面向多车协同装车的物流装箱顺序优化研究

发布时间：2023-06-06 19:15

　　装箱的顺序对提升装载的空间利用率,降低企业成本具有重要的现实应用意义。但是在相关的研究工作中,学者们更注重对传统三维装箱问题的研究,主要通过计算物品的摆放策略,从而提升装载空间的占用率。而在物流的多车协同装载过程中,装载空间占用率主要取决于货物的装载顺序,但是在当前的研究中,学者们对协同车辆装箱问题的货物装载顺序的合理性缺乏针对性的研究。因此,本文从物品装载顺序优化的角度,通过建立深度强化学习模型,对协同多车装载过程中的装载顺序优化问题展开针对性的研究。因此,本文提出了一种基于深度强化学习的装箱顺序优化框架。在深度强化学习的装箱顺序优化框架的基础上,本文尝试构建了基于Transformer的深度强化学习网络模型。首先,通过Transformer的神经网络计算物品装载概率信息与物品装载的位置序列信息;其次,提出了基于分层思想的装载策略,明确物品的装载方式和摆放朝向;最后,使用带有baseline的策略梯度的强化学习方法改善Transformer的神经网络模型,优化输出的货物装载顺序。结果表明,提出的Transformer的深度强化学习模型可以在较短的时间内获得与随机搜索算法相同水平的装载...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 装箱问题的确定性算法研究现状
        1.2.2 装箱问题的启发式算法研究现状
        1.2.3 装箱问题的机器学习算法研究现状
    1.3 主要的研究内容
    1.4 论文的结构安排
第2章 装箱问题的理论基础
    2.1 物流车辆装箱问题的定义
        2.1.1 问题定义
        2.1.2 约束定义
    2.2 深度学习
        2.2.1 编码器-解码器
        2.2.2 注意力机制
        2.2.3 自注意力机制
    2.3 强化学习
    2.4 本章小结
第3章 基于Transformer的深度强化学习模型
    3.1 基于深度强化学习的装箱顺序优化模型
        3.1.1 基于深度强化学习的装箱顺序优化框架
        3.1.2 基于Transformer的网络模型
        3.1.3 装箱顺序优化策略
        3.1.4 装箱物品摆放策略
        3.1.5 协同车辆装载算法
    3.2 模型的实验结果与分析
        3.2.1 装载空间占用率分析
        3.2.2 模型运行时间分析
    3.3 本章小结
第4章 基于双向循环神经网络的深度强化学习模型
    4.1 基于双向循环神经网络的Seq2Seq网络模型
        4.1.1 基于Bi-LSTM的 Seq2Seq网络模型
        4.1.2 基于Bi-GRU的 Seq2Seq网络模型
    4.2 模型的实验结果与分析
        4.2.1 装载空间占用率对比分析
        4.2.2 运行时间对比分析
        4.2.3 模型泛化能力分析
        4.2.4 消融实验分析
    4.3 本章小结
结论与展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果



本文编号：3832051