CN111815233B - 基于物流总量和能量消耗的货位优化方法 - Google Patents

Abstract

本发明公开了一种基于物流总量和能量消耗的货位优化方法，获取货物的历史出入库频率数据，按照频率高低对货物进行分类；设货物出入库过程中装卸及运输的工作量为物流量，将物流量大的货物分配到距出入库口近的货位，设所有货物的物流量之和为物流总量，以物流总量最小为优化目标构建模型，对每种货物进行货位数分配；以所有货物出入库过程中消耗的总能量最小为优化目标构建模型；将贪婪算法和遗传算法相结合求解模型，将货物分配到每排具体的货格。本发明综合考虑物流总量和能量消耗，进行货位数分配，并将货物分配到每排具体的货格，减少了物流总量和能量消耗，适应实际需求。

Description

基于物流总量和能量消耗的货位优化方法

技术领域

本发明属于物流仓储技术领域，具体涉及一种基于物流总量和能量消耗的货位优化方法。

背景技术

自动化立体仓库作为一种先进的仓储模式，具有节约劳动力、提高仓储管理水平、降低物流费用等优点，在制造企业仓储中得到普遍应用。传统的货位优化方法只是沿用习惯和经验，把货物存放在能够容纳该货物的库位上，没有从整体考虑货位的优化管理，从而导致出入库节奏慢、效率低、仓库空间利用不足，不能满足降本增效的要求。

目前关于货位优化问题的研究虽然众多，但大都是根据出入库效率原则和货架稳定性原则，建立货位优化数学模型，不能很好适应实际的需求。

发明内容

本发明的目的是提供一种基于物流总量和能量消耗的货位优化方法，本发明综合考虑物流总量和能量消耗，进行货位数分配，并将货物分配到每排具体的货格，减少了物流总量和能量消耗，适应实际需求。

本发明所采用的技术方案是：

一种基于物流总量和能量消耗的货位优化方法，包括步骤：

S1、获取货物的历史出入库频率数据，按照频率高低对货物进行分类；

S2、设货物出入库过程中装卸及运输的工作量为物流量，将物流量大的货物分配到距出入库口近的货位，设所有货物的物流量之和为物流总量，以物流总量最小为优化目标构建模型，对每种货物进行货位数分配；

S3、以所有货物出入库过程中消耗的总能量最小为优化目标构建模型；

S4、将贪婪算法和遗传算法相结合求解步骤S3中的模型，将货物分配到每排具体的货格；

在步骤S2中，模型的构建包括步骤：

S2.1、以货物质量为基础、其它影响因素作为调整因素计算物流量Q＝λ*M，其中λ为由影响物流量的其它影响因素决定的调整系数，M为货物质量；

S2.2、为仓库建立三维坐标系，以曼哈顿距离表示货位至出入库口的距离；

三维坐标系以货位的排、列、层作为三维，设离出入库口最近的一排货架为第一排、离出入库口最近的一列为第一列、货架最底层为第一层，距离表示为，

d_i＝|x_i-x₀|+|y_i-y₀|

其中d_i为第i排货架距离出入库口的距离，(x_i,y_i)为第i排货架的平面坐标，(x₀,y₀)为出入库口的平面坐标；

S2.3、以物流总量最小为优化目标，构建目标函数，

其中S为物流总量，k为货架排数，r为货物种类数，Q_j为第j种货物的物流量，X_ji为决策变量，表示第j种货物是否存储在第i排货架；

S2.4、考虑约束，

其中m为每排货架的层数，n为每排货架的列数，I_j表示第j种货物的在库量。

在步骤S1中，按照频率高低对货物进行分类时，采用ABC分类法。

在步骤S2.1中，调整系数λ的计算方法包括：

S2.1.1、设其它影响因素集U＝{U₁,U₂,U₃,U₄,U₅}，选取U₁(体积)、U₂(形状)、U₃(易碎性)、U₄(危险性)、U₅(价值)5个指标作为影响物流量的其它影响因素；

S2.1.2、设评价集V＝{V₁,V₂,V₃,V₄,V₅}，根据搬运难度，分为五个等级，V₁为易搬运，V₂为较易搬运，V₃为一般搬运，V₄为较难搬运，V₅为难搬运；赋值向量A＝{α₁,α₂,α₃,α₄,α₅}；

S2.1.3、其它影响因素集与评价集的隶属度矩阵为，

S2.1.4、采取专家经验法，确定其它影响因素的权重集为B＝{β₁,β₂,β₃,β₄,β₅}；

S2.1.5、调整系数λ＝γ·A^T，其中向量γ＝BP。

在步骤S3中，货物出入库过程中消耗的能量包括堆垛机和运输机系统运作的机械能和发热能，由于发热能过于复杂且无法准确计算，因此不作考虑，模型的构建包括步骤：

S3.1、计算堆垛机和运输机系统搬运单位质量货物的能量消耗，

e(h,d)＝g*h+g*f₁+g*d*f₂

其中e(h,d)表示搬运距离地面高度为h、距离出入库口水平距离为d的货格中单位质量货物的能耗，g为重力加速度，h为存储点距离地面的高度，与货架的层数有关，d为存储点距离出入库口的水平距离，与货架的列数有关，f₁为堆垛机的摩擦系数，f₂为运输机摩擦系数；

S3.2、以所有货物出入库过程中消耗的总能量最小为优化目标，构建目标函数，

其中E为总能耗，r为货物种类数，m为每排货架的层数，n为每排货架的列数，K为比例因子(一般取值1-1.5)，M_j为第j种货物的统计质量，e_pq为第p层第q列货格的单位质量能耗，X_jpq为0或1变量，当取值为1时，表示第j种货物存放在第p层第q列货格，当取值为0时，表示第j种货物不存放在第p层第q列货格；

S3.3、考虑如下约束，

其中I_j表示第j种货物的在库量。

在步骤S4中，求解步骤S3中的模型包括步骤：

S4.1、货位编码；

采取m×n的矩阵Y对货位进行编码，对于某类货物，未必有X∈T，引入贪婪变换G:{0,1}^j→T；G(X)＝Y，若X∈T，则G(X)＝X，若

则按照货格的单位质量能耗从小到大的次序变换x_j，得到G(X)＝Y；

其中，T是步骤2得到的每种货物的货位数分配，X是某种货物，x_j是第j种货物可能存放的货格，G(X)是货格分配函数；

S4.2、生成初始种群；

使矩阵Y的列方向按单位质量能耗降序排列，依次随机把货物指派到货位填入；

S4.3、计算适应度值；

将步骤S3.2中的目标函数中的M_j替换为1，并将重新产生的函数的倒数作为适应度函数，计算个体适应度值，适应度函数为：

S4.4、交叉操作；

每个个体在实际货位分配时会有相应的约束，针对多目标优化问题，要使两个目标函数下的个体通过基因重组产生新的个体，即选择任何一个交叉点实施上下左右交换操作，代表个体的基因以相同的概率进行交叉操作；

S4.5、变异操作

对整个矩阵实施贪婪变换操作，并按概率选择一部分货位，将货位上的货物进行互换，直到满足约束条件。

本发明的有益效果是：

本发明综合考虑物流总量和能量消耗，进行货位数分配，并将货物分配到每排具体的货格，减少了物流总量和能量消耗，适应实际需求。

附图说明

图1是本发明的主要步骤流程图。

图2是本发明的实施流程图。

具体实施方式

下面结合图1和图2将本发明提供的方法进行应用实施，说明如下。

实施例一

1.货位优化问题描述和假设条件分析

本实施例中的仓库共拥有4排货架，每排货架4层12列，即每排共有48个货格。货架规格为：每层高1m，宽1.4m，每个货格长2m。仓库共存放了8种不同类型的芯片组。货位优化就是将仓库中的货位根据货物特性和存储环境进行合理分配，安排不同货物的储存点。因此为了提高货物的出入库效率，提高仓库的资源利用率，以物流总量和能量消耗为目标函数建立多目标优化模型。整个货位优化过程中满足以下假设：一个货格放置两箱货品，同一货格不能存放不同的物品；不考虑托盘的质量；堆垛机只能存取一个货物；货物的重心位置为其几何中心；重力加速度取9.8m/s²。

2.按照出入库频率对货物进行分类；

表1描述了8种不同类型的芯片组在库数据，包括每种芯片组的箱数、所需货格数、统计质量以及优化期内的出入库频次。按频率高低将8种货物进行降序排列。

表1芯片在库数据表

3.建立物流总量最小的目标模型，进行货位数分配；

3.1以货物质量为基础，其他影响因素作为调整因素计算物流量，计算公式为：Q＝λ*M。其中λ为由影响物流量的其他因素决定的调整系数，M为货物质量。本实施例中分别设置λ的值为：5,5,4,4,3,3,2,1；

3.2为自动化立体仓库建立三维坐标系，以曼哈顿距离表示货位至出入库台的距离。所述距离表示为：d_i＝|x_i-x₀|+|y_i-y₀|

3.3以物流总量最小为优化目标，构建目标函数：

其中S为物流总量，Q_j为第j种货物的物流量，d_i为第i排货架距离出入库口的距离，X_ji为决策变量，表示第j种货物是否存储在第i排货架的某个位置。

3.4考虑如下约束：

其中I_j表示第j种货物的在库量。

4.建立能量消耗最小的目标模型，进行货格分配；

4.1首先计算堆垛机与运输机系统搬运单位质量货物的能量消耗，计算公式为：

e(h,d)＝g*h+g*f₁+g*d*f₂

本实施例中的每个货格高1m，长2m，相应的有

e_pq＝g*(p-1)*1+g*f₁+g*(q-1)*2*f₂

4.2其次建立模型如下：

其中，p表示货架第p层，q表示货架第q列，K为比例因子，此处取值1.5，M_j表示第j种芯片的统计质量，e_pq表示第p层第q列货格的单位质量能耗，X_jpq为0-1变量，当取值为1时，表示第j种芯片储存在第p层第q列货格；当取值为0时，表示第j种芯片不储存在第p层第q列货格。

4.3考虑如下约束：

其中I_j表示第j种货物的在库量。

5.将贪婪算法和遗传算法相结合求解模型；

5.1货位编码；

采取4×12的矩阵Y对货位进行编码。对于所有种类的芯片，未必有X∈T(T是步骤3中得到的每种芯片的货位数分配)，所以引入贪婪变换G:{0,1}^j→T；G(X)＝Y。若X∈T，则G(X)＝X；若

则按照货格的单位质量能耗从小到大的次序变换x_j，得到G(X)＝Y；

5.2生成初始种群；

使矩阵Y的列方向按单位质量能耗降序排列，依次随机把芯片指派到货位填入；

5.3计算适应度值；

将步骤4中的目标函数中的M_j替换为1，并将重新产生的函数的倒数作为适应度函数，计算个体适应度。本实施例中的适应度函数为：

5.4交叉操作；

每个个体在实际货位分配时会有相应的约束，针对多目标优化问题，要使两个目标函数下的个体通过基因重组产生新的个体，即选择任何一个交叉点实施上下左右交换操作，代表个体的基因以相同的概率进行交叉操作；

5.5变异操作；

对整个矩阵实施贪婪变换操作，并按概率选择一部分货位，将货位上的货物进行互换，直到满足约束条件。

6.求解结果分析；

通过上述步骤，应用MATLAB R2014a软件编程实现模型求解，本实施例的最终货位分配情况如表2所示。

表2货位分配求解结果

货位优化之前本实施例的存储模式下的能耗为20,048,377J，经过货位优化后的能耗为188,411,460J，直接减少了1,636,917J的能量消耗，减少了8.16％的物流总量。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (5)

1.一种基于物流总量和能量消耗的货位优化方法，其特征在于：包括步骤，

S1、获取货物的历史出入库频率数据，按照频率高低对货物进行分类；

S2、设货物出入库过程中装卸及运输的工作量为物流量，将物流量大的货物分配到距出入库口近的货位，设所有货物的物流量之和为物流总量，以物流总量最小为优化目标构建模型，对每种货物进行货位数分配；

S3、以所有货物出入库过程中消耗的总能量最小为优化目标构建模型；

S4、将贪婪算法和遗传算法相结合求解步骤S3中的模型，将货物分配到每排具体的货格；

在步骤S2中，模型的构建包括步骤，

S2.1、以货物质量为基础、其它影响因素作为调整因素计算物流量Q＝λ*M，其中λ为由影响物流量的其它影响因素决定的调整系数，M为货物质量；

S2.2、为仓库建立三维坐标系，以曼哈顿距离表示货位至出入库口的距离；

三维坐标系以货位的排、列、层作为三维，设离出入库口最近的一排货架为第一排、离出入库口最近的一列为第一列、货架最底层为第一层，距离表示为，

d_i＝|x_i-x₀|+|y_i-y₀|

其中di为第i排货架距离出入库口的距离，(x_i,y_i)为第i排货架的平面坐标，(x₀,y₀)为出入库口的平面坐标；

S2.3、以物流总量最小为优化目标，构建目标函数，

其中S为物流总量，k为货架排数，r为货物种类数，Q_j为第j种货物的物流量，X_ji为决策变量，表示第j种货物是否存储在第i排货架；

S2.4、考虑约束，

其中m为每排货架的层数，n为每排货架的列数，I_j表示第j种货物的在库量。

2.如权利要求1所述的基于物流总量和能量消耗的货位优化方法，其特征在于：在步骤S1中，按照频率高低对货物进行分类时，采用ABC分类法。

3.如权利要求1所述的基于物流总量和能量消耗的货位优化方法，其特征在于：在步骤S2.1中，调整系数λ的计算方法包括步骤，

S2.1.1、设其它影响因素集U＝{U₁,U₂,U₃,U₄,U₅}，选取U₁、U₂、U₃、U₄、U₅5个指标作为影响物流量的其它影响因素，U₁为体积，U₂为形状，U₃为易碎性，U₄为危险性，U₅为价值；

S2.1.2、设评价集V＝{V₁,V₂,V₃,V₄,V₅}，根据搬运难度，分为五个等级，V₁为易搬运，V₂为较易搬运，V₃为一般搬运，V₄为较难搬运，V₅为难搬运；赋值向量A＝{α₁,α₂,α₃,α₄,α₅}；

S2.1.3、其它影响因素集与评价集的隶属度矩阵为，

S2.1.4、采取专家经验法，确定其它影响因素的权重集为B＝{β₁,β₂,β₃,β₄,β₅}；

S2.1.5、调整系数λ＝γ·A^T，其中向量γ＝BP。

4.如权利要求1所述的基于物流总量和能量消耗的货位优化方法，其特征在于：在步骤S3中，货物出入库过程中消耗的能量包括堆垛机和运输机系统运作的机械能和发热能，不考虑发热能的情况下，模型的构建包括步骤：

S3.1、计算堆垛机和运输机系统搬运单位质量货物的能量消耗，

e(h,d)＝g*h+g*f₁+g*d*f₂

其中e(h,d)表示搬运距离地面高度为h、距离出入库口水平距离为d的货格中单位质量货物的能耗，g为重力加速度，h为存储点距离地面的高度，与货架的层数有关，d为存储点距离出入库口的水平距离，与货架的列数有关，f₁为堆垛机的摩擦系数，f₂为运输机摩擦系数；

S3.2、以所有货物出入库过程中消耗的总能量最小为优化目标，构建目标函数，

其中E为总能耗，r为货物种类数，m为每排货架的层数，n为每排货架的列数，K为比例因子，M_j为第j种货物的统计质量，e_pq为第p层第q列货格的单位质量能耗，X_jpq为0或1变量，当取值为1时，表示第j种货物存放在第p层第q列货格，当取值为0时，表示第j种货物不存放在第p层第q列货格；

S3.3、考虑如下约束，

其中I_j表示第j种货物的在库量。

5.如权利要求4所述的基于物流总量和能量消耗的货位优化方法，其特征在于：在步骤S4中，求解步骤S3中的模型包括步骤：

S4.1、货位编码；

采取m×n的矩阵Y对货位进行编码，对于某类货物，未必有X∈T，引入贪婪变换G:{0,1}^j→T；G(X)＝Y，若X∈T，则G(X)＝X，若

则按照货格的单位质量能耗从小到大的次序变换x_j，得到G(X)＝Y；

其中，T是步骤2得到的每种货物的货位数分配，X是某种货物，x_j是第j种货物可能存放的货格，G(X)是货格分配函数；

S4.2、生成初始种群；

使矩阵Y的列方向按单位质量能耗降序排列，依次随机把货物指派到货位填入；

S4.3、计算适应度值；

将步骤S3.2中的目标函数中的M_j替换为1，并将重新产生的函数的倒数作为适应度函数，计算个体适应度值，适应度函数为：

S4.4、交叉操作；

每个个体在实际货位分配时会有相应的约束，针对多目标优化问题，要使两个目标函数下的个体通过基因重组产生新的个体，即选择任何一个交叉点实施上下左右交换操作，代表个体的基因以相同的概率进行交叉操作；

S4.5、变异操作

对整个矩阵实施贪婪变换操作，并按概率选择一部分货位，将货位上的货物进行互换，直到满足约束条件。

Images