禁忌搜索算法的混合算法可以解除禁忌搜索算法局部优化的优点很好的弥补了这一缺陷。整个混合算法的思想就是通过遗传算法构造禁忌搜索算法的初始解，作为禁忌搜索模块的邻域，通过禁忌搜索算法进一步优化个体，提升整个种群的质量，使更优的个体在最少的迭代步数内出现。

3、应用实际的突破

以往的基于启发式算法的车辆调度都应用在物流公司对客户需求的配送中，考虑的都是从物流中心出发到客户手中的车辆调度，且考虑限制条件相对单一和存在很大的理论性。本设计从厂区的实际需求出发，突破以往的场外物流条件，综合考虑厂区中实际存在的约束条件，采用启发式算法完成厂区内部车辆来往于不同仓库的调度问题，从原先的从集中到分散的一对多配送模式转变为当前的从仓库到这车辆的多对一物流模式，依据实际对原有算法进行大胆的创新，以解决实际物流问题。

本发明基于实际项目背景，利用MAS多智能体模型搭建了基于月台的车辆调度系统模型，并在充分分析需求的基础上，设计了以车辆运作时间最短为目标的车辆调度数学模型，其中运用到了在物流调度问题上广泛采用的启发式算法：遗传算法和禁忌搜索算法，在提取两者优势的基础上设计了基于两者的混合遗传算法，使车辆调度达到最优。

Claims (4)

1.一种基于多智能体月台调度智能排序模型的构造，其特征在于：多智能体系统(Multi-Agent System，MAS)是由一个在一个环境中交互的多个智能体组成的计算系统；多智能体系统也能被用在解决分离的智能体以及单层系统中难以解决的问题；智能体通过一些方法，函数，过程，搜索算法来实现，其中各智能体的通信是通过彼此协调搁置行为实现相互之间的通信，是以通信技术为基础；

本发明包括基于月台调度的排序系统和多智能体算法设计两个部分：其中，所述的基于月台调度的排序系统还包括配送模式、Agent建模、车辆调度；

所述配送模式是基于月台调度的物流配送模式，配送中心从上游获取货源，经过收货、存储、组装和调度车辆等流程，最后将货物送到客户；任何情况的物流配送车辆调度问题都可以按照数学建模的方法，表达成有目标函数和约束条件两部分构成的数学规划模型；本发明基于月台调度的车辆调度需求方案，其数学模型可以表述为：min or max z＝f(x)根据实际项目的需求，可以分析得出约束条件：送货时间相关的约束、运输车辆相关的约束、标准工时相关的约束、紧急响应相关的约束、人力资源相关的约束、装卸设备相关的约束；

所述Agent建模指的是：基于MAS处理多约束条件目标优化问题的明显优势，本发明将MAS应用到月台调度系统中，不同层次的主体(影响因素)可以通过不同层次的Agent来进行描述和表达；不同层次的Agent相互联系、相互作用共同组成了一个实际的调度系统；

所述车辆调度是针对月台调度智能排序的目标而设计的最为关键的模块，相应的影响因素主要涉及仓库和车辆两个方面， 在多仓库的环境中，将待运车辆调度到合适的仓库门来提高整个厂区的装卸效率涉及较多的影响因素，如该仓库的繁忙程度、仓库的货物储备量等；综合各方面的因素，结合厂区内的各个仓库门，车辆与相应的仓库智能匹配；对于一个仓库的不同库门，存储不同的产品，正常情况下，每个库门对应一种产品(窄带、板等)，由于不同车辆需要混装的实际情况，可能存在该仓库门存放着少量的本不属于该库门的产品，当客户订单完成后，安排车辆根据客户订单到对应的仓库库门去取相应的产品；根据各个仓库门的繁忙程度或是装卸水平因素的影响，车辆可能不同的运输路径到达对应的仓库门以最短的时间完成装车工作，方便后面车辆的运作，提高系统整体的运行效率；

本发明基于多智能体的月台调度排序数学模型的构造如下：

上述模型中涉及的参数作如下说明：

G:仓库门的集合

V:参与配送车辆的集合

t_i:车辆到达仓库i的用时

L_i:仓库i最晚服务的时间(厂区24小时工作，可忽略)

E_i:仓库i最早服务的时间(厂区24小时工作，可忽略)

a_i:仓库最早可提供装车服务的时间(车辆到达仓库时需等待的最短时间)

b_i:仓库最晚可提供装车服务的时间(车辆到达仓库时需等待的最长时间)

f₁：车辆到达仓库早于仓库提供服务时间的惩罚系数

f₂:车辆到达仓库晚于仓库提供服务时间的惩罚系数

c_ij:车辆经过仓库i和j之间的耗时(范围为5-10min)

P_i:仓库门i装完一辆车所需产品的耗时

q:车辆的容量

n_i:仓库门i提供给车的货物容量

本发明基于多智能体的月台调度排序模型的算法采用两种应用广发的启发式算法，遗传算法与禁忌搜索算法相结合的混合算法实现，遗传算法(GA)是根据达尔文的自然选择和遗传理论，将生物进化过程中适者生存规则与同一群染色体的随进信息交换相结合的智能算法；遗传算法的性能在很大程度上依赖于交叉和变异的操作，这取决于在解集中如何抽取样本解；禁忌搜索 算法(TA)最重要的思想是标记对应已搜索的局部最优解的一些对象，并在进一步的迭代搜索中尽量避开这些对象，而不是绝对禁止循环，从而保证对不同的有效搜索途径的探索；

混合后算法的主要策略就是：首先通过遗传算法进行全局搜索，采用自然数对所有仓库和可调配车辆进行编码，将各仓库的供货能力同车辆的运载能力进行全局的路径优化；然后运用禁忌搜索对种群中的个体以一定的概率进行局部搜索，也就是针对同一辆车对所有仓库进行局部运输路径优化；本发明首先设置初始种群，然后模拟生物进化，在初始种群之间产生选择、变异、交叉作为新一代种群，对新一代种群做仅仅搜索优化，留下好的个体，经过多代的遗传，最后形成适应度最好的个体；

本发明所采用的混合算法求解过程如下：

(1)仓库门直接排列自然数编码

首先可以设计多个1-G不同的不糊重复的自然数排列，该自然数排列就构成一个个体。按照约束条件可以依次将仓库门插入到行驶路线中，例如调用两辆车到达4的仓库点，假设车的行驶路径为1234，即依次遍历标号为1,2,3,4的仓库点，首先将第一个仓库点插入到行驶路线中，如果满足上述所有约束条件，插入第二个仓库点，若满足继续进行，当超出车辆的运载量时，调用第二辆车。

(2)设置初始种群

随机的生成1-G这G个互不重复的自然数排列，即生成一个个体。假设初始种群的数目为N，则产生N个这样不同的个体。

(3)适应度评价标准确定

因为优化目标是求最小值，而遗传算法的适应度表示适应能力最强的个体，故可用目标函数的倒数表示适应度。

f＝1/Z₁

(4)复制操作

本设计通过保留最佳个体和赌盘策略来完成对种群个体优胜劣汰的操作。

(5)交叉操作

通过一定的概率交换两个父代个体的部分片段来完成交叉操作，常见的交叉算子有部分交叉算子、顺序交叉算子、循环交叉算子和类OX算子等。

本设计采用顺序交叉算子，例如一辆车完成根据装运工作需要经过1、2、3、4、5、6、7这七个仓库门装载相应的产品，现有两种不同的车辆行驶路线：R₁＝1234567，R₂＝3425167，R₁表示车辆依次经过1号门、2号门、...、7号门，R₂表示车辆依次经过3号门、4号门、...、7号门，从中选择一个匹配段，

根据匹配段的映射关系，在匹配段区域外对应的位置标注为A，即：

再移动匹配段到起始位置，并在后面预留和匹配段空间相同的位置，标注为A,即：

最后将两个序列的匹配段相互交换，得到两个新的后代，即：

(6)变异操作

变异操作体现了自然界基因突变的思想，常见的变异算子有逆转变异、交换变异和插入变异。

本设计采用逆转变异，随机选择一个序列中的两个点进行位置互换，将两点内字符反序插入到原序列中。例如对于一辆车的行驶路线为R₁＝1234567，将第二个位置和第五个位置进行逆转变异，得到的序列为R₁ ^*＝1543267。

(7)利用禁忌搜索法对当前解进行改进

禁忌算法采用

对当前解进行评价

其中T(i)表示车辆到达仓库点需要的时间，E(i)表示车辆在仓库点装卸货物和等待的时间，W(i)表示车辆的车载量，p代表惩罚系数。

禁忌搜索算法的执行步骤如下：

步骤一：选定初始解(有遗传算法得到)x^now，令禁忌表

步骤二：若满足终止准则，转步骤四；否则，在x^now的领域N(x^now)中选出满足禁忌要求的候选集can_N(x^now)，执行步骤三。

步骤三：在can_N(x^now)选出一组评价值最优解x^best，令x^now＝x^best，更新禁忌表，转步骤二。

步骤四：输出运算结果。

(8)终止准则

因为影响车辆调度系统稳定性的动态因素较多，对决策系统 的时效性要高，本设计拟采用指定代数步数终止的终止准则；

本发明基于多智能体的月台调度排序模型的算法设计如下：

输入参数：

种群规模N，表示不同的初始车辆的运行路线

进化代数T，表示种群要繁衍的代数

交叉概率P_c

变异概率P_m

惩罚系数p

输出结果：

车辆调度路线和优化目标值

算法主体：

根据车辆仓库匹配矩阵产生多个不同的初始种群P(0),当前代数为t＝0；

计算初始种群的适应度

While(t<T)

{

将当前代数适应度最高的个体进行复制操作，插入到新一代中P(t+1)；

根据适应度和赌盘选择策略，计算每个个体的选择概率P_i；

for(k＝0；k<＝N；k+＝2)

{

根据选择概率P_i从父代种群中选择两个父代个体；

r＝[0,1]之间的随机值

if(r<＝P_c)

对两个父代个体进行交叉操作，添加到新一代种群P(t+1)中；

else

{

r＝[0,1]之间的随机值

if(r<＝P_m)

对两个父代个体1进行变异操作，添加到新一代种群P(t+1)中；

else父代个体1直接复制，添加到新一代种群P(t+1)中；

r＝[0,1]之间的随机值

if(r<＝P_m)

对两个父代个体2进行变异操作，添加到新一代种群P(t+1)中；

else父代个体2直接复制，添加到新一代种群P(t+1)中；

禁忌搜索算法；

}

}

计算P(t+1)代种群适应度；

t＝t+1；

}

输出结果。

2.根据权利要求1所述的基于多智能体月台调度智能排序模型的构造，其特征在于：所述Agent建模包括：客户Agent、仓库Agent、车辆Agent、路网Agent、劳动力Agent、订单处理Agent、紧急响应Agent、车辆调度Agent、装卸调度Agent及总调度Agent，其中：

1)客户Agent包含客户名称、客户代码、发货计划、要求 送达时间、所需捆包的类型和数量等信息；

2)仓库Agent包含捆包类型、捆包号、备货系数等信息；

3)车辆Agent同司机绑定，包含车辆位置状态(车辆等待、正在装车、装完车辆)、车辆装载量、车牌、司机、车批等信息；

4)路网Agent包含不同的仓库点的库门、库位以及它们之间切换耗时信息；

5)劳动力Agent包含单包装车标准工时、装卸工人信息(总人数、已分配人数、待分配人数)等信息；

6)订单处理Agent会根据仓库的货物存储现状和客户的订单要求初步评估现有的货物量能否满足客户的需求，并将最终的评估报告反映给最上层的总调度Agent，总调度Agent根据评估报告决定采取生成装运计划单(计划单号作为订单ID)还是安排相关货物货物的生产计划；

7)紧急响应Agent属于单方向依赖的智能体，用来处理系统中的紧急情况；作用于系统的每一个运输指令的关键环节上，当实际执行确认指令未在计划时间内反馈至总调度Agent，预警信息会立即显示在系统看板上，异常情况的处理主动性强；

总调度根据生成的装运计划，计算装运装运线和运输里程(用在根据理论在途时间计算出厂时间上)；将装运计划提供给车辆调度Agent，车辆调度Agent完成车辆调度；最后根据车辆调度Agent的计算结果倒退车辆进场时间；

8)车辆调度Agent是整个调度系统的关键，当客户订单生成并且系统没有发生意外情况下，总调度Agent提取装载调度Agent的人力资源信息，将其同订单一并下发给车辆调度Agent，车辆调度Agent根据订单和车辆等资源，对装车顺序合理调度，是系统整体效率达到最高；

9)装卸调度Agent负责劳动力的调动，合理的安排工人工 作时间和地点，让工人在正确的时间出现在正确的仓库门口装卸货物，计算装车用时，就计算结果返给上级Agent，让车辆在仓库停留时间最少；

总调度Agent是整个系统的大脑，负责整个系统的同步和管理，协调各个Agent，使它们之间协作，保证整个系统有序的运行。

3.根据权利要求1所述的基于多智能体月台调度智能排序模型的构造，其特征在于：所述车辆调度模块中，D表示仓库，表示不同影响因素的权重，Δ_ij表示第i个仓库对第j个影响因素的评价情况，仓库装卸能力表示当前仓库的装车水平，在实时状态下装载单位产品的用时；车辆到仓库耗时表示空载车辆(没有装载货物)从场内发车点到对应仓库门的用时；仓库货物储量表示当前仓库门能够提供的对应货物的最大量，决定着是否满足车辆的需求；车辆实载率表示当前车辆的装载状态，剩余可供产品装车的空间还有多少，影响着车辆选择合适的仓库门。权重表示各个因素对车辆调度的重要程度。

车辆初始停靠位置的最佳匹配算法(以仓库门D₀₁为例)：

步骤一：标准化匹配矩阵的指标，将不同的单位换算成可用来比较的同一量；

Δ₁₀₁＝P_操作人数*0.6+P_{行车距库门位置}*0.2+P_等待时间*0.2

Δ₂₀₁＝P_{到达仓库门时间}

Δ₃₀₁＝P_{相应产品量}*0.9+P_其他产品*0.1

Δ₄₀₁＝P_车辆实载/P_车辆荷载

对Δ₁₀₁、Δ₂₀₁、Δ₃₀₁、Δ₄₀₁、Δ₅₀₁、Δ₆₀₁进行单位归一化

步骤二：归一化处理各影响因素的权重；

衡量的值，并使其满足：

步骤三：计算仓库停靠的综合评价值；

综合评价值的计算公式为：

步骤四：当有一个或多个车辆同时参与运输时，综合考虑评价值最高的仓库作为配送车辆停靠的初始最佳仓库。

4.根据权利要求1所述的基于多智能体月台调度智能排序模型的构造，其特征在于：所述基于多智能体的月台调度排序数学模型中式(3.1)作为整个模型的优化目标，表示车辆经过排序最后完成任务的时间最短，约束条件(3.2)表示车辆到达仓库的时间不能早于仓库开始提供服务的时间，不能晚于仓库关闭服务的时间，对于厂区24小时工作，可忽略此条件；式(3.3)表示车辆最终的运载量不能超过车辆本身的运载能力；式(3.4)、(3.5)表示一个车辆一次且最多只能一次经过同一个仓库且经过仓库的总数不能超过仓库的总数。