CN107944616A - 一种鱼骨型立体仓库的货位分配方法 - Google Patents
一种鱼骨型立体仓库的货位分配方法 Download PDFInfo
- Publication number
- CN107944616A CN107944616A CN201711154499.1A CN201711154499A CN107944616A CN 107944616 A CN107944616 A CN 107944616A CN 201711154499 A CN201711154499 A CN 201711154499A CN 107944616 A CN107944616 A CN 107944616A
- Authority
- CN
- China
- Prior art keywords
- mrow
- particle
- msubsup
- goods yard
- msub
- 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.)
- Pending
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
一种鱼骨型立体仓库的货位分配方法,包括:S1.设置仓库货位和货物参数;S2.初始化粒子的位置和速度,并在区间内生成初始粒子群;S3.评价各个粒子的适应度;S4.更新各个粒子的个体最优值和粒子群的全局最优值;S5.迭代更新粒子的速度和位置;S6.判断更新后的粒子位置是否有效,如是则进行S8;否则转S7;S7.对粒子进行变异操作,再返回S6;S8.将更新后生成的新的粒子状态与更新前的粒子状态对比,取其中适应度较大的粒子作为下一代更新的初始粒子,然后判断是否达到算法终止迭代次数,如是则进行S9,否则进入S3步骤;S9.输出最优货位分配方案。本发明分配方案在出入库效率与货架稳定性两个方面取得最优效果。
Description
技术领域
本申请涉及仓库管理技术领域,具体涉及一种鱼骨型立体仓库的货位分配方法。
背景技术
随着德国“工业4.0”及我国“智能制造2025”计划相继提出,智能工厂、智能生产、智能物流以及整个生产制造供应链的智能化已成为科研实践热点。仓储管理环节由原来不受重视的作业性、辅助性角色,上升为企业运营战略的重要环节也成为企业取得竞争优势、降低成本的利润源泉。当前诸多仓储管理作业仍依赖人为主观习惯和历史经验,既浪费大量存储空间,且工作效率不高。因此如何增强仓储管理智能化水平从而提高仓储系统的运行效率、降低成本已成为企业亟待解决的问题。
长期以来,国内外仓储作业优化研究主要针对传统布局(单分区或双分区)仓库,但近年来,随着以鱼骨型为代表的非传统布局方式的革新与发展以及其在空间利用率和运作效率方面表现出的优势,非传统布局立体仓库越来越受到追捧,在国内外实践中逐渐得到了推广应用。
然而,在鱼骨型非传统布局立体仓库中如何合理的分配仓储货位一直是制约其进一步推广应用的重要阻碍。不合理的货位分配不但不能发挥鱼骨型仓库在运作效率方面的优势,还将消耗大量的人力、物力和时间成本。
发明内容
本申请提供一种鱼骨型立体仓库的货位分配方法,以优化货位分配,降低仓储管理成本。
根据第一方面,一种实施例中提供一种鱼骨型立体仓库的货位分配方法,包括:S1.设置仓库货位参数和货物参数;S2.依据货位参数和货物参数得到粒子位置搜索区间与飞行速度区间,在区间内初始化粒子的位置和速度,并在区间内生成初始粒子群;S3.评价各个粒子的适应度;S4.更新各个粒子的个体最优值和粒子群的全局最优值;S5.迭代更新粒子的速度和位置;S6.判断更新后的粒子位置是否有效,如是则进行S8;否则转S7;S7.对粒子进行变异操作,再返回S6;
S8.将更新后生成的新的粒子状态与更新前的粒子状态进行对比,取其中适应度较大的粒子作为下一代更新的初始粒子,然后判断是否达到算法终止迭代次数,如是则进行S9,否则进入S3步骤;S9.选取粒子群中适应度最大的粒子作为分配结果,输出最优货位分配方案。
优选地,步骤S2中初始化粒子的位置和速度的方法为:货位参数包括货位位置信息,货位位置信息由4个维度参数(k,x,y,z)组成,其中k为货区号,x为货位的排数,y为货位的列数,z为货位层数,粒子n的初始位置为:
初始飞行速度为:
其中N为粒子群中的粒子数量,i为待分配货位的货物。
优选地,评价粒子适应度的方法为:
计算粒子出入库效率目标函数f1,
其中,i为待分配货位的货物,ri为货物存取频率,v1为运输小车水平运动速率,v2为运输小车垂直运动速率,lx为运输小车从出入口沿主通道到分配货位所在货架的距离,ly为从主通道到所在列的距离,lh为垂直距离;
取目标函数f1最优值得到效率最高单目标函数最优值f1opt;
量纲归一化处理得到效率最高子目标函数:
计算货位分配的重心目标函数f2,
其中i为待分配货位的货物,mi为货物质量、z为货位层数,eh为货位高度
取目标函数f2最优值得到重心最低单目标函数最优值f2opt;
量纲归一化处理得到重心最低子目标函数:
将两个子目标函数值乘以对应权重得到总目标函数值;
F=w1*F1+w2*F2,其中w1为入库效率最高的权重、w2为货架稳定性最好的权重;
总目标函数值取倒数得到粒子的适应度,G=1/F。
优选地,更新粒子的个体最优值和粒子群的全局最优值的方法为:将当代粒子的适应度与前代粒子的适应度对比,取适应度值大的作为个体最优值,在粒子群中选取适应度最大的适应度值作为全局最优值。
优选地,迭代更新粒子的速度和位置的方法为:采用惯性权重递减策略在飞行速度区间内更新粒子群的飞行速度,如果飞行速度超过速度限幅则进行修正;运用飞行速度对粒子位置在位置搜索区间内进行更新。
优选地,惯性权重递减策略更新第t代速度更新的权重wt为:
w0为初始权重,wT为终止权重,T:最大迭代次数;
粒子n在第t代的第s(s=1,2,…,4*i)维的飞行速度为:
其中,c1,c2是粒子群算法的学习因子;b1,b2是(0,1)之间的随机数;是个体n的历史最优位置;为全局最优位置。
为粒子n在t-1代的s维度的位置,从粒子的速度更新求得粒子的位置更新:
优选地,步骤S7包括找出位置更新后分配的无效货位参数,对无效的货位参数进行重置,使其生成维度范围内可行的货位参数,再返回S6。
依据上述实施例的鱼骨型立体仓库的货位分配方法,由于不断的迭代更新粒子的个体最优值和粒子群的全局最优值,筛选出最优粒子,使得输出最优分配方案。本发明在出入库效率与货架稳定性两个方面取得最优效果,且算法求解过程稳健并具有很好的收敛性。
附图说明
图1为本发明流程图。
图2是本发明中鱼骨型非传统布局立体仓库的平面示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
请参考图1,本发明鱼骨型立体仓库的货位分配方法包括以下步骤:
S1.设置仓库货位参数和货物参数;
S2.依据货位参数和货物参数得到粒子位置搜索区间与飞行速度区间,在区间内初始化粒子的位置和速度,并在区间内生成初始粒子群;
S3.评价各个粒子的适应度;
S4.更新各个粒子的个体最优值和粒子群的全局最优值;
S5.迭代更新粒子的速度和位置;
S6.判断更新后的粒子位置是否有效,如是则进行S8;否则转S7;
S7.对粒子进行变异操作,再返回S6;
S8.将更新后生成的新的粒子状态与更新前的粒子状态进行对比,取其中适应度较大的粒子作为下一代更新的初始粒子,然后判断是否达到算法终止迭代次数,如是则进行S9,否则进入S3步骤;
S9.选取粒子群中适应度最大的粒子作为分配结果,输出最优货位分配方案。
其中,鱼骨型仓库货位分配优化方法中输入与货位相关参数有:货位长度el、货位宽度ew、货位高度eh;
鱼骨型仓库货位分配优化方法中输入与货物相关参数有:待分配货位的货物i、货物质量mi、货物存取频率ri、运输小车水平运动速率v1、运输小车垂直运动速率v2;
鱼骨型仓库货位分配优化方法中输入与优化目标相关参数有:入库效率最高的权重w1、货架稳定性最好的权重w2。
初始化货位分配离散粒子群算法的参数包括:粒子群规模N、最大迭代次数T、粒子群算法学习因子c1和c2、惯性初始权重wo和惯性终止权重wT。
在步骤S2中,根据待入库货物参数以及鱼骨型仓库特征分析,设置离散粒子群算法的粒子位置搜索空间[Xmin,Xmax]与飞行速度范围区间[Vmin,Vmax];在粒子位置与飞行速度的有效区间内随机生成一定规模的初始粒子群。
鱼骨型立体仓库中某个货位位置信息由4个维度参数(k,x,y,z)组成。其中k(k=1,2,3,4...kmax)为货区号,x(x=1,2,…,xmax)为货位的排数,y(y=1,2,…,ymax)为货位的列数,z(z=1,2,…,zmax)为货位层数,并且y与x存在如下关系式:
(Y是第一排列数)
粒子的一个飞行位置代表一种货位分配方式。每个货位有4个维度,则一种布局方式有4*i个维度。粒子n在第0代(初始代)时飞行位置状态表示为:
对粒子的飞行速度设置最小与最大限制[Vmin,Vmax],且飞行速度有4*i个维度,则初始飞行速度表示为:
在步骤S3中,评价粒子适应度的方法为:
计算粒子出入库效率目标函数f1,
其中,ri为货物存取频率,v1为运输小车水平运动速率,v2为运输小车垂直运动速率,lx为运输小车从出入口沿主通道到分配货位所在货架的距离,ly为从主通道到所在列的距离,lh为垂直距离;
ly=(y-1)×ew;lh=(z-1)×eh
取目标函数f1最优值得到效率最高单目标函数最优值f1opt;
量纲归一化处理得到效率最高子目标函数:
计算货位分配的重心目标函数f2,
待分配货位的货物i,其中mi为货物质量、z为货位层数,eh为货位高度
取目标函数f2最优值得到重心最低单目标函数最优值f2opt;
量纲归一化处理得到重心最低子目标函数:
将两个子目标函数值乘以对应权重得到总目标函数值;
F=w1*F1+w2*F2,其中w1为入库效率最高的权重、w2为货架稳定性最好的权重;
总目标函数值取倒数得到粒子的适应度,G=1/F。
在步骤S4中,将各个粒子初始化适应度值分别作为第一代的个体最优值,将初始化粒子群中最优个体适应度值作为粒子群全局最优值;
从S3得到当代粒子适应度值,更新各个粒子的个体最优值。即如果粒子的个体最优值与当代适应度值相等,则说明当前个体是历史最优值个体;否则,粒子的个体最优值和最优个体保持不变;
从个体最优值中选取最大的适应度值更新为当前粒子群的全局最优值,并相应地对全局最优个体进行替换更新。
总结即是:将当代粒子的适应度与前代粒子的适应度对比,取适应度值大的作为个体最优值,在粒子群中选取最大的适应度值作为全局最优值,并完成个体最优位置和全局最优位置的替换更新。
在步骤S5中,采用惯性权重递减策略更新粒子群的飞行速度,如果飞行速度超过速度限幅则进行修正;然后运用飞行速度对粒子位置进行更新。
惯性权重递减策略更新方式如下表达所示,当第t代速度更新中的权重wt设置为:
w0为初始权重,wT为终止权重,T:最大迭代次数;
粒子n在第t代的第s(s=1,2,…,4*i)维的飞行速度调整为下式:
其中,c1,c2是粒子群算法的学习因子;b1,b2是(0,1)之间的随机数;是个体n的历史最优位置;为全局最优位置。
为粒子n在t-1代的s维度的位置,从粒子的速度更新求得粒子的位置更新:
如果此时飞行速度超过限幅,则进行速度修正。算法初期时w较大,算法的全局搜索能力较强;到算法后期时w较小,算法的局部搜索能力增强。
从粒子的速度更新可求得粒子的位置更新,更新方式如下式:
步骤S6中,具体包括检查更新后的粒子位置是否符合鱼骨型仓库布局货位分配特征,即每个货位的4个维度参数是否合理有效;
同时检查更新后的粒子位置是否存在两个货位完全相同的情况。
在步骤S7中,具体来说是对更新后不可行的货位位置,进行变异操作。变异操作首先找出无效的分配货位参数,再对这些无效的参数进行重置,使其生成维度范围内可行的货位参数。
在步骤S8中,将更新与变异后生成的新的粒子状态与更新前的粒子状态进行对比,取其中适应度较大的粒子作为下一代更新的初始粒子;判断此时的迭代次数是否超过粒子群算法的终止代数,若超过则算法终止,进入步骤S9,否则迭代次数加一返回S3继续执行算法。
S9.选取粒子群中适应度最大的粒子作为分配结果,输出最优货位分配方案。
以下通过一个具体的例子,对本实施例中的方法加以进一步说明。
某公司鱼骨型非传统布局立体仓库平面图如图2所示,设置的货位参数分别为货位长度el=1m、货位宽度ew=1m、货位高度eh=0.8m;运输小车水平运动速率v1=2m/s、运输小车垂直运动速率v2=0.5m/s;目标函数一入库效率最高的权重w1=1、目标函数二货架稳定性最好的权重w2=1;待分配货位的货物信息单如表1所示,其中包括了货物编号i、货物的质量mi、货物存取频率ri、货物所需占货位数。
表1等分配货位的货物信息单
基于对问题规模和算法特征的分析,本实施例中步骤S2设置离散粒子群算法的相关参数为:粒子群规模N=20、最大迭代次数T=1000、学习因子c1=2和c2=2、惯性权重wo=0.8和wT=0。
根据图2鱼骨型非传统布局立体仓库平面示意图,整个仓库共有4个均分拣货区,有一个存取点和两条拣货主通道,货架按照鱼骨型布局型式摆放,每排货架有4层,最大排数为9。该仓库中任意一个货位可由4维参数组成的货位信息表示,其中k(k=1,2,3,4)为货区号,x(x=1,2,…,xmax)为货位的排数,y(y=1,2,…,ymax)为货位的列数,z(z=1,2,…,zmax)为货位层数。位于k区x排y列z层的货位记为(k,x,y,z),例如(4273)表示该货位位于4区2排7列3层。鱼骨型布局立体仓库的特殊性决定了每一排货架的最大列数各不相同,这也是货位分配时的难点所作,本实例中最大列数与货架的排数存在如下关系:
Y是第一排货架的列数
由此,在本实施例中使用粒子的一个飞行位置状态表示一种货位分配的方式(即一个可行解),而单个货位又有4个维度的参数,则一种货位分配方式(一个粒子状态)就有4*i个参数信息组成。且根据鱼骨型仓库布局的特征,每个维度的参数在搜索空间上又有一定的限制区间[Xmin,Xmax],那么在搜索空间内随机生成可行的参数再剔除4维(k,x,y,z)参数完全相同的情况就可以构造一个粒子初始状态,重复N次(N=20)可得到初始粒子群。如粒子n在第0代(初始代)时的状态可表示为:
同样地,对粒子的飞行速度也设置了限制区间[Vmin,Vmax],如果某一维度的飞行速度超出限幅,则需进行“极限”修正,使其满足于限幅。
则初始飞行速度可由4*i个参数表示,同理可得初始粒子群的速度状态,如粒子n在第0代(初始代)的飞行速度可表示为:
得到了初始粒子群后则要对粒子进行评价,也就是计算各个粒子的适应度。本发明实施例中粒子的适应度值为总目标函数的倒数,总目标函数越大,适应度越小。而总目标函数值又由两个子目标函数值加权求得。但又由于两个子目标值的量纲不同,因此需要对子目标进行量纲归一化处理。量纲归一化的具体操作方式是将两个子目标分别当作单目标函数进行求解,分别求得单目标情况下的各自最优值,然后按照下式进行转化:
对于目标函数一,评价货位分配方案的入库效率也就是要计算完成所有货物入库总运输耗时最少,而货物从入库点到被分配的货位的距离由三部分距离构成:运输小车从出入口到分配货位所在货架的距离(主通道距离)lx,从主通道到所在列的距离(拣货通道距离)ly,垂直距离lh;具体表达式为:
ly=(y-1)×ew;lh=(z-1)×eh
则计算货位分配方案的入库效率值由以下函数式求得:
对于目标函数二,评价货位分配方案的稳定性最好的优化目标,即计算完成货位分配后使得总的货位重心最低,具体的计算方法如下式所示:
经过量纲归一化处理后,再利用两个子目标函数进行加权求和,可得各个粒子的总目标函数值,进一步可转化为各个粒子的适应度。然后,将此时求得的适应度值分别作为初始的个体最优值,将种群的最优值作为初始的全局最优值。
再对粒子的状态进行更新,包括速度和位置两个方面的更新。速度更新的方式采用惯性权重递减策略,主要是指每一次迭代中速度更新的权重值呈线性递减。此种策略的优势在于,当算法迭代初期时w值较大,算法的全局搜索能力较强;当到算法后期时w值较小而算法具有较好的局部搜索性能。因此当第t代时速度更新中的权重wt设置为:
w0为初始权重,wT为终止权重,T:最大迭代次数;
则粒子n在第t代的第s(s=1,2,…,4*i)维的飞行速度调整过程为下式:
其中,c1,c2是粒子群算法的学习因子;b1,b2是(0,1)之间的随机数;是个体n的历史最优位置;为全局最优位置。
如果更新后速度超过限幅,则进行“极限”修正,即超过上限取上限,小于下限取下限。由此可进一步求得位置的更新值,则每一维度的位置更新方式如下式所示:
但是,此时得到更新位置未必有效,因为此时的值可能超出搜索空间范围或存在两个完全一样的货位分配情况(即两个货物被分配到同一个货位),因此需要对更新后的位置作进一步的判断。若某个粒子存在无效或重复的货位维度参数,则进行变异操作。变异操作具体来说是指对无效的货位参数值进行重新随机取值,使其符合搜索空间且要排除两个货物被分配在同一个货位的情况。
经过以上步骤每个粒子得到了更新且有效的状态,将粒子更新前、后的位置状态进行对比,即计算适应度值,取其中适应度值较大的粒子作为下一代更新的初始粒子,这样做的目的是保持下一代粒子状态不会比上一代差,利于算法收敛。然后,对此时的迭代次数进行判断,若小于算法迭代终止次数,则迭代次数加一,算法继续进入对粒子的评价、更新、迭代、变异等操作循环。直至满足迭代次数超过算法终止代数T(1000次),则算法终止,选取当前粒子群中适应度最大的粒子作为优化结果,输出最优的货位分配方案。
在本实施例中,求得最优货位分配方案结果如表2所示。同时本申请一种鱼骨型立体仓库货位分配方法求解过程稳健且具有很好的收敛性;从求得的最优结果来看,初始状态时粒子群的目标函数平均值为29732,经过本发明的方法求得的目标函数平均值为17268,优化效果达到41.92%。从而进一步地验证了本方法用于解决鱼骨型非传统布局立体仓库的货位分配优化问题的有效性与优越性。
表2实施例中的货位分配结果
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (7)
1.一种鱼骨型立体仓库的货位分配方法,其特征在于包括:
S1.设置仓库货位参数和货物参数;
S2.依据货位参数和货物参数得到粒子位置搜索区间与飞行速度区间,在区间内初始化粒子的位置和速度,并在区间内生成初始粒子群;
S3.评价各个粒子的适应度;
S4.更新各个粒子的个体最优值和粒子群的全局最优值;
S5.迭代更新粒子的速度和位置;
S6.判断更新后的粒子位置是否有效,如是则进行S8;否则转S7;
S7.对粒子进行变异操作,再返回S6;
S8.将更新后生成的新的粒子状态与更新前的粒子状态进行对比,取其中适应度较大的粒子作为下一代更新的初始粒子,然后判断是否达到算法终止迭代次数,如是则进行S9,否则进入S3步骤;
S9.选取粒子群中适应度最大的粒子作为分配结果,输出最优货位分配方案。
2.如权利要求1所述的鱼骨型立体仓库的货位分配方法,其特征在于,步骤S2中初始化粒子的位置和速度的方法为:
货位参数包括货位位置信息,货位位置信息由4个维度参数(k,x,y,z)组成,其中k为货区号,x为货位的排数,y为货位的列数,z为货位层数,粒子n的初始位置为:
<mrow>
<msubsup>
<mi>X</mi>
<mi>n</mi>
<mn>0</mn>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
<mn>0</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>y</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>z</mi>
<mrow>
<mi>n</mi>
<mi>i</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mo>&ForAll;</mo>
<mi>n</mi>
<mo>&Element;</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
</mrow>
初始飞行速度为:
其中N为粒子群中的粒子数量,i为待分配货位的货物。
3.如权利要求1所述的鱼骨型立体仓库的货位分配方法,其特征在于,评价粒子适应度的方法为:
计算粒子n出入库效率目标函数f1,
其中,i为待分配货位的货物,ri为货物存取频率,v1为运输小车水平运动速率,v2为运输小车垂直运动速率,lx为运输小车从出入口沿主通道到分配货位所在货架的距离,ly为从主通道到所在列的距离,lh为垂直距离;
取目标函数f1最优值得到效率最高单目标函数最优值f1opt;
量纲归一化处理得到效率最高子目标函数:
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>;</mo>
</mrow>
计算货位分配的重心目标函数f2,
其中mi为货物质量、z为货位层数,eh为货位高度
取目标函数f2最优值得到重心最低单目标函数最优值f2opt;
量纲归一化处理得到重心最低子目标函数:
<mrow>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<mi>o</mi>
<mi>p</mi>
<mi>t</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>;</mo>
</mrow>
将两个子目标函数值乘以对应权重得到总目标函数值;
F=w1*F1+w2*F2,其中w1为入库效率最高的权重、w2为货架稳定性最好的权重;
总目标函数值取倒数得到粒子的适应度,G=1/F。
4.如权利要求1所述的鱼骨型立体仓库的货位分配方法,其特征在于,更新粒子的个体最优值和粒子群的全局最优值的方法为:
将当代粒子的适应度与前代粒子的适应度对比,取适应度值大的作为个体最优值,在粒子群中选取适应度最大的适应度值作为全局最优值。
5.如权利要求1所述的鱼骨型立体仓库的货位分配方法,其特征在于,迭代更新粒子的速度和位置的方法为:
采用惯性权重递减策略在飞行速度区间内更新粒子群的飞行速度,如果飞行速度超过速度限幅则进行修正;
运用飞行速度对粒子位置在位置搜索区间内进行更新。
6.如权利要求5所述的鱼骨型立体仓库的货位分配方法,其特征在于,惯性权重递减策略更新第t代速度更新的权重wt为:
w0为初始权重,wT为终止权重,T:最大迭代次数;
粒子n在第t代的第s(s=1,2,…,4*i)维的飞行速度为:
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msup>
<mi>w</mi>
<mi>t</mi>
</msup>
<msubsup>
<mi>v</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>p</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>g</mi>
<mi>s</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中,c1,c2是粒子群算法的学习因子;b1,b2是(0,1)之间的随机数;是个体n的历史最优位置;为全局最优位置;
为粒子n在t-1代的s维度的位置,从粒子的速度更新求得粒子的位置更新:
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>n</mi>
<mi>s</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>.</mo>
</mrow>
7.如权利要求1所述的鱼骨型立体仓库的货位分配方法,其特征在于,步骤S7包括找出位置更新后分配的无效货位参数,对无效的货位参数进行重置,使其生成维度范围内可行的货位参数,再返回S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711154499.1A CN107944616A (zh) | 2017-11-20 | 2017-11-20 | 一种鱼骨型立体仓库的货位分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711154499.1A CN107944616A (zh) | 2017-11-20 | 2017-11-20 | 一种鱼骨型立体仓库的货位分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107944616A true CN107944616A (zh) | 2018-04-20 |
Family
ID=61931930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711154499.1A Pending CN107944616A (zh) | 2017-11-20 | 2017-11-20 | 一种鱼骨型立体仓库的货位分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944616A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009138A (zh) * | 2019-03-12 | 2019-07-12 | 北京工业大学 | 一种基于粒子群优化算法的三酸化工仓库货位布局方法 |
CN111815019A (zh) * | 2020-06-04 | 2020-10-23 | 厦门汉印电子技术有限公司 | 生产物料存放方法、装置、设备及可读存储介质 |
CN112308274A (zh) * | 2019-07-31 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 一种可供应量分配方法和装置 |
CN113269426A (zh) * | 2021-05-18 | 2021-08-17 | 哈尔滨工程大学 | 一种基于启发式改进粒子群算法的宿舍分配方法 |
CN113516293A (zh) * | 2021-05-25 | 2021-10-19 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN113570025A (zh) * | 2021-07-16 | 2021-10-29 | 东南大学 | 一种基于离散粒子群算法的电商仓储中心货位分配方法 |
CN114693189A (zh) * | 2022-05-31 | 2022-07-01 | 南京信息工程大学 | 板体翻堆落位方法、系统、存储介质及计算设备 |
CN116050671A (zh) * | 2023-03-31 | 2023-05-02 | 成都思越智能装备股份有限公司 | 一种自动化立体仓库货架信息自动维护的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN106779153A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种智能立体仓库货位分配优化方法 |
-
2017
- 2017-11-20 CN CN201711154499.1A patent/CN107944616A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN105430706A (zh) * | 2015-11-03 | 2016-03-23 | 国网江西省电力科学研究院 | 一种基于改进粒子群算法的无线传感网络路由优化方法 |
CN106779153A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种智能立体仓库货位分配优化方法 |
Non-Patent Citations (4)
Title |
---|
刘艳秋等: "基于Fishbone的仓储货位分配优化", 《物流科技》 * |
李会荣等: "一种非线性递减惯性权重策略的粒子群优化算法", 《商洛学院学报》 * |
李鹏飞等: "基于病毒协同遗传算法的自动化立体仓库货位优化模型", 《中国管理科学》 * |
陈月婷等: "基于改进粒子群算法的立体仓库货位分配优化", 《计算机工程与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009138A (zh) * | 2019-03-12 | 2019-07-12 | 北京工业大学 | 一种基于粒子群优化算法的三酸化工仓库货位布局方法 |
CN112308274A (zh) * | 2019-07-31 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 一种可供应量分配方法和装置 |
CN111815019A (zh) * | 2020-06-04 | 2020-10-23 | 厦门汉印电子技术有限公司 | 生产物料存放方法、装置、设备及可读存储介质 |
CN113269426A (zh) * | 2021-05-18 | 2021-08-17 | 哈尔滨工程大学 | 一种基于启发式改进粒子群算法的宿舍分配方法 |
CN113516293A (zh) * | 2021-05-25 | 2021-10-19 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN113516293B (zh) * | 2021-05-25 | 2022-06-14 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN113570025A (zh) * | 2021-07-16 | 2021-10-29 | 东南大学 | 一种基于离散粒子群算法的电商仓储中心货位分配方法 |
CN113570025B (zh) * | 2021-07-16 | 2022-11-18 | 东南大学 | 一种基于离散粒子群算法的电商仓储中心货位分配方法 |
CN114693189A (zh) * | 2022-05-31 | 2022-07-01 | 南京信息工程大学 | 板体翻堆落位方法、系统、存储介质及计算设备 |
CN116050671A (zh) * | 2023-03-31 | 2023-05-02 | 成都思越智能装备股份有限公司 | 一种自动化立体仓库货架信息自动维护的方法 |
CN116050671B (zh) * | 2023-03-31 | 2023-06-02 | 成都思越智能装备股份有限公司 | 一种自动化立体仓库货架信息自动维护的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944616A (zh) | 一种鱼骨型立体仓库的货位分配方法 | |
CN107808215A (zh) | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 | |
Mohammed et al. | A tabu search based algorithm for the optimal design of multi-objective multi-product supply chain networks | |
CN106779153A (zh) | 一种智能立体仓库货位分配优化方法 | |
CN104063778A (zh) | 一种在立体货仓中为货物分配货位的方法 | |
Peng et al. | Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty | |
CN114417696B (zh) | 一种基于遗传算法的自动化立体仓库货位分配优化方法 | |
Mariano et al. | A multiple objective ant-Q algorithm for the design of water distribution irrigation networks | |
Wan et al. | A novel optimization method for multi-reservoir operation policy derivation in complex inter-basin water transfer system | |
CN101968860A (zh) | 订单拣选方法及系统 | |
Xu et al. | Multi-objective learning backtracking search algorithm for economic emission dispatch problem | |
Karimi et al. | Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment | |
CN109165778A (zh) | 应用于长物料存储的悬臂梁式立体仓库货位分配方法 | |
CN113570025B (zh) | 一种基于离散粒子群算法的电商仓储中心货位分配方法 | |
Jolai et al. | A variable neighborhood binary particle swarm algorithm for cell layout problem | |
CN102262702A (zh) | 一种中小跨径混凝土桥梁养护的决策方法 | |
CN111260119A (zh) | 产品库存控制与配送路径规划方法 | |
Sayyah et al. | Solving the vehicle routing problem with simultaneous pickup and delivery by an effective ant colony optimization | |
Koulaeian et al. | A Multi Depot Simultaneous Pickup and Delivery Problem with Balanced Allocation of Routes to Drivers. | |
Tavakkoli-Moghaddam et al. | Solving a dynamic cell formation problem with machine cost and alternative process plan by memetic algorithms | |
CN116402185A (zh) | 基于aga多目标液压泵装配车间立体仓库货位分配优化方法 | |
CN105976122A (zh) | 一种多目标资源配置系统 | |
Aghajani-Delavar et al. | A multi-objective vibration damping optimization algorithm for solving a cellular manufacturing system with manpower and tool allocation | |
CN107909223A (zh) | 一种复杂车间低熵化布局与稳健优化方法 | |
CN115303689A (zh) | 一种多巷道立体仓库货位分配优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180420 |
|
RJ01 | Rejection of invention patent application after publication |