CN112766865B - 一种考虑实时订单的互联网电商仓储动态调度方法 - Google Patents
一种考虑实时订单的互联网电商仓储动态调度方法 Download PDFInfo
- Publication number
- CN112766865B CN112766865B CN202110228214.4A CN202110228214A CN112766865B CN 112766865 B CN112766865 B CN 112766865B CN 202110228214 A CN202110228214 A CN 202110228214A CN 112766865 B CN112766865 B CN 112766865B
- Authority
- CN
- China
- Prior art keywords
- grasshopper
- population
- individual
- warehouse
- algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000254032 Acrididae Species 0.000 claims abstract description 41
- 230000005012 migration Effects 0.000 claims abstract description 21
- 238000013508 migration Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 claims description 2
- 230000002411 adverse Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 20
- 238000009826 distribution Methods 0.000 abstract description 5
- 108090000623 proteins and genes Proteins 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 2
- 241000238633 Odonata Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 241001334134 Rugopharynx epsilon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001668 ameliorated effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06Q10/08—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (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
本发明公开了一种考虑实时订单的互联网电商仓储动态调度方法，以智慧仓储为出发点，将客户随机订单的动态特性引入到仓储调度环节，并依据待优化的目标建立了带约束条件的仓储动态调度优化模型。本发明采用蚱蜢算法对该模型进行求解，并针对蚱蜢算法收敛速度慢以及易陷入局部最优的缺点，引入多重学习策略增大优良基因遗传给子代的几率，引入基于种群分布特征的启发式迁移机制灵活调整蚱蜢种群的多样性，从而有效提高蚱蜢算法的局部及全局寻优能力。基于改进型蚱蜢算法对电商仓储动态调度优化问题进行了求解，结果表明改进后的蚱蜢算法在寻优效率及质量上有明显提高，本发明不仅提高了电商仓储的拣选效率，而且提升了电商仓储拣选的柔性。
Description
技术领域
本发明属于智慧立体仓储技术领域，具体涉及一种考虑实时订单的互联网电商仓储动态调度方法。
背景技术
“互联网+”技术的应用进一步拓宽了产品的销售渠道，线上交易已成为一种消费新风尚，随着新冠肺炎疫情在全球蔓延，线上交易正逐步替代线下交易，从而催生出产品在线选型、订购的大型电子商务平台。对消费者而言，线上交易减少了批发、零售等中间环节，使他们能够买到物美价廉的商品；对生产企业而言，线上交易能让其降低库存甚至实现零库存，因而降低了企业的库存成本。然而仓储拣选为劳动密集型作业，其费用大概占到仓储总费用的60-70％，因而对于电商平台特别是促销节的大规模客户订单，如何及时拣选及配送成为影响客户满意度的一个关键因素。同时，考虑到堆垛机拣选过程中产生的实时订单，为提高仓储的综合拣选效能，有必要对电商仓储动态调度优化问题进行研究。因而，寻求一种考虑实时订单的互联网电商仓储动态调度方法具有很好的科学意义和社会价值。
截止目前，学者考虑的立体仓储调度问题主要集中在静态订单拣选方面，动态客户订单还较少涉及。比如De et al.(An adapted ant colony optimization algorithmfor the minimization of the travel distance of pickers in manualwarehouses.European Journal of Operational Research，2018.)以最小化订单拣选距离为优化目标，运用基于蚁群算法及弗洛伊德算法的混合型元启发式算法对静态订单拣选优化问题进行研究；蔡等(两端式自动化立体仓库布局堆垛机调度。中国机械工程，2019。)针对两端式立体仓储，建立了综合考虑单一命令和复合命令两种作业模式的仓储静态订单调度模型，并通过涡流搜索算法实现调度模型最优化求解。这些方面还未涉及仓储动态客户订单拣选的情况，本发明结合实际电商仓储对考虑动态订单拣选的仓储调度优化问题进行了认真分析研究，提出了一种考虑实时订单的互联网电商仓储动态调度方法，不仅提高了订单的实时拣选效率，而且提升了客户的满意度，具有很好的推广价值。
发明内容
有鉴于此，本发明的目的在于提出一种基于改进型蚱蜢算法求解考虑实时订单的互联网电商仓储动态调度方法，以提高电商企业仓储的拣选效率和柔性。
为了实现上述目的，本发明的构思是：本发明以堆垛机最大载重、出库终点为约束条件，以最小化完成所有订单拣选任务花费的时间总和为优化目标，把考虑实时订单的互联网电商仓储动态调度问题抽象成带约束的组合优化问题，并采用改进的蚱蜢算法对该优化问题进行求解。
根据上述发明构思，本发明采用下述技术方案：一种考虑实时订单的互联网电商仓储动态调度方法(Improved Grasshopper Optimization Algorithm，IGOA)，其特征在于包括如下步骤：
(1)对电商仓储现场存在的约束及要优化的目标进行分析，并抽象为数学模型：对电商仓储现场存在的一些约束及要优化的目标进行分析，由于从全局角度最小化全部客户订单的拣选用时，因而拣选过程中动态订单的产生将对拣选完工时间产生一定的影响，为此建模时考虑了客户的动态订单信息；
(2)初始化参数：最大进化代数Gmax、种群规模M、进化代数计数器n、吸引力强度f、吸引距离尺度l、收敛因子的最大值cmax和最小值cmin；
(3)生成M个蚱蜢个体作为可行初始种群POP(n)；
采用随机数编码技术随机生成M个长度与待拣选静态客户订单仓位数相同的一维向量，该向量即为蚱蜢个体的位置，根据仓储堆垛机最大载重，对解码后的候选解进行插入出库缓冲区处理，这样可避免产生不可行解，从而构建出可行的初始蚱蜢种群；
(4)计算种群POP(n)个体的适应度，记录最优解Γ；
(5)进化代数：n＝n+1；
(6)基于式更新收敛因子c，并计算种群POP(n)蚱蜢个体间的距离dij；
(7)基于多重学习策略更新蚱蜢个体位置；
(8)基于启发式反向迁移机制改善种群多样性；
(9)计算种群POP(n)个体的适应度，更新最优解Γ；
(10)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出Γ。
更进一步地，步骤(1)中建立的数学模型是基于以下考虑建立的：①为提高仓储拣选的柔性，将实时订单信息引入到仓库调度环节；②本着节能降耗的目的对仓储堆垛机拣选路径进行优化。因而待优化的目标为完成所有静态订单和动态订单所用拣选时间总和最小，其数学模型表示如下：
其中minf(T)为待优化的目标，O(t)为时刻t订单拣选任务的集合；Tij为堆垛机连续经过两个待拣选仓位所需要的时间；eij为堆垛机在某条路径下是否连续经过仓位pi和仓位pj的标记；gir、gjr分别为第i个和第j个仓位是否属于子路径r的标记。
更进一步地，步骤(7)中的多重学习策略可进一步描述为：
7a)原有学习策略
其中，uk、lk分别为第k维分量的上下限。Γk为当前时刻最优个体的第k个分量。dij表示蚱蜢个体i与蚱蜢个体j之间的距离，f、l分别为吸引力强度和吸引距离尺度；
7b)加权学习策略
7c)平均学习策略
7d)极限学习策略
7e)边界学习策略
在上述学习策略中，分别为第i个蚱蜢个体Xi和当前最优蚱蜢个体Xb第k个分量，rand是0到1之间的随机数，/>为向下取整运算符。标准蚱蜢算法过度学习导致父代最优个体的优良基因并未被子代完全继承，因而很难保证子代个体的质量。本发明提出的多重学习策略能够充分利用邻域信息和解空间的边界信息，很好地实现了局部探索和全局开发间的平衡，克服了标准蚱蜢算法过度学习的缺陷。考虑到算法执行的效率，多重学习策略采用随机执行的方式，即每次随机选择其中一种进行执行。
更进一步地，步骤(8)中启发式反向迁移机制可进一步描述为：
种群多样性在算法进化过程中起到非常重要的作用，种群分布集中，则容易使算法陷入局部最优，导致搜索速度和求解质量都会降低。因此，有必要基于种群的分布特征对种群多样性进行调整，以提高蚱蜢算法的寻优性能。
种群多样性贡献率表征了个体对种群多样性的贡献大小。对于由X1，X2，…，XN N个蚱蜢个体组成的种群Ω，假设其最优个体Xj。则个体Xi对种群多样性的贡献率为
8a)
从8a)可以看出，越接近种群最优个体的蚱蜢个体其种群多样性贡献率越小。因此，为保持种群多样性，个体迁移概率应与贡献率近似成反比。同时，为更好引导种群向最优解进化，对当前代最优个体Xj采用不迁移策略。其他非最优蚱蜢个体的迁移概率则由式8b)表示，迁移行为则基于反向机制进行，该反向机制在开发解空间以及增强种群多样性方面具有优越的性能，其原理可用式8c)表示。
8b)pi＝1-(ηi/ηmax)
其中ηmax是所有蚱蜢个体种群多样性贡献率的最大值。
8c)
本发明的互联网电商仓储调度方法与现有技术相比较，具有的优点在于：①该方法能够兼顾堆垛机拣选过程中出现的实时随机订单，提高了订单拣选的实时性。②多重学习策略提高了蚱蜢算法子代繁殖的质量。③基于种群分布特征的启发式反向迁移机制大大改善了种群的多样性，从而保证了求解精度和收敛效率。本发明可以应用于现有电商企业客户订单仓储拣选环节当中，实现客户订单拣选效率的提高以及动态客户订单拣选的实时性。
附图说明
图1是本发明考虑实时订单的互联网电商仓储动态调度方法流程图；
图2是本发明电商仓储动态调度原理图；
图3是本发明对应的电商仓储布局图；
图4是本发明针对一个电商仓储动态调度实例的各算法求解效果对比图；
图5是本发明针对一个电商仓储动态调度实例的各算法的箱盒图对比。
具体实施方式
下面结合附图和优选的实施例，对本发明做进一步的详细阐述。
实施例1
参见图1，本发明考虑动态客户订单的电商仓储调度方法，其具体步骤如下：
(1)确立目标，建立数学模型
通常情况下，仓储调度系统会根据事先已知的客户订单信息生成堆垛机拣选任务调度方案。然而，在堆垛机按照指定的调度方案进行拣选的过程中，可能会有新的客户订单产生，考虑到调度的动态性及实时性，需要在新客户订单产生的时刻对原有调度方案进行调整以满足新客户订单实时拣选要求。新客户订单产生时，堆垛机可能正前往某一订单所在仓位的途中，此时不允许终止该订单的拣选操作，须待该订单任务拣选结束时才可生成新的调度方案。其具体原理如图2所示。
该实例仓储动态调度问题具有如下特征：
以某电商平台为例，其商品的立体仓储布局如图3所示。该仓储系统采用双过道布局，有助于进一步提高拣选的柔性和效率，并具有如下特点：L1条巷道、L2层货架、每排货架有L3列、巷道的宽度为W1、过道的宽度为W2、每个仓位的长、宽、高分别为L、W和H。为研究问题的方便，忽略堆垛机的启动和制动时间，堆垛机水平和垂直方向运动相互独立，平均速度分别为vx和vy，最大载重Gkg。仓位坐标定义为pi(xi，yi，zi)，其中xi、yi和zi分别表示该仓位所在的列号、层号和巷道号，出入库缓冲区坐标设为p0(0，0，0)。
定义1如果堆垛机在执行拣选任务的过程中连续经过货位pi和pj，则eij＝1，否则eij＝0。
在定义1中，堆垛机由货位pi到pj所用的时间可表示为：
其中，
A1＝(W×|xi-xj|)/vx
A2＝(W×(xi+xj)+W1×|zi-zj|+2×W2)/vx
A3＝(W×((L3-xi)+(L3-xj))+W1×|zi-zj|+2×W2)/vx B＝(H×|yi-yj|)/vy
定义2由于堆垛机载重量的限制，完成所有订单拣选任务可能需要堆垛机进行R次拣选作业。如果待拣选货位pi在第r(r∈R)次拣选作业中完成，则gir＝1，否则gir＝0。
该电商仓储动态调度的优化目标为完成所有订单拣选作业所花费的时间最短，假设时刻t订单拣选任务的集合为O(t)，其中，时刻t产生的新客户订单集合为N(t)。其数学模型定义如下：
其中，eij、gir和gir为决策变量，tij为参数变量。
(2)厘清约束条件，确立约束关系
其中，式(2)为目标函数；式(3)至式(10)为各种约束，具体为：式(3)表示待拣选仓位在拣选路径中只允许出现一次；式(4)限定堆垛机进行拣选作业所装载货物不能超过自身最大载重；式(5)和式(6)表示每个待拣选仓位在拣选过程中不能形成自回路；式(7)和式(8)限定堆垛机在新客户订单产生时拣选的仓位必须作为下一个新调度方案的起始点；式(9)和式(10)为决策变量的二进制值域约束。
(3)选用本实施例的优化方法求解考虑动态客户订单的电商仓储调度问题，其方法就是通过改进型蚱蜢算法在决策变量的可行域内进行进化计算，从而求出最优解或次优解。
优化方法的具体步骤为：
1)对电商仓储现场存在的一些约束及要优化的目标进行分析，由于从全局角度最小化全部客户订单的拣选用时，因而拣选过程中动态订单的产生将对拣选完工时间产生一定的影响，为此建模时考虑了客户的动态订单信息；
2)初始化参数：最大进化代数Gmax、种群规模M、进化代数计数器n、吸引力强度f、吸引距离尺度l、收敛因子的最大值cmax和最小值cmin；
3)生成M个蚱蜢个体作为可行初始种群POP(n)；
采用随机数编码技术随机生成M个长度与待拣选静态客户订单仓位数相同的一维向量，该向量即为蚱蜢个体的位置，根据仓储堆垛机最大载重，对解码后的候选解进行插入出库缓冲区处理，这样可避免产生不可行解，从而构建出可行的初始蚱蜢种群；
4)计算种群POP(n)个体的适应度，记录最优解Γ；
5)进化代数：n＝n+1；
6)基于式更新收敛因子c，并计算种群POP(n)蚱蜢个体间的距离dij；
7)基于多重学习策略更新蚱蜢个体位置；
8)基于启发式反向迁移机制改善种群多样性；
9)计算种群POP(n)个体的适应度，更新最优解Γ；
10)如果搜索没有达到最大迭代次数，则返回步骤5)；否则，停止搜索，并输出Γ。
实施例2
本实施例为某电商考虑客户动态订单的仓储调度优化问题，利用本发明求出满足约束条件的最优解或次优解。该电商自动化立体仓储的总体布局如图3所示。
(1)问题概况
按照上述技术方案以某电商自动化立体仓储为应用背景进行示例说明，同时与文献中的标准蚱蜢算法(GOA)([1]Saremi et al.Grasshopper optimization algorithm:theory and application.Advances in Engineering Software，2017.)、改进型粒子群算法(HCLPSO)([2]Lynn et al.Heterogeneous comprehensive learning particle swarmoptimization with enhanced exploration and exploitation.Swarm andEvolutionary Computation，2015.)、改进型教学算法(ETLBO)([3]Ramadan etal.Photovoltaic cells parameter estimation using an enhanced teachinglearning based optimization algorithm.Iranian Journal of Science&TechnologyTransactions of Electrical Engineering，2020.)、改进型人工蜂群算法(iqABC)([4]Aslan et al.Improved quick artificial bee colony(iqABC)algorithm for globaloptimization.Soft Computing,2019.)、改进型蝙蝠算法(SBAIS)([5]Chaudhary etal.Swarm bat algorithm with improved search(SBAIS).Soft Computing，2018.)、改进型布谷鸟搜索算法(ECSA)([6]Nguyen et al.An effective cuckoo search algorithmfor large-scale combined heat and power economic dispatch problem.NeuralComputing&Applications，2018.)、改进型蜻蜓算法(ADFA)([7]Suresh et al.Demandresponse-integrated economic dispatch incorporating renewable energy sourcesusing ameliorated dragonfly algorithm.Electrical Engineering，2019.)、改进型灰狼算法(GWO-E)([8]Salgotra et al.On the improvement in grey wolfoptimization.Neural Computing&Applications，2020.)以及改进型和声搜索(MHS)([9]Elattar et al.Modified harmony search algorithm for combined economicemission dispatch of microgrid incorporating renewable sources.Energy，2018.)进行比较。实验在Windows 10系统平台，主频3.7GHz，内存4GB，MATLAB R2014b开发环境下进行。本文算法IGOA的种群规模NP、最大进化代数MaxGen分别为100和600；为了比较的公平性，其他算法均采用与IGOA相同的种群规模和最大进化代数，其他参数与来源文献提供的参数一致，并且IGOA的参数f、l、cmax和cmin也与GOA保持相同。针对每个测试算例各算法分别运行30次，并以最优解optimal、最差解worst、均值mean、标准差std及平均运行时间time进行统计，为增加区分度，最优值加粗显示。立体仓储系统参数设置如下：L1＝90、L2＝70、L3＝100、W1＝2.4m、W2＝2m、L＝80cm、W＝40cm、H＝90cm、vx＝2m/s、vy＝1.5m/s、G＝30Kg。该电商平台的静态客户订单需求信息如表1所示。假设堆垛机开始拣选时刻为0，拣选过程中产生的动态客户订单需求信息如表2所示。每种算法分别运行30次，结果如表3、表4、图4及图5所示。
表1 静态客户订单需求信息
表2 动态客户订单需求信息
(2)优化结果对比分析
关于考虑客户动态订单的仓储调度优化问题，图4、图5和表3直观地验证了IGOA算法优越的求解性能。在求解效率上，IGOA能以较快速度收敛于最优解或次优解；在求解质量上，30次实验测试的最优解、最差解以及均值都优于其他算法，充分说明了IGOA具有很强的鲁棒性。同时，从表4IGOA算法求出的最优调度方案看，动态订单并未按“先到先拣选”的原则进行插入，而是从堆垛机完成一批拣选任务花费时间最小的角度来优化拣选方案，切实做到低碳高效。IGOA之所以表现优越，主要得益于以下两点：其一，多重学习策略最大限度提高了优良基因被遗传的机率，加快了向最优解进化的速度；其二，基于种群分布特征的启发式迁移机制能够根据个体对种群的多样性贡献的多寡对其实施针对性反向迁移，自适应调整了种群的多样性，从而加大了IGOA搜索的广度。
表3 求解结果对比
表4 IGOA求得的调度方案
这些实施例仅用于说明本发明而不用于限制本发明的范围。另外本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样属于本申请所附权利要求书所限定的范围之内。
Claims (2)
1.一种考虑实时订单的互联网电商仓储动态调度方法，其特征在于包括如下具体步骤：
(1)对电商仓储现场存在的约束及要优化的目标进行分析，并抽象为如下数学模型：
s.t.
其中，O(t)为时刻t订单拣选任务的集合，N(t)为时刻t新客户订单的集合，C为堆垛机最大载重，R为完成所有订单拣选任务需要堆垛机进行拣选作业的次数，eij、gir和gir为决策变量，即如果堆垛机在执行拣选任务的过程中连续经过货位pi和pj，则eij＝1，否则eij＝0，如果待拣选货位pi在第r次拣选作业中完成，则gir＝1，否则gir＝0，Tij为参数变量，表示堆垛机由货位pi到pj所用时间；式(1)为目标函数；式(2)至式(9)为各种约束，具体为：式(2)表示待拣选仓位在拣选路径中只允许出现一次；式(3)限定堆垛机进行拣选作业所装载货物不能超过自身最大载重；式(4)和式(5)表示每个待拣选仓位在拣选过程中不能形成自回路；式(6)和式(7)限定堆垛机在新客户订单产生时拣选的仓位必须作为下一个新调度方案的起始点；式(8)和式(9)为决策变量的二进制值域约束；
(2)初始化参数：最大进化代数Gmax、种群规模M、进化代数计数器n、吸引力强度f、吸引距离尺度l、收敛因子的最大值cmax和最小值cmin；
(3)随机生成M个蚱蜢个体作为初始种群POP(n)；
(4)计算种群POP(n)个体的适应度，记录最优解Γ；
(5)进化代数：n＝n+1；
(6)基于式更新收敛因子c，并计算种群POP(n)蚱蜢个体间的距离dij；
(7)基于多重学习策略更新蚱蜢个体位置，即充分利用父代个体及其邻域信息，从而增加向最优解靠近的机会，提高算法的寻优效率，假设分别为第i个蚱蜢个体Xi和当前最优蚱蜢个体Xb第k个分量，则多重学习策略具体描述如下：
(a)原有学习策略
其中，uk、lk分别为第k维分量的上下限，Γk为当前时刻最优个体的第k个分量，dij表示蚱蜢个体i与蚱蜢个体j之间的距离，f、l分别为吸引力强度和吸引距离尺度；
(b)加权学习策略
(c)平均学习策略
(d)极限学习策略
(e)边界学习策略
在上述公式中，rand是0到1之间的随机数，为向下取整运算符；
(8)基于启发式反向迁移机制改善种群多样性；
(9)计算种群POP(n)个体的适应度，更新最优解Γ；
(10)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出Γ。
2.根据权利要求1所述的考虑实时订单的互联网电商仓储动态调度方法，其特征在于步骤(8)中的基于启发式反向迁移机制改善种群多样性，可有效避免以下两种不利情况发生：其一，太大的迁移概率pi容易使搜索具有盲目性；其二，太小的迁移概率pi容易又使搜索陷入局部最优，致使收敛精度降低，启发式反向迁移机制的原理为：为保持种群多样性，个体迁移概率应与种群多样性贡献率近似成反比，同时，为更好引导种群向最优解进化，对当前代最优个体Xj采用不迁移策略，非最优个体Xi的迁移行为则基于反向机制进行，启发式反向迁移机制的实施，不仅保持了种群的多样性，降低算法陷入局部最优的概率，而且能保留较好的个体，启发式迁移概率pi及非最优个体Xi的反向迁移机制具体描述如下：
pi＝1-(ηi/ηmax)
其中，dij为个体Xi与最优个体Xj之间的距离，ηi为个体Xi对种群多样性的贡献率，ηmax为所有蚱蜢个体种群多样性贡献率的最大值，为非最优个体Xi的第k维变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110228214.4A CN112766865B (zh) | 2021-03-02 | 2021-03-02 | 一种考虑实时订单的互联网电商仓储动态调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110228214.4A CN112766865B (zh) | 2021-03-02 | 2021-03-02 | 一种考虑实时订单的互联网电商仓储动态调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766865A CN112766865A (zh) | 2021-05-07 |
| CN112766865B true CN112766865B (zh) | 2023-09-22 |
Family
ID=75690749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110228214.4A Active CN112766865B (zh) | 2021-03-02 | 2021-03-02 | 一种考虑实时订单的互联网电商仓储动态调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766865B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537841B (zh) * | 2021-09-09 | 2021-12-21 | 河南科技学院 | 一种考虑客户满意度的堆场起重机调度优化方法 |
| CN113962496B (zh) * | 2021-12-21 | 2022-03-29 | 河南科技学院 | 一种堆场双起重机协同作业优化方法 |
| CN114723217B (zh) * | 2022-02-15 | 2023-04-28 | 石河子大学 | 碳中和目标下的综合能源供给侧配置方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105939331A (zh) * | 2015-03-02 | 2016-09-14 | 贺利实公司 | 通信网络和用于保卫通信网络的方法 |
| CN110033121A (zh) * | 2019-03-08 | 2019-07-19 | 河南科技学院 | 一种求解带过道仓储作业优化问题的多物种协同进化方法 |
| CN110991660A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质 |
| CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050240352A1 (en) * | 2004-04-23 | 2005-10-27 | Invitrogen Corporation | Online procurement of biologically related products/services using interactive context searching of biological information |
-
2021
- 2021-03-02 CN CN202110228214.4A patent/CN112766865B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105939331A (zh) * | 2015-03-02 | 2016-09-14 | 贺利实公司 | 通信网络和用于保卫通信网络的方法 |
| CN110033121A (zh) * | 2019-03-08 | 2019-07-19 | 河南科技学院 | 一种求解带过道仓储作业优化问题的多物种协同进化方法 |
| CN110991660A (zh) * | 2019-07-03 | 2020-04-10 | 北京市安全生产科学技术研究院 | 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质 |
| CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
Non-Patent Citations (3)
| Title |
|---|
| An algorithm for dynamic order-picking in warehouse operations;Wenrong Lu等;《European journal of operational research》;20161231;全文 * |
| 改进蚱蜢算法在电动汽车充换电站调度中的应用;王生生等;《东北大学学报(自然科学版)》;20200215(第02期);全文 * |
| 求解仓储作业优化问题的多物种协同进化算法;杨文强等;《郑州大学学报(工学版)》;20201130;第41卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766865A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766865B (zh) | 一种考虑实时订单的互联网电商仓储动态调度方法 | |
| Li et al. | Real-time data-driven dynamic scheduling for flexible job shop with insufficient transportation resources using hybrid deep Q network | |
| Li et al. | A branch population genetic algorithm for dual-resource constrained job shop scheduling problem | |
| Liu et al. | Multi-objective AGV scheduling in an automatic sorting system of an unmanned (intelligent) warehouse by using two adaptive genetic algorithms and a multi-adaptive genetic algorithm | |
| Mehdizadeh et al. | A bi-objective aggregate production planning problem with learning effect and machine deterioration: Modeling and solution | |
| Wang et al. | Collaborative multiple centers fresh logistics distribution network optimization with resource sharing and temperature control constraints | |
| Yin et al. | Cooperative coevolutionary approach for integrated vehicle routing and scheduling using cross-dock buffering | |
| CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
| CN107784472B (zh) | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 | |
| Qian et al. | A multi-objective evolutionary algorithm based on adaptive clustering for energy-aware batch scheduling problem | |
| Zhang et al. | Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning | |
| Wang et al. | A multi-objective co-evolutionary algorithm of scheduling on parallel non-identical batch machines | |
| Jia et al. | A new history-guided multi-objective evolutionary algorithm based on decomposition for batching scheduling | |
| Zhang et al. | Order picking optimization in a robotic mobile fulfillment system | |
| Hou et al. | Knowledge-driven ant colony optimization algorithm for vehicle routing problem in instant delivery peak period | |
| Ning et al. | Logistics distribution de-carbonization pathways and effect in China: a systematic analysis using VRPSDP model | |
| Terrada et al. | Demand forecasting model using deep learning methods for supply chain management 4.0 | |
| Zhou et al. | Optimization of multi-echelon spare parts inventory systems using multi-agent deep reinforcement learning | |
| Yu et al. | Learning whale optimization algorithm for open vehicle routing problem with loading constraints | |
| Utama et al. | A sustainable production-inventory model with CO2 emission, electricity and fuel consumption under quality degradation and stochastic demand: a case study in the agri-food industry | |
| Yan et al. | Improved discrete imperialist competition algorithm for order scheduling of automated warehouses | |
| CN117371637A (zh) | 一种基于深度强化学习的车辆路径优化方法及系统 | |
| Li et al. | A multi-objective complex product assembly scheduling problem considering transport time and worker competencies | |
| Ding | Design of a low carbon economy model by carbon cycle optimization in supply chain | |
| Li et al. | Charging station management strategy for returns maximization via improved TD3 deep reinforcement learning |
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 |