问题：企业生产现状：人工送料 论文现状提到：规模大了计算时间超出预期 各类研究约束明显
创新性：双目标 算法改进 静态调度+动态 路径冲突碰撞
约束：混流车间 订单生产主导
1.基于装配制造业混流车间下装配工艺流程类似的情况，线边库物料的运输通常由自动引导小车在不同工位之间进行物料的配送，在订单驱动的生产模式下，物料配送的时间通常忽略不计，但实际上物料配送的准时性往往也会对装配体的完工时间产生影响，从而延长产品的入库和交付时间，降低客户的满意度。
2.传统车间调度问题往往针对典型的NP-Hard问题进行动态规划法或分支定界法求解，但问题规模增加后难以在可接受的计算时间内求解出近似最优解，不同学者都针对不同的改进算法对近似问题进行求解，但均有不同的约束和限制，诸如单AGV调度；不考虑AGV路径冲突与碰撞；不考虑紧急插单重调度；不考虑AVG载货量种类与数量限制等。
3.现考虑车间内MES与多AGV交互情景下的静态调度问题。考虑以装配体总完工时间最短（工位加工时间+缺料等待时间）和AGV配送物料行驶距离尽可能小的双目标为出发点建立数学优化模型，寻找一种优化算法来进行AGV的任务分配和配送路径的优化。
1.引言 现状 研究意义 论文结构 2.模型描述与建立 3.算法构建与改进 4.算例验证 5.总结展望
| 配送策略+路径规划（去掉） |
|---|
| 工位订单小号数量 |
| 实时工况 |
| 订单+时间 |
| 自动化物料配送策略 |
| 异常（订单撤销 时间过长 |
| 输入信息 （设备 物料 加工 |
| 约束 |
| 生产测指导物流配送策略 时间维度 |
| 安全库存 趋势预测 时序数据 |
| 物联感知 只能制造 |
任务组合和派发问题 改进的蚁群算法解决任务组合问题 基于任务组优先级的派发策略
AGV作业的优势 成本低 可靠性高 标准化管理
给AGV分配任务 碰撞冲突 总成本最低 路径规划和任务调度
单次多任务作业模式 组合配送
进行任务组合 组合后的配送顺序
精确算法和启发式算法
派发策略
先创建先派发 任务优先级 贪心算法
思路：单次多任务 任务组合和任务派发 改进一群算法解决任务组合问题 优先级解决任务派发问题
改进：单目标
【3】参考文献 系统自主学习 适应实时调度
解决调度效率低 易早熟的缺点 改进算法
多AGV和机器的集成调度问题 静态调度和动态调度问题 本文是静态调度
提高了算法跳出局部极小值的能力 提高算法寻优能力 加快算法的收敛过程 多AGV调度
未考虑能耗 故障 充电时间 容量 分配策略 工位转运量
混流车间 配送不及时 配送信息响应慢 效率低
配送策略和路径优化进行优化研究
建立带时间窗和车辆载重限制的多目标配送路径优化模型
遗传算法 模拟退火算法
BP-神经网络控制算法 结构简单 逼近非线性系统能力良好 较好的鲁棒性和自学习能力
小样本条件下BP神经网络存在预测精度不高的问题，将专家知识融入BP神经网络训练过程中解决此问题
结果表明融合专家知识的BP神经网络在小样本条件下可以有效提高预测精度
融合专家知识/改进粒子群算法和BP神经网络相结合/残差BP神经网络
小样本两种方式：1.扩充数据集 但是数据不准确训练结果也同样不准确 2.融入专家知识
通过遗传算法防止陷入局部最优 融入专家知识 比较了粒子群和遗传算法的优化效果 提高了BP神经网络预测精度
BP神经网络的学习过程：信号的正向传播和误差的反向传播 如果不匹配则输入错误反传 将错误分配给该层的所有单元，并校正这些单元的权重该
过程一直循环直到输出层的误差小于设置值或达到预设的学习时间
有些工程问题不能用其进行很好的解决
物料配送优化的核心是配送路径的规划，属于带容量限制的车辆寻迹问题，该问题的研究目的可以描述为在满足约束条件的情况下，找到一条最优路径，从而实现如配送路程短、配送速度快和配送成本低等目标
遗传算法 蚁群算法 粒子群算法 神经网络算法 模拟退火算法
其中蚁群算 法非常适合解决路径优化问题，因其具有并行性、收敛 速度快等特点，并且与其他启发式算法结合程度高，但 是在求解过程中，迭代一定次数后，算法容易陷入停滞 状态，同时求解过程中参数的确定也多凭经验而定，主 观性较强，因此，本文在针对物料配送路径优化问题进 行研究的同时，提出了一种基于粒子群算法调参的混 合蚁群算法：首先，引入动态调整惯性因子的粒子群算 法以确定蚁群算法的初始参数，代替传统依靠经验取 参的方法；其次，针对蚁群算法在算法中期容易停滞的 现象，改进了蚁群算法的状态转移方程，增大探索新解 的概率；最后，利用狼群分食原则对信息素更新规则进 行改进，提高收敛速度
寻优效果提升明显，整体 性能优于传统蚁群算法，具有一定的理论和实践价值
针对生产过程中单一物料配送方式所导致的成本过高问题 考虑成本最优的物料配送方式研究 物流配送的总成本最优为目标 构建改进的物料配送方式组合优化模型
组合优化模型
文献［4］建立基于智能感知网的动态物料 配送优化模型
文献［11］以能源消耗最小为目标，建立混流装配线 物料配送多目标优化模型，并设计禁忌增强粒子群 算法求解。
传统物料配送方式优化模型
本文研究的生产线物料配送范围 是从物料存储区到生产线，故未考虑装卸、拆包、交 接等环节
因此本文模型以生产车间物料配送总成本最优为物 流作业需求，配送方式选择的合理性仅考虑配送成 本，不考虑配送时间、配送路径等因素
为了提升模型的易用性，本文建立的物料配 送方式组合优化模型为线性优化模型，虽能在一定 程度上解决配送成本过高的问题，但其适用性有待 提高
后续研究将在此基础上建立非线性模型，增 强其可行性，使模型更贴近实际。本文所建立的模 型是单目标优化模型，配送方式选择的合理性仅考 虑了配送成本，后续研究将致力于建立以配送总成 本最优和配送总时间最短的双目标优化模型，以提 升模型的实用性
出现生产线因缺料停滞生产或是因堆料浪费库存 成本等问题
带有 时间窗的配送小车路径规划问题
上述研究从配送模型和算法角度解决了车间物 料配送问题，但未考虑到混流装配线中物料所具有的 周期性规律，导致每次发出补料请求后，物料的配送 路径都需要重新计算
通过找出混流 装配车间的物料消耗规律，确定物料配送数量和时间 窗，在保证物料配送准时性的同时简化物料配送过 程; 建立以配送总费用最低为目标的优化模型，采用 改进蚁群算法对该模型进行求解，最终通过实例对模 型和算法的有效性、可行性进行验证
构建考虑配送车辆、路径长度及违背时间窗惩罚成本的总配送成本最小路径优化模型；基于蚁群算法在 该类问题上的不足，提出随机性与确定性相结合的路径搜索策略，将遗传算法和二元素优化算法引入蚂蚁寻优过程，以丰富蚂 蚁的种群多样性及加快蚂蚁的寻优速度，提高求解质量。实例结果表明，相比于基本蚁群算法，改进蚁群算法在路径成本、惩 罚成本及车辆指派成本上都有显著优化，验证了算法的可行性与有效性
针对作业车间的物料配送调度问题，考虑到 AGV 在加工过程中只参与物料运输的特性，把整个生产车间的物料调度视为一个小型的车间物流系统，在此基础上提出一种实现 AGV 行走路径、 运输时间和配送成本等多目标最优化的多 AGV 作业调度模型。采用单层整数分段编码和 ＲOV 编 码转换方案，通过在基本蝙蝠算法中引入禁忌表、藐视准则和局部搜索寻优等策略，构建了一种混合禁忌蝙蝠算法来求解该调度模型
蝙蝠算法( Bat Algorithm，BA) 作为一种新兴启发 式算法，具有结构简单、参数少、鲁棒性强以及易于理解和实现等优点［10］，已被广泛的应用于函数优化、模式识 别和生产调度等领域。
但是到目前为止，鲜有学者将蝙 蝠算法应用于 AGV 调度问题。同其他智能优化算法一 样，基本蝙蝠算法存在易陷入局部最优而导致早熟收敛 问题，因此对基本蝙蝠算法进行了改进，提出了一种求 解作业车间多 AGV 物料配送调度问题的混合禁忌蝙蝠 算法
基于本文的研究结果，在今后可以将蝙蝠算法与 其他一些智能优化算法进行结合，来求解其它类型或 更加复杂的车间调度问题
难以获得精确数学模型
利用玉米干燥实际生产数据建立 BP 神经网络预测模型，通过干燥机排粮频率实际值和模型预测值进行研究对比，得 出利用 BP 神经网络可以快速、准确地建立模型来描述排粮频率变化规律。 该神经网络预测误差较小，预测效果较好
erp工位和 mes工位的关系
mes工位和mes停止器的关系
一个计划bom发成excel
工位和停止器 的配置关系
mes工位对应的停止器信息
先筛查停止器的信息
再筛查停止器上有rfid的信息
再筛查有正常过点记录的停止器信息