考虑路径冲突的拣选路径优化问题研究

来源 :华中科技大学 | 被引量 : 0次 | 上传用户:skykoo
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着经济和互联网的发展,客户订单数量激增且种类繁杂,配送中心为了降低物流成本同时提升服务质量,以快速高效的将商品配送到客户手中,就需要对其作业流程进行优化。其中订单拣选作业是配送中心人工成本最高的部分,因此制定合理的订单拣选作业解决方案,不仅可以提高订单拣选效率,同时也能提高订单准时性。然而,目前多数关于订单拣选作业的研究都忽略了拣货员之间的路径冲突,并且订单拣选作业的优化目标都比较单一。因此本文重点研究考虑路径冲突的拣选路径优化问题,建立符合实际情况的优化模型并求解,对于指导配送中心的订单拣选作业具有非常重要且现实的意义。主要内容包括以下几个方面:
  首先,针对考虑路径冲突的订单拣选路径优化问题,本文建立最小化订单延迟时间的拣选路径优化模型,提出基于组合路径的两阶段路径算法:先根据组合路径策略规划拣选路径,再按照拣货员优先级对路径进行冲突识别和冲突解决。接着,针对考虑路径冲突的批次订单拣选路径优化问题,本文建立最小化订单延迟时间的拣选路径优化模型。对于现有算法均忽视拣货员之间路径冲突的不足,本文从初始解、搜索能力、路径规划三个方面对现有算法进行改进,提出基于两阶段路径的改进变邻域下降算法。然后,针对订单交货期是时间窗的批次订单拣选路径优化问题,本文建立最小化订单拣选时间、延迟时间和提前时间加权和的拣选路径优化模型,提出基于两阶段路径的分布估计算法进行求解。最终实验结果表明,本文提出的模型及算法在不同的仓库规模和订单规模下效果更优,能够有效的解决考虑路径冲突的拣选路径优化问题。最后本文设计了考虑路径冲突的订单拣选系统,将提出的模型算法与实际的订单拣选系统相结合,展示了本文研究成果在实际生产环境中的应用。
其他文献
随着数字图像技术的发展和多媒体应用的普及,图像处理和传输变得越来越重要。人们对图像的传输和存储有了更高的要求,对图像的质量要求也逐渐提高,例如远程医疗、航空航天、多媒体教学和视频安防等领域。图像压缩编码在图像处理中起着至关重要的作用,此对图像压缩的相关技术和科研工作带来了全新的挑战。几乎所有多媒体应用都追求具有更高压缩率,更低计算成本和更好视觉质量的图像压缩技术,这也是图像压缩的三个关键指标。
  JPEG-XR(旧称HD Photo)是一种连续色调静止图像压缩算法,是在2007年由联合图像专家小组
图像检索具有重要的应用价值和研究意义,但也面临检索速度提升、结果排序准确性等诸多现实挑战。哈希技术通过将高维特征映射到低维二值空间,可有效加快距离计算,是目前提升检索速度的重要手段。此外,深度学习能够在一定程度上缓解图像底层视觉信息与高层语义信息之间的“语义鸿沟”。因此,将深度学习和哈希方法结合应用于图像检索具有重要的研究价值和意义。
  本文研究基于深度学习和哈希技术的多标签图像检索,针对目前多标签检索领域存在的3个研究难题,分别对其进行深入研究并提出相应解决策略。本文创新点和主要内容如下:
近年来,大量的研究者对文字、语音以及面部表情做了情感分析的研究。由于人类的情感是非常复杂的,且表达情感的方式也十分多样。所以同时考虑不同模态的特征,对于准确判断情感的倾向来说就显得尤为重要。现如今的研究大多停留在单模态或双模态的情感识别,存在着准确率不高的情况。所以本文为了解决该问题,针对文本、音频、视觉这三个模态进行了多模态情感识别的研究。本文的创新点主要有以下两点,总结如下:
  ①本文提出了一个基于信息增强的多层次上下文多模态情感识别模型IEF-BiGRU。该模型使用了信息增强的方式来放大多模
大规模图像检索任务通常被抽象为近似最近邻搜索问题(Approximate Nearest Neighbor Search,ANN),哈希方法作为ANN的代表方法,被广泛应用于图像检索任务中。近年来,基于深度神经网络良好的特征提取能力,一系列深度哈希方法被提出,也使基于深度哈希的多标签图像检索方法成为新的研究方向。
  本文聚焦多标签图像的深度哈希检索任务,着力解决其存在的多标签图像相似度的精确度量、图像代表性语义信息的提取、哈希码汉明距离与原始图像相似度的一致性保留3个难题,提出一种融合注意力机制和
随着车联网、无线通信技术的不断发展,涌现了一系列诸如超高清视频、自动驾驶等计算密集型、时延敏感型应用。传统集中式的云计算架构因过重的主网络负载和过长的服务响应时延,无法满足海量终端和新兴应用所需的低时延、高带宽等需求。有研究提出,联合车联网和雾计算形成车载雾计算(Vehicular Fog Computing,VFC),将计算、存储以及通信等功能从云端下沉到无线网络边缘,为移动终端提供邻近的实时计算服务,从而减轻网络负担,降低响应时延。VFC作为一种新的应用范式,在车联网中具有广阔前景。然而,VFC架构中
输电线路场景下,防震锤、绝缘子、导线等关键设备的损坏间接影响供电系统的正常稳定运行。定期巡检输电线路,可以有效的避免供电系统故障。如今通常采用无人机巡检输电线路,并拍下输电线路场景下的巡线图像,最后人工查看巡线图像中的缺陷。因此,为了提高输电线目标缺陷检查效率,需要研究输电线关键目标检测,实现目标的快速定位,最终提高输电线路巡检工作效率。
  在输电线关键目标检测研究过程中,以手工特征为主的传统目标检测方法,只能针对特定类型并且具有易区分特征的目标,其鲁棒性较差。当前主流的基于深度神经网络的目标检测
深度学习的神经网络相较于传统神经网络方法显著的特点是计算量大,因此迫切需要计算系统具备更高的性能、更低的功耗来运行深度神经网络,本文的研究目标在于设计基于忆阻交叉阵列的深度神经网络电路,达到速度和能效的大幅提升,通过该电路实现图像语义分割、文本情感分析任务。
  本文将忆阻交叉阵列和深度学习中应用广泛的全卷积神经网络、长短期记忆神经网络结合,设计基于忆阻交叉阵列的深度神经网络,使用忆阻作为神经网络的突触,可降低整个电路系统的能耗和延迟。在实现全卷积神经网络设计过程中,本文利用忆阻交叉阵列实现包括卷积
随着大数据时代的到来以及深度学习算法在工业界的普遍应用,机器学习模型的构建开始由理论驱动转为数据驱动。但是在处理在线问题时,不能同时使用大批量样本并且样本不能保存,所以常规离线算法很难发挥作用。在线迁移学习算法通过迁移源域知识,能够降低目标域在线任务对训练样本的要求,同时又能够辅助目标域在线模型的构建,近年来得到了很多关注。本文围绕文本分类问题,对已有的有监督在线迁移学习算法框架进行改进,并针对半监督在线迁移学习问题提出新的方法。
  现有的在线迁移学习算法框架大部分是基于多模型加权融合的集成方式构
随着互联网的快速发展,以微信、微博为代表的自媒体平台成为信息发布和传播的主要媒介。舆情从现实世界转移到网络虚拟空间,一些社会突发事件或公共问题往往成为社会舆论焦点,诱发网络舆情。舆情反转是网络舆情中的一种重要现象,反转事件的频繁上演,不仅损害媒体的公信力,也造成一定的社会负面效应。目前关于舆情反转的研究多以定性分析为主,较少从定量角度研究舆情反转的演化规律。因此,运用科学可靠的技术手段分析舆情反转的内在原因及演化过程,具有重要的研究意义。
  本文基于现实社会的个体视角,采用数学建模、计算机仿真分析
群智能指的是在由众多简单个体组成的种群中,个体遵循简单的行为规则并且彼此进行交互时,在宏观层面上涌现出来的智能现象。目前,对群智能的研究多集中于对群智能优化算法的研究,主要体现在提出的一些新型群智能优化算法,例如狼群算法、狮群算法,或是对已有的群智能优化算法加以改进,例如对经典的蚁群算法、粒子群算法、遗传算法等群智能优化算法加以改进,使其在某些性能指标上得到改善。本文针对以蜂群劳动分工为代表的群智能劳动分工展开相关研究,将关注点由群智能优化算法转移到对种群协调分工相关问题的研究。
  群智能劳动分工