一种仓储拣货路径与任务分配联合优化方法与流程

摘要: 本申请涉及智能仓储调度与路径优化,尤其是一种仓储拣货路径与任务分配联合优化方法。背景技术:1、随着智能仓储规模与场景复杂度激增,仓储资源调度系统普遍采用任务分配...
一种仓储拣货路径与任务分配联合优化方法与流程

本申请涉及智能仓储调度与路径优化,尤其是一种仓储拣货路径与任务分配联合优化方法。

背景技术:

1、随着智能仓储规模与场景复杂度激增,仓储资源调度系统普遍采用任务分配与路径规划分别建模、分步求解的技术架构:任务分配阶段通过经典启发式算法、整数规划或最近任务优先机制,将订单依据紧急度、货品属性、作业约束等信息分配给agv或拣货员;路径规划阶段采用a*、dijkstra、遗传算法或图神经网络模型,依据已分配任务独立生成行驶与拣货路径。近年来,行业尝试引入多目标优化器、跨任务与路径联动的分布式调度框架、基于图挖掘和轨迹预测的混合路径生成策略等,以提升多agv与人工拣货员混合调度场景下的联合决策能力,但上述方案往往依赖人工设置多目标权衡系数,或需大量历史轨迹数据支撑高维空间建模,难以适应动态多变的多模态资源协同场景。

2、然而,现有技术仍存在以下问题:其一,任务分配模块与路径规划模块的目标函数互不兼容,最短路径与最优载重分配、最小耗时与最大订单响应率等目标之间存在倒置或权衡关系,且语义层面缺乏对任务意图与路径执行特征的深度映射,导致调度结果在实际执行时经常出现路径冲突、资源空转或因语义失配造成的路径反复回退,决策一致性难以保障。其二,实际调度过程中任务类型、通道占用、外部扰动动态变化频繁,现有技术依赖预先设定的静态权重或人工规则引导的多目标优化方法,参数难以泛化,无法依据历史经验快速修正决策,导致模型难以自动适应场景变化,在多约束条件下的泛化性与实时性受限。

技术实现思路

1、本申请提供一种仓储拣货路径与任务分配联合优化方法,旨在解决上述背景技术中提到的现有技术存在的问题。

2、本申请提供的一种仓储拣货路径与任务分配联合优化方法,具体包括:

3、获取仓储拣货任务的多维异构状态信息,对所述多维异构状态信息进行领域感知编码处理,生成任务意图向量;

4、基于所述任务意图向量所对应的待执行订单,从候选轨迹集合中提取拓扑结构特征、动态适应特征及执行稳定性特征,并对提取的特征进行路径语义编码处理,生成路径执行特征向量;

5、将所述任务意图向量与所述路径执行特征向量输入预设的任务-路径语义对齐模型中进行同维度空间投射处理,生成最终语义匹配度得分集合;

6、利用所述最终语义匹配度得分集合计算同源任务在不同路径候选间的分布离散程度,并基于最小化所述分布离散程度的目标构建语义一致性损失函数,以对所述任务-路径语义对齐模型的参数进行联合训练优化处理,生成初始协同决策策略;

7、采集各执行单元的历史决策反馈数据,从所述历史决策反馈数据中挖掘高频一致决策模式以构建动态语义锚点集,并基于当前任务特征检索最邻近的动态语义锚点,生成注意力权重调整因子;

8、基于所述注意力权重调整因子对所述初始协同决策策略中的注意力权重分布进行动态修正处理,生成最终协同优化决策指令,并将所述最终协同优化决策指令下发至各执行单元以驱动任务分配与路径执行的同步动作。

9、本申请提供的一种仓储拣货路径与任务分配联合优化方法,具有以下有益效果:

10、实施本实施例,将任务分配与路径规划由割裂建模、分步求解升级为基于任务意图向量与路径执行特征向量的语义对齐,有效解决任务分配与路径规划目标互不兼容、调度结果出现路径冲突与资源空转的问题,提升复杂任务场景下的路径适配精度;基于最终语义匹配度得分集合计算同源任务在不同路径候选间的分布离散程度并构建语义一致性损失函数进行联合训练优化,使路径决策一致性由依赖人工权衡系数升级为基于语义匹配度分布离散程度的自动优化,增强多目标约束下调度决策的稳定性;基于历史决策反馈数据挖掘高频一致决策模式构建动态语义锚点集并生成注意力权重调整因子,对初始协同决策策略中的注意力权重分布进行动态修正,使调度策略对动态扰动的响应由依赖静态权重升级为基于历史经验锚点的自适应修正,提升决策过程的业务贴合度与实时性;整套方案围绕任务意图与路径执行的语义对齐构建了从编码、对齐、一致性训练到动态修正的全链路协同优化机制,从而解决现有技术难以实现任务分配与路径规划深度融合以及模型无法依据历史经验快速修正决策的问题。

1.一种仓储拣货路径与任务分配联合优化方法,其特征在于,包括:

2.根据权利要求1所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述任务-路径语义对齐模型为包括共享隐空间投影层与所述共享隐空间投影层连接的可学习语义对齐头;其中,所述共享隐空间投影层用于将所述任务意图向量与所述路径执行特征向量分别映射至同一维度的共享隐空间,生成任务隐式表征向量与路径隐式表征向量;所述可学习语义对齐头用于对所述共享隐空间投影层输出的任务隐式表征向量与路径隐式表征向量执行上下文特征增强处理。

3.根据权利要求2所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述将所述任务意图向量与所述路径执行特征向量输入预设的任务-路径语义对齐模型中进行同维度空间投射处理,生成最终语义匹配度得分集合,包括:

4.根据权利要求3所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述共享隐空间投影层包含全连接线性变换层和与所述全连接线性变换层连接的非线性激活层。

5.根据权利要求4所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,

6.根据权利要求3所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述可学习语义对齐头包含查询向量生成模块、键值对生成模块、点积注意力计算模块及前馈神经网络层;所述查询向量生成模块与所述键值对生成模块均与所述点积注意力计算模块连接,所述点积注意力计算模块与所述前馈神经网络层连接。

7.根据权利要求6所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述基于所述任务隐式表征向量与所述路径隐式表征向量,利用所述可学习语义对齐头分别对所述任务隐式表征向量与所述路径隐式表征向量执行上下文特征增强处理,生成任务对齐特征向量与路径对齐特征向量,包括:

8.根据权利要求1所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述利用所述最终语义匹配度得分集合计算同源任务在不同路径候选间的分布离散程度,并基于最小化所述分布离散程度的目标构建语义一致性损失函数,以对所述任务-路径语义对齐模型的参数进行联合训练优化处理,生成初始协同决策策略包括:

9.根据权利要求1所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述采集各执行单元的历史决策反馈数据,从所述历史决策反馈数据中挖掘高频一致决策模式以构建动态语义锚点集,并基于当前任务特征检索最邻近的动态语义锚点,生成注意力权重调整因子,包括:

10.根据权利要求1所述的一种仓储拣货路径与任务分配联合优化方法,其特征在于,所述多维异构状态信息包括订单紧急度、货品物理属性、作业约束及上下文状态;所述历史决策反馈数据包括实际绕行选择、路径跳过原因标注及任务超时归因标签。