CN114781269B - 一种基于猫群算法的立体式仓储优化方法及立体式仓库 - Google Patents
一种基于猫群算法的立体式仓储优化方法及立体式仓库 Download PDFInfo
- Publication number
- CN114781269B CN114781269B CN202210501116.8A CN202210501116A CN114781269B CN 114781269 B CN114781269 B CN 114781269B CN 202210501116 A CN202210501116 A CN 202210501116A CN 114781269 B CN114781269 B CN 114781269B
- Authority
- CN
- China
- Prior art keywords
- cat
- goods
- stacker
- swarm algorithm
- power consumption
- 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
- 241000282326 Felis catus Species 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 230000005484 gravity Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 16
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 244000144992 flock Species 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000005265 energy consumption Methods 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 4
- 229920000431 shape-memory polymer Polymers 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Nonlinear Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Accounting & Taxation (AREA)
Abstract
本发明公开了一种基于猫群算法的立体式仓储优化方法，结合猫群算法优化立体仓库存储货物的货位问题，主要针对堆垛机电量损耗，堆垛机进出货时间，货架重心三个问题进行优化，保证堆垛机电量损耗最小，堆垛机进出货时间最短以及货架重心最低对货位选择进行优化；并通过实际测量堆垛机在不同状态下的电量损耗用于建立优化模型，提高优化模型的精确度，同时基于猫群算法的收敛速度快，不易陷入局部最优的特点，结合改进的猫群算法对货位选择进行优化。本发明还提供了一种立体式仓库，采用基于猫群算法的立体式仓库储位优化方法进行货位的智能化选择。本发明改进了货位选择优化算法，实现了智能立体仓库更优的货位选择。
Description
技术领域
本发明涉及一种智能仓储领域，尤其是智能立体式仓库储位优化方法及立体式仓库。
背景技术
仓储作为企业物流活动的重要组成部分，在企业发展中发挥着重要作用。随着计算机技术与物流技术的发展，自动化立体仓库成为企业进行仓储管理的重要设备，其集存储、分拣、盘点于一体，影响着整个物流系统的作业效率。存储位置的分配优化可
以提高存储效率，对客户订单实现快速响应。因此，研究自动化仓库中仓储位置的优化具有重要的现实意义。
目前现有技术在解决仓位选择问题上重点考虑了出入库效率、货架稳定性、货物相关性或空间利用率的问题，而忽略了堆垛机提升货物和运载货物的综合能耗问题，而且在能耗计算上，如专利CN109597304中采用的计算能耗的方法为通过力学原理得到货物做功，得到的是理论上的能耗，而不是实际的堆垛机的货运过程中消耗的能量，并且忽略了货物横向做功，从而造成其能耗计算与实际有一定的差距，无法准确得到其真正的能耗。
因此，现有技术中无法很好地对堆垛机能耗进行有效分析，从而并不能有效得到最佳的仓储货位。
发明内容
(一)解决的技术问题
为了解决上述技术问题，本发明提供一种基于猫群算法的立体式仓库储位优化方法，主要针对堆垛机电量损耗，堆垛机进出货时间，货架重心三个问题进行优化，保证堆垛机电量损耗最小，堆垛机进出货时间最短以及货架重心最低对货位选择进行优化；并通过实际测量堆垛机在不同状态下的电量损耗用于建立优化模型，提高优化模型的精确度，同时基于猫群算法的优点改善算法收敛速度和精度的问题。
(二)技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
一种基于猫群算法的立体式仓库储位优化方法，包括以下步骤：
S1：测量不同工况下的堆垛机的单位路程或高度作业的耗电量Ex，Ey，Ez，并将数据存入服务器；
S2：建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
其中，确定目标函数时，根据步骤S1中获取的单位耗电量确定函数参数。
S3：采用混沌猫群算法对上述数学模型求取最优解确定最优货物储位。
进一步地，步骤S1包括：测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，计算不同工况下单位路程或高度的耗电量；
进一步地，步骤S2所述的确定立体仓库货架类型以及假设条件包括：
A.仓库中某一特定存储区域货架的排、列、层数分别为m、n、k，则，该区域的总货位数为mnk。设(x,y,z)为仓库的货位坐标，即第x排y列z层；其中，x∈[1,m],y∈[1,n],z∈[1,k]；
B.假设每个货位上物资存储数为1箱。同时，为了方便计算，忽略堆垛机工作过程中机械臂伸缩耗时，且堆垛机仅在货架的单侧进行作业。
C.假设每个货位大小满足所有货物体积的要求。
所述目标函数包括：
目标函数的模型主要考虑三个部分，分别为：
a.电动堆垛机运行电量耗损
为保证货物在出入库的过程中堆垛机所消耗的电能最小，则需要堆垛机在xyz三个方向上的运动的总消耗电量最小，即：
其中，Ex、Ey、Ez分别为x、y、z三个方向上的运行单位长度距离所消耗的电量，其值大小来自步骤S1所获得的数据；Lx、Ly、Lz分别为堆垛机在xyz三个方向上运动的距离，其分别对应货位的坐标(x,y,z)，即：
b.堆垛机进出货时间
设堆垛机在三个方向上的运行速度分别为Vx、Vy和Vz，在坐标(x,y,z)货位的货物的出库频率为fxyz，一个货格的长度为M，则构造进出货时间函数为：
c.货架稳定性原则
货架结构是否稳定由货架的垂直和水平重心决定，货架整体稳定性目标函数表示为:
其中，Gi为第i个货物的重心，k1、k2分别为垂直重心和水平重心的加权系数，M为一个货格的长度。
所述转换多目标函数具体为：
通过对各目标赋予不同权重，将多目标函数转换为单目标函数；构建多目标函数如下所示；
f＝w1f1+w2f2+w3f3；
其中0<w1<1，0<w2<1，0<w3<1，且w1+w2+w3＝1，w1,w2,w3为权重系数，根据立体仓库运作过程中的需求情况赋予不同的值。最终建立货位选择优化模型：
minf＝w1f1+w2f2+w3f3
所述约束条件为：
约束条件1：货架存放货物总重量不超过货架最大承重
约束条件2：某货位是否有货物
基于上述约束条件，约束了货位变量不会超出仓库配置，且保证货位与货物一一对应的关系，不会出现一对多的情况。
进一步地，步骤S3中在采用猫群算法进行货位选择优化时，货位位置对应于问题的解，货物对应于猫群中猫，算法通过猫群寻找合适的位置得到货物在合适的货位的最优解。所述混沌猫群算法包括如下步骤：
步骤S31：初始化猫群，随机初始化符合约束条件的猫群体位置，处于[a，b]区间，种群大小设为N，分组率为MR；
步骤S32：通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值。
步骤S33：根据分组率MR将猫群随机分组，即分为搜寻模式和跟踪模式，MR一般取一个较小的值；
步骤S34：搜寻模式。复制猫的样本，将复制好的样本存入记忆池SMP(shapememory polymer)中。
步骤S35跟踪模式。整个猫群所经历过的最佳位置就是搜索到的最优解。
步骤S36计算适应度值并记录，最后保留种群中适应度最优的猫。
步骤S37判断是否满足约束条件。是，则输出最优解，结束程序；否，则利用混沌控制策略对猫群算法参数进行更新，重复步骤S32～步骤S37进行寻优迭代处理。
设，第i只猫在D维空间的位置和速度为
xi＝(xi，1，xi，2，xi，3，…，xi，D)，i＝1，2，3，…，D
vi＝(vi，1，vi，2，vi，3，…，vi，D)，i＝1，2，3，…，D
运算过程中局部最优解的猫表示为
xg，best＝(xg，best，1，xg，best，2，xg，best，3，…，xg，best，D)
首先确定跟踪模式下的猫更新速度，即
vi(n+1)＝vi(n)+c·rand[xg，best(n)-xi(n)]
式中：vi(n+1)为位置更新以后第i只猫的速度值；c为常数；rand为[0，1]的随机值。
猫的位置是通过速度变化而变化的。则更新第i只猫的位置为：
xi(n+1)＝xi(n)+vi(n+1)＝cx(n)·rand[xg，best(n)-xi(n)]
式中：xi(n+1)为位置更新后第i只猫所处的位置。
其中，
cx(n)＝a+x(n)(b-a)
x(n)＝ux(n-1)[1-x(n-1)]
其中，cx(n)为猫群位置变量；[a,b]为猫群位置的遍历范围；u为混沌控制参数。
本发明还提供一种基于猫群算法的立体式仓库储位优化方法的立体仓库，其包括：
耗电量监测模块：其用于测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，将试验数据存入服务器。
模型建立模块：其用于建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
其中，确定目标函数时，根据耗电量监测模块中获取的单位耗电量确定函数参数。
模型运算模块：其用于基于混沌猫群算法解算模型建立模块中建立的模型。
(三)有益效果
与现有技术相比，本发明的有益效果为：
(1)本申请考虑堆垛机的实际能耗，通过在不同剩余电量和载荷下进行试验，得到堆垛机不同运行状态下的电量损耗情况，更加符合实际情况，提高计算精度。
(2)本申请采用的改进的猫群算法比传统算法收敛速度更快，并且猫群算法的目标值更小。即无论从运行效率还是优化结果上相比较，改进的猫群算法都优于传统的算法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的立体式仓库储位优化方法流程图
图2是根据本申请实施例的立体仓库的设置示意图
图3是根据本申请实施例的猫群算法流程图
附图标记：
1、货架，2、堆垛机
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
参见图1，基于猫群算法的立体式仓库储位优化方法包括：
步骤S1：测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量。计算各向单位长度运行耗电量Ex，Ey，Ez，将试验数据存入服务器。
步骤S2：建立模型
(1)确定立体仓库货架类型以及假设条件；
基于下列假设条件确定立体仓库的设置。如图2所示：
A.仓库中某一特定存储区域货架的排、列、层数分别为m、n、k，则，该区域的总货位数为mnk。设(x,y,z)为仓库的货位坐标，即第x排y列z层；其中，x∈[1,m],y∈[1,n],z∈[1,k]；
vx为堆垛机x方向的运行速度，vy为堆垛机y方向的运行速度，vz为堆垛机z方向的运行速度；fxyz为货品的周转率，mxyz为货品的质量。
B.假设每个货位上物资存储数为1箱。同时，为了方便计算，忽略堆垛机工作过程中机械臂伸缩耗时，且堆垛机仅在货架的单侧进行作业。
C.假设每个货位大小满足所有货物体积的要求。
(2)选定目标函数
目标函数的模型主要考虑三个部分，分别为：
a.电动堆垛机运行电量耗损
在现有技术中，对于堆垛机的能耗计算大多取自于计算理论上的做功大小或者根据堆垛机的运行路程和升降高度计算得到，其值为理论值，与实际堆垛机的电量损耗有一定的误差，从而导致在后续的计算过程中误差进一步增加，导致无法实现真正得到最优的货物存储的货位。
本发明基于实际测量得到的堆垛机电量消耗，结合包括运行状态，剩余电量和货物重量等参量，通过实际的试验得到实际参数，获取更接近于工况下的堆垛机能耗关系，更利于精确计算最优货位。
为保证货物在出入库的过程中堆垛机所消耗的电能最小，则需要堆垛机在xyz三个方向上的运动的总消耗电量最小，即：
其中，Ex、Ey、Ez分别为x、y、z三个方向上的运行单位长度距离所消耗的电量，其值大小来自步骤S1所获得的数据；Lx、Ly、Lz分别为堆垛机在xyz三个方向上运动的距离，其分别对应货位的坐标(x,y,z)，即：
b.堆垛机进出货时间
堆垛机运行路径按照先x方向，后y方向，最后z方向的顺序进行；具体为，堆垛机先沿x轴方向运行，到达指定位置时要经过的货格数为x-1，然后进入两排货架之间的巷道中，进入巷道之后，堆垛机首先前进到指定位置对应列的底层货格中心位置，然后竖直向上运行，所以堆垛机在前往指定位置所在列时要经过的货格数为y-1。最后堆垛机沿z轴竖直向上运行，该过程要经过的货格数为z-1，设堆垛机在三个方向上的运行速度分别为Vx、Vy和Vz，在坐标(x,y,z)货位的货物的出库频率为fxyz，一个货格的长度为M，则构造进出货时间函数为：
c.货架稳定性原则
货架稳定性原则主要考虑立体仓库在使用过程货架的稳定性需求。货架的稳定性和货架内仓储货物的分布有关，货物分布越集中在货架的低层，货架的稳定性越强，因此要保证货架的稳定性就要遵循“下重上轻”原则。
货架结构是否稳定由货架的垂直和水平重心决定，货架整体稳定性目标函数表示为:
其中，Gi为第i个货物的重心，k1、k2分别为垂直重心和水平重心的加权系数。
建立货位选择优化的目标模型为：
(3)转换多目标函数
货位优化的多目标数学模型是建立以降低堆垛机电量消耗和提高出库效率作为主要目标，各目标函数之间相互制约，通过对各目标赋予不同权重，将多目标函数转换为单目标函数；构建多目标函数如下所示；
f＝w1f1+w2f2+w3f3；
其中0<w1<1，0<w2<1，0<w3<1，且w1+w2+w3＝1，w1,w2,w3为权重系数，根据立体仓库运作过程中的需求情况赋予不同的值。最终建立货位选择优化模型：
minf＝w1f1+w2f2+w3f3
(4)确定约束条件
约束条件1：货架存放货物总重量不超过货架最大承重
约束条件2：某货位是否有货物
基于上述约束条件，约束了货位变量不会超出仓库配置，且保证货位与货物一一对应的关系，不会出现一对多的情况。
步骤S3：采用混沌猫群算法对上述数学模型求取最优解
现有技术中有采用遗传算法、粒子群算法或蜂群算法等算法进行最优解的求解，然而，遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低；粒子群算法和人工蜂群算法对于离散的优化问题处理不佳，容易陷入局部最优。
本发明采用改进的混沌猫群算法，猫群算法中,猫即待求优化问题的可行解。猫群算法将猫的行为分为两种模式,一种就是猫在懒散、环顾四周状态时的模式称之为搜寻模式；另一种是在跟踪动态目标时的状态称之为跟踪模式。猫群算法中,一部分猫执行搜寻模式,剩下的则执行跟踪模式,两种模式通过结合率MR进行交互,MR表示执行跟踪模式下的猫的数量在整个猫群中所占的比例,在程序中MR应为一个较小的值。利用猫群算法解决优化问题,首先需要确定参与优化计算的个体数,即猫的数量。每只猫的属性(包括由M维组成的自身位置)、每一维的速度、对基准函数的适应值及表示猫是处于搜寻模式或者跟踪模式的标识值。当猫进行完搜寻模式和跟踪模式后,根据适应度函数计算它们的适应度并保留当前群体中最好的解。之后再根据结合率随机地将猫群分为搜寻部分和跟踪部分的猫,以此方法进行迭代计算直到达到预设的迭代次数。
采用改进的混沌猫群算法有不易陷入局部最优和收敛速度快的优点，因此将猫群算法用于货位优化运算，可以实现更优的货位匹配。
在采用猫群算法进行货位选择优化时，货位位置对应于问题的解，货物对应于猫群中猫，算法通过猫群寻找合适的位置得到货物在合适的货位的最优解。
具体过程如图3所示：
步骤S31：初始化猫群，随机初始化符合约束条件的猫群体位置，处于[a，b]区间，种群大小设为N，分组率为MR；
步骤S32：通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值。
步骤S33：根据分组率MR将猫群随机分组，即分为搜寻模式和跟踪模式，MR一般取一个较小的值；
步骤S34：搜寻模式。复制猫的样本，将复制好的样本存入记忆池SMP(shapememory polymer)中。
步骤S35跟踪模式。整个猫群所经历过的最佳位置就是搜索到的最优解。
步骤S36计算适应度值并记录，最后保留种群中适应度最优的猫。
步骤S37判断是否满足约束条件。是，则输出最优解，结束程序；否，则利用混沌控制策略对猫群算法参数进行更新，重复步骤S32～步骤S37进行寻优迭代处理。
设，第i只猫在D维空间的位置和速度为
xi＝(xi，1，xi，2，xi，3，…，xi，D)，i＝1，2，3，…，D
vi＝(vi，1，vi，2，vi，3，…，vi，D)，i＝1，2，3，…，D
运算过程中局部最优解的猫表示为
xg，best＝(xg，best，1，xg，best，2，xg，best，3，…，xg，best，D)
首先确定跟踪模式下的猫更新速度，即
vi(n+1)＝vi(n)+c·rand[xg，best(n)-xi(n)]
式中：vi(n+1)为位置更新以后第i只猫的速度值；c为常数；rand为[0，1]的随机值。猫的位置是通过速度变化而变化的。则更新第i只猫的位置为：
xi(n+1)＝xi(n)+vi(n+1)＝cx(n)·rand[xg，best(n)-xi(n)]
式中：xi(n+1)为位置更新后第i只猫所处的位置。
其中，
cx(n)＝a+x(n)(b-a)
x(n)＝ux(n-1)[1-x(n-1)]
其中，cx(n)为猫群位置变量；[a,b]为猫群位置的遍历范围；u为混沌控制参数。
本发明还提供一种基于猫群算法的立体式仓库储位优化方法的立体仓库，其包括：
耗电量监测模块：其用于测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，将试验数据存入服务器。
模型建立模块：其用于建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
其中，确定目标函数时，根据耗电量监测模块中获取的单位耗电量确定函数参数。
模型运算模块：其用于基于混沌猫群算法解算模型建立模块中建立的模型。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于猫群算法的立体式仓储优化方法，其特征在于：包括以下步骤：
S1：测量不同工况下的堆垛机的单位路程或高度作业的耗电量，并将数据存入服务器；
S2：建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
针对电动堆垛机运行电量耗损、堆垛机进出货时间和货架重心三个问题进行优化；
其中，确定目标函数时，根据步骤S1中获取的单位耗电量确定函数参数；
S3：采用混沌猫群算法对上述优化模型求取最优解确定最优货物储位；
所述步骤S2中确定立体仓库货架类型以及假设条件包括：
A.仓库中某一特定存储区域货架的排、列、层数分别为m、n、k，则，该区域的总货位数为mnk；设(x ,y ,z)为仓库的货位坐标，即第x排y列z层；其中，x∈[1, m], y∈[1, n], z∈[1, k]；
B.假设每个货位上物资存储数为1 箱；同时，为了方便计算，忽略堆垛机工作过程中机械臂伸缩耗时，且堆垛机仅在货架的单侧进行作业；
C.假设每个货位大小满足所有货物体积的要求；
所述步骤S2中目标函数包括：
a.电动堆垛机运行电量耗损
为保证货物在出入库的过程中堆垛机所消耗的电能最小，则需要堆垛机在xyz三个方向上的运动的总消耗电量最小，即：
其中，
、
、
分别为x、y、z三个方向上的运行单位长度距离所消耗的电量，其数据来自步骤S1所获得的数据；
、
、
分别为堆垛机在xyz三个方向上运动的距离，其分别对应货位的坐标(x,y,z)，即：
b.堆垛机进出货时间
进出货时间函数为：
其中，
为位于货位（x,y,z）的货物的出货频率，M为一个货格的长度；
c.货架稳定性原则
货架结构是否稳定由货架的垂直和水平重心决定，货架整体稳定性目标函数表示为:
其中，
为第i个货物的重心，
、
分别为垂直重心和水平重心的加权系数；
所述步骤S2中转换多目标函数包括：
通过对各目标赋予不同权重，将多目标函数转换为单目标函数；构建多目标函数如下所示：
f＝w1f1+w2f2+w3f3；
其中0<w1<1，0<w2<1，0<w3<1，且w1+w2+w3＝1，w1 ,w2 ,w3为权重系数，根据立体仓库运作过程中的需求情况赋予不同的值；最终建立货位选择优化模型：
所述步骤S2中约束条件包括：
约束条件1：货架存放货物总重量不超过货架最大承重
约束条件2：某货位是否有货物
2.根据权利要求1所述的基于猫群算法的立体式仓储优化方法，其特征在于，所述步骤S1中不同工况具体为：测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20%、40%、60%、80%、100%下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量。
3.根据权利要求1所述的基于猫群算法的立体式仓储优化方法，其特征在于，所述步骤S3包括：
步骤S31：初始化猫群，随机初始化符合约束条件的猫群体位置，处于［a，b］区间，种群大小设为 N，分组率为MR；
步骤S32：通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值；
步骤S33：根据分组率 MR 将猫群随机分组，即分为搜寻模式和跟踪模式；
步骤S34：搜寻模式； 复制猫的样本，将复制好的样本存入记忆池 SMP中；
步骤 S35跟踪模式；整个猫群所经历过的最佳位置就是搜索到的最优解；
步骤 S36 计算适应度值并记录， 最后保留种群中适应度最优的猫；
步骤 S37判断是否满足约束条件； 若是，则输出最优解，结束程序；若否，则利用混沌控制策略对猫群算法参数进行更新， 重复步骤 S32～步骤 S37 进行寻优迭代处理。
4.根据权利要求3所述的基于猫群算法的立体式仓储优化方法，其特征在于，所述步骤S35中包括：
猫的位置更新根据如下公式：
其中，
为位置更新以后第i只猫的速度值, c为常数；
为［0，1］的随机值,
为运算过程中局部最优解，
为位置更新后第i只猫所处的位置，n为跌倒次数，
为猫群位置变量。
5.根据权利要求4所述的基于猫群算法的立体式仓储优化方法，其特征在于，所述
根据如下公式得到：
其中，
为猫群位置变量；[a,b]为猫群位置的遍历范围；u为混沌控制参数。
6.一种如权利要求1-5任一项所述的基于猫群算法的立体式仓储优化方法的立体仓库，其特征在于，所述仓库包括：
耗电量监测模块：其用于测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20%、40%、60%、80%、100%下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，将试验数据存入服务器；
模型建立模块：其用于建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
其中，确定目标函数时，根据耗电量监测模块中获取的单位耗电量确定函数参数；
模型运算模块：其用于基于混沌猫群算法解算模型建立模块中建立的模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501116.8A CN114781269B (zh) | 2022-05-09 | 2022-05-09 | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210501116.8A CN114781269B (zh) | 2022-05-09 | 2022-05-09 | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114781269A CN114781269A (zh) | 2022-07-22 |
| CN114781269B true CN114781269B (zh) | 2022-12-06 |
Family
ID=82437360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210501116.8A Active CN114781269B (zh) | 2022-05-09 | 2022-05-09 | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114781269B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115496277B (zh) * | 2022-09-20 | 2024-02-06 | 南通国轩新能源科技有限公司 | 一种基于改进猫群算法的移动补电装置调度方法及系统 |
| CN117260743B (zh) * | 2023-11-20 | 2024-02-06 | 宁德思客琦智能装备有限公司 | 一种机械臂堆垛任务的多目标约束优化方法和系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105974794B (zh) * | 2016-06-08 | 2018-07-17 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
| CN109597304B (zh) * | 2018-11-30 | 2022-02-11 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
| CN113222520A (zh) * | 2021-06-16 | 2021-08-06 | 江苏佳利达国际物流股份有限公司 | 一种基于蚁群算法的货物优化配送方法及系统 |
| CN114065614B (zh) * | 2021-11-01 | 2024-04-30 | 哈尔滨工业大学 | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 |
-
2022
- 2022-05-09 CN CN202210501116.8A patent/CN114781269B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114781269A (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114781269B (zh) | 一种基于猫群算法的立体式仓储优化方法及立体式仓库 | |
| Yan et al. | Multi-objective optimization of electronic product goods location assignment in stereoscopic warehouse based on adaptive genetic algorithm | |
| CN109214449A (zh) | 一种电网投资需求预测方法 | |
| CN109936128A (zh) | 一种规模化电动汽车接入条件下的动态需求响应方法 | |
| CN110188919A (zh) | 一种基于长短期记忆网络的负荷预测方法 | |
| CN113673922A (zh) | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 | |
| Yang et al. | Research on design of cross-aisles shuttle-based storage/retrieval system based on improved particle swarm optimization | |
| CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
| CN113255980A (zh) | 三维装箱处理方法、装置、电子设备及存储介质 | |
| CN117371918A (zh) | 基于改进订单关联规则的货位分配两阶段优化方法和系统 | |
| Yang et al. | Hybrid genetic algorithm-based optimisation of the batch order picking in a dense mobile rack warehouse | |
| CN116796910A (zh) | 基于货物分配策略的订单分批优化方法 | |
| CN109359905B (zh) | 一种自动化无人仓货位分配方法、装置和存储介质 | |
| CN116050671A (zh) | 一种自动化立体仓库货架信息自动维护的方法 | |
| CN108596390B (zh) | 一种解决车辆路径问题的方法 | |
| CN115759914A (zh) | 计及物资装载率优化的电表配送车辆路径规划方法及系统 | |
| Zhang et al. | Travel time model for a tower-based automated parking system | |
| Duan et al. | Nondominated sorting differential evolution algorithm to solve the biobjective multi-AGV routing problem in hazardous chemicals warehouse | |
| CN112070354A (zh) | 电网设备运行效率评估方法 | |
| Gao et al. | Solving Location Problem of Distribution Center Based on Hybrid Particle Swarm Algorithm. | |
| Huang et al. | Route-optimization based storage allocation algorithm in intelligent high-bay warehouses | |
| Feng et al. | A Storage Assignment Method Based on Genetic Algorithm for Electric Power Warehousing System | |
| Ma | Application of fuzzy particle swarm optimization algorithm in optimizing logistics distribution management system | |
| Lin et al. | Research on clustering analysis of new energy charging user behavior based on spark | |
| Zhou et al. | Research on Optimization of Cargo Space in Warehouse No. 5 of Company A Based on Genetic Algorithm |
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 |