一种基于云计算的多终端物流运输任务管理方法及系统与流程

本发明涉及物流运输任务管理，更具体地说，本发明涉及一种基于云计算的多终端物流运输任务管理方法及系统。

背景技术：

1、目前，生产制造企业在运营过程中产生大量不同类型的物流运输任务。传统的手工搬运方式无法满足生产效率的要求，容易出现安全隐患和增加人力成本问题。与此同时，我国重视发展智能制造，推动生产自动化水平的提升。

2、现今的物流搬运机器人可以使用视觉定位技术进行多个目标物体的搬运，还有些多功能移动式物流搬运机器人，能根据任务设置自动规划路径及顺序完成多项操作，例如公开号为cn115373349a的专利公开了一种移动搬运机器人调度方法及系统，包括：mes/wms系统下达需求任务给智慧动态调度系统；调度计划模块根据需求任务生成调度计划；任务管理模块分别获取各agv小车参数信息，结合调度计划生成具体的调度任务；路径规划模块生成路径规划，并通过agv小车管控模块将指令下达到对应的agv小车；agv小车执行调度任务，并将执行结果反馈至mes/wms系统。该发明实现与mes/wms系统的互联互通，实现对多个agv小车的动态调度协同，实现最优任务分配、路径规划和交通管制，多个agv小车多任务并行，高效运作、稳定运行，提高了搬运和生产效率，节约了成本，帮助企业实现工厂降本增效需求。

3、上述技术并未公开当生产端订单量大时，如何高效优先排班，也并未考虑除了物流搬运机器人状态是否闲置与电量外的其他信息，其他信息也是动态变化的，其他信息例如物流搬运机器人剩余最大续航里程，其影响因素不止电量问题，货物依赖关系复杂，任务先入先出需要兼顾考虑，但任务与任务之间是可能有配套关系的，单纯以先入先出考虑货物优先级太片面，也并未考虑在任务时间节点内，是需要保证交货日期的，任务时间不可能无限长，有些任务甚至是限时的，过了任务时间将会造成亏损。

4、基于此，本技术提出一种基于云计算的多终端物流运输任务管理方法及系统。

技术实现思路

1、本发明的目的在于提供一种基于云计算的多终端物流运输任务管理方法及系统，以解决上述背景技术中提出的现有问题，使得当订单量大时，高效优先排班，根据物流搬运机器人状态与货物依赖关系实时与货物进行匹配，在任务时间节点，保证交货日期，为实现上述目的，本发明提供一种基于云计算的多终端物流运输任务管理方法，包括：

2、实时收集所有的物流订单，物流订单包括货物至任务点的最短搬运路径距离、货物依赖性、任务限定剩余时间与货物重量；

3、将收集到的物流订单输入至预构建的第一机器学习模型中输出对应物流订单的任务优先级；将物流订单按照任务优先级的降序进行关联排序，生成物流订单排序表；

4、将物流订单排序表的前n条物流订单优先级依次输入优先级-扫描半径数学模型中，得到n条扫描半径，n条扫描半径与n条物流订单一一对应，依次以物流订单对应的货物位置坐标为中心，以物流订单对应的扫描半径为半径画圆，得到n个搬运资源分配图，搬运资源分配图中的物流搬运机器人为闲置物流搬运机器人；

5、根据n个搬运资源分配图，获得n个搬运资源分配图中所对应的每个物流搬运机器人的状态信息，并对物流搬运机器人进行排序生成物流搬运机器人排序表，根据物流订单与状态信息的匹配度，依次确定n个搬运资源分配图中的最终物流搬运机器人。

6、进一步地，构建所述第一机器学习模型方法包括：

7、将收集到的物流订单划分成训练集和验证集两个子集，每一个子集包含多份物流订单；训练集中的物流订单数量是验证集中的物流订单数量的8倍；利用训练集中的每一条物流订单以及该物流订单所对应的任务优先级，训练第一机器学习模型，判断物流订单所对应的任务优先级；训练完毕后，给定验证集中的物流订单，评估第一机器学习模型的性能，最终获得第一机器学习模型。

8、进一步地，所述第一机器学习模型为mip网络模型，设置一个输入层、一个输出层与两个隐藏层，输入层设特征维度为4，则输入层节点数为4，两隐藏层包括第一隐藏层、第二隐藏层；第一隐藏层的神经元数设为128，创建权重矩阵，大小为(128，4)，初始化权值，创建偏置向量，大小为(128，1)，初始化为0，输入层的输出为，以relu函数作为激活函数，relu函数会对第一隐藏层的输出作用，计算第一隐藏层的输出；relu函数对取非负值，即若大于0则保持不变，否则为0；

9、与计算公式如下：

10、 ；

11、；

12、第二隐藏层神经元数设为64，创建权重矩阵，大小为(64，128)，创建偏置向量，大小为(64，1)，再次使用relu函数作为激活函数，作用同第一隐藏层relu激活函数；输出节点数为标签类别数，标签类别表示优先级，权重矩阵大小为(3，64)，偏置大小为(3，1)，使用softmax作为输出层的激活函数。

13、进一步地，对搭建完成的第一机器学习模型进行训练，训练方法包括：

14、步骤1、令第一机器学习模型为，对第一机器学习模型进行初始化操作，初始化的参数满足高斯分布，在训练过程中，每一次从训练集中随机抽取条物流订单送入第一机器学习模型，令条物流订单依次为，对应的任务优先级依次为，则每一次训练过程所对应的交叉熵损失为，的计算公式如下：

15、 ；

16、式中，表示第条物流订单，其中表示第条物流订单所对应的任务优先级，表示第条物流订单的预测任务优先级，表示超参数，表示对第一隐藏层的权重与第二隐藏层权重的正则化；

17、步骤2、从训练集中反复随机抽取条物流订单送入第一机器学习模型，在训练过程中，使用adam梯度下降优化算法对第一机器学习模型进行训练，学习率为0.001，当损失函数收敛时，第一机器学习模型停止训练；

18、步骤3、训练完毕后，在验证集上对第一机器学习模型进行性能评估。

19、进一步地，构建所述优先级-扫描半径数学模型的方法包括：

20、以优先级为输入，为输出，为扫描半径；

21、；

22、式中，与均为预设比例系数，取值均大于0。

23、进一步地，状态信息包括物流搬运机器人剩余最大续航里程、物流搬运机器人均速数据、物流搬运机器人坐标与物流搬运机器人负载。

24、进一步地，物流搬运机器人排序表的排序方法包括：

25、利用a*算法规划搬运资源分配图中h个物流搬运机器人位置坐标至货物坐标的最短路径，并获取h个最短路径距离；

26、对h个最短路径距离对应的h个物流搬运机器人进行升序排序，得到物流搬运机器人排序表。

27、进一步地，所述根据物流订单与状态信息的匹配度，依次确定n个搬运资源分配图中的最终物流搬运机器人的确定方法包括：

28、步骤11、对第r个物流搬运机器人进行标签赋值，r为大于0的整数，赋值标签初始值设为0，采用二进制计算，比对货物重量与物流搬运机器人负载，若货物重量小于物流搬运机器人负载，则赋值加1，否则返还0；比对物流搬运机器人完成任务所需最短距离与物流搬运机器人剩余最大续航里程，若物流搬运机器人完成任务所需最短距离小于物流搬运机器人剩余最大续航里程，则赋值加1，否则返还0；比对物流搬运机器人完成任务的最慢速度与物流搬运机器人均速数据，若物流搬运机器人完成任务的最慢速度小于物流搬运机器人均速数据，则赋值加1，否则返还0；物流搬运机器人完成任务所需最短距离为物流搬运机器人至货物的最短路径距离与货物至任务点的最短搬运路径距离之和；物流搬运机器人完成任务的最慢速度为物流搬运机器人完成任务所需最短距离与任务限定剩余时间之商；

29、步骤12、当物流搬运机器人标签为11时，则标签为11的物流搬运机器人的状态信息与物流订单完全匹配，将标签为11的物流搬运机器人确定为最终物流搬运机器人，并跳转至步骤14；当物流搬运机器人标签不为11时，将赋值标签赋值为0，并跳转至步骤13；

30、步骤13、令r=r+1，并重复步骤11-步骤12，直至r=h，结束循环；

31、步骤14、向标签为11的物流搬运机器人发送搬运指令，删除该物流搬运机器人的闲置标签，且将赋值标签赋值为0。

32、进一步地，当以不同货物坐标为中心的搬运资源分配图中的物流搬运机器人发生占用冲突时，则根据货物的优先级高低，选择优先级最高对应的货物占用该物流搬运机器人，当优先级最高的货物已经完成分配，若该发生占用冲突的物流搬运机器人赋值标签为0，且有闲置标签则进入次一级优先级货物分配中。

33、进一步地，所述物流搬运机器人剩余最大续航里程的影响因素的具体数据包括电池类型、电池容量、电机驱动效率、电池充放电状态、环境温湿度，将影响因素的具体数据输入进预构建的第二机器学习模型中，输出物流搬运机器人剩余最大续航里程；

34、第二机器学习模型的构建方法包括：

35、将一组影响因素的具体数据与物流搬运机器人剩余最大续航里程转换为对应的一组特征向量；

36、将每组特征向量作为第二机器学习模型的输入，所述第二机器学习模型以一组影响因素的具体数据对应的物流搬运机器人剩余最大续航里程作为输出，以一组影响因素的具体数据实际对应的物流搬运机器人剩余最大续航里程作为预测目标，以最小化第二机器学习模型损失函数值作为训练目标；当第二机器学习模型损失函数值小于等于预设的目标损失值时停止训练。

37、一种基于云计算的多终端物流运输任务管理系统，实施所述的一种基于云计算的多终端物流运输任务管理方法，系统包括：

38、收集模块，用于实时收集所有的物流订单，物流订单包括货物至任务点的最短搬运路径距离、货物依赖性、任务限定剩余时间与货物重量；

39、物流订单排序模块，将收集到的物流订单输入至预构建的第一机器学习模型中输出对应物流订单的任务优先级；将物流订单按照任务优先级的降序进行关联排序，生成物流订单排序表；

40、第一分配模块，用于将物流订单排序表的前n条物流订单优先级依次输入优先级-扫描半径数学模型中，得到n条扫描半径，n条扫描半径与n条物流订单一一对应，依次以物流订单对应的货物位置坐标为中心，以物流订单对应的扫描半径为半径画圆，得到n个搬运资源分配图，搬运资源分配图中的物流搬运机器人为闲置物流搬运机器人；第二分配模块，用于根据n个搬运资源分配图，获得n个搬运资源分配图中所对应的每个物流搬运机器人的状态信息，并对物流搬运机器人进行排序生成物流搬运机器人排序表，根据物流订单与状态信息的匹配度，依次确定n个搬运资源分配图中的最终物流搬运机器人。

41、一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的一种基于云计算的多终端物流运输任务管理方法。

42、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时，实现所述的一种基于云计算的多终端物流运输任务管理方法。

43、本发明一种基于云计算的多终端物流运输任务管理方法及系统的技术效果和优点：

44、本发明将物流订单输入至第一机器学习模型得到优先级，从而使得物流订单有了排序基础，通过对物流订单进行排序，使得物流订单量大时，可以高效优先排班，第一机器学习模型考虑到了物流订单依赖关系（即物流订单对应的货物依赖关系）的复杂化与任务的时间限制，从而更精准地分配货物的处理顺序，通过优先级确定排序靠前的部分货物可得到的物流搬运机器人运力资源，这使得物流订单量大时，系统不会拥挤导致调度出现问题，最后进行一对多筛选，确保货物在限定时间内到达目的地。

45、本发明可以多样化类型任务的全面调度，适应复杂生产场景；考虑到了当物流订单量大，需要进行高效优先排班的情况，通过分批次进行分配任务，使得系统的工作负载即使在订单量巨大的情况下也能合理高效地完成分配作业；根据物流搬运机器人状态，实时与物流订单进行匹配，确保了货物可以安全高效地被运送至任务点内；考虑到了货物依赖关系的复杂性，进行了全面分析，保证工序流程能顺利完成；

46、本发明解决了分配任务距离超过续航范围导致计划失效的问题，合理的路径规划保证任务点距离在续航范围内，任务安排不会受单次续航影响；可以实时根据实际情况动态修正，能更好地适应变化情况；路径和任务顺序预先规划，调度执行按计划进行，不会因单机故障引起紊乱；充分考虑了任务时间节点，保证在交货日期内顺利完成任务；本发明系统升级时只需调整模型即可，维护成本低，算法结果可以追溯，方便后期优化和问题诊断。