CN113255988A - 基于精准货位匹配的动态阈值交叉存取方法 - Google Patents
基于精准货位匹配的动态阈值交叉存取方法 Download PDFInfo
- Publication number
- CN113255988A CN113255988A CN202110556297.XA CN202110556297A CN113255988A CN 113255988 A CN113255988 A CN 113255988A CN 202110556297 A CN202110556297 A CN 202110556297A CN 113255988 A CN113255988 A CN 113255988A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- task
- double
- time
- instruction
- 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
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开了一种基于精准货位匹配的动态阈值交叉存取方法，包括：步骤100：根据搬运设备的速度模型及每个出库任务的执行距离计算每个出库任务的最大空闲时间；步骤200：根据每个出库任务的最大空闲时间计算每个出库任务的最大可行距离；步骤300：以出库位为终点，以仓库的出入口为起点，若仓库内存在一个空库位，从起点途径该空库位到达终点的距离小于等于最大可行距离，则为该出库任务匹配一个入库任务形成一个出入库双指令，并将不为该出库任务匹配入库任务的指令记为该出库任务的虚拟出入库双指令；步骤400：以完成所有出库任务的总时间和总延误时间最短为目标函数，获取出入库的最优解集合。上述方法可避免过度追求交叉存取影响仓库交付能力。
Description
技术领域
本发明涉及物流领域，特别涉及一种基于精准货位匹配的动态阈值交叉存取方法。
背景技术
随着物流一体化的发展，仓储作为连接生产环节和消费环节的桥梁，已成为供应链过程中创造价值增值的核心环节。为了应对仓库高吞吐量的市场需求，高密度存储和高柔性存取已成为仓储的未来发展方向，其中交叉存取正是体现这一发展方向的典型代表。
现有的仓库调取任务中，由于每个出库任务均存在截止时间，如果单纯追求交叉存取，可能反而会影响仓储的交付能力。
发明内容
发明目的：本发明的目的是提出一种基于精准货位匹配的动态阈值交叉存取方法，根据仓库及任务情况，选择最优的入库库位及出库库位并输出最优的存取任务作业序列，在保证仓储交付能力的情况下，提高仓库的整体吞吐量。
技术方案：本发明所述的基于精准货位匹配的动态阈值交叉存取方法，包括如下步骤：
步骤100：根据搬运设备的速度模型及每个出库任务的执行距离计算每个出库任务的最大空闲时间；
步骤200：根据每个出库任务的最大空闲时间计算每个出库任务的最大可行距离；
步骤300：以存有任一出库任务的货物的库位为终点，以仓库的出入口为起点，若仓库内存在一个空库位，从起点途径该空库位到达终点的距离小于等于最大可行距离，则为该出库任务匹配一个入库任务形成一个出入库双指令，该空库位作为该入库任务的货物的入库库位，并将不为该出库任务匹配入库任务的指令记为该出库任务的虚拟出入库双指令；
步骤400：以完成所有出库任务的总时间和延误时间最短为目标函数，获取出入库的最优解集合。
进一步的，所述步骤400后还包括：步骤500：根据当前时间段的出库任务密度从帕累托集合中选择每个出库任务的出入库双指令或虚拟出入库双指令，若出库任务密度大于等于设定的阈值，优先完成出库任务；若出库任务密度小于设定的阈值，则优先提高仓库的空间均衡水平。
进一步的，所述步骤400中的最优解集合为帕累托集合。
进一步的，所述步骤500包括：
步骤510：计算一段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令执行后的库存均衡系数τt，所述库存均衡系数τt用于衡量库区存储的空间均衡水平；
步骤520：将该段时间内的所有库存均衡系数τt从小到大排序，获得该段时间内的库存均衡系数中位数τmedian；
步骤530：计算该段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令的执行时间；
步骤540：将该段时间内所有出入库双指令和虚拟出入库双指令的执行时间从小到大排序，获得该段时间内的执行时间中位数dctmedian；
步骤550：当该段时间的出库任务密度大于或等于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中执行时间小于执行时间中位数dctmedian且库存均衡系数τt最小的指令；当该段时间的出库任务密度小于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中库存均衡系数τt小于库存均衡系数中位数τmedian且执行时间最小的指令。
进一步的，所述步骤510中的库存均衡系数
其中N为仓库的库位数量，
αg为第g个库位四周的空库位数量，βg为第g个库位四周的存储数量，
进一步的，所述步骤400包括：
步骤410：计算每个出入库双指令和虚拟出入库双指令的执行时间和目标向量均衡系数；
步骤420：对所有出库任务的出入库双指令和虚拟出入库双指令进行非支配排序，获得不被任何其他指令支配的出入库双指令或者虚拟出入库双指令为帕累托最优解，构成帕累托集合；
进一步的，所述步骤420中，若第一出入库双指令或虚拟出入库双指令的执行时间小于等于第二出入库双指令或虚拟出入库双指令，且第一出入库双指令或虚拟出入库双指令的目标向量均衡系数小于第二出入库双指令或虚拟出入库双指令，则第一出入库双指令或虚拟出入库双指令支配第二出入库双指令或虚拟出入库双指令。
进一步的，所述步骤100中的执行距离为曼哈顿距离。
进一步的，所述步骤100的最大空闲时间
式中
为出库任务r的交付时间，Tc为当前时间，γ为装或卸货物的时间，
为从存有出库任务的货位返回仓库的出入口的时间。
有益效果：与现有技术相比，本发明具有如下优点：
1、根据出库任务的最大空闲时间计算的最大可行阈值来匹配入库任务，避免过度追求交叉存取而影响仓库交付能力。
2、根据时间段内的任务密度，采用两种不同的指令选择策略从最优解集合中选择指令，避免过度追求时间而导致货物集中存储于靠近仓库出入库的出口处。
附图说明
图1为本发明的实施例的调度方法的流程图；
图2为本发明的实施例的调度方法的指令的选择流程图；
图3为本发明的实施例的出入库双指令的示意图；
图4为本发明的实施例的虚拟出入库双指令的示意图；
图5为仿真结果的均衡系数对比图；
图6为仿真结果的仓库吞吐量对比图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，根据本发明实施例的基于精准货位匹配的动态阈值交叉存取方法，包括如下步骤：
步骤100：根据搬运设备的速度模型及每个出库任务的执行距离计算每个出库任务的最大空闲时间；
步骤200：根据每个出库任务的最大空闲时间计算每个出库任务的最大可行距离；
步骤300：以存有任一出库任务的货物的库位为终点，以仓库的出入口为起点，若仓库内存在一个空库位，从起点途径该空库位到达终点的距离小于等于最大可行距离，则为该出库任务匹配一个入库任务形成一个出入库双指令，该空库位作为该入库任务的货物的入库库位，并将不为该出库任务匹配入库任务的指令记为该出库任务的虚拟出入库双指令；即每个出库任务必定有一个对应的虚拟出入库双指令，可能不存在对应的出入库双指令。若该出库任务的货物在仓库内的多个库位均有存放，或者存有对应货物的库位有多个满足要求的对应的空库位，则该出库任务具有多个对应的出入库双指令。
步骤400：以完成所有出库任务的总时间和延误时间最短为目标函数，获取出入库的最优解集合。
其中步骤300中的出入库双指令的出入库流程可以参照图3所示，空库位A2为存有某一出库任务对应的货物的库位A的一个对应的空库位，则该出入库双指令的流程为搬运设备在仓库的出入口I/O点处取得匹配的入库任务对应的货物，并将其运至空库位A2点入库，再前进至库位A处取出存放的需要出库的货物并运往仓库的出入口I/O点处完成出库，即完成一次交叉存取。而虚拟出入库双指令的出入库流程可以参照图4所示，搬运设备直接中出入口I/O处直接前往存有货物的库位E取出需要出库的货物，并返回仓库的出入口I/O处完成出货，即虚拟出入库双指令实际上只完成出库动作，不进行入库任务的入库动作。步骤100中的执行距离为搬运设备执行出入库动作所走的实际距离，可以理解的是，由于仓库内的库位多呈现矩阵状排列，搬运设备往往无法直线到达对应的库位，所以执行距离优选采用曼哈顿距离，同时为了简化计算，可以在实际计算时忽略搬运设备的加减速时间，视为搬运设备的速度模型为匀速运动。
根据上述技术方案的仓库的货物的出入库调度方法，通过计算每个出库任务的最大空闲时间来判断是否可以为该出库任务匹配入库任务实现交叉存取，并以完成出库任务的总时间最短为目标确定出库任务与入库任务匹配的最优解，避免过度追求交叉存取而影响仓库交付能力。
在一些实施例中，参照图1，为了在满足完成任一段时间内的出库任务的总时间最短的同时，避免货物均存放于仓库的出入口处，造成仓库的空间利用率不高，在步骤400后还包括：
步骤500：根据当前时间段的出库任务密度从最优解集合中选择每个出库任务的出入库双指令或虚拟出入库双指令，若出库任务密度大于等于设定的阈值，优先完成出库任务；若出库任务密度小于设定的阈值，则优先提高仓库的空间均衡水平。
即当一段时间内的出库任务密度过高时，即出库高峰期，优先选择执行距离较短的库位作为入库或者出库的库位；当一段时间内的出库任务密度较低时，即出库低谷期，单个出库任务的时间余量较大，可以选择离仓库的出入口较远的库位作为出入库的库位，提高仓库的空间利用率，并可以一定程度上缓解下一次出库高峰期时的出库压力，使在出库的高峰期时仍然有较多的靠近仓库出入口的订单的空库位，实现即使在出库任务密集时也可以完成部分入库任务。
可以理解的是，步骤500中可以以每个出库任务的出入库双指令或虚拟出入库双指令的执行时间或执行后仓库的货物分布情况作为选择的依据，当时间段内出库任务较多时，优先完成出库任务，在出库任务较少时优先使仓库内的库位充分利用，或者根据出库任务中的不同的货物的频次对货物再分配，以便减少下一次出库高峰时间段的出库任务完成时间。
可以理解的是，在一些实施例中，步骤400中的最优解集合可以由遗传算法、爬山算法或者粒子群算法、蚁群算法等确定。
为了便于理解与说明，下面以如下一个情景来具体说明上述货物出入库调度方法：假设仓库仅有一个出入口，且仓库为二维仓库，即每个库位仅能存放一件货物，入库任务没有上限，不考虑库存短缺的情况，每个空库位可以存放任何货物，当存有出库货物的库位同时对应有出入库双指令和虚拟出入库双指令时仅选择出入库双指令。
并对于上述假设的情景，作如下符号定义：
m表示仓库中每行的库位数；
q表示仓库中每列的库位数；
a表示存储库位的宽度；
b表示存储库位的长度；
i表示货物的种类，i∈{1,2,…,n}；
因为搬运设备速度为v，则行驶到(k，j)点的曼哈顿时间为：Tkj＝(ma+nb)/v；
R表示出库货物列表向量，R＝[r1,r2,…,rQ]T；
rq表示出库队列中第q个位置的出库货物类型；
S表示存储货物列表的向量；
Sd表示存储货物里第d个位置的存储货物类型；
s0为构建的虚拟存储货物，仅在形成虚拟出入库双指令时插入至存储队列Sd中；
Ckj为状态矩阵，矩阵的元素表示存储在相应库位的货物类型；
为便于描述，令：
X，Z，Y，W：分别为布尔决策变量，定义如下：
Yi＝0or1，i∈[1,....,n]
根据上述定义，可以建立如下数学模型：
上述数学模型中，式(1)为目标函数，表示使完成所有出库任务的总时间最短和总延误时间最小。式(2)至(7)为约束条件，式(2)表示每次操作只执行一个出入库双指令或一个虚拟出入库双指令；式(3)和式(4)表示形成出入库双指令需要为入库任务选择空库位，为出库任务选择存有对应货物的库位作为出库位，且从仓库出入口到达空库位与从空库位到达出库位的距离小于等于最大可行距离Dm；式(5)和式(6)表示形成虚拟出入库双指令需要确保无法找到一个空库位使得从仓库出入口到达空库位与从空库位到达出库位的距离小于等于最大可行距离Dm；式(7)表示当存有出库任务的货物的库位对应有出入库双指令和虚拟出入库双指令时仅选择出入库双指令。
可以理解的是，上述约束条件根据上述数学模型建立依据的预设情景设定，实际建立数学模型时约束函数需要根据具体的仓库情景设计。
参照图2，在本实施例中，步骤500的具体包括如下步骤：
步骤510：计算一段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令执行后的库存均衡系数τt，所述库存均衡系数τt用于衡量库区存储的空间均衡水平；
步骤520：将该段时间内的所有库存均衡系数τt从小到大排序，获得该段时间内的库存均衡系数中位数τmedian；
步骤530：计算该段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令的执行时间；
步骤540：将该段时间内所有出入库双指令和虚拟出入库双指令的执行时间从小到大排序，获得该段时间内的执行时间中位数dctmedian；
步骤550：当该段时间的出库任务密度大于或等于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中执行时间小于执行时间中位数dctmedian且库存均衡系数τt最小的指令；当该段时间的出库任务密度小于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中库存均衡系数τt小于库存均衡系数中位数τmedian且执行时间最小的指令。
可以理解的是，库存均衡系数τt可以采用将仓库划分为不同大小的区间，计算每个区间的货物密度的比值来量化表示，或者通过其它方式去量化描述。
在本实施例中，库存均衡系数τt为：
其中N为仓库的库位数量，
αg为第g个库位四周的空库位数量，βg为第g个库位四周的存储数量，
可以理解的是，在步骤420中，若第一出入库双指令或虚拟出入库双指令的执行时间小于等于第二出入库双指令或虚拟出入库双指令，且第一出入库双指令或虚拟出入库双指令的目标向量均衡系数小于第二出入库双指令或虚拟出入库双指令，则第一出入库双指令或虚拟出入库双指令支配第二出入库双指令或虚拟出入库双指令。即当某一出库位对应的出入库双指令或虚拟出入库双指令不被其它出入库双指令或虚拟出入库双指令支配时，该出入库双指令或虚拟出入库双指令为最优解，由这些最优解构成的集合即为帕累托集合。
在本实施例中，最大空闲时间Tm为：
式中
为出库任务r的交付时间，Tc为当前时间，λ为装或卸货物的时间，
为从存有出库任务的货位返回仓库的出入口的时间。对应的，最大可行距离Dm＝Tm*v，式中v为搬运设备的运动速度，搬运设备可以为叉车、堆垛机或者自动导航小车。
相应的，在本实施例中，出入库双指令的执行时间为：
式中
及
分别为搬运设备从仓库出入口到达出库位及搬运设备从出库位到达入库位需要的时间，虚拟出入库双指令的执行时间为：
下面以一个每行具有10个库位，每列具有5个库位，总计50个库位的仓库具体说明上述方法的有益效果，仓库的详细数据参照表1所示：
表1初始参数说明
仓库的初始状态矩阵如下，其中空闲库位标记为0，非空闲库位以存储商品类型号标记：
出库货物列表向量已知为R＝[10 3 4 3 6 10 4 2 6 6]T，表示需要类型2商品1个，类型3商品2个，类型4商品2个，类型6商品3个，类型10商品2个，共计10个出货任务，每个任务的截止时间随机生成。存储货物列表向量为S＝[7 8 7 1 5 7 7 5 7 7 … …]T，即按照先到先服务原则，第一个入库为类型7的商品，第二个为类型8商品，以此类推。为了便于计算，设置搬运设备速度v＝1m/s，初始状态库区均衡系数为：0.115176。10个出货任务需要进行10次指令操作才能完成整个出货订单。案例中每种出库产品有多个位置符合要求：3个库位存放类型2商品，4个库位存放类型3商品，10个库位存放类型4商品，6个库位存放类型6商品，6个库位存放类型10商品，库区中有10个库位处于空闲状态。具体产品类型及空位坐标如下表：
表2拣选商品和空位坐标表
X,Z表示了存储和拣选位置，当
表示形成出入库双指令，入库位置为(k1,j1)，出库位置为(k2,j2)，
表示形成虚拟出入库双指令，入库位和出库位均为(k2,j2)。为了解决该优化问题，编写了动态阈值交叉算法，在初始状态相同时分别进行高峰期和低谷期验证，结果如下。
表1高峰期操作任务表
| 步骤 | 出库 | 入库 | 出库种类 | 入库种类 | 执行时间 | 延迟时间 |
| 1 | [5,1] | [2,1] | 4 | 7 | 18 | 0 |
| 2 | [4,4] | [4,6] | 10 | 8 | 36 | 0 |
| 3 | [2,2] | [3,2] | 2 | 7 | 18 | 0 |
| 4 | [1,5] | [1,4] | 10 | 1 | 26 | 0 |
| 5 | [5,4] | [4,4] | 6 | 5 | 30 | 0 |
| 6 | [2,4] | [2,4] | 3 | 0 | 22 | 47 |
| 7 | [3,5] | [2,4] | 6 | 7 | 30 | 0 |
| 8 | [5,6] | [3,5] | 4 | 7 | 38 | 0 |
| 9 | [5,3] | [5,4] | 6 | 5 | 30 | 0 |
| 10 | [3,4] | [3,3] | 3 | 7 | 26 | 0 |
高峰期总完成时间为：274s，总延误时间为：47s，最终库区均衡系数为：0.091453。根据文章A step-by-step dual cycle sequencing method for unit-load automatedstorage and retrieval systems(Hachemi,Sari,&Ghouali,2012,Computers&IndustrialEngineering 63(4))中的方法计算仓库每小时吞吐量为：
λ＝(总商品数/总操作时间)*3600s＝19/274*3600＝250(个/小时)
表2低谷期操作任务表
| 步骤 | 出库 | 入库 | 出库种类 | 入库种类 | 执行时间 | 延迟时间 |
| 1 | [4,2] | [3,2] | 6 | 7 | 20 | 0 |
| 2 | [1,9] | [1,8] | 6 | 8 | 42 | 0 |
| 3 | [4,4] | [4,4] | 10 | 0 | 26 | 0 |
| 4 | [3,8] | [4,7] | 4 | 7 | 44 | 0 |
| 5 | [1,2] | [1,2] | 3 | 0 | 12 | 41 |
| 6 | [4,3] | [4,3] | 2 | 0 | 22 | 29 |
| 7 | [1,5] | [1,5] | 10 | 0 | 24 | 25 |
| 8 | [5,1] | [4,2] | 4 | 1 | 22 | 0 |
| 9 | [3,1] | [2,1] | 6 | 5 | 14 | 0 |
| 10 | [3,4] | [3,3] | 3 | 7 | 26 | 0 |
低谷期总完成时间为252s，总延误时间为95s，最终库区均衡系数为：0.091095。仓库每小时吞吐量为：
λ＝(总商品数/总操作时间)*3600s＝16/252*3600＝229(个/小时)
表示每小时有229个商品进行出入库操作。
采用相同的初始条件，对仓库内的出库任务最大化追求交叉存取，分别进行高峰期和低谷期实验，结构如下：
表3无动态阈值高峰期操作任务表
| 步骤 | 出库 | 入库 | 出库种类 | 入库种类 | 执行时间 | 延迟时间 |
| 1 | [5,1] | [2,1] | 4 | 7 | 18 | 0 |
| 2 | [4,4] | [4,6] | 10 | 8 | 36 | 0 |
| 3 | [2,2] | [3,2] | 2 | 7 | 18 | 0 |
| 4 | [1,5] | [1,4] | 10 | 1 | 26 | 0 |
| 5 | [1,9] | [1,8] | 6 | 5 | 42 | 8 |
| 6 | [5,4] | [4,4] | 6 | 7 | 30 | 0 |
| 7 | [2,4] | [1,5] | 3 | 7 | 28 | 95 |
| 8 | [3,5] | [2,4] | 6 | 5 | 30 | 0 |
| 9 | [5,6] | [3,5] | 4 | 7 | 38 | 36 |
| 10 | [3,4] | [3,3] | 3 | 7 | 26 | 0 |
由上表可得总操作时间为292s，总延误时间为139s，最终库区均衡系数为：0.086178。仓库每小时吞吐量为：
λ＝(总商品数/总操作时间)*3600s＝20/292*3600＝247(个/小时)
表示每小时有247个商品进行出入库操作。
表4无动态阈值低谷期操作任务表
总操作时间为306s，总延误时间为277s，最终库区均衡系数为：0.086470。仓库每小时吞吐量为：
λ＝(总商品数/总操作时间)*3600s＝20/306*3600＝235(个/小时)
表示每小时有235个商品进行出入库操作。
对比相同条件下是否采用动态阈值后的库区均衡系数、总操作时间、总延误时间和仓库吞吐量可得下表：
表5综合对比表
从表中我们可以得出如下结论，(1)无论是否存在动态阈值，高峰期仓库每小时吞吐量都大于低谷期；当存在动态阈值时高峰期仓库每小时吞吐量为低谷期的1.092倍，当无动态阈值时，高峰期仓库每小时吞吐量是低谷期的1.051倍，高峰期可有效增加仓库吞吐量。(2)动态阈值可有效减少订单延误；无动态阈值的订单延误时间是存在动态阈值高峰期的2.957倍，低谷期的2.916倍。实验证明动态阈值的重要性，可有效减少订单延误提高客户服务水平。(3)不论是否存在动态阈值，库区均衡系数都减少，但低谷期相对于高峰期可有效减少库区均衡系数。从结论(1)和(3)说明高峰期和低谷期选择策略设置的合理性，高峰期可增加仓库吞吐量，低谷期使库区分布更加均衡。结论(2)可说明动态阈值的有效性，追求仓库吞吐量的同时减少了订单延误。
为了进一步验证上述方法的有效性，还设计了总库位数量为200和300的仿真实验。为了保证实验的有效性，每次实验设置商品种类为总库位的10％，初始空库位为总库位的20％，高峰期订单数量为总库位10％-20％的随机整数，低谷期订单数量为总库位的5％-8％的随机整数。仿真实验结果如下：
表6仿真实验表
由图5可知，无论是高峰期还是低谷期，是否存在动态阈值，库区均衡系数均变小，证明表示库区分布更加均衡。根据四次高峰期和低谷期实验仓库吞吐量对比中(图6)可验证高峰期相对于低谷期可有效增加仓库吞吐量。表8中清晰的展现了动态阈值可极大减少订单延误时间，当库位数为200时，无动态阈值的订单延误时间是存在动态阈值高峰期的3.014倍，低谷期的2.320倍。当库位数是300时，无动态阈值的订单延误时间是存在动态阈值高峰期的2.331倍，低谷期的2.157倍。由此动态阈值大约可以减少2倍的延误时间。
Claims (9)
1.一种基于精准货位匹配的动态阈值交叉存取方法，其特征在于，包括如下步骤：
步骤100：根据搬运设备的速度模型及每个出库任务的执行距离计算每个出库任务的最大空闲时间；
步骤200：根据每个出库任务的最大空闲时间计算每个出库任务的最大可行距离；
步骤300：以存有任一出库任务的货物的库位为终点，以仓库的出入口为起点，若仓库内存在一个空库位，从起点途径该空库位到达终点的距离小于等于最大可行距离，则为该出库任务匹配一个入库任务形成一个出入库双指令，该空库位作为该入库任务的货物的入库库位，并将不为该出库任务匹配入库任务的指令记为该出库任务的虚拟出入库双指令；
步骤400：以完成所有出库任务的总时间和延误时间最短为目标函数，获取出入库的最优解集合。
2.根据权利要求1所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤400后还包括：
步骤500：根据当前时间段的出库任务密度从帕累托集合中选择每个出库任务的出入库双指令或虚拟出入库双指令，若出库任务密度大于等于设定的阈值，优先完成出库任务；若出库任务密度小于设定的阈值，则优先提高仓库的空间均衡水平。
3.根据权利要求1所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤400中的最优解集合为帕累托集合。
4.根据权利要求1所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤500包括：
步骤510：计算一段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令执行后的库存均衡系数τt，所述库存均衡系数τt用于衡量库区存储的空间均衡水平；
步骤520：将该段时间内的所有库存均衡系数τt从小到大排序，获得该段时间内的库存均衡系数中位数τmedian；
步骤530：计算该段时间内每个出库任务对应的出入库双指令和虚拟出入库双指令的执行时间；
步骤540：将该段时间内所有出入库双指令和虚拟出入库双指令的执行时间从小到大排序，获得该段时间内的执行时间中位数dctmedian；
步骤550：当该段时间的出库任务密度大于或等于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中执行时间小于执行时间中位数dctmedian且库存均衡系数τt最小的指令；当该段时间的出库任务密度小于设定的阈值时，执行每个出库任务对应的出入库双指令和虚拟出入库双指令中库存均衡系数τt小于库存均衡系数中位数τmedian且执行时间最小的指令。
5.根据权利要求4所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤510中的库存均衡系数
其中N为仓库的库位数量，
αg为第g个库位四周的空库位数量，βg为第g个库位四周的存储位数量，
6.根据权利要求3所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤400包括：
步骤410：计算每个出入库双指令和虚拟出入库双指令的执行时间和目标向量均衡系数；
步骤420：对所有出库任务的出入库双指令和虚拟出入库双指令进行非支配排序，获得不被任何其他指令支配的出入库双指令或者虚拟出入库双指令为帕累托最优解，构成帕累托集合。
7.根据权利要求6所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤420中，若第一出入库双指令或虚拟出入库双指令的执行时间小于等于第二出入库双指令或虚拟出入库双指令，且第一出入库双指令或虚拟出入库双指令的目标向量均衡系数小于第二出入库双指令或虚拟出入库双指令，则第一出入库双指令或虚拟出入库双指令支配第二出入库双指令或虚拟出入库双指令。
8.根据权利要求1所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤100中的执行距离为曼哈顿距离。
9.根据权利要求1所述的基于精准货位匹配的动态阈值交叉存取方法，其特征在于，所述步骤100的最大空闲时间
式中
为出库任务r的交付时间，Tc为当前时间，λ为装或卸货物的时间，
为从存有出库任务的货位返回仓库的出入口的时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556297.XA CN113255988B (zh) | 2021-05-21 | 2021-05-21 | 基于精准货位匹配的动态阈值交叉存取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110556297.XA CN113255988B (zh) | 2021-05-21 | 2021-05-21 | 基于精准货位匹配的动态阈值交叉存取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255988A true CN113255988A (zh) | 2021-08-13 |
| CN113255988B CN113255988B (zh) | 2022-09-30 |
Family
ID=77183558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110556297.XA Active CN113255988B (zh) | 2021-05-21 | 2021-05-21 | 基于精准货位匹配的动态阈值交叉存取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255988B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247702A1 (en) * | 2013-09-30 | 2016-08-25 | Murata Machinery, Ltd. | Storage warehouse |
| CN108122082A (zh) * | 2016-11-29 | 2018-06-05 | 杭州海康机器人技术有限公司 | 一种出库方法及装置 |
| CN110675025A (zh) * | 2019-08-26 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种动态仓储入库方法、系统和计算机可读存储介质 |
| 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 |
-
2021
- 2021-05-21 CN CN202110556297.XA patent/CN113255988B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160247702A1 (en) * | 2013-09-30 | 2016-08-25 | Murata Machinery, Ltd. | Storage warehouse |
| CN108122082A (zh) * | 2016-11-29 | 2018-06-05 | 杭州海康机器人技术有限公司 | 一种出库方法及装置 |
| CN110675025A (zh) * | 2019-08-26 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种动态仓储入库方法、系统和计算机可读存储介质 |
| 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)
| Title |
|---|
| 吴斌等: "物流领域的"JIT"――越库调度", 《油气储运》 * |
| 宋宇博等: "自动化存取系统多指令周期动态货位分配研究", 《兰州交通大学学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255988B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US20220063915A1 (en) | Goods sorting method and goods sorting system | |
| CN106934580B (zh) | 库存控制方法以及装置 | |
| CN110084545B (zh) | 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法 | |
| JP6650508B2 (ja) | 倉庫管理システム及び倉庫管理方法 | |
| Vahdani | Assignment and scheduling trucks in cross-docking system with energy consumption consideration and trucks queuing | |
| US20140046733A1 (en) | Facility Design and Management Systems For Achieving Business Goals | |
| JP6697628B2 (ja) | 倉庫管理システム及び倉庫管理方法 | |
| CN105858043B (zh) | 一种升降机与穿梭车结合的仓储系统优化调度方法 | |
| CN113822588B (zh) | 基于离散的人工蜂群进化的自动导向车辆调度方法 | |
| KR102628936B1 (ko) | 강화학습을 이용한 입고물품의 적치순서 최적화 방법 | |
| Khojasteh et al. | A travel time model for order picking systems in automated warehouses | |
| Kazemi et al. | Concurrent optimization of shared location assignment and storage/retrieval scheduling in multi-shuttle automated storage and retrieval systems | |
| CN110942251A (zh) | 一种基于联合蚁群算法的批调度方法 | |
| CN113255988B (zh) | 基于精准货位匹配的动态阈值交叉存取方法 | |
| Jawahar et al. | Optimal random storage allocation for an AS/RS in an FMS | |
| CN112478553A (zh) | 一种紧致化机器人自动存取系统货物合箱方法 | |
| CN116596440A (zh) | 一种自动化立体仓库出入库智能调度方法 | |
| Yu et al. | A Hybrid Genetic Algorithm for Integrated Truck Scheduling and Product Routing on the Cross‐Docking System with Multiple Receiving and Shipping Docks | |
| CN114590508A (zh) | 一种用于立体库的堆垛机任务调度方法、装置及系统 | |
| Zeng et al. | Study on goods location optimization of automated warehouses in pharmaceutical companies | |
| ElWakil et al. | A New Hybrid Salp Swarm-simulated Annealing Algorithm for the Container Stacking Problem. | |
| Sienera et al. | A Simulation-based Optimization Approached to Design a Proposed Warehouse Layout on Bicycle Industry | |
| Colombaroni et al. | Hybrid Metaheuristic Approach to Solve the Problem of Containers Reshuffling in an Inland Terminal |
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 |