四向穿梭车仓储系统调度优化研究
这是一篇关于四向穿梭车系统,调度优化,改进遗传算法,调度冲突,改进A*算法的论文, 主要内容为5G无线通信技术的商用,激光雷达测距应用的成熟和普及为智能设备发展创造了前所未有的有利条件,同时现代物流对时间和空间利用率的极值追求,给自动化立体仓库的深入研究和进一步推广都提供了时代机会。无论是传统生产制造业还是新型互联网电商,为了提升配送效率,都纷纷建造了可容纳众多SKU(Standard Product Unit)的仓储物流中心(例如中国烟草、一汽集团、天猫商城和京东等)。仓储物流已经进入自动化系统集成时代,以高层立体货架为存储主体设备已发展成为智能化物流系统存储的主要方式,工作主体也有货架存储转变成机器人或穿梭车+货架。以货架+穿梭车+提升机+拣选系统+仓库管理系统等硬件和软件集成的存储系统,成为目前主要的存储模式之一。为提高城市最后一公里配送时效或者应对促销活动的海量需求,对仓储作业的柔性提出了更高的要求,一种新型的穿梭车系统——四向穿梭车系统使用日益普及。四向穿梭车系统可以根据负载需求动态调整作业任务,具有较强的灵活性,但同层多辆穿梭车并行运行可能会产生路径冲突,系统控制调度也更为复杂。本文以四向穿梭车系统为研究对象,针对四向穿梭车系统中多四向穿梭车多升降机进行出入库作业优化和路径优化调度问题,建立基于时间最短的调度优化数学模型。结合模型的特点,使用改进的遗传算法来求解任务规划和改进A*算法对货架层内路径优化。首先,通过对四向穿梭车系统的仓储物理布局特征和出入库作业流程分析,将入库作业分为三种方式,出库作业分为两种方式,结合四向穿梭车和提升机作业的不同阶段所消耗的时间,建立基于时间最短的入库、出库作业调度优化模型。其次,结合本文的调度优化模型的特点,设计一种改进的遗传算法求解调度模型。设计包含作业任务、四向穿梭车及提升机信息的个体矩阵编码,根据其编码设计遗传算子,对算法中的算子概率和适应度函数进行改进,从而实现作业任务优化。最后,提出四向穿梭车系统中存在的调度冲突问题,对并行作业的四向穿梭车产生的冲突分类,通过动态图论和构建一种基于时间窗法改进的A*算法进行路径优化,寻求安全无冲突路径。通过仿真实例分析,本文提出的改进A*算法对批量作业时间有显著的优化效果。
面向交管大数据分析的框架设计及业务模型调度优化研究
这是一篇关于交通管理,大数据分析,调度优化,增量计算的论文, 主要内容为随着互联网技术和现代信息产业的飞速发展,交通管理部门采集数据的渠道越来越多,数据量越来越大,数据种类繁杂,如何在海量数据中通过分析研判和数据关联碰撞,挖掘有价值的潜在信息,辅助交管部门对城市交通做出准确的决策是当下亟需解决的问题。交管数据往往与空间属性相关,而传统分析型数据库大都缺乏空间分析功能;传统GIS平台虽然具有较为强大的空间分析能力,但受限于单机架构,单机处理性能成为瓶颈,时空大数据的处理效率低下;因此在调研了传统大数据分析工具和交管数据特点的基础上,选择了Clickhouse分布式列式数据库和Spark计算引擎来构建大数据分析框架,通过构建业务模型的方式为交管部门提供业务分析能力。本文在分析了Clickhouse和Spark各自的优劣后,以虚拟表为桥梁,构建了Clickhouse和Spark混合计算框架,通过Clickhouse提供丰富的分析函数、高效的读写能力,通过Spark RDD的可拓展性提供空间分析能力,并详细设计了交管业务模型中业务算子的结构和处理流程。在混合计算框架的基础上,结合交管数据特点和实际分析需求,针对业务模型的创建、定时执行分别进行了调度优化设计。通过共享应用池对业务模型的创建进行了并发优化,在保证用户体验的基础上,服务更多地分析人员;对于业务模型的定时执行需求,从业务模型的整体和算子层面分别设计了结果集时序分析优化方法和基于DAG的分支优化方法,旨在减少冗余计算,提高业务模型分析效率。在混合计算框架的基础上,分析了交管动态数据的特点,针对轨迹数据、卡口拍照数据等同步方式为增量追加的数据表通过增量计算技术进行计算优化。提出了增量计算的概念与模型,并在数据库层面进行了增量计算设计;根据增量计算合并函数的不同,将业务算子分为了Append型算子和Update型算子,并对典型增量算子的计算原理进行了详细介绍;最后从增量计算框架层面出发,介绍了SQL逻辑合并和缓存规则的相关设计。实验结果表明,在数据规模较大时,混合计算框架的计算效率相对于传统数据库提升明显;基于DAG的分支优化方法对于业务模型的定时执行具有一定的提升效果;增量计算从根本上减少了参与计算的数据量,在数据规模较大时能够明显地缩短计算时间,计算效率显著提升。
基于Hadoop平台的服务调度管理系统设计与实现
这是一篇关于大数据,Hadoop平台,服务管理,调度优化,可视化监控的论文, 主要内容为随着数字信息化时代的发展,全球数字信息资源日益庞大,大数据已经渗透到各行各业,成为非常重要的生产因素。由于海量数据的高效处理要求与处理成本之间的矛盾关系,从而产生了大数据服务提供商为用户提供便捷和较低成本的大数据应用计算服务模式。服务商依据现有的大数据技术建立大数据平台,目前主流的大数据平台主要是基于Hadoop技术构建的。对于大数据应用而言,Hadoop发展至今已经较为成熟,尤其是在高效并行计算方面有着特殊的性能,但其仍有不足之处。在Hadoop的实际应用过程中,首先对于多服务共用同一 Hadoop平台而言,服务商不能有效的将多服务进行有效管理和维护;其次,在现有的服务调度技术方面,没有高效的服务调度策略既能够实现平台资源利用最大化,同时又能够最大程度的满足计算服务的需求,这样不仅会使得服务商无法获得最大收益,而且也会导致平台资源利用率有所降低;此外,在平台执行服务过程中,没有实现平台资源与服务状态监控一体化,没有将服务执行过程与资源消耗以可视化的方式呈现,随之产生的是对平台与服务的监管力度不够,排查问题较难,不能做到异常情况的实时预警。综上,建立基于Hadoop平台的服务调度管理系统是解决当前Hadoop平台在实际应用中所面临问题的有效手段。针对以上问题,从平台服务商角度出发,建设一个基于Hadoop平台的服务调度管理系统。本系统主要包括四个模块:服务管理维护模块、服务调度优化模块、服务定时执行模块以及服务可视化监控模块。从服务提交到系统开始,根据服务管理需求对服务的状态、属性等进行管理。针对已存在的服务调度器的缺陷问题,以奖惩共存收益模式为基础提出一种能够同时满足资源、服务以及收益需求的服务调度器。并结合服务调度器所生成的现有调度策略及当前平台资源使用情况,提出一种未来剩余可用资源预测模型,将满足剩余资源的服务加入调度策略中,实现服务商收益最大化。在服务执行前,基于服务执行要求和调度策略对服务进行人工或自动定时执行,增加服务执行的灵活性。最后,将采集到的服务器资源数据、平台资源数据以及服务执行状态数据以可视化的方式呈现到系统界面。本系统解决了当前Hadoop平台在实际应用中所面临的主要问题,加强了对多服务的管理与维护,对众多离线服务进行了合理调度,最大程度满足了服务质量需求,达到了平台资源利用最大化及服务商收益最大化的目标。此外,系统对服务器资源、平台资源以及服务执行过程进行了可视化监控,能够及时掌握资源变化情况,做到异常情况的实时预警。系统按照服务的提交、调度、执行及服务过程和资源可视化监控的流程进行了设计与建设。整个系统的实现充分提高了服务的管理与执行效率,节约了资源成本,是十分有意义和价值的。
四向穿梭车仓储系统调度优化研究
这是一篇关于四向穿梭车系统,调度优化,改进遗传算法,调度冲突,改进A*算法的论文, 主要内容为5G无线通信技术的商用,激光雷达测距应用的成熟和普及为智能设备发展创造了前所未有的有利条件,同时现代物流对时间和空间利用率的极值追求,给自动化立体仓库的深入研究和进一步推广都提供了时代机会。无论是传统生产制造业还是新型互联网电商,为了提升配送效率,都纷纷建造了可容纳众多SKU(Standard Product Unit)的仓储物流中心(例如中国烟草、一汽集团、天猫商城和京东等)。仓储物流已经进入自动化系统集成时代,以高层立体货架为存储主体设备已发展成为智能化物流系统存储的主要方式,工作主体也有货架存储转变成机器人或穿梭车+货架。以货架+穿梭车+提升机+拣选系统+仓库管理系统等硬件和软件集成的存储系统,成为目前主要的存储模式之一。为提高城市最后一公里配送时效或者应对促销活动的海量需求,对仓储作业的柔性提出了更高的要求,一种新型的穿梭车系统——四向穿梭车系统使用日益普及。四向穿梭车系统可以根据负载需求动态调整作业任务,具有较强的灵活性,但同层多辆穿梭车并行运行可能会产生路径冲突,系统控制调度也更为复杂。本文以四向穿梭车系统为研究对象,针对四向穿梭车系统中多四向穿梭车多升降机进行出入库作业优化和路径优化调度问题,建立基于时间最短的调度优化数学模型。结合模型的特点,使用改进的遗传算法来求解任务规划和改进A*算法对货架层内路径优化。首先,通过对四向穿梭车系统的仓储物理布局特征和出入库作业流程分析,将入库作业分为三种方式,出库作业分为两种方式,结合四向穿梭车和提升机作业的不同阶段所消耗的时间,建立基于时间最短的入库、出库作业调度优化模型。其次,结合本文的调度优化模型的特点,设计一种改进的遗传算法求解调度模型。设计包含作业任务、四向穿梭车及提升机信息的个体矩阵编码,根据其编码设计遗传算子,对算法中的算子概率和适应度函数进行改进,从而实现作业任务优化。最后,提出四向穿梭车系统中存在的调度冲突问题,对并行作业的四向穿梭车产生的冲突分类,通过动态图论和构建一种基于时间窗法改进的A*算法进行路径优化,寻求安全无冲突路径。通过仿真实例分析,本文提出的改进A*算法对批量作业时间有显著的优化效果。
共享两轮车车辆管理系统的设计与实现
这是一篇关于车辆管理,调度优化,数据分析,车辆运维的论文, 主要内容为自2016年共享单车经济蓬勃发展以来,国内市场日趋成熟,在此基础上的共享电单车也越来越受到用户追捧。国内共享两轮车不设停车桩,灵活停放,但这一策略给用户带来便利的同时也给企业管理带来了麻烦。由于对用户缺乏有效的监管手段,所以车辆在使用过程中产生了乱停乱放,恶意损坏,盗窃等问题,而共享电单车在面临以上问题的基础上还存在换电管理问题。为了统一共享单车与共享电单车的管理,方便企业更好得管理车辆,且能够将共享车辆用户使用过程中产生的海量数据充分利用起来,本文设计了共享两轮车车辆管理系统。共享两轮车车辆管理系统是供企业内部使用的运维管理系统,这个系统集实体车辆管理,用户管理,统计数据分析,调度优化等功能于一体。在车辆管理方面,本系统主要实现了不同运营区车辆的投放、冻结、回收入库等管理功能。在用户管理方面,本系统主要实现了针对两轮车用户的反馈管理,激励活动管理,针对运维用户的权限、等级调整等功能。针对统计数据检测,本系统主要实现了车辆使用数据、车辆分析数据、订单数据的统计展示功能。针对调度优化,本系统通过基于聚类算法的静态调度优化算法,实现了运维用户的巡检路线规划。本系统为双端结合的系统,终端运维使用的前端框架为MPX,后台运维使用的前端框架为Vue,后端使用的框架为Spring Boot,业务数据库为My SQL。用户在使用共享单车过程中产生了大量使用数据,将这些数据与地理位置,时间,天气结合起来,能够规划出有效的单车调度策略,极大地节省了因车辆调度产生的人力成本,同时能够提高车辆利用率。为了满足系统的调度优化算法,本系统接入了共享单车数据平台,通过对数据平台的数据进行分析完成车辆调度算法的优化。共享两轮车车辆管理系统统一了共享单车与共享电单车的管理问题,实现了共享两轮车用户和运维用户的管理功能,通过车辆调度优化算法,规划了终端运维用户的巡检路线和车辆核验任务,还实现了车辆相关的统计数据展示功能。
面向装配式建筑的轻质墙板生产线优化及其MES系统研究
这是一篇关于轻质墙板生产线,调度优化,数字孪生,MES系统的论文, 主要内容为轻质墙板具有质轻、节能、环保、高效等优越性,广泛用于装配式框架结构建筑。轻质墙板的工厂化生产效率和智能化程度决定了装配式建筑能否顺利实施。对轻质墙板制造生产线进行革新改造,可以提高轻质墙板预制件的质量、效率,推动建筑工业化的快速发展。为了提高轻质墙板生产线效率与信息化管理水平,本文以轻质墙板生产线为研究对象,构建基于数字孪生的轻质墙板生产线逻辑模型,对轻质墙板生产线进行布局设计与仿真优化;基于遗传模拟退火算法实现生产线调度优化,搭建轻质墙板生产线MES系统,实现轻质墙板生产线信息化管理。主要的研究内容如下:(1)基于数字孪生的轻质墙板生产线仿真逻辑模型构建。为了实现高效、合理的轻质墙板生产线仿真,设计了墙板生产线数字孪生系统架构,分析了轻质墙板生产线的仿真组成,提出一种面向轻质墙板生产线仿真的数字孪生逻辑模型构建方法。分析了轻质墙板生产线数字孪生逻辑模型的生产行为,确定了生产线数字孪生逻辑模型的仿真规则。(2)基于Plant Simulation的轻质墙板生产线仿真与优化。分析了轻质墙板生产线的工艺流程与布局设计及平衡优化。依据轻质墙板生产过程中的主要工艺数据,通过Plant Simulation软件构建轻质墙板生产线的仿真模型,确定生产线优化目标,完成各个工位的参数设定,实现生产线模型的仿真;结合运行结果图表中设备利用率、堵塞率等参数对瓶颈工位提出优化改进方案。(3)基于遗传模拟退火算法的轻质墙板生产线优化。分析了轻质墙板生产线调度问题,建立了轻质墙板生产线调度的数学模型,将最大总加工时间作为适应度函数,设计了遗传模拟退火算法,研究轻质墙板生产线调度优化。最后利用某企业墙板生产线实例进行算法验证,得出了较满意的调度方案。(4)轻质墙板生产线MES系统设计。分析轻质墙板生产线对MES系统的基本需求,基于B/S设计了轻质墙板生产线MES系统架构。在PHP框架下完成轻质墙板生产线MES系统功能设计,依据系统功能模块需求,完成数据表的设计。最后将系统功能模块划分为动态模块与静态模块,便于管理者对轻质墙板生产线进行实时管控。综上所述,为了进一步提升轻质墙板生产线效率与信息化管理水平,本文基于所提出的数字孪生逻辑模型构建方法,利用Plant simulation软件对生产线进行建模仿真,然后结合遗传模拟退火算法对其生产线调度问题求解,最后研究了轻质墙板生产线MES系统设计,为利用数字化、智能化、信息化技术提升改造轻质墙板生产线提供了可行的实现技术思路和参考。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/47973.html
