CN116187895B - 一种智能仓储货流规划方法、系统及电子设备 - Google Patents
一种智能仓储货流规划方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116187895B CN116187895B CN202310442794.6A CN202310442794A CN116187895B CN 116187895 B CN116187895 B CN 116187895B CN 202310442794 A CN202310442794 A CN 202310442794A CN 116187895 B CN116187895 B CN 116187895B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- individual
- target task
- warehouse
- 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
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q10/083—Shipping
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开一种智能仓储货流规划方法、系统及电子设备,涉及智能仓储技术领域。本发明先对获取的原始数据进行分解得到数据组,并确定数据组中每一数据的键值,接着,按照键值对数据组中的数据进行分类得到分类数据组,以分解后的分类数据为基础进行后续处理,能够显著提高数据处理效率。并且,在获取目标任务后,基于目标任务的键值调取分类数据组,最后,采用分配优化算法基于调取得到的分类数据组中存储的数据精确生成目标任务的货流规划结果,以实现货物资源的快速有效管理,以及智能仓储的科学预测。
Description
技术领域
本发明涉及智能仓储技术领域,特别是涉及一种智能仓储货流规划方法、系统及电子设备。
背景技术
对许多复杂的系统,难以建立有效的数学模型,也难以用常规的控制理论去进行定量计算和分析,而必须采用定量方法与定性方法相结合的控制方式。智能控制系统应用广泛,但在仓储管理领域,大多数仓储管理控制系统所监控的项目较为单一,由监控系统、显示系统和控制系统等多个系统组合管理控制,集成度较低,且各个系统之间无数据交互,各自相对独立,对于各种信息的整合带来诸多不便,进而导致无法快速有效的管理货物资源。
发明内容
为解决现有技术存在的上述问题,本发明的目的是提供一种智能仓储货流规划方法、系统及电子设备。
为实现上述目的,本发明提供了如下方案:
一种智能仓储货流规划方法,包括:
获取仓库的原始数据;所述原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签;
对所述原始数据进行分解得到数据组,并确定所述数据组中每一数据的键值;
按照所述键值对所述数据组中的数据进行分类得到分类数据组;
获取目标任务和所述目标任务的键值;
基于所述目标任务的键值调取所述分类数据组;
采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果;所述分配优化算法为遗传算法和罚分思想结合得到的算法。
可选地,在获取仓库的原始数据之前,还包括:
以每秒N次的采样频率采集所述原始数据;
确定当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值;
确定当前时刻采集到的N个原始数据中最大数据与最小数据间的差值;
当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值满足第一预设值,或当前时刻采集到的N个原始数据中最大数据与最小数据间的差值满足第二预设值时,获取所述原始数据;
当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值不满足第一预设值,且当前时刻采集到的N个原始数据中最大数据与最小数据间的差值不满足第二预设值时,生成数据传输故障信号。
可选地,在基于所述目标任务的键值调取所述分类数据组之前,还包括:
获取与所述目标任务对应的仓库ID;
当所述仓库ID属于物资库存管理数据时,基于所述目标任务的键值调取所述分类数据组;
当所述仓库ID不属于物资库存管理数据时,生成报警信号。
可选地,采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果,具体包括:
从所述目标任务中选择多个订单,生成订单集合;
基于所述订单集合生成族群,并将这一族群作为祖群;
对祖群个体进行基因交叉分配和基因突变处理;
基于罚分思想确定经基因交叉分配和基因突变处理后每一个体的适应值;
基于所述适应值对祖群中的个体进行排序得到个体序列;
以适应值最小的个体为起点,从所述个体序列中选出p个个体作为二代祖群;
将祖群中剩余个体的最小适应值和所述二代祖群中个体的最小适应值作差得到进化程度;
判断所述进化程度是否满足进化要求,得到判断结果;
当所述判断结果为是时,将最小适应值对应的个体的基因作为所述目标任务的货流规划结果;
当所述判断结果为否时,返回对祖群个体进行基因交叉分配和基因突变处理的步骤,直至所述进化程度满足进化要求时,将最小适应值对应的个体的基因作为所述目标任务的货流规划结果。
可选地,所述适应值的确定公式为:
;
式中,表示第/>代祖群的第/>个个体的适应值,/>为路程系数,表示第/>代祖群的第/>个个体的第/>个基因的路程分数,/>为温湿度系数,表示第/>代祖群的第/>个个体的第/>个基因的温度分数,/>为时间系数,表示第/>代祖群的第/>个个体的第/>个基因的时间分数,/>为基因长度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的智能仓储货流规划方法,先对获取的原始数据进行分解得到数据组,并确定数据组中每一数据的键值,接着,按照键值对数据组中的数据进行分类得到分类数据组,以分解后的分类数据为基础进行后续处理,能够显著提高数据处理效率。并且,在获取目标任务后,基于目标任务的键值调取分类数据组,最后,采用分配优化算法基于调取得到的分类数据组中存储的数据精确生成目标任务的货流规划结果,以实现货物资源的快速有效管理,以及智能仓储的科学预测。
为实施上述提供的智能仓储货流规划方法,本发明还提供了以下实施结构:
一种智能仓储货流规划系统,应用于上述提供的智能仓储货流规划方法;所述系统包括:
基础设施层,用于采集仓库的原始数据;所述原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签;
平台层,与所述基础设施层进行数据交互,用于获取仓库的原始数据,用于对所述原始数据进行分解得到数据组,并确定所述数据组中每一数据的键值,按照所述键值对所述数据组中的数据进行分类得到分类数据组;
应用层,分别与所述平台层和所述基础设施层进行数据交互,用于存储所述分类数据组,用于获取目标任务和所述目标任务的键值,基于所述目标任务的键值调取所述分类数据组,采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果;所述分配优化算法为遗传算法和罚分思想结合得到的算法;
所述基础设施层还用于基于货流规划结果完成所述目标任务。
可选地,所述应用层包括多个云端服务器;每一分类数据组存储在一个云端服务器中;
当基于所述目标任务的键值调取得到对应的分类数据组后,采用存储这一分类数据组的云端服务器生成所述目标任务的货流规划结果。
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施上述提供的智能仓储货流规划方法。
因本发明提供的上述两种实施结构与本发明提供的智能仓储货流规划方法实现了相同的技术效果,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明提供的智能仓储货流规划方法的流程图;
图2为本发明提供的智能仓储货流规划系统的结构示意图;
图3为采用本发明提供的智能仓储货流规划系统进行货流规划的实施架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种智能仓储货流规划方法、系统及电子设备,能够对货物资源进行快速有效的管理,并实现智能仓储的科学预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的智能仓储货流规划方法,包括:
步骤100:获取仓库的原始数据。原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签。
步骤101:对原始数据进行分解得到数据组,并确定数据组中每一数据的键值。
步骤102:按照键值对数据组中的数据进行分类得到分类数据组。
步骤103:获取目标任务和目标任务的键值。
步骤104:基于目标任务的键值调取分类数据组。
步骤105:采用分配优化算法基于调取得到的分类数据组中存储的数据生成目标任务的货流规划结果。
步骤105中,采用的分配优化算法为遗传算法和罚分思想结合得到的算法。基于此,步骤105的实施过程可以为:
从目标任务中选择多个订单,生成订单集合。
基于订单集合生成族群,并将这一族群作为祖群。
对祖群个体进行基因交叉分配和基因突变处理。
基于罚分思想确定经基因交叉分配和基因突变处理后每一个体的适应值。
基于适应值对祖群中的个体进行排序得到个体序列。
以适应值最小的个体为起点,从个体序列中选出p个个体作为二代祖群。
将祖群中剩余个体的最小适应值和二代祖群中个体的最小适应值作差得到进化程度。
判断进化程度是否满足进化要求,得到判断结果。
当判断结果为是时,将最小适应值对应的个体的基因作为目标任务的货流规划结果。
当判断结果为否时,返回对祖群个体进行基因交叉分配和基因突变处理的步骤,直至进化程度满足进化要求时,将最小适应值对应的个体的基因作为目标任务的货流规划结果。
为了避免因数据干扰而导致出现货流规划结果不准确的问题,在获取仓库的原始数据之前,还需要进一步确定采集的数据能否使用,其中:以每秒N次的采样频率采集原始数据。确定当前时刻采集到的N个(例如5000个)原始数据的平均值和上一秒采集到的N个原始数据的平均值。确定当前时刻采集到的N个原始数据中最大数据与最小数据间的差值。当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值满足第一预设值,或当前时刻采集到的N个原始数据中最大数据与最小数据间的差值满足第二预设值时,获取原始数据。当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值不满足第一预设值,且当前时刻采集到的N个原始数据中最大数据与最小数据间的差值不满足第二预设值时,说明存在数据干扰,此时采集的数据不能使用,所以生成数据传输故障信号。
进一步,为了提高仓储管理的安全性,在实际应用过程中,还可以获取与目标任务对应的仓库ID。当仓库ID属于物资库存管理数据时,基于目标任务的键值调取分类数据组。当仓库ID不属于物资库存管理数据时,生成报警信号。经过这一处理,能够有效杜绝伪造ID的入侵。
进一步,为了实施本发明上述提供的智能仓储货流规划方法,还提供了一种智能仓储货流规划系统。如图2所示,该系统包括:
基础设施层,用于采集仓库的原始数据。原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签。
平台层,与基础设施层进行数据交互,用于获取仓库的原始数据,用于对原始数据进行分解得到数据组,并确定数据组中每一数据的键值,按照键值对数据组中的数据进行分类得到分类数据组。
应用层,分别与平台层和基础设施层进行数据交互,用于存储分类数据组,用于获取目标任务和目标任务的键值,基于目标任务的键值调取分类数据组,采用分配优化算法基于调取得到的分类数据组中存储的数据生成目标任务的货流规划结果。分配优化算法为遗传算法和罚分思想结合得到的算法。
在得到货流规划结果后,应用层将这一结果反馈给基础设施层,以使基础设施层基于货流规划结果完成目标任务。
并且,为了进一步提高数据处理的效率,应用层中可以设置多个云端服务器。每一分类数据组存储在一个云端服务器中。
当基于目标任务的键值调取得到对应的分类数据组后,采用存储这一分类数据组的云端服务器生成目标任务的货流规划结果。
下面以上述提供的智能仓储货流规划系统为实施结构,对上述提供的智能仓储货流规划方法的实际应用过程进行说明。
智能仓储货流规划系统的最底层为基础设施层,其包括基本的软硬件设施,如分布式仓储资源、射频识别(Radio Frequency Identification,RFID)感知设备、温湿度传感器、网络设备、货运机器人、MongoDB分布嵌入式数据库等。中间层为平台层。平台层主要完成虚拟信息资源的收集和处理。最高层为应用层。应用层将华为云作为云端服务器进行货运路径规划计算。
基础设施层是整个系统的硬件基础,包含各种采集数据的传感器,如温度传感器、湿度传感器、RFID感知器和摄像头等,它们负责采集仓库的各种原始数据,通过交换机传输给平台层。平台层是数据的中转站,在这里原始数据会经过简单处理,得到有效数据,最终通过光纤传入应用层。应用层通过对数据的有效规划,将规划结果传输给基础设施层的执行机构,如温湿度恒定保持器、货运机器人等。
应用层中的云端服务器的基于遗传算法的仓储货流规划为本发明的重点。
基于系统的上述结构,其工作原理和使用流程如下:
1、工作原理
(1)利用MongoDB分布嵌入式数据库将输入和采集的所有数据分解成若干个大的数据组。
(2)选择某个具有代表性的字段作为一个数据组中数据的键值,如温度数据中的“℃”,或者货运机器人数量的“个”等。
(3)将这一键值作为数据分区的主要依据,并对这些键值进行编号,如将“℃”记为01,将“个”记为02等。
(4)基于编号后的键值,对数据组中的数据进行分类处理,建立不同数据的分区,并存放于不同的云端服务器或本地计算机上,至此实现了将数据按类进行存放的目的。
(5)当系统查询仓库ID属于物资库存管理时,将目标任务需要的键值发送到数据分区所在的云端服务器上,以快速得到某类数据。物资库存管理得内容可以依据仓库实际仓储的需求设定。
(6)应用层基于得到的某类数据进行仓储货流规划,并将规划结果通过网络连接返回给云服务终端的管理者界面,管理者(普通仓储管理员或超级仓储管理员)看到管理者界面后可将这份结果作为调度仓库资源的参考。也可以是,应用层直接将规划结果反馈给基础设施层,以调度基础设施层中的执行机构完成目标任务。
2、使用流程
(1)普通管理员或超级管理员通过登入门户网站(即网站接入的方式)获得云端服务器的使用权限,可以实时监控仓库(仓库1、仓库2、仓库3、仓库4……)的各项指标,如温度、湿度、仓储资源分布情况、货运机器人坐标、货运机器人个数、货运机器人是否空闲等。
(2)普通管理员或者超级管理员输入目标任务以及对应的货运机器人,发出规划请求。
(3)基础设施层会将各个仓库的温湿度、机器人与各个仓库的距离、RFID数据和货物存储时间等传入平台层。
(4)平台层将各个数据统计计算之后共享给应用层。
其中,最原始的各项数据,如温度T、湿度W、仓储资源分布S等,在基础设施层的硬件条件下,以每秒5000次的采样频率向平台层传输数据。以温度为例,计算第秒5000个数据的平均值/>,并与/>秒的计算结果/>相比较,两者差值要符合预设值/>,这个预设值通常由普通管理员或者超级管理员给定。再计算最大最小值间的差值/>,差值/>应小于给定值/>,如/>。若不满足上述两个条件,则认为该次数据传输存在干扰,平台层不会将本次数据上传应用层,并等待下一秒数据的传输。
(5)应用层利用平台层提供的数据进行仓库货流规划。仓库货流规划算法是基于遗传算法和罚分思想的结合的分配优化算法。
将分配问题描述为:有个可用的货运机器人,表示为一个集合。顾客所需的订单个数为/>个,表示为/>集合。所求的结果是/>个机器人对其中/>个订单的最优完成结果。如图3所示,该算法具体步骤如下:
1)初始化所有数据,随机生成群组(即构造族群):将个订单中选取/>个,并按照一定顺序排列,形成集合/>,其中机器人/>完成订单/>,机器人/>完成订单/>,以此类推。将/>个订单/>视为基因,则将集合/>称为一个个体,此时其基因长度为/>。随机生成/>个个体/>则组成一个族群,将这个族群称为祖群。
2)基因交叉分配:祖群个体之间进行交叉分配基因,分配规则如下:个个体之间随机两两分配基因,各自将基因分为前q段及后n-q段,然后交叉结合,形成两个新的个体。若基因交换之后,其中个体的不同基因代表的货运机器人同时指向了一个订单时,则将其视为劣质个体,淘汰出这个祖群。
3)基因突变:基因突变发生在祖群中,将突变概率设置为1%,突变的祖群个体随机交换其两个基因片段的顺序,即随机交换两个货运机器人的订单分配。
4)计算适应值:常用的适应值是完成任务所走的路程。考虑到实际的应用场景,以及可能涉及到易腐烂的储存货物、加入库存时长以及所在仓库的温湿度和储存时长等因素。根据罚分思想,定义适应值的计算公式为:
;
式中,表示第/>代祖群的第/>个个体的适应值。/>为路程系数,可根据实际选择。/>表示第/>代祖群的第/>个个体的第/>个基因的路程分数,,/>为第/>代祖群的第/>个个体的第/>个基因代表的货运机器人完成其订单所需的路程,/>代表第/>代祖群中基因的最长路程。/>为温湿度系数,可根据实际库存货物对温度和湿度的易腐程度选择。/>表示第/>代祖群的第个个体的第/>个基因的温度分数,/>,/>为第/>代祖群的第/>个个体的第/>个基因代表的被完成的订单货物存储温度,/>为第/>代祖群中基因代表的货物的最高温度。/>为时间系数,根据实际库存货物的保质期长短选择。/>表示第/>代祖群的第/>个个体的第/>个基因的时间分数,/>,为第/>代祖群的第/>个个体的第/>个基因代表的被完成的订单货物存储时间,为第/>代祖群的第/>个个体的第/>个基因代表的货物的最长存储时间。/>为基因长度。
5)根据适应值生成新的族群(即族群淘汰):将祖群以及新生成的个体按适应值进行排序,选出适应值最小的p个个体,这p个个体称为二代祖群。
将祖群与二代祖群的最小适应值进行作差,得到进化程度。其中,进化程度/>的确定公式为:
。式中,/>为祖群的最小适应值,/>为二代祖群的最小适应值,| |为绝对值运算。
6)选取判断值,通常判断值/>是一个很小的接近于0的数,若进化程度/>大于判断值/>,则重复上述步骤2)至步骤5),直到进化程度/>小于判断值/>,代表祖群进化到了极限。则这一代祖群中适应值最小的个体的基因对应的方案则为最优规划结果。最优规划结果中基因组成的集合就是机器人完成订单的最优分配方法,规划的结果就是哪个机器人完成哪个订单。
(6)应用层将最优规划结果通过网络连接返回给管理者界面,管理者可将这份结果作为调度仓库资源的参考。
本发明还提供了一种电子设备,该电子设备包括:
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序,以实施上述提供的智能仓储货流规划方法。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种智能仓储货流规划方法,其特征在于,包括:
获取仓库的原始数据;所述原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签;
对所述原始数据进行分解得到数据组,并确定所述数据组中每一数据的键值;
按照所述键值对所述数据组中的数据进行分类得到分类数据组;
获取目标任务和所述目标任务的键值;
基于所述目标任务的键值调取所述分类数据组;
采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果;所述分配优化算法为遗传算法和罚分思想结合得到的算法;
在获取仓库的原始数据之前,还包括:
以每秒N次的采样频率采集所述原始数据;
确定当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值;
确定当前时刻采集到的N个原始数据中最大数据与最小数据间的差值;
当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值满足第一预设值,或当前时刻采集到的N个原始数据中最大数据与最小数据间的差值满足第二预设值时,获取所述原始数据;
当当前时刻采集到的N个原始数据的平均值和上一秒采集到的N个原始数据的平均值间的差值不满足第一预设值,且当前时刻采集到的N个原始数据中最大数据与最小数据间的差值不满足第二预设值时,生成数据传输故障信号。
2.根据权利要求1所述的智能仓储货流规划方法,其特征在于,在基于所述目标任务的键值调取所述分类数据组之前,还包括:
获取与所述目标任务对应的仓库ID;
当所述仓库ID属于物资库存管理数据时,基于所述目标任务的键值调取所述分类数据组;
当所述仓库ID不属于物资库存管理数据时,生成报警信号。
3.根据权利要求1所述的智能仓储货流规划方法,其特征在于,采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果,具体包括:
从所述目标任务中选择多个订单,生成订单集合;
基于所述订单集合生成族群,并将这一族群作为祖群;
对祖群个体进行基因交叉分配和基因突变处理;
基于罚分思想确定经基因交叉分配和基因突变处理后每一个体的适应值;
基于所述适应值对祖群中的个体进行排序得到个体序列;
以适应值最小的个体为起点,从所述个体序列中选出p个个体作为二代祖群;
将祖群中剩余个体的最小适应值和所述二代祖群中个体的最小适应值作差得到进化程度;
判断所述进化程度是否满足进化要求,得到判断结果;
当所述判断结果为是时,将最小适应值对应的个体的基因作为所述目标任务的货流规划结果;
当所述判断结果为否时,返回对祖群个体进行基因交叉分配和基因突变处理的步骤,直至所述进化程度满足进化要求时,将最小适应值对应的个体的基因作为所述目标任务的货流规划结果。
4.根据权利要求3所述的智能仓储货流规划方法,其特征在于,所述适应值的确定公式为:
;
式中,表示第/>代祖群的第/>个个体的适应值;/>为路程系数;表示第/>代祖群的第/>个个体的第/>个基因的路程分数,,/>为第/>代祖群的第/>个个体的第/>个基因代表的货运机器人完成其订单所需的路程,/>代表第/>代祖群中基因的最长路程;/>为温湿度系数,根据实际库存货物对温度和湿度的易腐程度选择;/>表示第/>代祖群的第/>个个体的第/>个基因的温度分数,/>,/>为第/>代祖群的第/>个个体的第/>个基因代表的被完成的订单货物存储温度;/>为时间系数,根据实际库存货物的保质期选择;/>表示第/>代祖群的第/>个个体的第/>个基因的时间分数,/>,/>为第/>代祖群的第/>个个体的第/>个基因代表的被完成的订单货物存储时间,/>为第/>代祖群的第/>个个体的第/>个基因代表的货物的最长存储时间;/>为基因长度。
5.一种智能仓储货流规划系统,其特征在于,应用于如权利要求1-4任意一项所述的智能仓储货流规划方法;所述系统包括:
基础设施层,用于采集仓库的原始数据;所述原始数据包括:货运机器人的个数、货运机器人的坐标、货运机器人的工作状态和仓库存储货物的RFID标签;
平台层,与所述基础设施层进行数据交互,用于获取仓库的原始数据,用于对所述原始数据进行分解得到数据组,并确定所述数据组中每一数据的键值,按照所述键值对所述数据组中的数据进行分类得到分类数据组;
应用层,分别与所述平台层和所述基础设施层进行数据交互,用于存储所述分类数据组,用于获取目标任务和所述目标任务的键值,基于所述目标任务的键值调取所述分类数据组,采用分配优化算法基于调取得到的分类数据组中存储的数据生成所述目标任务的货流规划结果;所述分配优化算法为遗传算法和罚分思想结合得到的算法;
所述基础设施层还用于基于货流规划结果完成所述目标任务。
6.根据权利要求5所述的智能仓储货流规划系统,其特征在于,所述应用层包括多个云端服务器;每一分类数据组存储在一个云端服务器中;
当基于所述目标任务的键值调取得到对应的分类数据组后,采用存储这一分类数据组的云端服务器生成所述目标任务的货流规划结果。
7.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施如权利要求1-4任意一项所述的智能仓储货流规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442794.6A CN116187895B (zh) | 2023-04-24 | 2023-04-24 | 一种智能仓储货流规划方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442794.6A CN116187895B (zh) | 2023-04-24 | 2023-04-24 | 一种智能仓储货流规划方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187895A CN116187895A (zh) | 2023-05-30 |
CN116187895B true CN116187895B (zh) | 2023-07-18 |
Family
ID=86452423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442794.6A Active CN116187895B (zh) | 2023-04-24 | 2023-04-24 | 一种智能仓储货流规划方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187895B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
WO2022262469A1 (zh) * | 2021-06-18 | 2022-12-22 | 重庆邮电大学工业互联网研究院 | 一种基于博弈论的工业园区物流调度方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022040809A1 (en) * | 2020-08-28 | 2022-03-03 | Langen H J Paul | Warehouse system for fulfilling orders |
CN113393199B (zh) * | 2021-07-06 | 2022-08-16 | 链盟智能科技(广州)有限公司 | 一种基于遗传算法带时间窗多仓点装卸路径规划系统 |
CN115033638A (zh) * | 2022-05-30 | 2022-09-09 | 四川大学 | 一种面向数字化仓储的货品周转模式可视化方法 |
CN115481897A (zh) * | 2022-09-20 | 2022-12-16 | 浙江理工大学 | 一种agv无人仓库设备优化配置方法 |
-
2023
- 2023-04-24 CN CN202310442794.6A patent/CN116187895B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
WO2022262469A1 (zh) * | 2021-06-18 | 2022-12-22 | 重庆邮电大学工业互联网研究院 | 一种基于博弈论的工业园区物流调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116187895A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111475804A (zh) | 一种告警预测方法及系统 | |
CN110399728B (zh) | 一种边缘计算节点信任评估方法、装置、设备及存储介质 | |
CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
CN112053092B (zh) | 工单的处理方法、装置、可读介质以及设备 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN105528669B (zh) | 用于电力系统的负荷预测系统 | |
CN112751785B (zh) | 待处理请求发送方法、装置、计算机设备及存储介质 | |
CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 | |
CN113792892A (zh) | 联邦学习建模优化方法、设备、可读存储介质及程序产品 | |
CN111754261B (zh) | 一种车辆出租意愿的评估方法、装置及终端设备 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN116187895B (zh) | 一种智能仓储货流规划方法、系统及电子设备 | |
CN116805203A (zh) | 基于物联网的施工管理方法及系统 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
CN114723239A (zh) | 一种多方协同建模方法、装置、设备、介质及程序产品 | |
CN115016911A (zh) | 面向大规模联邦学习的任务编排方法、装置、设备和介质 | |
CN115358755A (zh) | 一种网格精细化分层的方法及装置 | |
Biagi et al. | Decision making and project selection: An innovative MCDM methodology for a technology company | |
CN115718740A (zh) | 用于稀疏时间序列数据集的数据插补的方法和装置 | |
Beltran-Royo et al. | An effective heuristic for multistage linear programming with a stochastic right-hand side | |
CN112884391A (zh) | 收派件规划方法、装置、电子设备及存储介质 | |
Shi et al. | Medical cloud computing risk prediction method based on analytic hierarchy process and MRHGA-RBF neural networking optimization | |
Singh et al. | A feature extraction and time warping based neural expansion architecture for cloud resource usage forecasting | |
CN112036502B (zh) | 图像数据比对方法、装置及系统 |
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 |