基于多智能体月台调度智能排序模型的构造制造技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术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。
技术介绍
本专利技术提出之前，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。
技术实现思路
本专利技术的目的在于，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。实现本专利技术的技术方案是，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；本专利技术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；本专利技术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，本专利技术将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；本专利技术基于多智能体的月台调度排序数学模型的构造如下： minZ 1 = Σ i = 1 G Σ j = 0 G Σ k = 1 V c i j X i j k + Σ i = 0 G Σ k = 1 V P i Y i k 本文档来自技高网...

【技术保护点】
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；本专利技术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；本专利技术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，本专利技术将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；本专利技术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ti:车辆到达仓库i的用时Li:仓库i最晚服务的时间(厂区24小时工作，可忽略)Ei:仓库i最早服务的时间(厂区24小时工作，可忽略)ai: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)bi: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cij:车辆经过仓库i和j之间的耗时(范围为5‑10min)Pi:仓库门i装完一辆车所需产品的耗时q:车辆的容量ni:仓库门i提供给车的货物容量本专利技术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；本专利技术首先设置初始种群，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；本专利技术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...

【技术特征摘要】
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ti:车辆到达仓库i的用时Li:仓库i最晚服务的时间(厂区24小时工作，可忽略)Ei:仓库i最早服务的时间(厂区24小时工作，可忽略)ai: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)bi: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cij:车辆经过仓库i和j之间的耗时(范围为5-10min)Pi:仓库门i装完一辆车所需产品的耗时q:车辆的容量ni: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，...

【专利技术属性】
技术研发人员：高山，王永川，姚琳，车静，张东，刘利，
申请(专利权)人：武汉宝钢华中贸易有限公司，
类型：发明
国别省市：湖北;42