CN113222293A - 一种智能立体仓库优化调度方法 - Google Patents

一种智能立体仓库优化调度方法 Download PDF

Info

Publication number
CN113222293A
CN113222293A CN202110628930.1A CN202110628930A CN113222293A CN 113222293 A CN113222293 A CN 113222293A CN 202110628930 A CN202110628930 A CN 202110628930A CN 113222293 A CN113222293 A CN 113222293A
Authority
CN
China
Prior art keywords
goods
minimum
stacker
model
optimal scheduling
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
Application number
CN202110628930.1A
Other languages
English (en)
Other versions
CN113222293B (zh
Inventor
彭力
张鑫和
彭岩
谢林柏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202110628930.1A priority Critical patent/CN113222293B/zh
Priority to PCT/CN2021/099119 priority patent/WO2022252268A1/zh
Publication of CN113222293A publication Critical patent/CN113222293A/zh
Application granted granted Critical
Publication of CN113222293B publication Critical patent/CN113222293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)

Abstract

本发明涉及一种智能立体仓库优化调度方法。本发明包括建立立体仓库XYZ三轴坐标模型；考虑货物周转率，以堆垛机完成输送任务完成的最少运行时间为目标对模型建立堆垛机总运行时间最小评价函数，根据整体货物重心最低原则并建立模型的重心最低评价函数，考虑货架承重阈值建立约束函数，得到加权最小值模型；利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案。本发明结合模拟退火算法并对算法参数进行优化，得到收敛速度最快、堆垛机移动距离最少的立体仓库调度解决方案。

Description

一种智能立体仓库优化调度方法
技术领域
本发明涉及仓储物流调度技术领域，尤其是指一种智能立体仓库优化调度方法。
背景技术
自动化立体仓库AS/RS(Automated Storage and Retrieval System)是现代化仓储管理系统的重要组成部分。立体仓库的功能包括存储、管理、货运、调度等，可显著提高仓库面积的利用率以及空间利用率并降低管理费用，立体仓库有助于实现大规模货物仓储和高效物流运输，从而满足现代生产生活需要。调度系统的研究是立体仓库设计的重点，调度算法的核心是减少出入库时间、加快周转率以及维持货架稳定性。
现有调度模式为：卸货后装箱，每箱有多件货物。由人工控制叉车将货箱按顺序存入货架，当有出库订单时，按照先入先出的顺序将货物出库，若货物有剩余，则将剩余货物装箱再次存入仓库。业务流程的设计直接关系到如何建模并进行仿真实验，现有模式存在自动化程度低、调度方式效率差等不足，对立体仓库调度系统的优化需求，需在现有基础上对出入库业务流程进行改进。
入库方案：货物到达仓库后首先需质检、入库、分类装箱、贴条形码，将货箱放入托盘并置于传送装置中，当货物通过射频扫描系统时，货物信息被记录在后台系统，此时调度系统算法被激活。若不满足工作条件则堆垛机等待，若满足工作条件，则后台系统分配货物并向堆垛机按顺序发送一条运行命令，堆垛机收到信号执行命令将货物运送至货架的指定位置。
出库方案：为保障所有货物可以进库出库，因此采用先入先出的原则进行出库。在原方案中，当取货有剩余时会将货物再次入库，该方案使得整个过程效率较低，因此在新的出库作业方案中设置一个出库缓冲区，当货物有剩余时，将剩余货物存入出库缓冲区，若有新订单时，优先考虑出库缓冲区中的货物。若出库缓冲区满，则将多余货箱按照一定的算法重新存储至货架。
Heskett提出的COI的概念(单位订单体积索引原则Cube-per-Order Index，COI为某种货品存储总量所需的库存容量与该种货品的出库频率的比值)，COI与周转率密切相关，周转率反映了仓库的存货速度。王杰在建模时考虑了重心的因素，降低重心可提高安全性，同时降低堆垛机在竖直方向作业时的能量损耗。
立体仓库的货位分配问题属于典型的NP-hard的问题，其精确算法能求解的规模很小，因此研究智能算法来对该类问题进行求解。智能算法包括模拟退火算法(SA)、遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)等。
国内外学者已经对调度系统进行了大量研究。Boysen等设计了一种简便的元组表示法，从仓库布局、作业模式、入库任务货位分配策略、调度目标等4个维度对立体仓库单堆垛机调度问题进行描述。Miguel Horta在立体仓库的基础上提出了基于最小二乘的路径规划方法，该方法设计了一个交叉对接的仓库布局，可以进行实时配送。Ene等考虑堆垛机的电量消耗因素,建立以堆垛机耗电量最少为目标的数学模型，并采用智能算法对其求解。薛亚莉等人将遗传算法和模拟退火算法相结合，通过对模型的求解，将结果与传统遗传算法作比较，证明新算法的有效性。贾煜亮采用了FCFS原则进行批量作业，用模拟退火算法进行货位分配，以总时长最小为目标进行求解。
上述文献对立体仓库做了较为深入的研究，但一些文献中对评价公式使用直接加权的方法，但因量纲不同使得效果未达到最佳；在智能算法选择上，遗传算法编程实现很复杂，运行速度慢，并且找到最优解后还需要解码，对初始种群选择有一定的依赖性；蚁群算法如果参数选择不当，蚂蚁选择的路径会有很大的偏差；粒子群算法也容易陷入局部最优。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中立库调度算法存在收敛速度慢、局部优化、死锁、周转率低等问题。
为解决上述技术问题，本发明提供了一种智能立体仓库优化调度方法，包括以下步骤：
步骤S1：建立立体仓库XYZ三轴坐标模型，所述立体仓库排布方式为双向模式，所述立体仓库设有供多台堆垛机在Y轴方向穿梭运输的巷道；
步骤S2：考虑货物周转率，以堆垛机完成输送任务完成的最少运行时间为目标对模型建立堆垛机总运行时间最小评价函数，根据整体货物重心最低原则并建立模型的重心最低评价函数，考虑货架承重阈值建立约束函数；
步骤S3：将堆垛机总运行时间最小评价函数与重心最低评价函数利用归一化结合的平方加权理想点法得到加权最小值模型；
步骤S4：利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案。
在本发明的一个实施例中，所述堆垛机总运行时间最小评价函数为：
Figure BDA0003099282970000031
式中，Vx，Vy，Vz为堆垛机分别在X、Y、Z三轴方向的运行速度，num表明当前货位所在的巷道位置，Vr为叉车转向速度，r为货架的宽度尺寸，Pxyz是货物的周转率，txyz为堆垛机运行时间，Cxyz为堆垛机运行效率，货物在仓库中的坐标为其位于货架上的排数x、列数y、层数z，a、b、c为货架排数、列数、层数的最大值。
在本发明的一个实施例中，所述重心最低评价函数为：
Figure BDA0003099282970000041
式中，zi是货物的纵坐标，mi是货物的重量，M为所有货物的总重量。
在本发明的一个实施例中，所述约束函数为：
Figure BDA0003099282970000042
其中，Mmax(Axyz＝1)表示库容量达到100％。
在本发明的一个实施例中，所述加权最小值模型为：
Figure BDA0003099282970000043
式中，F1min是F1(x,y,z)的全局最小值，F2min是F2(x,y,z)的全局最小值，F1max和F2max分别为F1(x,y,z)和F2(x,y,z)的全局最大值，α和β是权重。
在本发明的一个实施例中，所述α和β分别取为0.7和0.3。
在本发明的一个实施例中，所述步骤S4中，利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案包括：初始化种群，为每个货物随机更新位置，计算出新解；若新解优于旧解，则更新位置并进入下一次迭代，反之按Metropolis准则接受新解；经过内循环和外部降温迭代并满足粒子在温度降低到最小值时结束。
在本发明的一个实施例中，所述Metropolis准则表示为：
Figure BDA0003099282970000044
式中，E为温度T时的内能，dE为E的改变数,Enew为更新值，Eold为更新前的值，k为波茲曼常数。
在本发明的一个实施例中，所述步骤S4中，利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案包括：首先对模拟算法的参数进行优化，包括：对退火算法的数值更新，通过模拟退火算法的随机步数大小进行对比，得到最佳的移动步数，将多次求解的退火容忍值取平均值作为退火容忍值，再对所述加权最小值模型进行优化得到最优调度方案。
在本发明的一个实施例中，所述退火算法的数值更新如下所示：
Figure BDA0003099282970000051
其中，(Xi+1,Yi+1,Zi+1)为第i个货箱的位置更新值，随机值记为步数。
本发明的上述技术方案相比现有技术具有以下优点：
本发明通过引入系统周转率，通过入库规则建立数学模型，将多个目标公式整合为一个评价函数，随后结合模拟退火算法并对算法参数进行优化，得到收敛速度最快、堆垛机移动距离最少的立体仓库调度解决方案。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是立体仓库示意图。
图2是公式F1(x,y,z)求解效果图，其中(a)公式F1(x,y,z)迭代图，(b)货位分布散点图。
图3是公式F2(x,y,z)求解效果图，其中(a)公式F2(x,y,z)迭代图，(b)货位分布散点图。
图4是算法对比图，其中(a)退火算法求解图，(b)粒子群算法求解图。
图5是步数对比图。
图6是q值对比图。
图7是优化前后对比图。
图8是多次模拟参数对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例
本实施例提供一种智能立体仓库优化调度方法。包括以下步骤：
步骤S1：建立立库模型
本发明将考虑周转率、重心和堆垛机移动速度等因素，因周转率与堆垛机移动速度有较强相关性，可合并为1个评价公式，因此要建立数学模型包括两个主要评价公式及相关约束条件。
立体仓库示意图如图1所示，各色的方块代表不同种类的货物，货物在仓库中的坐标由其位于货架上的排数x、列数y、层数z表示。仓库的货物排布方式为双向模式，本实施例中，设置第2、5、8排为巷道，巷道总数为货架排数的一半，供堆垛机在仓库中穿梭运输，各个堆垛机运行相对独立互不干涉。
对于周转率高的货物，应将其放至靠近出入口的货位上，同时应当使堆垛机总运行时间最小，由此得到评价公式如式(1)所示：
Figure BDA0003099282970000061
式中Vx，Vy，Vz为堆垛机分别在X、Y、Z三轴方向的运行速度，num表明当前货位(仓储货物存储单元位置)所在巷道位置，Vr为叉车转向速度，r为单元货架的宽度尺寸，Pxyz是货物的周转率，txyz为堆垛机运行时间，Cxyz为堆垛机运行效率，a、b、c为货架排数、列数、层数的最大值。
立体仓库能耗主要来源于堆垛机运行所消耗的能量，堆垛机在水平和竖直方向都会消耗能量，水平方向的能耗主要为摩擦力，竖直方向的能耗为提升过程中的克服重力做功，显然堆垛机在垂直方向移动同样距离比水平方向能耗大，因此货架的重心应尽可能低。同时应当考虑货架局部承重过大造成的倒塌风险，因此在货架重心低的前提下还要使货架整体呈现上轻下重，得到模型的重心最低原则的评价公式如式(2)所示：
Figure BDA0003099282970000071
式中zi是货箱的纵坐标，mi是货箱的重量，M为所有货箱的总重量。
分配的货位必须存储在货架固定的范围内，货架共c排、r列、f层；货箱的重量不能超过货架的承重阈值，不能使局部货物总重量过重，模型约束公式如式(3)所示：
Figure BDA0003099282970000072
其中，Mmax(Axyz＝1)表示库容量达到100％，Axyz代表仓储的容量，用百分比表示。
本发明的应用场景可根据需求按照件数取货，堆垛机可以同时沿水平和竖直方向运行，这使得进出库逻辑、数学建模和传统立体仓库略有不同；因存储货物无保质期、易燃易爆易腐等问题，因此货箱之间可以随机存放。
步骤S2：建立评价函数
因多目标优化模型各个参数的量纲不同，不能对多个目标函数进行简单求和，因此将多个目标公式构造一个评价函数，以它作为目标函数，求解单目标规划问题，常用的评价方法有线性加权和法、极大极小法和理想点法。
利用与归一化结合的平方加权理想点法将两约束条件合并求出加权最小值，方法如式(4)所示。
Figure BDA0003099282970000081
式中F1min是F1(x,y,z)的全局最小值，F2min是F2(x,y,z)的全局最小值，参数需要单独使用对应的目标公式。F1max和F2max分别为全局最大值，α和β是权重，根据参数重要程度将权重分别取为0.7和0.3。
从上述模型评价公式可以看出立体仓库的货位分配问题属于典型的NP-hard问题，其精确算法能求解的规模很小，因此由于公式的复杂性，通过智能算法快速迭代来求解模型，寻求最优解。
上述通过入库规则建立数学模型，将多个目标公式整合为一个评价函数，随后将结合应用选取多种智能算法求解并进行分析比较，得到适用于实际工况的最优算法，最后对算法参数进行优化，得到收敛速度最快、堆垛机移动距离最少的立体仓库调度解决方案。
步骤S3：提出系统优化调度智能算法
步骤S31退火算法
模拟退火算法类似于爬山算法，由于模拟退火策略可以跳出局部最优的特性，因此被广泛的应用在非神经网络的智能算法研究中。退火算法是在模拟固体退火的过程，固体内温度较高时，粒子活跃不稳定，处于随机散列状态，当温度较低时，物体内部的粒子内能较小，粒子相对有序并逐渐趋于某一固定位置。当温度降低到一定值时，内能达到最小，此时粒子最稳定。退火算法已经被证明了具有渐进收敛性，可以大概率收敛于全局最优解，并且速度较快。
退火算法首先初始化种群，为每个货箱随机更新位置，通过公式计算出新解，若新解优于旧解，则更新位置进入下一次迭代，反之按Metropolis准则接受新解，经过内循环和外部降温迭代并满足退出条件后结束算法。根据Metropolis准则，粒子在温度降低到最小值时趋于稳定，也就是粒子到达了相对最优的位置上。Metropolis准则常表示为概率公式如式(5)所示：
Figure BDA0003099282970000091
式中，E为温度T时的内能，dE为E的改变数,Enew为更新值，Eold为更新前的值，k为Boltzmann常数。
步骤S32：粒子群算法
粒子群算法也是一种常用的启发式算法，粒子群算法随机初始化多个粒子，假设粒子在空间中以初速度传播，粒子穿过空间，并在每个时间步长后根据合适的标准进行评估。随着时间的推移，粒子将加速朝着最好的粒子位置和当前粒子最优位置方向移动，并产生较大惯性影响其他粒子。粒子群算法比遗传算法编码简单、参数少，适合快速开发，同时粒子群算法有较好的收敛速度。
粒子群算法首先随机初始化种群，确定公式参数并对每一个粒子计算粒子适应度，若满足退出条件则结束算法，若不满足则重新评价粒子适应度，直至所有粒子满足退出条件。粒子群算法的核心公式如式(6)所示：
Figure BDA0003099282970000092
式中w为速度惯性，c1和c2为移动距离的学习率，rand()为0～1之间的随机数，pbi为当前粒子的历史最优值,gb为整个粒子集群的历史最优值，pi为第i个粒子的当前评价值，Vi为第i个粒子运行速度。
步骤S33：将(5)与(6)结合实现立库智能优化调度，对立库模型公式(3)进行全局优化求解。
步骤S4：验证效果
验证环境：实验假设货物周转率不会发生突变，堆垛机匀速运行不受干扰因素影响，堆垛机每次只能搬运一箱物品，每个货箱大小容积相同。
实验参数包括仓库参数，堆垛机参数和货物参数。其中，仓库的单元货架尺寸为1×1×1，整体货架尺寸为12×12×6，货位承重1吨。堆垛机水平移动速度为3m/s，垂直移动速度为1.5m/s，转向所需时间1.5s。
货物参数包括类别、周转率、每箱数量、单件重量等，其中货物类别为A、B、C、D、E，分别对应的周转率为0.4、0.2、0.1、0.2、0.1为货物初始化分配位置，每次扫描货物最大数量为40件，扫描后记录后台数据并随机分配初始货物，其中部分货物信息如表1所示：
表1部分货物参数
Figure BDA0003099282970000101
步骤S41评价函数参数计算
首先需要计算退火算法的评价公式参数F1min和F2min。计算F1min只需考虑公式F1(x,y,z)，单次扫描40箱货物，此时F1min计算值为87.6，如图2所示，经过多次左右迭代得到最小值。货物紧密堆积在入口的位置，为防止损坏和减少做功，应当尽量减小堆垛机使用升高装置的频率，尽量将货物排布贴近地面。如此当前的排列方案安全性较低，因此并非最优的选择。
单独针对F2(x,y,z)求解如图3所示，此时F2min为0.995。经过约200次迭代，公式F2(x,y,z)得到最小值，仅考虑重心时，所有物品会优先排列在最下层，但显然货物距离出入口较远，入口处货架没有充分利用，调度效率未达到预期标准。
最终得到F1min为87.6，F2min为0.995。
分别对退火算法和粒子群算法进行求解，得到结果如图4所示，货物按种类分为A、B、C、D、E五大类，在图中分别以不同颜色标出。仓库的出入口坐标为(1，1，1)，最优货物位于左下角。
由图4中对比可得，粒子群算法优化结果明显比退火算法差，粒子收敛于中间靠下位置，而并未向最优货位收敛，此时算法陷入局部最优。
而模拟退火算法可通过一定的容忍度跳出局部最优，每个粒子具有一定的随机性，受到局部干扰最小，因此继续对退火算法的参数进行优化。
步骤S5：模拟退火算法的参数优化
上述实验中验证了模拟退火算法的有效性，进一步通过模拟退火算法随机循环迭代的步数大小进行对比，对算法进一步优化。退火算法的数值更新如式(7)所示：
Figure BDA0003099282970000111
(Xi+1,Yi+1,Zi+1)为第i个货箱的位置更新值，随机值可记为步数。步数1～7的范围进行模拟，例如step1代表步数范围为-1～1，step2代表步数范围为-2～2。对不同步数进行对比如图5所示，可以看到步数1和步数3具有较好的快速收敛性，步数1的收敛性可能更快，但是步数1最终优化值陷入了局部最优，可能是由于步数过小，当单个货物不是在最优位置，且周围存在大量货物时无法跳出，步数3的效果最明显。因此选用步数3作为循环迭代移动的公式。
退火容忍值(设为q值)也是需要调节的重要参数，q的取值范围一般在0.7-1.0之间，以0.05为一步，对每次q值求解10次并取平均数，如图6所示，可以观察到当q取0.85时最佳，当q大于0.85时，求解值不降反增，原因是陷入局部最优，因此可作为本文最优的q值。
步骤S6：优化结果
使用优化后的退火算法进行模拟实验，单次分配货物坐标如表2所示，货物被分配到距离出入口较近位置，且整体重心较低。
表2优化后货物坐标分配
Figure BDA0003099282970000121
使用优化后的模型模拟10次入库出库，多次模拟以验证系统在一定时间内的稳定性，每次随机出入库多件货物，将优化前和优化后的步数进行对比，优化前的货物按顺序摆放，第一列满则分配至第二列，第一层满则分配到第二层，以此类推；优化后的方案是首先随机初始化货物，再通过优化后的退火算法进行货位分配。对比结果如图7所示，在完成10次入出库后，每次步数优化幅度达到52％左右，随着时间推移优化效果更加明显。
为了再次验证稳定性，多次重复对整体10次入库出库流程的实验，如图8所示，优化前算法固定，因此每次计算步数相同，优化后的数值小幅波动，但整体保持在一定范围内且相对于优化前的堆垛机移动步数有了大幅度的下降，系统稳定性较强，达到了预期的效果。结构表明，本发明的退火算法的容忍度和随机性可以防止陷入局部最优。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种智能立体仓库优化调度方法，其特征在于，包括以下步骤：
步骤S1：建立立体仓库XYZ三轴坐标模型，所述立体仓库排布方式为双向模式，所述立体仓库设有供多台堆垛机在Y轴方向穿梭运输的巷道；
步骤S2：考虑货物周转率，以堆垛机完成输送任务完成的最少运行时间为目标对模型建立堆垛机总运行时间最小评价函数，考虑货架承重阈值的约束函数并根据整体货物重心最低原则并建立模型的重心最低评价函数；
步骤S3：将堆垛机总运行时间最小评价函数与重心最低评价函数利用归一化结合的平方加权理想点法得到加权最小值模型；
步骤S4：利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案。
2.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述堆垛机总运行时间最小评价函数为：
Figure FDA0003099282960000011
式中，Vx，Vy，Vz为堆垛机分别在X、Y、Z三轴方向的运行速度，num表明当前货位所在的巷道位置，Vr为叉车转向速度，r为单元货架的宽度尺寸，Pxyz是货物的周转率，txyz为堆垛机运行时间，Cxyz为堆垛机运行效率，货物在仓库中的坐标为其位于货架上的排数x、列数y、层数z，a、b、c分别为货架排数、列数、层数的最大值。
3.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述重心最低评价函数为：
Figure FDA0003099282960000021
式中，zi是货物的纵坐标，mi是货物的重量，M为所有货物的总重量。
4.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述约束函数为：
Figure FDA0003099282960000022
其中，Mmax(Axyz＝1)表示库容量达到100％。
5.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述加权最小值模型为：
Figure FDA0003099282960000023
式中，F1min是F1(x,y,z)的全局最小值，F2min是F2(x,y,z)的全局最小值，F1max和F2max分别为F1(x,y,z)和F2(x,y,z)的全局最大值，α和β是权重。
6.根据权利要求5所述的一种智能立体仓库优化调度方法，其特征在于，所述α和β分别取为0.7和0.3。
7.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述步骤S4中，利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案包括：初始化种群，为每个货物随机更新位置，计算出新解；若新解优于旧解，则更新位置并进入下一次迭代，反之按Metropolis准则接受新解；经过内循环和外部降温迭代并满足粒子在温度降低到最小值时结束。
8.根据权利要求7所述的一种智能立体仓库优化调度方法，其特征在于，所述Metropolis准则表示为：
Figure FDA0003099282960000031
式中，E为温度T时的内能，dE为E的改变数,Enew为更新值，Eold为更新前的值，k为波茲曼常数。
9.根据权利要求1所述的一种智能立体仓库优化调度方法，其特征在于，所述步骤S4中，利用模拟退火算法对所述加权最小值模型进行优化得到最优调度方案包括：对模拟算法的参数进行优化，包括：对退火算法的数值进行更新，通过模拟退火算法的先后随机步数大小进行对比，得到最佳的移动步数，将多次求解的退火容忍值取平均值作为退火容忍值，再对所述加权最小值模型进行优化得到最优调度方案。
10.根据权利要求9所述的一种智能立体仓库优化调度方法，其特征在于，所述退火算法的数值进行更新如下所示：
Figure FDA0003099282960000032
式中，(Xi+1,Yi+1,Zi+1)为第i个货箱的位置更新值，随机值记为步数。
CN202110628930.1A 2021-06-03 2021-06-03 一种智能立体仓库优化调度方法 Active CN113222293B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110628930.1A CN113222293B (zh) 2021-06-03 2021-06-03 一种智能立体仓库优化调度方法
PCT/CN2021/099119 WO2022252268A1 (zh) 2021-06-03 2021-06-09 一种智能立体仓库优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628930.1A CN113222293B (zh) 2021-06-03 2021-06-03 一种智能立体仓库优化调度方法

Publications (2)

Publication Number Publication Date
CN113222293A true CN113222293A (zh) 2021-08-06
CN113222293B CN113222293B (zh) 2022-12-20

Family

ID=77083021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628930.1A Active CN113222293B (zh) 2021-06-03 2021-06-03 一种智能立体仓库优化调度方法

Country Status (2)

Country Link
CN (1) CN113222293B (zh)
WO (1) WO2022252268A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888096A (zh) * 2021-10-28 2022-01-04 江南大学 一种物流园区的货物管理方法及系统
CN114331300A (zh) * 2022-03-14 2022-04-12 北京清亦科技有限公司 基于虚拟现实的物资出库方法、系统及设备
CN115254640A (zh) * 2022-09-27 2022-11-01 河南科技学院 一种考虑潜在拣选点的堆场起重机批量拣选方法
CN117875776A (zh) * 2024-01-10 2024-04-12 中食安信（北京）信息咨询有限公司 一种基于大数据的产品安全管理系统以及方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090961B (zh) * 2023-04-07 2023-06-20 天津万事达物流装备有限公司 堆垛机自动化存储系统
CN116090962B (zh) * 2023-04-10 2024-01-16 江苏亚东朗升国际物流有限公司 智慧仓储系统
CN117041040B (zh) * 2023-08-16 2024-05-10 宁夏隆合科技有限公司 一种基于智能调度算法的指挥中心分布式布局系统
CN117196480B (zh) * 2023-09-19 2024-05-03 西湾智慧(广东)信息科技有限公司 一种基于数字孪生的智慧物流园区管理系统
CN117371621B (zh) * 2023-12-06 2024-02-27 湖北浩蓝智造科技有限公司 基于改进果蝇优化算法的库位分配方法、系统及介质
CN117592760B (zh) * 2024-01-18 2024-04-09 湖北浩蓝智造科技有限公司 一种堆垛机出入库任务分配方法、系统、设备及介质
CN117875189B (zh) * 2024-03-06 2024-05-14 安徽建筑大学 一种基于ga优化gro的立体仓库空间布局方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103922244A (zh) * 2014-04-22 2014-07-16 重庆社平科技有限公司 用于立体仓库的巷道式码垛装置
CN106779153A (zh) * 2016-11-15 2017-05-31 浙江工业大学 一种智能立体仓库货位分配优化方法
CN107480922A (zh) * 2017-07-07 2017-12-15 西安建筑科技大学 两端式同轨双车运行模式下货位分配调度模型建立方法
JP2019099338A (ja) * 2017-12-04 2019-06-24 東芝三菱電機産業システム株式会社 自動倉庫用計算機
CN110980082A (zh) * 2019-12-11 2020-04-10 浙江大学昆山创新中心 一种自动化立体仓库库位分配方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942617A (zh) * 2014-04-17 2014-07-23 江苏物联网研究发展中心 智能仓储货位分配优化方法
US10387813B2 (en) * 2015-12-28 2019-08-20 Sap Se Data analysis for optimizations of scheduling with multiple location variables
CN108550007B (zh) * 2018-04-04 2021-09-28 中南大学 一种制药企业自动化立体仓库的货位优化方法及系统
CN111815233B (zh) * 2020-06-24 2022-08-16 武汉理工大学 基于物流总量和能量消耗的货位优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103922244A (zh) * 2014-04-22 2014-07-16 重庆社平科技有限公司 用于立体仓库的巷道式码垛装置
CN106779153A (zh) * 2016-11-15 2017-05-31 浙江工业大学 一种智能立体仓库货位分配优化方法
CN107480922A (zh) * 2017-07-07 2017-12-15 西安建筑科技大学 两端式同轨双车运行模式下货位分配调度模型建立方法
JP2019099338A (ja) * 2017-12-04 2019-06-24 東芝三菱電機産業システム株式会社 自動倉庫用計算機
CN110980082A (zh) * 2019-12-11 2020-04-10 浙江大学昆山创新中心 一种自动化立体仓库库位分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曹现刚等: "基于模拟退火遗传算法的自动化立体仓库货位优化", 《机床与液压》 *
翟海涛: "SR 公司自动化立体仓库货位优化建模", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113888096A (zh) * 2021-10-28 2022-01-04 江南大学 一种物流园区的货物管理方法及系统
CN114331300A (zh) * 2022-03-14 2022-04-12 北京清亦科技有限公司 基于虚拟现实的物资出库方法、系统及设备
CN115254640A (zh) * 2022-09-27 2022-11-01 河南科技学院 一种考虑潜在拣选点的堆场起重机批量拣选方法
CN117875776A (zh) * 2024-01-10 2024-04-12 中食安信（北京）信息咨询有限公司 一种基于大数据的产品安全管理系统以及方法

Also Published As

Publication number Publication date
WO2022252268A1 (zh) 2022-12-08
CN113222293B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN113222293B (zh) 一种智能立体仓库优化调度方法
CN104408589B (zh) 基于混合粒子群算法的agv优化调度方法
CN110909930B (zh) 一种面向冷库的移动式货架仓储系统货位分配方法
CN105836356B (zh) 一种密集仓储系统混合优化调度方法
CN108550007B (zh) 一种制药企业自动化立体仓库的货位优化方法及系统
CN103559396B (zh) 基于改进混沌粒子群算法的自动化药房储位分配优化方法
CN114417696B (zh) 一种基于遗传算法的自动化立体仓库货位分配优化方法
CN109597304B (zh) 基于人工蜂群算法的模具库智能分区存储方法
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN110980082A (zh) 一种自动化立体仓库库位分配方法
CN105858044B (zh) 一种穿梭车与升降机结合的仓储系统优化调度方法
CN114841642B (zh) 基于鹰栖息优化的辅料入库货位分配方法
CN111626516B (zh) 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法
Wang et al. Storage assignment optimization for fishbone robotic mobile fulfillment systems
CN112989696A (zh) 一种基于移动机器人的自动拣选系统货位优化方法及系统
CN111709565A (zh) 一种基于多层穿梭车系统的能效优化方法及系统
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
Wang et al. Research on autonomous vehicle storage and retrieval system cargo location optimization in E-commerce automated warehouse
US20230264897A1 (en) A controller and method for transporting devices
ElWakil et al. A New Hybrid Salp Swarm-simulated Annealing Algorithm for the Container Stacking Problem.
Kluska Support the decision processes in management through the automatic generation of simulation models of warehouses
CN113682705A (zh) 库存分配方法、装置、服务器和存储介质
Zhou The pallet loading method of single category cargo based on railway containerized transport
CN117196263B (zh) 一种货物调度方法、装置、设备及计算机可读存储介质
Fu et al. Routing optimization of high-level orderpickers in a rectangular warehouse

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