CN116342039A - 一种立体仓库的货物分配和拣选的优化方法 - Google Patents

一种立体仓库的货物分配和拣选的优化方法 Download PDF

Info

Publication number
CN116342039A
CN116342039A CN202310343528.8A CN202310343528A CN116342039A CN 116342039 A CN116342039 A CN 116342039A CN 202310343528 A CN202310343528 A CN 202310343528A CN 116342039 A CN116342039 A CN 116342039A
Authority
CN
China
Prior art keywords
warehouse
goods
stacker
objective function
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
CN202310343528.8A
Other languages
English (en)
Inventor
刘树娟
金辉
邸彦彪
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.)
Liaoning University of Technology
Original Assignee
Liaoning University of Technology
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 Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN202310343528.8A priority Critical patent/CN116342039A/zh
Publication of CN116342039A publication Critical patent/CN116342039A/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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (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)
  • Evolutionary Computation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Warehouses Or Storage Devices (AREA)

Abstract

本发明公开了一种立体仓库的货物分配和拣选的优化方法，包括：步骤一、选取待优化立体仓库，设置出入库的约束条件；步骤二、建立堆垛机运行时间最短的目标函数F1，基于货物分类摆放，建立最高入库效率目标函数F2，针对货架的稳定性，整个货架的重心最低，建立货架稳定性目标函数F3；步骤三、得到单目标函数；步骤四、通过遗传算法对得到的单目标函数进行优化迭代计算，得到最优目标货位坐标；步骤五、基于得到的目标货位坐标，建立拣选顺序模型，基于改进遗传算法对堆垛机运行时间进行迭代计算，得到堆垛机运行最短时间。通过遗传算法在立体仓库进行货位分配同时进行货物拣选优化，得到货物最优目标分配坐标和最短的货物拣选时间，提高利用效率。

Description

一种立体仓库的货物分配和拣选的优化方法
技术领域
本发明属于物流仓储管理领域，具体涉及自动化立体仓库的储位分配管理方法。
背景技术
随着土地和人力成本的快速增加导致传统仓库成本变高，物流企业已经逐渐关注空间利用率和自动化程度高的存储技术，同时随着仓储技术和信息技术的不断发展，现代仓储物流行业逐渐向数字化、智能化、高效化等方向发展，自动化立体仓库在此背景下由于其强大的存储能力和极高的自动化货物搬运方式得到迅猛发展，随着工业和制造业的不断发展，自动化立体仓库作为企业生产运输的枢纽，集成了运输、存储、分发等多种功能，已成为制造企业不可缺少的一部分。
自动化立体仓库的储位分配问题，是为了给货物在货架上的摆放位置提供最佳的方案，期望达到提高货物的入库效率最大化以及仓库的安全稳定运行，并且，由于自动化立体仓库作为整个仓储物流链的首个环节，其仓储作业效率的高低，对于整体物流供应效率的高低具有重要影响。
发明内容
本发明设计开发了一种立体仓库的货物分配和拣选的优化方法，能够在立体仓库进行货位分配同时进行货物拣选优化，得到货物的最优目标分配坐标和最短的货物拣选时间，提高了立体仓库的利用效率和工作效率，节省仓库管理资源。
本发明提供的技术方案为：
一种立体仓库的货物分配和拣选的优化方法，包括：
步骤一、选取待优化立体仓库，通过传感器采集所述立体仓库的仓库参数和货位参数，设置出入库的约束条件；
步骤二、通过调整所述立体仓库的巷道中各层的顺序，以及各货位层的货物的布局，建立堆垛机运行时间最短的目标函数F1，基于货物分类摆放，建立最高入库效率目标函数F2，针对货架的稳定性，整个货架的重心最低，建立货架稳定性目标函数F3；
步骤三、将堆垛机运行时间最短的目标函数F1、最高入库效率目标函数F2、货架稳定性目标函数F3归一化后进行加权整合，得到单目标函数；
步骤四、通过遗传算法对得到的单目标函数进行优化迭代计算，得到最优目标货位坐标；
步骤五、在货物分配的同时，基于得到的目标货位坐标，建立拣选顺序模型，设定堆垛机装货和卸货时间相等，基于改进的遗传算法对堆垛机运行时间进行迭代计算，得到堆垛机运行最短时间。
优选的是，其特征在于，所述仓库参数包括：列数、层高、排数，所述货物参数包括：货物的重量以及每个货位到出入库站台的距离。
优选的是，所述步骤一中，设置出入库的约束条件为：
堆垛机每次最多只能装载一件货物；
前一件货物完成入库之后，再允许下一件货物进入仓库；
货物只能存放于属于自身类型的货位上；
货架的重心不可以超过货架高度。
优选的是，
所述堆垛机运行时间最短的目标函数F1为：
Figure BDA0004158746160000021
所述最高入库效率的目标函数F2为：
Figure BDA0004158746160000022
所述货架稳定性目标函数F3为：
Figure BDA0004158746160000031
式中，x.y,z为货物在货架上的坐标，vx为传送带在水平方向的运动速度、vy为堆垛机在竖直方向上的运动速度、vz为堆垛机在垂直方向的运动速度，dij为货物i和货物j之间距离，kij为货物i和货物j之间的相关性系数，mi为货物的质量，pi为货物的周转率。
优选的是，对所述堆垛机运行时间最短的目标函数F1进行归一化，
Figure BDA0004158746160000032
式中，α为归一化参数，取值0.001；
将F1、F2、F3进行加权得到单目标函数：
minF＝α1F′1+α2F2+α2F3。
优选的是，在所述步骤四中，设定适应度函数fit为每一个目标函数取反再求和：
Figure BDA0004158746160000033
优选的是，所述立体仓库中货架为单排货架。
优选的是，所述步骤五包括：
堆垛机在出入库站台装载一个待入库货物，进行入库操作，入库成功之后，抵达待出库的货位，进行出库操作，将待出库货物搬运至出入库站台，再执行下一个入库操作；当入库或出库任务中任意一个全部执行完毕后，在单一执行没有执行完成的任务，直至将所有的出入库任务都完成。
优选的是，所述步骤五中，堆垛机完成所有的入库任务和出库任务需要的时间为：
Figure BDA0004158746160000034
式中，T为完成整个出入库作业订单所需要的总时间，TSCi为第i个作业任务所用的时间，TDCj为第j个出库作业任务所用的时间，
当有n个出库作业任务的时候，堆垛机运行的总时间为：
Figure BDA0004158746160000041
设定在一批出入库作业任务中，有n1个入库任务和n2个出库任务，设定k1＝max(n1,n2)，k2＝min(n1,n2)，则堆垛机完成这一批次的出入库作业订单的运行总时间为：
Figure BDA0004158746160000042
优选的是，完成这批入库作业订单，堆垛机的目标函数为：g(TZ)＝min TZ，设定遗传算法的适应度函数为堆垛机目标函数的倒数：
Figure BDA0004158746160000043
本发明所述的有益效果：本发明提供的立体仓库的货位分配优化方法，通过遗传算法对立体仓库进行货位分配的同时能够实现货物拣选优化，得到货物的最优目标分配坐标和最短的货物拣选时间，提高了立体仓库的利用效率和工作效率，节省仓库管理资源，节省了存储时物料的搬运时间。
附图说明
图1为本发明所述的遗传算法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供一种立体仓库的货物分配和拣选的优化方法，包括：
步骤一、选取待优化立体仓库，采集所述立体仓库的仓库参数和货位参数，设置出入库的约束条件；
其中，仓库参数包括：列数、层高、排数，货物参数包括：货物的重量以及每个货位到出入库站台的距离；
步骤二、通过调整所述立体仓库的巷道中各层的顺序，以及各货位层的货物的布局，建立堆垛机运行时间最短的目标函数F1，基于货物分类摆放，建立最高入库效率目标函数F2，针对货架的稳定性，整个货架的重心最低，建立货架稳定性目标函数F3；
步骤三、将堆垛机运行时间最短的目标函数F1、最高入库效率目标函数F2、货架稳定性目标函数F3归一化后进行加权整合，得到单目标函数；
步骤四、通过遗传算法对得到的单目标函数进行优化迭代计算，得到最优目标货位坐标；
步骤五、在货物分配的同时，基于得到的目标货位坐标，建立拣选顺序模型，设定堆垛机装货和卸货时间相等，基于改进的遗传算法对堆垛机运行时间进行迭代计算，得到堆垛机运行最短时间。
在本发明中，作为一种优选，所选定的立体仓库中，货架为单排货架。
在步骤一中，设定如下条件：
立体仓库中的货物在出库和入库时均由相应的堆垛机进行工作；
对于任一货位的所需的拣货时间固定，在各个方向上堆垛机的速度也是固定的；
每个货位到出入库口的距离包括：水平方向上的距离、垂直方向上的距离和竖直方向上的距离；
设置约束条件为：
堆垛机每次最多只能装载一件货物；
前一件货物完成入库之后，再允许下一件货物进入仓库；
货物只能存放于属于自身类型的货位上；
货架的重心不可以超过货架高度。
在立体仓库中，货物抵达目标货位的路径需要包括三段距离：目标排距离SH、目标列距离SI、以及目标层距离SJ，货物进出仓库所走的距离为三段距离之和Si，Si＝SH+SI+SJ，
当货物i，抵达货架时，堆垛机运行时间最短的目标函数F1为：
Figure BDA0004158746160000051
货物摆放时，最高入库效率的目标函数F2为：
Figure BDA0004158746160000061
货架稳定性目标函数F3为：
Figure BDA0004158746160000062
式中，(x.y,z)为货物在货架上的坐标，vx为传送带在水平方向的运动速度、vy为堆垛机在竖直方向上的运动速度、vz为堆垛机在垂直方向的运动速度，dij为货物i和货物j之间距离，kij为货物i和货物j之间的相关性系数，mi为货物的质量，pi为货物的周转率。
对堆垛机运行时间最短的目标函数F1进行归一化，
Figure BDA0004158746160000063
式中，α为归一化参数，取值0.001；
将F1、F2、F3进行加权得到单目标函数：
minF＝α1F1+α2F2+α2F3。
基于遗传算法对得到的单目标函数进行优化迭代计算，在本发明中，作为一种优选，选择编码方式为整数编码，每条染色体代表一个货位，货位信息由整数编码，货位信息包括：货位的排数、列数、层数信息，基因的值采用整数，表示货位在立体仓库中的具体三维坐标。
初始种群是货物在货架上的数量，在本发明中作为一种优选，设定初始种群的数量为100，每条染色体上的基因位置随机生成，且每排货架代表的是同一种货物。
设定适应度函数fit为各个目标函数取反再求和：
Figure BDA0004158746160000064
将种群中适应度高的个体选出遗传给下一代种群，以此进行循环操作，进行不断的迭代，迭代达到一定次数后使得优化后的个体更进一步的靠近目标函数的最优解。
进行交叉，将种群中任意两个个体按照交叉概率进行部分基因交换，以此形成新的个体，设置交叉概率为65％，新基因的产生方式由变异操作来完成，设定变异概率为1％。
在本发明中，作为一种优选，设定最大的迭代次数为1000，得到最后一代种群中适应度最高的解，即为算法得出的最优解。
在立体仓库实际工作中，对于出入库的要求是一致的，在保证出库入库的准确性的同时，堆垛机行驶的路径越短，成本也就越小，当仓库接收到一批出库订单后，如果堆垛机只进行出库作业则利用率比较低，需要入库操作和出库操作同时进行，因此在货物分配的同时，基于得到的目标货位坐标，建立拣选顺序模型，设定堆垛机装货和卸货时间相等，基于改进的遗传算法对堆垛机运行时间进行迭代计算，得到堆垛机运行最短时间，包括：
通过仓库管理系统获取批量操作的任务清淡，得到了需要入库和出库的货物，清淡上包括了出入库货物的目标货位坐标、货物名称、货物数量、货物周转率等基本信息，将货物按照库位所在的排数进行分类，将同排的出入库任务归为一个子任务中，在进行出入库操作时，先针对第一排货架的出入库任务进行拣选顺序的优化，再进行第二排货架的出入库任务拣选顺序优化，依此类推直至完成所有货架的出入库任务，在本发明中，作为一种优选，选用单排货架。
当堆垛机在出入库站台装载一个待入库货物，进行入库操作，入库货物成功入库之后抵达待出库货物的货位，进行出库操作，将待出库货物搬运至出入库站台，再执行下一个入库操作，如此循环进行出入库操作，当入库或出库任务中其中一个全部执行完毕后，再单一执行没有执行完成的任务，直至将所有的出入库任务都完成，保证每一个货位是堆垛机要经过的路径节点，并且用时最短，路径也是最短。
垛机完成所有的入库任务和出库任务需要的时间为：
Figure BDA0004158746160000071
式中，T为完成整个出入库作业订单所需要的总时间，TSCi为第i个作业任务所用的时间，TDCj为第j个出库作业任务所用的时间，
其中，入库任务有m个，在仓库中的位置分别表示为：(pi1，pi1，…pim)，出库任务有n个，在仓库中的位置分别表示为：(po1，po1，…pon)，需要堆垛机执行max{m，n}；
当进行入库作业任务时，设定堆垛机装货和卸货的时间相等，计算公式为：
Figure BDA0004158746160000081
式中，
Figure BDA0004158746160000082
为执行第i个入库作业任务时，堆垛机由装载货物的出入库运动至Pi货位的时间，/>
Figure BDA0004158746160000083
为执行第i个入库作业任务时，堆垛机由Pi货位运动至装载货物的出入库站台时间，τ为堆垛机进行一次装卸货物操作所用的时间；
当有m个入库作业任务时，堆垛机运行的总时间为：
Figure BDA0004158746160000084
当进行出库作业任务时，设定堆垛机装货和卸货所用的时间相等，计算公式为：
Figure BDA0004158746160000085
式中，
Figure BDA0004158746160000086
为执行第j个出库作业任务时，堆垛机由装载货物的出入库站台运动至P2j-1货位的时间，/>
Figure BDA0004158746160000087
为堆垛机从出入库货位到出库货位的时间，/>
Figure BDA0004158746160000088
为当前任务序列中，第j个出库作业任务的出库货物到下一个入库作业的出入库站台的时间；
当有n个出库作业任务的时候，堆垛机运行的总时间为：
Figure BDA0004158746160000089
堆垛机完成一次出入库作业的订单，所需要的总时间为：
Figure BDA00041587461600000810
在一批出入库作业任务中，出库作业任务和入库作业任务的数量一般是不相等的，因此设定在一批出入库作业任务中，有n1个入库任务和n2个出库任务，设定k1＝max(n1,n2)，k2＝min(n1,n2)，则堆垛机完成该批次的出入库作业订单的运行总时间为：
Figure BDA0004158746160000091
完成这批入库作业订单，堆垛机的目标函数为：g(TZ)＝min TZ，设定遗传算法的适应度函数为堆垛机目标函数的倒数，则有：
Figure BDA0004158746160000092
基于改进的遗传算法进行货物拣选优化，在本发明找那个，作为一种优选，采用巡回路径发对堆垛机经过的货位进行编码。
设定初始种群规模为N，交叉概率为Pc1，变异概率为Pm1，产生初始种群，并保证种群中至少有一个种群解。在本发明中，作为一种优选，设定种群规模为500，交叉概率Pc1＝0.8，变异概率为Pm1＝0.15，
设定遗传算法的适应度函数为堆垛机目标函数的倒数，则有：
Figure BDA0004158746160000093
选用最优个体保留和普通个体保留的策略进行选择操作，交叉算子为每一个个体生成与基因同长度的0～1随机序列，当基因为是1则交换，是0则不交换，种群进化的前期全部交叉，种群进化的后期普通交叉。
在种群进化的初始阶段设定变异点书为80％，在种群进化的中期阶段设定变异点数为40％，使变异发生在染色体的中位区域，在解空间中大范围的巡游，在收敛阶段只有一个变异点，因为此时整个种群已经收敛至最优解的附近，地位变异可以将个体的精度提高，得到最优的分拣方案。
本发明提供的立体仓库的货位分配优化方法，通过遗传算法对立体仓库进行货位分配的同时能够实现货物拣选优化，得到货物的最优目标分配坐标和最短的货物拣选时间，提高了立体仓库的利用效率和工作效率，节省仓库管理资源。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种立体仓库的货物分配和拣选的优化方法，其特征在于，包括：
步骤一、选取待优化立体仓库，通过传感器采集所述立体仓库的仓库参数和货位参数，设置出入库的约束条件；
步骤二、通过调整所述立体仓库的巷道中各层的顺序，以及各货位层的货物的布局，建立堆垛机运行时间最短的目标函数F1，基于货物分类摆放，建立最高入库效率目标函数F2，针对货架的稳定性，整个货架的重心最低，建立货架稳定性目标函数F3；
步骤三、将堆垛机运行时间最短的目标函数F1、最高入库效率目标函数F2、货架稳定性目标函数F3归一化后进行加权整合，得到单目标函数；
步骤四、通过遗传算法对得到的单目标函数进行优化迭代计算，得到最优目标货位坐标；
步骤五、在货物分配的同时，基于得到的目标货位坐标，建立拣选顺序模型，设定堆垛机装货和卸货时间相等，基于改进的遗传算法对堆垛机运行时间进行迭代计算，得到堆垛机运行最短时间。
2.根据权利要求1所述的立体仓库的货物分配和拣选的优化方法，其特征在于，所述仓库参数包括：列数、层高、排数，所述货物参数包括：货物的重量以及每个货位到出入库站台的距离。
3.根据权利要求2所述的立体仓库的货物分配和拣选的优化方法，其特征在于，所述步骤一中，设置出入库的约束条件为：
堆垛机每次最多只能装载一件货物；
前一件货物完成入库之后，再允许下一件货物进入仓库；
货物只能存放在属于自身类型的货位上；
货架的重心不可以超过货架高度。
4.根据权利要求3所述的立体仓库的货物分配和拣选的优化方法，其特征在于，
所述堆垛机运行时间最短的目标函数F1为：
Figure FDA0004158746140000021
所述最高入库效率的目标函数F2为：
Figure FDA0004158746140000022
所述货架稳定性目标函数F3为：
Figure FDA0004158746140000023
式中，x.y,z为货物在货架上的坐标，vx为传送带在水平方向的运动速度、vy为堆垛机在竖直方向上的运动速度、vz为堆垛机在垂直方向的运动速度，dij为货物i和货物j之间距离，kij为货物i和货物j之间的相关性系数，mi为货物的质量，pi为货物的周转率。
5.根据权利要求4所述的立体仓库的货物分配和拣选的优化方法，其特征在于，对所述堆垛机运行时间最短的目标函数F1进行归一化，
Figure FDA0004158746140000024
式中，α为归一化参数，取值0.001；
将F1、F2、F3进行加权得到单目标函数：
minF＝α1F′1+α2F2+α2F3。
6.根据权利要求5所述的立体仓库的货物分配和拣选的优化方法，其特征在于，在所述步骤四中，设定适应度函数fit为每一个目标函数取反再求和：
Figure FDA0004158746140000025
7.根据权利要求1或6所述的立体仓库的货物分配和拣选的优化方法，其特征在于，所述立体仓库中货架为单排货架。
8.根据权利要求7所述的立体仓库的货物分配和拣选的优化方法，其特征在于，所述步骤五包括：
堆垛机在出入库站台装载一个待入库货物，进行入库操作，入库成功之后，抵达待出库的货位，进行出库操作，将待出库货物搬运至出入库站台，再执行下一个入库操作；当入库或出库任务中任意一个全部执行完毕后，在单一执行没有执行完成的任务，直至将所有的出入库任务都完成。
9.根据权利要求8所述的立体仓库的货物分配和拣选的优化方法，其特征在于，所述步骤五中，堆垛机完成所有的入库任务和出库任务需要的时间为：
Figure FDA0004158746140000031
式中，T为完成整个出入库作业订单所需要的总时间，TSCi为第i个作业任务所用的时间，TDCj为第j个出库作业任务所用的时间，
当有n个出库作业任务的时候，堆垛机运行的总时间为：
Figure FDA0004158746140000032
设定在一批出入库作业任务中，有n1个入库任务和n2个出库任务，设定k1＝max(n1,n2)，k2＝min(n1,n2)，则堆垛机完成这一批次的出入库作业订单的运行总时间为：
Figure FDA0004158746140000033
10.根据权利要求9所述的立体仓库的货物分配和拣选的优化方法，其特征在于，完成这批入库作业订单，堆垛机的目标函数为：g(TZ)＝min TZ，设定遗传算法的适应度函数为堆垛机目标函数的倒数：
Figure FDA0004158746140000034
CN202310343528.8A 2023-04-03 2023-04-03 一种立体仓库的货物分配和拣选的优化方法 Pending CN116342039A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310343528.8A CN116342039A (zh) 2023-04-03 2023-04-03 一种立体仓库的货物分配和拣选的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310343528.8A CN116342039A (zh) 2023-04-03 2023-04-03 一种立体仓库的货物分配和拣选的优化方法

Publications (1)

Publication Number Publication Date
CN116342039A true CN116342039A (zh) 2023-06-27

Family

ID=86882207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310343528.8A Pending CN116342039A (zh) 2023-04-03 2023-04-03 一种立体仓库的货物分配和拣选的优化方法

Country Status (1)

Country Link
CN (1) CN116342039A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196263A (zh) * 2023-11-06 2023-12-08 四川普鑫物流自动化设备工程有限公司 一种货物调度方法、装置、设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117196263A (zh) * 2023-11-06 2023-12-08 四川普鑫物流自动化设备工程有限公司 一种货物调度方法、装置、设备及计算机可读存储介质
CN117196263B (zh) * 2023-11-06 2024-02-09 四川普鑫物流自动化设备工程有限公司 一种货物调度方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
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
CN107578199B (zh) 一种求解二维装载约束物流车辆调度问题的方法
CN111178606B (zh) 基于nsga-ii的自动化仓储货位分配优化方法
CN105836356B (zh) 一种密集仓储系统混合优化调度方法
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
CN113222293A (zh) 一种智能立体仓库优化调度方法
CN109583660B (zh) 一种动态拣货策略的实现方法
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN111626516B (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
CN105858044B (zh) 一种穿梭车与升降机结合的仓储系统优化调度方法
CN113570025B (zh) 一种基于离散粒子群算法的电商仓储中心货位分配方法
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
CN109081030A (zh) 一种子母穿梭车式密集仓储系统的配置优化方法
CN106773686A (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN112884257A (zh) 基于遗传算法的取货路径优化方法、装置及系统
CN113627712A (zh) 一种仓储系统穿梭车作业顺序优化方法
CN112100861A (zh) 基于入侵杂草优化算法的卷烟生产物料货位分配方法
CN110942251A (zh) 一种基于联合蚁群算法的批调度方法
CN112989696A (zh) 一种基于移动机器人的自动拣选系统货位优化方法及系统
CN117709544A (zh) 一种重心约束的码垛优化方法
CN117408604A (zh) 一种基于智能计算的大规模立体仓库货位分配方法
Delalić et al. The order batching concept implemented in real smart warehouse
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
CN116797121A (zh) 一种基于AGVs的智能仓储批量分拣优化方法

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