【技术实现步骤摘要】
本专利技术涉及物流运输任务管理，更具体地说，本专利技术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。
技术介绍
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。该专利技术实现与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
4、基于此，本申请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、本专利技术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
技术介绍
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，本专利技术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本文档来自技高网...
【技术保护点】
1.一种基于云计算的多终端物流运输任务管理方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，构建所述第一机器学习模型方法包括：
3.根据权利要求2所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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；
4.根据权利要求3所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，对搭建完成的第一机器学习模型进行训练，训练方法包括：
5.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，构建所述优先级-扫
6.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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。
7.根据权利要求6所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，物流搬运机器人排序表的排序方法包括：
8.根据权利要求7所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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：
9.根据权利要求8所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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。
10.根据权利要求6所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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；
11.一种基于云计算的多终端物流运输任务管理系统，其特征在于，实施权利要求1-10任一项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：
12.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-10任一项所述的一种基于云计算的多终端物流运输任务管理方法。
13.一种计算机可读存储介质，其特征在于，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，实现权利要求1-10任一项所述的一种基于云计算的多终端物流运输任务管理方法。
...【技术特征摘要】
1.一种基于云计算的多终端物流运输任务管理方法，其特征在于，方法包括：
2.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，构建所述第一机器学习模型方法包括：
3.根据权利要求2所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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；
4.根据权利要求3所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，对搭建完成的第一机器学习模型进行训练，训练方法包括：
5.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，构建所述优先级-扫描半径数学模型的方法包括：
6.根据权利要求1所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，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。
7.根据权利要求6所述的一种基于云计算的多终端物流运输任务管理方法，其特征在于，物流搬运机器人排序表的排序方法包括：
8.根据权利要求7所述的一种基...
【专利技术属性】
技术研发人员：蒋明辉，陆建新，张玉喜，周成林，徐健，
申请(专利权)人：江苏零浩网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。