CN116384612B - 基于遗传算法的三维仓库拣货路径优化方法 - Google Patents

基于遗传算法的三维仓库拣货路径优化方法 Download PDF

Info

Publication number
CN116384612B
CN116384612B CN202310659389.XA CN202310659389A CN116384612B CN 116384612 B CN116384612 B CN 116384612B CN 202310659389 A CN202310659389 A CN 202310659389A CN 116384612 B CN116384612 B CN 116384612B
Authority
CN
China
Prior art keywords
shelf
goods
picking
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
Application number
CN202310659389.XA
Other languages
English (en)
Other versions
CN116384612A (zh
Inventor
杨松贵
张哲�
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.)
Nanjing Witsoft Technology Co Ltd
Original Assignee
Nanjing Witsoft 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 Nanjing Witsoft Technology Co Ltd filed Critical Nanjing Witsoft Technology Co Ltd
Priority to CN202310659389.XA priority Critical patent/CN116384612B/zh
Publication of CN116384612A publication Critical patent/CN116384612A/zh
Application granted granted Critical
Publication of CN116384612B publication Critical patent/CN116384612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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
    • G06Q10/08—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

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

本发明提供一种基于遗传算法的三维仓库拣货路径优化方法，通过分治法将仓库内拣货过程三维模型问题分为：解决单个货架内拣货任务最佳顺序、解决整个仓库中最优货架顺序问题，并结合旅行商问题，利用遗传算法进行求解，最终获得最终拣货任务最优顺序列表，本方法从实际角度简化问题，在考虑到货架高度的基础上，可以大幅降低问题计算规模，提高计算效率，为拣货员或拣货机提供有效指导，缩短拣货路径，提升拣货效率，减少拣货时间。

Description

基于遗传算法的三维仓库拣货路径优化方法
技术领域
本发明涉及仓储物流和数值计算的技术领域，尤其涉及一种基于遗传算法的三维仓库拣货路径优化方法。
背景技术
在制造业、零售业、物流行业等涉及仓储管理的行业中，都需要有拣货员根据任务清单进入仓库进行查找拣货。当仓库的出货量达到一定量级时如何提升出库效率便成为了瓶颈问题。根据仓库中货架的排放位置和所需拣货任务计算出路径最优的拣货顺序可以大幅提升仓库拣货员或拣货机的工作效率，提高仓库周转速度。
拣货路径优化问题属于典型的商旅问题（TSP），是一类已被证明属于NP-hard类型的问题，完美解决此类问题需要指数级时间成本，因此需要设计计算方法在有限时间内获得较优的近似解，但是现有的拣货方式存在以下缺陷：
1、在拣货路径优化问题中，大多文献仅对仓库和货架的二维平面路径进行优化，未考虑货架层高对于拣货最优顺序的影响；
2、多数文献在解决拣货路径优化问题时为了便于求解仅假设仓库起点、终点位于仓库墙壁的同一位置，为考虑起点、终点位于不同位置的场景，甚至有时对于有传送机构的仓库而言，终点会位于仓库内部某个位置；
3、算法复杂，整个仓库一体计算，计算规模大、计算效率低下。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的基于遗传算法的三维仓库拣货路径优化方法。
为实现上述目的，本发明采用了如下技术方案：
基于遗传算法的三维仓库拣货路径优化方法，基于智能仓储系统，所述智能仓储系统：是一个实时的计算机软件系统，它能够按照运作的业务规则和运算法则，对信息、资源、行为、存货和分销运作进行管理；
具体包括以下方法步骤：
S1：根据仓库实际货架以及货架摆放情况在智能仓储系统的算法配置文件中填写货架参数数值, 所述货架参数数值包括货架总数、货架编号，还包括每一个货架的货架长度、货架宽度、货架高度、货架层高、货架层数、货位数，还包括不同编号货架之间货架行间距、货架列间距；
S2：从智能仓储系统中获得本次拣货所包含的拣货任务、仓库起点位置、仓库终点位置；
所述拣货任务：拣选货物所在货位位置的任务或任务合集；每一个拣货任务的信息包括：任务ID、货架号、货位编号、货架层数；
仓库起点位置：标记距离仓库入口最近的货位位置；
仓库终点位置：标记距离仓库出口最近的货位位置；
货位位置：是货物在货架上所占位置的列数；
S3：根据分治法将所有拣货任务的排序拆分成两个层面分别处理，包括考虑货架在仓库内排与列排布层面中拣货：最优货架顺序，考虑货物在货架列与层排布层面中拣货：单个货架内拣货任务最佳顺序；
S4：基于遗传算法，计算仓库中货架之间的最优路径，获得最优货架顺序；
S5：将所有拣货任务根据货架编号分组，形成多个货架任务列表；
S6：基于遗传算法，针对每一个货架任务列表计算当前货架拣货最优路径，获得单个货架内拣货任务最佳顺序；
S7：根据最优货架顺序，计算每个货架的拣货方向，依据单个货架内拣货任务最佳顺序并结合拣货方向，获得最终拣货任务最优顺序列表；
所述拣货方向包括正序拣货和逆序拣货。
进一步的，所述S4的步骤包括如下子步骤：
S41：筛选当前拣货任务所涉及的所有货架，根据货架编号形成任务货架编号列表；
S42：将仓库起点位置、仓库终点位置所对应的货架编号加入任务货架编号列表；
S43：计算任务货架编号列表中货架两两之间的距离，形成货架距离矩阵；
S44：在固定仓库起点位置、仓库终点位置的前提下，通过遗传算法，利用货架距离矩阵，以总路径最短为目标，计算出最优货架顺序。
进一步的，所述S43的步骤包括如下子步骤：
S431：计算任务货架编号列表中A货架和B货架之间的距离，选取货架中货位编号最小的任务作为货架起点，取货架中货位编号最大的任务作为货架终点；
S432：对比A货架起点与B货架起点距离；A货架起点与B货架终点距离；A货架终点与B货架起点距离；A货架终点与B货架终点距离之中最小的数值作为A、B货架之间距离记入货架距离矩阵。
进一步的，所述S44的步骤包括如下子步骤：
S441：根据旅行商问题的求解方式，对仓库中各个货架之间的路径进行计算：设G=（V，E）是一个图，其中V是顶点集，E是边集，设C=（cij）是与E相联系的货架距离矩阵，寻找一条最短的遍历n个货架的路径，或搜索整数子集X={1，2，……，n}的一个排列，计算:
其中表示货架到货架的距离；
S442：采用遗传算法进行求解；
S443：生成初始种群：根据当前拣货任务涉及的货架数量hn，随机生成多组随机数每组hn个，将每组随机数根据数值大小排序并以序列号的整数代替其原始数据作为一个个体，得到货架排列的初始种群；
S444：计算适应度：根据种群中每个个体的排序从货架距离矩阵中查找对应的距离，用距离的总和来衡量适应度，适应度即是货架间路径长度的倒数；
S445：根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体的概率较大；
S446：交叉、变异：根据S445中筛选保留下的个体两两配对，交换配对的两个个体的某个或某些位的编码，对于重复的位逐一替换；然后是以较小概率对个体编码串上的某个或某些位值进行改变；
S447：重复S444-S446过程直至在多次迭代中不会产生适应度更高的个体，此时便得到了最优的货架顺序。
进一步的，所述S6的步骤包括如下子步骤：
S61：选取当前货架的货架起点和货架终点，所述货架起点为当前货架中货位编号最小的任务所在货位；所述货架终点为当前货架中货位编号最大的所在货位；
S62：计算当前货架任务列表中两两任务之间的直线距离，形成任务距离矩阵；
S63：在固定货架起点、货架终点位置的前提下，通过遗传算法，利用任务距离矩阵，以总路径最短为目标，计算出本货架的最优任务顺序列表，所述遗传算法同步骤S44；
S64：重复S61-S63过程，直至计算完所有货架的单个货架内拣货任务最佳顺序。
进一步的，所述S7的步骤包括如下子步骤：
S71：根据最优货架顺序依次对每个货架的拣货方向进行判断，若上一货架为正序拣货，且上一货架的货架终点到当前货架的货架起点距离小于上一货架的货架终点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货；
S72：若上一货架为逆序拣货，且上一货架的货架起点到当前货架的货架起点距离小于上一货架的货架起点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货；
S73：若当前货架拣货方向为正序拣货，则将当前货架的单个货架内拣货任务最佳顺序加入到最终拣货任务最优顺序列表；若当前货架拣货方向为逆序拣货，则将本货架的最优任务顺序列表倒序后再加入最终拣货任务最优顺序列表；
S74：重复S71- S73过程直到完成所有货架的拣货方向的计算并更新最终拣货任务最优顺序列表。
与现有技术相比，本发明的有益效果为：（1）在接收到拣货任务后在考虑仓库内货架排与列排序层面、货物在货架上列与层（即高度）排序层面两个角度考虑问题，在短时间内计算出拣货任务的最佳顺序及最短路径，为拣货员或拣货机提供有效指导，缩短拣货路径，提升拣货效率，减少拣货时间；（2）优化单个货架的拣货顺序，将单个货架的拣货任务同仓库内货架间拣货顺序结合并综合优化拣货顺序；（3）场景结合现实，本方法中考虑了实际仓库进出口位置，并将其计算到实际的最终拣货顺序中，无论对于人力还是传送机构，使用该方法都会给实际拣货带来便利；（4）通过分步优化策略将每个货架内拣货的最优路径和整个仓库中货架之间的最优路径分开处理计算，降低计算规模、大幅提升计算效率。
附图说明
图1为本发明实施例1的实施方法整体示意图；
图2为本发明实施例1的仓库中货架摆放位置示意图；
图3为本发明实施例1的本次拣货所包含的拣货任务、仓库起点位置、仓库终点位置数据获取；
图4为本发明实施例1的最优的货架顺序示意图；
图5-1为本发明实施例1的5号货架单个货架内拣货任务最佳顺序；
图5-2为本发明实施例1的10号货架单个货架内拣货任务最佳顺序；
图5-3为本发明实施例1的16号货架单个货架内拣货任务最佳顺序。
实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
实施例1：如图1所示步骤：
基于遗传算法的三维仓库拣货路径优化方法，基于智能仓储系统，智能仓储系统：是一个实时的计算机软件系统，它能够按照运作的业务规则和运算法则，对信息、资源、行为、存货和分销运作进行管理；
具体包括以下方法步骤：
S1：根据仓库实际货架以及货架摆放情况在智能仓储系统的算法配置文件中填写货架参数数值, 货架参数数值包括货架总数、货架编号，还包括每一个货架的货架长度、货架宽度、货架高度、货架层高、货架层数、货位数，还包括不同编号货架之间货架行间距、货架列间距。
结合图2所示示意图，在本实施例中货架参数数值如下：
Length=20 货架长度
Width=2 货架宽度
Height=3 货架层高
RowInterval=4 货架间行间距
ColumnInterval=4 货架间列间距
RowCount=3 货架行数
ColumnCount=8 货架列数
AllocationCount=10 货架的货位数量
LayerCount=5 货架层数
S2：从智能仓储系统中获得本次拣货所包含的拣货任务、仓库起点位置、仓库终点位置，如图3所示；
图示中'start': [3, 1, 1]，为仓库起点位置：货架号，货位号，层数；
'end': [22, 10, 1]，为仓库终点位置：货架号，货位号，层数；
在'task'中，如[[0, 10, 1, 1]为拣货任务：任务ID，货架号，货位编号，层数；
拣货任务：拣选货物所在货位位置的任务或任务合集；每一个拣货任务的信息包括：任务ID、货架号、货位编号、货架层数；
仓库起点位置：标记距离仓库入口最近的货位位置；
仓库终点位置：标记距离仓库出口最近的货位位置；
货位位置：是货物在货架上所占位置的列数。
S3：根据分治法将所有拣货任务的排序拆分成两个层面分别处理，包括考虑货架在仓库内排与列排布层面中拣货：最优货架顺序，考虑货物在货架列与层排布层面中拣货：单个货架内拣货任务最佳顺序。
从所有任务中找出包含的货架号5、10、16，筛选出每个货架号中货位最大、最小的任务：
[22, 5, 2, 1] ，
[7, 5, 9, 4]，
[0, 10, 1, 1]，
[16, 10, 9, 4]，
[3, 16, 1, 1]，
[5, 16, 10, 5]。
由于本专利要解决的拣货路径优化问题考虑了货架高度的因素，对应的数学模型由二维提升到了三维问题复杂度大大增加。为使解决考虑了货架高度因素的拣货路径优化问题成为可能，将所有拣货任务排序任务根据分而治之的算法思想拆分成两个层面分别处理，仓库中最优货架顺序和单个货架内拣货任务最佳顺序。对两个层次问题分别建模处理有如下优势：对于原问题复杂情况下，将其拆分为多个简单的子问题再分别处理可降低问题的数学建模难度；根据先验经验可以判断，对于此问题的简化方式较为符合最优解的物理实际情况；简化问题可以大幅降低算法计算规模，提高计算效率。
S4：基于遗传算法，计算仓库中货架之间的最优路径，获得最优货架顺序；
进一步的，S4的步骤包括如下子步骤：
S41：筛选当前拣货任务所涉及的所有货架，根据货架编号形成任务货架编号列表。
S42：将仓库起点位置、仓库终点位置所对应的货架编号加入任务货架编号列表。
其中入口编号为-1，出口编号为28：
[-1,3, 1, 1]，
[22, 5, 2, 1]，
[7, 5, 9, 4]，
[0, 10, 1, 1]，
[25, 10, 9, 3]，
[3, 16, 1, 1]，
[5, 16, 10, 5]，
[28,22, 10, 1]，
S43：计算任务货架编号列表中货架两两之间的距离，形成货架距离矩阵。
货架距离矩阵为遗传算法进行求解打下基础。
距离矩阵（坐标轴数值为任务ID）
-1 22 27 0 25 3 5 28
-1 [0 16 30 30 46 54 72 84]
22 [16 0 14 40 56 40 58 70]
27 [30 14 0 26 42 26 44 56]
0 [30 40 26 0 16 38 56 66]
25 [46 56 42 16 0 54 40 50]
3 [54 40 26 38 54 0 18 54]
5 [72 58 44 56 40 18 0 36]
28 [84 70 56 66 50 54 36 0 ]
进一步的，S43的步骤包括如下子步骤：
S431：计算任务货架编号列表中A货架和B货架之间的距离，选取货架中货位编号最小的任务作为货架起点，取货架中货位编号最大的任务作为货架终点，再本实施例中货架上的货物货位编号为一定方向顺序递增，存在货位编号最大和最小。
在最优货架顺序过程中，考虑到单个货架内拣货任务最佳顺序之后会与之相互结合，所以直接将任务货架编号列表起始和终点位置先一步限定。
S432：对比A货架起点与B货架起点距离；A货架起点与B货架终点距离；A货架终点与B货架起点距离；A货架终点与B货架终点距离之中最小的数值作为A、B货架之间距离记入货架距离矩阵。
S44：在固定仓库起点位置、仓库终点位置的前提下，通过遗传算法，利用货架距离矩阵，以总路径最短为目标，计算出最优货架顺序。
进一步的，S44的步骤包括如下子步骤：
S441：根据旅行商问题的求解方式，对仓库中各个货架之间的路径进行计算：设G=（V，E）是一个图，其中V是顶点集，E是边集，设C=（cij）是与E相联系的货架距离矩阵，寻找一条最短的遍历n个货架的路径，或者说搜索整数子集X={1，2，……，n}的一个排列，计算:
其中表示货架到货架的距离。
在本实施例中，将货架比作是城市，巧妙的运用了旅行商问题，解决了，将货架之间最佳路径的算法拟作城市之间的最佳路径，之后再代入遗传算法求解。
S442：为了解决“商旅问题”，可采用进化类智能算法，如遗传算法、蚁群算法、免疫优化算法、模拟退火法、人工鱼群算法等采用在本实施例中采用遗传算法进行求解。
S443：生成初始种群：根据当前拣货任务涉及的货架数量hn，随机生成多组随机数每组hn个，将每组随机数（如：0.12，0.03，0.68，0.49，0.72）根据数值大小排序并以序列号的整数代替其原始数据（如：2,1,4,3,5）作为一个个体，得到货架排列的初始种群。
S444：计算适应度：根据种群中每个个体的排序从货架距离矩阵中查找对应的距离，用距离的总和来衡量适应度，适应度即是货架间路径长度的倒数。
S445：根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体的概率较大。
S446：交叉、变异：根据S445中筛选保留下的个体两两配对，交换配对的两个个体的某个或某些位的编码，对于重复的位逐一替换；然后是以较小概率对个体编码串上的某个或某些位值进行改变。
S447：重复S444-S446过程直至在多次迭代中不会产生适应度更高的个体，此时便得到了最优的货架顺序。
如图4所示（图中连线仅表示先后顺序，非实际行走路径），最佳顺序为5，10，16。
利用遗传算法求解最优的货架顺序以及单个货架内拣货任务最佳顺序，通过变异机制避免算法陷入局部最优的情况，可以在两个维度的空间中，分别对货架顺序、单个货架内拣货任务顺序均衡计算，避免了局部拣货较快或局部较慢，拣货的顺序更优，从而拣货效率提升。
S5：将所有拣货任务根据货架编号分组，形成多个货架任务列表。
S6：基于遗传算法，针对每一个货架任务列表计算当前货架拣货最优路径，获得单个货架内拣货任务最佳顺序；
分别获得5，10，16号货架的拣货任务（其中10号和16号货架的拣货任务未举例）；
[4, 5, 7, 3],
[6, 5, 6, 2],
[7, 5, 9, 4],
[8, 5, 3, 1],
[11, 5, 4, 2],
[12, 5, 6, 5],
[18, 5, 7, 1],
[22, 5, 2, 1],
[24, 5, 8, 2],
[27, 5, 9, 3]。
进一步的，S6的步骤包括如下子步骤：
S61：选取当前货架的货架起点和货架终点，货架起点为当前货架中货位编号最小的任务所在货位；货架终点为当前货架中货位编号最大的所在货位。
S62：计算当前货架任务列表中两两任务之间的直线距离，形成任务距离矩阵。
货架5中各拣货任务的距离矩阵
22 4 6 7 8 11 12 18 24 27
22 [ 0. 10.071 8.0224 14.115 2. 4.0447 8.3522 10. 12.014 14.051]
4 [10.071 0. 2.0880 4.0447 8.0894 6.0299 2.3323 1.2 2.0880 4. ]
6 [8.0224 2.0880 0. 6.1188 6.0299 4., 1.8 2.0880 4. 6.0299]
7 [14.115 4.0447 6.1188 0. 12.134 10.071 6.0299 4.3863 2.3323 0.6 ]
8 [ 2. 8.0894 6.0299 12.134 0. 2.0880 6.4621 8. 10.017 12.059]
11 [ 4.044 6.0299 4. 10.071 2.0880 0., 4.3863 6.0299 8. 10.017]
12 [8.3522 2.3323 1.8 6.0299 6.4621 4.3863 0. 3.1240 4.3863 6.1188]
18 [10. 1.2 2.0880 4.3863 8. 6.0299 3.1240 0. 2.0880 4.1761]
24 [12.014 2.0880 4. 2.3323 10.017 8., 4.3863 2.0880 0. 2.0880]
27 [14.051 4. 6.0299 0.6 12.059 10.017 6.1188 4.1761 2.0880 0. ]
S63：在固定货架起点、货架终点位置的前提下，通过遗传算法，利用任务距离矩阵，以总路径最短为目标，计算出本货架的最优任务顺序列表，遗传算法同步骤S44。
S64：重复S61-S63过程，直至计算完所有货架的单个货架内拣货任务最佳顺序。
如图5-1至5-3所示：
货架5最佳拣货任务顺序
22,8,11,6,12,4,18,24,7,27（任务ID）；
货架10最佳拣货任务顺序
0,23,2,9,21,20,1,10,16,25；
货架16最佳拣货任务顺序
3,14,13,17,15,19,26,5。
S7：根据最优货架顺序，计算每个货架的拣货方向，依据单个货架内拣货任务最佳顺序并结合拣货方向，获得最终拣货任务最优顺序列表；
拣货方向包括正序拣货和逆序拣货。
通过拣货方向的进一步矫正，将拣货的顺序进行正向反向的限定，进一步提升拣货的效率，节省了在当前货架拣货由于顺序不对而浪费的时间，缩短拣货时间。
进一步的，S7的步骤包括如下子步骤：
S71：根据最优货架顺序依次对每个货架的拣货方向进行判断，若上一货架为正序拣货，且上一货架的货架终点到当前货架的货架起点距离小于上一货架的货架终点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货。
S72：若上一货架为逆序拣货，且上一货架的货架起点到当前货架的货架起点距离小于上一货架的货架起点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货。
本实施例中获得最优货架顺序：5顺序，10顺序，16逆序
S73：若当前货架拣货方向为正序拣货，则将当前货架的单个货架内拣货任务最佳顺序加入到最终拣货任务最优顺序列表；若当前货架拣货方向为逆序拣货，则将本货架的最优任务顺序列表倒序后再加入最终拣货任务最优顺序列表。
S74：重复S71- S73过程直到完成所有货架的拣货方向的计算并更新最终拣货任务最优顺序列表。
本实施例中最终拣货任务最优顺序列表：22，8，11，6，12，4，18，24，7，27，0，23，2，9，21，20，1，10，16，25，5，26，19，15，17，13，14，3。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (6)

1.基于遗传算法的三维仓库拣货路径优化方法，其特征在于：基于智能仓储系统，所述智能仓储系统：是一个实时的计算机软件系统，它能够按照运作的业务规则和运算法则，对信息、资源、行为、存货和分销运作进行管理；
具体包括以下方法步骤：
S1：根据仓库实际货架以及货架摆放情况在智能仓储系统的算法配置文件中填写货架参数数值, 所述货架参数数值包括货架总数、货架编号，还包括每一个货架的货架长度、货架宽度、货架高度、货架层高、货架层数、货位数，还包括不同编号货架之间货架行间距、货架列间距；
S2：从智能仓储系统中获得本次拣货所包含的拣货任务、仓库起点位置、仓库终点位置；
所述拣货任务：拣选货物所在货位位置的任务或任务合集；每一个拣货任务的信息包括：任务ID、货架号、货位编号、货架层数；
仓库起点位置：标记距离仓库入口最近的货位位置；
仓库终点位置：标记距离仓库出口最近的货位位置；
货位位置：是货物在货架上所占位置的列数；
S3：根据分治法将所有拣货任务的排序拆分成两个层面分别处理，包括考虑货架在仓库内排与列排布层面中拣货：最优货架顺序，考虑货物在货架列与层排布层面中拣货：单个货架内拣货任务最佳顺序；
S4：基于遗传算法，计算仓库中货架之间的最优路径，获得最优货架顺序；
S5：将所有拣货任务根据货架编号分组，形成多个货架任务列表；
S6：基于遗传算法，针对每一个货架任务列表计算当前货架拣货最优路径，获得单个货架内拣货任务最佳顺序；
S7：根据最优货架顺序，计算每个货架的拣货方向，依据单个货架内拣货任务最佳顺序并结合拣货方向，获得最终拣货任务最优顺序列表；
所述拣货方向包括正序拣货和逆序拣货。
2.如权利要求1所述的基于遗传算法的三维仓库拣货路径优化方法，其特征在于：所述S4的步骤包括如下子步骤：
S41：筛选当前拣货任务所涉及的所有货架，根据货架编号形成任务货架编号列表；
S42：将仓库起点位置、仓库终点位置所对应的货架编号加入任务货架编号列表；
S43：计算任务货架编号列表中货架两两之间的距离，形成货架距离矩阵；
S44：在固定仓库起点位置、仓库终点位置的前提下，通过遗传算法，利用货架距离矩阵，以总路径最短为目标，计算出最优货架顺序。
3.如权利要求2所述的基于遗传算法的三维仓库拣货路径优化方法，其特征在于：所述S43的步骤包括如下子步骤：
S431：计算任务货架编号列表中A货架和B货架之间的距离，选取货架中货位编号最小的任务作为货架起点，取货架中货位编号最大的任务作为货架终点；
S432：对比A货架起点与B货架起点距离；A货架起点与B货架终点距离；A货架终点与B货架起点距离；A货架终点与B货架终点距离之中最小的数值作为A、B货架之间距离记入货架距离矩阵。
4.如权利要求3所述的基于遗传算法的三维仓库拣货路径优化方法，其特征在于：所述S44的步骤包括如下子步骤：
S441：根据旅行商问题的求解方式，对仓库中各个货架之间的路径进行计算：设G=（V，E）是一个图，其中V是顶点集，E是边集，设C=（cij）是与E相联系的货架距离矩阵，寻找一条最短的遍历n个货架的路径，或搜索整数子集X={1，2，……，n}的一个排列，计算：；
其中表示货架到货架的距离；
S442：采用遗传算法进行求解；
S443：生成初始种群：根据当前拣货任务涉及的货架数量hn，随机生成多组随机数每组hn个，将每组随机数根据数值大小排序并以序列号的整数代替其原始数据作为一个个体，得到货架排列的初始种群；
S444：计算适应度：根据种群中每个个体的排序从货架距离矩阵中查找对应的距离，用距离的总和来衡量适应度，适应度即是货架间路径长度的倒数；
S445：根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体的概率较大；
S446：交叉、变异：根据S445中筛选保留下的个体两两配对，交换配对的两个个体的某个或某些位的编码，对于重复的位逐一替换；然后是以较小概率对个体编码串上的某个或某些位值进行改变；
S447：重复S444-S446过程直至在多次迭代中不会产生适应度更高的个体，此时便得到了最优的货架顺序。
5.如权利要求2所述的基于遗传算法的三维仓库拣货路径优化方法，其特征在于：所述S6的步骤包括如下子步骤：
S61：选取当前货架的货架起点和货架终点，所述货架起点为当前货架中货位编号最小的任务所在货位；所述货架终点为当前货架中货位编号最大的所在货位；
S62：计算当前货架任务列表中两两任务之间的直线距离，形成任务距离矩阵；
S63：在固定货架起点、货架终点位置的前提下，通过遗传算法，利用任务距离矩阵，以总路径最短为目标，计算出本货架的最优任务顺序列表，所述遗传算法同步骤S44；
S64：重复S61-S63过程，直至计算完所有货架的单个货架内拣货任务最佳顺序。
6.如权利要求1所述的基于遗传算法的三维仓库拣货路径优化方法，其特征在于：所述S7的步骤包括如下子步骤：
S71：根据最优货架顺序依次对每个货架的拣货方向进行判断，若上一货架为正序拣货，且上一货架的货架终点到当前货架的货架起点距离小于上一货架的货架终点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货；
S72：若上一货架为逆序拣货，且上一货架的货架起点到当前货架的货架起点距离小于上一货架的货架起点到当前货架的货架终点距离，则当前货架拣货方向为正序拣货，否则为逆序拣货；
S73：若当前货架拣货方向为正序拣货，则将当前货架的单个货架内拣货任务最佳顺序加入到最终拣货任务最优顺序列表；若当前货架拣货方向为逆序拣货，则将本货架的最优任务顺序列表倒序后再加入最终拣货任务最优顺序列表；
S74：重复S71- S73过程直到完成所有货架的拣货方向的计算并更新最终拣货任务最优顺序列表。
CN202310659389.XA 2023-06-06 2023-06-06 基于遗传算法的三维仓库拣货路径优化方法 Active CN116384612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310659389.XA CN116384612B (zh) 2023-06-06 2023-06-06 基于遗传算法的三维仓库拣货路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310659389.XA CN116384612B (zh) 2023-06-06 2023-06-06 基于遗传算法的三维仓库拣货路径优化方法

Publications (2)

Publication Number Publication Date
CN116384612A CN116384612A (zh) 2023-07-04
CN116384612B true CN116384612B (zh) 2023-08-11

Family

ID=86961963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310659389.XA Active CN116384612B (zh) 2023-06-06 2023-06-06 基于遗传算法的三维仓库拣货路径优化方法

Country Status (1)

Country Link
CN (1) CN116384612B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021263235A2 (en) * 2020-06-26 2021-12-30 Symbotic Llc Warehousing system for storing and retrieving goods in containers
CN114417696A (zh) * 2021-12-07 2022-04-29 长春工业大学 一种基于遗传算法的自动化立体仓库货位分配优化方法
CN115608623A (zh) * 2022-10-18 2023-01-17 北京京东乾石科技有限公司 用于确定拣选信息的方法和装置
CN115689439A (zh) * 2022-12-21 2023-02-03 浙江工业大学 一种基于遗传算法的仓库物料储位分配与拣选系统
US11615460B1 (en) * 2013-11-26 2023-03-28 Amazon Technologies, Inc. User path development
WO2023049197A1 (en) * 2021-09-21 2023-03-30 Verses Technologies Usa Inc. Method and system for optimizing a warehouse
CN116151737A (zh) * 2023-03-01 2023-05-23 楚天科技股份有限公司 一种立体仓库管理方法、系统、介质及立体仓库

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615460B1 (en) * 2013-11-26 2023-03-28 Amazon Technologies, Inc. User path development
WO2021263235A2 (en) * 2020-06-26 2021-12-30 Symbotic Llc Warehousing system for storing and retrieving goods in containers
WO2023049197A1 (en) * 2021-09-21 2023-03-30 Verses Technologies Usa Inc. Method and system for optimizing a warehouse
CN114417696A (zh) * 2021-12-07 2022-04-29 长春工业大学 一种基于遗传算法的自动化立体仓库货位分配优化方法
CN115608623A (zh) * 2022-10-18 2023-01-17 北京京东乾石科技有限公司 用于确定拣选信息的方法和装置
CN115689439A (zh) * 2022-12-21 2023-02-03 浙江工业大学 一种基于遗传算法的仓库物料储位分配与拣选系统
CN116151737A (zh) * 2023-03-01 2023-05-23 楚天科技股份有限公司 一种立体仓库管理方法、系统、介质及立体仓库

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传算法的高架立体仓库拣选路径优化;夏贤康;铁道货运(第9期);39-42 *

Also Published As

Publication number Publication date
CN116384612A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN109447317B (zh) 一种基于多人同时拣货的仓库最短路径优化方法
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
CN108921464B (zh) 一种拣货路径生成方法、存储介质及终端设备
CN108875955A (zh) 基于参数服务器的梯度提升决策树的实现方法及相关设备
Kim et al. Item assignment problem in a robotic mobile fulfillment system
CN109583660B (zh) 一种动态拣货策略的实现方法
CN111582582A (zh) 一种基于改进ga-pac的仓库拣选路径优化方法
CN113516293B (zh) 一种考虑拣货距离与库位离散度的库位分配方法
CN111798140A (zh) 一种用于仓储货物的智能排布方法
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
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
CN115730789A (zh) 分类存储下的asrs任务调度与货位分配方法及系统
CN115796530A (zh) 一种同时送货和取货的机器人物流调度优化方法
CN116384612B (zh) 基于遗传算法的三维仓库拣货路径优化方法
CN116468372B (zh) 一种储位分配方法、系统及存储介质
CN113792933A (zh) 一种车间布局优化方法、装置、电子设备及存储介质
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
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
CN106919712A (zh) 报表的数据统计方法和系统
Li et al. An effective batching method based on the artificial bee colony algorithm for order picking
CN116341860A (zh) 一种基于改进nsga-ⅱ算法的车辆调度优化方法
CN115841286A (zh) 一种基于深度强化学习的外卖配送路径规划方法
CN112163706B (zh) 一种搜索任务下无人平台编组的混合优化方法
CN115454070A (zh) 一种K-Means蚁群算法多机器人路径规划方法
CN115796411A (zh) 基于自定义循点聚簇的仓库拣货路径优化方法及系统

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