CN116308063A - 一种货位分配方法及系统 - Google Patents

一种货位分配方法及系统 Download PDF

Info

Publication number
CN116308063A
CN116308063A CN202310340076.8A CN202310340076A CN116308063A CN 116308063 A CN116308063 A CN 116308063A CN 202310340076 A CN202310340076 A CN 202310340076A CN 116308063 A CN116308063 A CN 116308063A
Authority
CN
China
Prior art keywords
goods
cargo space
individual
picking
cargo
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
CN202310340076.8A
Other languages
English (en)
Inventor
侯恩庆
段红杰
施先亮
李琳
杨叶飞
吴东海
陈润泽
马子涵
余欣玥
赵新元
万子怡
高海军
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 CN202310340076.8A priority Critical patent/CN116308063A/zh
Publication of CN116308063A publication Critical patent/CN116308063A/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
    • G06Q10/08—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
    • 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"

Landscapes

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

Abstract

本发明公开了一种货位分配方法及系统，获取从每个货位到储存区出口的拣货时间以及货架总重心；以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；求解货位分配模型，获得最优的货位分配方案；使得货位分配合理，缩短拣货耗时，提高了拣货效率，而且又提高了货架的稳定性。

Description

一种货位分配方法及系统
技术领域
本发明属于仓储技术领域，具体地说，是涉及一种货位分配方法及系统。
背景技术
目前的货位分配方法主要依靠ABC分类法来完成。
在对货物进行ABC分类后，获得了不同级别的货物存放的大致货位区域。但是ABC分类法具有一定的片面性和局限性，货位分配的合理性不强，导致拣货耗时较长，拣货效率低。而且，由于货位分配不合理，导致货架的稳定性也较差。
发明内容
本发明提供了一种货位分配方法，解决了现有技术中拣货耗时长、货架稳定性差的技术问题。
为解决上述技术问题，本发明采用下述技术方案予以实现：
一种货位分配方法，包括：
获取从每个货位到储存区出口的拣货时间以及货架总重心；
以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；
求解所述货位分配模型，获得货位分配方案。
本申请一些实施例中，所述获取从每个货位到储存区出口的拣货时间，具体包括：
坐标(x，y，z)的货位所储存的货物的拣货时间f1的计算公式为：
Figure BDA0004158202540000021
其中，a、b分别表示货架的列数、排数；
x、y、z分别表示第x列、第y排、第z层货架；
w1、w2分别表示储存区纵向巷道、横向巷道的宽度；
L、w分别表示货位的长度、宽度；
V1、V2分别表示拣货设施或拣货员在横向、纵向的速度；
tz为拣货设施或拣货员从第z层货架到地面的耗时。
本申请一些实施例中，货架总重心的计算公式为：
Figure BDA0004158202540000022
其中，
a、b、c分别表示货架的列数、排数、层数；
Mxyz为货位(x、y、z)上储存货物的最大重量；
h表示货位的高度。
本申请一些实施例中，所述以拣货总时间最短和货架总重心最低为目标，建立货位分配模型，具体包括：
以拣货总时间最短为目标，建立第一目标函数：
Figure BDA0004158202540000023
以货架总重心最低为目标，建立第二目标函数：
Figure BDA0004158202540000031
约束条件：
Figure BDA0004158202540000032
其中，
Pxyz为货位(x，y，z)上储存货物的周转率。
本申请一些实施例中，采用遗传算法求解所述货位分配模型，具体包括：
S3-1：生成初始种群；
S3-2：计算当前种群中每个个体的适应度值，找出适应度值最大的个体，记录这个个体为当前最优个体；
S3-3：在当前种群中，采用比例选择法进行选择操作、采用单点交叉方式进行交叉操作、采用均匀变异算子进行变异操作，得到新一代种群；
S3-4：计算新一代种群中的每个个体的适应度值，找出适应度值最大的个体，作为该种群的最优个体；
将该种群最优个体的适应度值与当前最优个体的适应度值比较，将其中适应度值较大的个体作为当前最优个体；迭代次数加1；
S3-5：判断迭代次数是否达到最大迭代次数；
如果未达到最大迭代次数，则返回S3-3；
如果达到最大迭代次数，则执行S3-6：输出当前最优个体，获得对应的货位分配方案。
本申请一些实施例中，利用下述适应度函数计算个体的适应度值：
Figure BDA0004158202540000033
其中，k1、k2为权重，k1、k2均为大于0的常数，k1+k2＝1。
本申请一些实施例中，k1＝0.5，k2＝0.5。
本申请一些实施例中，在交叉操作中，交叉概率为0.9。
本申请一些实施例中，在变异操作中，变异概率为0.1。
一种货位分配系统，包括控制模块，所述控制模块执行所述的货位分配方法。
与现有技术相比，本发明的优点和积极效果是：本发明的货位分配方法及系统，获取从每个货位到储存区出口的拣货时间以及货架总重心；以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；求解货位分配模型，获得最优的货位分配方案；使得货位分配合理，缩短拣货耗时，提高了拣货效率，而且又提高了货架的稳定性。
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
图1是储存区布局图；
图2是本发明所提出的货位分配方法的一个实施例的流程图；
图3是图2中S3的流程图；
图4是部分货品及对应的货位坐标。
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。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
实施例一、
存储区的布局如图1所示，假设储存区的货架共有a列、b排、c层(a、b、c均为偶数)。
货物的位置用(x，y，z)来表示，即第x列第y排第z层货架。
紧邻储存区入口的第1列第1排第1层货架的坐标为(1，1，1)。
储存区的纵向巷道的宽度用w1表示，横向巷道的宽度用w2表示。
货架上各个货位规格一致，其长宽高分别用L、w、h进行表示。
各种货物的周转率及在货位满储时的最大质量已知，其中货物周转率表示为Pxyz，在货位储存的最大质量表示为Mxyz。
拣货设施或拣货员在横纵两个方向的速度分别为v1、v2，拣货设施或拣货员在第z层货位的作业时间为tz。
结合储存区的实际布局情况及货位坐标设置，进行以下假设：
(1)货架上各个货位规格一致，且每个货位仅存放一种SKU；
(2)仅考虑拣货作业时间，不考虑补货情况及订单的空闲等待时间；
(3)货位数量不变，且货位数多于入库的货品数；
(4)拣货设施或拣货员各方向行走速度均匀保持不变；
(5)拣货设施或拣货员在各层货位作业时间保持不变。
符号说明：
a、b、c分别表示货架的列数、排数、层数；
x、y、z分别表示第x列、第y排、第z层货架；(x，y，z)表示货位坐标，即第x列、第y排、第z层货架；
L、w、h分别表示货位的长度、宽度、高度；
w1、w2分别表示储存区纵向巷道、横向巷道的宽度；
V1、V2分别表示拣货设施或拣货员在横向、纵向的速度；
tz为拣货设施或拣货员在第z层货架的拣货耗时；即从第z层货架到地面的耗时；
Pxyz为货位(x，y，z)上储存货物的周转率；
Mxyz为货位(x、y、z)上储存货物的最大重量；
f1为货位(x，y，z)上所储存货物完成拣货的耗时。
下面，结合附图详细说明本发明的货位分配方法的步骤。
本实施例的货位分配方法，主要包括下述步骤，参见图2所示。
步骤S1：获取从每个货位到储存区出口的拣货时间以及货架总重心。
(1)坐标(x，y，z)的货位上的货物，从货位到储存区出口的拣货时间f1包括三部分：在第z层货架上的拣货耗时，在纵向巷道的耗时，在横向巷道的耗时。
通过单个货位距储存区出口的距离、根据拣货设施或拣货人员各方向的速度及在不同货位的拣货速度，确定出拣货设施或拣货员对某一货位的货物进行分拣并运输到储存区出口处的总耗时。
坐标(x，y，z)的货位所储存的货物完成分拣耗费的拣货时间f1的计算公式如下：
Figure BDA0004158202540000061
该拣货时间计算公式综合考虑了横向、纵向以及竖直方向上的拣货耗时，能够准确计算出每个货位的拣货耗时。
(2)假设坐标(x，y，z)的货位所储存货物的最大重量为Mxyz，重心高度取最高处货位的重心位置，第x列货架垂直重心表达式为：
Figure BDA0004158202540000071
本申请一些实施例中，货架总重心的计算公式为：
Figure BDA0004158202540000072
该公式考虑货位所储存货物的最大重量Mxyz，可以计算出比较准确的货架总重心。
步骤S2：以拣货总时间最短和货架总重心最低为目标，建立货位分配模型。
(S2-1)拣货总耗时
Figure BDA0004158202540000073
以拣货总时间最短为目标，建立第一目标函数：
Figure BDA0004158202540000074
Pxyz为坐标(x，y，z)的货位所储存货物的周转率；
f1为坐标(x，y，z)的货位的拣货时间；
F1(x,y,z)表示拣货总耗时；
minF1(x,y,z)是第一目标函数，考虑了货物周转率，可以提高拣货效率。
(S2-2)为了满足货架安全性和稳定性的需求，以货架总重心最低为目标，建立第二目标函数：
Figure BDA0004158202540000081
F2(x,y,z)表示货架总重心；
minF2(x,y,z)是在考虑货架稳定性的第二目标函数。
建立上述第二目标函数，货架所储存货物重量合理分布，以保证货架重心尽可能的偏低，降低货架倾倒或损坏的风险，保证货架稳定性，提升仓库储存的安全性。
(S2-3)约束条件：
Figure BDA0004158202540000082
a，b，c均为正整数，货架共有a列b排c层，其中a、b、c分别代表列、排、层的最大值。
通过设计货位分配模型包括第一目标函数、第二目标函数、约束条件，同时考虑约束条件、拣货时间以及货架稳定性，可求得拣货时间及货架稳定性的最优解，获得最优的货位分配方案。
步骤S3：求解货位分配模型，获得货位分配方案。
通过对货位分配模型的求解，求得一个最优解，该最优解为最优的货位分配方案，使得拣货总时间最短、货架总重心最低，既提高拣货效率，又保证货架的稳定性。
本实施例的货位分配方法，获取从每个货位到储存区出口的拣货时间以及货架总重心；以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；求解货位分配模型，获得最优的货位分配方案；使得货位分配合理，缩短拣货耗时，提高了拣货效率，而且又提高了货架的稳定性。
本实施例中，采用遗传算法求解上述货位分配模型。
遗传算法借鉴生物进化的过程来解决问题，在种群中通过交叉、变异等操作逐步找到更优的解，并淘汰较差的解，多次进化后得到近似最优解。
(1)编码设计。
编码是遗传算法设计的关键步骤之一，它是解空间与问题空间转换的桥梁，编码方式直接影响遗传算法的运算结果。目前常用的编码方式为实数编码、二进制编码、浮点数编码等。
通过编码将货物信息表示为染色体，将货物信息作为研究变量，参与后续运算。在所建立的货位分配模型中，对货位坐标进行编码，在编码方式的选择中，二进制编码后需要解码，较为繁琐，因此选择十进制整数编码方式对货位坐标进行编码。使用整数编码时，染色体中的一个基因就储存着一个货位信息，而货位坐标是三维的，因此每个基因由3个整数表示，此外，每条染色体的基因内容和数量就对应着货位分配方案。
假设选择三个货位，坐标分别为(12，3，2)、(1，12，2)、(3，1，2)，则整数编码后就是“120302011202030102”，这是由于货位较多，排和列最高都不是个位数，因此对于个位数的坐标在编码时需要补0。
(2)种群初始化。
种群规模对运算的速度、准确度有一定影响，种群规模较小时会导致运算过快结束，不能保证结果为全局最优解；种群规模过大时又会造成运算难度大幅增加，迭代次数增多，运算时间与难度也大大增加等问题。
(3)适应度函数确立。
适应度函数的作用是制定标准，淘汰不适合的个体。适应度函数值越高的个体，被保留下来的概率越大。在进行货位分配过程中，目标函数追求时间最短、重心最低这样的极小值情况，而适应度函数需要求解最大值。
(4)算子设计。
算子设计主要包括选择算子、交叉算子、变异算子设计。针对选择算子剔除较差个体的特性，在求解模型的过程中采用比例选择法挑选个体，适应度越高的个体留下的概率越大；针对交叉算子，在求解模型的过程中采用单点交叉方式，随机选择两个染色体位串中某一点进行交叉操作、基因互换成为新个体；针对变异算子，利用均匀变异算子进行变异操作，增加个体多样性，避免计算过程收敛过早。
(5)控制参数及终止条件。
在遗传算法中控制参数包括交叉概率、变异概率、种群数量等。一般设置的种群数量在10-500之间，交叉概率一般取值为0.4-0.99之间，根据不同的仓库数据，控制参数与终止条件有所不同。
本实施例的采用遗传算法求解上述货位分配模型，具体包括下述步骤，参见图3所示。
S3-1：生成初始种群。
初始种群包括多条染色体，每条染色体对应着一种货位分配方案。
种群数量的取值范围为10～500之间，例如，种群数量为100。
最大迭代次数为1000。
S3-2：计算当前种群中每个个体的适应度值，找出适应度值最大的个体，记录这个个体为当前最优个体。
S3-3：在当前种群中，采用比例选择法进行选择操作、采用单点交叉方式进行交叉操作、采用均匀变异算子进行变异操作，得到新一代种群。
选择操作：采用比例选择法挑选个体。适应度值越高的个体被选中的概率越大。
交叉操作：采用单点交叉方式，随机选择两个染色体位串中某一点进行交叉操作、基因互换成为新个体。
变异操作：针对变异算子，考虑利用均匀变异算子进行变异操作，增加个体多样性。
S3-4：计算新一代种群中的每个个体的适应度值，找出适应度值最大的个体，作为该种群的最优个体。
本实施例中，多次运用爬山法，保留精英个体，防止陷入局部最优。
将该种群最优个体的适应度值与当前最优个体的适应度值比较，将其中适应度值较大的个体作为当前最优个体；迭代次数加1。
S3-5：判断迭代次数是否达到最大迭代次数。
如果未达到最大迭代次数，则返回S3-3。
如果达到最大迭代次数，则执行S3-6：输出当前最优个体，获得对应的货位分配方案，该货位分配方案为最优货位分配方案。
通过设计步骤S3-1～S3-6，可以快速获得最优的货位分配方案，得到当前最优个体及对应的适应度值以及对应的货位分布图，实现拣货总时间最短和货架总重心最低。
本申请一些实施例中，利用下述适应度函数计算个体的适应度值：
Figure BDA0004158202540000111
其中，k1、k2为权重，k1、k2均为大于0的常数，k1+k2＝1。
该适应度函数fit利用F1(x,y,z)和F2(x,y,z)以及各自的权重计算适应度值，综合考虑了拣货时间和货架重心，可以计算出比较合理的适应度值。
本申请一些实施例中，k1＝0.5，k2＝0.5。即F1(x,y,z)和F2(x,y,z)的权重相同，可以计算出更加合理的适应度值。
本申请一些实施例中，交叉概率为0.9，使得遗传算法具有较高的搜索能力。
本申请一些实施例中，变异概率为0.1，使得遗传算法具有较强的随机搜索能力，加速向最优解收敛。
将遗传算法中的种群数量设计为100，交叉概率取值0.9，变异概率取值0.1，终止条件设定为迭代次数最高为1000，满足条件后终止运算。
通过在MATLAB中运行遗传算法代码，进行1000次迭代后，输出最优个体及对应的适应度值，输出迭代图像以及货位分布图。得到优化后的货位分布图，以及如图4所示的各货品对应的货位坐标。
结合订单情况对于储存区的SKU进行EIQ分析中的IQ和IK分析，根据IQ分析情况，对于各个SKU的出货次数和品项数结合做ABC分析，之后进行IK分析，完成IQ和IK交叉分析确定初步的储存货位情况。
对SKU进行IQ-IK交叉分析后，综合考虑出货量、出货频率划分ABC类别，在此基础上建立货位分配模型并使用遗传算法求解，就可以将相关性较强货物分配在相近货位，提高拣货效率。
在对货物进行了ABC分类后，为使货位划分更为详细，在整体采用分类储存策略下，进一步对货位进行分配，以提高整体拣货效率。
货位分配是为待上架货物分配合理的货位，使得货物位置分布较为合理，从而达到提高分拣出库效率、缩短运输调度时间、降低运输能耗等方面的要求。在对货物进行ABC分类后，可以确定不同级别的货物存放的大致货位区域，为了进一步提高拣货效率，以拣货总时间最短、货架总重心最低为目标建立货位分配模型，采用遗传算法进行求解，对储存货位进行更合理的分配。
实施例二、
基于实施例一的货位分配方法的设计，本实施例二提出了一种货位分配系统。
货位分配系统包括控制模块，控制模块用于执行上述的货位分配方法。
具体的货位分配系统的工作过程，已经在实施例一的货位分配方法中详述，此处不予赘述。
本实施例的货位分配系统，通过控制模块获取从每个货位到储存区出口的拣货时间以及货架总重心；以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；求解货位分配模型，获得最优的货位分配方案；使得货位分配合理，缩短拣货耗时，提高了拣货效率，而且又提高了货架的稳定性。
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)

1.一种货位分配方法，其特征在于，包括：
获取从每个货位到储存区出口的拣货时间以及货架总重心；
以拣货总时间最短和货架总重心最低为目标，建立货位分配模型；
求解所述货位分配模型，获得货位分配方案。
2.根据权利要求1所述的货位分配方法，其特征在于，所述获取从每个货位到储存区出口的拣货时间，具体包括：
坐标(x，y，z)的货位所储存的货物的拣货时间f1的计算公式为：
Figure FDA0004158202520000011
其中，a、b分别表示货架的列数、排数；
x、y、z分别表示第x列、第y排、第z层货架；
w1、w2分别表示储存区纵向巷道、横向巷道的宽度；
L、w分别表示货位的长度、宽度；
V1、V2分别表示拣货设施或拣货员在横向、纵向的速度；
tz为拣货设施或拣货员从第z层货架到地面的耗时。
3.根据权利要求2所述的货位分配方法，其特征在于，货架总重心的计算公式为：
Figure FDA0004158202520000012
其中，
a、b、c分别表示货架的列数、排数、层数；
Mxyz为货位(x、y、z)上储存货物的最大重量；
h表示货位的高度。
4.根据权利要求3所述的货位分配方法，其特征在于，所述以拣货总时间最短和货架总重心最低为目标，建立货位分配模型，具体包括：
以拣货总时间最短为目标，建立第一目标函数：
Figure FDA0004158202520000021
以货架总重心最低为目标，建立第二目标函数：
Figure FDA0004158202520000022
约束条件：
Figure FDA0004158202520000023
其中，
Pxyz为货位(x，y，z)上储存货物的周转率。
5.根据权利要求4所述的货位分配方法，其特征在于，采用遗传算法求解所述货位分配模型，具体包括：
S3-1：生成初始种群；
S3-2：计算当前种群中每个个体的适应度值，找出适应度值最大的个体，记录这个个体为当前最优个体；
S3-3：在当前种群中，采用比例选择法进行选择操作、采用单点交叉方式进行交叉操作、采用均匀变异算子进行变异操作，得到新一代种群；
S3-4：计算新一代种群中的每个个体的适应度值，找出适应度值最大的个体，作为该种群的最优个体；
将该种群最优个体的适应度值与当前最优个体的适应度值比较，将其中适应度值较大的个体作为当前最优个体；迭代次数加1；
S3-5：判断迭代次数是否达到最大迭代次数；
如果未达到最大迭代次数，则返回S3-3；
如果达到最大迭代次数，则执行S3-6：输出当前最优个体，获得对应的货位分配方案。
6.根据权利要求5所述的货位分配方法，其特征在于，利用下述适应度函数计算个体的适应度值：
Figure FDA0004158202520000031
其中，k1、k2为权重，k1、k2均为大于0的常数，k1+k2＝1。
7.根据权利要求6所述的货位分配方法，其特征在于，k1＝0.5，k2＝0.5。
8.根据权利要求5所述的货位分配方法，其特征在于，
在交叉操作中，交叉概率为0.9。
9.根据权利要求5所述的货位分配方法，其特征在于，
在变异操作中，变异概率为0.1。
10.一种货位分配系统，其特征在于，包括控制模块，所述控制模块执行如权利要求1至9中任一项所述的货位分配方法。
CN202310340076.8A 2023-03-31 2023-03-31 一种货位分配方法及系统 Pending CN116308063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310340076.8A CN116308063A (zh) 2023-03-31 2023-03-31 一种货位分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310340076.8A CN116308063A (zh) 2023-03-31 2023-03-31 一种货位分配方法及系统

Publications (1)

Publication Number Publication Date
CN116308063A true CN116308063A (zh) 2023-06-23

Family

ID=86832397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310340076.8A Pending CN116308063A (zh) 2023-03-31 2023-03-31 一种货位分配方法及系统

Country Status (1)

Country Link
CN (1) CN116308063A (zh)

Similar Documents

Publication Publication Date Title
CN110909930B (zh) 一种面向冷库的移动式货架仓储系统货位分配方法
CN109447317B (zh) 一种基于多人同时拣货的仓库最短路径优化方法
CN110807559B (zh) 一种订单分批和拣货路径联合优化方法
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
CN107808215B (zh) 一种应用于Flying-V型非传统布局仓库的货位分配优化方法
CN105787595B (zh) 一种基于改进蚁群算法的应急物流中转站选址方法
CN111815233B (zh) 基于物流总量和能量消耗的货位优化方法
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
CN110991754B (zh) 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法
CN109583660B (zh) 一种动态拣货策略的实现方法
CN108921464A (zh) 一种拣货路径生成方法、存储介质及终端设备
CN112232545B (zh) 基于模拟退火算法的agv任务调度方法
CN113408988B (zh) 仓储系统的调度优化方法、电子设备及存储介质
CN113627642A (zh) 基于自适应大规模邻域搜索算法的堆垛机路径优化方法
CN113627712A (zh) 一种仓储系统穿梭车作业顺序优化方法
CN113935452A (zh) 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法
CN111626516A (zh) 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法
CN112561448B (zh) 基于改进遗传算法的多任务下堆垛机调度算法
CN116468372B (zh) 一种储位分配方法、系统及存储介质
CN117408604A (zh) 一种基于智能计算的大规模立体仓库货位分配方法
CN116308063A (zh) 一种货位分配方法及系统
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
CN112308353A (zh) 一种药品仓库作业调度优化方法
CN115063064A (zh) 一种基于遗传算法的生产物流仓库储位分配方法
CN117875189B (zh) 一种基于ga优化gro的立体仓库空间布局方法

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