一、数据仓库中两种数据模型的分析比较（论文文献综述）
陈晖[1]（2021）在《AGV小车设计与调度算法研究》文中提出自动导航小车（Automated Guided Vehicle,AGV）是自动化分拣仓库的核心,自动分拣仓库的拣选效率则是检验物流企业分拣能力的重要标准,智能高效的AGV设备和高性能的调度算法可以有效提高自动分拣仓库的拣选效率,降低分拣成本。本文通过设计AGV的机械结构和车载控制系统,增强AGV分拣能力,同时改进AGV路径规划算法和调度算法,研发配套上位机系统,提高自动分拣仓库的运行效率。主要研究内容如下:首先,总结概括AGV功能要求,并据此选择AGV驱动方式和导引方式,确定AGV设计方案和具体参数。根据AGV设计方案,对AGV机械结构进行模块化设计,分别设计行驶组件、顶升组件和回转组件,并对各部件中的电机和传感器进行选型。根据AGV设计方案,设计车载控制系统,选用STM32F407VGT6为主控芯片,同时为电机驱动模块、导航模块、通讯模块、避障模块和电源模块进行电气元件选型并设计相应的电路图。其次,针对蚁群算法在路径规划时出现的寻优效率慢和路径可行性差等不足,本文利用栅格法构建分拣仓库的电子地图模型,并提出一种改进蚁群算法。该算法首先通过调整栅格地图中不同区域的初始信息素含量,加快前期收敛速度。然后在节点转移公式中引入寻优策略和信息素负反馈机制,提高算法的寻优能力。最后利用奖惩机制改进信息素更新方式,并对所得路径进行路径交叉,提高算法全局性。本文还设计两次仿真实验,证明改进蚁群算法在解决AGV路径规划问题时优秀的收敛速度和寻优能力。然后,针对多AGV任务调度问题,本文以行驶总耗费为优化目标建立对应的数学模型,并针对各算法在解决该问题时的局限性,提出一种改进麻雀搜索算法。该算法利用混沌初始化获得离散分布的初始种群,并针对不同种类的麻雀采用不同的交叉或邻域搜索方式作为局部寻优策略,提高算法的寻优效率。为验证改进算法性能,选取三组算例设计比较实验,实验结果证明改进麻雀搜索算法在求解多AGV任务调度问题时具有可靠的全局稳定性和求解质量。最后,设计自动化仓储系统的上位机控制软件,详细介绍上位机系统的具体功能模块,同时分别搭建单AGV控制实验平台和AGV调度仿真实验平台。在单AGV控制实验平台中,测试AGV实验样机和上位机系统的基础功能,即测试AGV能否完成启停、转弯和自动寻径等动作命令,同时测试人机界面能否准确显示地图信息和AGV状态信息。在AGV调度仿真实验平台中,对上位机系统的整体性能和冲突解决策略进行验证与分析。
李鲁迪[2]（2021）在《B2C网上零售拆分订单合并配送决策方法研究》文中指出近几年来,随着电子商务企业的快速发展和移动终端设备普及应用,网上零售的商业模式越来越受人们欢迎,其提供的远程、简易、快速的交易模式使得网上购物逐渐普及。在人们开始享受网上购物带来便利的同时,网上零售面临的种种问题也开始显现。由于网上零售企业销售的产品有着品类多、数量大的特点,需建立多仓库网络的存储模式,这使得顾客的订单不再能以单个包裹的方式配送给顾客,而是被拆分到多个仓库形成多个包裹分多次配送给顾客,这不但给顾客带来了极大的扰动,订单的履行成本也会大大增加。因此,拆分订单如何合并履行是影响网上零售企业快速、健康发展的关键问题之一。已有的订单分配和货品摆放的相关研究成果能够在一定程度上降低订单的拆单率,但仍无法避免部分订单的拆分。如何在订单拆分的基础上更好的通过配送优化来减少配送成本和降低对顾客的扰动成为值得深入研究的问题。本文针对具有多仓库存储网络以及仓库-分拣中心-配送站多级配送网络的网上零售企业提出了新的拆分订单合并配送决策方法,对网上零售企业的拆分订单履行问题以一个新的角度进行了探索。首先,从网上零售企业拆分订单履行的特点出发,对网上零售拆分订单的配送流程、拆分订单合并配送策略以及拆分订单配送路径规划进行了详细的梳理和分析,总结了已有拆分订单合并配送方法的优点与不足。结合网上零售企业复杂的配送网络和企业运营特点,提出了基于数据的拆分订单合并配送决策框架,并阐述了拆分订单合并配送中数据应用的原理;其次,在问题分析的基础之上,为了将复杂问题模型化,结合网上零售企业的实际运营情况和成本核算标准,以最小化订单履行总成本为目标,建立了网上零售拆分订单合并配送优化决策模型。并从不同角度对模型的求解进行了复杂性分析;再次,考虑到网上零售企业订单履行决策的时效性要求和所建数学模型的复杂性,以提高拆分订单合并配送决策问题的求解效率和准确性为目标,将问题分拆为两个子问题,分别是合并地点决策和车辆路径决策两个子问题。提出了改进遗传算法与C-W节约算法相结合的启发式算法来进行求解;最后,依据国内某大型网上零售企业的顾客订单和物流配送网络的实际情况构造了仿真算例,验证了本文提出的基于数据的网上零售拆分订单合并配送决策框架的有效性,能够降低总的订单履行成本和减少对顾客的扰动性。并且对拆分订单配送的相关参数做了灵敏度分析,在不同情景下为管理者提供了决策支持。本文从解决网上零售企业的拆分订单合并配送难题出发,在拆分订单履行方面为拥有多仓库布局特征的网上零售企业提供了新的决策框架,为拆分订单合并配送问题提供了更加高效可靠的决策优化方法,进一步的丰富了现有拆分订单合并配送研究的相关理论成果,也为网上零售企业的管理者们提供了有效的科学解决方案,给网上零售企业带来新的竞争优势。
吴胜鑫[3]（2021）在《仓库储位分配算法研究》文中认为在当今信息技术飞速发展的背景下,信息技术、智能算法、互联网等技术深入融入工业领域已经成为大趋势。全球各大主要经济体都对这个趋势做出了回应,德国有“工业4.0”、日本有“新制造业”、美国的“工业互联网联盟”和“先进制造伙伴计划”以及中国的“中国制造2025”和“互联网+先进制造业”等等。本文以和云南某公司的仓库数字化项目做研究背景,探讨在生产物流领域中仓库储位分配问题的解决和实现,结合实际问题,建立了基于仓库的数学模型,并在此基础之上针对经常出入库的货品集中放置于一点（原点）、经常一同出入库的货品尽量靠近存放以及在考虑前两点的基础之上尽量保持货架的垂直稳定性三个问题建立了目标函数,并设计和实现遗传算法来优化目标函数。最后,针对算法设计了一个仓库管理系统,以满足实际需要。这篇论文的主要研究点如下所示:（1）针对合作公司的仓库建立一个数学模型,并在此基础之上针对仓储数字化管理过程中需要解决三个问题,即将经常出入库的货品放置在一个区域、经常一同出入库的货品尽量靠近存放以减小仓库作业时间提升效率以及在保证一定的货架垂直稳定性,设计了目标函数。并采用层次分析法将三个目标函数,借助现场工作人员的工作经验,转化成单目标函数。（2）针对前面建立仓库模型和目标函数,使用遗传算法来对问题进行求解。并逐步解决求解过程中所遇到的问题,如:标准遗传算法的固定交叉和变异概率在算法后期容易破坏优秀个体从而导致算法收敛速度慢且不稳定问题,标准遗传算法在优化复杂多峰值函数时难以收敛的问题以及如何加快算法收敛速度的问题。针对这些问题本文分别采用了自适应交叉变异算子、采用精英保留策略、进化逆转算子和小生境技术来进行解决。（3）在设计和实现了基于进化逆转小生境技术的遗传算法解决生产物流领域中仓库储位分配在数字化管理上的问题后,本文向实际生产应用更近了一步,即设计了一套基于进化逆转小生境技术的遗传算法的仓库管理系统。在系统中实现了,仓库货物属性的配置管理,实现了针对仓库货物属性的增加、修改和删除功能;同时,系统还是实现了方便的入库操作,可以针对已经设置好的货品进行搜索以实现快速的入库操作。
王斯滕[4]（2020）在《基于组合特征与组合分类器的commit分类研究》文中研究指明近年来,随着互联网行业的不断发展,越来越多的开发人员在以Git Hub为代表的项目托管平台上进行自己的软件开发工作,同时越来越多的研究人员开始通过分析Git Hub上的开源代码仓库研究软件开发相关问题。例如:软件开发团队中的社会多样性、Pull Request持续时间预测、commit与issue之间的关系预测、开发人员性别对于Pull Request接受率的影响等。在项目版本控制系统中存在着许多活动,commit就是其中最常见的一种,了解在软件开发过程中执行的各种活动,有助于提高开发人员的协作开发效率、更好地在软件开发及维护过程中对各种资源进行有效分配,减少不必要的开销,同时也可以更直观地观察到最近一段时间软件开发进展开发及维护人员可以提前规划和分配资源以提高源代码维护效率,从而减少开发过程中不确定性事件的数量并提高成本效益。要了解commit活动,首先应对其进行分类,因此本文研究commit分类方法,以提高分类任务的性能。本文最终将commit分类为Corrective、Perfective和Adaptive三种类型。首先,本文提出了一种组合commit message文本特征与源代码及文件更改特征的commit分类方法。通过BERT深度学习模型提取commit message中的文本特征,通过Change Distiller工具及挖掘本地代码仓库获取源代码及文件更改特征,然后将以向量形式表示的两种特征组合在一起,最后结合深度学习模型构建分类器实现commit分类。然后,本文还提出了一种基于置信度组合分类器的commit分类方法。首先基于BERT深度学习模型建立commit message文本分类器,基于深度神经网络建立源代码及文件更改分类器,然后通过样本准确率计算置信度从而组合分类器,最终通过组合分类器获得最终预测分类结果。最后,本文基于上述两种commit分类方法,在现有开源项目commit历史记录数据集上进行实验,其实验结果表明,基于组合特征的commit分类方法实验准确率达到78%,Kappa系数为69.2%;基于组合分类器的commit分类方法实验准确率为81%,Kappa系数为71.3%。较Levin等的工作,本文组合分类器的commit分类方法实验结果的准确率提高了,Kappa系数提高了。本文结果有效证明了commit message中的上下文信息、源代码和文件更改信息对commit分类任务是具有帮助作用的。
柏乐[5]（2020）在《仓储货位优化及调度模型的研究与实现》文中研究说明随着科学技术的发展,自动化立体仓库由于其可信息化管理、有自动化运行的能力、物资存储效益高等优势,正在逐渐被越来越多的企业选用。货位优化和运输调度是影响自动化立体仓库作业效率、运输能耗和系统性能的重要因素,一个具有仓储货位优化和运输调度功能的系统是辅助自动化立体仓库对于物资出入库的效益管理的核心。优秀的货位优化和调度系统可以减少出入库物资平均运输时间、节省物资运输的能源消耗、维持仓库中货架的稳定性和运输机器运动的安全性。本文使用了 Flask框架设计并实现了仓储货位优化及调度系统的服务端子系统,服务端子系统的核心模块有仓储货位优化模块和仓储调度规划模块,其分别使用了遗传算法和强化学习算法。本文首先介绍了课题的研究背景与研究内容,接着介绍了课题中使用的主要相关技术。然后对仓储货位优化及调度系统进行需求分析,包括对系统的总体需求分析、系统功能性需求分析和系统非功能性需求分析。在系统需求分析的基础上,本文介绍了系统的设计与实现,包括系统的架构设计、数据库表设计和系统详细功能模块的设计与实现。紧接着介绍了仓储货位优化模型和仓储调度规划模型的研究内容,提出了改进的仓储货位优化模型和仓储调度规划模型,并通过实验验证了模型效果。最后对系统进行测试,系统各功能模块均符合设计预期并通过测试。
李寒冬[6]（2020）在《不同决策模式下生鲜供应链库存-配送策略研究》文中研究指明近年来,人们对生鲜的需求量急剧增大,开始追求高质量的产品和服务,生鲜配送呈现出多种场景。在新零售概念提出后,生鲜新零售发展迅猛,生鲜行业一片蓝海。然而,由于生鲜产品易腐坏、价值高、品类多等特点,生鲜供应链运营成本居高不下。其中,仓储和配送是供应链成本中比重最大的两大环节,同时也是产生碳排放最多的物流活动。当前环境日益恶化,温室效应日益加剧,加之各项环保政策的出台,迫使企业加强减排投入,供应链减排刻不容缓。在巨大的成本压力和环保压力下,诸多新零售企业在运营中遇到了瓶颈,成本管理和碳排放控制成为制约当前生鲜行业发展的两大难题。企业协同是供应链发展的关键,协同化管理能够减少各节点内耗。因此,改善库存和配送计划,提高供应链协同度,是解决成本和碳排放问题的重点。首先,本文以北京市某前置仓模式生鲜供应链为研究对象,分别以成本最低和考虑碳成本的综合成本最低为目标,对中心仓-前置仓两级供应链的库存和配送策略进行优化,建立带时间窗的两级库存-路径优化模型。其次,讨论供应链在分散决策和协同决策下的最优策略,并设计两阶段模拟退火算法对模型进行求解,对比分析不同决策方式和不同目标下的成本和碳排放量,研究不同场景下生鲜供应链的最优决策。最后,为维持供应链的稳定,利用Shapley值法对低碳供应链中的成本进行合理分摊,研究合作博弈中各参与者之间的合作关系,促进企业协作,优化库存、配送策略,同时实现减排降本两大目标。本文验证了低碳供应链协同可以有效避免库存和配送存在的“效益背反”问题。通过优化组织结构、整合各项资源,减排和降本可以实现同步。数值分析结果表明,在碳交易机制下,与不考虑碳排放时分散决策得到的策略相比,协同减排策略下的总成本降低19%,碳排放量降低58%。对碳限额和碳价格的灵敏度分析结果验证了碳限额与交易机制是一种柔性、有效的控排手段。此外,货损灵敏度分析结果表明全过程货损控制是解决供应链成本问题的关键手段之一。本文从战略协同和业务流程协调两个层面研究了生鲜供应链协同降本和减排,为生鲜企业解决高成本、高排放问题提供了决策依据。文中含图31幅,表21个,参考文献71篇。
申诚[7]（2020）在《非传统仓储布局订单拣选路径优化与系统实现》文中研究指明随着互联网行业的迅速发展,仓储物流的拣选效率成为影响企业效益的关键性因素。订单拣选被视为仓储作业中最耗费时间和生产成本的环节之一,约占在整个作业总量的60%,仓库运营成本的55%。现代化仓储物流行业的智能化、科学化管理是企业可持续发展的必由之路,转型升级有利于提升企业的生产运作做效率,减少运营成本,提升企业的收益,促进企业的良性发展。通过对仓储物流行业的生产运作过程进行叙述和分析,将订单拣选路径的最优距离作为衡量仓储物流作业效率问题的重要标准。对几种非传统仓储布局进行布局的实施和参数化设计,分别建立其拣选路径的距离矩阵。针对现有的拣选模式中载货小车往返存在空载的弊端,提出了一种有限负载能力约束下存取协同的策略模式,并分别建立了相应策略模式下拣选路径优化的数学模型。将蚁群算法（ACO）对于迭代前期初代值较优的特性引入到禁忌搜索算法（TS）中,提出了一种基于蚁群算法和禁忌搜索算法的混合算法（ACO-TS）,该混合算法弥补了禁忌搜索算法对于初始值要求较高,稳定性较差的缺陷。详细的描述了该算法的运行流程和步骤,运用Matlab进行仿真试验,分别对混合算法和存取协同策略模式对仓储布局拣选路径优化问题的优化性能进行验证。采用三种经典的算法和该混合算法做比对,分别对三种不同的仓储布局拣选路径进行仿真优化。结果显示该混合算法（ACO-TS）相较于其他几种算法,其求解能力更强,收敛性能和稳定性都较为优异;对于存取协同策略模式,试验研究了针对不同的负载能力下载货小车的拣选路径优化问题,通过结论可以得出,其对于仓储布局的拣选路径有着较为显着的优化效果,其最大优化率高达33.46%,最差的优化效果也可达到7.03%,且随着负载能力的提升优化效果逐步增强。最后,应用现代化的手段,对整个拣选仿真过程进行了可视化、系统性的开发,建立了一套完整的拣选路径模拟仿真平台,方便使用者的操作和管理。
雷兆发[8]（2020）在《Fishbone型仓储布局的订单分批及拣选路径研究》文中研究说明作为仓储作业运作层,订单分批和拣选路径优化问题历来是仓储优化领域的研究重点,良好的订单分批方案与高效的规划拣选路径能够显着提高仓库运作效率,降低运营成本。截至目前,有关于订单分批、拣选路径优化方面的研究绝大多数是基于传统布局,鲜有涉及非传统布局。本文着眼于Fishbone型非传统仓储布局,研究订单分批与拣选路径问题,考虑拣选设备载货量有限这一现实约束,以完成所有订单拣选任务耗费的总拣选距离为目标函数,建立了订单分批数学模型,根据Fishbone型布局特征提出了非传统布局S型路径策略,设备进行作业拣选时采用非传统布局S型策略,然后设计了一种遗传算法用于求解订单分批问题,详细阐述了编码与解码、适应度函数、选择算子、交叉算子、变异算子等方面的设计思想及过程;根据是否考虑拣选设备载货量有限将拣选路径问题分为一单一车和一单多车两种情况,分别建立数学优化模型,结合Fishbone型仓储布局几何特征,提出了 Fishbone型布局中两两货位间的距离计算公式并构建了非传统布局货位距离矩阵,随后设计了一种蚁群算法分别求解一单一车、一单多车情况下的拣选路径问题,由于一单一车是一单多车在拣选设备装载能力无限假设下的特殊情况,仅针对一单多车情况详细列出了蚁群算法求解步骤。基于MATLAB开展大量算例仿真实验以验证目标算法的有效性。对于订单分批算例,选取按单拣选策略、先到先分批策略作为遗传算法的对比方法,实验结果表明遗传算法在保证结果最优的同时还具备一定的鲁棒性;对于拣选路径算例,选取非传统布局S型策略、遗传算法作为蚁群算法的对比方法,通过分析算法进化曲线和实验数据得出蚁群算法在寻优能力和收敛性能上表现出色,有效缩短了拣选距离。
滕智鹏[9]（2020）在《自动化仓库运输路径规划应用研究》文中研究指明随着物流设备智能化和仓储系统自动化的发展趋势,AGVs（Automated Guided Vehicle System）作为物流运输系统中的关键子系统,得到了广泛的应用。AGV系统主要用于物料运输环节,通过自动化管理可提高系统灵活性,提高企业效益。在自动化仓储物流系统中,AGV系统的效率成为降低企业成本的关键因素,而路径规划是AGV系统应用中需要重点研究的内容。论文依托某快消品公司,旨在研究AGV系统路径规划的方法,从而提高AGV系统效率,达到为企业降低成本、增加利润的目的。本文在国内外研究的基础上,从企业实际问题出发,对多AGV系统路径规划及协调避碰进行研究,主要研究工作如下:首先,对单AGV路径规划进行研究,采用拓扑法进行路径网络的建模,对比分析Dijkstra算法、A*算法和Floyd算法在环境全局已知条件下进行路径规划的优缺点;考虑实际运行状况,对传统Floyd算法进行改进,针对实际过程中出现的路径繁忙和路径拥堵,在路径规划中引入繁忙因子和权重值,使算法更适用于实际运行环境。其次,对多AGV路径规划进行研究,设计了多AGV两阶段动态路径规划算法,离线阶段使用改进的Floyd算法与时间窗结合进行路径规划,生成所用时间最短的备选路径;在线阶段使用基于优先级的交通规则法指导AGV运行,并针对可能出现的冲突提供了解决方案,方案基于优先级的交通规则法,将等待策略和路径重规划策略进行结合,有效地解决多AGV系统存在的冲突。最后,利用Flexsim仿真软件建立仿真模型,设计仿真实体流程。分别设计AGV数量仿真实验和路径规划策略应用实验,通过仿真实验研究,得出了最优AGV数量,同时验证了本文所提出的路径规划方法是有效、可行的。
徐冉[10]（2020）在《货到人拣选系统中订单分批和多机器人任务分配优化研究》文中提出电商行业的迅速发展,使得仓库面临越来越多的订单,这对订单拣选效率和准确度的要求越来越高,促进了基于搬运机器人的货到人拣选系统的发展。在货到人拣选系统中,依据订单信息,机器人将相应的移动货架搬运至拣选台配合人工完成订单拣选。为了能够提升系统的整体运作效率,快速响应顾客的订单需求,需要采取适当的订单拣选流程。在整个订单拣选作业中,订单分批拣选和搬运机器人任务分配是影响作业效率的关键环节。因此,本文提出订单拣选流程:首先进行订单分批,然后将批次分配给各拣选台,最后将属于每个拣选台的订单批次对应需要搬运的货架分配给搬运机器人,机器人将货架搬运至拣选台完成拣选。本文的研究重点为订单分批和多机器人任务分配问题,从而实现系统中订单拣选作业的优化,提高订单拣选效率。首先对货到人拣选系统进行分析,阐述了货到人拣选系统的构成、整体布局、运作模式和具体的运作流程,采用栅格法建立拣选作业环境模型。然后,对订单分批进行研究,为多机器人任务分配的研究提供基础。建立以货架搬运次数最少为目标的订单分批模型,提出相似性规则和变邻域搜索两种算法求解模型。考虑到各拣选台作业的均衡性,将订单批次均衡地分配给各拣选台。基于订单分批的结果,进行多机器人任务分配问题研究。订单分批完成后,各批次订单所需货架得以确定,将货架搬运视为机器人需要执行的任务。为描述货架搬运任务之间的关系以及机器人完成搬运任务自身所消耗的代价,通过引入任务关联函数和任务自身代价函数建立多机器人任务分配模型。采用拍卖算法,以最小化搬运机器人总运动路程为优化目标,设计竞标和中标策略,最终求得最优的任务分配方案。最后,在同样的拣选系统环境中,针对相同的订单信息,利用MATLAB进行对比实验。相较于订单直接拣选策略,即把所有的订单随机分配给搬运机器人,订单分批拣选策略优化了多机器人任务分配结果,可以减短机器人约50%的运动路程,减少机器人约50%的任务货架数量,同时还可以均衡各机器人的任务分配量。另外还对货到人拣选系统的重要参数搬运机器人数量、订单数量和周转货架的储位数进行灵敏度分析。图18幅,表16个,参考文献104篇
二、数据仓库中两种数据模型的分析比较（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据仓库中两种数据模型的分析比较（论文提纲范文）
（1）AGV小车设计与调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 AGV设备研究现状 |
| 1.2.2 多AGV任务调度策略研究现状 |
| 1.2.3 AGV路径规划研究现状 |
| 1.3 研究内容与思路 |
| 1.4 本章小结 |
| 第二章 AGV总体方案设计 |
| 2.1 AGV设计方案 |
| 2.1.1 AGV功能要求 |
| 2.1.2 AGV驱动方式选择 |
| 2.1.3 AGV导引方式选择 |
| 2.1.4 AGV具体参数 |
| 2.2 AGV结构设计 |
| 2.2.1 AGV整车结构模型 |
| 2.2.2 AGV行驶组件设计 |
| 2.2.3 AGV顶升组件设计 |
| 2.2.4 AGV回转组件设计 |
| 2.3 AGV控制系统硬件设计 |
| 2.3.1 主控模块设计 |
| 2.3.2 电机驱动模块设计 |
| 2.3.3 导航模块设计 |
| 2.3.4 通讯模块设计 |
| 2.3.5 避障模块设计 |
| 2.3.6 电源模块设计 |
| 2.4 本章小结 |
| 第三章 基于改进蚁群算法的单AGV路径规划 |
| 3.1 地图建模 |
| 3.2 蚁群优化算法 |
| 3.3 改进蚁群优化算法 |
| 3.3.1 初始信息素浓度的改进 |
| 3.3.2 节点转移概率的改进 |
| 3.3.3 信息素更新方式的改进 |
| 3.3.4 路径交叉 |
| 3.3.5 具体步骤 |
| 3.4 仿真实验与分析 |
| 3.4.1 20x20仿真环境 |
| 3.4.2 30x30仿真环境 |
| 3.5 本章小结 |
| 第四章 基于改进麻雀搜索算法的多AGV任务调度 |
| 4.1 问题分析 |
| 4.2 麻雀搜索算法 |
| 4.3 改进麻雀搜索算法 |
| 4.3.1 编码与解码 |
| 4.3.2 种群初始化 |
| 4.3.3 探索者位置更新操作 |
| 4.3.4 跟随者位置更新操作 |
| 4.3.5 侦察者位置更新操作 |
| 4.3.6 具体流程图 |
| 4.4 仿真实验与分析 |
| 4.4.1 基于SetA的不同算法对比试验 |
| 4.4.2 基于SetP的不同算法对比试验 |
| 4.4.3 改进麻雀搜索算法不同取值的对比试验 |
| 4.5 本章小结 |
| 第五章 上位机系统设计与仿真 |
| 5.1 上位机系统介绍 |
| 5.2 系统功能模块介绍 |
| 5.2.1 地图管理模块 |
| 5.2.2 任务管理模块 |
| 5.2.3 路径规划模块 |
| 5.2.4 AGV管理模块 |
| 5.2.5 通讯模块 |
| 5.3 单AGV控制实验 |
| 5.3.1 实验环境与实验平台 |
| 5.3.2 单AGV控制实验 |
| 5.4 AGV调度实验 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 创新点 |
| 6.3 工作展望 |
| 致谢 |
| 参考文献 |
| 附录:在攻读硕士期间的主要工作和研究成果 |
（2）B2C网上零售拆分订单合并配送决策方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 B2C网上零售拆分订单履行方法研究现状 |
| 1.2.2 基于数据的电商物流配送问题研究现状 |
| 1.2.3 订单配送问题求解方法研究现状 |
| 1.2.4 国内外相关研究总结 |
| 1.3 本文主要研究内容 |
| 第2章 问题分析与求解原理 |
| 2.1 网上零售拆分订单合并配送问题分析 |
| 2.1.1 网上零售现有拆分订单配送流程 |
| 2.1.2 网上零售拆分订单合并配送策略分析 |
| 2.1.3 网上零售拆分订单合并配送路径问题分析 |
| 2.2 问题求解原理 |
| 2.3 网上零售拆分订单合并配送决策问题复杂性分析 |
| 2.4 本章小结 |
| 第3章 网上零售拆分订单合并配送决策的数据处理 |
| 3.1 拆分订单合并配送数据应用原理 |
| 3.2 拆分订单合并配送决策影响因素分析 |
| 3.3 拆分订单合并配送决策的数据处理 |
| 3.4 本章小节 |
| 第4章 拆分订单的合并配送决策优化模型 |
| 4.1 拆分订单合并配送决策思路 |
| 4.2 拆分订单合并配送决策优化模型的构建 |
| 4.2.1 问题假设与变量说明 |
| 4.2.2 数学模型 |
| 4.3 模型求解复杂性分析 |
| 4.4 本章小结 |
| 第5章 求解算法 |
| 5.1 改进遗传算法 |
| 5.2 C-W节约算法 |
| 5.3 本章小结 |
| 第6章 算例分析 |
| 6.1 算例设计 |
| 6.2 算例结果 |
| 6.3 敏感性分析 |
| 6.3.1 订单规模敏感性分析 |
| 6.3.2 单次末端配送成本敏感性分析 |
| 6.3.3 单位包裹转运成本敏感性分析 |
| 6.3.4 单位包裹仓储成本敏感性分析 |
| 6.4 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（3）仓库储位分配算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题的背景和意义 |
| 1.2.1 课题研究的背景 |
| 1.2.2 课题研究的意义 |
| 1.3 本生产物流优化相关理论概述及国内外研究现状与趋势 |
| 1.3.1 货位分配 |
| 1.3.2 遗传算法 |
| 1.4 题研究内容及章节安排 |
| 第二章 基于遗传算法的仓库储位分配的关键技术及理论 |
| 2.1 生产物流优化领域中仓库储位分配问题 |
| 2.2 遗传算法 |
| 2.2.1 编码 |
| 2.2.2 适应度函数 |
| 2.2.3 群体 |
| 2.2.4 选择操作 |
| 2.2.5 交叉操作 |
| 2.2.6 变异操作 |
| 2.3 遗传算法精英保留策略 |
| 2.4 自适应遗传算法 |
| 2.4.1 基于线性函数的调节方法 |
| 2.4.2 基于余弦函数的调节方法 |
| 2.4.3 基于Sigmoid函数的自适应遗传算法 |
| 2.5 遗传算法进化逆转操作 |
| 2.6 小生境技术 |
| 2.6.1 基于预选排挤机制的小生态技术 |
| 2.6.2 基于确定性排挤机制的小生态技术 |
| 2.6.3 基于共享机制的小生境技术 |
| 2.7 本章小结 |
| 第三章 基于遗传算法的仓库储位分配算法设计 |
| 3.1 仓库储位优化模型的建立 |
| 3.2 遗传算法的适应度函数和编码的设计 |
| 3.2.1 目标函数一之高周转率的货品尽量靠近原点放置 |
| 3.2.2 目标函数二之经常一同出入库的货品尽量放置在一起 |
| 3.2.3 目标函数三之为保证货架垂直稳定性 |
| 3.2.4 综合三个目标函数设计适应度函数 |
| 3.2.5 遗传算法染色体编码设计 |
| 3.3 遗传算法算子设计 |
| 3.3.1 选择算子设计 |
| 3.3.2 交叉变异算子设计 |
| 3.4 基于精英保留策略的遗传算法设计 |
| 3.5 本章小结 |
| 第四章 基于小生境遗传算法设计实现及结果分析 |
| 4.1 基本遗传算法实现 |
| 4.1.1 基本遗传算法实现及结果分析 |
| 4.1.2 自适应交叉变异遗传算法实现及结果分析 |
| 4.1.3 带精英保留策略的遗传算法实现及结果分析 |
| 4.2 基于进化逆转遗传算法实现 |
| 4.3 基于进化逆转小生境技术的遗传算法实现 |
| 4.4 多种算法比较 |
| 4.5 本章小结 |
| 第五章 基于进化逆转小生境技术的数字仓库系统实现 |
| 5.1 实现数字仓库系统相关技术 |
| 5.1.1 JavaScript语言 |
| 5.1.2 Node.js运行环境 |
| 5.1.3 Vue.js框架 |
| 5.1.4 MySQL数据库 |
| 5.2 数字仓库系统实现过程 |
| 5.2.1 数字仓库系统的总体架构 |
| 5.2.2 构建应用框架及结构 |
| 5.2.3 数据库模块设计及实现 |
| 5.2.4 设计系统总体布局模块 |
| 5.2.5 设计系统零件管理配置模块 |
| 5.2.6 设计系统零件入库模块 |
| 5.2.7 零件管理模块 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）基于组合特征与组合分类器的commit分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及创新 |
| 1.4 论文结构及其安排 |
| 第二章 相关背景知识介绍 |
| 2.1 分布式版本控制系统Git |
| 2.2 文本分类方法 |
| 2.2.1 支持向量机模型 |
| 2.2.2 BERT深度学习模型 |
| 2.3 源代码更改提取工具 |
| 2.4 评估指标 |
| 2.5 本章小结 |
| 第三章 组合特征的commit分类 |
| 3.1 总体概览 |
| 3.2 commit message文本特征的提取 |
| 3.2.1 获取commit message |
| 3.2.2 commit message短文本预处理 |
| 3.2.3 短文本向量化 |
| 3.3 commit中源代码和文件更改特征的提取 |
| 3.4 特征融合 |
| 3.5 commit分类实现 |
| 3.6 本章小结 |
| 第四章 组合分类器的commit分类 |
| 4.1 总体概览 |
| 4.2 commit message文本分类器的构建 |
| 4.3 源代码更改分类器的构建 |
| 4.4 获取置信度 |
| 4.5 commit分类实现 |
| 4.6 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 实验环境 |
| 5.1.1 硬件环境 |
| 5.1.2 开发环境 |
| 5.2 实验数据 |
| 5.3 Baseline |
| 5.4 实验结果分析 |
| 5.4.1 准确性和Kappa系数结果分析 |
| 5.4.2 准确性和Kappa系数指标假设检验分析 |
| 5.4.3 源代码和文件更改特征重要性分析 |
| 5.5 有效性威胁 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 致谢 |
（5）仓储货位优化及调度模型的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景和意义 |
| 1.2 课题任务 |
| 1.2.1 课题研究内容 |
| 1.2.2 本人承担工作 |
| 1.3 论文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 遗传算法 |
| 2.1.1 遗传算法原理 |
| 2.1.2 遗传算法基本要素 |
| 2.1.3 NSGA-Ⅱ遗传算法 |
| 2.2 深度强化学习算法 |
| 2.2.1 强化学习 |
| 2.2.2 深度学习 |
| 2.2.3 深度强化学习 |
| 2.3 Web框架Flask |
| 2.4 本章小结 |
| 第三章 系统需求分析 |
| 3.1 系统总体需求概述 |
| 3.2 系统功能性需求分析 |
| 3.2.1 用户管理功能 |
| 3.2.2 仓储环境管理功能 |
| 3.2.3 仓储物资管理功能 |
| 3.2.4 数据处理功能 |
| 3.2.5 仓储货位优化功能 |
| 3.2.6 仓储调度规划功能 |
| 3.3 系统非功能性需求分析 |
| 3.4 本章小结 |
| 第四章 仓储货位优化及调度模型的研究 |
| 4.1 问题描述与环境假设 |
| 4.2 仓储货位优化模型 |
| 4.2.1 仓储货位优化策略与原则 |
| 4.2.2 多目标优化数学模型建立 |
| 4.2.3 约束条件模型建立 |
| 4.2.4 基于NSGA-Ⅱ的货位优化算法 |
| 4.3 仓储调度规划模型 |
| 4.3.1 多机器人路径规划 |
| 4.3.2 多智能体强化学习 |
| 4.3.3 MNO-DDPG调度规划算法 |
| 4.4 本章小结 |
| 第五章 系统设计与实现 |
| 5.1 系统概要设计 |
| 5.1.1 系统架构 |
| 5.1.2 通信接口 |
| 5.1.3 数据库 |
| 5.2 系统详细设计与实现 |
| 5.2.1 用户管理模块 |
| 5.2.2 仓储环境管理模块 |
| 5.2.3 仓储物资管理模块 |
| 5.2.4 数据处理模块 |
| 5.2.5 仓储货位优化模块 |
| 5.2.6 仓储调度规划模块 |
| 5.3 本章小结 |
| 第六章 系统测试与效果验证 |
| 6.1 系统测试环境 |
| 6.2 系统功能模块测试 |
| 6.2.1 仓储环境管理模块 |
| 6.2.2 数据处理模块 |
| 6.2.3 仓储货位优化及调度规划模块 |
| 6.3 实验环境设计 |
| 6.4 仓储货位优化效果验证 |
| 6.4.1 实验方案设计 |
| 6.4.2 实验结果展示 |
| 6.4.3 实验结果分析 |
| 6.5 仓储调度规划效果验证 |
| 6.5.1 实验方案设计 |
| 6.5.2 实验结果展示 |
| 6.5.3 实验结果分析 |
| 6.6 本章小结 |
| 第七章 结语 |
| 7.1 论文工作总结 |
| 7.2 问题与展望 |
| 参考文献 |
| 致谢 |
（6）不同决策模式下生鲜供应链库存-配送策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 供应链库存-路径研究现状 |
| 1.2.2 低碳供应链网络研究现状 |
| 1.2.3 供应链协同研究现状 |
| 1.3 技术路线及研究内容 |
| 1.3.1 技术路线 |
| 1.3.2 主要研究内容 |
| 1.4 创新点 |
| 1.5 本章小结 |
| 2 相关理论研究 |
| 2.1 理论基础 |
| 2.1.1 供应链协同 |
| 2.1.2 合作博弈 |
| 2.1.3 最优化理论 |
| 2.2 生鲜供应链相关概念 |
| 2.2.1 新零售相关概念 |
| 2.2.2 生鲜供应链现有模式比较 |
| 2.3 本章小结 |
| 3 以降本为导向的生鲜供应链库存-路径问题研究 |
| 3.1 问题描述 |
| 3.2 生鲜供应链成本计算 |
| 3.2.1 基本假设及符号 |
| 3.2.2 成本计算 |
| 3.3 供应链分散决策下库存及配送模型构建 |
| 3.3.1 库存策略分析 |
| 3.3.2 配送策略分析 |
| 3.4 供应链协同决策下库存-配送模型构建 |
| 3.5 两阶段模拟退火算法设计 |
| 3.5.1 过程分析 |
| 3.5.2 算法设计 |
| 3.6 算例分析 |
| 3.6.1 案例分析 |
| 3.6.2 灵敏度分析 |
| 3.7 本章小结 |
| 4 以低碳为导向的生鲜供应链库存-路径问题研究 |
| 4.1 问题描述 |
| 4.2 生鲜供应链碳足迹分析及计算 |
| 4.2.1 基本假设及符号 |
| 4.2.2 生鲜供应链碳足迹计算 |
| 4.3 碳交易机制下生鲜供应链的库存-配送策略分析 |
| 4.3.1 供应链分散决策下考虑碳排放的库存及配送策略分析 |
| 4.3.2 供应链协同决策下考虑碳排放的库存及配送策略分析 |
| 4.4 改进的模拟退火算法设计 |
| 4.4.1 过程分析 |
| 4.4.2 算法设计 |
| 4.5 算例分析 |
| 4.5.1 案例分析 |
| 4.5.2 灵敏度分析 |
| 4.6 本章小结 |
| 5 生鲜供应链协调研究 |
| 5.1 供应链协调策略比较分析 |
| 5.1.1 成本及碳排放比较 |
| 5.1.2 货损率灵敏度分析 |
| 5.2 基于Shapley值的供应链成本分担协调研究 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A 距离矩阵 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）非传统仓储布局订单拣选路径优化与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 仓储布局研究 |
| 1.2.2 拣选优化研究 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 第2章 仓储布局与拣选模型的研究 |
| 2.1 仓储作业分析 |
| 2.2 仓储布局研究与距离矩阵的建立 |
| 2.2.1 双分区布局 |
| 2.2.2 Flying-V布局 |
| 2.2.3 Fishbone布局 |
| 2.3 存取协同策略模式 |
| 2.3.1 存取协同策略 |
| 2.3.2 有限负载能力下的存取协同策略 |
| 2.4 拣选路径模型的建立 |
| 2.4.1 TSP模型的建立 |
| 2.4.2 VRP模型的建立 |
| 2.5 拣选路径编码和解码规则 |
| 2.6 本章小结 |
| 第3章 算法的分析及实现 |
| 3.1 改进的自适应遗传算法 |
| 3.1.1 遗传算法的原理 |
| 3.1.2 改进的遗传算法 |
| 3.1.3 遗传算法的实现 |
| 3.2 人工蚁群算法 |
| 3.2.1 蚁群算法的原理 |
| 3.2.2 蚁群算法的模型 |
| 3.2.3 蚁群算法的实现 |
| 3.3 基于蚁群算法和禁忌搜索算法的混合算法 |
| 3.3.1 禁忌搜索算法 |
| 3.3.2 混合算法的原理 |
| 3.3.3 混合算法的实现 |
| 3.4 本章小结 |
| 第4章 仿真试验及结果分析 |
| 4.1 仿真试验分析 |
| 4.2 实验参数设置 |
| 4.3 仿真试验与结果分析 |
| 4.3.1 试验一:验证ACO-TS算法的优化性能 |
| 4.3.2 试验二:验证存取协同策略模式的优化性能 |
| 4.4 本章小结 |
| 第5章 系统的设计与研发 |
| 5.1 引言 |
| 5.2 系统需求的分析和模块设计 |
| 5.2.1 系统开发理论技术 |
| 5.2.2 需求分析 |
| 5.2.3 模块设计 |
| 5.3 数据库的设计与开发 |
| 5.3.1 数据库的介绍 |
| 5.3.2 数据库的开发 |
| 5.4 功能开发和界面展示 |
| 5.4.1 基础信息管理 |
| 5.4.2 订单管理 |
| 5.4.3 仿真优化 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）Fishbone型仓储布局的订单分批及拣选路径研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非传统布局研究现状 |
| 1.2.2 订单分批研究现状 |
| 1.2.3 拣选路径研究现状 |
| 1.2.4 研究现状总结与分析 |
| 1.3 研究框架 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 相关理论知识 |
| 2.1 拣选作业概述 |
| 2.1.1 拣选的概念和流程 |
| 2.1.2 货物拣选原则 |
| 2.1.3 影响拣选作业效率的因素 |
| 2.2 分批拣选相关理论 |
| 2.2.1 订单分批问题概述 |
| 2.2.2 订单分批策略 |
| 2.3 拣选路径相关理论 |
| 2.3.1 拣选路径问题概述 |
| 2.3.2 拣选路径策略 |
| 2.4 算法理论 |
| 2.4.1 遗传算法 |
| 2.4.2 蚁群算法 |
| 2.5 本章小结 |
| 第3章 订单分批优化模型及算法 |
| 3.1 问题描述 |
| 3.2 订单分批优化模型 |
| 3.2.1 模型假设 |
| 3.2.2 模型建立 |
| 3.3 订单分批算法设计 |
| 3.4 本章小结 |
| 第4章 拣选路径优化模型及算法 |
| 4.1 问题描述 |
| 4.2 拣选路径优化模型 |
| 4.2.1 模型假设 |
| 4.2.2 一单一车拣选路径模型 |
| 4.2.3 一单多车拣选路径模型 |
| 4.2.4 非传统布局货位距离矩阵 |
| 4.3 拣选路径算法设计 |
| 4.4 本章小结 |
| 第5章 仿真实验与分析 |
| 5.1 问题说明 |
| 5.1.1 布局设计及货位编码 |
| 5.1.2 实验参数设置 |
| 5.2 问题求解 |
| 5.2.1 订单分批优化算例 |
| 5.2.2 拣选路径优化算例 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 分批订单信息与分批算法代码 |
| 附录B 拣选路径算法代码 |
| 攻读学位期间的研究成果 |
（9）自动化仓库运输路径规划应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 AGV研究现状 |
| 1.2.2 AGV路径规划研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 AGV系统应用背景与组成分析 |
| 2.1 自动化仓库概述 |
| 2.2 D公司自动化仓库的工作流程 |
| 2.2.1 自动化仓库入库流程 |
| 2.2.2 自动化仓库出库流程 |
| 2.2.3 AGV系统作业的特点 |
| 2.3 D公司自动化仓库AGV系统概述 |
| 2.3.1 AGV的控制系统 |
| 2.3.2 AGV的车体构成 |
| 2.3.3 AGV的导引方式 |
| 2.3.4 AGV的控制方式 |
| 2.4 本章小结 |
| 第3章 单AGV路径规划研究 |
| 3.1 路径规划问题描述 |
| 3.1.1 全局路径规划 |
| 3.1.2 局部路径规划 |
| 3.2 环境建模 |
| 3.2.1 环境建模常用的方法 |
| 3.2.2 环境模型的建立 |
| 3.2.3 环境模型的矩阵表示 |
| 3.3 单AGV路径规划算法 |
| 3.3.1 路径规划目标 |
| 3.3.2 Dijkstra算法 |
| 3.3.3 A~*算法 |
| 3.3.4 Floyd算法 |
| 3.3.5 算法对比分析 |
| 3.4 改进的Floyd算法 |
| 3.4.1 算法描述 |
| 3.4.2 实例分析 |
| 3.5 本章小结 |
| 第4章 多AGV路径规划研究 |
| 4.1 两阶段路径规划方法 |
| 4.2 基于时间窗的路径规划算法 |
| 4.2.1 前置条件 |
| 4.2.2 时间窗 |
| 4.2.3 时间窗计算 |
| 4.2.4 算法流程 |
| 4.2.5 实例分析 |
| 4.3 基于优先级的交通规则法 |
| 4.3.1 优先级的制定 |
| 4.3.2 交通规则的制定 |
| 4.3.3 交通规则的执行流程 |
| 4.4 在线冲突规避策略 |
| 4.4.1 冲突检测 |
| 4.4.2 冲突类型及规避策略 |
| 4.5 基于时间窗的多AGV两阶段动态路径规划算法 |
| 4.5.1 算法流程 |
| 4.5.2 实例分析 |
| 4.6 本章小结 |
| 第5章 基于Flexsim的仿真应用研究 |
| 5.1 Flexsim简介 |
| 5.2 仿真基础数据 |
| 5.2.1 包材参数 |
| 5.2.2 空瓶参数 |
| 5.2.3 成品参数 |
| 5.2.4 设备能力参数 |
| 5.3 Flexsim建模与仿真 |
| 5.3.1 仿真目标确定 |
| 5.3.2 仿真总体布局设计 |
| 5.3.3 仿真实体流程设计 |
| 5.4 仿真实验与分析 |
| 5.4.1 AGV数量的优化配置研究 |
| 5.4.2 路径规划策略应用研究 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（10）货到人拣选系统中订单分批和多机器人任务分配优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 创新点 |
| 2 文献综述 |
| 2.1 拣选系统中订单拣选的相关研究 |
| 2.1.1 人到货拣选系统 |
| 2.1.2 货到人拣选系统 |
| 2.2 订单分批问题相关研究 |
| 2.2.1 订单的分批规则 |
| 2.2.2 订单分批问题求解算法 |
| 2.3 拍卖机制相关研究 |
| 2.3.1 拍卖方式 |
| 2.3.2 拍卖机制的应用 |
| 2.4 多机器人任务分配问题相关研究 |
| 2.4.1 多机器人任务分配方法 |
| 2.4.2 订单拣选作业中多机器人任务分配的应用 |
| 2.5 本章小结 |
| 3 货到人拣选系统的布局与运作模式 |
| 3.1 货到人拣选系统整体布局 |
| 3.1.1 货到人拣选系统分类及基本布局 |
| 3.1.2 货到人拣选系统的设备 |
| 3.2 货到人拣选系统运作模式 |
| 3.2.1 货到人拣选系统的运作流程 |
| 3.2.3 货到人拣选系统与人到货拣选系统区别 |
| 3.3 货到人拣选作业环境建模 |
| 3.3.1 环境建模的方法 |
| 3.3.2 栅格法环境建模 |
| 3.4 本章小结 |
| 4 货到人拣选系统的订单分批研究 |
| 4.1 订单分批问题描述 |
| 4.2 基本假设和符号说明 |
| 4.2.1 基本假设 |
| 4.2.2 符号说明 |
| 4.3 订单分批和批次分配模型建立与求解 |
| 4.3.1 订单批次划分及货架确定——阶段一 |
| 4.3.2 拣选台订单批次分配——阶段二 |
| 4.4 订单分批和批次分配模型求解算法 |
| 4.4.1 订单批次划分 |
| 4.4.2 货架确定 |
| 4.4.3 订单批次分配 |
| 4.5 本章小结 |
| 5 货到人拣选系统的多机器人任务分配 |
| 5.1 多机器人任务分配问题描述 |
| 5.2 基本假设和符号说明 |
| 5.2.1 基本假设 |
| 5.2.2 符号说明 |
| 5.3 多机器人任务分配模型 |
| 5.3.1 栅格化的拣选系统地图模型 |
| 5.3.2 多机器人任务分配的目标 |
| 5.3.3 任务关联及自身代价函数 |
| 5.4 基于拍卖算法求解多机器人任务分配 |
| 5.4.1 搬运机器人的拍卖算法 |
| 5.4.2 搬运机器人的竞标 |
| 5.5 本章小结 |
| 6 货到人拣选系统仿真实验研究与结果分析 |
| 6.1 拣选系统实验环境 |
| 6.1.1 实验环境 |
| 6.1.2 实验参数设置 |
| 6.2 订单分批模型求解 |
| 6.2.1 订单批次划分结果 |
| 6.2.2 拣选台的订单批次分配结果 |
| 6.3 多机器人任务分配实验结果 |
| 6.3.1 方案1——订单直接拣选下的多机器人任务分配 |
| 6.3.2 方案2——订单分批拣选策略下的多机器人任务分配 |
| 6.3.3 方案优化效果对比分析 |
| 6.4 拣选系统环境影响与效果分析 |
| 6.4.1 搬运机器人数量影响与效果分析 |
| 6.4.2 订单数量影响与效果分析 |
| 6.4.3 周转货架储位数影响与效果分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 研究成果与结论 |
| 7.2 研究不足与展望 |
| 参考文献 |
| 附录 部分Matlab程序代码 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、数据仓库中两种数据模型的分析比较（论文参考文献）
- [1]AGV小车设计与调度算法研究[D]. 陈晖. 江南大学, 2021(01)
- [2]B2C网上零售拆分订单合并配送决策方法研究[D]. 李鲁迪. 华北电力大学(北京), 2021(01)
- [3]仓库储位分配算法研究[D]. 吴胜鑫. 电子科技大学, 2021(01)
- [4]基于组合特征与组合分类器的commit分类研究[D]. 王斯滕. 南京邮电大学, 2020(03)
- [5]仓储货位优化及调度模型的研究与实现[D]. 柏乐. 北京邮电大学, 2020(05)
- [6]不同决策模式下生鲜供应链库存-配送策略研究[D]. 李寒冬. 北京交通大学, 2020(03)
- [7]非传统仓储布局订单拣选路径优化与系统实现[D]. 申诚. 南昌大学, 2020(01)
- [8]Fishbone型仓储布局的订单分批及拣选路径研究[D]. 雷兆发. 南昌大学, 2020(01)
- [9]自动化仓库运输路径规划应用研究[D]. 滕智鹏. 长春工业大学, 2020(01)
- [10]货到人拣选系统中订单分批和多机器人任务分配优化研究[D]. 徐冉. 北京交通大学, 2020(03)