Nothing Special   »   [go: up one dir, main page]

CN112378415B - 一种工器具的调度规划方法、装置及设备 - Google Patents

一种工器具的调度规划方法、装置及设备 Download PDF

Info

Publication number
CN112378415B
CN112378415B CN202011357485.1A CN202011357485A CN112378415B CN 112378415 B CN112378415 B CN 112378415B CN 202011357485 A CN202011357485 A CN 202011357485A CN 112378415 B CN112378415 B CN 112378415B
Authority
CN
China
Prior art keywords
park
scheme
tool
fitness
target
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
Application number
CN202011357485.1A
Other languages
English (en)
Other versions
CN112378415A (zh
Inventor
郭强
沈亮
倪展
华靓
骆诺恩
俞啸玲
赵奇剑
许飞
卢盛
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.)
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power 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 Hangzhou Power Equipment Manufacturing Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Equipment Manufacturing Co Ltd
Priority to CN202011357485.1A priority Critical patent/CN112378415B/zh
Publication of CN112378415A publication Critical patent/CN112378415A/zh
Application granted granted Critical
Publication of CN112378415B publication Critical patent/CN112378415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种工器具的调度规划方法，本申请可以根据生成工器具的调度规划方案所需的初始化参数随机生成第一预设数量个行驶路径方案，然后结合各个行驶路径方案的目标函数的函数值，以各个行驶路径方案为基础确定出选定方案，由于本申请所用到的目标函数中考虑到了中心地点以及各个目标园区中每两地间的拥堵程度，因此能够更好地规避拥堵路线，从而使得按照最终的选定方案能够更加及时地将工器具进行转运，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力。本发明还公开了一种工器具的调度规划装置及设备，具有如上工器具的调度规划方法相同的有益效果。

Description

一种工器具的调度规划方法、装置及设备
技术领域
本申请涉及电力系统领域，特别是涉及一种工器具的调度规划方法，本发明还涉及一种工器具的调度规划装置及设备。
背景技术
在电力系统领域，很多情况下需要由中心地点向其他多个目标园区进行工器具派送或者从其他多个目标园区取回工器具，这其中不同的路径规划方案之间的区别可能体现在用户使用工器具的等待时间等方面，现有技术中没有一种成熟的工器具的调度规划方法，从而很有可能导致用户在需要使用工器具的时候等待时间过长，影响了用户体验且有可能降低电能生产力。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种工器具的调度规划方法，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力；本发明的另一目的是提供一种工器具的调度规划装置及设备，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力。
为解决上述技术问题，本发明提供了一种工器具的调度规划方法，包括：
获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
根据所述初始化参数随机生成第一预设数量个所述运输车辆的行驶路径方案；
基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案。
优选地，所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值具体为：
基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值。
优选地，所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值具体为：
Figure GDA0002951793300000021
Figure GDA0002951793300000022
Figure GDA0002951793300000023
Figure GDA0002951793300000024
Figure GDA0002951793300000025
Figure GDA0002951793300000026
Figure GDA0002951793300000027
Figure GDA0002951793300000028
其中，minF1为以等待时间最短为目标的目标函数，minF2为以车辆行驶总里程最短为目标的目标函数，I为订单总数，K为车辆总数，βij为用以表示园区qi到园区qj之间路段的所述拥堵程度，Lij表示园区qi到园区qj的距离，ξijk表示园区qi到园区qj由车辆ck进行配送，αi为用以表示工器具使用订单的时间紧急程度的调节系数，TWi表示园区qi的工器具使用等待时长，TRi为园区qi所需工器具的实际抵达时间，TFi为园区qi所需工器具的预期需求时间，Mi为园区qi的工器具的需求种类以及需求量，Q为每台车辆的货物承载量，ψik表示园区qi是否由车辆ck配送。
优选地，所述工器具使用订单具体为从当前时刻所有所述工器具使用订单中，按照紧急程度由高到低的顺序选取的第二预设数量个所述工器具使用订单；
则Y＝YS∪YN,
Figure GDA0002951793300000031
其中，YS为预约的所述工器具使用订单的集合，YN为实时更新的所述工器具使用订单的集合。
优选地，所述根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案具体为：
通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的所述目标函数的适应度计算公式；
根据所述适应度计算公式计算出各个所述目标函数的适应度；
根据各个所述目标函数及其对应的所述适应度，确定出选定方案。
优选地，所述通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的所述目标函数的适应度计算公式具体为：
Figure GDA0002951793300000032
Figure GDA0002951793300000033
Figure GDA0002951793300000034
Figure GDA0002951793300000035
Figure GDA0002951793300000036
go＝1-eo(o＝1,2)；
Figure GDA0002951793300000037
Figure GDA0002951793300000038
其中，fl o为原始的所述适应度函数，Fl o为所述适应度计算公式，Yl为待定方案l所有的子路径中不可行的个数(Yl>0)，λ为无穷大的数，m为所述第一预设数量，δl(o)为灰色关联系数，
Figure GDA0002951793300000041
为两级最小差，
Figure GDA0002951793300000042
为两级最大差，ρ为分辨系数，在[0,1]中取值，
Figure GDA0002951793300000043
为参考序列的第o个参数值，fl o为第l个与所述参考序列比较的比较序列中的第o个参数值，
Figure GDA0002951793300000044
为第o个参数的群体均值，so为第o个参数的群体标准差，
Figure GDA0002951793300000045
为标准化后的数据，Bl为各所述比较序列与所述参考序列的关联度，也即所述适应度计算公式。
优选地，所述根据各个所述目标函数及其对应的所述适应度，确定出选定方案具体为：
将各个所述行驶路径方案作为迭代基础方案；
根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合；
将初始值为零的迭代次数加一并存储所述待定方案集合；
判断所述迭代次数是否为所述第四预设数量的倍数；
若否，则将最后确定出的所述待定方案集合作为所述迭代基础方案并执行所述根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
若是，则通过禁忌搜索算法从存储的第四预设数量个所述待定方案集合中确定出选定方案。
优选地，所述通过禁忌搜索算法从存储的第四预设数量个所述待定方案集合中确定出选定方案之后，该工器具的调度规划方法还包括：
判断所述迭代次数是否大于预设阈值；
若大于所述预设阈值，则将适应度最高的所述选定方案作为最终路径规划方案；
若不大于所述预设阈值，则将最后确定出的所述待定方案集合作为所述迭代基础方案；
执行所述根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
则所述将初始值为零的迭代次数加一并存储所述待定方案集合具体为：
将初始值为零的迭代次数加一；
判断最新确定出的所述待定方案集合的方案适应度总和是否小于已存储的任一所述待定方案集合的方案适应度总和；
若不小于，则将已存储的所述方案适应度总和最小的所述待定方案集合替换为最新确定出的所述待定方案集合；
若小于，则执行所述判断所述迭代次数是否为所述第四预设数量的倍数的步骤；
其中，所述待定方案集合的最大存储量为所述第四预设数量。
为解决上述技术问题，本发明还提供了一种工器具的调度规划装置，包括：
获取模块，用于获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
生成模块，用于根据所述初始化参数随机生成第一预设数量个所述运输车辆的行驶路径方案；
计算模块，用于基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
确定模块，用于根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案。
为解决上述技术问题，本发明还提供了一种工器具的调度规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上所述工器具的调度规划方法的步骤。
本发明提供了一种工器具的调度规划方法，本申请可以根据生成路径规划方案所需的初始化参数随机生成第一预设数量个行驶路径方案，然后结合各个行驶路径方案的目标函数的函数值，以各个行驶路径方案为基础确定出选定方案，由于本申请所用到的目标函数中考虑到了中心地点以及各个目标园区中每两地间的拥堵程度，因此能够更好地规避拥堵路线，从而使得按照最终的选定方案能够更加及时地将工器具进行转运，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力。
本发明还提供了一种工器具的调度规划装置及设备，具有如上工器具的调度规划方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种工器具的调度规划方法的流程示意图；
图2为本发明提供的另一种工器具的调度规划方法的流程示意图；
图3为本发明提供的一种工器具的调度规划装置的结构示意图；
图4为本发明提供的一种工器具的调度规划设备的结构示意图。
具体实施方式
本发明的核心是提供一种工器具的调度规划方法，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力；本发明的另一核心是提供一种工器具的调度规划装置及设备，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本发明提供的一种工器具的调度规划方法的流程示意图，该工器具的调度规划方法包括：
步骤S1：获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
具体的，考虑到如上背景技术中的技术问题，本发明实施例中为了能够确定出最终的选定方案，需要先随机生成若干个行驶路径方案，然后在此基础上通过相关算法进行优化并得到最终选定方案，而随机生成行驶路径方案需要数据基础，也即本步骤获取的包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数。
其中，中心地点在常规状态下可以为工器具仓库中心，各个园区存在工器具的使用需求，因此通常情况下主要是由工器具仓库中心向各个发出订单的园区进行工器具派送的路径规划问题，此外还可以为每个园区配备一辆紧急需求运输车，例如在A园区突然需要若干工器具，此时工器具仓库中心无法立即满足其需求的情况下，A园区自身可以作为中心地点，而能够为其提供工器具的若干园区可以作为目标园区，由A园区排除紧急需求车辆沿着规划的路径行驶并在路途中从各个目标园区取回工器具，这也可以是另一种形式的路径规划问题。
具体的，在进行路径规划之前，还需要做出一系列的假设，例如可以包括：
(1)已知工器具仓库中心、各园区位置及园区内工器具柜的摆放点；
(2)各园区有工器具需求时，会提供工器具种类及数量、对应的需求时间点以及利用工器具去处理的问题类型；
(3)工器具运输车辆车型相同且匀速行驶；
(4)工器具的仓库中心容量足够大，可以存储足量的工器具。
步骤S2：根据初始化参数随机生成第一预设数量个运输车辆的行驶路径方案；
具体的，在初始化参数的基础之上，便可以生成第一预设数量个(运输车辆的)行驶路径方案，以便作为后续步骤的数据基础进行选定方案的确定。
其中，第一预设数量可以为多种具体数值，例如可以为80等(种群过小，会使各个个体非常相似，造成群体早熟；种群过大，会降低运算的速度因此可以将第一预设数量设定为80)，本发明实施例在此不做限定。
步骤S3：基于中心地点以及各个目标园区中每两地间的拥堵程度，计算出各个行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
具体的，通过目标函数函数值的计算可以对每个行驶路径方案的优劣进行判断，因此本发明实施例中可以设计基于中心地点以及各个目标园区中每两地间的拥堵程度并以工器具使用等待时长最短为目标的目标函数，从而通过其对各个行驶路径方案的目标函数函数值进行计算。
当然，除了中心地点以及各个目标园区中每两地间的拥堵程度外，还可以在目标函数中加入别的参数从而能够进一步的满足用户所在目标园区的工器具使用等待时长，本发明实施例在此不做限定。
其中，拥堵程度可以与路线以及时间相对应，例如在当前时刻从中心地点到A园区的拥堵程度远大于从中心地点到B园区的拥堵程度，那么在路径规划的过程中便可以更加倾向于先规划车辆从中心地点先前往B园区，之后再去A园区，以此种方式来利用拥堵程度减少用户的等待时长。
步骤S4：根据各个行驶路径方案及其对应的目标函数的函数值，确定出选定方案。
具体的，在上述随机生成的各个行驶路径方案及其对应的目标函数的函数值的基础上，便可以通过相关的算法处理，得到更加接近于目标函数的目标的优选的行驶路径方案，以便能够尽量减少用户的等待时长。
本发明提供了一种工器具的调度规划方法，本申请可以根据生成路径规划方案所需的初始化参数随机生成第一预设数量个行驶路径方案，然后结合各个行驶路径方案的目标函数的函数值，以各个行驶路径方案为基础确定出选定方案，由于本申请所用到的目标函数中考虑到了中心地点以及各个目标园区中每两地间的拥堵程度，因此能够更好地规避拥堵路线，从而使得按照最终的选定方案能够更加及时地将工器具进行转运，可以降低用户的等待时间以提升用户体验，并有利于提升电能生产力。
为了更好地对本发明实施例进行说明，请参考图2，图2为本发明提供的另一种工器具的调度规划方法的流程示意图，在上述实施例的基础上：
作为一种优选的实施例，基于中心地点以及各个目标园区中每两地间的拥堵程度，计算出各个行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值具体为：
基于中心地点以及各个目标园区中每两地间的拥堵程度，计算出各个行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值。
具体地，为了进一步地对路径规划方案进行优化，本发明实施例中设计的目标函数还包括了车辆行驶总里程最短这个目标，那么在进行选定方案确定的过程中，便可以倾向于选择出相对更加符合工器具使用等待时长最短且车辆行驶总里程最短这两个要求的路径规划方案，使得派送成本降低。
当然，除了以上两个目标外，目标函数中的目标还可以为其他类型，可以结合实际需求进行自主设定，本发明实施例在此不做限定。
作为一种优选的实施例，基于中心地点以及各个目标园区中每两地间的拥堵程度，计算出各个行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值具体为：
Figure GDA0002951793300000091
Figure GDA0002951793300000092
Figure GDA0002951793300000093
Figure GDA0002951793300000094
Figure GDA0002951793300000095
Figure GDA0002951793300000096
Figure GDA0002951793300000097
Figure GDA0002951793300000098
其中，minF1为以等待时间最短为目标的目标函数，minF2为以车辆行驶总里程最短为目标的目标函数，I为订单总数，K为车辆总数，βij为用以表示园区qi到园区qj之间路段的拥堵程度，Lij表示园区qi到园区qj的距离，ξijk表示园区qi到园区qj由车辆ck进行配送，αi为用以表示工器具使用订单的时间紧急程度的调节系数，TWi表示园区qi的工器具使用等待时长，TRi为园区qi所需工器具的实际抵达时间，TFi为园区qi所需工器具的预期需求时间，Mi为园区qi的工器具的需求种类以及需求量，Q为每台车辆的货物承载量，ψik表示园区qi是否由车辆ck配送。
具体的，在以仓库中心为中心地点进行路径规划时，可以设定仓库中心开始配送的时间为0，仓库中心一天总服务时间为Tet，仓库中心P0有K辆车组成的车队C＝{c1,c2,c3,c4,...,cK}，每辆车的货物承载量为Q，车辆的行驶速度为Vc，系统时间开始前便已经存在的早期园区工器具订单YS＝{q1,q3,q5,...,qI-1}，随着时间推移，后期临时增加的园区工器具订单YN＝{q2q4,q6,...,qI}，由前期订单和后期增添的临时订单所组成的总需求Y＝{q1q2,q3,...,qI}，共有I个订单，每个订单都包含了系统接收到该订单的时间TGi，预计工器具需求时间TFi，工器具需求种类及需求量Mi，需求园区与仓库中心的距离LCi，维修事件所属类型WXi。运输车辆抵达对应园区的指定时间为TAi，假若实际到达时间早于预期需求时间，则等待时间TWi为0，且将预期需求时间作为下一个园区的出发时间；假若实际抵达时间晚于预期需求时间，则等待时间TWi为实际抵达时间TRi减去预期需求时间TFi，且将实际抵达时间作为下一个园区的出发时间。用Lij表示园区qi到园区qj的距离，目标函数为F为配送总距离L及各园区工器具使用等待总时长的加权和，调节系数为αi，表示每个订单的时间紧急程度，可根据所处理的事件类型的紧急程度来动态调节αi的值，即越紧急其值越大，提高时间维度的重要性；拥堵系数βij，表示园区qi到园区qj之间的路段存在拥堵状况，无拥堵则值为1，存在拥堵且拥堵状况越严重，系数值越大。
其中，上述计算模型可以为VRP(Vehicle Routing Problem，车辆路径问题)模型。
具体的，上述式(3)可以表示客户工器具使用等待时长的计算方法；式(1)和式(2)是目标函数的计算方法；式(4)表示所有订单的总需求小于所有车辆的总载货量；式(5)和式(6)确保任意订单之间只存在一条路线，即每个订单都只有一辆运输车进行服务且只经过一次；式(7)表示订单i是否由车辆k进行服务；式(8)表示车辆所服务订单需求小于每辆车载货量。
其中，为了得到各个目标园区的编号以及中心地点运输车辆的编号，可以对所有的目标园区以及运输车辆进行编码，编码方式可以采用自然数编码的方式，染色体结构可以为两层，第一层表示订单所在园区，第二层表示运输车辆，如下表1所示，其表示，有三辆运输车辆，其路线分别为0→1→3→2→0、0→5→4→6→0、0→9→7→8→0。
表1
1 5 4 3 2 6 9 7 8
1 2 2 1 1 2 3 3 3
作为一种优选的实施例，工器具使用订单具体为从当前时刻所有工器具使用订单中，按照紧急程度由高到低的顺序选取的第二预设数量个工器具使用订单；
则Y＝YS∪YN,
Figure GDA0002951793300000111
其中，YS为预约的工器具使用订单的集合，YN为实时更新的工器具使用订单的集合。
具体的，每次在进行路径规划的时候所针对处理的订单数量是需要预先设定的，而这有限的待处理订单的选择可以为从当前时刻所有工器具使用订单中，按照紧急程度由高到低的顺序选取的第二预设数量个工器具使用订单，由于是从实时更新所有工器具使用订单中，按照紧急程度由高到低的顺序选取的订单，因此可以更好地满足临时提出的紧急订单，更好地服务客户。
作为一种优选的实施例，根据各个行驶路径方案及其对应的目标函数的函数值，确定出选定方案具体为：
步骤S101：通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的目标函数的适应度计算公式；
步骤S102：根据适应度计算公式计算出各个目标函数的适应度；
根据各个目标函数及其对应的适应度，确定出选定方案。
具体的，由于本发明实施例中的目标函数具有双目标，因此原始的适应度函数已经无法准确计算出目标函数的适应度，因此需要通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的目标函数的适应度计算公式，进而准确计算出目标函数的适应度并进行选定方案的确定。
作为一种优选的实施例，通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的目标函数的适应度计算公式具体为：
Figure GDA0002951793300000121
Figure GDA0002951793300000122
Figure GDA0002951793300000123
Figure GDA0002951793300000124
Figure GDA0002951793300000125
go＝1-eo(o＝1,2)； (14)
Figure GDA0002951793300000126
Figure GDA0002951793300000127
其中，fl o为原始的适应度函数，Fl o为适应度计算公式，Yl为待定方案l所有的子路径中不可行的个数(Yl>0)，λ为无穷大的数，m为第一预设数量，δl(k)为灰色关联系数，
Figure GDA0002951793300000128
为两级最小差，
Figure GDA0002951793300000129
为两级最大差，ρ为分辨系数，在[0,1]中取值，
Figure GDA00029517933000001210
为参考序列的第o个参数值，fl o为第l个与参考序列比较的比较序列中的第o个参数值，
Figure GDA00029517933000001211
为第o个参数的群体均值，so为第o个参数的群体标准差，
Figure GDA00029517933000001212
为标准化后的数据，eo表示各项指标的熵值，go为各项指标的差异系数，wo是各项指标的权重，Bl为各比较序列与参考序列的关联度，也即适应度计算公式。
具体的，上述的编码方式仅仅隐含了每个订单只由一辆车服务一次的限制条件，为此，还需要判断各子路径是否满足约束条件，假设个体l所有的子路径中不可行的个数Yl(Yl>0)，式中m为种群最大个体数，动态VRP的模型目标函数为Fl j，则自适应度值为上述式(9)，λ用于惩罚不可行个体。
为了解决双目标问题，引入灰关联分析，构造新的适应度函数。灰关联分析主要通过灰关联度判断序列间关联程度。确定一个序列作为参考标准，然后将其他序列与参考序列进行比较，与参考序列越接近，表示该序列效果越好，反之则表示效果越差。基于传统灰色关联分析，本发明引入信息熵理论，用均衡接近度代替灰关联度，有效弥补了关联倾向的缺陷。计算步骤如下：
Step1：先分别以车辆行驶总里程最短、工器具使用等待时长最短作为本发明所建模型的单目标，以式(9)作为原始适应度函数，代入所设计的求解算法中，分别获得两个最优解，并得到其对应的适应度为
Figure GDA0002951793300000131
并将其作为参考序列。之后，将双目标模型代入算法中，通过迭代计算每次获取得到一个新的种群，即候选集，对整个候选集利用式(9)计算适应度fl 1,fl 2(l＝1,2,3,...,m)，将所得每个个体的适应度作为比较序列。
Step2：利用上述式(10)计算灰色关联系数；
Step3：引入信息熵理论，将每次迭代所产生的整个群体，即m个个体作为一个整体来进行分析。
1)首先利用上述式(11)以及式(12)对整体数据进行标准化；
2)通过式(13)计算各项指标的熵值；
3)通过式(14)计算各项指标的差异系数，其中，go越大，则指标越重要；
4)通过式(15)确定权重；
Step4：最后可以计算出各比较序列与参考序列的关联度，将其作为新的适应度函数，也即式(16)。
当然，除了本发明实施例中的具体过程外，在原始的适应度函数的基础上确定出具有双目标的目标函数的适应度计算公式还可以为其他具体方式，本发明实施例在此不做限定。
作为一种优选的实施例，根据各个目标函数及其对应的适应度，确定出选定方案具体为：
步骤S103：将各个行驶路径方案作为迭代基础方案；
步骤S104：根据各个迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合；
步骤S105：将初始值为零的迭代次数加一并存储待定方案集合；
步骤S106：判断迭代次数是否为第四预设数量的倍数；
步骤S107：若否，则将最后确定出的待定方案集合作为迭代基础方案并执行根据各个迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
步骤S108：若是，则通过禁忌搜索算法从存储的第四预设数量个待定方案集合中确定出选定方案。
具体的，考虑到遗传算法搜索效率高，易于与其他算法结合，但是容易陷入局部最优解；禁忌搜索算法虽然能够很好地跳出局部最优解，但是全局搜索能力差，受初始参数影响大。为此，本申请中可将遗传算法所得解作为所提出的改进禁忌搜索算法的初始参数，利用禁忌搜索算法进一步搜索最优目标解，从而提高算法精度。
其中，第三预设数量以及第四预设数量均可以进行自主设定，本发明实施例在此不做限定。
具体的，遗传算法的具体过程可以为：
(1)选择策略
为保证高适应度的个体顺利进入下一代，本发明选取最佳个体保留法及轮盘赌法作为选择策略，即选择出的行驶路径方案的总数量中的一部分通过最佳个体保留法选出，另一部分通过轮盘赌法在剩余行驶路径方案中选出。
Step1：计算种群中各个个体的适应度，si为种群中的个体各参数：Bl(sl)(l＝1,2,3,...,m)；
Step2：保留关联度B最高的个体，遗传至下一代；
Step3：计算剩余个体的适应度总值：
Figure GDA0002951793300000141
Step4：计算剩余个体的选择概率：
Figure GDA0002951793300000142
Step5：计算剩余个体的选择概率累计和：
Figure GDA0002951793300000143
Step6：随机产生数值
Figure GDA0002951793300000144
若
Figure GDA0002951793300000145
则选中个体sl，l∈(1,2,...,m-1)；
Step7：重复step1-step6，直至达到应选个体数。
(2)交叉策略
常用的交叉策略可能会产生大量不可行解，从而丢失优良解，本发明采用一种改进的交叉法来进行优化：
Step1：根据选择策略挑选出两条父代染色体A、B；
Step2：随机选择父代染色体中需要交叉的区域；
Step3：提取交叉区域中的基因，先进行基因中订单园区内容对比，若相同则进行交叉，若不相同则返回step2；
Step4：计算交叉后所获得的子代A1、B1的适应度，保存适应度最高的子代作为新个体A2、B2；
(3)变异策略
为了提高算法的局部搜索能力，本发明选取分组单点变异策略：
Step1：根据选择策略随机选取两条染色体作为父代C；
Step2：随机选取父代染色体中的两个基因点；
Step3：确保所选取的基因点配送园区内容不变，交换两基因点的运输车辆，得到子代C1；
Step4：利用式(16)计算父代和子代的关联度，并选取关联度高的那个作为新个体C2；
具体的，过禁忌搜索算法执行的具体过程可以为：
在遗传算法开始前，先设置禁忌矩阵所能存入的种群数量(也即第四预设数量，一般设置为3-5，依据计算精度而具体确定)，在算法刚开始，当遗传算法迭代次数达到5(第三预设数量)，将所得结果存入禁忌矩阵中，在下一次迭代的过程中，对种群进行选择、交叉、变异时，将所确定作为下一代的个体与禁忌矩阵中的存有个体进行对比，若禁忌矩阵中已存在该个体，则不将其设为下一代个体，并选择次一个体作为遗传的下一代，从而提高禁忌矩阵多样性。当禁忌矩阵中所存种群数达到设定上限但迭代次数未达到算法结束条件，则对比新获取的最优种群的总适应度与禁忌矩阵中各个种群的总适应度，并将禁忌矩阵中适应度最低且低于新获取的最优种群适应度种群与新获取种群进行替换，否则不对禁忌矩阵中的种群进行改变，继续迭代直至算法结束条件达到。
(1)禁忌搜索改进策略
当遗传算法迭代次数达到第四预设数量的倍数之后启动禁忌搜索，禁忌搜索算法的基本流程可以如下：
Step1：选择遗传算法迭代后产生的禁忌矩阵中的所有个体作为子集，建立禁忌搜索集合E；
Step2：随机选择E中的一个个体ei为初始解，并置空禁忌表和最优状态；
Step3：根据el生成若干候选集，常规的禁忌搜索算法仅通过两个参数的简单交换来实现候选集的生成，为了提高候选集的多样性，本发明新添加了转置、插入、相邻转换作为候选集生成手段，大大提高候选集的多样性，提高算法的搜索深度和广度；
Step4：在获得候选集之后，计算候选集的适应度，在基本的禁忌搜索算法中，需要首先判断候选集中的最优解其参数变换是否存在禁忌表中。如果不在禁忌表中但优于当前最优解，则用其替换当前最优解，更新禁忌表。如果其参数变换在禁忌表中并且优于当前最优解，则根据藐视规则来解禁该参数交换并且替换当前最优解，然后更新禁忌表；反之，其参数交换在禁忌表中但不优于当前最优解，则进行下一次的迭代。而本发明先将这些候选集排序，选出最优候选解，判断该候选解是否优于现有最优解，若是，则无条件执行藐视规则并更新禁忌表；若是和当前最优解相等，则进行下一步迭代。如果该候选解不在禁忌表中，直接将该候选解放入禁忌表中，更新禁忌表；否则，直接从禁忌表中删除其对应的参数变换。从上面的对比中可以看出，改进算法将候选集排序，选出最优解与当前最优解比较，若适应度更好，则无条件执行藐视规则，否则再判断是否在禁忌表中。在这个过程中只需要判断一次，不用计算禁忌对象的生成时间，也减少了内存的占用，大大提高了算法的运行速度。
Step5：藐视规则处理。当禁忌搜索所产生的解优于已有解的时候，更新最优解和禁忌表，否则，保持原有解，但是要更新禁忌表；
Step5：重复step3和step4，直到E中的每个个体都已经完成了禁忌搜索；
Step6：输出最优结果。
作为一种优选的实施例，通过禁忌搜索算法从存储的第四预设数量个待定方案集合中确定出选定方案之后，该工器具的调度规划方法还包括：
步骤S109：判断迭代次数是否大于预设阈值；
步骤S110：若大于预设阈值，则将适应度最高的选定方案作为最终路径规划方案；
步骤S111：若不大于预设阈值，则将最后确定出的待定方案集合作为迭代基础方案；
执行根据各个迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
则将初始值为零的迭代次数加一并存储待定方案集合具体为：
将初始值为零的迭代次数加一；
判断最新确定出的待定方案集合的方案适应度总和是否小于已存储的任一待定方案集合的方案适应度总和；
若不小于，则将已存储的方案适应度总和最小的待定方案集合替换为最新确定出的待定方案集合；
若小于，则执行判断迭代次数是否为第四预设数量的倍数的步骤；
其中，待定方案集合的最大存储量为第四预设数量。
具体的，为了进一步地使得最终输出的最终路径规划方案满足目标函数的两个目标，可以通过遗传算法进行多次迭代以便得到若干次第四预设数量的待定方案集合，那么对应的通过禁忌搜索算法也可以得到若干个选定方案，并且可以将适应度最高的选定方案作为最终路径规划方案。
其中，由于通过遗传算法在每次迭代的过程中，会将方案适应度总和最小的待定方案集合替换掉，因此通过禁忌搜索算法逐步得到的选定方案的适应度理论上来说会越来越大。
具体的，预设阈值可以进行自主设定，其可以设置为第四预设数量的预定倍数，例如可以设置为100等，本发明实施例在此不做限定。
具体的，为了解决动态VRP问题，本发明实施例中引入动态滑动时间窗原理，假设工器具仓库中心有运输车辆K辆，在每天工作开始，获取预定订单和在第一个时间窗内临时添加或者取消的订单，从交通信息发布网站获取实时道路拥堵信息，逐渐增加运输车辆数，代入上述所建模型及算法中进行计算，直到车队的总运输量满足订单需求，之后选取目标函数值最小的运输方案，若仓库中心所有的运输车辆载货量都难以满足订单需求，将预计工器具需求时间TFi较晚及所处理事件的紧急程度，也就是αi值较大的订单延迟至第二个时间窗，之后再对处理后的第一个时间窗内的订单进行路线规划并派送；等待第一个时间窗内的服务车辆返回后，对第二个时间窗内的订单同样进行更新、处理、路线规划及派送，直至工器具仓库中心服务结束时间。另外，为了解决园区内突发事件急需工具，但是从仓库中心发配工具难以及时赶到的情况，为每一个园区配置一辆紧急需求运输车，当突发事件发生时，先遍历获取各个园区内的对应工具闲置数量，之后基于本发明所建立的VRP模型，将紧急园区作为中心点，将紧急运输车辆从紧急园区出发再回到紧急园区的时间之差作为等待时间，同时添加一个约束条件，即从经历的园区获取到的工具数量要大于等于紧急园区工具所需量，之后，便可以采用修改后的VRP模型与本发明所提出的工器具的调度规划算法进行求解最佳路径方案，从而解决紧急园区的应急需求。
请参考图3，图3为本发明提供的一种工器具的调度规划装置的结构示意图，该工器具的调度规划装置包括：
获取模块1，用于获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
生成模块2，用于根据初始化参数随机生成第一预设数量个运输车辆的行驶路径方案；
计算模块3，用于基于中心地点以及各个目标园区中每两地间的拥堵程度，计算出各个行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
确定模块4，用于根据各个行驶路径方案及其对应的目标函数的函数值，确定出选定方案。
对于本发明实施例提供的工器具的调度规划装置的介绍请参照前述的工器具的调度规划方法的实施例，本发明实施例在此不再赘述。
请参考图4，图4为本发明提供的一种工器具的调度规划设备的结构示意图，该工器具的调度规划设备包括：
存储器5，用于存储计算机程序；
处理器6，用于执行计算机程序时实现前述实施例中工器具的调度规划方法的步骤。
对于本发明实施例提供的工器具的调度规划设备的介绍请参照前述的工器具的调度规划方法的实施例，本发明实施例在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种工器具的调度规划方法，其特征在于，包括：
获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
根据所述初始化参数随机生成第一预设数量个所述运输车辆的行驶路径方案；
基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案；
所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值具体为：
基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值；
所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值具体为：
Figure FDA0003308523050000011
Figure FDA0003308523050000012
Figure FDA0003308523050000013
Figure FDA0003308523050000014
Figure FDA0003308523050000015
Figure FDA0003308523050000016
Figure FDA0003308523050000021
Figure FDA0003308523050000022
其中，min F1为以等待时间最短为目标的目标函数，min F2为以车辆行驶总里程最短为目标的目标函数，I为订单总数，K为车辆总数，βij为用以表示园区qi到园区qj之间路段的所述拥堵程度，Lij表示园区qi到园区qj的距离，ξijk表示园区qi到园区qj由车辆ck进行配送，αi为用以表示工器具使用订单的时间紧急程度的调节系数，TWi表示园区qi的工器具使用等待时长，TRi为园区qi所需工器具的实际抵达时间，TFi为园区qi所需工器具的预期需求时间，Mi为园区qi的工器具的需求种类以及需求量，Q为每台车辆的货物承载量，ψik表示园区qi是否由车辆ck配送，i为订单序号。
2.根据权利要求1所述的工器具的调度规划方法，其特征在于，所述工器具使用订单具体为从当前时刻所有所述工器具使用订单中，按照紧急程度由高到低的顺序选取的第二预设数量个所述工器具使用订单；
则
Figure FDA0003308523050000023
其中，YS为预约的所述工器具使用订单的集合，YN为实时更新的所述工器具使用订单的集合。
3.根据权利要求2所述的工器具的调度规划方法，其特征在于，所述根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案具体为：
通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的所述目标函数的适应度计算公式；
根据所述适应度计算公式计算出各个所述目标函数的适应度；
根据各个所述目标函数及其对应的所述适应度，确定出选定方案。
4.根据权利要求3所述的工器具的调度规划方法，其特征在于，所述通过灰关联分析法，在原始的适应度函数的基础上确定出具有双目标的所述目标函数的适应度计算公式具体为：
Figure FDA0003308523050000024
Figure FDA0003308523050000031
Figure FDA0003308523050000032
Figure FDA0003308523050000033
Figure FDA0003308523050000034
go＝1-eo(o＝1,2)；
Figure FDA0003308523050000035
Figure FDA0003308523050000036
其中，fl o为原始的所述适应度函数，Fl o为所述适应度计算公式，Yl为待定方案l所有的子路径中不可行的个数，Yl>0，λ为无穷大的数，m为所述第一预设数量，δl(o)为灰色关联系数，
Figure FDA0003308523050000037
为两级最小差，
Figure FDA0003308523050000038
为两级最大差，ρ为分辨系数，在[0,1]中取值，
Figure FDA0003308523050000039
为参考序列的第o个参数值，fl o为第l个与所述参考序列比较的比较序列中的第o个参数值，
Figure FDA00033085230500000310
为第o个参数的群体均值，so为第o个参数的群体标准差，
Figure FDA00033085230500000311
为标准化后的数据，Bl为各所述比较序列与所述参考序列的关联度，也即所述适应度计算公式。
5.根据权利要求3所述的工器具的调度规划方法，其特征在于，所述根据各个所述目标函数及其对应的所述适应度，确定出选定方案具体为：
将各个所述行驶路径方案作为迭代基础方案；
根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合；
将初始值为零的迭代次数加一并存储所述待定方案集合；
判断所述迭代次数是否为第四预设数量的倍数；
若否，则将最后确定出的所述待定方案集合作为所述迭代基础方案并执行所述根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
若是，则通过禁忌搜索算法从存储的第四预设数量个所述待定方案集合中确定出选定方案。
6.根据权利要求5所述的工器具的调度规划方法，其特征在于，所述通过禁忌搜索算法从存储的第四预设数量个所述待定方案集合中确定出选定方案之后，该工器具的调度规划方法还包括：
判断所述迭代次数是否大于预设阈值；
若大于所述预设阈值，则将适应度最高的所述选定方案作为最终工器具的调度规划方案；
若不大于所述预设阈值，则将最后确定出的所述待定方案集合作为所述迭代基础方案；
执行所述根据各个所述迭代基础方案及其对应的适应度，通过遗传算法确定出第三预设数量个待定方案作为待定方案集合的步骤；
则所述将初始值为零的迭代次数加一并存储所述待定方案集合具体为：
将初始值为零的迭代次数加一；
判断最新确定出的所述待定方案集合的方案适应度总和是否小于已存储的任一所述待定方案集合的方案适应度总和；
若不小于，则将已存储的所述方案适应度总和最小的所述待定方案集合替换为最新确定出的所述待定方案集合；
若小于，则执行所述判断所述迭代次数是否为所述第四预设数量的倍数的步骤；
其中，所述待定方案集合的最大存储量为所述第四预设数量。
7.一种工器具的调度规划装置，其特征在于，包括：
获取模块，用于获取包括各个目标园区的编号、中心地点运输车辆的编号以及工器具使用订单在内的初始化参数；
生成模块，用于根据所述初始化参数随机生成第一预设数量个所述运输车辆的行驶路径方案；
计算模块，用于基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值；
确定模块，用于根据各个所述行驶路径方案及其对应的所述目标函数的函数值，确定出选定方案；
所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短为目标的目标函数的函数值具体为：
基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值；
所述基于所述中心地点以及各个所述目标园区中每两地间的拥堵程度，计算出各个所述行驶路径方案对应的以工器具使用等待时长最短以及车辆行驶总里程最短为目标的目标函数的函数值具体为：
Figure FDA0003308523050000051
Figure FDA0003308523050000052
Figure FDA0003308523050000053
Figure FDA0003308523050000054
Figure FDA0003308523050000055
Figure FDA0003308523050000056
Figure FDA0003308523050000057
Figure FDA0003308523050000058
其中，min F1为以等待时间最短为目标的目标函数，min F2为以车辆行驶总里程最短为目标的目标函数，I为订单总数，K为车辆总数，βij为用以表示园区qi到园区qj之间路段的所述拥堵程度，Lij表示园区qi到园区qj的距离，ξijk表示园区qi到园区qj由车辆ck进行配送，αi为用以表示工器具使用订单的时间紧急程度的调节系数，TWi表示园区qi的工器具使用等待时长，TRi为园区qi所需工器具的实际抵达时间，TFi为园区qi所需工器具的预期需求时间，Mi为园区qi的工器具的需求种类以及需求量，Q为每台车辆的货物承载量，ψik表示园区qi是否由车辆ck配送，i为订单序号。
8.一种工器具的调度规划设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述工器具的调度规划方法的步骤。
CN202011357485.1A 2020-11-27 2020-11-27 一种工器具的调度规划方法、装置及设备 Active CN112378415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357485.1A CN112378415B (zh) 2020-11-27 2020-11-27 一种工器具的调度规划方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357485.1A CN112378415B (zh) 2020-11-27 2020-11-27 一种工器具的调度规划方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112378415A CN112378415A (zh) 2021-02-19
CN112378415B true CN112378415B (zh) 2021-12-14

Family

ID=74588524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357485.1A Active CN112378415B (zh) 2020-11-27 2020-11-27 一种工器具的调度规划方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112378415B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949096B (zh) * 2021-04-14 2023-04-07 杭州电力设备制造有限公司 一种工器具柜布局规划的方法及系统
CN113298473A (zh) * 2021-06-11 2021-08-24 四川铁公铁信息技术有限公司 一种园区货物运输路线规划系统及方法
CN113902346B (zh) * 2021-11-18 2022-07-08 广东电网有限责任公司 一种电力抢修队伍的智能调拨方法
CN114781972A (zh) * 2022-04-25 2022-07-22 满帮信息咨询有限公司 一种货物运输方案的确定方法、装置、设备及介质
CN115235501B (zh) * 2022-09-20 2022-12-09 江苏天一航空工业股份有限公司 一种物流散装货物装载车行驶轨迹规划控制系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198366A (zh) * 2013-04-09 2013-07-10 北京理工大学 一种考虑目标节点时效性的多目标路径规划方法
CN104134344A (zh) * 2014-07-29 2014-11-05 北京航空航天大学 一种基于车联网的道路交通网络应急疏散路径生成方法
CN105976030A (zh) * 2016-03-15 2016-09-28 武汉宝钢华中贸易有限公司 基于多智能体月台调度智能排序模型的构造
CN108121205A (zh) * 2017-12-13 2018-06-05 深圳市航盛电子股份有限公司 一种用于多种泊车场景的路径规划方法、系统及介质
WO2019083528A1 (en) * 2017-10-25 2019-05-02 Ford Global Technologies, Llc PROACTIVE DETERMINATIONS OF THE POSITIONING OF VEHICLES

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198366A (zh) * 2013-04-09 2013-07-10 北京理工大学 一种考虑目标节点时效性的多目标路径规划方法
CN104134344A (zh) * 2014-07-29 2014-11-05 北京航空航天大学 一种基于车联网的道路交通网络应急疏散路径生成方法
CN105976030A (zh) * 2016-03-15 2016-09-28 武汉宝钢华中贸易有限公司 基于多智能体月台调度智能排序模型的构造
WO2019083528A1 (en) * 2017-10-25 2019-05-02 Ford Global Technologies, Llc PROACTIVE DETERMINATIONS OF THE POSITIONING OF VEHICLES
CN108121205A (zh) * 2017-12-13 2018-06-05 深圳市航盛电子股份有限公司 一种用于多种泊车场景的路径规划方法、系统及介质

Also Published As

Publication number Publication date
CN112378415A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
CN108764555B (zh) 一种基于Hadoop的共享单车停放点选址方法
CN111144568B (zh) 一种多目标城市物流配送路径规划方法
CN108053062B (zh) 一种基于多源数据的定制公交线路生成方法
CN105389975B (zh) 专车调度方法和装置
CN111860754A (zh) 基于蚁群以及遗传算法的agv调度方法
CN114897217B (zh) 一种生鲜电商前置仓选址-路径规划方法
CN109118023B (zh) 一种公共交通线网优化方法
CN113919772B (zh) 一种含时间窗的时变车辆路径规划方法及系统
CN117688968B (zh) 一种基于粒子群算法的有轨电车车辆布局方法
CN116307647A (zh) 电动汽车充电站选址定容优化方法、装置及存储介质
CN113222275A (zh) 一种时变路网下考虑时空距离的车辆路径优化方法
CN108267954B (zh) 一种带硬时间窗的刀具准时配送路径规划算法
CN114022014A (zh) 一种车辆智能调度方法、装置、电子设备及存储介质
CN114742340B (zh) 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法
CN110097218B (zh) 一种时变环境下无人商品配送方法及系统
CN113935452A (zh) 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法
CN110147885B (zh) 一种改进遗传算法的共享单车停放点分配方法
CN115936240A (zh) 共享单车需求预测与投放调度方法
CN113780676A (zh) 一种瓶装液化气车辆配送路径优化方法
CN115965172A (zh) 一种成品油二次配送车辆的路径优化算法、系统、设备
CN108647821A (zh) 一种基于参数自学习的差分进化物流配送路径优化方法
CN113887782A (zh) 一种面向维修资源配送调度的遗传-烟花混合方法及系统
CN111445094B (zh) 一种结合时间要求的快递车辆路径优化的方法及系统
CN116227817A (zh) 一种动态车辆路径全链路问题分析与模型求解方法

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