CN110040411A - 一种智能选箱装箱包装线归集区参数优化方法 - Google Patents
一种智能选箱装箱包装线归集区参数优化方法 Download PDFInfo
- Publication number
- CN110040411A CN110040411A CN201910330859.1A CN201910330859A CN110040411A CN 110040411 A CN110040411 A CN 110040411A CN 201910330859 A CN201910330859 A CN 201910330859A CN 110040411 A CN110040411 A CN 110040411A
- Authority
- CN
- China
- Prior art keywords
- area
- order
- collects
- commodity
- collect
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
- B65G1/02—Storage devices
- B65G1/04—Storage devices mechanical
-
- 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
- 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
- G06Q10/083—Shipping
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/02—Articles
- B65G2201/0235—Containers
- B65G2201/0258—Trays, totes or bins
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明公开了一种智能选箱装箱包装线归集区参数优化方法,具体步骤为:确定智能选箱装箱包装线归集区的约束条件并建立数学模型,并获取智能选箱装箱包装线归集区的待优化参数的初始值;对智能选箱装箱包装线归集区的待优化参数的初始值进行归一化处理得到待优化参数的归一化初始值;利用智能选箱装箱包装线归集区的参数优化模型、约束条件和待优化参数的归一化初始值,结合果蝇优化算法得到待优化参数的优化值,从而实现智能选箱装箱包装线归集区参数的优化设计。
Description
技术领域
本发明属于智能物流领域,具体涉及一种智能选箱装箱包装线归集区参数优化方法。
背景技术
智能物流是利用集成智能化技术,使物流系统能模仿人的智能,具有思维,感知,学习,推理判断和自行解决物流中某些问题的能力。智能物流未来的发展特点有:智能化,一体化和层次化,柔性化与社会化。本发明主要着眼于在物流作业过程中的大量运筹与决策的智能化,物流企业可以通过物流资源的信息化、智能化来优化调度流程和资源配置,以降低物流成本。
在智能选箱装箱包装线中,处理单位为订单,智能装箱选箱包装线的设计要求是要能在给定的时间内完成规定数目的订单的商品归集,既要归集区域占地面积小,还要求爆仓率低,归集完成时间短;此外,归集流程需要满足一定的约束,比如:归集区和传送带存在容量限制约束、一个归集区对应归集一个订单的商品,订单进入归集状态后则不能中断等等。
包装线的参数有许多,每一种都直接影响到归集完成时间和包装线的爆仓率,传统的实验方法步骤繁杂,耗费时间长且效果不理想,例如,工厂常采用选择上线商品所在的最小订单或是最急迫订单进行归集的策略,根据此策略获得的调度方案盲目性大,效率低,资源浪费严重,极可能导致爆仓情况的发生。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种智能选箱装箱包装线归集区参数优化方法,其通过建立智能选箱装箱包装线归集区的参数优化模型和约束条件,并对待优化参数的初始值进行归一化,结合果蝇优化算法得到待优化参数的优化值,从而实现智能选箱装箱包装线归集区参数的优化设计。
为实现上述目的,按照本发明的一个方面,提供了一种智能选箱装箱包装线归集区参数优化方法,具体步骤为:
S1.建立智能选箱装箱包装线归集区的参数优化模型和约束条件,并获取智能选箱装箱包装线归集区的待优化参数的初始值;
S2.对智能选箱装箱包装线归集区的待优化参数的初始值进行归一化处理得到待优化参数的归一化初始值;
S3.利用智能选箱装箱包装线归集区的约束条件、参数优化模型和待优化参数的归一化初始值,结合果蝇优化算法得到待优化参数的优化值,从而实现智能选箱装箱包装线归集区参数的优化设计。
作为本发明的进一步改进,智能选箱装箱包装线归集区参数优化模型的目标函数具体为:
minf=w1*CN+w2*L*M
其中,f为智能选箱装箱包装线归集区参数优化模型的目标函数,其由总归集完成时间CN、归集区长度L与归集区数量M所决定,N为波次数量,w1和w2分别为第一权重系数和第二权重系数。
作为本发明的进一步改进,智能选箱装箱包装线归集区的约束条件为:
智能选箱装箱包装线归集区的当前波次一定先于下一波次结束归集;
智能选箱装箱包装线归集区完成规定数目的订单商品归集所需的时间不能超过预设的时间限制;
智能选箱装箱包装线归集区的一个波次开始进入归集后,同一上线区域上线的后续上线波次才能开始归集;
任意时刻在智能选箱装箱包装线归集区的传送带上停留的商品总数不能超过传送带的预设容量;
智能选箱装箱包装线归集区的一个波次的结束时间,其等于该波次下最晚结束归集的订单的结束时间;
智能选箱装箱包装线归集区的任何波次在零时刻后才能进入归集状态,且归集结束时间大于等于归集开始时间;
智能选箱装箱包装线归集区的一个波次的所有订单均进入归集状态后,其同一上线区域上线的紧后上线波次的订单才能开始归集;
智能选箱装箱包装线归集区的任意订单的归集均需要占用至少一个归集区,且订单进入归集状态后不允许中断归集;
智能选箱装箱包装线归集区的一个归集区被某一订单占用后,直至当前订单被释放之前,不允许该归集区归集不属于当前订单的商品。
作为本发明的进一步改进,智能选箱装箱包装线归集区的待优化参数包括归集区长度和归集区数量。
作为本发明的进一步改进,利用启发式算法计算所述总归集完成时间,具体为:
S1.1获取智能选箱装箱包装线的参数信息、所有订单的基本信息以及归集区参数组合方案;
S1.2判断上线商品是否属于当前正在归集的订单,若是则根据预设规则选择该商品所在的某一订单,进入步骤S1.7;否则进入步骤S1.3;
S1.3判断当前是否存在空闲的归集区,若是则进入步骤S1.4;否则进入步骤S1.11;
S1.4根据预设规则寻找该商品所在订单中,是否存在所有商品均已滞留在传送带上且当前空闲的归集区足够容纳其所有商品的订单,若是,则选择该订单进入步骤S1.6;否则,进入步骤S1.5;
S1.5判断上线商品所在的订单中是否存在未被归集的小订单,若是,选择其中规模最小的订单,进入步骤S1.6;否则判断当前正在归集的波次中是否仍然存在未被归集的小订单,若是则进入步骤S1.11;否则,选择上线商品所在的大订单中规模最小的一个订单,进入步骤S1.6;
S1.6将某一空闲的归集区用于归集已选择的订单,并在已选择的订单上归集该上线商品,进入步骤S1.10;
S1.7判断上线商品是否可直接在已选择的订单占用的归集区上归集,若是,在某一可行归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.8;
S1.8判断是否可针对已选择的订单启用拆单策略,若是,则启用拆单策略,进入步骤S1.6;否则,进入步骤S1.9;
S1.9判断已选择的订单占用的归集区中,是否存在可采用双重缓冲策略来归集该商品的归集区,若是,则在对应归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.11;
S1.10判断已选择的订单是否归集完毕,若是,则释放该订单占用的所有归集区,更新归集区状态,进入步骤S1.12;否则,直接进入步骤S1.12;
S1.11将该商品滞留在传送带上,判断传送带上的商品数量是否达到传送带的设计容量,若是,则表明智能选箱装箱包装线进入爆仓状态,将总归集完成时间置为预设的一个极大值并结束整个归集流程;否则,进入步骤S1.12;
S1.12判断是否仍有未上线的商品,若是,则返回步骤S1.2;否则,将总归集完成时间设置为最晚释放的归集区的释放时间。
作为本发明的进一步改进,步骤S1.2中预设规则具体为:
S1.2.1判断上线商品属于当前正在归集的哪些订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,进入步骤S1.2.2;
S1.2.2从上线商品所在的正在归集的订单中,选择剩余未归集商品数量最少的订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,则选择规模最大的订单。
作为本发明的进一步改进,步骤S1.4中预设规则具体为:
S1.4.1筛选出上线商品在当前波次下所属的未被归集的订单,建立第一订单集合;计算第一订单集合中的每一订单,除滞留在传送带上的商品外的剩余未归集商品数目,筛选出剩余未归集商品数目为0的订单,建立第二订单集合,进入步骤S1.4.2;
S1.4.2选择第二订单集合中包含商品数目最大的订单进入归集状态。
作为本发明的进一步改进,步骤S1.8中拆单策略具体为:
S1.8.1判断当前是否仍有空闲的归集区存在且已选择的订单所占用的归集区数量未到达最大占用量,若是,则进入步骤S1.8.2;
S1.8.2启用拆单策略,即开启一个新的归集区用于归集该订单的商品,并更新归集区状态。
作为本发明的进一步改进,步骤S1.9中双重缓冲策略具体为:
S1.9.1判断已选择的订单占用的归集区是否正在归集重物型商品,处于启用特殊的归集装置的状态,若是,则进入步骤S1.9.2
S1.9.2判断已选择的订单占用的归集区的归集装置正在归集的商品数量,若为1,则启用双重缓冲策略,即重启归集装置,同时缓冲两件商品,缓冲结束时间为重启归集装置后d秒;若大于1则表示该归集区当前正在归集的商品数量已达到归集装置可允许的最大承载数,不可在该归集区上归集该商品。
作为本发明的进一步改进,果蝇优化算法具体为:
S3.1在搜索域随机生成果蝇种群的初始位置坐标,果蝇种群的初始位置坐标表达式为
其中,LBj和UBj分别为第j个待优化参数的归一化的下限值和上限值,rand()为在区间[0,1]均匀分布的随机值,为第j个待优化参数的归一化初始值;
S3.2从Iter=1开始迭代,当前迭代步长的表达式为:
λIter为当前迭代步长,λmax为最大步长,λmin为最小步长,Iter为当前迭代次数,Itermax为预设的最大迭代次数;
随机选择一个均匀分布的决策变量 为当前迭代次数下第i个果蝇对应的决策变量,更新当前的果蝇种群中每个果蝇的位置坐标,当前迭代次数下第i个果蝇的位置坐标表示为其中,PS为当前的果蝇种群的果蝇个数,
为当前迭代对应的第i个果蝇所对应的第j个待优化参数的归一化值,为上一次迭代果蝇种群最优个体所对应的第j个待优化参数的归一化值;
利用智能选箱装箱包装线归集区参数优化模型f(Xi)计算得到当前迭代次数下果蝇种群最优个体对应的位置坐标即
若则当前迭代次数下果蝇种群最优个体的位置坐标更新为否则当前迭代次数下果蝇种群最优个体的位置坐标为ΔIter=ΔIter-1,其中, 分别代表当前迭代次数下果蝇种群最优个体对应的第1,2,…,n个待优化参数的归一化值;
满足迭代终止条件则迭代终止,迭代终止后则当前迭代次数下果蝇种群最优个体的坐标值即为所求待优化参数的优化值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明的一种智能选箱装箱包装线归集区参数优化方法,其通过建立智能选箱装箱包装线归集区的参数优化模型和约束条件,将实际问题具体化,用数学模型精确描述整个归集过程,有利于模拟对应参数组合方案下智能选箱装箱包装线的归集过程,可精准量化各参数大小对整个归集流程的影响,同时利用果蝇优化算法寻找最优的参数组合方案,简化了复杂的实验过程,从而有利于选择出最优的智能选箱装箱包装线归集区参数组合方案,可广泛应用于自动化生产线的参数设计。
本发明的一种智能选箱装箱包装线归集区参数优化方法,其利用启发式算法计算总归集完成时间,对实际归集流程中可能出现的归集效率低下、资源配置不合理的情况进行了具体分析,所获得的订单归集方案与实际工厂常选择上线商品所在的最小订单或是最急迫订单进行归集的策略相比,除可提高归集效率,大大降低归集完成规定数目的订单所需的时间;同时,还可有效降低归集同等规模的商品波次所需的包装线规格,从而减少包装线的占地面积,降低企业成本。
附图说明
图1为本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的示意图;
图2是本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的启发式算法的示意图;
图3是本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的果蝇优化算法的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面结合具体实施方式对本发明进一步详细说明。
图1为本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的示意图。如图1所示,该参数优化方法具体为:
S1.建立智能选箱装箱包装线归集区的参数优化模型和约束条件,并获取智能选箱装箱包装线归集区的待优化参数的初始值;
其中,智能选箱装箱包装线归集区参数优化模型的目标函数具体为:
min f=w1*CN+w2*L*M
其中,f为智能选箱装箱包装线归集区参数优化模型的目标函数,其由总归集完成时间CN、归集区长度L与归集区数量M所决定,N为波次数量,w1和w2分别为第一权重系数和第二权重系数。
进一步地,智能选箱装箱包装线归集区的约束条件如下:
智能选箱装箱包装线归集区的当前波次一定先于下一波次结束归集,即
智能选箱装箱包装线归集区完成规定数目的订单商品归集所需的时间不能超过预设的时间限制,即
CN≤Tmax
作为一个示例,可将订单数目设为700;
智能选箱装箱包装线归集区的一个波次开始进入归集后,同一上线区域上线的后续上线波次才能开始归集,即
任意时刻在智能选箱装箱包装线归集区的传送带上停留的商品总数不能超过传送带的预设容量,即
智能选箱装箱包装线归集区的一个波次的结束时间,其等于该波次下最晚结束归集的订单的结束时间,即
智能选箱装箱包装线归集区的任何波次在零时刻后才能进入归集状态,且归集结束时间大于等于归集开始时间,即
智能选箱装箱包装线归集区的一个波次的所有订单均进入归集状态后,其同一上线区域上线的紧后上线波次的订单才能开始归集,即
智能选箱装箱包装线归集区一个订单需要占用至少一个归集区进行归集,大订单需要占用多个归集区才能完成归集,即
智能选箱装箱包装线归集区的任意订单的归集均需要占用至少一个归集区,且订单进入归集状态后不允许中断归集,即
智能选箱装箱包装线归集区的一个归集区被某一订单占用后,直至当前订单被释放之前,不允许该归集区归集不属于当前订单的商品,即
其中,Q为一个波次的订单数量,为一个给定的常量;Num为一个订单包含的最大商品数量,为一个给定的常量;h为非重物型商品的最大重量,为一个给定的常量;i为波次编号,i∈{1,2,…,N};j为一个波次内的订单编号,j∈{1,2,…,Q};k为一个订单内的商品编号,k∈{1,2,…,Aij};m为归集区编号,m∈{1,2,…,M};Oij为波次i的第j个订单,i∈{1,2,…,N},j∈{1,2,…,Q};Aij为波次i的订单j包含的商品数量,Aij={1,2,…,Num};Aijt为波次i的订单j在时刻t停留在传送带上的商品数量,t∈[0,CN];Fijk为波次i的订单j的第k件商品的开始上线时间;Wijk为波次i的订单j的第k件商品的重量;Uijk为波次i的订单j的第k件商品的上线准备时间(单位:s),h为预设值;Dijk为波次i的订单j的第k件商品的落箱缓冲时间(单位:s),Pijk为波次i的订单j的第k件商品在传送带上的传送时间;Si为波次i的开始归集时间,Ci为波次i的归集完成时间,Bij为订单Oij的归集开始时间;Bpq为订单Opq的归集开始时间;Eij为订单Oij的归集完成时间;L为单个归集区的长度;SL为商品长度;Cap为归集区容量,Cap=L/SL;Vol为传送带容量,为一个给定的常量;Tmax为归集完成时刻的时间限制,为一个给定的常量;R为预设的常量,其为一个值足够大的常量;w1,w2为权重系数,其满足w1+w2=1;xijm和yij,pq,m分别为第一决策变量和第二决策变量,其满足
智能选箱装箱包装线归集区的待优化参数包括归集区长度和归集区数量。图2是本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的启发式算法的示意图,如图2所示,该启发式算法具体为:
S1.1获取智能选箱装箱包装线的参数信息、所有订单的基本信息以及归集区参数组合方案;
获取智能选箱装箱包装线的参数信息,其包括传送带设计容量、传送带速度、单个上线区的上线效率和商品的平均长度;
获取所有订单的基本信息并进行整理,所有订单的基本信息具体为:订单编号、所属波次、各订单下的商品数量及每件商品的编号、属性(是否属于重物);其中,对于重物型商品需要启用特殊的归集装置才能完成归集,耗时d秒,d为预设值,启用此装置的归集区不能同时归集其他商品;
读取参数组合方案的信息,其包括归集区容量和归集区数量;其中,根据订单规模是否大于归集区容量可将所有订单分为大订单和小订单两类;
S1.2判断上线商品是否属于当前正在归集的订单,若是则根据预设规则选择该商品所在的某一订单,进入步骤S1.7;否则进入步骤S1.3;
作为一个优选的方案,步骤S1.2中预设规则具体为:
S1.2.1判断上线商品属于当前正在归集的哪些订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,进入步骤S1.2.2;
S1.2.2从上线商品所在的正在归集的订单中,选择剩余未归集商品数量最少的订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,则选择规模最大的订单。
S1.3判断当前是否存在空闲的归集区,若是则进入步骤S1.4;否则进入步骤S1.11;
S1.4根据预设规则寻找该商品所在订单中,是否存在所有商品均已滞留在传送带上且当前空闲的归集区足够容纳其所有商品的订单,若是,则选择该订单进入步骤S1.6;否则,进入步骤S1.5;
作为一个优选的方案,步骤S1.4中预设规则具体为:
S1.4.1筛选出上线商品在当前波次下所属的未被归集的订单,建立第一订单集合;计算第一订单集合中的每一订单,除滞留在传送带上的商品外的剩余未归集商品数目,筛选出剩余未归集商品数目为0的订单,建立第二订单集合,进入步骤S1.4.2;
S1.4.2选择第二订单集合中包含商品数目最大的订单进入归集状态。
S1.5判断上线商品所在的订单中是否存在未被归集的小订单,若是,选择其中规模最小的订单,进入步骤S1.6;否则判断当前正在归集的波次中是否仍然存在未被归集的小订单,若是则进入步骤S1.11;否则,选择上线商品所在的大订单中规模最小的一个订单,进入步骤S1.6;
S1.6将某一空闲的归集区用于归集已选择的订单,并在已选择的订单上归集该上线商品,进入步骤S1.10;
S1.7判断上线商品是否可直接在已选择的订单占用的归集区上归集,若是,在某一可行归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.8;
S1.8判断是否可针对已选择的订单启用拆单策略,若是,则启用拆单策略,进入步骤S1.6;否则,进入步骤S1.9;
作为一个优选的方案,步骤S1.8中拆单策略具体为:
S1.8.1判断当前是否仍有空闲的归集区存在且已选择的订单所占用的归集区数量未到达最大占用量,若是,则进入步骤S1.8.2;
S1.8.2启用拆单策略,即开启一个新的归集区用于归集该订单的商品,并更新归集区状态。
S1.9判断已选择的订单占用的归集区中,是否存在可采用双重缓冲策略来归集该商品的归集区,若是,则在对应归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.11;
作为一个优选的方案,步骤S1.9中双重缓冲策略具体为:
S1.9.1判断已选择的订单占用的归集区是否正在归集重物型商品,处于启用特殊的归集装置的状态,若是,则进入步骤S1.9.2
S1.9.2判断已选择的订单占用的归集区的归集装置正在归集的商品数量,若为1,则启用双重缓冲策略,即重启归集装置,同时缓冲两件商品,缓冲结束时间为重启归集装置后d秒;若大于1则表示该归集区当前正在归集的商品数量已达到归集装置可允许的最大承载数,不可在该归集区上归集该商品。
S1.10判断已选择的订单是否归集完毕,若是,则释放该订单占用的所有归集区,更新归集区状态,进入步骤S1.12;否则,直接进入步骤S1.12;
S1.11将该商品滞留在传送带上,判断传送带上的商品数量是否达到传送带的设计容量,若是,则表明智能选箱装箱包装线进入爆仓状态,将总归集完成时间置为预设的一个极大值并结束整个归集流程;否则,进入步骤S1.12;
S1.12判断是否仍有未上线的商品,若是,则返回步骤S1.2;否则,将总归集完成时间设置为最晚释放的归集区的释放时间。
判断依据启发式算法计算所得的总归集完成时间CN是否超过预设的阈值Tmax,并以此调整权重系数,具体为:
若CN>Tmax,但未爆仓,则对权重进行调整:
w2=1-w1;
若爆仓,则将CN的值设置为预设的常量mc,mc为一个足够大的常量,Iter为当前迭代次数,Itermax为最大迭代次数。
为使得计算所得的总归集完成时间尽可能短,该启发式算法针对归集流程进行了特殊的设计,使得当前参数组合方案下计算所得的总归集完成时间较短。
S2.对智能选箱装箱包装线归集区的待优化参数的初始值进行归一化处理得到待优化参数的归一化初始值;
由于总归集完成时间和归集区长度、归集区数量的量纲不同,因此对它们进行归一化处理,可通过查阅相关资料(如人力成本、场地租金和设备成本等),将它们统一转换为各自相对应的成本。
S3.利用智能选箱装箱包装线归集区的参数优化模型、约束条件和待优化参数的归一化初始值,结合果蝇优化算法得到待优化参数的优化值,从而实现智能选箱装箱包装线归集区参数的优化设计。
通过待优化参数的最优值对智能选箱装箱包装线归集区参数进行优化设置,从而可以提高智能选箱装箱包装线的性能并降低智能选箱装箱包装线归集区的爆仓几率。
图3是本发明实施例的一种智能选箱装箱包装线归集区参数优化方法的果蝇优化算法的示意图。如图3所示,果蝇优化算法具体为:
S3.1在搜索域随机生成果蝇种群的初始位置坐标,果蝇种群的初始位置坐标表达式为
其中,LBj和UBj分别为第j个待优化参数的归一化的下限值和上限值,rand()为在区间[0,1]均匀分布的随机值,为第j个待优化参数的归一化初始值;
S3.2从Iter=1开始迭代,当前迭代步长的表达式为:
λIter为当前迭代步长,λmax为最大步长,λmin为最小步长,Iter为当前迭代次数,Itermax为预设的最大迭代次数;
随机选择一个均匀分布的决策变量 为当前迭代次数下第i个果蝇对应的决策变量,更新当前的果蝇种群中每个果蝇的位置坐标,当前迭代次数下第i个果蝇的位置坐标表示为其中,PS为当前的果蝇种群的果蝇个数,
为当前迭代对应的第i个果蝇所对应的第j个待优化参数的归一化值,为上一次迭代果蝇种群最优个体所对应的第j个待优化参数的归一化值;
利用智能选箱装箱包装线归集区参数优化模型f(Xi)计算得到当前迭代次数下果蝇种群最优个体对应的位置坐标即
若则当前迭代次数下果蝇种群最优个体的位置坐标更新为否则当前迭代次数下果蝇种群最优个体的位置坐标为ΔIter=ΔIter-1,其中, 分别代表当前迭代次数下果蝇种群最优个体对应的第1,2,…,n个待优化参数的归一化值;
满足迭代终止条件则迭代终止,迭代终止后则当前迭代次数下果蝇种群最优个体的坐标值即为所求待优化参数的优化值。作为一个优选的方案,迭代终止条件为迭代次数达到预设的最大迭代次数。
表1为本发明实施例的智能选箱装箱包装线归集区参数优化方法与传统方案的对比示意表。如表1所示,选取了某商家某一天的实时订单数据,分10个时段截取形成10个子数据集,各数据集的规模不定,共设置了16个参数组合,其中,归集区数量参数取值区间为[5,20],归集区长度参数取值区间为[4,8]。由于在归集订单的过程中,商家只能获得订单数据,不能确定商品的到达次序,为了不失一般性,针对每个子数据集,均随机生成了1000种商品到达次序,针对每个数据集,在16种组合方案下,分别会独立运行1000次(按照1000种商品到达次序)。评价算法性能的指标包括:
(1)1000次独立运行中归集完成时间的平均时间;
(2)1000次独立运行中的爆仓率。
由于在某次运行中,若发生爆仓,则无法获得当次运行的归集完成时间。为保证对比数据的公平性,则其归集完成时间不计入用于计算平均时间的总时间。加粗字体代表对应指标下的较优值。
如表1所示,在相同的参数组合方案下,本发明实施例的优化方法与传统根据订单到达即上线的策略相比有着巨大的优势,在绝大多数参数组合方案下,本专利提出的启发式算法均能获得优于传统算法的指标值,在归集资源较紧张(归集区数量较少或是归集区长度较短)的情况下,由于本发明实施例的优化方法采取了许多规避爆仓和提高归集效率的措施,其能在保持相对较低的爆仓率的同时,获得较短的归集完成时间,在大部分数据集上超过传统算法;当归集资源较为宽松时,其优势更为明显;当归集资源十分充裕时,比如归集区长度为8时(单独一个归集区即可容纳下最大的订单),其也能略优于传统算法。
表1本发明实施例的智能选箱装箱包装线归集区参数优化方法与传统方案的对比示意表
本发明实施例的智能选箱装箱包装线归集区参数优化方法借助智能优化算法的优点,可极大简化寻优过程,快速寻找到较优的参数组合方案;其采取的启发式算法与实际工厂常采用的选择上线商品所在的最小订单或是最急迫订单进行归集的策略相比,可优化资源配置,提高归集效率,减少爆仓情况的发生。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能选箱装箱包装线归集区参数优化方法,其特征在于,具体步骤为:
S1.建立智能选箱装箱包装线归集区的参数优化模型和约束条件,并获取智能选箱装箱包装线归集区的待优化参数的初始值;
S2.对智能选箱装箱包装线归集区的待优化参数的初始值进行归一化处理得到待优化参数的归一化初始值;
S3.利用智能选箱装箱包装线归集区的约束条件、参数优化模型和待优化参数的归一化初始值,结合果蝇优化算法得到待优化参数的优化值,从而实现智能选箱装箱包装线归集区参数的优化设计。
2.根据权利要求1所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,智能选箱装箱包装线归集区参数优化模型的目标函数具体为:
minf=w1*CN+w2*L*M
其中,f为智能选箱装箱包装线归集区参数优化模型的目标函数,其由总归集完成时间CN、归集区长度L与归集区数量M所决定,N为波次数量,w1和w2分别为第一权重系数和第二权重系数。
3.根据权利要求2所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,所述智能选箱装箱包装线归集区的约束条件为:
所述智能选箱装箱包装线归集区的当前波次一定先于下一波次结束归集;
所述智能选箱装箱包装线归集区完成规定数目的订单商品归集所需的时间不能超过预设的时间限制;
所述智能选箱装箱包装线归集区的一个波次开始进入归集后,同一上线区域上线的后续上线波次才能开始归集;
任意时刻在所述智能选箱装箱包装线归集区的传送带上停留的商品总数不能超过传送带的预设容量;
所述智能选箱装箱包装线归集区的一个波次的结束时间,其等于该波次下最晚结束归集的订单的结束时间;
所述智能选箱装箱包装线归集区的任何波次在零时刻后才能进入归集状态,且归集结束时间大于等于归集开始时间;
所述智能选箱装箱包装线归集区的一个波次的所有订单均进入归集状态后,其同一上线区域上线的紧后上线波次的订单才能开始归集;
所述智能选箱装箱包装线归集区的任意订单的归集均需要占用至少一个归集区,且订单进入归集状态后不允许中断归集;
所述智能选箱装箱包装线归集区的一个归集区被某一订单占用后,直至当前订单被释放之前,不允许该归集区归集不属于当前订单的商品。
4.根据权利要求1-3中任一项所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,所述智能选箱装箱包装线归集区的待优化参数包括归集区长度和归集区数量。
5.根据权利要求4所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,利用启发式算法计算所述总归集完成时间,具体为:
S1.1 获取智能选箱装箱包装线的参数信息、所有订单的基本信息以及归集区参数组合方案;
S1.2 判断上线商品是否属于当前正在归集的订单,若是则根据预设规则选择该商品所在的某一订单,进入步骤S1.7;否则进入步骤S1.3;
S1.3 判断当前是否存在空闲的归集区,若是则进入步骤S1.4;否则进入步骤S1.11;
S1.4 根据预设规则寻找该商品所在订单中,是否存在所有商品均已滞留在传送带上且当前空闲的归集区足够容纳其所有商品的订单,若是,则选择该订单进入步骤S1.6;否则,进入步骤S1.5;
S1.5 判断上线商品所在的订单中是否存在未被归集的小订单,若是,选择其中规模最小的订单,进入步骤S1.6;否则判断当前正在归集的波次中是否仍然存在未被归集的小订单,若是则进入步骤S1.11;否则,选择上线商品所在的大订单中规模最小的一个订单,进入步骤S1.6;
S1.6 将某一空闲的归集区用于归集已选择的订单,并在已选择的订单上归集该上线商品,进入步骤S1.10;
S1.7 判断上线商品是否可直接在已选择的订单占用的归集区上归集,若是,在某一可行归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.8;
S1.8 判断是否可针对已选择的订单启用拆单策略,若是,则启用拆单策略,进入步骤S1.6;否则,进入步骤S1.9;
S1.9 判断已选择的订单占用的归集区中,是否存在可采用双重缓冲策略来归集该商品的归集区,若是,则在对应归集区上归集该上线商品,进入步骤S1.10;否则,进入步骤S1.11;
S1.10 判断已选择的订单是否归集完毕,若是,则释放该订单占用的所有归集区,更新归集区状态,进入步骤S1.12;否则,直接进入步骤S1.12;
S1.11 将该商品滞留在传送带上,判断传送带上的商品数量是否达到传送带的设计容量,若是,则表明智能选箱装箱包装线进入爆仓状态,将总归集完成时间置为预设的一个极大值并结束整个归集流程;否则,进入步骤S1.12;
S1.12 判断是否仍有未上线的商品,若是,则返回步骤S1.2;否则,将总归集完成时间设置为最晚释放的归集区的释放时间。
6.根据权利要求5所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,步骤S1.2中预设规则具体为:
S1.2.1 判断上线商品属于当前正在归集的哪些订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,进入步骤S1.2.2;
S1.2.2 从上线商品所在的正在归集的订单中,选择剩余未归集商品数量最少的订单,若订单数量仅为1,则直接选择该订单;若订单数量大于1,则选择规模最大的订单。
7.根据权利要求5所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,步骤S1.4中预设规则具体为:
S1.4.1 筛选出上线商品在当前波次下所属的未被归集的订单,建立第一订单集合;计算第一订单集合中的每一订单,除滞留在传送带上的商品外的剩余未归集商品数目,筛选出剩余未归集商品数目为0的订单,建立第二订单集合,进入步骤S1.4.2;
S1.4.2 选择第二订单集合中包含商品数目最大的订单进入归集状态。
8.根据权利要求5所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,步骤S1.8中拆单策略具体为:
S1.8.1 判断当前是否仍有空闲的归集区存在且已选择的订单所占用的归集区数量未到达最大占用量,若是,则进入步骤S1.8.2;
S1.8.2 启用拆单策略,即开启一个新的归集区用于归集该订单的商品,并更新归集区状态。
9.根据权利要求5所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,步骤S1.9中双重缓冲策略具体为:
S1.9.1 判断已选择的订单占用的归集区是否正在归集重物型商品,处于启用特殊的归集装置的状态,若是,则进入步骤S1.9.2
S1.9.2 判断已选择的订单占用的归集区的归集装置正在归集的商品数量,若为1,则启用双重缓冲策略,即重启归集装置,同时缓冲两件商品,缓冲结束时间为重启归集装置后d秒;若大于1则表示该归集区当前正在归集的商品数量已达到归集装置可允许的最大承载数,不可在该归集区上归集该商品。
10.根据权利要求1-9中任一项所述的一种智能选箱装箱包装线归集区参数优化方法,其特征在于,果蝇优化算法具体为:
S3.1 在搜索域随机生成果蝇种群的初始位置坐标,果蝇种群的初始位置坐标表达式为
其中,LBj和UBj分别为第j个待优化参数的归一化的下限值和上限值,rand()为在区间[0,1]均匀分布的随机值,为第j个待优化参数的归一化初始值;
S3.2 从Iter=1开始迭代,当前迭代步长的表达式为:
λIter为当前迭代步长,λmax为最大步长,λmin为最小步长,Iter为当前迭代次数,Itermax为预设的最大迭代次数;
随机选择一个均匀分布的决策变量 为当前迭代次数下第i个果蝇对应的决策变量,更新当前的果蝇种群中每个果蝇的位置坐标,当前迭代次数下第i个果蝇的位置坐标表示为其中,PS为当前的果蝇种群的果蝇个数,
为当前迭代次数下对应的第i个果蝇所对应的第j个待优化参数的归一化值,为上一次迭代果蝇种群最优个体所对应的第j个待优化参数的归一化值;
利用智能选箱装箱包装线归集区参数优化模型f(Xi)计算得到当前迭代次数下果蝇种群最优个体对应的位置坐标即
若则当前迭代次数下果蝇种群最优个体的位置坐标更新为否则当前迭代次数下果蝇种群最优个体的位置坐标为ΔIter=ΔIter-1,其中, 分别代表当前迭代次数下果蝇种群最优个体对应的第1,2,…,n个待优化参数的归一化值;
满足迭代终止条件则迭代终止,迭代终止后则当前迭代次数下果蝇种群最优个体的坐标值即为所求待优化参数的优化值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330859.1A CN110040411B (zh) | 2019-04-23 | 2019-04-23 | 一种智能选箱装箱包装线归集区参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910330859.1A CN110040411B (zh) | 2019-04-23 | 2019-04-23 | 一种智能选箱装箱包装线归集区参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110040411A true CN110040411A (zh) | 2019-07-23 |
CN110040411B CN110040411B (zh) | 2020-10-23 |
Family
ID=67278885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910330859.1A Active CN110040411B (zh) | 2019-04-23 | 2019-04-23 | 一种智能选箱装箱包装线归集区参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110040411B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486292A (zh) * | 2021-06-22 | 2021-10-08 | 华东师范大学 | 一种将批量物体通过批量容器进行存放的方法 |
CN114852566A (zh) * | 2022-04-11 | 2022-08-05 | 深圳市库宝软件有限公司 | 订单处理方法、装置、设备、仓储系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870893A (zh) * | 2014-04-09 | 2014-06-18 | 沈阳工业大学 | 基于三维空间求解具有多重量约束装箱的优化方法 |
US20160236867A1 (en) * | 2015-02-13 | 2016-08-18 | Amazon Technologies, Inc. | Modular, multi-function smart storage containers |
CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
CN108776845A (zh) * | 2018-05-07 | 2018-11-09 | 北京创源微致软件有限公司 | 一种基于双目标作业车间调度的混合果蝇算法 |
WO2018237112A1 (en) * | 2017-06-21 | 2018-12-27 | Locus Robotics Corp. | ROBOT WAITING SYSTEM AND METHOD FOR ONE OR MORE PROCESSING STATIONS |
CN109230142A (zh) * | 2018-10-22 | 2019-01-18 | 陕西科技大学 | 一种密集仓储系统复合作业的调度路径优化方法 |
-
2019
- 2019-04-23 CN CN201910330859.1A patent/CN110040411B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870893A (zh) * | 2014-04-09 | 2014-06-18 | 沈阳工业大学 | 基于三维空间求解具有多重量约束装箱的优化方法 |
US20160236867A1 (en) * | 2015-02-13 | 2016-08-18 | Amazon Technologies, Inc. | Modular, multi-function smart storage containers |
CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
WO2018237112A1 (en) * | 2017-06-21 | 2018-12-27 | Locus Robotics Corp. | ROBOT WAITING SYSTEM AND METHOD FOR ONE OR MORE PROCESSING STATIONS |
CN108776845A (zh) * | 2018-05-07 | 2018-11-09 | 北京创源微致软件有限公司 | 一种基于双目标作业车间调度的混合果蝇算法 |
CN109230142A (zh) * | 2018-10-22 | 2019-01-18 | 陕西科技大学 | 一种密集仓储系统复合作业的调度路径优化方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486292A (zh) * | 2021-06-22 | 2021-10-08 | 华东师范大学 | 一种将批量物体通过批量容器进行存放的方法 |
CN113486292B (zh) * | 2021-06-22 | 2023-01-03 | 华东师范大学 | 一种将批量物体通过批量容器进行存放的方法 |
CN114852566A (zh) * | 2022-04-11 | 2022-08-05 | 深圳市库宝软件有限公司 | 订单处理方法、装置、设备、仓储系统及存储介质 |
CN114852566B (zh) * | 2022-04-11 | 2024-05-14 | 深圳市库宝软件有限公司 | 订单处理方法、装置、设备、仓储系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110040411B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426072B (zh) | 一种高并发竞争库存的订单处理系统及其处理方法 | |
CN106446959B (zh) | 一种云计算资源动态匹配方法及装置 | |
CN104735166B (zh) | 基于MapReduce和多目标模拟退火的Skyline服务选择方法 | |
CN104992240B (zh) | 一种优化拣货路径的方法及装置 | |
CN109508809A (zh) | 乘务管理方法及装置 | |
CN109214756A (zh) | 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端 | |
CN110040411A (zh) | 一种智能选箱装箱包装线归集区参数优化方法 | |
CN106453546B (zh) | 分布式存储调度的方法 | |
CN108665092A (zh) | 一种基于混合萤火虫算法的全流程排产与优化方法 | |
CN106610616B (zh) | 一种基于大数据分析的性能自动调优方法及装置 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
CN110070287A (zh) | 一种基于相似聚类及平均思想的动态任务分配方法 | |
CN108268959A (zh) | 基于主次种群蚁群算法的物流配送路径规划方法 | |
CN109800911A (zh) | 一种为多名快递员派件路径统一导航的方法 | |
CN104125146B (zh) | 一种业务处理方法及装置 | |
CN109635998A (zh) | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 | |
Cao et al. | Green Logistics of Vehicle Dispatch under Smart IoT. | |
CN104809523A (zh) | 一种基于决策块与蜂群算法的工件生产路径搜索方法 | |
Ozturk | When serial batch scheduling involves parallel batching decisions: A branch and price scheme | |
CN104573034B (zh) | 基于cdr话单的用户群体划分方法和系统 | |
Luo et al. | Multi-phase meta-heuristic for multi-depots vehicle routing problem | |
CN107894970A (zh) | 航站楼出港人数的预测方法和系统 | |
CN113408922A (zh) | 一种餐厨垃圾回收过程的车辆优化调度方法 | |
Wang et al. | A real-time synchronized zone order picking system for balancing pickers’ workload | |
Ji et al. | A research based on k-means clustering and artificial fish-swarm algorithm for the vehicle routing optimization |
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 |