CN109800913B - 一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法 - Google Patents

Abstract

本发明属于危险品仓库管理领域，涉及一种提高包装危险品出入库作业效率的互通仓库铲车运行线路确定方法。其步骤包括：将现有的危险品平仓仓库改造成带有隔离门的互通危险品仓库；确定铲车运行原则以及铲车运行路径组成；根据多铲车作业的属性参数，建立考虑成本和效率的最优路径模型；采用遗传‑BP神经网络算法，在多铲车且堆位不确定的环境下，确定了铲车运行优化线路。本发明针对现有的双门仓库包装危险品出入库效率低的问题，重点针对提高危险品仓库作业效率的互通仓库铲车运行线路确定，通过优化算法为工具，以优化危险品出入库作业为目标，对提高危险品仓库运营效率等方面具有积极的影响。

Description

一种提高包装危险品出入库效率的互通仓库铲车运行线路确 定方法

技术领域

本发明属于危险品仓库管理领域，涉及一种提高包装危险品出入库作业效率的互通仓库铲车运行线路确定方法。

背景技术

伴随着我国工业的快速发展，危险品存储量逐渐增多，危险品仓储公司面临着提高出入库作业效率的迫切需求。现有的危险品双门仓库已难以满足用户需求，故提出了带有隔离门互通危险品仓库的设想，在保障安全的前提下，提高危险品仓库的运营效率和管理水平。

发明内容

本发明提供了一种提高危险品仓库作业效率的多门互通仓库铲车运行线路确定方法，其可有效提高危险品仓库出入库效率，减少物流成本。

为了达成上述目的，本发明采用的技术方案是：

一种提高危险品仓库作业效率的互通仓库铲车运行线路确定方法，包括以下步骤：

(A)将现有的危险品平仓仓库改造成带有隔离门的互通危险品仓库；其中现有的危险品平仓仓库为双门规制，所述的带有隔离门的互通仓库是由上述双门规制仓库改造而成，通常具有三门或三门以上的多门，原双门仓库则成为互通仓库的一个房间。

(B)确定铲车运行原则以及铲车运行路径组成；所述的铲车运行原则为铲车在所述的互通仓库内按顺时针方向依次行驶，且两辆铲车不能同时出现在同一房间内。铲车运行路径是由入库集卡、入库危险品堆位、出库危险品堆位、出库集卡四个节点所组成的闭环通路。其中，入库集卡是指将危险品货物运至仓库门前的集卡，入库危险品堆位是指危险品从集卡卸下后放置于仓库的位置，出库危险品堆位是指即将要装入集卡运出仓库的货物位置，出库集卡为停靠在仓库门前将货物运出仓库的集装箱卡车。

(C)根据多铲车作业的属性参数，建立考虑运行成本和效率的最优路径模型；所述属性参数是指铲车运行成本和运行效率。铲车运行成本用铲车运行距离L^*来表征，运行距离越大，运行成本越高,其计算式为：

其中，

为入库危险品堆位，

为出库危险品堆位，

表示出入库点对间的距离；铲车运行效率由不同闭环路径总长度的相似度r^*来表征，铲车与铲车间的相似度值越大，则其路径差异越小，其计算式为：

所述的最优路径模型由优化目标函数和约束条件两部分组成。所述的优化目标函数由总相似度r^*来表示，表示相似度与铲车运行距离的求和，表达式如下：

所述的约束条件包括主要包括以下几个方面：

(a)所有i的和应为1，表示每辆铲车每次对应一个入库点，计算式如下：

(b)所有j的和应为1,表示每辆铲车对应一个出库点，计算式如下：

(c)数学符号表示如下：

其中C_i表示入库集装箱停靠点，C_j表示出库集装箱停靠点。

(D)采用遗传-BP神经网络算法，在多铲车且堆位不确定的环境下，求解铲车运行优化线路；包括以下几个步骤：

步骤(D1)，采用二进制编码方式进行编号，基因长度视具体情况而定；设置进化代数计数器t＝0，设置最大进化代数T；随机生成M个个体作为初始种群P(0)，群体中的每个个体表示一种网络结构及该结构对应的初始参数。

步骤(D2)，建立初始状态下的BP神经网络。首先利用随机函数产生初始权值和阈值，在运行过程中通过BP算法求得均方误差的梯度调整权值和阈值。随后，将BP网络的权值和阈值、隐含层的与输出层的权值，输入层与隐含层阈值、隐含层与输出层的阈值的顺序级联起来，形成一个三层神经网络，其运算关系为：

其中，C为神经网络顶层节点输出；θ₀为顶层节点阈值；O_Mm为中间层m个节点的输出；θ_Mm为中间层第m个节点的阈值；W_xm,W_ym为第m个限制条件系数；G为中间层节点数。

步骤(D3)，提供一组经调研上海港城危险品仓库所得的样本数据给BP网络的输入层，训练BP网络并计算神经网络输出误差，并将得到的网络总误差作为遗传算法的

适应度函数，计算每个个体的适应度函数值，其中

表示理想输出,

表示真实输出，K为样本集个数。

步骤(D4)，经过多次训练确定交叉概率和变异概率，并对当前群体按照选择、交叉、变异进行遗传操作，产生新的种群。然后，根据当前代数编号，判断迭代算法是否达到最大进化代数，若达到最大进化代数，则转向步骤(D5)，若未达到最大进化代数，则用当前群体建立BP神经网络，并转向步骤(D3)。

步骤(D5)，结束遗传算法。计算当前群体中每个个体的适应度函数值，将适应值最大者视为最优个体。将该个体按照解码方式进行解码，得到最优的网络结构、初始权值、阈值和学习速率。

步骤(D6)，提供一组输入样本给BP神经网络的输入层，训练网络、并计算输出误差。

步骤(D7)，判断是否训练完所有的样本，若不满足则选取下一个学习样本提供给网络，返回到步骤(D6)，若满足则转至步骤(D8)。

步骤(D8)，按照误差公式计算总误差，判断网络的总误差E是否满足E＜ε，若满足，则结束训练，若不满足，则转向步骤(D9)。

步骤(D9)，判断网络是否达到预定训练次数，若满足则结束训练，若不满足则返回到步骤(D7)继续训练。

本发明针对现有的双门仓库包装危险品出入库效率低的问题，重点针对提高危险品仓库作业效率的互通仓库铲车运行线路确定，通过优化算法为工具，以优化危险品出入库作业为目标，对提高危险品仓库运营效率等方面具有积极的影响。

附图说明

图1是铲车所在仓库几何结构示意图。

图2是GA-BP训练误差图。

图3是最优适应度值下降曲线

具体实施方式

本发明提供了一种提高包装危险品出入库作业效率的互通仓库铲车运行线路确定方法，包括以下步骤：

步骤A,将现有的危险品平仓仓库改造成带有隔离门的互通危险品仓库。本步骤中将现有的三个危险品平仓仓库改造成为一个带有隔离门的六门互通仓库，原双门仓库则成为互通仓库的一个房间。

步骤B,确定铲车运行原则以及铲车运行路径组成。本步骤中，所述的铲车运行原则为铲车在六门互通仓库内按顺时针方向依次行驶，且两辆铲车不能同时出现在同一房间内。铲车运行路径是由入库集卡、入库危险品堆位、出库危险品堆位、出库集卡四个节点所组成的闭环通路。其中，入库集卡是指将危险品货物运至仓库门前的集卡，入库危险品堆位是指危险品从集卡卸下后放置于仓库的位置，出库危险品堆位是指即将要装入集卡运出仓库的货物位置，出库集卡为停靠在仓库门前将货物运出仓库的集装箱卡车。如图1所示。

步骤C,根据多铲车作业的属性参数，建立考虑运行成本和效率的最优路径模型。假设作业环境为双铲车三集卡六门仓库，铲车运行成本用铲车运行距离d^*来表征，运行距离越大，运行成本越高,其计算式为：

铲车运行效率由不同闭环路径总长度的相似度r^*来表征，铲车与铲车间闭环通路的相似度值越大，则其路径差异越小，其计算式为：

其中i₁≠i₁,j₁≠j₂,i₁,i₁,i₂∈{1,2,…,12},i₁,i₂∈{1,2,…,12},j₁,j₂∈{1,2,…,15}.

所述的最优路径模型由优化目标函数和约束条件两部分组成，最优化模型为：

步骤D,采用遗传-BP神经网络算法，在多铲车且堆位不确定的环境下，求解铲车运行优化线路。

所述步骤包括以下几个步骤：

步骤(D1)，采用二进制编码方式进行编号，基因长度视具体情况而定；设置进化代数计数器t＝0，设置最大进化代数T＝100；随机生成M＝50个个体作为初始种群P(0)，群体中的每个个体表示一种网络结构及该结构对应的初始参数。

步骤(D2)，建立初始状态下的BP神经网络。首先令ω₁＝ω₂＝0.5，在运行过程中通过BP算法求得均方误差的梯度调整权值和阈值。随后，将BP网络的权值和阈值、隐含层的与输出层的权值，输入层与隐含层阈值、隐含层与输出层的阈值的顺序级联起来，形成一个三层神经网络，其运算关系为

其中，C为神经网络顶层节点输出；θ₀为顶层节点阈值；O_Mm为中间层m个节点的输出；θ_Mm为中间层第m个节点的阈值；W_xm,W_ym为第m个限制条件系数；G为中间层节点数。

步骤(D3)，通过实际调研和计算提供一组样本数据给BP网络的输入层，训练BP网络并计算神经网络输出误差，并将得到的网络总误差(如图2)作为遗传算法的

适应度函数，计算每个个体的适应度函数值，其中

表示理想输出,

表示真实输出，K为样本集个数。

步骤(D4)，经过500次训练确定交叉概率p_c＝0.6和变异概率p_m＝0.001，并对当前群体按照选择、交叉、变异进行遗传操作，产生新的种群。然后，根据当前代数编号，判断迭代算法是否达到最大进化代数，若达到最大进化代数，则转向步骤(D5)，若未达到最大进化代数，则用当前群体建立BP神经网络，并转向步骤(D3)。

步骤(D5)，遗传优化结束。计算当前群体中每个个体的适应度函数值(如图3)将适应值最大者视为最优个体。将该个体按照解码方式进行解码，得到最优的网络结构、初始权值、阈值和学习速率p_r＝0.05。

步骤(D6)，提供一组输入样本给BP神经网络的输入层，训练网络、并计算输出误差。

步骤(D7)，判断是否训练完所有的样本，若不满足则选取下一个学习样本提供给网络，返回到步骤(D6)，若满足则转至步骤(D8)。使用优化后的权值和阈值之后,得到测试样本预测结果(由于数据比较多,这里不详细列出),所得的近似解为

因此仓库内铲车运行路线为：

由上述测量结果可知,B类型路径可以规划为C₂→q₁,C₂→q₁₂,C₂→q₁₃.

因此铲车整体运行线路为

步骤(D8)，按照误差公式计算总误差，网络的总误差E＝0.02满足E＜ε，则结束训练。

Claims (2)

1.一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法，包括以下步骤：

步骤A，将现有的危险品平仓仓库改造成带有隔离门的互通危险品仓库；其中现有的危险品平仓仓库为双门规制，所述的带有隔离门的互通仓库是由上述双门规制仓库改造而成，具有三门或三门以上的多门，原双门仓库则成为互通仓库的一个房间；

步骤B，确定铲车运行原则以及铲车运行路径组成；所述的铲车运行原则为铲车在所述的互通仓库内按顺时针方向依次行驶，且两辆铲车不能同时出现在同一房间内；铲车运行路径是由入库集卡、入库危险品堆位、出库危险品堆位、出库集卡四个节点所组成的闭环通路；其中，入库集卡是指将危险品货物运至仓库门前的集卡，入库危险品堆位是指危险品从集卡卸下后放置于仓库的位置，出库危险品堆位是指即将要装入集卡运出仓库的货物位置，出库集卡为停靠在仓库门前将货物运出仓库的集装箱卡车；

步骤C，根据多铲车作业的属性参数，建立考虑运行成本和效率的最优路径模型；所述属性参数是指铲车运行成本和运行效率；铲车运行成本用铲车运行距离L^*来表征，运行距离越大，运行成本越高,其计算式为：

其中，

为入库危险品堆位，

为出库危险品堆位，

表示出入库点对间的距离；铲车运行效率由不同闭环路径总长度的相似度r^*来表征，铲车与铲车间的相似度值越大，则其路径差异越小，其计算式为：

所述的最优路径模型由优化目标函数和约束条件两部分组成；所述的优化目标函数由总相似度r^*来表示，表示相似度与铲车运行距离的求和，表达式如下：

所述的约束条件包括主要包括以下几个方面：

a、 所有i的和应为1，表示每辆铲车每次对应一个入库点，计算式如下：

b、 所有j的和应为1,表示每辆铲车对应一个出库点，计算式如下：

c、 数学符号表示如下：

其中C_i表示入库集装箱停靠点，C_j表示出库集装箱停靠点；

步骤D，采用遗传-BP神经网络算法，在多铲车且堆位不确定的环境下，求解铲车运行优化线路。

2.根据权利要求1所述的一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法，包括以下步骤：

步骤D1，采用二进制编码方式进行编号，基因长度视具体情况而定；设置进化代数计数器t＝0，设置最大进化代数T；随机生成M个个体作为初始种群P(0)，群体中的每个个体表示一种网络结构及该结构对应的初始参数；

步骤D2，建立初始状态下的BP神经网络；首先利用随机函数产生初始权值和阈值，在运行过程中通过BP算法求得均方误差的梯度调整权值和阈值；随后，将BP网络的权值和阈值、隐含层的与输出层的权值，输入层与隐含层阈值、隐含层与输出层的阈值的顺序级联起来，形成一个三层神经网络，其运算关系为：

其中，C为神经网络顶层节点输出；θ₀为顶层节点阈值；O_Mm为中间层m个节点的输出；θ_Mm为中间层第m个节点的阈值；W_xm,W_ym为第m个限制条件系数；G为中间层节点数；

步骤D3，提供一组经调研上海港城危险品仓库所得的样本数据给BP网络的输入层，训练BP网络并计算神经网络输出误差，并将得到的网络总误差作为遗传算法的

适应度函数，计算每个个体的适应度函数值，其中

表示理想输出,

表示真实输出，K为样本集个数；

步骤D4，经过多次训练确定交叉概率和变异概率，并对当前群体按照选择、交叉、变异进行遗传操作，产生新的种群；然后，根据当前代数编号，判断迭代算法是否达到最大进化代数，若达到最大进化代数，则转向步骤D5，若未达到最大进化代数，则用当前群体建立BP神经网络，并转向步骤D3；

步骤D5，结束遗传算法；计算当前群体中每个个体的适应度函数值，将适应值最大者视为最优个体；将该个体按照解码方式进行解码，得到最优的网络结构、初始权值、阈值和学习速率；

步骤D6，提供一组输入样本给BP神经网络的输入层，训练网络、并计算输出误差；

步骤D7，判断是否训练完所有的样本，若不满足则选取下一个学习样本提供给网络，返回到步骤D6，若满足则转至步骤D8；

步骤D8，按照误差公式计算总误差，判断网络的总误差E是否满足E＜ε，若满足，则结束训练，若不满足，则转向步骤D9；

步骤D9，判断网络是否达到预定训练次数，若满足则结束训练，若不满足则返回到步骤D7继续训练。

Images