CN113222410B - 双向式布局模式下货位分配模型建立方法 - Google Patents

双向式布局模式下货位分配模型建立方法 Download PDF

Info

Publication number
CN113222410B
CN113222410B CN202110517562.3A CN202110517562A CN113222410B CN 113222410 B CN113222410 B CN 113222410B CN 202110517562 A CN202110517562 A CN 202110517562A CN 113222410 B CN113222410 B CN 113222410B
Authority
CN
China
Prior art keywords
goods
frog
warehouse
subgroup
cargo
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
Application number
CN202110517562.3A
Other languages
English (en)
Other versions
CN113222410A (zh
Inventor
蔡安江
叶康
郭师虹
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110517562.3A priority Critical patent/CN113222410B/zh
Publication of CN113222410A publication Critical patent/CN113222410A/zh
Application granted granted Critical
Publication of CN113222410B publication Critical patent/CN113222410B/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
    • G06Q10/06—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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/04—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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种双向式运行模式下货位分配模型的建立方法，该方法根据货物出/入库频率、货架重心以及货物聚集度为评价标准，使各个货物能合理分配到可存入货位，实现堆垛机执行入库任务运行时间少，货架整体重心低，相关联货物摆放接近的目标。同时，在后续优化算法中，提出了一种改进混合蛙跳算法对模型进行仿真优化，同时在采用该算法时设计了新的局部更新策略，引入自适应动态同步因子，在优化求解的任意阶段都具备良好的性能。实现了堆垛机对出/入库台的自主选择，能够满足“双向式”这一实际工况需求。

Description

双向式布局模式下货位分配模型建立方法
技术领域
本发明属于自动化立体仓库调度领域中的货位分配调度模型建立范畴，具体涉及一种双向式布局模式下货位分配调度模型建立方法。
背景技术
货位分配是指将货物根据实际生产需要放置于合适的货位当中，是影响大型工业立体仓库存储效率及其结构稳定性的关键问题。在生产物流中，大型工业立体仓库多采用集中存/取的管理方式，其巷道纵深长，出/入库口单一。为缩短出/入库台到货架深处库位点的距离，提高大型工业立体仓库的存储效率，有些企业采用双向式布局模式。该运行模式的主要特征是同一巷道上左右两端各设置有一个出/入库存台，堆垛机可以根据运行距离的自主选择距离较近的出/入库台。鉴于此特征，适用于单向式布局模式的货物分配模型不再适用于双向式立体仓库。因此，建立适用于双向式布局模式的货物分配模型，使其更具通用性，则是本领域技术人员的研究热点。
发明内容
针对现有技术存在的缺陷或不足，本发明目的在于，提供一种双向式布局模式下的立体仓库货位分配模型的建立方法。
为实现上述任务，本发明采取如下技术解决方案：
一种双向式布局模式下货位分配调度模型建立方法，其特征在于，具体实现过程如下：
假设设同一巷道两侧的货架为一组，仓库有a列，b层，c排货架,仓库左右两端各有一个进/出口，货架第x列，y层，z排的货物坐标可表示为(x,y,z)为区别单向式立体仓库，定义左端出入库台底部为坐标原点，每个货位只能储存一个货物，且货位的长宽高都相等，设为L；堆垛机的速度恒定不变，堆垛机的水平速度设为Vx、垂直速度为Vy、叉货速度为Vz，且不互相干涉，忽略堆垛机启动和制动的时间。
定义(x,y,z,Pk,Mk,j)表示货架中某一待入库货物的信息，其中：(x,y,z)用于表示该货物在仓库中货架中的位置坐标它决定着货物分配的最终结果，属于决策变量；Pk用于表示(x,y,z)货位中货物周转率，Mk表示货物的质量，它们是待入库货物本身的固有参数；j表示货物出入库台的列数，j＝0或j＝a+1。其中j＝0表示最左端出/入库台所对应列数，j＝a+1表示最右端库台的对应列数。左库台位置可表示为(0，1,0)，右库台位置可表示为(a+1,1,0)。
具体的货位分配调度模型如下：
(1)存储效率原则建立函数F1
将货物周转率看作频率系数，则建立的待优化函数为：
Figure BDA0003062264420000021
其中，
Figure BDA0003062264420000022
表示堆垛机叉架存取货时间。因为双向式自动化立体仓库货物进出仓库时出入库台不确定，因此用|x-j|表示堆垛机在x方向所走的距离。
(2)货品相关性原则建立函数F2
当有一批待入库的货物进行存放时候，在空余货位确定一位置为中心货位，使待存放货物距离中心货位的距离尽可能短，这样可减少堆垛机存取同类货物运行的时间。
当有n个货位可以提供k类产品储存时，定义此时的货架组内平均坐标为(ak,bk,ck)，其取值根据实际订单决定，则待存放货品(x,y,z)距离平均坐标的距离为：
Figure BDA0003062264420000031
其中
Figure BDA0003062264420000032
根据双向式自动化立体仓库货位布局特点，为使所有待存放货品距离平均坐标(中心货位)距离最短，则优化的目标函数为：
Figure BDA0003062264420000033
(3)货架稳定性原则建立函数F3
货架应该符合上轻下重的原则，尽可能的降低货架重心，把轻的货物放在上层，重的货物放在下层，防止货架因为重心不稳而导致倾覆，即货物质量与其所在层数的乘积最小；目标函数为：
Figure BDA0003062264420000034
各个目标函数是根据单一的货位分配原则建立的，它们之间即互相冲突又互相联系，因此不能将这些目标函数单独寻优，需要将多个目标函数进行统一。
根据仓库的实际情况给各个目标函数F1min(x,y,z)、F2min(x,y,z)、F3min(x,y,z)赋予权重μ1、μ2、μ3，用来表示各目标函数的重要程度，由此建立包含各个分配原则的单目标函数为：
F(x,y,z)＝μ1F1min(x,y,z)+μ2F2min(x,y,z)+μ3F3min(x,y,z) (5)
Figure BDA0003062264420000041
(4)设计改进混合蛙跳算法
在局部搜索过程中，按照混合蛙跳算法的更新公式，对每一个子群中表达最差的蛙Pworse进行更新替换，公式如下：
Figure BDA0003062264420000042
式中，rand()表示0～1间的随机数，STEP表示青蛙跳跃的步长，Dmin表示最小跳跃步长，Dmax表示最大跳跃步长，Pbest表示子群中表达最优的蛙。通过对子群中表现最差的蛙Pworse进行更新，得到Pw'orse，若Pw'orse优于Pworse，则替之，反之用种群表达最优的蛙PB代替式(6)中的Pbest继续更新。
对混合蛙跳算法进行改进，设计改进混合蛙跳算法(ISFLA)，用以余弦函数为基础的动态自适应同步因子如下式(7)所示，用来代替rand()；
Figure BDA0003062264420000043
式中，gn表示子群内青蛙迭代次数，g表示当前子群迭代次数。用φ代替(6)式中的rand()，φ在
Figure BDA0003062264420000044
之间逐渐递增；
针对所建立的双向式立体仓库模型，采用改进混合蛙跳算法(ISFLA)进行优化。
所述改进混合蛙跳算法进行优化的具体步骤如下：
步骤一：初始化参数
随机生成m(memeplex)个子群，其中每个子群有n只青蛙，每只青蛙代表一种货位分配方式。设置青蛙最大跳跃的最大步长Dmax，子群内青蛙迭代次数gn，种群最大迭代次数Gn。
步骤二：初始化种群
在可行解范围内生成F＝m×n只青蛙，代表初始分配方式有m×n种，设置青蛙的维度S，每只青蛙可以表示为{X1,X1……XF}。
步骤三：重新划分子群Z1,Z2……Zm
将所有青蛙按计算适应值，记每个青蛙的适应值为f(i)，按照从大到小的顺序将青蛙排列并按照如下规则划分子群。
Zk＝{X(j)k,f(j)k|X(j)k＝X(k+m(j-1)),f(j)k＝f(k+m(j-1))} (8)
其中j＝1,2...n k＝1,2...m
步骤四：记每个子群中适应度最大的青蛙Pbest，适应度最小的青蛙Pworse。
步骤五：记青蛙子群tm＝0，表示子群进化的数目；tn＝0，用来表示子群内局部搜索的迭代数。
步骤六：设tm＝tm+1。
步骤七：设tn＝tn+1。
步骤八：按照下式(9)的更新策略，更新子群中表现最差的青蛙。
Figure BDA0003062264420000051
步骤九：更新后的青蛙适应值如若优于Pworse，则替之；若不如Pworse，则用全局最优解PB代替Pbest返回步骤八进行重新选择；若还是不如Pworse，则随机生成一只青蛙代替。
步骤十：判断tn<gn，是则返回步骤七。
步骤十一：判断tm<Gn，是则返回步骤六。
步骤十二：迭代达到规定次数时，算法结束，输出全局最优解PB，并输出对应的目标函数值。解码之后，得到最优的货位分配坐标及出入库台坐标。
本发明的双向式布局模式下货位分配调度模型建立方法，克服了现有货位分配模型的不足，该方法以货物的出/入库频率、货架重心以及货物聚集度为评价标准，使各个货物入库合理分配到可存入货位，并且堆垛机执行入库任务运行时间的少，货架整体重心低，相关联货物摆放最接近；能够满足“双向式”这一实际工况需求。
同时，在后续优化算法中，提出了以改进混合蛙跳算法，通过整数排列编码方式，对货位分配模型进行分析和仿真优化，同时在采用该算法时设计了新的局部更新策略，引入自适应动态同步因子，在优化求解的任意阶段都具备良好的性能。可以求得适用于双向式布局模式的货位分配模型的最优解集。
附图说明
图1是双向式立体仓库布局结构图；
图2是双向式立体仓库货架示意图；
图3是改进混合蛙跳算法编码示例图；
图1中的标记分别表示：1、堆垛机；2、货架；3、巷道；4、出/入库台；5、出/入库输送装置。
以下结合附图和实施例对本发明作进一步的详细说明。
具体实施方式
双向式立体仓库布局结构图如图1所示，包括堆垛机1、货架2、巷道3、出/入库台4和出/入库输送装置5(注：在以下的描述中省略标记)。
本实例给出一种双向式运行模式下货位分配模型的建立方法，该方法根据货物的周转率、质量、数量各个属性合理分配到可存入货位，实现堆垛机执行任务的时间最小，货架的重心最低，同类货物摆放位置最近。同时，在后续优化算法中，提出了一种改进混合蛙跳算法对模型进行仿真优化，同时在采用该算法时设计了新的局部更新策略，引入自适应动态同步因子，在优化求解的任意阶段都具备良好的性能。
具体实现过程如下：
假设设同一巷道两侧的货架为一组，仓库有a列，b层，c排货架，仓库左右两端各有一个进/出口，货架第x列，y层，z排的货物坐标可表示为(x,y,z)为区别单向式立体仓库，定义左端出/入库台底部为坐标原点，每个货位只能储存一个货物，且货位的长宽高都相等，设为L；堆垛机的速度恒定不变，堆垛机的水平速度设为Vx、垂直速度为Vy、叉货速度为Vz，且不互相干涉，忽略堆垛机启动和制动的时间。
定义(x,y,z,Pk,Mk,j)表示货架中某一待入库货物的信息，其中：(x,y,z)用于表示该货物在仓库中货架中的位置坐标它决定着货物分配的最终结果，属于决策变量；Pk用于表示(x,y,z)货位中货物周转率，Mk表示货物的质量，它们是待入库货物本身的固有参数；j表示货物出入库台的列数，j＝0或j＝a+1。其中，j＝0表示最左端出/入库台所对应列数，j＝a+1表示最右端出/入库台的对应列数。左出/入库台位置可表示为(0，1,0)，右出/入库台位置可表示为(a+1,1,0)。
工业立体仓库的货位分配问题要考虑货物周转率、数量、质量，为兼顾立体仓库的存储效率及其结构稳定性，主要采用的货位分配原则有存储效率原则、货品相关性原则和货架稳定性原则，具体的货位分配调度模型如下：
(1)存储效率原则建立函数F1
货物出入库时，一方面要尽可能的缩短货物到货架的之间的距离进而达到缩短堆垛机运行时时间的目的，同时，还要考虑货物的周转频率。即堆垛机运送货物到指定货位的时间与货物的周转率乘积最小(将周转率看作频率系数)，则建立的待优化函数为：
Figure BDA0003062264420000081
其中，
Figure BDA0003062264420000082
表示堆垛机叉架存取货时间。因为双向式自动化立体仓库货物进出仓库时出入库台不确定，因此用|x-j|表示堆垛机在x方向所走的距离。
(2)货品相关性原则建立函数F2
同种类型产品尽可能存放在相邻或相近的货位，可降低相关性高的产品的储存距离，减少堆垛机的运行距离。所以，当有一批待入库的货物进行存放时候，在空余货位确定一位置为中心货位，使待存放货物距离中心货位的距离尽可能短，这样可减少堆垛机存取同类货物运行的时间。
当有n个货位可以提供k类产品储存时，定义此时的组内平均坐标(中心货位坐标)为(ak,bk,ck)，其取值根据实际订单决定，则待存放货品(x,y,z)距离平均坐标的距离为：
Figure BDA0003062264420000083
其中
Figure BDA0003062264420000084
根据双向式自动化立体仓库货位布局特点，为使所有待存放货品距离平均坐标(中心货位)距离最短，则优化的目标函数为：
Figure BDA0003062264420000085
(3)货架稳定性原则建立函数F3
货架应该符合上轻下重的原则，尽可能的降低货架重心，把轻的货物放在上层，重的货物放在下层，防止货架因为重心不稳而导致倾覆，即货物质量与其所在层数的乘积最小，目标函数为：
Figure BDA0003062264420000091
各个目标函数是根据单一的货位分配原则建立的，它们之间即互相冲突又互相联系，因此不能将这些目标函数单独寻优，需要将多个目标函数进行统一。根据仓库的实际情况给各个目标函数F1min(x,y,z)、F2min(x,y,z)、F3min(x,y,z)赋予权重μ1、μ2、μ3，用来表示各目标函数的重要程度，由此建立包含各个分配原则的单目标函数。
F(x,y,z)＝μ1F1min(x,y,z)+μ2F2min(x,y,z)+μ3F3min(x,y,z) (5)
Figure BDA0003062264420000092
(4)设计改进混合蛙跳算法
混合蛙跳算法，主要模拟池塘中青蛙寻找食物路径的过程来模拟算法的搜索过程，通过局部搜索和全局搜索来完成。子群中的青蛙通过群内的局部信息交流来优化个体，迭代到一定次数后再进行全局的搜索交流。在局部搜索过程中，按照混合蛙跳算法的更新公式，对每一个子群中表达最差的蛙Pworse进行更新替换，公式如下：
Figure BDA0003062264420000101
式中，rand()表示0～1间的随机数，STEP表示青蛙跳跃的步长，Dmin表示最小跳跃步长，Dmax表示最大跳跃步长，Pbest表示子群中表达最优的蛙。通过对子群中表现最差的蛙Pworse进行更新，得到P′worse，若P'worse优于Pworse，则替之，反之用种群表达最优的蛙PB代替式(6)中的Pbest继续更新。
混合蛙跳算法在寻找最优解的过程中，青蛙的移动步长决定着算法的搜索速度和准确度，步长过大则容易跳过最优解，过小则使收敛速度过慢。在标准混合蛙跳算法更新公式中，rand()是0～1间的随机数，使得移动步长STEP是随机更新的，这种更新策略有一定的局限性，容易使结果陷入局部最优，无法找到最优解。因此，针对这种弊端，对混合蛙跳算法进行改进，设计改进混合蛙跳算法(ISFLA)，用以余弦函数为基础的动态自适应同步因子如下式(7)所示，用来代替rand()；
Figure BDA0003062264420000102
式中，gn表示子群内青蛙迭代次数，g表示当前子群迭代次数。用φ代替(6)式中的rand()，φ在
Figure BDA0003062264420000103
之间逐渐递增。
这种局部更新方式，可以使算法在初期以较小的步长逐步搜索，保持了算法的准确性，同时随着迭代次数的增加，移动步长逐渐增大，增强了算法全局搜索的能力和效率，避免其陷入局部最优。
针对所建立的双向式立体仓库模型，采用改进混合蛙跳算法(以下简称ISFLA算法)进行优化。
所述ISFLA算法优化的具体步骤如下：
步骤一：初始化参数
随机生成m(memeplex)个子群，其中每个子群有n只青蛙，每只青蛙代表一种货位分配方式。设置青蛙最大跳跃的最大步长Dmax，子群内青蛙迭代次数gn，种群最大迭代次数Gn。
步骤二：初始化种群
在可行解范围内生成F＝m×n只青蛙，代表初始分配方式有m×n种，设置青蛙的维度S，每只青蛙可以表示为{X1,X1……XF}。
步骤三：重新划分子群Z1,Z2……Zm
将所有青蛙按计算适应值，记每个青蛙的适应值为f(i)，按照从大到小的顺序将青蛙排列并按照如下规则划分子群：
Zk＝{X(j)k,f(j)k|X(j)k＝X(k+m(j-1)),f(j)k＝f(k+m(j-1))} (8)
其中j＝1,2...n k＝1,2...m
步骤四：记每个子群中适应度最大的青蛙Pbest，适应度最小的青蛙Pworse。
步骤五：记青蛙子群tm＝0，表示子群进化的数目；tn＝0，用来表示子群内局部搜索的迭代数。
步骤六：设tm＝tm+1。
步骤七：设tn＝tn+1。
步骤八：按照下式(9)的更新策略，更新子群中表现最差的青蛙：
Figure BDA0003062264420000111
步骤九：更新后的青蛙适应值如若优于Pworse，则替之；若不如Pworse，则用全局最优解PB代替Pbest返回步骤八进行重新选择；若还是不如Pworse，则随机生成一只青蛙代替。
步骤十：判断tn<gn，是则返回步骤七。
步骤十一：判断tm<Gn，是则返回步骤六。
步骤十二：迭代达到规定次数时，算法结束，输出全局最优解PB，并输出对应的目标函数值。解码之后，得到最优的货位分配坐标及出入库台坐标。
以下是发明人给出的具体实施例：
编码设置：在初始化种群时，货位分配坐标随机生成。首先对待入库的货物进行编码，编码对应周转率、质量等信息；其次对货位进行编码，编码的长度由待入库分配货物的数量决定，编码分为若干小段，每段代表着一个货位的坐标，由于货位坐标是(x,y,z)三维存在的，因此定义行、列、排分别用x,y,z三个数表示，即货位编码长度N＝3Nα。
设置货架及堆垛机相关参数：货架共计c排，每排货架有a列、b层，货位长为l，货架货位高位h；为成组货架中每个货位编号，各编号可映射出相关的行、列、排坐标信息。堆垛机水平运行速度Vx，堆垛机竖直运行速度Vy,叉货速度为Vz。
将待选货位编号随机排列产生ISFLA算法的初代种群，对式(5)所示的适用于双向式布局模式的货位分配模型进行求解，实现实现堆垛机执行入库任务运行时间的少，货架整体重心低，相关联产品摆放接近的目标，求得调度模型的最优解集。
以某汽车配件厂的双向式立体仓库货位分配任务为例，仓库的各项参数如表1所示。
表1：双向式自动化仓库基本参数
Figure BDA0003062264420000121
Figure BDA0003062264420000131
通过层次分析法(AHP)的计算以及综合考虑立体仓库的实际情况，式(5)中取μ1＝0.426，μ2＝0.283，μ3＝0.291。
有15件待入库的货物，已知各个货物的质量以及周转率，并按照随机分配的方式给出货位的初始入库坐标和出入台坐标，如表2所示。
表2：优化前货位坐标
Figure BDA0003062264420000132
Figure BDA0003062264420000141
ISFLA算法参数：初始青蛙个数：400，迭代次数：300，最大移动步长：5，组内迭代次数：10，分组数：20。
经过ISFLA算法的计算，优化后的货位分配信息如表3所示
表3：优化后的货位坐标
编号 质量kg 周转率％ 货位坐标 出入库台坐标
1 52 37 (2,3,2) (0,1,0)
2 24 58 (76,3,2) (81,1,0)
3 21 43 (6,4,1) (0,1,0)
4 34 29 (70,5,1) (81,1,0)
5 21 46 (9,2,1) (0,1,0)
6 29 36 (68,5,1) (81,1,0)
7 41 24 (4,4,2) (0,1,0)
8 27 34 (65,4,1) (81,1,0)
9 69 59 (79,2,2) (81,1,0)
10 15 18 (7,6,1) (0,1,0)
11 13 31 (9,6,2) (0,1,0)
12 40 30 (71,4,2) (81,1,0)
13 66 56 (80,3,2) (81,1,0)
14 28 26 (10,5,2) (0,1,0)
15 81 32 (1,4,2) (0,1,0)
经过ISFLA算法的计算，本次货位分配调度优化的结果如表4所示，其中“优化前”是指本次测试中各算法初代种群信息，其中“优化前”是指本次测试中各算法初代种群信息。
表4：ISFLA算法货位分配优化前后函数值对比
Figure BDA0003062264420000151
由上述实际的一次货位分配任务的调度结果可知，依据本实施例所述方法建立的适用于双向式布局模式下立体仓库的货物分配模型，可以针对双向式布局模式下货位分配任务进行计算。该货位分配模型根据产品出/入库频率、货架重心以及产品聚集度为评价标准，使各个产品能合理分配到可存入货位，实现了堆垛机执行入库任务运行时间的少，货架整体重心低，相关联产品摆放接近的目标，运用ISFLA算法获取货位分配调度模型的最优解集，实现了该布局模式下的货位优化。

Claims (2)

1.一种双向式布局模式下货位分配调度模型建立方法，其特征在于，具体实现过程如下：
假设同一巷道两侧的货架为一组，仓库有a列，b层，c排货架，仓库左右两端各有一个进/出口，货架第x列，y层，z排的货物坐标可表示为(x,y,z)，为区别单向式立体仓库，定义左端出入库台底部为坐标原点，每个货位只能储存一个货物，且货位的长宽高都相等，设为L；堆垛机的速度恒定不变，堆垛机的水平速度设为Vx、垂直速度为Vy、叉货速度为Vz，且不互相干涉，忽略堆垛机启动和制动的时间；
定义(x,y,z,Pk,Mk,j)表示货架中某一待入库货物的信息，其中：(x,y,z)用于表示该货物在仓库中货架中的位置坐标，它决定着货物分配的最终结果，属于决策变量；Pk用于表示(x,y,z)货位中货物周转率，Mk表示货物的质量，它们是待入库货物本身的固有参数；j表示货物出入库台的列数，j＝0或j＝a+1；其中j＝0表示最左端出/入库台所对应列数，j＝a+1表示最右端库台的对应列数；左库台位置可表示为(0，1,0)，右库台位置可表示为(a+1,1,0)；
货位分配调度模型如下：
(1)存储效率原则建立函数F1
将货物周转率看作频率系数，则建立的待优化函数为：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示堆垛机叉架存取货时间；由于双向式自动化立体仓库货物进出仓库时出入库台不确定，因此用|x-j|表示堆垛机在x方向所走的距离；
(2)货品相关性原则建立函数F2
当有一批待入库的货物进行存放时候，在空余货位确定一位置为中心货位，使待存放货物距离中心货位的距离尽可能短，以减少堆垛机存取同类货物运行的时间；
当有n个货位可以提供k类产品储存时，定义此时的货架组内平均坐标为(ak,bk,ck)，其取值根据实际订单决定，则待存放货品(x,y,z)距离平均坐标的距离为：
Figure QLYQS_3
其中
Figure QLYQS_4
为使所有待存放货品距离平均坐标即中心货位的距离最短，则优化的目标函数为：
Figure QLYQS_5
(3)货架稳定性原则建立函数F3
货架应该符合上轻下重的原则，尽可能的降低货架重心，把轻的货物放在上层，重的货物放在下层，防止货架因为重心不稳而导致倾覆，即货物质量与其所在层数的乘积最小；目标函数为：
Figure QLYQS_6
各个目标函数是根据单一的货位分配原则建立的，它们之间即互相冲突又互相联系，因此不能将这些目标函数单独寻优，需要将多个目标函数进行统一；
根据仓库的实际情况给各个目标函数F1min(x,y,z)、F2min(x,y,z)、F3min(x,y,z)赋予权重μ1、μ2、μ3，用来表示各目标函数的重要程度，由此建立包含各个分配原则的单目标函数为：
F(x,y,z)＝μ1F1min(x,y,z)+μ2F2min(x,y,z)+μ3F3min(x,y,z) (5)
Figure QLYQS_7
(4)设计改进混合蛙跳算法
在局部搜索过程中，按照混合蛙跳算法的更新公式，对每一个子群中表达最差的蛙Pworse进行更新替换，公式如下：
Figure QLYQS_8
式中，rand()表示0～1间的随机数，STEP表示青蛙跳跃的步长，Dmin表示最小跳跃步长，Dmax表示最大跳跃步长，Pbest表示子群中表达最优的蛙；
通过对子群中表现最差的蛙Pworse进行更新，得到P′worse，若P′worse优于Pworse，则替之，反之用种群表达最优的蛙PB代替式(6)中的Pbest继续更新；
对混合蛙跳算法进行改进，设计改进混合蛙跳算法，用以余弦函数为基础的动态自适应同步因子如下式(7)所示，用来代替rand()；
Figure QLYQS_9
式中，gn表示子群内青蛙迭代次数，g表示当前子群迭代次数，用φ代替(6)式中的rand()，φ在
Figure QLYQS_10
之间逐渐递增；
针对所建立的双向式立体仓库模型，采用改进混合蛙跳算法进行优化。
2.如权利要求1所述的方法，其特征在于，所述改进混合蛙跳算法优化的具体步骤如下：
步骤一：初始化参数
随机生成m(memeplex)个子群，其中，每个子群有n只青蛙，每只青蛙代表一种货位分配方式；设置青蛙最大跳跃的最大步长Dmax，子群内青蛙迭代次数gn，种群最大迭代次数Gn；
步骤二：初始化种群
在可行解范围内生成F＝m×n只青蛙，代表初始分配方式有m×n种，设置青蛙的维度S，每只青蛙可以表示为{X1,X1……XF}；
步骤三：重新划分子群Z1,Z2……Zm
将所有青蛙按计算适应值，记每个青蛙的适应值为f(i)，按照从大到小的顺序将青蛙排列并按照如下规则划分子群：
Zk＝{X(j)k,f(j)k|X(j)k＝X(k+m(j-1)),f(j)k＝f(k+m(j-1))} (8)
其中，j＝1,2...n，k＝1,2...m；
步骤四：记每个子群中适应度最大的青蛙Pbest，适应度最小的青蛙Pworse；
步骤五：记青蛙子群tm＝0，表示子群进化的数目；tn＝0，用来表示子群内局部搜索的迭代数；
步骤六：设tm＝tm+1；
步骤七：设tn＝tn+1；
步骤八：按照下式(9)的更新策略，更新子群中表现最差的青蛙：
Figure QLYQS_11
步骤九：更新后的青蛙适应值如若优于Pworse，则替之；若不如Pworse，则用全局最优解PB代替Pbest返回步骤八进行重新选择；若还是不如Pworse，则随机生成一只青蛙代替；
步骤十：判断tn<gn，是则返回步骤七；
步骤十一：判断tm<Gn，是则返回步骤六；
步骤十二：迭代达到规定次数时，算法结束，输出全局最优解PB，并输出对应的目标函数值，解码之后，得到最优的货位分配坐标及出入库台坐标。
CN202110517562.3A 2021-05-12 2021-05-12 双向式布局模式下货位分配模型建立方法 Active CN113222410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110517562.3A CN113222410B (zh) 2021-05-12 2021-05-12 双向式布局模式下货位分配模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110517562.3A CN113222410B (zh) 2021-05-12 2021-05-12 双向式布局模式下货位分配模型建立方法

Publications (2)

Publication Number Publication Date
CN113222410A CN113222410A (zh) 2021-08-06
CN113222410B true CN113222410B (zh) 2023-05-19

Family

ID=77095139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110517562.3A Active CN113222410B (zh) 2021-05-12 2021-05-12 双向式布局模式下货位分配模型建立方法

Country Status (1)

Country Link
CN (1) CN113222410B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723132B (zh) * 2022-03-31 2023-04-07 红云红河烟草(集团)有限责任公司 基于改进食肉植物算法的仓储货位智能分配方法
CN115310917B (zh) * 2022-10-11 2022-12-20 中都物流有限公司 一种入库管理方法
CN115806143B (zh) * 2023-01-18 2023-04-28 安徽建筑大学 一种印刷版辊的全自动立体化仓库及高速出入库管理方法
CN116681381B (zh) * 2023-07-31 2024-02-02 广东电网有限责任公司广州供电局 一种物资仓储调整方法、装置、设备和可读存储介质
CN116796910B (zh) * 2023-08-21 2023-11-21 青岛中德智能技术研究院 基于货物分配策略的订单分批优化方法
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014169238A1 (en) * 2013-04-11 2014-10-16 Digimarc Corporation Methods for object recognition and related arrangements
CN105911982A (zh) * 2016-04-07 2016-08-31 西安建筑科技大学 基于分散式出/入库布局模式下的堆垛机调度路径模型建立方法
CN106021700A (zh) * 2016-05-17 2016-10-12 西安建筑科技大学 基于分散式出/入库布局模式下的货位分配模型建立方法
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
CN106773686A (zh) * 2016-12-12 2017-05-31 西安建筑科技大学 同轨双车运行模式下堆垛机调度路径模型建立方法
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
CN107967586A (zh) * 2017-11-10 2018-04-27 国网冀北电力有限公司物资分公司 一种电网物资仓储优化方法
CN110991754A (zh) * 2019-12-09 2020-04-10 西南交通大学 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法
CN112116126A (zh) * 2020-08-17 2020-12-22 合肥工业大学 基于psc-iga算法的数字化车间调度方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005050063A (ja) * 2003-07-31 2005-02-24 Canon Inc 流体の数値計算方法及び装置及び制御プログラム及び記憶媒体

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014169238A1 (en) * 2013-04-11 2014-10-16 Digimarc Corporation Methods for object recognition and related arrangements
CN105911982A (zh) * 2016-04-07 2016-08-31 西安建筑科技大学 基于分散式出/入库布局模式下的堆垛机调度路径模型建立方法
CN106021700A (zh) * 2016-05-17 2016-10-12 西安建筑科技大学 基于分散式出/入库布局模式下的货位分配模型建立方法
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
CN106773686A (zh) * 2016-12-12 2017-05-31 西安建筑科技大学 同轨双车运行模式下堆垛机调度路径模型建立方法
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
CN107967586A (zh) * 2017-11-10 2018-04-27 国网冀北电力有限公司物资分公司 一种电网物资仓储优化方法
CN110991754A (zh) * 2019-12-09 2020-04-10 西南交通大学 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法
CN112116126A (zh) * 2020-08-17 2020-12-22 合肥工业大学 基于psc-iga算法的数字化车间调度方法、系统及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Ｃａｒ ｇｏ ｌｏｃａｔｉｏｎ ａｌｌｏｃａｔｉｏｎ ｓｔｒａｔｅ ｇｙ ｆｏｒ ｔｈｅ ｔｗｏ－ｅｎｄ ｓａｍｅ－ｒａｉｌ ｄｏｕｂｌｅ－ｃａｒ ｏｐｅｒａｔｎ ｇ ｍｏｄｅ;ＣＡＩ Ａｎｊｉａｎ ｇ et al.;Ｃｏｍｐｕｔｅｒ Ｉｎｔｅ ｇｒａｔｅｄ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｓｙｓｔｅｍｓ;全文 *
两端式自动化立体仓库布局堆垛机调度;蔡安江 等;中国机械工程;第30卷(第6期);全文 *
基于模拟退火遗传算法的自动化立体仓库货位优化;曹现刚;宫钰蓉;雷一楠;;机床与液压(第14期);全文 *
求解多堆垛机协同调度优化问题的量子蝙蝠算法;杨文强;陈广华;苏建修;;电子测量与仪器学报(第04期);全文 *
集成多目标遗传算法在货位分配中的应用;蔡安江;蔡曜;郭师虹;耿晨;;机械设计与制造(第05期);全文 *

Also Published As

Publication number Publication date
CN113222410A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222410B (zh) 双向式布局模式下货位分配模型建立方法
CN110909930B (zh) 一种面向冷库的移动式货架仓储系统货位分配方法
CN107480922B (zh) 两端式同轨双车运行模式下货位分配调度模型建立方法
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
CN113222293B (zh) 一种智能立体仓库优化调度方法
CN109597304B (zh) 基于人工蜂群算法的模具库智能分区存储方法
WO2016169286A1 (zh) 一种离散制造系统的车间布局方法
CN109886478A (zh) 一种成品酒自动化立体仓库的货位优化方法
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN105858044B (zh) 一种穿梭车与升降机结合的仓储系统优化调度方法
CN106021700A (zh) 基于分散式出/入库布局模式下的货位分配模型建立方法
CN106651086B (zh) 一种考虑组装工艺的自动化立体仓库调度方法
CN113627642A (zh) 基于自适应大规模邻域搜索算法的堆垛机路径优化方法
CN112070412A (zh) 一种立体库多提升机的配置方案及任务调度方法
CN111626516A (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
CN110263970B (zh) 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN112100861A (zh) 基于入侵杂草优化算法的卷烟生产物料货位分配方法
CN111507644A (zh) 一种多点卸货约束的三维多容器装载方法
CN107464013A (zh) 一种应用于v型非传统布局仓库通道优化设计方法
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
CN115629614B (zh) 一种基于遗传算法的仓储多agv路径规划方法
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
CN113537841B (zh) 一种考虑客户满意度的堆场起重机调度优化方法
CN112731888B (zh) 一种批量流混合流水车间调度问题的改进候鸟优化方法

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