CN107967586A - 一种电网物资仓储优化方法 - Google Patents

Abstract

本发明公开了一种电网物资仓储优化方法，通过制定电网物资仓储货位的分配优化策略，提出货位优化数学模型，对采用改进遗传算法解决货位优化问题进行了分析。在货位优化控制策略中，同时考虑了货架稳定性和出入库频率，这是一个多个目标函数的优化问题，采用遗传算法改进算法，通过模拟及分析看出其可以有效地解决电网物资仓库的货位分配问题，不仅对货位进行合理分配，同时还提高了电网物资出入库操作的执行效率。

Description

一种电网物资仓储优化方法

技术领域

本发明涉及一种电网物资仓储优化方法，属于电网物流管理与技术领域。

背景技术

电网物资类型较多，各类物资用途、需求量、供应要求都不相同，一般地，电网物资可分以下几类:基建工程类物资主要包括用于新建、扩建和改建电网建设工程项目的物资，例如新建变电站所需物资；维修技改类物资主要包括用于更新过时落后的设备，或维修不符合标准、存在某些不安稳因素的设备所需物资；重点类物资主要是价格昂贵，且供应风险较大的电网物资，包括了备品备件，即无法及时生产、供应的物资，且这类物资受损后，也无法及时的得以修复使其恢复功能，导致电网运行出现故障，这类物资就需要在日常仓储重点管理，备有适当量的储货；低价易耗类物资是指价格较低且在易被消耗的物资。

伴随着仓储管理服务在社会经济中的地位日益增重，仓储管理的内涵也随之日益丰富。仓储管理，一般指对仓库及其中库存物品的管理，并且仓储系统是企业物流体系中不可或缺的重要组成部分。以最低成本提供最高品质服务是物流系统的最终目标，这其中仓储活动占有重要地位，在提高客户服务水平、降低物流成本等方面发挥着重要作用。

近年来，电网物资仓储管理系统发展迅猛，除电网物资存储保管功能外，电网物资仓库功能还包含了货物接收、物品分类、计量包装、分拣配送以及存盘等多种功能。电网物资仓储管理根据时间顺序得到基本流程如图1所示。

然而良好的仓储管理策略可以减少出入库移动的距离、缩短作业时间，甚至能够充分利用存储空间。一般常见的存储策略有：定位存储、随机存储、分类存储、分类随机存储等。

(1)定位存储：每一存储货物都有固定储位，货物不能互用储位，因此必须规划每一项货物的储位容量不得小于其可能的最大在库量。定位存储的优点是，货物的储位可以按照周转率大小或出货频率来安排，以缩短出入库搬运距离。可针对各种货物的特性作储位的安排调整，将不同货物特性间的相互影响减至最小。缺点是储位必须按各项货物之最大在库量设计，因此库区空间平时的利用效率较低。总的来说，定位存储容易管理，所需的总搬运时间较少，但却需较多的存储空间。所以此策略较适用于以下两种情况：(a)库房空间大；(b)多种少量货物的存储。

(2)随机存储：每一个货物被指派存储的位置都是经由随机的过程产生的，而且可经常改变，也就是说，任何物品可以被存放在任何可以利用的位置。该原则通常按货物入库的时间顺序将货物储放在靠近出入口的位置。随机存储的优点：由于储位可以共享，因此只需按照所有库存货物的最大在库量设计储位量，存储空间使用效率较高。缺点：货物的出入库管理及盘点工作进行有较大困难。周转率高的货物可能被放在离出入口较远的位置，增加了出入库搬运距离。具有相互影响的货物可能相邻储放。因此随机储放适于以下两种情况：(a)库房空间有限，需尽量利用储存空间；(b)种类少或体积较大货物的存储。

(3)分类存储：所有的货物按照一定特性加以分类，每一类货物都有固定存放位置，而同属一类的不同货物又按照一定法则来分配货位。分类存储通常按货物相关性、流动性、货物尺寸、重量或货物特性来分类。该原则的优点：便于出库频度高的货物存取，具有定位存储的优点，各分类的储存区域可根据货物特点再作设计，有助于货物的储存管理。缺点：空间必须按照各项货物的最大在库量设计，因此存储空间的使用效率低。分类存储原则较定位存储具有弹性，但是也有与定位存储同样的缺点。

(4)分类随机存储：每一类货物有固定存放位置，但在各类的库区中每个货位的分配是随机的。分类随机存储优点：具有分类存储的部分优点，又节省储位数量，提高了储区利用率。缺点：货物的出入库管理及盘点工作的难度较高。分类随机存储兼具分类存储及随机存储的特点，需要的空间介于二者之间。

发明内容

有鉴于此，本发明的目的在于提供一种电网物资仓储优化方法，通过制定电网物资仓储货位的分配优化策略，提出货位优化数学模型，对采用改进遗传算法解决货位优化问题进行了分析。在货位优化控制策略中，同时考虑了货架稳定性和出入库频率，这是一个多个目标函数的优化问题，采用帕累托最优解的概念与遗传算法相结合的改进算法，通过模拟及分析看出其可以有效地解决电网物资仓库的货位分配问题，不仅对货位进行合理分配，同时还提高了出入库操作的执行效率。

本发明采用技术方案如下：一种电网物资仓储优化方法，其特征在于，设定库房货架共有p列q层,处于第i列j层的货位记为(i，j)(i＝1，…，p；j＝1，…，q)，出库台的位置记为(0，1)；设各货位的长度及货箱的质量相同，则固定货架的货位分配优化问题可以描述为：

式中：i＝1,2,L,p；j＝1,2,L,q；m_ij，n_ij为第i列j层货位上单位货物的质量和该货位货物数量；V_x和V_y为堆垛机的水平和垂直运行速度；L为货位的长度；H为货位的高度；a为货物的总数量；x_ij为第i层j列货位上单位物品的存取频率。

进一步地，上述模型中，式(1-5)依据货位分配策略中上轻下重的原则。即进行入库操作时，重物应放在仓库中的下部货架，轻的放在上部的货架，使货架受力稳定。式(1-6)依据货位分配策略中的最短路线原则。

进一步地，将帕累托最优解的概念与遗传算法相结合解决上述模型问题，采用帕累托遗传算法，具体包括如下步骤：

步骤1、编码。据货位的特点，采用p×q矩阵对解进行编码，如果矩阵的第i行j列位置的元素为m，则表示编号为m的货物放在货架的第(q+1-i)层j列上。

步骤2、计算适应度值。适应度值为当代中两个目标函数的最大值减去该个体的目数值。

步骤3、选择算子。选择算子之前要对群体进行并列选择过程和群体分级操作。并列选择过程：将整个群体均等地划分为两个子群体，分别在两个目标函数的相应子群体中产生数量相同的两个子种群。群体分级：为了得到最优解，在进行选择运算之前，需要根据个体的非劣解水平将种群分级。具体实现方法为：将种群中的所有非劣解个体划分为同一级，并赋予等级为1。重复上述过程，直到种群中所有个体都被赋予相应的级别为止。在选择过程中，第i级的点的选择概率可以由下式确定：

式中，M为群体规模，N_r为群体分级数，P_si为第i级的群体规模，F_i为第i级点的选择概率。

步骤4、交叉操作。在遗传算法中，通常随机选择两个个体进行交叉操作。针对论文提出的多目标优化问题，引入了交配限制策略。只有当两个个体不在同一群体时，才能进行交叉操作。按照这种方式，不同目标函数下的优良基因可以进行充分组合，能以较大的概率找到各个目标性能均较好的折衷解。根据货位优化配置问题的目标函数值直接取决于货物在货架上的位置，交叉操作中采用了部分匹配交叉算法。

步骤5、变异操作。变异算子依概率选择一部分个体实施变异，随机选择两个货位，把这两个货位上的货物进行对换。

步骤6、小生境技术。为了保证寻优过程不收敛于可行域的某一局部，使种群向均匀分布于帕累托前沿面的方向进化，需要通过共享函数定义一小生境加以实现。然后对种群中聚集成小块的个体施加惩罚，使其适应度值减小。

步骤7、精英保存策略。为保留种群进化过程中出现的最优个体，将父代种群和子代种群合并为一个种群，对该种群中的个体进行群体排序和共享函数惩罚。然后根据非劣点级别的高低、共享后个体适应度的高低，将种群中靠前的50％个体作为新的种群进行下一轮进化。采用上述技术和策略的遗传算法不仅可以收敛于多目标优化问题的帕累托解，而且可以保证其分布较为均匀。

步骤8、帕累托解集过滤器。其作用是将每一代中的非劣点保留下来，同时去掉解集中的劣点。每一代中级别定为1的点都放入帕累托过滤器。帕累托解集的规模可以任意设定。当新点的数量超过规定的帕累托解集的规模时，再进行一次排序，剔除掉其中的劣点。如果剩下的非劣点的数量仍超过帕累托解集的规模，再删除那些与其它点距离最近的点。

附图说明

图1是本发明的电网物资仓储管理基本流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

电网物资仓储的货位分配的主要目标是处理任意调度货物时，最大限度地缩短行走时间。首先对货架进行扇形分区，按照货位优化策略通过遗传算法实现货物寻找最优货位。根据货物的分类数，将货架进行扇形分区。其中表1描述了一个8列4层的货架分为4个库区的扇形分区情况。综合考虑电网物资货物的需求频度和质量，可以将货物表述为n种类型，用p表示质量和需求频度，p＝{0，1，2，…，n}，分别表示质量和需求频度依次变小。按由大到小进行排序，进行划分形成优先级不同的库区。在此表中p值相同的货位合成为一个库区，p越大代表库区的优先级越低，距离出入库台最远。

表1库区扇形分4区示意图

P＝3

P＝3

P＝3

P＝3

P＝3

P＝3

P＝3

P＝3

P＝3

P＝3

P＝2

P＝2

P＝2

P＝2

P＝2

P＝2

P＝3

P＝3

P＝2

P＝2

P＝1

P＝1

P＝1

P＝1

P＝3

P＝3

P＝2

P＝2

P＝1

P＝1

P＝0

P＝0

按照上述的货物分配策略建立如下的数学模型。设某库房货架共有p列q层,处于第i列j层的货位记为(i，j)(i＝1，…，p；j＝1，…，q)，出库台的位置记为(0，1)。不失一般性，设各货位的长度及货箱的质量相同，则固定货架的货位分配优化问题可以描述为：

式中：i＝1,2,L,p；j＝1,2,L,q；m_ij，n_ij为第i列j层货位上单位货物的质量和该货位货物数量；V_x和V_y为堆垛机的水平和垂直运行速度；L为货位的长度；H为货位的高度；a为货物的总数量；x_ij为第i层j列货位上单位物品的存取频率。

上述模型中，式(1-5)依据货位分配策略中上轻下重的原则。即进行入库操作时，重物应放在仓库中的下部货架，轻的放在上部的货架，使货架受力稳定。式(1-6)依据货位分配策略中的最短路线原则。即对于出入库操作，找到货物所在的货位分区后，将离出入库台最近的货位作为出库货位。式(1-7)为在不考虑堆垛机启动和制动的情况下，将第i列第j层货位上的货物搬运到出入库台所用的时间。

货位的分配需要同时考虑货架稳定性和出入库效率，这是一个多个目标函数的优化问题，通常的多目标优化问题大多都有很多个帕累托最优解。本发明使用一种改进的，将帕累托最优解的概念与遗传算法相结合解决多目标优化问题的帕累托遗传算法。传统的GA在遗传操作中包括三个算子；选择、交叉、变异。帕累托GA在此基础上还有小生境技术、帕累托解集过滤器和精英保存三个算子。其主要运算过程如下：

步骤1、编码。据货位的特点，采用p×q矩阵对解进行编码，如果矩阵的第i行j列位置的元素为m，则表示编号为m的货物放在货架的第(q+1-i)层j列上。

步骤2、计算适应度值。适应度值为当代中两个目标函数的最大值减去该个体的目数值。

步骤3、选择算子。选择算子之前要对群体进行并列选择过程和群体分级操作。并列选择过程：将整个群体均等地划分为两个子群体，分别在两个目标函数的相应子群体中产生数量相同的两个子种群。群体分级：为了得到最优解，在进行选择运算之前，需要根据个体的非劣解水平将种群分级。具体实现方法为：将种群中的所有非劣解个体划分为同一级，并赋予等级为1。重复上述过程，直到种群中所有个体都被赋予相应的级别为止。在选择过程中，第i级的点的选择概率可以由下式确定：

式中，M为群体规模，N_r为群体分级数，P_si为第i级的群体规模，F_i为第i级点的选择概率。

步骤4、交叉操作。在遗传算法中，通常随机选择两个个体进行交叉操作。针对论文提出的多目标优化问题，引入了交配限制策略。只有当两个个体不在同一群体时，才能进行交叉操作。按照这种方式，不同目标函数下的优良基因可以进行充分组合，能以较大的概率找到各个目标性能均较好的折衷解。根据货位优化配置问题的目标函数值直接取决于货物在货架上的位置，交叉操作中采用了部分匹配交叉算法。

步骤5、变异操作。变异算子依概率选择一部分个体实施变异，随机选择两个货位，把这两个货位上的货物进行对换。

步骤6、小生境技术。为了保证寻优过程不收敛于可行域的某一局部，使种群向均匀分布于帕累托前沿面的方向进化，需要通过共享函数定义一小生境加以实现。然后对种群中聚集成小块的个体施加惩罚，使其适应度值减小。

步骤7、精英保存策略。为保留种群进化过程中出现的最优个体，将父代种群和子代种群合并为一个种群，对该种群中的个体进行群体排序和共享函数惩罚。然后根据非劣点级别的高低、共享后个体适应度的高低，将种群中靠前的50％个体作为新的种群进行下一轮进化。采用上述技术和策略的遗传算法不仅可以收敛于多目标优化问题的帕累托解，而且可以保证其分布较为均匀。

步骤8、帕累托解集过滤器。其作用是将每一代中的非劣点保留下来，同时去掉解集中的劣点。每一代中级别定为1的点都放入帕累托过滤器。帕累托解集的规模可以任意设定。当新点的数量超过规定的帕累托解集的规模时，再进行一次排序，剔除掉其中的劣点。如果剩下的非劣点的数量仍超过帕累托解集的规模，再删除那些与其它点距离最近的点。改进的解决多目标优化问题的帕累托遗传算法步骤：

(1)随机生成初始种群并确定最大允许进化代数G_max，确定初始种群规模n₁；

(2)构造适应度函数并计算各点的适应度；

(3)利用非劣点的定义对群体分级；

(4)进行遗传操作：选择、交叉、变异、小生境，生成新群体；

(5)依据这2M个个体的新适应度对各个个体进行降序排序，记忆前M个个体；

(6)取出级别为1的点，放进帕累托解集过滤器；

(7)判断t是否小于G_max，若满足，则转向步骤2，若不满足，则终止，输出最优解集。

实施例1-电网仓储货位优化实例

设目标库某电网仓储库房立体货架为12层40列，货位长度L＝120cm，货位高度H＝80cm。堆垛机的水平运行速度V_x＝3m/s，垂直运行速度V_y＝1m/s。货位被划分成1、2、3、4、5共5个区域。各类货物的参数如表3.11。

表2电网物资货物参数表

在表2第二列显示货物二次设备所需要的货位数为95个，其作业概率为30％，货物质量为60kg/个。依次类推，已知每种货物所需要的货位数、作业概率和货物的质量，根据货物存放指派单显示为一次设备存放在1区，二次设备存放在2区，装置材料存放在3区，应急设备存放在4区，易损设备存放在5区。货物质量越大、出入库频率越高表示货物存放在货架低层、离出入口越近的货位上的可能性越大。剩余的货位填充到每个小区末尾，作为备用货位，以防临时增加该区物料或方便以后盘库。按照出库频率高的物资对应优先级高的货位区的原则，用遗传算法选出几个优秀方案，然后在对应的货区用帕累托最优解集进行计算，使货位得以合理分配。

在选择操作前，先对种群中的个体依据其非支配水平进行排序，将所有非支配个体分配序号1，并将其从种群中移出；然后从剩下的种群个体中选出所有非支配个体分配序号2。该过程持续到种群所有个体均分配序号为止。这种群体排序技术，可保证同一级别的非支配个体有相同的选择概率。

为了保证寻优过程不收敛于可行域的某一局部，使种群向均匀分布于帕累托前沿面的方向进化，需要通过共享函数定义一小生境加以实现。共享函数可表示为：

式中：δ_share(X,Y)为不同个体的共享函数；δ(X,Y)为不同个体的欧氏距离；δ_share为设定的距离参数。

通过共享函数，可以对种群中聚集成小块的个体施加惩罚，使其适应度值减小：

式中：f(X)，f′(X)为施加共享函数前后个体X的适应值；n为种群规模；Y_i为种群中不同于X的其它个体。

对该仓库进行货位优化分配时取种群规模pop＝100，交叉概率P_c＝0.8，变异概率P_m＝0.2，最大允许进化代数G_max＝300，帕累托解集过滤器的解集规模为100。

为保留种群进化过程中出现的最优个体，将父代种群和子代种群合并为一个种群，对该种群中个体进行群体排序和共享函数惩罚。然后根据非支配个体级别高低、共享后个体适应度高低，将种群中靠前的50％个体作为新的种群进行下一轮进化。

按照货物的出入库频率做以下假设：共有100个货物要进行出入库操作，其中二次设备30个，一次设备35个，装置材料和应急设备各10个，易损设备15个。若按照传统根据物资入库顺序进行顺货位编号排放的策略的话，货架总承重12760kg，物资入库排放时间1097s。而采用上述算法分配货位，可以为保管员提供多个最优解，保管员可根据货架的承重能力和仓库的实际运行情况确定最终解。从运行软件Matlab得到的结果中可以选取最优解为货架总承重10670kg，物资入库排放时间963s。由此结果看出在降低货架重心的同时，总体出入库效率有较大幅度的提高，提高了电网仓储仓库的存取效率。

尽管上文对本发明的具体实施方式给予了详细描述和说明，但是应该指明的是，我们可以依据本发明的构想对上述实施方式进行各种等效改变和修改，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，均应在本发明的保护范围之内。以上所述，仅为本发明的较佳实施例，并不用以限制本发明，凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同替换和改进，均应包含在本发明技术方案的保护范围之内。

Claims (1)

1.一种电网物资仓储优化方法，其特征在于，设定库房货架共有p列q层,处于第i列j层的货位记为(i，j)(i＝1，…，p；j＝1，…，q)，出库台的位置记为(0，1)；设各货位的长度及货箱的质量相同，则固定货架的货位分配优化问题可以描述为：

<mrow> <mi>min</mi> <mi>S</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>n</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;times;</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>min</mi> <mi>T</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>q</mi> </munderover> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>;</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mi>L</mi> <mo>,</mo> <mi>p</mi> <mo>;</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mi>L</mi> <mo>,</mo> <mi>q</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mi>L</mi> <mi>g</mi> <mi>i</mi> </mrow> <msub> <mi>V</mi> <mi>x</mi> </msub> </mfrac> <mo>+</mo> <mfrac> <mrow> <mi>H</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <msub> <mi>V</mi> <mi>y</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

式中：i＝1,2,L,p；j＝1,2,L,q；m_ij，n_ij为第i列j层货位上单位货物的质量和该货位货物数量；V_x和V_y为堆垛机的水平和垂直运行速度；L为货位的长度；H为货位的高度；a为货物的总数量；x_ij为第i层j列货位上单位物品的存取频率。