[发明专利]基于多智能体月台调度智能排序模型的构造

摘要

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。

主权项

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，即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；它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；所述基于月台调度的车辆调度需求方案，其数学模型表述为：min or moax z＝f(x)根据实际项目的需求，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，将MAS应用到月台调度系统中，不同层次的主体通过不同层次的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，包括该仓库的繁忙程度、仓库的货物储备量；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包括窄带、板材，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，车辆可沿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；所述基于多智能体的月台调度排序数学模型的构造如下：E_i≤t_i≤L_i(3.2)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E_i:仓库i最早服务的时间a_i:仓库最早可提供装车服务的时间，即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，即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5‑10minP_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所述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，即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，即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；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；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；按照约束条件依次将仓库门插入到行驶路线中，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；采用顺序交叉算子，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；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；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，由遗传算法得到，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^bes，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，本方案拟采用指定代数步数终止的终止准则；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。