CN111582582A - 一种基于改进ga-pac的仓库拣选路径优化方法 - Google Patents
一种基于改进ga-pac的仓库拣选路径优化方法 Download PDFInfo
- Publication number
- CN111582582A CN111582582A CN202010383733.3A CN202010383733A CN111582582A CN 111582582 A CN111582582 A CN 111582582A CN 202010383733 A CN202010383733 A CN 202010383733A CN 111582582 A CN111582582 A CN 111582582A
- Authority
- CN
- China
- Prior art keywords
- point
- picking
- path
- horizontal bar
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 239000003016 pheromone Substances 0.000 claims description 39
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 17
- 230000035772 mutation Effects 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000002452 interceptive effect Effects 0.000 abstract description 6
- 230000005477 standard model Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 210000000349 chromosome Anatomy 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进GA‑PAC的仓库拣选路径优化方法,根据仓储中心巷道设置,将货物出库时间作为评价指标,以拣选路径最短为优化目标。先通过Oliver30标准模型对比蚁群算法、遗传算法、并行化蚁群算法和遗传优化并行蚁群参数的仓库拣选路径优化算法的性能,并行交互蚁群方法不仅具有独立蚁群简单方便的特点,同时还弥补了各蚁群之间没有交互,信息传递方向是单向的局限性。采用遗传算法经选择、交叉、变异、重插入和解码等操作对并行交互蚁群的进行组合优化,具有寻优能力强,方法平稳度好,精确、快速、平稳寻出更优的解,利用分布式计算映射到GA‑PAC的仓库拣选路径优化算法寻优能力更强,算法稳定性更高,寻优速度更快,提高了拣选路径优化和备货的效率。
Description
技术领域
本发明属于仓库管理技术领域,具体涉及一种基于改进GA-PAC的仓库拣选路径优化方法。
背景技术
目前使用的拣选路径方法有很多,比较常用的有S-shape策略,最大间隙法,混合型策略和EIQ分析法,从广义上分析此类问题还是路径优化问题,使用进化算法也能求解,主要包括遗传算法、蚁群算法等。
在实际仓库管理中,拣选路线随机缺乏指导,捡取路径通常是按照拣货员的经验选择,这种方式相比于最优的路径,搜寻时间增加,增加了拣选的路线,拣取效率大打折扣。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进GA-PAC的仓库拣选路径优化方法,解决了实际货物在出入库拣选作业时设备耗时长,拣选路线没有得到合理优化的技术问题。以路径最短为目标,实现了物流仓库拣货效率的提高。
本发明采用以下技术方案:
一种基于改进GA-PAC的仓库拣选路径优化方法,包括以下步骤:
S1、初始化算法运行参数,利用地形数据,包括货物放置的坐标,拣选任务中拣选订单的具体信息和仓库的布置,确定拣选设备的起始点和终点,建立抽象的仓库环境模型;
S2、根据每个蚂蚁节点确定起始点和目标点,与邻居节点交互信息,判断是否满足目标条件,若满足,输出最优结果,若不满足目标条件,进行下一步操作;
S3、计算下一选择区域内各点的信息值,依据信息值和信息素值传递至下一位置点,进行局部信息素更新;
S4、判断所有节点是否完成一次路径构建,若没有完成,返回至步骤S3重新计算;若完成一次路径构建,进行全局信息素更新,完成路径优化。
具体的,步骤S1具体为:
S101、按照货架、过道、货位的规格参数生成坐标矩阵,计算两个取货点i和j的距离JL(i,j);
S102、设定仓库拣选货物过程中在同一个点经过多次,只停留一次,确定拣选设备从i到取货地j取货的总次数;
S103、设定目标函数,确定拣货总路径最短。
进一步的,步骤S101中,计算两个取货点i和j的距离JL(i,j)时,当纵坐标相等时:
JL(i,j)=|i横-j横|
其中,i横表示点i横坐标,j横表示点j横坐标;纵坐标不相等时,同左侧或右侧为:
a=|i纵-j纵|+|i横-i左端点横|+|j横-j左端点横|
a=|i纵-j纵|+|i横-i右端点横|+|j横-j右端点横|
JL(i,j)=min(a,b)
其中,i纵为点i纵坐标,j纵为点j纵坐标,两点处于主过道的异侧时,具体为:
JL(i,j)=|i横-j横|+|i纵-j纵|
其中,i左端点横表示点i在过道左端点的横坐标;i右端点横表示点i在过道右端点的横坐标,j左端点横为点j在过道左端点的横坐标,j右端点横为点j在过道右端点的横坐标;a和b表示从i点到j点顺时针和逆时针方向的距离值,取min(a,b)。
进一步的,步骤S102中,针对一个点只进行一次取货,拣选设备从i到取货地j取货的总次数:
其中,j=1,2,3,…,n,i=1,2,3,…,n;
拣选设备从i点到j点没有出现为:
xij=0
拣选设备从i点到j点出现为:
xij=1
。
进一步的,步骤S103中,最短拣货总路径S为:
其中,S0表示从开始取货的点之前拣选设备行驶的路程,JL(I,0)和JL(N,0)表示起始拣选点和终止拣选点到初始位置的长度。
具体的,步骤S2中,信息素分布在相邻两个点的连线上,通往路径上障碍连线的信息素为0,蚂蚁从起始点开始搜索,蚂蚁每一步搜索的方向与当前所在点相邻的上、下、左、右4个方位的点上;t时刻每一自由点i到其相邻自由点j的信息素的值为τij(t)。
具体的,步骤S3中,t时刻蚂蚁k选择下一个点的转移概率为:
其中,ηij(t)为启发函数,α为信息素的重要程度因子,β为启发函数重要程度因子;allowk为蚂蚁k待访问点的集合,k=1,2,...m。
具体的,步骤S4中,信息素的更新机制为:
其中,Q为常数,表示蚂蚁循环一次所释放的信息素总量;Lk为第k只蚂蚁经过路径的长度。
与现有技术相比,本发明至少具有以下有益效果:
本发明提供了一种基于改进GA-PAC的仓库拣选路径优化方法,根据仓储中心巷道设置,将货物出库时间作为评价指标,以拣选路径最短为优化目标。相较于独立蚁群,采用的并行交互蚁群方法不仅具有独立蚁群简单方便的特点,同时还弥补了各蚁群之间没有交互,信息传递方向是单向的局限性。采用遗传算法经选择、交叉、变异、重插入和解码等操作对并行交互蚁群的进行组合优化,具有寻优能力强,算法平稳度好,精确、快速、平稳寻出更优的解,利用改进的GA-PAC算法对仓库进行拣选路径优化,提高了拣选路径优化效率。
进一步的,为了更加真实的模拟提出的算法在实际仓库中的应用,利用仓库的货物位置,出入口位置、拣选货物的信息和位置,建立抽象的仓库环境模型,确定拣选设备的起始点和终点,能够有效反映出算法运行的过程和结果。
进一步的,蚁群算法本质上是一种使用信息正反馈机制的算法,如果有正确的初始信息素作为引导,蚁群就能够快速地收敛于最优解。蚁群的并行化策略主要有5种:并行独立蚁群;并行交互蚁群;并行蚂蚁;结决方案元素的并行评估;蚂蚁和结决方案元素的并行结合。采用并行交互蚁群的方法,不仅简单方便,而且各蚁群之间双向传递信息,相互通信,提高了数据传输的准确性和有效性。
进一步的,采用遗传算法对并行化蚁群进行参数优化,种群初始化后,二进制染色体转换成十进制参数,染色体通过解码的方式来获得其适应度的值,即将单个的基因型对表现型基因的映射,经过选择,交叉,变异,重插入等优化后的并行化蚁群有了较好的性能。
进一步的,利用分布式算法的思想映射至优化后的并行化蚁群,为蚁群算法的计算提供了一种分布式计算的性能,将每个个体看作一个功能完整的智能体,具有更加完备的性能,提高计算效率和信息传递的准确性。
综上所述,本发明提出的一种基于改进GA-PAC的仓库拣选路径优化方法,在进行仓库拣选路径时,利用分布式计算映射至遗传算法优化后的并行化蚁群参数,结合了相应算法的优点,提高了求解速度和效果,仓库能够更快更准确更稳定求得拣选货物的最优路径。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明所述的拣选路径优化方法中并行交互蚁群示意图;
图2为本发明所述的拣选路径优化方法中并行化蚁群算法参数优化流程图;
图3为本发明所述的拣选路径优化方法中基于PAC算法的染色体的解码流程图;
图4为本发明所述的拣选路径优化方法中四种算法的收敛效果对比图;
图5为本发明所述的拣选路径优化方法中订单1的优化后拣货路径;
图6为本发明所述的拣选路径优化方法中订单2的优化后拣货路径;
图7为本发明所述的拣选路径优化方法中订单1传统穿越策略拣选路径图。
具体实施方式
本发明提供了一种基于改进GA-PAC(Genetic Algorithm-Parallel Ant Colony遗传-并行化蚁群算法)的仓库拣选路径优化方法,首先根据仓库拣选路径优化问题建立环境模型,其次设计遗传算法优化并行蚁群参数。遗传算法是一种自然选择和遗传机制的参数搜索算法,一般包括复制、变异和交叉三个算子,能较好的解决NP完全问题,可以有效解决拣选路径优化问题,能进行快速的全局搜索,同时又有大量的迭代冗余。利用分布式计算的优点映射到遗传算法优化后的并行化蚁群算法,其自组织、即插即用的特点结合蚁群算法在信息素指导情况下求解的快速性和精确性,从而实现拣选路径的全局优化。进行拣选货物的过程中,根据任务规划出最优路径。让拣货设备根据设定的路线完成拣选工作,从而实现拣取高效、低时耗的目的。
请参阅图1,本发明一种基于改进GA-PAC的仓库拣选路径优化方法,包括以下步骤:
S1、初始化算法运行参数,利用地形数据,包括货物放置的坐标,拣选任务中拣选订单的具体信息和仓库的布置,例如货架的放置、过道的设置等,确定拣选设备的起始点和终点,建立抽象的仓库环境模型,具体包括以下步骤:
S101、坐标矩阵的生成是按照货架、过道、货位的规格等参数来的,计算两个取货点i和j的距离JL(i,j)时,根据纵坐标是否一致有下面两种情形;
纵坐标相等
JL(i,j)=|i横-j横|
其中,i横表示点i横坐标,j横表示点j横坐标。
纵坐标不相等
此时又有在主过道同侧和异侧这两种情况。此种情况,根据该点在过道左右侧的位置来计算,具体为:
1)同左侧或右侧。
a=|i纵-j纵|+|i横-i左端点横|+|j横-j左端点横|
a=|i纵-j纵|+|i横-i右端点横|+|j横-j右端点横|
JL(i,j)=min(a,b)
2)两点处于主过道的异侧。
JL(i,j)=|i横-j横|+|i纵-j纵|
其中,i纵为点i纵坐标,j纵为点j纵坐标,i左端点横表示点i在过道左端点的横坐标;i右端点横则表示点i右端点的横坐标,j左端点横为点j在过道左端点的横坐标,j右端点横为点j在过道右端点的横坐标;a和b表示从i点到j点顺时针和逆时针方向的距离值,取min(a,b)。通过这种方式计算任两个点之间的距离。
S102、设定约束条件
设定仓库拣选货物过程中可以在同一个点经过多次,但是只停留一次,在某一点停留一定时间,就说明在这个点取了货,在该时间可以拣取多个货物。
拣选设备从i到取货地j取货的总次数:
其中,j=1,2,3,…,n,i=1,2,3,…,n,上式指在一个点只进行一次取货。
xij=0或1
上式中xij=0代表拣选设备从i点到j点没有出现,xij=1则代表拣选设备从i点到j点出现。
S103、设定目标函数,即拣货总路径最短。
其中,S0表示从开始取货的点之前拣选设备行驶的路程,JL(I,0)和JL(N,0)表示起始拣选点和终止拣选点到初始位置的长度。拣选操作的次数和订单货物的量有关,但是在同一个订单内即使拣选顺序不同但是拣货操作的次数还是一致的,所以不考虑拣货动作对拣选时间的影响。
S2、每个“蚂蚁”节点确定起始点和目标点,与邻居节点交互信息,判断是否满足目标条件,若满足,输出最优结果,若不满足目标条件,进行下一步操作;
“信息素”分布在相邻两个点的连线上,通往路径上障碍连线的信息素为0.蚂蚁从起始点开始搜索,蚂蚁的每一步搜索的方向是与当前所在点相邻的上、下、左、右4个方位的点上。t时刻每一自由点i到其相邻自由点j的信息素的值为τij(t)。
S3、计算下一选择区域内各点的信息值,依据信息值和信息素值,传递至下一位置点,进行局部信息素更新;
t时刻蚂蚁k选择下一个点的转移概率由以下公式确定:
其中,ηij(t)为启发函数,α为信息素的重要程度因子;β为启发函数重要程度因子;allowk(k=1,2,...m)为蚂蚁k待访问点的集合。
S4、判断所有节点是否完成一次路径构建,若没有完成,返回至步骤S3重新计算;若完成一次路径构建,则进行全局信息素的更新。
信息素的更新机制如下:
其中,Q为常数,表示蚂蚁循环一次所释放的信息素总量;Lk为第k只蚂蚁经过路径的长度。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,每个子蚁群计算出最优解,发起节点通过并行化计算的方式进行综合比较,得出最终的最优解。
请参阅图2,为并行化蚁群算法参数优化流程,GA经选择、交叉、变异、重插入和解码等操作对PAC的ρ,α,β,c进行组合优化。
PAC参数优化的遗传算法具体步骤如下:
(1)编码
染色体的编码是使用二进制的方法,由ρ,α,β,c共同构成染色体,采用参数长度为7位的二级制数。总长度为28位,其中每个参数的二进制转换成十进制的对应关系如表1所示:
表1二进制和十进制对应的关系
例如对应编码1010101 1010011 1110010 1010100,轨迹ρ为1010101,二进制编码的7位全部代表小数。1010101转化为十进制数是0.6641,转化的方式见下式:
1*2-1+0*2-2+1*2-3+0*2-4+1*2-5+0*2-6+1*2-7=0.6641
其中,参数α是1101010它表示路线轨道的相对重要性,前两位的编码表示整数部分,后面的五位为小数部分,十进制取值在(0,4],1101010经过十进制数转化变成3.3125,转化方式见下式:
1*21+1*20+0*2-1+1*2-2+0*2-3+1*2-4+0*2-5=3.3125
同理,β为1100100它表示能见度的相对重要性,经过十进制转化变为3.125。c为1010111表示初始的信息素量,经过十进制数转化变为87。
(2)初始种群
用取0或者1构成染色体的二进制的编码方式,初始的种群是在随机生成的那些染色体中提取一部分构成。
(3)基于PAC的解码
请参阅图3,是基于PAC算法的染色体的解码流程图。染色体通过解码的方式来获得其适应度的值,即将单个的基因型对表现型基因的映射。采用TSP问题的经典Oliver30模型,将ρ,α,β,c参数的染色体由转化为十进制数,然后采用PAC进行模型的求解。选择最短路径的倒数来表示染色体适应度值,因为GA算法的优化目标是求该问题的最大值。蚁群算法的基于概率搜索算法决定了它的随机性,所以在求适应度时,运行k次,取k次的倒数作为该染色体的适应度值从而解决PAC算法的随机性影响寻优。
(4)选择
个体的繁衍方式选取的是轮盘赌,该群的繁衍比例假定是90%,这样做可以提高优质的子代基因的个体被存储的机率。
(5)交叉
有四个参数构成的染色体,采用多点交叉方式。所以每一个参数为一段基因一共四段,然后使用两点交叉的方式,在各段基因上随机的生成两个位置值,通过概率判断,如果交叉就进行父代的交换得到子代。表2中A和B是父代,经过上述方式得到M和N子代。
表2交叉过程
(6)变异
单点变异法。变异的位置是随机产生在每段基因上的,通过概率判断,存在变异,原本是此处0的就变成1,若是1则变成0。不存在,就进入子代,表3是X变异成Y的过程。
表3变异过程
(7)重插入
在以上的过程中有可能会出现最优的个体丢失的情况,为了避免此情况的发生,对比两者之间的适应度值,如果比父代还小,就替换子代的某一个染色体。
验证过程
为了验证提出的一种基于改进GA-PAC的仓库拣选路径优化方法的优劣性,使用标准的旅行商模型,并和遗传算法、基本蚁群算法相互比对。
验证使用的是Oliver30标准模型完成性能对比,进行15次作为一组,通过和GA、ACO和PAC作为并行化蚁群参数优化遗传算法的对比实验。实验结果如下表4所示。其中,Oliver30问题的最优解为423.78。
表4.并行化蚁群优化算法的性能对比测试
由上表的数据对比可知道,在求解Oliver30标准模型时,GA-PAC算法的三个性能参数在相比于其他三个都是最低,同时发现在测试Oliver30标准模型时,GA-PAC群智能算法精确、快速、平稳找出最好的解。从而证明了GA-PAC群智能算法的在找最优还有平稳度上要胜于其他三个。
请参阅图4,从四种算法的的收敛效果比较可看出,GA-PAC算法能够较快的收敛相对其他算法,证明提出的GA-PAC不但寻优强,并且具有更快的收敛速度。根据函数的测试分析,GA-PAC算法寻优强,运行平稳,收敛速度快的优势,能快速精确的找出优质的解。
为了进一步验证算法的优劣性,对仓库拣选路径优化进行仿真分析。
首先进行参数的输入,主要信息有:货名、入库日期、货架编号、货位层号、货物放置点等。表2所示的就是将以上信息进行编辑然后存入。
表5货物摆放信息表
利用MATLAB R2014b编制拣选货物问题程序。
请参阅图5,根据表6输入拣选1号订单的信息,通过优化获取拣货路径如图5所示,拣货设备按照给出的拣取点的次序依次进行拣货。
表6任务信息表
优化结果,1号任务的拣选设备需要行驶的距离为81.3米,花费时间415.35秒,拣货的次序:T11→D31→F70→B10→B10→C9→B21→D15→A45→A38→C35→C35→B4→B4→A1。
12→21(3,2)→67(5,4)→133(9,2)→160(13,2)→160(13,3)→200(17,3)→172(9,1)→148(11,2)→103(6,1)→78(6,2)→76(4,2)→25(4,1)→25(4,2)→33(4,2)→33(4,3)→12。
初始位置12,18(2,1)表示拣取的的位置为18货架编号为2号层号为1。
请参阅图6,根据表6输入拣选2号订单的信息,通过优化获取拣货路径如图6所示。
优化结果,该订单的拣选设备需要行驶的距离为82.3米,花费时间429.85秒,拣货顺序:E22→A22→A22→A22→C14→E7→D7→D7→D2→B23→A15→A31→A31→T3→B3→T8→T8。
即:12→62(7,2)→52(4,3)→52(4,4)→52(4,5)→79(6,1)→129(11,3)→198(19,2)→198(19,3)→213(16,3)→145(9,4)→141(9,4)→98(8,1)→98(8,2)→95(4,1)→23(2,2)→29(3,1)→14(3,2)→14(3,3)→12。
请参阅图7,是1号订单采用传统穿越型的方式拣选货物的行驶路线。图中的黑色标识表示待捡取货物的位置,由图7可以看出采用传统的穿越方式在相同拣选设备下行驶的总距离为131米。同理可以得出2号订单按照传统穿越策略拣取货物拣选路径总长为135米。
表7与传统方法的结果对比
从表7看得出来,采用GA-PAC算法相比与穿越式策略在处理订单1和2的时候分别缩短了37.93%和39.04%的距离,大大提高了拣货效率。
综上所述,本发明一种基于改进GA-PAC的仓库拣选路径优化方法。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种基于改进GA-PAC的仓库拣选路径优化方法,其特征在于,包括以下步骤:
S1、初始化算法运行参数,利用地形数据,包括货物放置的坐标,拣选任务中拣选订单的具体信息和仓库的布置,确定拣选设备的起始点和终点,建立抽象的仓库环境模型;
S2、根据每个蚂蚁节点确定起始点和目标点,与邻居节点交互信息,判断是否满足目标条件,若满足,输出最优结果,若不满足目标条件,进行下一步操作;
S3、计算下一选择区域内各点的信息值,依据信息值和信息素值传递至下一位置点,进行局部信息素更新;
S4、判断所有节点是否完成一次路径构建,若没有完成,返回至步骤S3重新计算;若完成一次路径构建,进行全局信息素更新,完成路径优化。
2.根据权利要求1所述的基于改进GA-PAC的仓库拣选路径优化方法,其特征在于,步骤S1具体为:
S101、按照货架、过道、货位的规格参数生成坐标矩阵,计算两个取货点i和j的距离JL(i,j);
S102、设定仓库拣选货物过程中在同一个点经过多次,只停留一次,确定拣选设备从i到取货地j取货的总次数;
S103、设定目标函数,确定拣货总路径最短。
3.根据权利要求2所述的基于改进GA-PAC的仓库拣选路径优化方法,其特征在于,步骤S101中,计算两个取货点i和j的距离JL(i,j)时,当纵坐标相等时:
JL(i,j)=|i横-j横|
其中,i横表示点i横坐标,j横表示点j横坐标;纵坐标不相等时,同左侧或右侧为:
a=|i纵-j纵|+|i横-i左端点横|+|j横-j左端点横|
a=|i纵-j纵|+|i横-i右端点横|+|j横-j右端点横|
JL(i,j)=min(a,b)
其中,i纵为点i纵坐标,j纵为点j纵坐标,两点处于主过道的异侧时,具体为:
JL(i,j)=|i横-j横|+|i纵-j纵|
其中,i左端点横表示点i在过道左端点的横坐标;i右端点横表示点i在过道右端点的横坐标,j左端点横为点j在过道左端点的横坐标,j右端点横为点j在过道右端点的横坐标;a和b表示从i点到j点顺时针和逆时针方向的距离值,取min(a,b)。
6.根据权利要求1所述的基于改进GA-PAC的仓库拣选路径优化方法,其特征在于,步骤S2中,信息素分布在相邻两个点的连线上,通往路径上障碍连线的信息素为0,蚂蚁从起始点开始搜索,蚂蚁每一步搜索的方向与当前所在点相邻的上、下、左、右4个方位的点上;t时刻每一自由点i到其相邻自由点j的信息素的值为τij(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383733.3A CN111582582A (zh) | 2020-05-08 | 2020-05-08 | 一种基于改进ga-pac的仓库拣选路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383733.3A CN111582582A (zh) | 2020-05-08 | 2020-05-08 | 一种基于改进ga-pac的仓库拣选路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582582A true CN111582582A (zh) | 2020-08-25 |
Family
ID=72113330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010383733.3A Pending CN111582582A (zh) | 2020-05-08 | 2020-05-08 | 一种基于改进ga-pac的仓库拣选路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582582A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449906A (zh) * | 2021-06-04 | 2021-09-28 | 北京迈格威科技有限公司 | 一种库位优化方法、装置、库存管理设备及系统 |
CN113469631A (zh) * | 2021-09-03 | 2021-10-01 | 浙江凯乐士科技集团股份有限公司 | 拣选调度方法、设备及矩阵分拣系统 |
CN113673922A (zh) * | 2021-07-09 | 2021-11-19 | 合肥工业大学 | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 |
CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN117332995A (zh) * | 2023-12-01 | 2024-01-02 | 暨南大学 | 基于窄通道避堵的拣选订单分配规划方法、装置及介质 |
CN117708260A (zh) * | 2024-02-02 | 2024-03-15 | 中宬建设管理有限公司 | 一种智慧城市数据联动更新方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294823A (zh) * | 2013-06-18 | 2013-09-11 | 上海工程技术大学 | 基于文化蚁群系统的轨道交通多模式最优换乘查询方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN110986942A (zh) * | 2019-10-17 | 2020-04-10 | 浙江科技学院 | 基于蚁群算法的立体仓库三维空间路径优化方法 |
-
2020
- 2020-05-08 CN CN202010383733.3A patent/CN111582582A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294823A (zh) * | 2013-06-18 | 2013-09-11 | 上海工程技术大学 | 基于文化蚁群系统的轨道交通多模式最优换乘查询方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN110986942A (zh) * | 2019-10-17 | 2020-04-10 | 浙江科技学院 | 基于蚁群算法的立体仓库三维空间路径优化方法 |
Non-Patent Citations (1)
Title |
---|
王均峰等: "基于群智能算法的仓库拣选路径优化", 《工业控制计算机》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449906A (zh) * | 2021-06-04 | 2021-09-28 | 北京迈格威科技有限公司 | 一种库位优化方法、装置、库存管理设备及系统 |
CN113673922A (zh) * | 2021-07-09 | 2021-11-19 | 合肥工业大学 | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 |
CN113469631A (zh) * | 2021-09-03 | 2021-10-01 | 浙江凯乐士科技集团股份有限公司 | 拣选调度方法、设备及矩阵分拣系统 |
CN115456537A (zh) * | 2022-09-20 | 2022-12-09 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN115456537B (zh) * | 2022-09-20 | 2023-04-25 | 江南大学 | 仓库拣货路径规划方法及系统 |
CN117332995A (zh) * | 2023-12-01 | 2024-01-02 | 暨南大学 | 基于窄通道避堵的拣选订单分配规划方法、装置及介质 |
CN117332995B (zh) * | 2023-12-01 | 2024-02-20 | 暨南大学 | 基于窄通道避堵的拣选订单分配规划方法、装置及介质 |
CN117708260A (zh) * | 2024-02-02 | 2024-03-15 | 中宬建设管理有限公司 | 一种智慧城市数据联动更新方法及系统 |
CN117708260B (zh) * | 2024-02-02 | 2024-04-26 | 中宬建设管理有限公司 | 一种智慧城市数据联动更新方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582582A (zh) | 一种基于改进ga-pac的仓库拣选路径优化方法 | |
CN109447317B (zh) | 一种基于多人同时拣货的仓库最短路径优化方法 | |
Harman et al. | A theoretical and empirical study of search-based testing: Local, global, and hybrid search | |
Yu et al. | A new design of genetic algorithm for solving TSP | |
CN108921464A (zh) | 一种拣货路径生成方法、存储介质及终端设备 | |
CN110243373B (zh) | 一种动态仓储自动引导车的路径规划方法、装置和系统 | |
CN107463702A (zh) | 一种基于进化算法的数据库多连接查询优化方法 | |
CN113935452A (zh) | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 | |
Mühlenbein | Darwin's continent cycle theory and its simulation by | |
Patalia et al. | Behavioral analysis of genetic algorithm for function optimization | |
CN111967672A (zh) | 一种基于狮群进化算法的面向空间众包平台的路径规划方法 | |
CN117252395B (zh) | 基于双染色体遗传算法的带服务约束多物流车调度方法 | |
Luo et al. | An efficient simulation model for layout and mode performance evaluation of robotic mobile fulfillment systems | |
Beed et al. | A study of the genetic algorithm parameters for solving multi-objective travelling salesman problem | |
CN112381284B (zh) | 一种无人接驳车多站点路径优化的改进遗传算法 | |
CN106611220A (zh) | 一种新的混合算法求解柔性作业车间调度问题 | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
CN115841286A (zh) | 一种基于深度强化学习的外卖配送路径规划方法 | |
CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
CN113537841B (zh) | 一种考虑客户满意度的堆场起重机调度优化方法 | |
CN112308353A (zh) | 一种药品仓库作业调度优化方法 | |
CN110222055A (zh) | 一种动态图下多边更新的单轮核值维护方法 | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
CN113743608A (zh) | 一种基于基因库解决堆垛机路径规划的蚁群遗传混合算法 | |
Bi et al. | Multiple factors collaborative optimisation of intelligent storage 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |