CN113962496B - 一种堆场双起重机协同作业优化方法 - Google Patents

一种堆场双起重机协同作业优化方法 Download PDF

Info

Publication number
CN113962496B
CN113962496B CN202111571809.6A CN202111571809A CN113962496B CN 113962496 B CN113962496 B CN 113962496B CN 202111571809 A CN202111571809 A CN 202111571809A CN 113962496 B CN113962496 B CN 113962496B
Authority
CN
China
Prior art keywords
goods
cranes
crane
gull
yard
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
CN202111571809.6A
Other languages
English (en)
Other versions
CN113962496A (zh
Inventor
杨文强
苏建修
聂雨萱
陈永刚
聂福全
徐君鹏
孔晓红
李勇峰
杜留锋
王占奎
逄明华
张怡航
赵强
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.)
Weihua Group Co Ltd
Zhengzhou University
Henan Institute of Science and Technology
Original Assignee
Weihua Group Co Ltd
Zhengzhou University
Henan Institute of Science 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 Weihua Group Co Ltd, Zhengzhou University, Henan Institute of Science and Technology filed Critical Weihua Group Co Ltd
Priority to CN202111571809.6A priority Critical patent/CN113962496B/zh
Publication of CN113962496A publication Critical patent/CN113962496A/zh
Application granted granted Critical
Publication of CN113962496B publication Critical patent/CN113962496B/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
    • 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
    • G06Q10/08—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

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

Abstract

一种堆场双起重机协同作业优化方法，对标准海鸥算法进行改进，将融合余弦因子的非线性权重及标兵制学习策略引入到标准海鸥算法中，改善了算法寻优过程中搜索的深度和广度，从而提高了算法求解的质量和效率，因而使堆场同轨双起重机的协同作业效率也得到进一步提高。

Description

一种堆场双起重机协同作业优化方法
技术领域
本发明涉及智慧堆场应用技术领域，尤其是涉及一种堆场双起重机协同作业优化方法。
背景技术
由于目前互联网的飞速发展，人们越来越倾向于通过电商平台进行购物，导致电商订单呈爆发式增长，将商品及时送达每位客户是企业“客户至上”理念的生动实践；而对于以堆场仓储存放商品的电商企业来讲，如果仍采用传统堆场单轨道单起重机的作业模式，将无法满足大批量客户订单及时拣选出库作业的需求，从而影响客户体验的好感度及企业收益，不利于企业发展，为此，寻求一种新型的堆场起重机作业模式，不仅有助于提高堆场仓储货物的出库效率，改善客户电商平台购物的满意度，维护及开发客源，更重要的是为企业带来了可观的经济效益；
中国专利（CN201910988450.9）公开了一种双起重机的实时调度-控制级联系统及方法，是利用调度系统对起重机进行实时调度，并不适用于货物静置的堆场存储；
海鸥算法（Seagull optimization algorithm，SOA）是由Gaurav Dhiman和Vijaykumar于2018年提出的一种新型群体智能优化算法，海鸥算法主要模拟了海鸥的迁徙行为和攻击行为；迁徙行为即海鸥从一个现阶段不适宜生存的地方飞往另一个适宜生存的地方，迁徙行为影响着SOA算法的全局探索能力；攻击行为即海鸥在飞行过程中对地面、水域内食物的攻击觅食，攻击行为影响着SOA算法的局部开发能力；但是传统海鸥算法存在易陷入局部最优，过早收敛的不足的缺点，因此，本方法通过对海鸥算法进行改进，来解决堆场仓储中双起重机作业效率低的问题。
发明内容
为了克服背景技术中的不足，本发明公开了一种堆场双起重机协同作业优化方法。
为实现上述发明目的，本发明采用如下技术方案：
一种堆场双起重机协同作业优化方法，具有如下步骤：
（1）在同一轨道双起重机的情况下，对堆场存在的约束及要优化的目标进行分析，建立堆场双起重机调度优化数学模型；
（2）初始化参数：海鸥种群规模N、最大进化代数G_max、进化代数t、海鸥个数计数器n、频率fc以及螺旋形状的控制参数u和v，初始化海鸥种群个体；
（3）令t=t+1，进行全局搜索；
（3-1）将海鸥个体解码为可行的堆场货物拣选次序；
（3-2）基于步骤（1）建立的数学模型计算每个海鸥个体的适应度；
（3-3）更新海鸥种群全局最优位置及其对应的适应度；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）融合余弦因子非线性权重的迁徙行为；
（3-4-2）融合标兵制学习策略的攻击行为；
（3-4-3）如果n<N，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）如果t<G_max，则返回步骤（3）；否则输出最优解。
优选的，所述步骤（1）中，待优化的目标为两台起重机完成堆场待拣选货物的完工时间最小，约束条件为堆场起重机的吊具数量有限、两台起重机协同作业无碰撞、同贝位上的货物拣选有先后次序以及各起重机有各自的货物出入堆场缓冲区，其数学模型定义如下：
Figure DEST_PATH_IMAGE002
（1）
s.t.
Figure DEST_PATH_IMAGE004
(2)
Figure DEST_PATH_IMAGE006
(3)
Figure DEST_PATH_IMAGE008
(4)
Figure DEST_PATH_IMAGE010
(5)
Figure DEST_PATH_IMAGE012
(6)
Figure DEST_PATH_IMAGE014
(7)
Figure DEST_PATH_IMAGE016
(8)
Figure DEST_PATH_IMAGE018
(9)
其中，式（1）为目标函数即最小化所有待拣选货物的完工时间；式（2）至式（6）为各种约束条件，具体为：式（2）表示每个货物只能由两台起重机中的一台负责拣选；式（3）限定起重机所吊装货物的数量不能超过自身吊具数量；式（4）要求起重机须完成所有拣选任务；式（5）限制起重机拣选的货物必须位于所在贝位的最顶层；式（6）为两台起重机的出入堆场缓冲区约束；式（7）、式（8）和式（9）为决策变量的二进制值域约束；
G表示待拣选的货物集合；R表示起重机完成所有客户订单拣选任务的路径集合；r表示子路径r1和r2；O表示两台起重机的各自的出入库缓冲区O1和O2；ti表示起重机拣选第i个货物所需花费的时间；Bir1表示货物i是否属于子路径r1，在这里i∈G，r1∈R，如果第i个货物在第r1次拣选中完成，则Bir1=1，否则Bir1=0；LO1i、LiO1分别表示起重机是否从出入库缓冲区出发拣选货物i以及拣选完成后是否回到出入库缓冲区，如果是，则LO1i=1、LiO1=1，否则LO1i=0、LiO1=0；Tir1表示子路径r1中的货物i是否位于所在贝位的顶层，如果是，Tir1=1，否则Tir1=0；且i∈G，r1∈R；
Figure DEST_PATH_IMAGE020
(10)
或
Figure DEST_PATH_IMAGE022
(11)
其中式(10)、式(11)表示两台起重机拣选第
Figure DEST_PATH_IMAGE024
个货物所需花费的时间，式中
Figure DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE030
分别表示起重机小车平均速度、大车平均速度和吊钩升降平均速度，
Figure DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE036
为货物在堆场中的空间坐标，
Figure DEST_PATH_IMAGE038
为堆场每排贝位的长度，
Figure DEST_PATH_IMAGE040
为堆场最大高度。
优选的，所述步骤（3-1）中对海鸥个体进行解码时，加入动态分界线，该动态分界线能够将解码后的海鸥个体对应的货物分别分配给两台起重机。
优选的，所述动态分界线的分配方法为：
①首先在前两个货物（要求其轨道方向坐标不同）之间插入动态分界线，将动态分界线两侧紧挨动态分界线的货物分配给轨道两端的起重机；
②之后在两台起重机完成所分配货物拣选时间靠后的货物（记为当前货物，其所属起重机记为当前起重机）处右侧插入动态分界线；
③如果动态分界线右侧存在与当前货物在轨道方向上的坐标不同，且正好处于当前货物相对侧的货物，则将这类货物中最靠近动态分界线的货物分配给另一台起重机，否则，仍将动态分界线右侧紧挨动态分界线的货物分配给当前起重机；
④依此循环往复，直至货物分配完成为止。
优选的，所述步骤（3-3）更新海鸥种群全局最优位置及其对应的适应度，具体更新方式采用传统海鸥算法的迁徙行为，而迁徙行为具体包含三个方面：
1a) 避免与其他海鸥个体碰撞
Figure DEST_PATH_IMAGE042
(13)
1b) 最优位置方向
Figure DEST_PATH_IMAGE044
(14)
Figure DEST_PATH_IMAGE046
(15)
1c)与最优海鸥的相对距离
Figure DEST_PATH_IMAGE048
(16)
其中，Ds(t)表示与学习标兵的相对距离,Ps (t)为海鸥当前位置，t为当前进化代数,Pbs (t)为最优海鸥位置，B为平衡全局探索和局部开发的控制参数，rand为[0, 1]之间服从均匀分布的随机数。
优选的，所述步骤（3-4-1）利用融合余弦因子对权重A进行非线性处理，即权重A的表达式为：
Figure DEST_PATH_IMAGE050
；
其中fc为频率，t为当前进化代数，G_max为最大进化代数。
优选的，所述步骤（3-4-2）融合标兵制学习策略的攻击行为，攻击行为的描述如下：
海鸥通过攻击行为进行觅食，当发现猎物时以螺旋状运动方式进行攻击，其数学模型可表示为：
Figure DEST_PATH_IMAGE052
Figure DEST_PATH_IMAGE054
Figure DEST_PATH_IMAGE056
Figure DEST_PATH_IMAGE058
Figure DEST_PATH_IMAGE060
其中，Ds(t)表示与学习标兵的相对距离，Pms (t)为海鸥种群中包含最佳海鸥的四名学习标兵，r为螺旋半径,u和v为螺旋形状的控制参数，θ为[0, 2π]之间服从均匀分布的随机数。
由于采用如上所述的技术方案，本发明具有如下有益效果：
（1）基于动态分界线进行堆场同轨双起重机协同调度，不仅有效避免了起重机之间的相互碰撞，克服了传统静态分界线导致的两台起重机负荷不均衡的弊端。
（2）将融合余弦因子的非线性权重及标兵制学习策略引入到标准海鸥算法中，改善了算法寻优过程中搜索的深度和广度，从而提高了算法求解的质量和效率，因而使堆场同轨双起重机的协同作业效率也得到进一步提高。
本发明能够有效保证同轨双起重机无碰撞的进行协同作业，同时，两台起重机的作业负荷也得到进一步均衡，因而大大提高了堆场的作业效率；其在港口、码头等大型堆场中将有很好的应用前景。
附图说明
图1为本发明的流程图；
图2为本发明堆场布局示意图；
图3为本发明针对优选的实施例各算法求解效果对比；
图4为本发明针对优选的实施例各算法30次运行结果对比。
图中：1、出入堆场缓冲区一；2、出入堆场缓冲区二；3、货物；4、轨道；5、起重机一；6、起重机二；7、大车；8、小车。
具体实施方式
下面将结合本发明实施例中的附图，对本发明的技术方案进行说明，在描述中，需要理解的是，若有术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系，仅是与本发明的附图对应，为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位：
如图1所示，本发明公开了一种堆场双起重机协同作业优化方法，具有如下步骤：
（1）在同一轨道双起重机的情况下，对堆场存在的约束及要优化的目标进行分析，建立堆场双起重机调度优化数学模型；
根据需要，待优化的目标为两台起重机完成堆场待拣选货物的完工时间最小，约束条件为堆场起重机的吊具数量有限、两台起重机协同作业无碰撞、同贝位上的货物拣选有先后次序以及各起重机有各自的货物出入堆场缓冲区，其数学模型定义如下：
Figure 536541DEST_PATH_IMAGE002
（1）
s.t.
Figure 817131DEST_PATH_IMAGE004
(2)
Figure 393606DEST_PATH_IMAGE006
(3)
Figure 523236DEST_PATH_IMAGE008
(4)
Figure 727821DEST_PATH_IMAGE010
(5)
Figure 284704DEST_PATH_IMAGE012
(6)
Figure 115519DEST_PATH_IMAGE014
(7)
Figure 111157DEST_PATH_IMAGE016
(8)
Figure 842353DEST_PATH_IMAGE018
(9)
其中，式（1）为目标函数即最小化所有待拣选货物的完工时间；式（2）至式（6）为各种约束条件，具体为：式（2）表示每个货物只能由两台起重机中的一台负责拣选；式（3）限定起重机所吊装货物的数量不能超过自身吊具数量；式（4）要求起重机须完成所有拣选任务；式（5）限制起重机拣选的货物必须位于所在贝位的最顶层；式（6）为两台起重机的出入堆场缓冲区约束；式（7）、式（8）和式（9）为决策变量的二进制值域约束；
G表示待拣选的货物集合；R表示起重机完成所有客户订单拣选任务的路径集合；r表示子路径r1和r2；O表示两台起重机的各自的出入库缓冲区O1和O2；ti表示起重机拣选第i个货物所需花费的时间；Bir1表示货物i是否属于子路径r1，在这里i∈G，r1∈R，如果第i个货物在第r1次拣选中完成，则Bir1=1，否则Bir1=0；LO1i、LiO1分别表示起重机是否从出入库缓冲区出发拣选货物i以及拣选完成后是否回到出入库缓冲区，如果是，则LO1i=1、LiO1=1，否则LO1i=0、LiO1=0；Tir1表示子路径r1中的货物i是否位于所在贝位的顶层，如果是，Tir1=1，否则Tir1=0；且i∈G，r1∈R；
Figure 694771DEST_PATH_IMAGE020
(10)
或
Figure 9952DEST_PATH_IMAGE022
(11)
其中式(10)、式(11)表示两台起重机拣选第
Figure 543702DEST_PATH_IMAGE024
个货物所需花费的时间，式中
Figure 801508DEST_PATH_IMAGE026
、
Figure 28090DEST_PATH_IMAGE028
和
Figure 128770DEST_PATH_IMAGE030
分别表示起重机小车平均速度、大车平均速度和吊钩升降平均速度，
Figure 967675DEST_PATH_IMAGE032
、
Figure 407884DEST_PATH_IMAGE034
和
Figure 477471DEST_PATH_IMAGE036
为货物在堆场中的空间坐标，
Figure 3130DEST_PATH_IMAGE038
为堆场每排贝位的长度，
Figure 940999DEST_PATH_IMAGE040
为堆场最大高度
（2）初始化参数：海鸥种群规模N、最大进化代数G_max、进化代数t、海鸥个数计数器n、频率fc以及螺旋形状的控制参数u和v，初始化海鸥种群个体；
（3）令t=t+1，进行全局搜索；
（3-1）将海鸥个体解码为可行的堆场货物拣选次序；且本发明对海鸥个体采用实数编码，考虑到待拣选的货物编号均为离散值，为此首先对实数编码的海鸥个体进行离散映射解码为货物编号，此外，考虑到双起重机需要无碰撞协同作业，本发明对海鸥个体进行解码时，加入动态分界线，利用该动态分界线将解码后的海鸥个体对应的货物分别分配给两台起重机；且动态分界线的分配方法为：
①首先在前两个货物（要求其轨道方向坐标不同）之间插入动态分界线，将动态分界线两侧紧挨动态分界线的货物分配给轨道两端的起重机；
②之后在两台起重机完成所分配货物拣选时间靠后的货物（记为当前货物，其所属起重机记为当前起重机）处右侧插入动态分界线；
③如果动态分界线右侧存在与当前货物在轨道方向上的坐标不同，且正好处于当前货物相对侧的货物，则将这类货物中最靠近动态分界线的货物分配给另一台起重机，否则，仍将动态分界线右侧紧挨动态分界线的货物分配给当前起重机；
④依此循环往复，直至货物分配完成为止。
（3-2）基于步骤（1）建立的数学模型计算每个海鸥个体的适应度；
（3-3）更新海鸥种群全局最优位置及其对应的适应度；
根据需要，具体更新方式采用传统海鸥算法的迁徙行为，而迁徙行为具体包含三个方面：
1a) 避免与其他海鸥个体碰撞
Figure 728390DEST_PATH_IMAGE042
(13)
1b) 最优位置方向
Figure 234458DEST_PATH_IMAGE044
(14)
Figure 840889DEST_PATH_IMAGE046
(15)
1c)与最优海鸥的相对距离
Figure 785711DEST_PATH_IMAGE048
(16)
其中，Ds(t)表示与学习标兵的相对距离,Ps (t)为海鸥当前位置，t为当前进化代数,Pbs (t)为最优海鸥位置，B为平衡全局探索和局部开发的控制参数，rand为[0, 1]之间服从均匀分布的随机数；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）融合余弦因子非线性权重的迁徙行为；
在标准海鸥算法中，避免海鸥碰撞的权重A采用线性更新的方式，这样违背了群智能算法进化过程中呈现随机性、非线性的特点，使种群的多样性大打折扣，不利于算法进行全局探索，从而降低了算法的求解性能，为此，本发明融合余弦因子对标准海鸥算法中的权重A进行非线性处理，使其在算法进化期间非线性减小的同时，产生一定的余弦振荡，有效平衡算法的全局探索及局部开采能力，从而加快算法的求解效率和质量，此外，处理后的权重A的表达式为：
Figure 701976DEST_PATH_IMAGE050
；
其中fc为频率，t为当前进化代数，G_max为最大进化代数；
（3-4-2）融合标兵制学习策略的攻击行为；
由于攻击是海鸥获取食物的一种有效行为，然而在标准海鸥算法中，海鸥在实施攻击过程中只向当前最佳海鸥进行了学习，如果当前最佳海鸥陷入局部最优，则容易导致找不到全局最优解，因而，有必要改善学习方式，为此，本发明提出标兵制学习策略，即对当前种群按适应度降序进行排列，选出前十名作为学习标兵，学习标兵中的每个海鸥成员都有自身特长，海鸥除向最佳海鸥进行学习外，仍向学习标兵中的任意三名非最佳海鸥成员进行学习，如果当前海鸥个体有改善，则保留，否则，则舍弃，从而达到取长补短，增强自身寻优能力的效果，根据需要，攻击行为的描述如下：
海鸥通过攻击行为进行觅食，当发现猎物时以螺旋状运动方式进行攻击，其数学模型可表示为：
Figure DEST_PATH_IMAGE062
(17)
Figure DEST_PATH_IMAGE064
(18)
Figure DEST_PATH_IMAGE066
(19)
Figure DEST_PATH_IMAGE068
(20)
Figure DEST_PATH_IMAGE070
(21)
其中，Ds(t)表示与学习标兵的相对距离，Pms (t)为海鸥种群中包含最佳海鸥的四名学习标兵，r为螺旋半径,u和v为螺旋形状的控制参数，θ为[0, 2π]之间服从均匀分布的随机数；
（3-4-3）如果n<N，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）如果t<G_max，则返回步骤（3）；否则输出最优解。
针对上述作业优化方法的实施例，现在堆场仓库中随机产生300个待拣选出库的货物，利用本发明的方法求出两起重机具体运行路径的最优解，其中仓库中货物的分布及起重机的位置如图2所示，货物信息如表1所示：
堆场双起重机包含型号相同的起重机一5和起重机二6，两起重机的小车8平均速度Vx、大车7平均速度Vy和吊钩升降平均速度Vz分别为：20m/min、30m/min和12m/min，单个货物3的高度为0.8m，堆场最大高度H 为20m，以出入堆场缓冲区一1为坐标原点P0(0,0,0)，小车8和大车7运动所在方向分别为坐标系的x轴和y轴，吊钩运动所在方向为坐标系的z轴；与轨道4平行方向称为排，与轨道4垂直方向称为列，任意相邻两排货物3的中心距离均为4m，任意相邻两列货物3的中心距离均为2m；第一排第一列的贝位与出入堆场缓冲区一1及第一排最后一列的贝位与出入堆场缓冲区二2水平方向和垂直方向的距离均分别为3m、2.5m，堆场布局8排、15列、20层；实验在Win10系统平台，3.7GHz主频的Intel处理器，4GB内存及Matlab R2014b开发环境下进行。本发明算法ISOA的种群规模N、最大进化代数G_max、频率fc、螺旋形状的控制参数u和v分别为：50、600、2、1和1；为了比较的公平性，标准海鸥算法(SOA)采用与ISOA的参数保持相同；针对本实施例各算法分别运行30次，并以最优解、最差解、平均值及标准差进行统计，为增加区分度，最优值加粗显示；结果图3、图4及表2所示。
关于本发明堆场双起重机协同作业优化方法实施例，图3、图4和表2分别从求解过程的收敛情况、30次最优解的分布以及统计特性上验证了本发明的改进型海鸥算法（improve Seagull optimization algorithm，ISOA）较为优越的求解性能；从图3可以看出，在求解效率上，ISOA能以较快速度收敛于最优解或次优解；在求解质量上，表2中30次实验的最优解、最差解以及平均值均优于标准SOA算法，同时，从图4可看出ISOA 30次的求解结果绝大部分优于标准SOA，并且较为稳定，这些都充分证明了ISOA具有较强的鲁棒性。为进一步证明本发明方法的优越性，与常规基于静态分界线的双起重机调度方法进行了对比（静态分界线位于每排贝位第7列与第8列之间），对比结果如表3所示；并且从表3可直观地看到，本发明给出的调度方案不仅能使两台起重机的负载得到有效均衡，而且提高了堆场内货物3的拣选效率。
本发明方法之所以表现优越，主要得益于以下三点：其一，引入动态分界线的概念，不仅可有效避免两台起重机同轨作业碰撞的发生，而且能均衡二者的负载，提高起重机利用率；其二，引入融合余弦因子的非线性权重，有效平衡海鸥算法的全局探索及局部开采能力；其三，标兵制学习策略能使海鸥个体集众家之长补己之短，增强其综合寻优性能，从而降低了标准海鸥算法中海鸥个体只向最优海鸥个体学习容易陷入局部最优的概率，进一步提高了算法的求解效率和精度。
本发明未详述部分为现有技术，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
表1 堆场出库货物信息
排号 数量 货物信息（编号,排号,列号,层号）
1 37 (1,1,12,18),(17,1,11,20),(31,1,5,19),(47,1,15,20),(51,1,15,19),(53,1,6,20),(55,1,14,19),(56,1,5,18),(57,1,8,20),(71,1,9,19),(86,1,15,18),(89,1,13,19),(92,1,6,19),(101,1,4,20),(104,1,7,17),(115,1,14,18),(117,1,2,18),(118,1,1,19),(130,1,12,19),(164,1,11,18),(167,1,11,19),(176,1,3,19),(177,1,8,19),(188,1,4,19),(190,1,6,18),(196,1,2,19),(211,1,10,18),(217,1,4,18),(220,1,3,18),(244,1,10,19),(256,1,8,18),(257,1,9,20),(264,1,7,19),(274,1,9,18),(275,1,7,18),(277,1,1,18),(296,1,13,18)
2 34 (3,2,2,18),6,(2,2,19),(10,2,8,18),(19,2,9,20),(26,2,1,20),(33,2,2,20),(37,2,11,20),(40,2,13,19),(59,2,15,19),(64,2,4,19),(74,2,6,19),(81,2,13,20),(82,2,3,19),(84,2,8,19),(93,2,14,19),(96,2,12,19),(112,2,8,20),(123,2,12,20),(139,2,14,18),(141,2,1,19),(148,2,10,18),(155,2,11,18),(157,2,15,18),(162,2,4,20),(172,2,11,19),(178,2,7,19),(212,2,12,18),(225,2,14,20),(226,2,3,18),(227,2,7,20),(237,2,5,19),(263,2,9,19),(265,2,6,20),(290,2,10,19)
3 33 (23,3,15,19),(38,3,12,17),(43,3,12,18),(58,3,9,19),(95,3,14,18),(103,3,1,19),(106,3,11,18),(119,3,12,19),(125,3,2,19),(137,3,1,18),(138,3,4,18),(143,3,5,19),(146,3,3,18),(160,3,13,19),(183,3,14,19),(184,3,11,19),(199,3,8,18),(201,3,15,18),(203,3,2,17),(206,3,3,19),(207,3,6,19),(208,3,5,18),(209,3,9,18),(210,3,10,18),(213,3,7,19),(222,3,15,17),(229,3,7,18),(242,3,13,18),(246,3,8,17),(250,3,2,18),(251,3,3,17),(252,3,6,18),(261,3,10,19)
4 38 (4,4,1,18),(13,4,2,17),(16,4,3,18),(18,4,15,19),(21,4,1,19),(35,4,9,18),(42,4,11,18),(52,4,12,19),(54,4,8,19),(65,4,11,19),(68,4,3,17),(70,4,5,18),(78,4,15,18),(79,4,14,18),(85,4,2,18),(88,4,4,17),(91,4,11,17),(107,4,13,17),(110,4,8,18),(127,4,12,17),(134,4,6,18),(135,4,6,17),(145,4,5,17),(147,4,12,18),(193,4,14,17),(204,4,9,17),(216,4,14,19),(233,4,15,17),(236,4,7,18),(248,4,13,19),(260,4,8,17),(269,4,10,18),(270,4,4,18),(271,4,1,17),(279,4,9,19),(285,4,7,17),(289,4,13,18),(297,4,10,19)
5 36 (5,5,11,20),(8,5,14,20),(11,5,4,19),(12,5,15,20),(28,5,4,18),(29,5,3,19),(36,5,9,18),(41,5,11,19),(49,5,13,19),(61,5,15,18),(73,5,3,18),(90,5,15,19),(100,5,3,20),(102,5,9,19),(109,5,10,18),(120,5,7,19),(126,5,1,19),(136,5,12,19),(144,5,6,18),(151,5,1,20),(175,5,2,19),(179,5,5,18),(182,5,8,19),(186,5,2,18),(187,5,6,19),(195,5,5,19),(224,5,11,18),(240,5,1,18),(241,5,4,20),(247,5,14,19),(273,5,13,18),(276,5,14,18),(281,5,8,18),(288,5,10,19),(295,5,12,18),(299,5,7,18)
6 39 (9,6,15,19),(15,6,7,17),(25,6,9,19),(48,6,8,17),(62,6,2,18),(77,6,4,17),(94,6,4,18),(113,6,15,17),(124,6,11,17),(128,6,9,18),(129,6,13,17),(133,6,6,18),(150,6,3,17),(152,6,5,19),(154,6,5,18),(158,6,1,17),(159,6,7,18),(163,6,9,17),(165,6,14,18),(166,6,6,19),(173,6,15,18),(185,6,12,17),(192,6,13,19),(194,6,1,18),(197,6,11,18),(200,6,10,19),(218,6,13,18),(223,6,6,17),(231,6,5,17),(238,6,2,17),(245,6,11,19),(249,6,10,18),(255,6,8,18),(259,6,3,18),(266,6,14,19),(278,6,10,17),(284,6,12,18),(287,6,12,19),(293,6,14,17)
7 33 (20,7,14,20),(27,7,9,18),(34,7,11,19),(39,7,10,19),(44,7,10,20),(45,7,8,18),(50,7,12,19),(60,7,4,19),(63,7,15,19),(66,7,2,19),(83,7,9,19),(99,7,7,19),(116,7,13,19),(121,7,6,19),(140,7,6,20),(142,7,12,20),(149,7,8,19),(156,7,11,20),(168,7,5,19),(170,7,6,18),(171,7,1,20),(180,7,8,20),(189,7,2,20),(191,7,14,18),(205,7,13,20),(214,7,3,18),(232,7,3,19),(262,7,14,19),(267,7,2,18),(280,7,11,18),(283,7,1,19),(291,7,5,20),(300,7,4,18)
8 50 (2,8,5,16),(7,8,9,17),(14,8,11,17),(22,8,15,15),(24,8,14,16),(30,8,9,18),(32,8,6,15),(46,8,12,17),(67,8,10,17),(69,8,13,17),(72,8,3,18),(75,8,9,16),(76,8,5,17),(80,8,6,17),(87,8,5,18),(97,8,1,16),(98,8,3,16),(105,8,9,15),(108,8,15,16),(111,8,15,18),(114,8,4,18),(122,8,1,17),(131,8,3,17),(132,8,6,18),(153,8,2,17),(161,8,14,18),(169,8,12,16),(174,8,4,16),(181,8,10,16),(198,8,6,16),(202,8,8,16),(215,8,10,18),(219,8,8,18),(221,8,7,18),(228,8,13,15),(230,8,14,17),(234,8,8,17),(235,8,13,16),(239,8,14,15),(243,8,2,18),(253,8,11,18),(254,8,2,16),(258,8,12,18),(268,8,1,18),(272,8,15,17),(282,8,13,18),(286,8,11,16),(292,8,7,16),(294,8,4,17),(298,8,7,17)
表2 30次求解结果对比
算法 最差解 最优解 平均值 标准差
SOA 218.67 218.35 218.60 0.06
ISOA 218.63 218.29 218.57 0.06
表3 基于动态分界线ISOA求得的调度方案与静态分界线调度方案对比
Figure DEST_PATH_IMAGE072

Claims (1)

1.一种堆场双起重机协同作业优化方法，其特征是：本方法具有如下步骤：
（1）在同一轨道双起重机的情况下，对堆场存在的约束及要优化的目标进行分析，建立堆场双起重机调度优化数学模型；
其中待优化的目标为两台起重机完成堆场待拣选货物的完工时间，约束条件为堆场起重机的吊具数量有限、两台起重机协同作业无碰撞、同贝位上的货物拣选有先后次序以及各起重机有各自的货物出入堆场缓冲区，其数学模型定义如下：
Figure 208412DEST_PATH_IMAGE002
（1）
s.t.
Figure 30874DEST_PATH_IMAGE004
(2)
Figure 360224DEST_PATH_IMAGE006
(3)
Figure 621441DEST_PATH_IMAGE008
(4)
Figure 290320DEST_PATH_IMAGE010
(5)
Figure 844536DEST_PATH_IMAGE012
(6)
Figure 598865DEST_PATH_IMAGE014
(7)
Figure 398194DEST_PATH_IMAGE016
(8)
Figure 921579DEST_PATH_IMAGE018
(9)
其中，式（1）为目标函数即最小化所有待拣选货物的完工时间；式（2）至式（6）为各种约束条件，具体为：式（2）表示每个货物只能由两台起重机中的一台负责拣选；式（3）限定起重机所吊装货物的数量不能超过自身吊具数量；式（4）要求起重机须完成所有拣选任务；式（5）限制起重机拣选的货物必须位于所在贝位的最顶层；式（6）为两台起重机的出入堆场缓冲区约束；式（7）、式（8）和式（9）为决策变量的二进制值域约束；
G表示待拣选的货物集合；R表示起重机完成所有客户订单拣选任务的路径集合；r表示子路径r1和r2；O表示两台起重机的各自的出入库缓冲区O1和O2；ti表示起重机拣选第i个货物所需花费的时间；Bir1表示货物i是否属于子路径r1，在这里i∈G，r1∈R，如果第i个货物在第r1次拣选中完成，则Bir1=1，否则Bir1=0；LO1i、LiO1分别表示起重机是否从出入库缓冲区出发拣选货物i以及拣选完成后是否回到出入库缓冲区，如果是，则LO1i=1、LiO1=1，否则LO1i=0、LiO1=0；Tir1表示子路径r1中的货物i是否位于所在贝位的顶层，如果是，Tir1=1，否则Tir1=0；且i∈G，r1∈R；
Figure 413741DEST_PATH_IMAGE020
(10)
或
Figure 717683DEST_PATH_IMAGE022
(11)
其中式(10)、式(11)表示两台起重机拣选第
Figure 992806DEST_PATH_IMAGE024
个货物所需花费的时间，式中
Figure 200059DEST_PATH_IMAGE026
、
Figure 535226DEST_PATH_IMAGE028
和
Figure 326464DEST_PATH_IMAGE030
分别表示起重机小车平均速度、大车平均速度和吊钩升降平均速度，
Figure 405278DEST_PATH_IMAGE032
、
Figure 965573DEST_PATH_IMAGE034
和
Figure 737220DEST_PATH_IMAGE036
为货物在堆场中的空间坐标，
Figure 750175DEST_PATH_IMAGE038
为堆场每排贝位的长度，
Figure 632680DEST_PATH_IMAGE040
为堆场最大高度；
（2）初始化参数：海鸥种群规模N、最大进化代数G_max、进化代数t、海鸥个数计数器n、频率fc以及螺旋形状的控制参数u和v，初始化海鸥种群个体；
（3）令t=t+1，进行全局搜索；
（3-1）将海鸥个体解码为可行的堆场货物拣选次序；
其中对海鸥个体进行解码时，加入动态分界线，该动态分界线能够将解码后的海鸥个体对应的货物分别分配给两台起重机；
所述动态分界线的分配方法为：
①首先在前两个货物之间插入动态分界线，将动态分界线两侧紧挨动态分界线的货物分配给轨道两端的起重机；
②之后在两台起重机完成所分配货物拣选时间靠后的货物处右侧插入动态分界线,且将该货物记为当前货物，其所属起重机记为当前起重机；
③如果动态分界线右侧存在与当前货物在轨道方向上的坐标不同，且正好处于当前货物相对侧的货物，则将这类货物中最靠近动态分界线的货物分配给另一台起重机，否则，仍将动态分界线右侧紧挨动态分界线的货物分配给当前起重机；
④依此循环往复，直至货物分配完成为止；
（3-2）基于步骤（1）建立的数学模型计算每个海鸥个体的适应度；
（3-3）更新海鸥种群全局最优位置及其对应的适应度；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）融合余弦因子非线性权重的迁徙行为；
即利用融合余弦因子对权重A进行非线性处理，即权重A的表达式为：
Figure 569454DEST_PATH_IMAGE042
；
其中fc为频率，t为当前进化代数，G_max为最大进化代数；
（3-4-2）融合标兵制学习策略的攻击行为；
其中攻击行为的描述如下：
海鸥通过攻击行为进行觅食，当发现猎物时以螺旋状运动方式进行攻击，其数学模型可表示为：
Figure 574319DEST_PATH_IMAGE044
(17)
Figure 12254DEST_PATH_IMAGE046
(18)
Figure 495188DEST_PATH_IMAGE048
(19)
Figure 30074DEST_PATH_IMAGE050
(20)
Figure 143524DEST_PATH_IMAGE052
(21)
其中，Ds(t)表示与学习标兵的相对距离,Pms (t)为海鸥种群中包含最佳海鸥的四名学习标兵，r为螺旋半径,u和v为螺旋形状的控制参数，θ为[0, 2π]之间服从均匀分布的随机数；
所述学习标兵的选择是对当前种群按适应度降序进行排列，选出前十名作为学习标兵；
（3-4-3）如果n<N，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）如果t<G_max，则返回步骤（3）；否则输出最优解。
CN202111571809.6A 2021-12-21 2021-12-21 一种堆场双起重机协同作业优化方法 Active CN113962496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111571809.6A CN113962496B (zh) 2021-12-21 2021-12-21 一种堆场双起重机协同作业优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111571809.6A CN113962496B (zh) 2021-12-21 2021-12-21 一种堆场双起重机协同作业优化方法

Publications (2)

Publication Number Publication Date
CN113962496A CN113962496A (zh) 2022-01-21
CN113962496B true CN113962496B (zh) 2022-03-29

Family

ID=79473488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111571809.6A Active CN113962496B (zh) 2021-12-21 2021-12-21 一种堆场双起重机协同作业优化方法

Country Status (1)

Country Link
CN (1) CN113962496B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784472A (zh) * 2017-11-09 2018-03-09 河南科技学院 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法
CN112766865A (zh) * 2021-03-02 2021-05-07 河南科技学院 一种考虑实时订单的互联网电商仓储动态调度方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014007635A1 (de) * 2014-05-22 2015-11-26 Liebherr-Werk Nenzing Gmbh Verfahren zur Bestimmung der aufgenommenen Last einer Arbeitsmaschine sowie Arbeitsmaschine, insbesondere Kran
US20210269244A1 (en) * 2018-06-25 2021-09-02 Robert D. Ahmann Automated warehouse system and method for optimized batch picking
CN110033121B (zh) * 2019-03-08 2023-06-23 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
CN113364315B (zh) * 2021-05-08 2022-04-12 南昌大学 一种基于海鸥优化算法的三相逆变器控制方法
CN113239628B (zh) * 2021-06-02 2023-10-03 哈尔滨工程大学 基于量子海鸥演化机制加权Myriad滤波器设计方法
CN113393031A (zh) * 2021-06-11 2021-09-14 沈阳工程学院 基于海鸥优化算法的园区综合能源系统多阶段规划方法
CN113393909A (zh) * 2021-06-28 2021-09-14 广西民族大学 化工动态优化问题混合海鸥优化方法、系统、计算机设备
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107784472A (zh) * 2017-11-09 2018-03-09 河南科技学院 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法
CN112766865A (zh) * 2021-03-02 2021-05-07 河南科技学院 一种考虑实时订单的互联网电商仓储动态调度方法

Also Published As

Publication number Publication date
CN113962496A (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
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
CN107578199B (zh) 一种求解二维装载约束物流车辆调度问题的方法
CN110084512B (zh) 一种面向智能仓储系统的多机器人任务分配方法
Dou et al. Genetic scheduling and reinforcement learning in multirobot systems for intelligent warehouses
CN109034468A (zh) 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法
CN110909930A (zh) 一种面向冷库的移动式货架仓储系统货位分配方法
CN109784566A (zh) 一种订单排序优化方法及装置
CN113222293A (zh) 一种智能立体仓库优化调度方法
CN106651086B (zh) 一种考虑组装工艺的自动化立体仓库调度方法
CN103049800A (zh) 一种存储时间受限的自动化立体仓库调度多目标优化方法
CN110033121B (zh) 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
CN112766865A (zh) 一种考虑实时订单的互联网电商仓储动态调度方法
CN113052537A (zh) 一种基于启发式粒子群算法的物流车辆低碳路线规划方法
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
CN115796530A (zh) 一种同时送货和取货的机器人物流调度优化方法
CN113962496B (zh) 一种堆场双起重机协同作业优化方法
CN112561448B (zh) 基于改进遗传算法的多任务下堆垛机调度算法
Wan et al. Multiobjective Optimization of the Storage Location Allocation of a Retail E-commerce Picking Zone in a Picker-to-parts Warehouse.
CN109359771A (zh) 一种基于大数据的干线运输车货匹配算法
Luo et al. Scheduling storage process of shuttle-based storage and retrieval systems based on reinforcement learning
CN113537841B (zh) 一种考虑客户满意度的堆场起重机调度优化方法
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
CN114723360A (zh) 一种基于改进粒子群算法的物流车辆调度管理模型
CN113313447A (zh) 一种基于寄居蟹算法的立体仓库货位分配方法
Wang et al. Layout optimisation of fishbone robotic mobile fulfilment system

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