CN114841642B - 基于鹰栖息优化的辅料入库货位分配方法 - Google Patents

Abstract

本发明公开了一种基于鹰栖息优化的辅料入库货位分配方法，根据现有辅料数据，对仓库环境进行建模，细分辅料种类并采用混合算法实现精益化入库管理。具体地，根据卷烟辅料特性及状态，记录辅料种类和数量，课将专家知识引入辅料入库模型，综合考虑货架稳定性、出入库频率、空间利用率和货物相关性等引入货位分配模型，并基于K中心点聚类算法筛掉劣质货位范围；基于货物的体积、质量、结构等因素，建立满足水平稳定性和垂直稳定性的多目标货位稳定模型，优化货位分配与作业调度，同时引入鹰栖息优化机制以提高收敛精度及寻找全局最优解的能力，从而得到最优的辅料入库货位分配结果，为辅料入库货位分配的效率及质量提供可靠的技术支持。

Description

基于鹰栖息优化的辅料入库货位分配方法

技术领域

本发明涉及卷烟制造领域，尤其涉及一种基于鹰栖息优化的辅料入库货位分配方法。

背景技术

近年来智能仓储行业相关产品的市场需求呈现增长趋势，多个下游应用领域出现新业态、新产业、新模式，因而对仓储行业提出了更高的性能要求，使得下游应用行业对智能仓储的需求不断增长。

烟草现代物流体系是行业经济运行的重要支撑，贯穿于整个烟草产业链。越来越多的烟草从业者正在探索智慧仓储，从而提高卷烟出入库效率以降低管理成本。

由于辅料是保证卷烟顺利生产的前提，且因卷烟辅料数量多、尺寸不一，导致卷烟企业的辅料入库条件难以实现精益化生产管理。

目前，在现有的辅料入库系统中，普遍采用人工卸车、人工配盘、叉车搬运等方式实现辅料存储管理，并不能满足行业对智能化物流体系提出的要求。

发明内容

鉴于上述，本发明旨在提供一种基于鹰栖息优化的辅料入库货位分配方法，以解决前述提及的技术问题，从而提高配盘区的托盘垛出入库效率，提高仓储空间利用率，得到更优的辅料入库结果。

本发明采用的技术方案如下：

本发明提供了一种基于鹰栖息优化的辅料入库货位分配方法，其中包括：

根据卷烟辅料特性及状态，记录辅料种类和数量，并基于中心点聚类算法分类筛选货位范围；

根据辅料尺寸将仓库按照货位尺寸划分为可堆垛和不可堆垛两类区域；

根据历史订单数据并结合基于鹰栖息优化机制的辅料入库货位分配策略，对铺料进行尺寸及承重力评估，并将辅料在可堆垛的区域按尺寸及重量分类；

根据辅料种类，将卷烟辅料配盘分为单配辅料任务和混配辅料任务；

将所有辅料种类缓存在缓存库后，判断机械手是否处于空置状态，对混合辅料库执行混配任务。

在其中至少一种可能的实现方式中，所述根据卷烟辅料特性及状态，记录辅料种类和数量，并基于中心点聚类算法分类筛选货位范围包括：

将辅料分类输送至堆垛站台后，根据辅料类别及尺寸，基于三维空间对货位进行多目标规划，并采用中心点聚类算法对货位进行分类筛选。

在其中至少一种可能的实现方式中，所述基于三维空间对货位进行多目标规划包括：

基于货架稳定性、出入库频率、空间利用率和货物相关性，建立多目标货位稳定模型。

在其中至少一种可能的实现方式中，所述对铺料进行尺寸及承重力评估，并将辅料在可堆垛的区域按尺寸及重量分类包括：

根据历史订单数据选出若干项用于评价辅料堆放上下层级位置的关键分类指标；

采用专家经验将各项所述关键分类指标的权重进行定义；

根据所述权重和每种辅料相对于各关键分类指标的局部权重，计算各种辅料的总评分；

基于所述总评分将辅料在可堆垛的区域依次分类，并根据仓储尺寸将仓储空位进行三维立体空间划分。

在其中至少一种可能的实现方式中，所述方法还包括：根据不同辅料的尺寸，并结合不同时刻的辅料数量、可承压能力，建立最大空间优化率模型。

在其中至少一种可能的实现方式中，所述辅料入库货位分配策包括：基于粒子群改进的蜂群优化算法优化货位分配与作业调度，并对拣货路径进行求解。

在其中至少一种可能的实现方式中，所述鹰栖息优化机制包括：结合路径规划、时间序列预测、图像处理进行求解，并在最优解附近进行二次采样，通过迭代执行全局搜索到局部搜索的转变。

本发明的主要设计构思在于，根据现有辅料数据，对仓库环境进行建模，细分辅料种类并采用混合算法实现精益化入库管理。具体地，根据卷烟辅料特性及状态，记录辅料种类和数量，课将专家知识引入辅料入库模型，综合考虑货架稳定性、出入库频率、空间利用率和货物相关性等引入货位分配模型，并基于K中心点聚类算法筛掉劣质货位范围；基于货物的体积、质量、结构等因素，建立满足水平稳定性和垂直稳定性的多目标货位稳定模型，优化货位分配与作业调度，同时引入鹰栖息优化机制以提高收敛精度及寻找全局最优解的能力，从而得到最优的辅料入库货位分配结果，为辅料入库货位分配的效率及质量提供可靠的技术支持。

附图说明

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：

图1为本发明实施例提供的基于鹰栖息优化的辅料入库货位分配方法的流程图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明提出了一种基于鹰栖息优化的辅料入库货位分配方法的实施例，具体来说，如图1所示，其中包括：步骤S1、根据卷烟辅料特性及状态，记录辅料种类和数量，并基于中心点聚类算法分类筛选货位范围。

在实际操作中，将辅料分类输送至堆垛站台后，根据辅料类别及尺寸，基于三维空间对货位进行多目标规划，并采用中心点聚类算法(K-Medoids 算法)对货位进行分类筛选。

所述基于三维空间对货位进行多目标规划具体可以包括：

基于货架稳定性、出入库频率、空间利用率和货物相关性，建立多目标货位稳定模型，便于对入库货位进行细分；

步骤S2、根据辅料尺寸将仓库按照货位尺寸划分为可堆垛和不可堆垛两类区域。

步骤S3、根据历史订单数据并结合基于鹰栖息优化的辅料入库货位分配策略，对铺料进行尺寸及承重力评估，并将辅料在可堆垛的区域按尺寸及重量分类。

也即是根据辅料尺寸几何数据，并结合中心点聚类算法从仓库区域筛选出劣质货位，在一些较佳实施例中可以自己与预设的堆垛规则以及混合粒子群算法的鹰栖息优化算法，对前述多目标货位稳定模型进行求解，规划得到最优货位分配方案。

步骤S3可以具体包括：

步骤S31、根据历史订单数据选出若干项用于评价辅料堆放上下层级位置的关键分类指标；

步骤S32、采用专家评议法将各项所述关键分类指标的权重进行定义；

步骤S33、根据所述权重和每种辅料i相对于各关键分类指标j的局部权重w_ij，计算各种辅料的总评分S；

步骤S34、基于所述总评分将辅料在可堆垛的区域依次分类，并根据仓储尺寸将仓储空位进行三维立体空间划分。

综上，也即是定义各所述关键分类指标的实际等级，得到各辅料的公开指标权重，并基于该公开指标权重计算各辅料的总评分。

步骤S4、根据辅料种类(还可以考虑其垛型)，将卷烟辅料配盘分为单配辅料任务和混配辅料任务。

步骤S5、将所有辅料种类缓存在缓存库后，判断机械手是否处于空置状态，对混合辅料库执行混配任务。

本发明基于前述各个实施例，提出如下出入库示例性方案，根据智能立体仓储系统的三维立体图，设该货架高度为H_max，宽度为L_max，将货位表示为(i,j),以最接近地面的一层为1，最靠近AGV 站台的为第1列，并考虑到出入库效率，以出入库频率最大的货物最快出库为目标建立模型，具体包括：

根据先入先出原则，出入货频率最高的放置与距离站台最近的货位，设第i层第j列货位货物的出入频率为P_ij，第i层第j列货位货物的出库距离为S_ij，以P_ij和S_ij乘积之和J最小为目标，建立第一个优化目标：

根据智能立体仓库的系统稳定性，以尽可能降低重心，保证辅料免受挤压造成损坏，以重心最小为目标，具体包括：为保证仓储过程中设备可平稳运行，且不会因堆垛不科学造成人员受伤，通过将重量较大的辅料放置于底层货架，以达到货架重心最低，则第二个优化目标为：

为提高空间利用率，减少货物不合理堆垛所带来的仓储费用，本发明根据不同辅料的尺寸，并考虑到不同时刻的辅料数量、可承压能力等，建立最大空间优化率模型，则第约束条件为：

为保证辅料存在于货架中位置不被重复记录，通过对辅料三维坐标进行定点约束，以确保空间利用率最高的同时，辅料入库过程不出现错误，可参见如下：

再引入两个优化目标的权重w₁,w₂，将以上两个目标函数转化为单目标函数：

前文提及基于K-Medoids算法筛选劣质货位范围，得到最优货位方案，具体来说可以是指：

对于给定聚类数目k，首先随机选择k个对象作为初始聚类中心，计算各剩余对象与代表对象的距离并将其分配给最近的簇，产生聚类效果，并可以通过以下公式计算E随迭代次数变化：

其中，p是空间中的点，记为给定对象，o_i代表簇C_i的中心点，E则表示数据集中所有对象的离差平方和。

由于总代价的值小于零，即实际平方误差减小，表明经过迭代后，簇内对象之间的差异变得更小，此时可用o_random替换o_i作为新中心点。反之，若替换所产生的总价值一直大于或等于零，则此时算法收敛，通过以下公式判定新替换点是否更优：

Cost＝E_new-E_old (9)

其中，E_new表示新产生簇，Cost表示更优替换点。

如上所述的基于鹰栖息优化的辅料入库货位分配方法，其中，优选的是，基于粒子群改进的蜂群优化算法优化货位分配与作业调度，对拣货路径进行求解，具体包括：

根据个体粒子飞行速度推算出粒子在空间区域的搜索行为，利用个体粒子的飞行轨迹，通过反复更新有效路径寻找最优解，通过以下公式更新粒子速度：

V_i+1＝WV_i+C₁R₁(P_i-X_i)+C₂R₂(G-X_i) (10)

其中，W为惯性因子，表征粒子维持原速不变的能力；C₁为单粒子加速常数，表征粒子向他自己历史最优解出加速的能力；C₂位全局最优加速常数，表征粒子向当前全局最优解处加速的能力；R₁、R₂为两个0到1之间的随机数。

由于标准粒子群算法易出现早熟现象和收敛速度慢等问题，采用人工蜂群算子对粒子搜索到的历史最优位置进行引导搜索，从而使粒子尽快跳出局部最优点，即通过以下公式跳出局部最优点：

生成每只鹰的初始位置后，使种群在搜索空间内均匀分布，搜索范围更新如下：

其中：k∈{1，2，...，M}和J∈{1，2，...，D}为随机选取的指标，并且k不等于i；Φ_i,j为[0,1.5]之间的随机数。

关于前述鹰栖息优化机制的应用，结合路径规划、时间序列预测、图像处理进行求解，并在最优解附近进行二次采样，通过迭代执行全局搜索到局部搜索的转变以提高收敛精度。

s＝s×eta (12)

其中，s是搜索范围变量,实现算法在全局搜索和局部搜索之间的转变； eta是收缩变量,eta∈(0,1)。每只鹰的位置更新如下：

其中:为迭代至t+1次时第i只鹰的位置/>为迭代至t次的全局最优位置；Δx_i＝s*(R_i1,R_i2,...,R_in)用来反映鹰在搜索范围内的随机移动，R_in是 (-1,1)之间的随机数。

再通过以下公式反应群体的寻优状态：

r_s＝c_s/c (14)

其中，成功率r_s是指适应值减小的鹰的数目c_s占总数c的百分比，通过将成功率作为算法的反馈参数，使收缩变量随成功率的变化而自适应调整，计算公式如下：

eta＝(eta_max-eta_min)×r_s+eta_min (15)

在搜索过程中，eta与成功率r_s呈正相关。eta偏大，此时搜索范围变量缓慢减小，鹰种群适应值缓慢减小向最优区域靠近，全局搜索能力强；eta 偏小，搜索范围变量减小较快，鹰种群适应值在最优区域振荡，局部搜索能力强。成功率r_s对eta的改进有效实现了算法由全局搜索到局部搜索的自适应转变，提高了算法的收敛精度。

根据公式(13)更新种群适应值，公式(14)计算种群成功率，并根据公式 (15)和公式(12)更新收缩变量和搜索范围变量，迭代后对种群进行PSO操作，当达到最大迭代次数时停止，否则继续更新种群及适应值，最后便可以输出全局最优解和迭代曲线。

综上所述，本发明的主要设计构思在于，根据现有辅料数据，对仓库环境进行建模，细分辅料种类并采用混合算法实现精益化入库管理。具体地，根据卷烟辅料特性及状态，记录辅料种类和数量，课将专家知识引入辅料入库模型，综合考虑货架稳定性、出入库频率、空间利用率和货物相关性等引入货位分配模型，并基于K中心点聚类算法筛掉劣质货位范围；基于货物的体积、质量、结构等因素，建立满足水平稳定性和垂直稳定性的多目标货位稳定模型，优化货位分配与作业调度，同时引入鹰栖息优化机制以提高收敛精度及寻找全局最优解的能力，从而得到最优的辅料入库货位分配结果，为辅料入库货位分配的效率及质量提供可靠的技术支持。

本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (5)

1.一种基于鹰栖息优化的辅料入库货位分配方法，其特征在于，包括：

根据卷烟辅料特性及状态，记录辅料种类和数量，并基于中心点聚类算法分类筛选货位范围，包括：通过对辅料三维坐标进行定点约束，以兼顾最高的空间利用率以及辅料存于货架中的位置不被重复记录；

根据辅料尺寸将仓库按照货位尺寸划分为可堆垛和不可堆垛两类区域；

根据历史订单数据并结合基于鹰栖息优化机制的辅料入库货位分配策略，对铺料进行尺寸及承重力评估，并将辅料在可堆垛的区域按尺寸及重量分类；其中，所述辅料入库货位分配策包括基于粒子群改进的蜂群优化算法优化货位分配与作业调度，并对拣货路径进行求解，具体为：

根据个体粒子飞行速度推算出粒子在空间区域的搜索行为，利用个体粒子的飞行轨迹，通过反复更新有效路径寻找最优解；

在生成每只拣货的初始位置后，使种群在搜索空间内均匀分布，并对搜索范围进行更新；

结合路径规划、时间序列预测、图像处理进行求解，并在最优解附近进行二次采样，通过迭代执行全局搜索到局部搜索的转变，更新表征每只鹰的新位置的种群适应值；

通过预设的成功率表征群体的寻优状态，并作为反馈参数使收缩变量随成功率的变化而自适应调整；

根据辅料种类，将卷烟辅料配盘分为单配辅料任务和混配辅料任务；

将所有辅料种类缓存在缓存库后，判断机械手是否处于空置状态，对混合辅料库执行混配任务。

2.根据权利要求1所述的基于鹰栖息优化的辅料入库货位分配方法，其特征在于，所述根据卷烟辅料特性及状态，记录辅料种类和数量，并基于中心点聚类算法分类筛选货位范围包括：

将辅料分类输送至堆垛站台后，根据辅料类别及尺寸，基于三维空间对货位进行多目标规划，并采用中心点聚类算法对货位进行分类筛选。

3.根据权利要求2所述的基于鹰栖息优化的辅料入库货位分配方法，其特征在于，所述基于三维空间对货位进行多目标规划包括：

基于货架稳定性、出入库频率、空间利用率和货物相关性，建立多目标货位稳定模型。

4.根据权利要求1所述的基于鹰栖息优化的辅料入库货位分配方法，其特征在于，所述对铺料进行尺寸及承重力评估，并将辅料在可堆垛的区域按尺寸及重量分类包括：

根据历史订单数据选出若干项用于评价辅料堆放上下层级位置的关键分类指标；

采用专家经验将各项所述关键分类指标的权重进行定义；

根据所述权重和每种辅料相对于各关键分类指标的局部权重，计算各种辅料的总评分；

基于所述总评分将辅料在可堆垛的区域依次分类，并根据仓储尺寸将仓储空位进行三维立体空间划分。

5.根据权利要求1～4任一项所述的基于鹰栖息优化的辅料入库货位分配方法，其特征在于，所述方法还包括：根据不同辅料的尺寸，并结合不同时刻的辅料数量、可承压能力，建立最大空间优化率模型。