CN116579721B - 仓储货位优化方法、装置、电子设备及存储介质 - Google Patents
仓储货位优化方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116579721B CN116579721B CN202310860910.6A CN202310860910A CN116579721B CN 116579721 B CN116579721 B CN 116579721B CN 202310860910 A CN202310860910 A CN 202310860910A CN 116579721 B CN116579721 B CN 116579721B
- Authority
- CN
- China
- Prior art keywords
- goods
- cargo
- cargo space
- space
- chromosome
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title abstract description 21
- 210000000349 chromosome Anatomy 0.000 claims abstract description 135
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 230000035772 mutation Effects 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 10
- 230000001172 regenerating effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 4
- 239000010410 layer Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 101100277337 Arabidopsis thaliana DDM1 gene Proteins 0.000 description 1
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 101150113676 chr1 gene Proteins 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (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)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明涉及仓储货位优化领域，尤其涉及一种仓储货位优化方法、装置、电子设备及存储介质。该方法包括：获取仓储货位的货位信息和待入库货物的货物信息；基于货位信息的货位个数和货物信息的货物个数，确定染色体的镜像生成策略，以利用镜像生成策略生成预设条数的初始种群；设定遗传算法的优先级和繁衍代数；从初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成繁衍代数的遗传，并输出最优货位结果，最优货位结果用于指示待入库货物的仓储布局。本发明提供的技术方案能够避免陷入局部最优。
Description
技术领域
本发明涉及仓储货位优化领域，尤其涉及一种仓储货位优化方法、装置、电子设备及存储介质。
背景技术
石油管道行业以采集运输石油、天然气等能源为主，大口径管道、焊机和发电机组等施工作业用品，一般直接交付工程现场，在其可装入货位上的采购或备料过程中，除去日常办公用品外，需考虑仓库放置的物件以管件、钢管、泵、阀门和仪器仪表等管道配品配件为主。因此该行业仓库的货物具有行业特殊性，材质以钢铁不锈钢为主、体积和重量不具灵活性。目前，对于货物的放置采用就近原则，按入库时间顺序，一层一层摆放，不考虑工期的出库时间和零件的使用频率。
相关技术中，采用遗传算法求解货位最优问题，但遗传算法非常容易陷入局部最优情况。
基于此，本发明提出了一种仓储货位优化方法、装置、电子设备及存储介质来解决上述技术问题。
发明内容
本发明描述了一种仓储货位优化方法、装置、电子设备及存储介质，能够避免陷入局部最优。
根据第一方面，本发明提供了一种仓储货位优化方法，包括：
获取仓储货位的货位信息和待入库货物的货物信息；
基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，以利用所述镜像生成策略生成预设条数的初始种群；其中，每条染色体均由货物编号和仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，所述镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
设定遗传算法的优先级和繁衍代数；其中，所述优先级包括针对出入库频率和生产日期的优先级；
从所述初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于所述适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成所述繁衍代数的遗传，并输出最优货位结果；其中，所述最优货位结果用于指示所述待入库货物的仓储布局。
根据第二方面，本发明提供了一种仓储货位优化装置，包括：
获取模块，用于获取仓储货位的货位信息和待入库货物的货物信息；
确定模块，用于基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，以利用所述镜像生成策略生成预设条数的初始种群；其中，每条染色体均由货物编号和仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，所述镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
设定模块，用于设定遗传算法的优先级和繁衍代数；其中，所述优先级包括针对出入库频率和生产日期的优先级；
遗传模块，用于从所述初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于所述适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成所述繁衍代数的遗传，并输出最优货位结果；其中，所述最优货位结果用于指示所述待入库货物的仓储布局。
根据第三方面，本发明提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现第一方面的方法。
根据第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
根据本发明提供的仓储货位优化方法、装置、电子设备及存储介质，通过采用遗传算法进行求解，在生成初始种群时，提出了镜像生成策略，该策略保证节能货位求解正确性的同时降低种群繁衍代数，即提高计算节能货位优化的快速性，同时可避免陷入局部最优；而且该策略可以减少算法冗余，降低算法的迭代次数。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述的附图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示出了根据一个实施例的仓储货位优化方法的流程示意图；
图2示出了根据一个实施例的仓储货位优化装置的示意性框图；
图3示出了根据一个实施例的货位编号的规则示意图；
图4示出了根据一个实施例的具体货位编号的示意图；
图5示出了根据一个实施例的原始顺序摆放的货物布局图；
图6示出了根据一个实施例的货位优化后的货物布局图；
图7示出了根据一个实施例的繁衍代数与适应度函数的关系曲线图。
具体实施方式
下面结合附图，对本发明提供的方案进行描述。
图1示出根据一个实施例的仓储货位优化方法的流程示意图。可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。如图1所示，该方法包括:
步骤100、获取仓储货位的货位信息和待入库货物的货物信息；
步骤102、基于货位信息的货位个数和货物信息的货物个数，确定染色体的镜像生成策略，以利用镜像生成策略生成预设条数的初始种群；其中，每条染色体均由货物编号和仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
步骤104、设定遗传算法的优先级和繁衍代数；其中，优先级包括针对出入库频率和生产日期的优先级；
步骤106、从初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成繁衍代数的遗传，并输出最优货位结果；其中，最优货位结果用于指示待入库货物的仓储布局。
在本实施例中，通过采用遗传算法进行求解，在生成初始种群时，提出了镜像生成策略，该策略保证节能货位求解正确性的同时降低种群繁衍代数，即提高计算节能货位优化的快速性，同时可避免陷入局部最优；而且该策略可以减少算法冗余，降低算法的迭代次数。
下面对上述各步骤依次进行介绍。
针对步骤100：
在本发明一个实施例中，货位信息包括按预设顺序依次排列的货位编号信息（如图3和4所示）、货位层数、每层货位的高度、货位列数、每列货位的宽度、托盘的长度、托盘的宽度、托盘的高度、托盘能承受的最大质量和搬运设备中导轨的动摩擦系数；其中，货位个数等于货位层数和货位列数的乘积；
货物信息包括按录入顺序依次排列的货物编号、货物的长度、货物的宽度、货物的高度、货物的重量、货物的生产日期和固定时间内货物的真实出入库频率；其中，货物个数等于货物编号的个数。
例如，托盘货位最高5层，单托盘最重1t，尺寸：，单层高度1000。周转箱最高13层，单箱50kg，尺寸：/>，单层高度330。用搬运设备将货物放置在货位上，搬运设备行走方式是沿水平方向的前后运动和垂直地面方向的升降运动。
针对步骤102：
本发明实施例采用遗传算法的方法求解货位最优问题。但遗传算法非常容易陷入局部最优情况，所以本发明实施例在初始种群生产时，尽量采用全分布式的散点，即初始种群涵盖面尽量广，但初始种群太大，在程序移植时发生处理器存储空间不够用，又设计有针对性的缩小初始种群，来避免实际使用时会遇到的存储问题，即“镜像生成策略”。
在本发明一个实施例中，步骤“基于货位信息的货位个数和货物信息的货物个数，确定染色体的镜像生成策略”具体可以包括：
如果货物个数不超过货位个数的预设百分比，则确定染色体的第一镜像生成策略；其中，第一镜像生成策略为：基于货位编号信息，确定货位无效区域；如果除第一条染色体外的其它染色体的货位编号落入货位无效区域时，则基于预设第一公式重新生成该染色体的货位编号；如果除第一条染色体外的其它染色体与该染色体之前的染色体的货物编号和货位编号存在重叠，则基于货位编号信息重新生成该染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；
如果货物个数超过货位个数的预设百分比，则确定染色体的第二镜像生成策略；其中，第二镜像生成策略为：基于预设第一公式和上一条染色体的货位编号，生成本条染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠。
在本实施例中，生成初始数组按货物编号加货位编号排序，编号为随机生成的不重复数字。为避免陷入局部最优，每生成一组随机货位数，就对应生成以货架中心为对称点的货位镜像数。
在本发明一个实施例中，预设百分比为25%，仓储货位通过横纵分割为四个区域，货位无效区域为与第一个货位编号所在区域呈对角的区域。
在本实施例中，如果货物数量小于货位总数的25%时，可将货位平面四分，那么右上部分货位为无效区域（如图4所示），此时需避免无效的适应度值计算。
在本发明一个实施例中，步骤“基于货位编号信息重新生成该染色体的货位编号”具体可以包括：
在与第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，随机生成该染色体的货位编号。
在本实施例中，由于货架比较大，如果一批货物的个数占货位总数的75%，则可以直接使用“镜像生成策略”；如果一批货物的个数小于货位总数的25%，则再使用“镜像生成策略”会造成资源浪费，此时发明人创造性地考虑把随机生成的货位编号缩小到一定区域（即在与第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，例如图4中编号1-8所在的区域）。
在本发明一个实施例中，第一公式为：
；
式中，F c 为货位层数，F l 为货位列数，N hw1 为落入货位无效区域的货位编号，N hw2 为重新生成的货位编号。
下面结合图4对“镜像生成策略”进行阐述。
例如：现在有四个货物，编号为1、2、3、4；货架是4行4列的，那么按照图4进行货位的编号。
现在货物个数等于货位个数的25%，那么如果在按照中心镜像生成初始种群时，会浪费资源。在程序存储容量有限、计算迭代次数有限的情况下，必须尽可能的用最少的初始种群，最少的迭代次数，最快的找到最优解。
下面按照中心点镜像，货物小于等于货位数量的25%，进行举例：
例1：
第一条染色体：CHR1=[1 2 4 3，9 4 2 15]，表示货物1放在货位9，货物2放在货位4，货物4放在货位2，货物3放在货位15。后面的货位是从16个货位中随机生成。
第二条染色体：生成镜像染色单体CHR2=[1 2 4 3，8 13 15 2]。通过计算（即第一公式）16+1-9=8，16+1-4=13，16+1-2=15，16+1-15=2，得到镜像货位号。
因为货物个数小于等于货位个数的25%，那么货位11、12、15、16为无效区域，不管“节能货位适应度函数”怎么设计，右上角都属于不用算就应该淘汰的货位，那么就把处于这个货位的货位折算到有效区域。
那么旧的CHR1=[1 2 4 3，9 4 2 15]中的货位15，变成16+1-15=2，新的CHR1=[1 24 3，9 4 2 2]，这个时候出现货物4和货物3都放在货位2了，出现重叠，那么重新生成CHR1=[1 2 4 3，2 6 4 8]，这里的货位2、6、4、8是随机生成的，但此时随机生成的货位，是从8（16/2，即在与第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，例如图4中编号1-8所在的区域）个货位中随机生成。同理第二条染色体，也会出现这个问题，第二条也会从8个货位中随机生成，CHR2=[1 2 4 3，7 5 3 1]。
例2：
第一条染色体：CHR1=[1 2 4 3，9 4 2 8]，生成镜像CHR2=[1 2 4 3，8 13 15 7]，那么CHR1符合要求，CHR2需要将15替换，16+1-15=2，将15替换成2，新的CHR2=[1 2 4 3，813 2 7]，货位号没有重叠，保留。
例3：
第一条染色体：CHR1=[1 2 4 3，9 4 3 14]，生成镜像CHR2=[1 2 4 3，8 13 143]，都在有效区域，保留。
后续继续生成新的染色体。每一对一对的染色体组成初始种群。如果设置初始种群个数为100条：用一次中心点镜像是2条，随机生成50次，初始种群正好100条染色体，这样生成的随机货位号分散；也可以上下对称和左右对称，那么就是一次镜像是4条（随机1条，中心对称1条，左右对称1条，上下对称1条），随机生成25条，初始种群是100条。
针对步骤106：
在本发明一个实施例中，步骤“计算本代种群的适应度值”具体可以包括：
通过如下公式组计算本代种群的适应度值：
；
式中，F为适应度函数，W all 为搬运设备在固定时间内存取所有待入库货物时做的总功，W f 为搬运设备做平移运动时的阻力，W g 为搬运设备在托举货物时克服重力所做的功，D f 为固定时间内货物的真实出入库频率，D d 为生产日期折算成出入库频率的系数值，为出入库频率的优先级别，/>为生产日期的优先级级别，μ为搬运设备中导轨的动摩擦系数，D col 为当前货物所放置仓储货位的列数，F pc 为每列货位的宽度，D weight 为货物的重量，g为重力加速度，W device 为搬运设备从初始货位水平移动到货位时所做的功，D row 为当前货物所放置仓储货位的层数，F pr 为每层货位的高度，W g0 为货物从初始货位移动到搬运设备上所需的功，a为第一预设系数，b为第二预设系数，sign1为以出入库频率作为第一优先级，sig0为以出入库频率作为第二优先级，/>为生产日期折算值。
可以理解的是，W device 和W g0 均为已知量，而其他参量均是可以基于货位信息和货物信息计算得到的，在此不进行赘述。不过，需要对生产日期折算成出入库频率的系数值和生产日期折算值的乘积进行介绍。
由于生产时间是时间物理量，与功率不能直接进行运算，需要进行换算，例如下表1，真实出入库最多的次数为30次，因此将30次作为生产日期最早的折算出入库频率。按照生产日期先后排序的物品顺序：[1， 4， 2， 3， 5]，那么货物1的生产日期对应折算成的出入库就是30次，货物4的生产日期对应折算成的出入库就是29次，货物2的生产日期对应折算成的出入库就是26次，货物3的生产日期对应折算成的出入库就是10次，货物5的生产日期对应折算成的出入库就是30/5=6次，5是货物个数。表1中“时间差、角度值和折算出入库频率”均是计算出的。
表1 货物信息
；
代数计算过程：
；
先确定生产日期最老的和最新的，最老的折算成最大的真实出入库频率，这样可以避免，如果同时考虑真实出入库和生产日期的时候（a=0.5，b=0.5时），出现偏重。需要说明的是，发明人考虑到为什么不能指定生产日期的折算对应关系这一问题时，进一步考虑是因为如果第一批货物有5件，其中最多的一件出入库为100次；第二批货物有10件，其中最多的一件出入库为10次。这种情况，如果指定生产日期折算为固定值会无法均衡100次和10次，所以生产日期的折算会随着不同批次中，同批次最多的物品出入库频率进行变动。
而使用sin函数可以很好避免时间跨度过大的问题，越接近最老的生产日期越平滑（sin90°那个顶那里），如果是线性会过于平均，结果见下式：
；
货物生产日期的时间跨度大，效果越好，比如跨度100年，那么99年接近100年，上面是一个弧度，而不是直线。
具体而言，仓库收到一批货物，需要将该批货物放置到货位上，该批货物放置在搬运设备初始位置（不考虑叉车和AGV等货运设备，将货物从仓库门口运送到入库区域）。以搬运设备完成存取该批货物的全部工作，即完成该货物的全部出入库要求，所需的搬运设备总做功最小，为该批货物放置位置的衡量指标，即以最节能货位为本次设计的优化指标。因此，在本发明实施例提出的遗传算法中，适应度函数为搬运设备总功率的倒数（这是因为适应度函数值需要越大越好，与功率最小值呈反比关系）。
搬运设备每次只能运输一个货物，每次运输完成，会返回到初始位置。为保证均衡考虑货物的保质期限，在完成全部货物出入库所消耗的总功率相近情况时，即适应度函数值上下浮动±10时，会考虑货物的生产时间，生产时间早者，货位排序靠前。将一个货物运输到指定货位，搬运设备先水平运行到货位的列，在提升到其最在的行。搬运设备水平行走的功率为克服滑轮动摩擦力所需的功率；提升重物所需的功率为垂直方向，克服重力所做的功率。
适应度函数F，如上述公式组所示。默认搬运设备初始位置与货位第一行水平，因此在货物放置在货位第一层时，无需克服货物的重力做功。适应度函数需要计算全部货物的出入库总做功，在计算适应度函数值时，需分别计算每个货物对应货位的出入库单功率，将所有货物的单功率求和，得到该批货物完成出入库要求后所需的总功率。
在一些实施方式中，本代种群采用轮盘赌的方式进行选择和复制，按本代染色体组求出的适应度值从小到大排列，用轮盘赌的方式选择染色体进行复制，将复制后的染色体组打乱顺序生成新一代的染色体组。
在一些实施方式中，本代种群进行交叉过程，默认从头到尾顺序依次排列的两条染色体为一对染色体（即第1条与第2条为一对，第3条与第4条为一对，依次类推），在全部染色体循环中，当生成的随机数大于交叉概率时，本次比较的两条染色体交换对应的全部货位号，完成遗传算法中的交叉过程。
在一些实施方式中，本代种群的染色体变异为优选变异，优先变异比随机变异能加快适应度值的收敛速度。当生成的随机数大于变异概率时，本条染色体在全部货位号中，随机生成变异位。在该位生成一组不含原货位号的随机货位号组，分别将随机货位号组中的元素代入随机变异位，取随机货位号组中适应度值最大的随机货位号，替代随机变异位的原货位号，完成遗传算法中的变异过程。
综上，本发明实施例提供的方法以货位放置设备，搬运设备的节能为主要优化参数指标，采用遗传算法进行求解。在生成初始种群时，提出了镜像生成策略，该策略保证节能货位求解正确性的同时降低种群繁衍代数，即提高计算节能货位优化的快速性，同时可避免陷入局部最优。然后，设计了与货物出入频率、重量和生产日期等参数相关的节能适应度函数，该函数中计算了搬运设备的实际总运行功率以及生产日期折算功率，将货物的多信息进行融合。该算法兼容货位分配的多影响因素，实现了运输设备的节能。在物资供应保障率不变的情况下，降低了设备的运行成本，提高了仓储备品备件供应的服务水平，在廊坊市管道局仓库7#库的试运行过程中，保证了仓库的生产运营，降低了运营成本。
下面介绍本发明提供的仓储货位优化方法的实验过程。
货位为市油气储运仓库1#号货位，层高为5，数列为8，单侧摆放，对应货位的层高为1米，列宽为1米。采用标准托盘箱/>内装不同类型的5种货物，搬运设备的动摩擦系数取0.8，生产日期和出入库频率见上表1。给定初始种群为200条染色体，繁衍代数是300代。
在计算适应度函数值时，需计算总做功率，根据上述给定条件可知，货物的总重量量级过高，计算总功率后求倒，会导致数值过大，为方便比较，α取10-7。
设出入库为第一优先级，5种货物的重量均设为100kg，由搬运设备进行摆放，当不使用节能算法时，货位摆放见图5所示，为顺序摆放，求得的适应度值F=36.2361（该值对应的搬运设备消耗功率为(Fα)-1 = 275970W）。
当采用节能货位优化算法后，货物的摆放位置如图6所示，出入库最频繁的5号货物放置在离搬运设备最近的位置，依次以扇形展开的方法放置次频繁的货物。此货物放置方法，搬运设备完成全部工作消耗的功率为175220W（适应度值F=57.0698），比顺序放置要节省近100kW的能量，节能约36.51%。
图7为繁衍代数与每代的平均适应度值的变化曲线，从曲线中可以看到随着迭代次数的变化，曲线趋于平稳，围绕最大值附近震荡，整个种群往适应度值大的方向进行演变，整个繁衍过程符合遗传算法的规则。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
根据另一方面的实施例，本发明提供了一种仓储货位优化装置。图2示出根据一个实施例的仓储货位优化装置的示意性框图。可以理解，该装置可以通过任何具有计算、处理能力的装置、设备、平台和设备集群来实现。如图2所示，该装置包括：获取模块200、确定模块202、设定模块204和遗传模块206。其中各组成模块的主要功能如下：
获取模块200，用于获取仓储货位的货位信息和待入库货物的货物信息；
确定模块202，用于基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，以利用所述镜像生成策略生成预设条数的初始种群；其中，每条染色体均由货物编号和仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，所述镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
设定模块204，用于设定遗传算法的优先级和繁衍代数；其中，所述优先级包括针对出入库频率和生产日期的优先级；
遗传模块206，用于从所述初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于所述适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成所述繁衍代数的遗传，并输出最优货位结果；其中，所述最优货位结果用于指示所述待入库货物的仓储布局。
作为一种优选的实施方式，所述货位信息包括按预设顺序依次排列的货位编号信息、货位层数、每层货位的高度、货位列数、每列货位的宽度、托盘的长度、托盘的宽度、托盘的高度、托盘能承受的最大质量和搬运设备中导轨的动摩擦系数；其中，所述货位个数等于所述货位层数和所述货位列数的乘积；
所述货物信息包括按录入顺序依次排列的货物编号、货物的长度、货物的宽度、货物的高度、货物的重量、货物的生产日期和固定时间内货物的真实出入库频率；其中，所述货物个数等于所述货物编号的个数。
作为一种优选的实施方式，所述确定模块，用于执行如下操作：
如果货物个数不超过货位个数的预设百分比，则确定染色体的第一镜像生成策略；其中，所述第一镜像生成策略为：基于所述货位编号信息，确定货位无效区域；如果除第一条染色体外的其它染色体的货位编号落入所述货位无效区域时，则基于预设第一公式重新生成该染色体的货位编号；如果除第一条染色体外的其它染色体与该染色体之前的染色体的货物编号和货位编号存在重叠，则基于所述货位编号信息重新生成该染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；
如果货物个数超过货位个数的所述预设百分比，则确定染色体的第二镜像生成策略；其中，所述第二镜像生成策略为：基于预设第一公式和上一条染色体的货位编号，生成本条染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠。
作为一种优选的实施方式，所述预设百分比为25%，所述仓储货位通过横纵分割为四个区域，所述货位无效区域为与第一个货位编号所在区域呈对角的区域。
作为一种优选的实施方式，所述确定模块在执行所述基于所述货位编号信息重新生成该染色体的货位编号时，用于执行如下操作：
在与第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，随机生成该染色体的货位编号。
作为一种优选的实施方式，所述第一公式为：
；
式中，F c 为所述货位层数，F l 为所述货位列数，N hw1 为落入所述货位无效区域的货位编号，N hw2 为重新生成的货位编号。
作为一种优选的实施方式，所述遗传模块在执行所述计算本代种群的适应度值时，用于执行如下操作：
通过如下公式组计算本代种群的适应度值：
；
式中，F为适应度函数，W all 为搬运设备在固定时间内存取所有待入库货物时做的总功，W f 为搬运设备做平移运动时的阻力，W g 为搬运设备在托举货物时克服重力所做的功，D f 为固定时间内货物的真实出入库频率，D d 为生产日期折算成出入库频率的系数值，为出入库频率的优先级别，/>为生产日期的优先级级别，μ为搬运设备中导轨的动摩擦系数，D col 为当前货物所放置仓储货位的列数，F pc 为每列货位的宽度，D weight 为货物的重量，g为重力加速度，W device 为搬运设备从初始货位水平移动到货位时所做的功，D row 为当前货物所放置仓储货位的层数，F pr 为每层货位的高度，W g0 为货物从初始货位移动到搬运设备上所需的功，a为第一预设系数，b为第二预设系数，sign1为以出入库频率作为第一优先级，sig0为以出入库频率作为第二优先级，/>为生产日期折算值。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图1所描述的方法。
根据再一方面的实施例，还提供一种电子设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图1所述的方法。
本发明的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (4)
1.一种仓储货位优化方法，其特征在于，包括：
获取仓储货位的货位信息和待入库货物的货物信息；
基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，以利用所述镜像生成策略生成预设条数的初始种群；其中，每条染色体均由多个货物编号和多个仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，所述镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
设定遗传算法的优先级和繁衍代数；其中，所述优先级包括针对出入库频率和生产日期的优先级；
从所述初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于所述适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成所述繁衍代数的遗传，并输出最优货位结果；其中，所述最优货位结果用于指示所述待入库货物的仓储布局；
所述货位信息包括按预设顺序依次排列的货位编号信息、货位层数、每层货位的高度、货位列数、每列货位的宽度、托盘的长度、托盘的宽度、托盘的高度、托盘能承受的最大质量和搬运设备中导轨的动摩擦系数；其中，所述货位个数等于所述货位层数和所述货位列数的乘积；
所述货物信息包括按录入顺序依次排列的货物编号、货物的长度、货物的宽度、货物的高度、货物的重量、货物的生产日期和固定时间内货物的真实出入库频率；其中，所述货物个数等于所述货物编号的个数；
所述基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，包括：
如果货物个数不超过货位个数的预设百分比，则确定染色体的第一镜像生成策略；其中，所述第一镜像生成策略为：基于所述货位编号信息，确定货位无效区域；如果除第一条染色体外的其它染色体的货位编号落入所述货位无效区域时，则基于预设第一公式重新生成该货位编号；如果重新生成的货位编号与该染色体中的其它货位编号存在重叠，则通过如下方式重新生成该染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；其中，所述预设百分比为25%，所述仓储货位通过横纵分割为四个区域，所述货位无效区域为与第一个货位编号所在区域呈对角的区域，所述方式为：在第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，随机生成该染色体的货位编号；
如果货物个数超过货位个数的所述预设百分比，则确定染色体的第二镜像生成策略；其中，所述第二镜像生成策略为：基于预设第一公式和上一条染色体的货位编号，生成本条染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；
所述第一公式为：
；
式中，F c 为所述货位层数，F l 为所述货位列数，N hw1 为落入所述货位无效区域的货位编号，N hw2 为重新生成的货位编号；
所述计算本代种群的适应度值，包括：
通过如下公式组计算本代种群的适应度值：
；
式中，F为适应度函数，n为待入库货物的个数，i为第i个待入库货物，W all 为搬运设备在固定时间内存取所有待入库货物时做的总功，W f 为搬运设备做平移运动时的阻力，W g 为搬运设备在托举货物时克服重力所做的功，D f 为固定时间内货物的真实出入库频率，D d 为生产日期折算成出入库频率的系数值，为出入库频率的优先级别，/>为生产日期的优先级级别，μ为搬运设备中导轨的动摩擦系数，D col 为当前货物所放置仓储货位的列数，F pc 为每列货位的宽度，D weight 为货物的重量，g为重力加速度，W device 为搬运设备从初始货位水平移动到货位时所做的功，D row 为当前货物所放置仓储货位的层数，F pr 为每层货位的高度，W g0 为货物从初始货位移动到搬运设备上所需的功，a为第一预设系数，b为第二预设系数，sign1为以出入库频率作为第一优先级，sign0为以出入库频率作为第二优先级，/>为生产日期折算值。
2.一种仓储货位优化装置，其特征在于，包括：
获取模块，用于获取仓储货位的货位信息和待入库货物的货物信息；
确定模块，用于基于所述货位信息的货位个数和所述货物信息的货物个数，确定染色体的镜像生成策略，以利用所述镜像生成策略生成预设条数的初始种群；其中，每条染色体均由多个货物编号和多个仓储货位的货位编号组成，第一条染色体的货位编号是随机生成的，除第一条染色体外的其它染色体的货位编号均是由该染色体的上一条染色体的货位编号得到的，所述镜像生成策略用于指示除第一条染色体外的其它染色体的货位编号的生成；
设定模块，用于设定遗传算法的优先级和繁衍代数；其中，所述优先级包括针对出入库频率和生产日期的优先级；
遗传模块，用于从所述初始种群开始，针对每一代种群，均执行：计算本代种群的适应度值；基于所述适应度值，对本代种群的染色体进行选择复制；对选择复制后的本代种群进行交叉变异，得到下一代种群，直至完成所述繁衍代数的遗传，并输出最优货位结果；其中，所述最优货位结果用于指示所述待入库货物的仓储布局；
所述货位信息包括按预设顺序依次排列的货位编号信息、货位层数、每层货位的高度、货位列数、每列货位的宽度、托盘的长度、托盘的宽度、托盘的高度、托盘能承受的最大质量和搬运设备中导轨的动摩擦系数；其中，所述货位个数等于所述货位层数和所述货位列数的乘积；
所述货物信息包括按录入顺序依次排列的货物编号、货物的长度、货物的宽度、货物的高度、货物的重量、货物的生产日期和固定时间内货物的真实出入库频率；其中，所述货物个数等于所述货物编号的个数；
所述确定模块，用于执行如下操作：
如果货物个数不超过货位个数的预设百分比，则确定染色体的第一镜像生成策略；其中，所述第一镜像生成策略为：基于所述货位编号信息，确定货位无效区域；如果除第一条染色体外的其它染色体的货位编号落入所述货位无效区域时，则基于预设第一公式重新生成该货位编号；如果重新生成的货位编号与该染色体中的其它货位编号存在重叠，则通过如下方式重新生成该染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；其中，所述预设百分比为25%，所述仓储货位通过横纵分割为四个区域，所述货位无效区域为与第一个货位编号所在区域呈对角的区域，所述方式为：在第一个货位编号所在区域和与该区域平行的区域中的所有货位编号中，随机生成该染色体的货位编号；
如果货物个数超过货位个数的所述预设百分比，则确定染色体的第二镜像生成策略；其中，所述第二镜像生成策略为：基于预设第一公式和上一条染色体的货位编号，生成本条染色体的货位编号，以使不同染色体的货物编号和货位编号不存在重叠；
所述第一公式为：
；
式中，F c 为所述货位层数，F l 为所述货位列数，N hw1 为落入所述货位无效区域的货位编号，N hw2 为重新生成的货位编号；
所述遗传模块在执行所述计算本代种群的适应度值时，用于执行如下操作：
通过如下公式组计算本代种群的适应度值：
；
式中，F为适应度函数，n为待入库货物的个数，i为第i个待入库货物，W all 为搬运设备在固定时间内存取所有待入库货物时做的总功，W f 为搬运设备做平移运动时的阻力，W g 为搬运设备在托举货物时克服重力所做的功，D f 为固定时间内货物的真实出入库频率，D d 为生产日期折算成出入库频率的系数值，为出入库频率的优先级别，/>为生产日期的优先级级别，μ为搬运设备中导轨的动摩擦系数，D col 为当前货物所放置仓储货位的列数，F pc 为每列货位的宽度，D weight 为货物的重量，g为重力加速度，W device 为搬运设备从初始货位水平移动到货位时所做的功，D row 为当前货物所放置仓储货位的层数，F pr 为每层货位的高度，W g0 为货物从初始货位移动到搬运设备上所需的功，a为第一预设系数，b为第二预设系数，sign1为以出入库频率作为第一优先级，sign0为以出入库频率作为第二优先级，/>为生产日期折算值。
3.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860910.6A CN116579721B (zh) | 2023-07-14 | 2023-07-14 | 仓储货位优化方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310860910.6A CN116579721B (zh) | 2023-07-14 | 2023-07-14 | 仓储货位优化方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116579721A CN116579721A (zh) | 2023-08-11 |
| CN116579721B true CN116579721B (zh) | 2023-09-19 |
Family
ID=87538258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310860910.6A Active CN116579721B (zh) | 2023-07-14 | 2023-07-14 | 仓储货位优化方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579721B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332930B (zh) * | 2023-11-30 | 2024-03-19 | 深圳智者行天下科技有限公司 | 一种基于汽车称重管理的商用车行驶安全监管系统 |
| CN117436795B (zh) * | 2023-12-21 | 2024-03-08 | 武汉佰思杰科技有限公司 | 一种用于分级管理的仓库物资监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808215A (zh) * | 2017-10-23 | 2018-03-16 | 南昌大学 | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 |
| CN110909930A (zh) * | 2019-11-20 | 2020-03-24 | 浙江工业大学 | 一种面向冷库的移动式货架仓储系统货位分配方法 |
| CN111178606A (zh) * | 2019-12-22 | 2020-05-19 | 南京理工大学 | 基于nsga-ii的自动化仓储货位分配优化方法 |
| CN112036667A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | 仓库货位优化方法、设备、存储介质及装置 |
| CN115303689A (zh) * | 2022-07-26 | 2022-11-08 | 西南交通大学 | 一种多巷道立体仓库货位分配优化方法 |
| CN116402185A (zh) * | 2023-02-01 | 2023-07-07 | 南京理工大学 | 基于aga多目标液压泵装配车间立体仓库货位分配优化方法 |
-
2023
- 2023-07-14 CN CN202310860910.6A patent/CN116579721B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107808215A (zh) * | 2017-10-23 | 2018-03-16 | 南昌大学 | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 |
| CN110909930A (zh) * | 2019-11-20 | 2020-03-24 | 浙江工业大学 | 一种面向冷库的移动式货架仓储系统货位分配方法 |
| CN111178606A (zh) * | 2019-12-22 | 2020-05-19 | 南京理工大学 | 基于nsga-ii的自动化仓储货位分配优化方法 |
| CN112036667A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | 仓库货位优化方法、设备、存储介质及装置 |
| CN115303689A (zh) * | 2022-07-26 | 2022-11-08 | 西南交通大学 | 一种多巷道立体仓库货位分配优化方法 |
| CN116402185A (zh) * | 2023-02-01 | 2023-07-07 | 南京理工大学 | 基于aga多目标液压泵装配车间立体仓库货位分配优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于优化Memetic算法的立体仓库货位优化策略;薛亚莉;侯媛彬;;计算机测量与控制(第12期);第3387-3389页 * |
| 基于非支配遗传算法的自动化仓库动态货位优化;印美;洪荣晶;刘林;;组合机床与自动化加工技术(第03期);第31-37页 * |
| 现代仓储系统货物入库分配优化模型及算法研究;宣登殿;杨新征;;公路交通科技(第12期);第153-158页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116579721A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116579721B (zh) | 仓储货位优化方法、装置、电子设备及存储介质 | |
| CN107622321B (zh) | 一种基于多约束条件智能生成箱体装载方案的方法 | |
| Bazzazi et al. | A genetic algorithm to solve the storage space allocation problem in a container terminal | |
| Robenek et al. | A branch-and-price algorithm to solve the integrated berth allocation and yard assignment problem in bulk ports | |
| CN104408589B (zh) | 基于混合粒子群算法的agv优化调度方法 | |
| Araújo et al. | Pareto clustering search applied for 3D container ship loading plan problem | |
| Ramos et al. | A physical packing sequence algorithm for the container loading problem with static mechanical equilibrium conditions | |
| Goetschalckx et al. | Optimal lane depths for single and multiple products in block stacking storage systems | |
| CN109784547A (zh) | 一种码头岸桥与场桥协同优化调度方法 | |
| CN109800913B (zh) | 一种提高包装危险品出入库效率的互通仓库铲车运行线路确定方法 | |
| CN110705765A (zh) | 基于遗传算法和启发式策略的电商订单装箱优化方法 | |
| Hsu et al. | An integrated plant capacity and production planning model for high-tech manufacturing firms with economies of scale | |
| Zhu et al. | Two-stage search algorithm for the inbound container unloading and stacking problem | |
| Wang et al. | Improved Harmony Search Algorithm for Truck Scheduling Problem in Multiple‐Door Cross‐Docking Systems | |
| Park et al. | Optimizing stacking policies using an MOEA for an automated container terminal | |
| Chung et al. | A modified genetic algorithm for maximizing handling reliability and recyclability of distribution centers | |
| CN110516408B (zh) | 一种基于Demo3D仿真的四线一库设计管理系统 | |
| Zhang et al. | Stowage planning in multiple ports with shifting fee minimization | |
| Wang et al. | A new dynamic shape adjustment and placement algorithm for 3D yard allocation problem with time dimension | |
| Sari et al. | Experimental validation of travel time models for shuttle-based automated storage and retrieval system | |
| Kır et al. | A novel hierarchical approach for a heterogeneous 3D pallet loading problem subject to factual loading and delivery constraints | |
| Zhu et al. | Simulation-based quantitative evaluation method for water–water transshipment coal terminals | |
| Chen et al. | An integrating scheduling model for mixed cross-operation in container terminals | |
| JP7192382B2 (ja) | ヤード管理装置、ヤード管理方法、およびプログラム | |
| Lei et al. | Integrated optimization of mixed cargo packing and cargo location assignment in automated storage and retrieval systems |
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 |