CN114841583A - 智能化仓库货位调配优化方法 - Google Patents

智能化仓库货位调配优化方法 Download PDF

Info

Publication number
CN114841583A
CN114841583A CN202210514614.6A CN202210514614A CN114841583A CN 114841583 A CN114841583 A CN 114841583A CN 202210514614 A CN202210514614 A CN 202210514614A CN 114841583 A CN114841583 A CN 114841583A
Authority
CN
China
Prior art keywords
goods
warehouse
shelf
target
constraint condition
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.)
Pending
Application number
CN202210514614.6A
Other languages
English (en)
Inventor
李勇建
何龙飞
刘伟华
王正刚
赵明宇
张�杰
张迈
鲍一星
徐亦达
赵悦然
刘一凡
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.)
Ririshun Supply Chain Technology Co ltd
Original Assignee
Ririshun Supply Chain Technology Co ltd
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 Ririshun Supply Chain Technology Co ltd filed Critical Ririshun Supply Chain Technology Co ltd
Priority to CN202210514614.6A priority Critical patent/CN114841583A/zh
Publication of CN114841583A publication Critical patent/CN114841583A/zh
Pending legal-status Critical Current

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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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

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

Abstract

智能化仓库货位调配优化方法包括：建立空间利用率约束条件：计算已存入仓库中的同一种货物的空间中心位置坐标，设定目标待存货物的目标货位距离空间中心位置最近；建立出库效率约束条件：根据目标待存货物的周转率、执行入库叉车的平均移动速度和货位尺寸计算目标待存货物的出库时间，设定出库时间最短；建立货架稳定性约束条件：计算以排为单位的货架的重心，设定货架的重心最低；建立货架平衡性约束条件；设定存放目标待存货物的货架的力矩最小；建立货物入库分配模型；基于货物入库分配模型求解目标待存货物的最优目标货位。采用本发明所提供的方法进行货位调配可以充分释放货架存储压力，提高仓储效率。

Description

智能化仓库货位调配优化方法
技术领域
本发明属于智能仓储技术领域，尤其涉及一种智能化仓库货位调配优化方法。
背景技术
作为整车产业的基础，汽车零配件是汽车行业特有的物资管理内容。现有汽车零部件仓库具有以下特点：
(1)品种繁多：根据汽车企业的零配件目录编号计算，汽车领域较大的零部件总成大约共有70多个。以发动机总成为代表，每一个总成又由几十个零部件至几百个零部件组成。
(2)形状多样且不规则：绝大多数的单个汽车零部件为非标准包装，式样和种类繁多且难以规则排列。
(3)替代补充性复杂：汽车零配件的代用性是指同种零配件可适用的车型及位置的种类。汽车零配件的代用经常会出现两种状况：一是代用后，部分地改变了原来汽车的状况；二是代用品需要经过补充加工的修配方能适用，在使用性能上可能维持不变。
基于上述特点，汽车零部件的仓储管理难度极大、问题琐碎且难以解决。现有的汽车零部件仓储通常是设置不同型号的料箱、托盘，以满足对不同汽车零部件的存储要求，例如设置高位货架、小号铁箱货架、大号铁箱筐、轻型货架、油区和轮胎区。这种库位设计仅仅根据货物的外形以及包装进行分区，没有进行更为细致的划分，在实际使用时容易出现重量分布不均、货物出入库频率与库位不符，各种产品的出入库之间存在干涉和矛盾的问题，造成人力资源的无谓浪费、仓位利用率和仓储作业精度的下降。
本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明针对现有技术中汽车零部件仓库货位设计仅仅根据货物的外形以及包装进行分区，在实际使用时容易出现重量分布不均、货物出入库频率与库位不符，各种产品的出入库之间存在干涉和矛盾的问题，设计并提供一种智能化仓库货位调配优化方法，以避免造成人力资源的无畏浪费，以及仓位利用率和仓储作业精度下降的情况。
为实现上述发明目的，本发明采用下述技术方案予以实现：
智能化仓库货位调配优化方法，其特征在于，包括以下步骤：建立空间利用率约束条件：计算已存入仓库中的同一种货物的空间中心位置坐标，设定目标待存货物的目标货位距离所述空间中心位置最近；建立出库效率约束条件：根据目标待存货物的周转率、执行入库叉车的平均移动速度和货位尺寸计算目标待存货物的出库时间，设定出库时间最短；建立货架稳定性约束条件：计算以排为单位的货架的重心，设定货架的重心最低；建立货架平衡性约束条件；设定存放目标待存货物的货架的力矩最小；根据所述空间利用率约束条件、所述出库效率约束条件、所述货架稳定性约束条件和所述货架平衡性约束条件建立货物入库分配模型；基于所述货物入库分配模型求解目标待存货物的最优目标货位。
进一步的，建立空间利用率约束条件包括以下步骤：
计算已存入仓库中的同一种货物的空间中心位置坐标Ri，
Ri＝[Ri(x)，Ri(y)，Ri(z)]
其中：
Figure BDA0003639049050000031
xk代表存有同种货物的货位的排号，yk代表存有同种货物的货位的列号，zk代表存有同种货物的货位的层号；i代表目标待存货物的种类；n代表已放入目标待存货物的货位数量；
空间利用率约束条件为：
Figure BDA0003639049050000032
其中，a为货架的排数，b为货架的列数，c为货架的层数，x为目标货位的排数，y为目标货位的列数，z为目标货位的层数。
进一步的，出库效率约束条件为：
Figure BDA0003639049050000033
其中，vx为执行入库操作的叉车排方向的平均移动速度，vy为执行入库操作的叉车列方向的平均移动速度，vz为执行入库操作的叉车层方向的平均移动速度，L为货位单元格的长度，W为单元格的宽度，H为单元格的高度，pi为第i类货物的周转率。
进一步的，货架稳定性约束条件为：
Figure BDA0003639049050000034
其中，mxyz代表货位坐标为(x,y,z)的存储单元上存储的货物总质量代表。
进一步的，货架平衡性约束条件为：
Figure BDA0003639049050000035
进一步的，根据所述空间利用率约束条件、所述出库效率约束条件、所述货架稳定性约束条件和所述货架平衡性约束条件建立货物入库分配模型为：
Figure BDA0003639049050000041
其中，ω1为空间利用率权重，ω2为出库效率权重，ω3,为货架稳定性权重，ω4为货架平衡性权重。
进一步的，所述空间利用率权重ω1最大且所述出库效率权重ω2最小；空间利用率权重、出库效率权重、货架稳定性权重和货架平衡性权重满足ω1>ω3>ω4>ω2。
进一步的，根据所述货物入库分配模型建立校正货物入库分配模型；
校正货物入库分配模型为：
Figure BDA0003639049050000042
其中，ε为常数。
进一步的，利用遗传算法优化基于货物入库分配模型计算出的目标货位。
进一步的，利用遗传算法优化基于货物入库分配模型计算出的目标货位包括以下步骤：
个体编码；产生初始群体；适应度计算；选择运算；交叉运算；变异运算；在达到迭代次数后终止优化计算。
与现有技术相比，本发明的优点和积极效果是：
相较于现有技术中汽车零部件仓库货位随机选择的方式，采用本发明所提供的方法进行货位调配可以充分释放货架存储压力，避免重量分布不均、货物出入库频率与库位不符，各种产品的出入库之间存在干涉和矛盾的问题。
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为适用于本发明所提供的智能化仓库货位调配优化方法的汽车零部件仓库的平面结构示意图；
图2为本发明所提供的智能化仓库货位调配优化方法一种具体实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们的任何变形，代表覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中“实施例”代表结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中，各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员可以理解，本文所描述的实施例可以与其它实施例相结合。
针对现有技术中汽车零部件仓库货位设计仅仅根据货物的外形以及包装进行分区，在实际使用时容易出现重量分布不均、货物出入库频率与库位不符，各种产品的出入库之间存在干涉和矛盾的问题，设计并提供一种智能化仓库货位调配优化方法。
与现有技术类似，如图1所示，在本实施例中所指出的仓库1，同样可选的根据实际需要划分为多个区域(如图1中10至15所示)。每一个区域中设置若干排货架，用于存储不同种类的汽车零部件(在下文中简称货物)，例如分别为高位货架、小号铁箱货架、大号铁箱筐、轻型货架、油区和轮胎区等。每一排中的货架包括若干列存储位置，每一列存储位置包括若干层货位。每一个货位可以存储一个货物。在可选的实施方式中，设定每一排仅设置一个货架，货位设计为正方体的空间，作为整个仓库的基本存储单元，即货位单元格具有相同的长度、宽度和高度。
为生成最优选的货位，本实施例所提出的智能化仓库货位调配优化方法包括如下文详细介绍的多个步骤：
步骤S11：建立空间利用率约束条件。
由于实际仓储空间是有限的，所以提高仓库的存储空间利用率是货物入库分配模型的一个目标。基于货物同一性原则，同一种货物应存放在同一区域，便于仓储企业定位货物。建立空间利用率约束条件，即计算已存入仓库中的同一种货物的空间中心位置坐标，设定目标待存货物的目标货位距离所述空间中心位置最近。
具体来说，以第i类货物为需要存储的货物作为示例，假设目前仓库中所有第i类货物已放入共计n个货位。由于每一个货位均有对应的排号、列号和层号，当货位的排号、列号和层号固定时，货位的三维空间位置确定；根据排号、列号和层号即可以得到在三维坐标系中各货位的货位坐标。举例来说，货位1的货位坐标记为A1，A1＝[x1 y1 z1]。类似的，仓库中的n个货位的坐标向量组可以表示为：
Figure BDA0003639049050000061
其中：
xn代表货位n的排号，xn＝1,2,…,a，a为货架的总排数；
yn代表货位n的列号，yn＝1,2,…,b，b为货架的总列数，即每一个货架上纵列分布的存储位置的列号；
zn代表货位n的层号，zn＝1,2,…,c，c为货架的总层数，即每一列存储位置中货位的层号；
计算n个货位的中心位置，中心位置Ri坐标记为：
Ri＝[Ri(x)，Ri(y)，Ri(z)]
其中：
Figure BDA0003639049050000071
或者，也可以表示为：
Figure BDA0003639049050000072
Figure BDA0003639049050000073
Figure BDA0003639049050000074
当需要再将一个第i类货物放置在目标货位Ax上时，假设所需要求得的目标货位Ax的货位坐标为(x,y,z)，该货物距离仓库中所有第i类货物的中心位置Ri的距离为：
d＝[|x-Ri(x)|+|y-Ri(y)|+|z-Ri(z)|]
为实现仓库的存储空间利用率最高的目标，即需要使仓库中所有货物的离散度最小，也就是说即将放入的一个第i类货物需要距离仓库中所有第i类货物的中心位置Ri的距离最近，基于此原则，推导出目标货位的空间利用率约束条件f1。
Figure BDA0003639049050000075
步骤S12：建立出库效率约束条件。
根据货物周转率原则，即不同的货物，如果周转率越高，则说明仓库内货物越容易离开仓库，在短时间内最好将货物安排在靠近出口的位置，所以，对于周转率高的货物操作的频率也会相对较高，应将其放置在出货更容易的地方，以减少货物的搬运时间。建立出库效率约束条件即为根据目标待存货物的周转率、执行入库叉车的平均移动速度和货位尺寸计算目标待存货物的出库时间，设定出库时间最短。
建立出库效率约束条件具体包括以下步骤：
获取第i类货物的周转率pi，货物的周转率pi可以根据历史数据预先计算出并存储在存储器中以供随时调用。优选的，放入或取出一次第i类货物后，周转率pi更新一次。
货物出库由叉车实现，即通过叉车(也包括由AGV驱动的叉装设备)将货物从货位中取出；可以根据以下公式计算出一个第i类货物的出库时间ti：
Figure BDA0003639049050000081
其中，vx为叉车x方向的平均移动速度，即多排货架的排方向的平均移动速度；vy为叉车y方向的平均移动速度，即每一排货架多列存储位置排列方向的平均移动速度；vz为叉车z方向的平均移动速度，即每一列存储位置多个层叠设置的货位方向的平均速度，vx、vy和vz根据执行操作的叉车的型号从叉车的历史数据中调用，L为货位单元格的长度，W为单元格的宽度，H为单元格的高度，pi为第i类货物的周转率；
所有第i类货物的出库时间为：
Figure BDA0003639049050000082
基于商品周转率原则，推导出出库效率约束条件f2：
Figure BDA0003639049050000083
出库效率约束条件f2也可以是目标第i类货物的出库时间ti最小。
步骤S13：建立货架稳定性约束条件。
货物稳定性原则(上轻下重)为提高货架稳固性的一个重要前提，因此在放置后需要降低整体的重心，货物的三维空间位置可以用货位坐标来表示。建立货架稳定性约束条件：即计算以排为单位的货架的重心，设定货架的重心最低。
设货物的数量为w,重量分别为m1,m2,m3,…,mw,距离地面的垂直距离为r1,r2,…,rw,则这w个货物的重心高度为：
Figure BDA0003639049050000091
从而可以得到货架稳定性约束条件，即横向货架平衡性的目标函数：
Figure BDA0003639049050000092
步骤S14：建立货架平衡性约束条件。
降低货架的重心可以保证货架竖直方向的稳定性，此外，还需要保证货架在水平方向的平衡性能。如果货架上的货物分布过于集中，长时间会对货架造成额外力矩。如果力矩大于货架的最大承载能力，货架会发生倾塌。为了避免这一情况，建立货架平衡性约束条件，即设定存放目标待存货物的货架的力矩最小，从而可以得到货架平衡性约束条件：
Figure BDA0003639049050000093
步骤S15：建立货物入库分配模型。
根据空间利用率约束条件f1，出库效率约束条件f2，货架稳定性约束条件f3和货架平衡性约束条件f4建立货物入库分配模型
Figure BDA0003639049050000094
其中ω1为空间利用率权重，ω2为出库效率权重，ω3,为货架稳定性权重，ω4为货架平衡性权重。
沿用以第i类货物为需要存储的货物作为示例，可以理解，同时满足空间利用率约束条件、出库效率约束条件、货架稳定性约束条件和货架平衡性约束条件的货位即为第i类货物存放位置的最优解，但是多目标多最优解函数的计算过程本身就需要耗费较多的算力；而且每一个约束条件都取得最优解时，并不代表其它约束条件同时取得最优解。此外，如果同时有多个货物需要入库存放，并行的线程会进一步增加智能仓储的软件运算成本，还可能会存在所求得的货位重复，导致系统冲突。
为解决这一问题，在本实施例中，将多目标多最优解的约束条件函数转化为如上述货物入库分配模型的单目标单最优解函数，即满足minf(x，y，z)时的可行解为最优解，同时满足空间利用率约束条件、出库效率约束条件、货架稳定性约束条件和货架平衡性约束条件。
上述货物入库分配模型由计算机软件求解，例如Matlab等。
在优选的实施方式中，由于货物入库分配模型f(x，y，z)中各指标仅能通过人工设定阈值，在计算过程中可能会出现数据溢出导致报错。在优选的实施方式中，进一步将货物入库分配模型转换为校正货物入库分配模型。校正货物入库分配模型记为G(x，y，z)，G(x，y，z)满足：
Figure BDA0003639049050000101
其中，ε为常数，可选的，可以设定为1。
这样，满足maxG(x，y，z)时的可行解为最优解,在计算过程中，G(x，y，z)为处于(0，1)之间，且不为0的数，可以有效避免数据溢出的问题。
考虑到汽车零部件形状多样且不规则的特点，设定空间利用率权重ω1最大，出库效率权重ω2最小，且满足ω1>ω3>ω4>ω2.一组可选的赋值为ω1＝0.4236，ω2＝0.1782，ω3＝0.2021，ω4＝0.1985。
进一步利用遗传算法对基于货物入库分配模型计算出的目标货位进行优化。遗传算法(Genetic Algorithm,GA)是一种智能启发式算法，利用自然界中的种群繁衍不断交配而达成的基因不断重组。遗传算法的搜索机制为：遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按照指标从解群中选取较优个个体，利用遗传算子对这些个体进行组合，产生新一代的候选解群，重复此过程直至满足收敛指标为止。
采用遗传算法对基于货物入库分配模型计算出的目标货位进行优化具体包括以下步骤：
步骤S21：个体编码
在本实施方式中，货位的排号、列号和层号分别为小于a,小于b和小于c的整数，分别用二进制来表示，用二进制表示的排号、列号和层号就形成了个体的基因型，表示一个可行解。基因型和表现型之间可以通过编码和解码程序相互转换。举例来说，个体(2,5,6)可以表示为010101110。
步骤S22：产生初始群体
设定初始群体的群体规模并随机选择初始群体中的个体。随机选择由随机算法生成。
步骤S23：适应度计算
遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。
在本实施方式中，校正货物入库分配模型满足非负且连续的条件，并且是以求校正货物入库分配模型最大值为优化目标，所以，可选的，利用校正货物入库模型作为个体适应度函数。将个体代入校正货物入库模型后即可计算出个体的适应度。
步骤S24：选择运算，选择运算可选的具体包括以下步骤。
步骤S24-11：计算出群体中所有个体的适应度总和B，适应度总和B满足下式：
Figure BDA0003639049050000121
其中m为当前群体中个体的数量，Gj为个体的适应度计算值。
步骤S24-12：计算出每个个体的相对适应度Psi，相对适应度Psi满足下式：
Figure BDA0003639049050000122
相对适应度代表每个个体被遗传到下一代群体中的概率。
步骤S24-13：每个相对适应度的概率可以由一个独立区域表示。由于全部概率值之和为1，所以全部概率值所对应的区域可以组成一个完整区域。
步骤S24-14：将选择标识随机地置于完整区域，所选中的独立区域即代表选中的个体。例如，旋转1次轮盘。从种群中选出目标个个体即旋转目标次轮盘。
步骤S24中的选择运算也可以采用以下方法：
步骤S24-21：从种群中随机采样l各个体；
步骤S24-22：将随机采样的l个个体的适应度排序，保留其中最优的一个或多个个体；
步骤S24-23：将剩余的个体放入种群中；
步骤S24-24：重复上述步骤，直至保留的个体数量达到目标个体数量。
在选择计算完成后，初始种群迭代为选择种群。
步骤S25：交叉运算，交叉运算包括如下步骤：
步骤S25-1：对选择种群中的个体进行随机配对；
步骤S25-2：设置交叉点，优选的设置为0.66，即在基因型的三分之二处进行交叉；
步骤S25-3，相互交换配对个体基因型的三分之二基因。
在交叉运算完成后，选择种群迭代为交叉种群。
步骤S26：变异运算，变异运算包括如下步骤：
步骤S26-1：对每一个交叉种群中的个体随机生成变异点位置，例如九位二进制编码中的其中任意一位。
步骤S26-2：按照设定概率(变异算子)对其中的一个或多个变异点的数值取反。在本实施方式中，为防止变异程度过大，种群多样性过于复杂，也防止过低的变异率带来单一化的种群基因结构，变异算子设定为0.01。
经过选择计算、交叉运算和变异运算后，即得到下一代的种群，并循环执行选择计算、交叉运算和变异运算的过程，直至迭代次数达到上限，退出计算。得到货物需放入的最优货位。
在本实施例中，种群规模设定为1000，保证多样性的同时，也可以保证计算效率，迭代次数设定为500。
相较于现有技术中汽车零部件仓库货位随机选择的方式，采用本发明所提供的方法进行货位调配可以充分释放货架存储压力，避免重量分布不均、货物出入库频率与库位不符，各种产品的出入库之间存在干涉和矛盾的问题。
一种可选的货物入库流程简要介绍如下：
货物由交通工具(例如卡车)运送到仓库中后，设置于仓库入库处的扫描装置扫描货物外包装上的条形码读取货物的品种并上传仓库管理系统。仓库管理系统接收货物的品种后，判断识别的品种是否准许入库。如果准许入库，则调配与货物品种匹配AGV叉车执行货物的入库作业。仓库管理系统向AGV叉车输出货物需要放入的区域。控制AGV叉车启动并移动至目标区域，AGV叉车反馈确认信号至仓库管理系统，仓库管理系统将最优货位发送至AGV叉车，由AGV叉车将货物放入最优货位中。
作为并行的另一种方式，如果准许入库，则调配与货物品种匹配叉车执行货物的入库作业。仓库管理系统向操作叉车的操作人员的手持终端输出货物需要放入的区域。操作人员控制叉车启动并移动至目标区域。操作人员通过手持终端反馈确认信号至仓库管理系统，仓库管理系统将最优货位发送至操作人员的手持终端，由操作人员操作叉车将货物放入最优货位中。
采用这种流程，仓库管理系统可以采用流水线的模式，在AGV叉车或者普通叉车移动的过程中执行最优货位的计算；降低并行流程的计算频率，节省算力。
在同一个仓库中，由于企业的采购和迭代程度不同，可能存在同时允许AGV叉车和普通叉车同时作业的情况。这样，就需要将仓库管理系统、终端和AGV叉车共同组织成一个仓库内部网络，将扫描设备、仓库管理系统、终端、AGV叉车以及货位中的各种传感器互相连接起来。网络采用有线或者无线的方式。为与多种设备适配，仓库中还优选设置有网关，网关配置为一方面接收异构的终端、扫描设备、AGV叉车、传感器发送的各种通信协议消息，进行协议转换，封装呈统一的通讯协议格式的消息，并由仓库管理系统将消息推送到AGV叉车或者终端。例如，在准许入库时，仓库管理系统通过网关将准备入库指令同时发送至当前可执行入库操作的待机AGV叉车或者待机叉车操作人员的手持终端，AGV叉车和手持终端分别反馈确认信号至网关，网关将反馈确认信息进行协议转换并封装呈统一的通讯协议格式的消息发送至仓库管理系统，仓库管理系统从反馈确认信号的AGV叉车或手持终端对应的叉车选择一个，确认其为执行叉车，并将选择出的AGV叉车或者手持终端对应的叉车推送到所有的AGV叉车或者手持终端，未被选中的AGV叉车或者手持终端对应的叉车即可保持等待状态。这种方式可以实现AGV叉车和普通叉车的复用，企业可以根据仓储规模增加新型叉车，提高原有叉车的利用率，降低企业综合成本。通信协议可选的选用MQTT协议。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质存储于电子数据交换的计算机程序，该计算机程序使得计算机执行如上方法实施例中记载的任一方法的部分或全部步骤。
在上述实施例中，对各个实施例的描述均各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元或模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个物理空间，或者也可以分布到多个网络单元上，可以根据实际需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (10)

1.智能化仓库货位调配优化方法，其特征在于，包括以下步骤：
建立空间利用率约束条件：计算已存入仓库中的同一种货物的空间中心位置坐标，设定目标待存货物的目标货位距离所述空间中心位置最近；
建立出库效率约束条件：根据目标待存货物的周转率、执行入库叉车的平均移动速度和货位尺寸计算目标待存货物的出库时间，设定出库时间最短；
建立货架稳定性约束条件：计算以排为单位的货架的重心，设定货架的重心最低；
建立货架平衡性约束条件；设定存放目标待存货物的货架的力矩最小；
根据所述空间利用率约束条件、所述出库效率约束条件、所述货架稳定性约束条件和所述货架平衡性约束条件建立货物入库分配模型；
基于所述货物入库分配模型求解目标待存货物的最优目标货位。
2.根据权利要求1所述的智能化仓库货位调配优化方法，其特征在于，
建立空间利用率约束条件包括以下步骤：
计算已存入仓库中的同一种货物的空间中心位置坐标Ri，
Ri＝[Ri(x)，Ri(y)，Ri(z)]
其中：
Figure FDA0003639049040000011
xk代表存有同种货物的货位的排号，yk代表存有同种货物的货位的列号，zk代表存有同种货物的货位的层号；i代表目标待存货物的种类；n代表已放入目标待存货物的货位数量；
空间利用率约束条件为：
Figure FDA0003639049040000012
其中，a为货架的排数，b为货架的列数，c为货架的层数，x为目标货位的排数，y为目标货位的列数，z为目标货位的层数。
3.根据权利要求2所述的智能化仓库货位调配优化方法，其特征在于，
出库效率约束条件为：
Figure FDA0003639049040000021
其中，vx为执行入库操作的叉车排方向的平均移动速度，vy为执行入库操作的叉车列方向的平均移动速度，vz为执行入库操作的叉车层方向的平均移动速度，L为货位的长度，W为货位的宽度，H为货位的高度，pi为第i类货物的周转率。
4.根据权利要求3所述的智能化仓库货位调配优化方法，其特征在于，
货架稳定性约束条件为：
Figure FDA0003639049040000022
其中，mxyz代表货位坐标为(x,y,z)的目标货位上存储的货物总质量。
5.根据权利要求4所述的智能化仓库货位调配优化方法，其特征在于，
货架平衡性约束条件为：
Figure FDA0003639049040000023
6.根据权利要求5所述的智能化仓库货位调配优化方法，其特征在于，
根据所述空间利用率约束条件、所述出库效率约束条件、所述货架稳定性约束条件和所述货架平衡性约束条件建立货物入库分配模型为：
Figure FDA0003639049040000024
其中，ω1为空间利用率权重，ω2为出库效率权重，ω3,为货架稳定性权重，ω4为货架平衡性权重。
7.根据权利要求6所述的智能化仓库货位调配优化方法，其特征在于，
所述空间利用率权重ω1最大且所述出库效率权重ω2最小；
空间利用率权重、出库效率权重、货架稳定性权重和货架平衡性权重满足ω1>ω3>ω4>ω2。
8.根据权利要求6所述的智能化仓库货位调配优化方法，其特征在于，
根据所述货物入库分配模型建立校正货物入库分配模型；
校正货物入库分配模型为：
Figure FDA0003639049040000031
其中，ε为常数。
9.根据权利要求8所述的智能化仓库货位调配优化方法，其特征在于，
利用遗传算法优化基于货物入库分配模型计算出的目标货位。
10.根据权利要求9所述的智能化仓库货位调配优化方法，其特征在于，
利用遗传算法优化基于货物入库分配模型计算出的目标货位包括以下步骤：
个体编码；
产生初始群体；
适应度计算；
选择运算；
交叉运算；
变异运算；
在达到迭代次数后终止优化计算。
CN202210514614.6A 2022-05-11 2022-05-11 智能化仓库货位调配优化方法 Pending CN114841583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210514614.6A CN114841583A (zh) 2022-05-11 2022-05-11 智能化仓库货位调配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210514614.6A CN114841583A (zh) 2022-05-11 2022-05-11 智能化仓库货位调配优化方法

Publications (1)

Publication Number Publication Date
CN114841583A true CN114841583A (zh) 2022-08-02

Family

ID=82569661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210514614.6A Pending CN114841583A (zh) 2022-05-11 2022-05-11 智能化仓库货位调配优化方法

Country Status (1)

Country Link
CN (1) CN114841583A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115490016A (zh) * 2022-09-30 2022-12-20 山东海运股份有限公司 一种集装箱动态储放位置的分配方法
CN115578039A (zh) * 2022-12-09 2023-01-06 成都运荔枝科技有限公司 一种仓库货位分配方法、电子设备及计算机存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115490016A (zh) * 2022-09-30 2022-12-20 山东海运股份有限公司 一种集装箱动态储放位置的分配方法
CN115578039A (zh) * 2022-12-09 2023-01-06 成都运荔枝科技有限公司 一种仓库货位分配方法、电子设备及计算机存储介质

Similar Documents

Publication Publication Date Title
CN114841583A (zh) 智能化仓库货位调配优化方法
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
US10019693B2 (en) Warehouse rack space optimization
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
CN109886478B (zh) 一种成品酒自动化立体仓库的货位优化方法
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
Mohsen et al. A framework for the design of warehouse layout
CN111178606A (zh) 基于nsga-ii的自动化仓储货位分配优化方法
CN107967586A (zh) 一种电网物资仓储优化方法
Jang et al. The optimization of mixed block stacking requiring relocations
MXPA01010394A (es) Sistema y metodo para optimizar la distribucion de un recurso.
GB2524952A (en) A method of packing containers
CN107704960B (zh) 一种基于mas的自动化集装箱码头堆场双armg调度方法
CN114897217A (zh) 一种生鲜电商前置仓选址-路径规划方法
CN112580852A (zh) 一种面向电力物资的密集型自动化立体仓库货位优化方法
CN112100861B (zh) 基于入侵杂草优化算法的卷烟生产物料货位分配方法
Mungwattana et al. A two-step evolutionary algorithm for the distributor’s pallet loading problem with multi-size pallets
CN116664053B (zh) 一种商品库存管理方法
CN117408604A (zh) 一种基于智能计算的大规模立体仓库货位分配方法
Armas et al. Solutions to storage spaces allocation problem for import containers by exact and heuristic methods
Li et al. Pareto and niche genetic algorithm for storage location assignment optimization problem
CN115330051B (zh) 基于混合遗传算法的车辆路径优化方法及应用
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
Lei et al. Optimization of Storage Location Assignment in Tier‐To‐Tier Shuttle‐Based Storage and Retrieval Systems Based on Mixed Storage

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