CN106651086B - 一种考虑组装工艺的自动化立体仓库调度方法 - Google Patents
一种考虑组装工艺的自动化立体仓库调度方法 Download PDFInfo
- Publication number
- CN106651086B CN106651086B CN201610809089.5A CN201610809089A CN106651086B CN 106651086 B CN106651086 B CN 106651086B CN 201610809089 A CN201610809089 A CN 201610809089A CN 106651086 B CN106651086 B CN 106651086B
- Authority
- CN
- China
- Prior art keywords
- bird nest
- bird
- assembly
- algorithm
- warehouse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 title claims abstract description 26
- 235000005770 birds nest Nutrition 0.000 claims abstract description 66
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 239000000047 product Substances 0.000 claims description 25
- 238000009434 installation Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 9
- 239000004744 fabric Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 239000006227 byproduct Substances 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 201000004569 Blindness Diseases 0.000 claims 1
- 230000002411 adverse Effects 0.000 claims 1
- 239000012536 storage buffer Substances 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 241000544061 Cuculus canorus Species 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000033001 locomotion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑组装工艺的自动化立体仓库调度方法,以“智能制造2025”为出发点,将组装工艺等工业现场约束引入到仓库调度环节,并依据要优化的目标建立了带约束条件的仓库调度优化模型,采用布谷鸟算法对该模型进行求解,并针对布谷鸟算法自身的一些不足进行了改进:提出随机数编码技术,使其能够求解离散域优化问题;其次,提出的发现概率自适应策略不仅保留了较好的鸟巢,而且改进了种群的多样性,提高了算法搜索的广度;再则,提出的步长动态调整策略能够引导算法向最优或次优方向,提高了算法搜索的深度;最终求出在收敛精度及收敛速度上都有较好的效果的优化解。本发明不仅提高了产品的组装效率,而且提升了组装车间的智能化水平。
Description
技术领域
本发明属于智能制造技术领域,更进一步涉及考虑组装工艺的一种新型的自动化立体仓库调度方法。
背景技术
随着《中国制造2025》新兴产业战略规划的出台,智能制造被定位为中国制造的主攻方向,并在各个领域中得到应用。对生产制造企业来讲,智能车间、智能工厂是智能制造的核心,在此背景下,自动化立体仓库在生产制造企业逐步得到应用,组装车间是其应用的一个场合。在组装过程中,如果不结合组装工艺对仓储机器人进行调度,将会使组装效率降低,甚至影响到组装作业的正常进行。因而,寻求一种考虑组装工艺的自动化立体仓库调度方法具有很好的科学意义和社会价值。
截止目前,学者考虑的仓库调度问题主要局限在物流、供应链及港口等传统领域,比如Lu et al.(An algorithm for dynamic order-picking in warehouse operations,European Journal of Operational Research,2016)针对供应链订单调整的情况,运用路由干涉算法对动态订单拣选问题进行了研究;宋等(航空货站自动化存取系统作业调度优化,哈尔滨工业大学学报,2015)以指令序列完工时间最短为优化目标,采用蚁群算法对航空货站存取系统进行调度优化研究,以提高自动化存取系统的效率。这些情况还未将自动化立体仓库应用到企业生产环节当中,本发明结合实际组装车间中的仓库调度优化问题进行了认真的分析研究,提出了一种考虑组装工艺的新型自动化立体仓库调度方法,不仅提高了产品的组装效率,而且提升了组装车间的智能化水平,具有很高的推广价值。
发明内容
有鉴于此,本发明的目的在于提出一种基于改进布谷鸟算法考虑组装工艺的自动化立体仓库调度优化方法,以提高企业组装车间的组装效率和智能化水平。
为了实现上述目的,本发明的构思是:本发明以组装工艺、机器人机械手数量、出库终点为约束条件,以工件出库完成时间及组装任务完工时间总和为优化目标,把考虑组装工艺的自动化立体仓库调度抽象成带约束的组合优化问题。采用改进的布谷鸟算法对该优化问题进行求解。根据上述发明构思,本发明采用下述技术方案:
一种基于改进布谷鸟算法的自动化立体仓库调度方法(Improved Cuckoo SearchAlgorithm,ICSA),其特征在于包括如下步骤:
(1)对组装车间现场存在的一些约束及要优化的目标进行分析,并抽象成数学模型,组装车间对参与组装工件的安装顺序有一定的要求,因而工件到达组装区域时间的早晚将对组装任务的完工时间产生一定的影响;
(3)构建Nn个可行的初始鸟巢;
采用随机数编码技术随机生成Nn长度与待拣选货位个数相同的一维向量,该向量即为鸟巢的位置,根据仓储机器人机械手数量,对解码后的候选解进行插入出入库缓冲区位处理,这样可防止产生不可行解,从而构建出可行的初始鸟巢种群;
(4)计算所有鸟巢的适应度,记录具有最高适应度的鸟巢Xbest;
(5)全局搜索:t=t+1;
(6)局部搜索:i=i+1;
(8)将当前代与上一代的布谷鸟巢位置作比较,保留较好的布谷鸟巢;
(9)产生随机数r,如果r>pa,则随机产生新的鸟巢;
(10)如果i<Nn,则返回步骤(6);否则,按步骤执行;
(11)计算所有鸟巢的适应度,并记录具有最高适应度的鸟巢Xbest;
(12)如果搜索没有达到最大迭代次数,则返回步骤(5);否则,停止搜索,并输出Xbest。
更进一步地,所述步骤(1)中建立的优化模型是基于以下考虑建立的:①为提高组装车间的智能化水平,将组装工艺引入到仓库调度环节;②本着节能降耗的目的对仓库机器人出入库路径进行优化。因而待优化的目标为产品组装所需工件的出入库及产品组装完成时间总和最小,其数学模型表示如下:
min f(t)=O1+O2+O3
其中minf(t)为待优化的目标,O1为所需工件的出入库时间,O2为组装过程中等待工件的时间,O3为非等待情况下工件的安装时间;u为所需工件的总量;m,n分别为工件和产品的类别数量;Qab为安装每类产品所需工件的数量;tij为机器人连续经过两个待拣选货位所需要的时间;Tb为b型工件安装所需时间;为货位pi中的b型工件到达安装区域的时间;eij为机器人在某条路径下是否连续经过货位pi和货位pj的标记;gir为第i个工件是否属于子路径r的标记;sr为机器人是否经过子路径r的标记;σib为货位pi中的工件是否属于b型工件的标记;为货位pi和pj中的工件是否都分配a型产品,且安装呈先后顺序并连续的标记。
7b)在7a)中,表示可针对性的引导算法向最优或次优的方向搜索,表示步长因子可根据进化阶段进行灵活调整,即在进化的早期,算法呈现全局搜索的特性,此时步长因子较大,有利于提高搜索的广度,随着进化的进行,算法所求解将会越来越接近全局最优或次优解,此时步长因子较小,有利于加大搜索的深度。因而,这两个方面保证了步长的动态智能性,将大大提高算法的寻优效率。
更进一步地,所述步骤(9)中的pa可进一步描述为:
9b)在9a)中,pa为自适应发现概率,的值越小,表示个体对种群的贡献越小,其被淘汰的概率就越大,这样可有效避免固定的pa所带来的两个弊端:其一,太大的pa容易使搜索陷入局部最优,致使收敛精度降低;其二,太小的pa容易又使搜索具有盲目性。自适应发现概率策略的实施,不仅保持了种群的多样性,降低算法陷入局部最优的概率,而且能保留较好的个体。
本发明的自动化立体仓库调度算法与现有技术相比较,具有的优点在于:该算法能够产生可行的初始解,并且在搜索过程动态步长能够引导算法向最优或次优方向进化,自适应发现概率能够保留较好的鸟巢,改善种群的多样性,从而保证了求解精度和收敛效率。本发明可以应用于现有加工制造企业组装车间的仓储调度环节中,实现组装效率的提高以及组装车间的智能化。
附图说明
图1是本发明考虑组装工艺的自动化立体仓库调度方法流程图;
图2是本发明对应的组装车间布局图;
图3是本发明针对一个组装任务实例的各算法求解效果对比图;
图4是本发明针对一个组装任务实例的各算法求解均值对比图;
图5是本发明考虑组装工艺的自动化立体仓库调度方法的流程图。
具体实施方式
下面结合附图和优选的实施例,对本发明做进一步的详细阐述。
实施例1
参见图1,本考虑组装工艺的自动化立体仓库调度方法,其特征在于如下具体步骤:
(1)对工业现场存在的约束及要优化的目标进行分析,并抽象为数学模型;
(3)构建Nn个可行的初始鸟巢;
(4)计算所有鸟巢的适应度,记录具有最高适应度的鸟巢Xbest;
(5)全局搜索:t=t+1;
(6)局部搜索:i=i+1;
(8)将当前代与上一代的布谷鸟巢位置作比较,保留较好的布谷鸟巢;
(9)产生随机数r,如果r>pa,则随机产生新的鸟巢;
(10)如果i<Nn,则返回步骤(6);否则,按步骤执行;
(11)计算所有鸟巢的适应度,并记录具有最高适应度的鸟巢Xbest;
(12)如果搜索没有达到最大迭代次数,则返回步骤(5);否则,停止搜索,并输出Xbest。
实施例2
本实施例与实施例一基本相同,特别之处如下:
1所述步骤(1)中所建立的数学模型是基于以下考虑建立的:①为提高组装车间的智能化水平,将组装工艺引入到仓库调度环节;②本着节能降耗的目的对仓库机器人出入库路径进行优化。因而待优化的目标为产品组装所需工件的出入库及产品组装完成时间总和最小,其数学模型表示如下:
min f(t)=O1+O2+O3
其中minf(t)为待优化的目标,O1为所需工件的出入库时间,O2为组装过程中等待工件的时间,O3为非等待情况下工件的安装时间;u为所需工件的总量;m,n分别为工件和产品的类别数量;Qab为安装每类产品所需工件的数量;tij为机器人连续经过两个待拣选货位所需要的时间;Tb为b型工件安装所需时间;为货位pi中的b型工件到达安装区域的时间;eij为机器人在某条路径下是否连续经过货位pi和货位pj的标记;gir为第i个工件是否属于子路径r的标记;sr为机器人是否经过子路径r的标记;σib为货位pi中的工件是否属于b型工件的标记;为货位pi和pj中的工件是否都分配a型产品,且安装呈先后顺序并连续的标记。
2所述步骤(3)构建Nn个可行的初始鸟巢:采用随机数编码技术构建Nn个鸟巢,其规则为:根据待拣选货位的个数,随机生成一个长度与待拣选货位个数相同的一维向量。该向量即为鸟巢的位置,接着对该向量中的元素以升序的方式与待拣选任务号进行一一映射,这样鸟巢位置就可以将待求解表示出来。同时,考虑到仓储机器人机械手数量的限制,对映射后的候选解进行插入出入库缓冲区位处理,这样可防止产生不可行解,从而构建出可行的初始鸟巢种群。
2)在1)中,表示可针对性的引导算法向最优或次优的方向搜索,表示步长因子可根据进化阶段进行灵活调整,即在进化的早期,算法呈现全局搜索的特性,此时步长因子较大,有利于提高搜索的广度,随着进化的进行,算法所求解将会越来越接近全局最优或次优解,此时步长因子较小,有利于加大搜索的深度。因而,这两个方面保证了步长的动态智能性,将大大提高算法的寻优效率。
4所述步骤(9)中的pa可进一步描述为:
2)在1)中,pa为自适应发现概率,的值越小,表示个体对种群的贡献越小,其被淘汰的概率就越大,这样可有效避免固定的pa所带来的两个弊端:其一,太大的pa容易使搜索陷入局部最优,致使收敛精度降低;其二,太小的pa容易又使搜索具有盲目性。自适应发现概率策略的实施,不仅保持了种群的多样性,降低算法陷入局部最优的概率,而且能保留较好的个体。
实施例3
参见图1,本考虑组装工艺的自动化立体仓库调度方法,其具体步骤如下:
(1)确立目标,建立优化模型
该实例组装任务中仓库调度问题具有如下特征:
某企业组装车间组装4种不同型号的产品,并且组装所需工件均在立体仓储中存放,该企业组装车间的总体布局如图1所示。
设仓储机器人水平运动平均速度和垂直运动平均速度分别为vx、vy,并且水平和垂直方向的运动相互独立,同时机器人拥有N个机械手;仓储每个货位的宽、高分别记为W、H,相邻巷道中心间距为Dl,每排货架的列数为C,并把货位坐标定义为li(xi,yi,zi),3个坐标分量依次表示所在货架的列号、层号及巷道号,出入库缓冲区指定为l0(0,0,0)。
定义1如果机器人在执行任务过程中经过路径r,则sr=1;否则,sr=0。如果货位pi属于子路径r,则gir=1;否则,gir=0。
定义2如果机器人在执行任务过程中连续经过货位li(xi,yi,zi)、lj(xj,yj,zj),则eij=1;否则,eij=0。对于巷道两端可进出的仓储系统,机器人所用时间tij可表示为
其中,
A1=(W×|xi-xj|)/vx,
A2=(W×(xi+xj)+Dl×|zi-zj|)/vx,
A3=(W×((C-xi)+(C-xj))+Dl×|zi-zj|)/vx,
B=(H×|yi-yj|)/vy
假定某企业组装车间可组装n类产品,组装产品的工件共有m类,并且完成每类产品的组装需要每类工件的数量为Qab,组装每类单个工件所需时间为Tb,(a∈(1,2,…,n),b∈(1,2,…,m))。
定义4如果货位li(xi,yi,zi)和lj(xj,yj,zj)中的工件都分配给a(a∈(1,2,…,n))型产品进行组装,且安装呈先后顺序并连续,则ψij=1;否则,ψij=0。
该仓储调度的优化目标为所需工件的出入库及产品组装完成时间总和最小,其数学模型包括目标函数和约束,定义如下:
min f(t)=O1+O2+O3 (2)
其中,
(2)厘清约束条件,确立约束关系
t1<t2<…<tm (7)
在上述模型中,式(2)是需要优化的目标;式(3)~(7)为约束条件。其中,式(3)为机器人完成所有任务的路径条数约束;式(4)为待拣选货位只在所有路径中出现一次;式(5)为机器人需完成的任务量;式(6)为机器人的负载约束;式(7)为各类工件安装次序约束。
(3)选用本实施例的优化方法求解考虑组装工艺的仓库调度优化解,其方法就是通过改进型布谷鸟算法在决策变量的可行域内进行进化计算,从而求出最优解或次优解。
优化方法的具体步骤为:
2)构建Nn个可行的初始鸟巢;
随机产生是构造初始解或初始种群一种最普遍的方法。然而,对于有一定约束的优化问题,产生可行的初始解或初始种群对于提高算法的执行效率起到非常关键的作用。本发明依据机器人机械手的数量,通过插入出入库缓冲区位的方式对当前解进行修正,从而得出一个可行解。
3)计算所有鸟巢的适应度,记录具有最高适应度的鸟巢Xbest;
4)全局搜索:t=t+1;
5)局部搜索:i=i+1;
7)将当前代与上一代的布谷鸟巢位置作比较,保留较好的布谷鸟巢;
8)产生随机数r,如果r>pa,则随机产生新的鸟巢;
9)如果i<Nn,则返回步骤5);否则,按步骤执行;
10)计算所有鸟巢的适应度,并记录具有最高适应度的鸟巢Xbest;
11)如果搜索没有达到最大迭代次数,则返回步骤4);否则,停止搜索,并输出Xbest。
实施例4
本实施例设计某企业一个组装车间的仓库调度优化问题,利用本发明求出满足约束条件的最优解或次优解。该企业组装车间组装4种不同型号的产品,并且组装所需工件均在立体仓储中存放,该企业组装车间的总体布局如图2所示。
(1)问题概况
按照上述技术方案以某企业组装车间的自动化立体仓库为应用背景进行示例说明,同时与原始布谷鸟算法(Cuckoo Search Algorithm,CSA)及遗传算法(GeneticAlgorithm,GA)进行了比较,为保证对比的公平性,实验均在在Windows XP系统平台,主频2.19GHz,内存1.99GB,Matlab7.0开发环境下进行。所有算法的种群大小及进化代数分别为40和600;对ICSA来说,和分别为0.1和0.5;对CSA来说,pa为0.4;对遗传算法来说,交叉概率及变异概率分别为0.8、0.1。其他参数为:W、H分别为30cm、40cm。vx、vy分别为1m/s,0.5m/s,Dl为1.2m,C为80列,N为2。假定目前组装4类产品,组装数量均为1。组装产品所需工件共有5类,组装每类产品对每类工件的数量需求如表1所示。
需要的各类工件的具体货位坐标为:1型工件,{(12,5,1),(2,14,3),(42,6,2)};2型工件,{(22,2,4),(20,4,5),(30,1,3),(18,4,3)};3型工件,{(24,3,1),(67,5,12),(10,5,6),(50,2,5)};4型工件,{(59,5,5),(74,4,3),(27,4,6),(42,4,21)};5型工件,{(55,3,5),(32,5,9),(13,5,9),(73,5,5),(62,4,7)}。5类工件的安装所需时间分别为:T1=6s,T2=8s,T3=3s,T4=10s,T5=14s。
(2)优化结果对比分析
为了使比较具有普适性,对每个算法各运行30次,结果如图3、图4和表2。
由图3可知,ICSA相对传统的CSA和GA在最优解、收敛速度上都表现出良好的性能。对于图3出现的现象,图4从两个方面给予了证明:首先,本文提出的发现概率自适应策略不仅保留了较好的鸟巢,而且改进了种群的多样性,提高了算法搜索的广度;其次,本文提出的步长动态调整策略能够引导算法向最优或次优方向,提高了算法搜索的深度。这两者对ICSA在求解精度及收敛效率上起到至关重要的作用。表2中的结果进一步表明,改进的ICSA的确改善了解的质量与求解效率,同时,较小的标准差揭示了ICSA具有较好的收敛稳定性。
表1组装每类产品对每类工件的数量需求
表2算法求解情况比较
这些实施例仅用于说明本发明而不用于限制本发明的范围。另外本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样属于本申请所附权利要求书所限定的范围之内。
Claims (4)
1.一种考虑组装工艺的自动化立体仓库调度方法,其特征在于如下具体步骤:
(1)对工业现场存在的约束及要优化的目标进行分析,并抽象为数学模型;
(3)构建Nn个可行的初始鸟巢;
(4)计算所有鸟巢的适应度,记录具有最高适应度的鸟巢Xbest;
(5)全局搜索:t=t+1;
(6)局部搜索:i=i+1;
(8)将当前代与上一代的布谷鸟巢位置作比较,保留较好的布谷鸟巢;
(9)产生随机数r,如果r>pa,则随机产生新的鸟巢;
(10)如果i<Nn,则返回步骤(6);否则,按步骤执行;
(11)计算所有鸟巢的适应度,并记录具有最高适应度的鸟巢Xbest;
(12)如果搜索没有达到最大迭代次数,则返回步骤(5);否则,停止搜索,并输出Xbest;
步骤(1)中所建立的数学模型是基于以下考虑建立的:①为提高组装车间的智能化水平,将组装工艺引入到仓库调度环节;②本着节能降耗的目的对仓库机器人出入库路径进行优化,因而待优化的目标为产品组装所需工件的出入库及产品组装完成时间总和最小,其数学模型表示如下:
minf(t)=O1+O2+O3
其中minf(t)为待优化的目标,O1为所需工件的出入库时间,O2为组装过程中等待工件的时间,O3为非等待情况下工件的安装时间;u为所需工件的总量;m,n分别为工件和产品的类别数量;Qab为安装每类产品所需工件的数量;tij为机器人连续经过两个待拣选货位所需要的时间;Tb为b型工件安装所需时间;为货位pi中的b型工件到达安装区域的时间;eij为机器人在某条路径下是否连续经过货位pi和货位pj的标记;gir为第i个工件是否属于子路径r的标记;sr为机器人是否经过子路径r的标记;σib为货位pi中的工件是否属于b型工件的标记;为货位pi和pj中的工件是否都分配a型产品,且安装呈先后顺序并连续的标记。
2.根据权利要求1所述的考虑组装工艺的自动化立体仓库调度方法,其特征在于所述步骤(3)构建Nn个可行的初始鸟巢:采用随机数编码技术构建Nn个鸟巢,其规则为:根据待拣选货位的个数,随机生成一个长度与待拣选货位个数相同的一维向量,该向量即为鸟巢的位置,接着对该向量中的元素以升序的方式与待拣选任务号进行一一映射,这样鸟巢位置就可以将待求解表示出来,同时,考虑到仓储机器人机械手数量的限制,对映射后的候选解进行插入出入库缓冲区位处理,这样可防止产生不可行解,从而构建出可行的初始鸟巢种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610809089.5A CN106651086B (zh) | 2016-09-07 | 2016-09-07 | 一种考虑组装工艺的自动化立体仓库调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610809089.5A CN106651086B (zh) | 2016-09-07 | 2016-09-07 | 一种考虑组装工艺的自动化立体仓库调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651086A CN106651086A (zh) | 2017-05-10 |
CN106651086B true CN106651086B (zh) | 2020-06-26 |
Family
ID=58851592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610809089.5A Active CN106651086B (zh) | 2016-09-07 | 2016-09-07 | 一种考虑组装工艺的自动化立体仓库调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651086B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658563A (zh) * | 2018-12-12 | 2019-04-19 | 广州小楠科技有限公司 | 一种有效的智能门禁系统 |
CN110033121B (zh) * | 2019-03-08 | 2023-06-23 | 河南科技学院 | 一种求解带过道仓储作业优化问题的多物种协同进化方法 |
CN110070212A (zh) * | 2019-03-26 | 2019-07-30 | 河南科技学院 | 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法 |
CN112926908B (zh) * | 2019-12-06 | 2023-08-29 | 中国科学技术大学 | 一种用于立体仓库的存储设置方法 |
CN112100824B (zh) * | 2020-08-26 | 2024-02-27 | 西安工程大学 | 一种改进的布谷鸟算法及优化机器人结构参数的方法 |
CN116280512B (zh) * | 2023-02-06 | 2023-09-22 | 荣耀终端有限公司 | 物品摆放方式生成方法和装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504795B (zh) * | 2008-11-03 | 2010-12-15 | 天津理工大学 | 应用于立体车库车位调度的dsp控制系统的工作方法 |
CN102063667A (zh) * | 2011-01-06 | 2011-05-18 | 北京物美商业集团股份有限公司 | 一种实现多线并行拣选的方法 |
CN103049800B (zh) * | 2012-12-17 | 2016-08-03 | 上海大学 | 一种存储时间受限的自动化立体仓库调度多目标优化方法 |
CN104408589B (zh) * | 2014-10-24 | 2018-03-06 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN104808629B (zh) * | 2015-04-20 | 2017-08-22 | 广东工业大学 | 一种柔性机器人制造单元的调度方法 |
CN104835026B (zh) * | 2015-05-15 | 2018-01-09 | 重庆大学 | 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法 |
CN104914835A (zh) * | 2015-05-22 | 2015-09-16 | 齐鲁工业大学 | 一种柔性作业车间调度多目标的方法 |
CN105260785B (zh) * | 2015-08-24 | 2020-06-23 | 屈迟文 | 一种基于改进布谷鸟算法的物流配送车辆路径优化方法 |
-
2016
- 2016-09-07 CN CN201610809089.5A patent/CN106651086B/zh active Active
Non-Patent Citations (1)
Title |
---|
自动化仓库巷道网络AGV货区遍历优化—设计基于优先权遗传算法实现;侯晓琴 等;《计算机工程与应用》;20161231;31-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN106651086A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651086B (zh) | 一种考虑组装工艺的自动化立体仓库调度方法 | |
Lee et al. | Robotics in order picking: evaluating warehouse layouts for pick, place, and transport vehicle routing systems | |
Asokan et al. | Application of adaptive genetic algorithm and particle swarm optimisation in scheduling of jobs and AS/RS in FMS | |
CN104408589B (zh) | 基于混合粒子群算法的agv优化调度方法 | |
CN113222293B (zh) | 一种智能立体仓库优化调度方法 | |
CN109800904B (zh) | 带时间窗的装配式建筑预制件配送路径优化方法及系统 | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
CN108764579B (zh) | 一种基于拥塞控制的仓储多机器人任务调度方法 | |
CN105858044B (zh) | 一种穿梭车与升降机结合的仓储系统优化调度方法 | |
CN105858043B (zh) | 一种升降机与穿梭车结合的仓储系统优化调度方法 | |
CN113627712A (zh) | 一种仓储系统穿梭车作业顺序优化方法 | |
CN112766865A (zh) | 一种考虑实时订单的互联网电商仓储动态调度方法 | |
CN115145285A (zh) | 一种仓储agv多点取送货最优路径规划方法及系统 | |
CN115859785A (zh) | 一种立体仓库货位分配及作业调度的多目标集成优化方法 | |
CN111401611A (zh) | 一种化工厂设备巡检点路线优化方法 | |
CN116822884B (zh) | 一种柔性制造系统中多天车协同调度方法 | |
CN112989696A (zh) | 一种基于移动机器人的自动拣选系统货位优化方法及系统 | |
Hameed et al. | Automatic storage and retrieval system using the optimal path algorithm | |
CN113537841B (zh) | 一种考虑客户满意度的堆场起重机调度优化方法 | |
Wu et al. | Optimal Scheduling for Retrieval Jobs in Double‐Deep AS/RS by Evolutionary Algorithms | |
CN115755801A (zh) | 基于sqp-cs的船舶建造车间工序优化方法及系统 | |
CN109141438B (zh) | 一种叉车全局路径规划方法 | |
Song et al. | Scheduling optimization of automated storage and retrieval system based on four-way shuttles | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Wang et al. | Layout optimisation of fishbone robotic mobile fulfilment system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |