[发明专利]一种基于制造过程多源异构数据的物料智能配送方法

说明书

本发明公开一种基于制造过程多源异构数据的物料智能配送方法：步骤一：分析制造过程多源异构数据，从多源异构数据模型中读取生产任务信息、运载车辆信息、运输道路信息；步骤二：利用运输道路信息，建立地图模型，利用改进蚁群算法，计算各个工作地之间的最短运输道路；步骤三：利用生产任务信息、运载车辆信息和地图模型，将任务分配问题转化为图论问题，并通过图论结合退火算法，对每个运输车辆进行最优的任务分配；步骤四：根据步骤三中对每个运输车辆最优的任务分配信息和地图模型，通过蚁群算法实现每个车辆的最优道路规划；步骤五：输出最优任务分配和每个车辆的最优道路规划。本发明方法能提高物料的运输效率，降低物料的运输成本。

技术领域

本发明涉及一种基于制造过程多源异构数据的物料智能配送方法，它以制造过程物料配送成本最低为目标，通过生产任务信息、道路信息和运载车辆信息，正确给出配送车辆的运送任务，并为其规划最短道路。适用于智能制造加工、物流配送、生产调度等领域。

背景技术

物料配送是制造过程的重要组成部分。现代生产制造的产品一般较为复杂，其加工流程一般较多、工做地点较多，这使得制造过程存在巨大的物料运输量。在一般的生产制造过程中，由于运送任务分配不合理、车辆选择不恰当、路径选择的随意性会出现某车辆闲置多天不被使用的问题，在生产任务较多时又会出现某车辆不断使用的情况。这个问题不仅仅会导致延误生产计划还会对过度使用车辆的寿命产生影响，车辆的空程也会导致企业的生产效率低下，增加了企业的生产成本。通过生产制造过程中的多源异构数据给出配送车辆的运送任务，并为其规划最短道路对降低企业制造成本而言有重要意义。

以往的物料配送方法中主要针对目标的位置，假设目标点的路线为直线，通过算法实现规划成本最小的路径，这种方法仅仅着眼于最短路径，忽略了实际生产中的重要因素：道路约束、任务约束和车辆运输能力约束，这使得配送算法与实际联系不大，不利于改善制造企业物料配送过程。近年来信息技术的发展，使得采集生产过程的多源异构数据难度降低，越来越多的企业都建立了自己的多源异构数据库，形成多源异构模型。如何使用多源异构数据进行生产过程物料配送优化，考虑生产实际面临的问题，实际上物料配送过程中面临的车辆调度、道路规划问题，是亟待解决的问题。本发明针对生产制造过程中的物料配送问题，利用生产制造过程的多源异构数据模型，提出了一种基于制造过程多源异构数据的物料智能配送方法，通过一系列的仿真实验，实现生产任务的智能分配，并对每辆车进行道路规划，实现有效降低制造过程物料配送成本。

发明内容

在生产制造过程中，物料配送直接影响生产效率、产品制造成本，利用多源异构数据模型进行生产任务智能调度、物料配送道路智能规划十分重要。因此，本发明的目的在于提供一种基于制造过程多源异构数据的物料智能配送方法，通过生产制造过程中的多源异构数据模型，建立优化场景、数学模型，实现对物料配送过程的任务分配、道路规划的优化，降低制造企业物料配送成本。

本发明提出了一种基于制造过程多源异构数据的物料智能配送方法。主要利用生产制造过程的多源异构数据模型，对物料配送过程的任务分配、道路规划进行优化。本发明的具体实施步骤如下：

步骤一：分析制造过程多源异构数据，从多源异构数据模型中读取其中的生产任务信息、运载车辆信息、运输道路信息，并设计针对这些多源异构数据读取方法，使其能在分析过程中使用。

步骤二：利用步骤一中的运输道路信息，建立地图模型，利用改进蚁群算法，计算各个工作地之间的最短运输道路。使得在后续算法中可以用此最短道路的距离作为各个工作地之间的运输距离。

步骤三：利用步骤一的生产任务信息、运载车辆信息和步骤二中建立的地图模型，将任务分配问题转化为图论问题，并通过图论结合退火算法，对每个运输车辆进行最优的任务分配。

步骤四：根据步骤三中对每个运输车辆最优的任务分配信息和步骤二中建立的地图模型，通过蚁群算法实现每个车辆的最优道路规划。