CN116681365A - 一种基于遗传算法的智能制造车间物流两段式调度方法 - Google Patents

一种基于遗传算法的智能制造车间物流两段式调度方法 Download PDF

Info

Publication number
CN116681365A
CN116681365A CN202310556996.3A CN202310556996A CN116681365A CN 116681365 A CN116681365 A CN 116681365A CN 202310556996 A CN202310556996 A CN 202310556996A CN 116681365 A CN116681365 A CN 116681365A
Authority
CN
China
Prior art keywords
batch
order
sub
picking
goods
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
CN202310556996.3A
Other languages
English (en)
Inventor
谢乃明
刁存艺
王玉全
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 University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310556996.3A priority Critical patent/CN116681365A/zh
Publication of CN116681365A publication Critical patent/CN116681365A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

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

Abstract

本发明实施例公开了一种基于遗传算法的智能制造车间物流两段式调度方法，涉及智能制造技术领域。本发明包括：建立以总拣货距离最短为目标函数的任务分批与路径优化两阶段优化模型，针对研究问题调用遗传算法，嵌套甬道式仓库路径策略进行求解，设计适用于本问题的交叉、变异策略，提高求解精度，能够自动化实现订单分批，使得拣货的总路程最短。从而解决智能制造车间物流“任务分批—路径优化”两阶段调度问题，从而优化了智能车间物流中的订单分批调度方式，提升智能车间的综合生产效率。

Description

一种基于遗传算法的智能制造车间物流两段式调度方法
技术领域
本发明涉及智能制造技术领域，尤其涉及一种基于遗传算法的智能制造车间物流两段式调度方法。
背景技术
随着智能制造技术的发展，生产线的生产效率和生产质量得到了显著提升。然而，在实际生产过程中，为生产线提供原材料的智能物流运输系统的交料效率会对制造业的综合生产效率产生制约。如果原材料配送不及时，生产车间可能出现暂停或者中断生产，这在实际生产中属于是重大的生产事故。因此，这对智能制造车间物流运输系统带来了巨大挑战，如何提高生产系统的生产交料效率成为亟待解决的痛点问题。
智能物流运输系统交料流程具体可描述为：某一时间段内生产系统有多个动态到达的订单需要生产，生产系统再以订单的形式周期性地向智能物流运输系统下达任务，每个订单中包括生产原材料的品项、数量等信息；根据订单信息，原材料仓库完成拣选任务；拣选完成并分拣打包后运输至生产线。而具体来说，提高智能物流运输系统交料效率的核心在于拣货环节，其中包括订单分批调度和拣选路径优化俩大模块。这其中，订单分批调度又是路径优化的前提和拣货作业优化的关键。由于仓储物流的特殊性，现有的一些拣选路径策略，如S型路径策略、中点策略等已经被广泛应用。在S型路径拣选路径策略下，假如在某一列货架中，需要拣选的货物就在货架的第一排，按照S型路径来行走的话，就会增加不必要的行走距离。显然，订单分批及拣货路径优化两者相互关联，每一个符合约束条件的分批结果对应一个总拣货距离，分批结果变化，总拣货距离随之改变。因此，订单分批策略会对总拣选距离造成极大的影响。因此，提高生产交料系统效率的核心问题就落在如何合理的对“任务分批—路径优化”两阶段调度问题进行优化。
然而，到目前为止，由于自动化系统高投资成本，我国很多传统制造型企业仍然使用以经验为主导的人工式订单分批调度，显然这种方法已不能够满足高速生产线对交料效率的需求。目前研究订单分批优化方法的优化模型目标许多都集中在最小化料箱出库次数上，该方法并不能和路径优化策略进行很好的结合，无法获得订单分批及拣货路径优化整体最优的结果；此外，由于生产系统的特殊性，物料重量繁多且数量大，现有订单分批方式也需要进一步优化提升。
因此，如何进一步优化目前的智能车间物流中的订单分批调度方式，从而提升智能车间的综合生产效率，成为了需要研究的课题。
发明内容
本发明的实施例提供一种基于遗传算法的智能制造车间物流两段式调度方法，能够优化智能车间物流中的订单分批调度方式，提升智能车间的综合生产效率。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供的方法，包括：
S1、获取所述智能制造车间的生产系统的订单需求信息；
S2、根据预设的路径规划策略和所述订单需求信息，建立对应订单拣选任务的目标函数；
S3、建立与所述目标函数相关联的订单分批及拣货路径规划模型；
S4、利用遗传算法通过所述订单分批及拣货路径规划模型，获取订单分批及拣货路径的优化结果。
第二方面，本发明的基于遗传算法的智能制造车间物流两段式调度装置，包括：
订单采集模块，用于获取所述智能制造车间的生产系统的订单需求信息；
预处理模块，用于根据预设的路径规划策略和所述订单需求信息，建立对应订单拣选任务的目标函数；
订单分批及拣货路径规划模块，用于建立与所述目标函数相关联的订单分批及拣货路径规划模型；
处理模块，用于利用遗传算法通过所述订单分批及拣货路径规划模型，获取订单分批及拣货路径的优化结果。
本发明实施例提供的基于遗传算法的智能制造车间物流两段式调度方法，建立以总拣货距离最短为目标函数的任务分批与路径优化两阶段优化模型，针对研究问题调用遗传算法，嵌套甬道式仓库路径策略进行求解，设计适用于本问题的交叉、变异策略，提高求解精度，能够自动化实现订单分批，使得拣货的总路程最短。从而解决智能制造车间物流“任务分批—路径优化”两阶段调度问题，从而优化了智能车间物流中的订单分批调度方式，提升智能车间的综合生产效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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它的附图。
图1为本发明实施例提供的具体实例的流程示意图；
图2为本发明实施例提供的具体实例的算法流程图；
图3为本发明实施例提供的具体实例的仓库布局图；
图4为本发明实施例提供的具体实例的最优分批方案和路径规划图；
图5为本发明实施例提供的具体实例的遗传算法迭代图；
图6为本发明实施例提供的方法流程示意图；
图7为本发明实施例提供的装置结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本实施例中，针对“任务分批—路径优化”两阶段调度问题建立优化模型，以总拣货距离最小为目标的数学模型，且运用gurobi求解器对该模型的有效性进行了验证，但是，随着实际问题数据规模的增加，gurobi求解器的求解效率明显达不到实际生产的要求，因此，本发明根据实际问题设计了遗传算法进行求解，实现大量订单分批的整体最优。
本发明实施例提供一种基于遗传算法的智能制造车间物流两段式调度方法，如图6所示，包括：
S1、获取所述智能制造车间的生产系统的订单需求信息；
S2、根据预设的路径规划策略和所述订单需求信息，建立对应订单拣选任务的目标函数；
S3、建立与所述目标函数相关联的订单分批及拣货路径规划模型；
S4、利用遗传算法通过所述订单分批及拣货路径规划模型，获取订单分批及拣货路径的优化结果。
本实施例中针对所研究的问题背景改进传统遗传算法；以甬道式原材料仓库的储位信息和布局图为基础，总拣货距离最短为目标函数，订单信息为导向。通过设计了一种混合交叉策略，在精英保留的基础上，以一定的概率对每代的部分精英染色体进行局部搜索，以提高算法的收敛速度和求解精度。具体的，每次订单分批和路径规划中，每次将需要处理的订单顺序按一定规则打乱产生一个合法序列，产生初始种群，并对这些订单序列按一定策略进行分批操作，确定每个批次所要经过的节点，并对所有批次调用S型路径策略算法，计算其适应值；再对种群不断进行选择操作，同时对选择后的种群完成新设计的交叉和变异操作，最后通过不断迭代规划出最优的订单分批方案。
本实施例中，在S1中，包括：通过信息技术实时采集所述生产系统在指定时间段内的订单需求信息，所述订单需求信息中，至少包括：原材料货号信息和需求量信息。其中，信息技术指通过计算机、企业资源计划(ERP)系统等，进行信息交换。
本实施例中，根据仓库布局求解两个货架间的距离，其中建立对应订单拣选任务的目标函数：
其中，dij表示节点i和节点j点之间的距离，xijdb表示取值0-1之间的变量，在分拣站d的批次b中，经过弧(i,j)时，xijdb＝1，否则xijdb＝0，z表示分拣完所有订单所需货品的总距离，A表示任意两个节点之间的弧的集合,d∈VD，b∈Bd，VD表示所有分拣站的集合，Bd表示每个分拣站的批次集合；所述预设的路径规划策略采用S型路径策略。
例如图3所示的仓库布局，包含两个分拣区和50个货架。仓库的分拣区是AGV的出发点和终点。该仓库共包含10列货架，仓库两边是单排货架，此外均为背靠背式货架，每个货架的高度一致。仓库的纵向甬道的宽度为1m，横向甬道宽度为2m，分别对两种类型的甬道进行编号。由于AGV沿通道行驶，且通道布置为横纵方向，故AGV行走距离为折线距离，在本问题中，行驶策略采取S型路径策略。以类的形式定义货架和站点，每个货架进行对象实例化操作，其存储的信息包括：货架的编号；货架所在甬道信息；货架的坐标；货架的类型；货架上物品的种类；货架上物品的数量。在仓库中，用dij表示节点i和节点j点之间的距离。
本实施例中，在S3中，包括：以拣货总距离最短为目标函数，建立订单分批及拣货路径规划模型；其中，各分拣站、货架位置和货物信息已知，AGV数量和容量已知，要求当一个小时内产生多个生产订单需求时，合理规划订单分批方式和取货路径，使得目标函数最小，并满足约束条件，所述目标函数的约束条件包括：一个AGV负责一个批次的拣货任务，从分拣站出发并返回同一个分拣站；和，每个AGV负责的批次里所有的货物小于或等于超过其最大容量；分拣站负载平衡。
进一步的，在所述订单分批及拣货路径规划模型运行前，还包括：确定每个分拣站的批次集合Bd，其中：
o表示订单中的货物，O表示所有待取货品集合，k表示被取出的货物，M所有需要拣选的货物集合，wok表示订单o中货品，VD表示所有分拣站的集合，Q表示一个批次/AGV的最大负载。
本实施例的订单分批及拣货路径规划模型中，包括：
将每个订单中的每种货物都分配到一个批次中；
对分配了货物的批次的容量进行约束，其中包括：确保每个订单里的所有货物都只能在一个批次中拣选且订单不可分割，和，每个批次的每种待拣选货物只在一个货架上被拣选；
对于每个批次，若在货架s取了货物k，则该货架s必须被访问；
针对每个批次生成对应的回路，其中，在生成的回路中，负责该批次的AGV离开分拣站后还会返回该分拣站，并且，在到达所需访问的货架前AGV剩余的负载大于等于该货架待取物品的总重量。
具体的：通过子模型(2)和子模型(3)，将每个订单中的每种货物都必须且只能分配到一个批次中；
通过子模型(4)对批次的容量进行约束；
通过子模型(5)约束每个订单里的所有货物都只能在一个批次中拣选，其中订单不可分割；
通过子模型(6)确定每个批次所有需要拣选的货物；
通过子模型(7)约束每个批次的每种待拣选货物只能在一个货架上拣选；
通过子模型(8)、(9)处理每个批次，其中：若在货架s取了物品k，则该货架必被访问；
通过子模型(10)表示构成线图，并形成回路；
通过子模型(11)约束每个批次只能形成一个回路；
通过子模型(12)约束示从分拣站出发的负载均为0；
通过子模型(13)约束在到达所需访问的货架前剩余的负载大于等于该货架待取物品的总重量；
通过子模型(14)约束每个批次无需访问的货架之间负载为0；
通过子模型(15)消除子回路；
其中，子模型(2)至子模型(15)包括：
其中，V表示所有点的集合，VS为所有货架(至少包含一个待取货品)的货架集合，VD表示所有分拣站的集合；A表示任意两个节点i和节点j点之间的弧的集合，M所有需要拣选的货物集合，表示包含货品k∈M的货架集；O表示所有订单集合，Mo表示订单o∈O的所有待取货品集合，Bd表示每个分拣站的批次集合；Q表示一个批次/AGV的最大负载，wok表示订单o中货品k,k∈M的重量；zksdb为0-1变量，在批次b∈Bd中，在货架/>取了货物k，zpsrb＝1，否则zpsrb＝0；ukodb为0-1变量，若订单o∈O中货品k,k∈M在分拣站d的批次b∈Bd中拣选，ukodb＝1，否则uk0db＝0；yijdb为连续变量，表示弧(i,j)的负载，进一步的：
本实施例中，基于遗传算法运用Python对总拣货距离目标函数模型进行仿真分析，得到最短总拣货距离。例如图2所示的，基于遗传算法的求解流程为：
(1)确定优化目标，建立优化模型
(2)确定编码方法
每个染色体C采用实数编码的方式，C的表达式为C＝[O1,O2,…,O3]，其中基因位数对应订单的编号。例如C＝[2,5,6,8,9,1,4,3,7,10]，分别代表10个订单。
(3)确定种群规模
(4)确定终止条件及适应度函数
终止条件为判断是否大于最大迭代次数Gen。由于初始编码并未对订单进行分批操作，因此在解码环节需要对其进行分批操作。以实现各个分拣站的负载平衡为目标，同时满足AGV容量限制条件。遍历每个订单，完成订单分批操作。得到分批结果后，针对每个批次，形成拣货单，即每个批次所需要取的货物集，由货物集确定该批次需要捡取的货架，接着根据S型路径策略计算该批次的拣货路径距离，最终得到适应度值，其计算公式为：
(5)初始化种群，进行适应度评价
(6)判断是否满足终止条件，满足则生成最优分批结果和总拣货距离S，反之执行(5)
(7)遗传操作，根据先前的遗控制参数，在子种群中随机选择个体进行交叉、变异运算，对上一代最优个体实施最优保存操作，产生下一代。交叉操作具体为：在已经构建了满足约束条件的种群的前提下，对根据选择操作选择后的两个父代染色体parent1和parent2进行交叉，随机找到两条染色体具有相同索引值[a,b]的子订单序列A和B，对parent1中不包含子订单序列B的其他序列进行排序，生成序列A_1；同时对parent2进行同样操作，生成序列B_1，然后根据索引位置对其进行交叉。例如：两个父代个体的染色体编码分别为A＝[2,5,8,6,9,1,4,3,7,10]、B＝[6,4,7,8,5,2,1,10,3,9]，随机选择两个索引值[0,3]，则子代个体为A’＝[6,4,7,2,5,8,9,3,7,10]、B’＝[2,5,8,6,4,7,1,10,3,9]。设置变异概率为prob＝0.1。变异操作具体为：对父代染色体种群进行遍历，每次遍历产生一个0-1之间的随机数，若随机数小于变异概率，则进行变异操作；变异时随机选择染色体的两个索引值[a,b]，随后将其对应索引位置的值进行交换。例如：某染色体编码为[2,5,6,8,9,1,4,3,7,10]，随机选择其索引2和8的位置进行交换，那么变异后的染色体为[2,5,7,8,9,1,4,3,6,10]。
本实施例方案在“任务分批—路径优化”两阶段调度场景中的优化仿真实例分析：
设某配送中心的单区型甬道式仓库布局如图3所示，有两条相同横向通道和五条相同纵向甬道，横向通道分别为front-aisle、back-aisle，纵向甬道分别为甬道1-5。分别对每个货架进行编号。该仓库的具体参数设定见表1。
表1.仓库参数
参数 参数说明 参数值
d 纵向甬道宽度 1m
k front-aisle宽度 2m
w 货架宽度 1m
l 货架长度 2m
(1)以订单到达顺序分批拣选
以10个订单为例，每个批次负载为2unit。按照订单到达顺序进行排序，每个批次不超过批次负载，将其分为4个批次，拣选路径采用S型路径策略，总拣货距离为144m，拣选数据如表2所示：
表2.按订单顺序拣选的结果
(2)“任务分批—路径优化”两阶段调度优化拣选
以相同订单为例，对其进行“任务分批—路径优化”两阶段调度，调用遗传算法求解。本发明的遗传算法(Genetic Algorithm,GA)设置交叉概率和变异概率分别为pc＝0.9，pm＝0.1，种群数目Np＝20，迭代次数Gen＝200。
计算的出的最优订单分批结果见表3，总拣货路径为88m，每个批次的取货路径如图4所示。
表3.“任务分批—路径优化”两阶段调度优化拣选结果
为了分析遗传算法的收敛性，基于10次运算数据，计算其每次运算每次迭代的最大值和最小值作迭代图，遗传算法的迭代图如图5所示。结果表明，随着迭代次数的增加，总拣货距离在不断减小。当迭代次数达到100次之后，总拣货距离的最大和最小值稳定在一个定值，因此，该算法具有较优的收敛性，同时，和按订单到达顺序进行分批的拣选方式相比，其总拣货距离缩小了38.89％，极大提高了拣货效率。
本实施例在实际应用中，可以结合企业智能物流运输系统的实际情况，构建了适合智能物流拣选系统的订单分批优化模型，对企业内部物流配送与规划有良好的指导意义。通过构建了合适的交叉算子和变异算子，将遗传算法具有良好适应性和收敛性的优点很好的应用于本问题，解决了企业智能物流运输系统内订单分批优化优化问题，保证了优化效果，同时为降低物流成本，提高企业整体生产效率、提高企业生产效益创造了条件。
本实施例还设计了一种基于遗传算法的智能制造车间物流两段式调度装置，该装置可以运行在智能制造车间的车间物流控制中心的服务器中，如图7所示的，该装置包括：
订单采集模块，用于获取所述智能制造车间的生产系统的订单需求信息；
预处理模块，用于根据预设的路径规划策略和所述订单需求信息，建立对应订单拣选任务的目标函数；
订单分批及拣货路径规划模块，用于建立与所述目标函数相关联的订单分批及拣货路径规划模型；
处理模块，用于利用遗传算法通过所述订单分批及拣货路径规划模型，获取订单分批及拣货路径的优化结果。
本说明书中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，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于遗传算法的智能制造车间物流两段式调度方法，其特征在于，包括：
S1、获取所述智能制造车间的生产系统的订单需求信息；
S2、根据预设的路径规划策略和所述订单需求信息，建立对应订单拣选任务的目标函数；
S3、建立与所述目标函数相关联的订单分批及拣货路径规划模型；
S4、利用遗传算法通过所述订单分批及拣货路径规划模型，获取订单分批及拣货路径的优化结果。
2.根据权利要求1所述的方法，其特征在于，在S1中，包括：
实时采集所述生产系统在指定时间段内的订单需求信息，所述订单需求信息中，至少包括：原材料货号信息和需求量信息。
3.根据权利要求1所述的方法，其特征在于，在S2中，包括：
建立对应订单拣选任务的目标函数：
其中，dij表示节点i和节点j点之间的距离，xijdb表示取值0-1之间的变量，在分拣站d的批次b中，经过弧(i,j)时，xijdb＝1，否则xijdb＝0，z表示分拣完所有订单所需货品的总距离，A表示任意两个节点之间的弧的集合,d∈VD，b∈Bd，VD表示所有分拣站的集合，Bd表示每个分拣站的批次集合；
其中，所述预设的路径规划策略采用S型路径策略。
4.根据权利要求1所述的方法，其特征在于，在S3中，包括：
以拣货总距离最短为目标函数，建立订单分批及拣货路径规划模型；
所述目标函数的约束条件包括：一个AGV负责一个批次的拣货任务，从分拣站出发并返回同一个分拣站；和，每个AGV负责的批次里所有的货物小于或等于超过其最大容量。
5.根据权利要求4所述的方法，其特征在于，在S3中，包括：
在所述订单分批及拣货路径规划模型运行前，还包括：确定每个分拣站的批次集合Bd，其中：
o表示订单中的货物，O表示所有待取货品集合，k表示被取出的货物，M所有需要拣选的货物集合，wok表示订单o中货品，VD表示所有分拣站的集合，Q表示一个批次/AGV的最大负载。
6.根据权利要求4或5所述的方法，其特征在于，在订单分批及拣货路径规划模型中，包括：
将每个订单中的每种货物都分配到一个批次中；
对分配了货物的批次的容量进行约束，其中包括：确保每个订单里的所有货物都只能在一个批次中拣选且订单不可分割，和，每个批次的每种待拣选货物只在一个货架上被拣选。
7.根据权利要求6所述的方法，其特征在于，在订单分批及拣货路径规划模型中，包括：
对于每个批次，若在货架s取了货物k，则该货架s必须被访问；
针对每个批次生成对应的回路，其中，在生成的回路中，负责该批次的AGV离开分拣站后还会返回该分拣站，并且，在到达所需访问的货架前AGV剩余的负载大于等于该货架待取物品的总重量。
8.根据权利要求7所述的方法，其特征在于，在订单分批及拣货路径规划模型中，包括：子模型(2)至子模型(7)；
通过子模型(2)和子模型(3)，将每个订单中的每种货物都必须且只能分配到一个批次中；
通过子模型(4)对批次的容量进行约束；
通过子模型(5)约束每个订单里的所有货物都只能在一个批次中拣选，其中订单不可分割；
通过子模型(6)确定每个批次所有需要拣选的货物；
通过子模型(7)约束每个批次的每种待拣选货物只能在一个货架上拣选；
其中，子模型(2)至子模型(7)包括：
其中，V表示所有点的集合，Vs为所有货架(至少包含一个待取货品)的货架集合，VD表示所有分拣站的集合；A表示任意两个节点i和节点j点之间的弧的集合，M所有需要拣选的货物集合，表示包含货品k∈M的货架集；O表示所有订单集合，Mo表示订单o∈O的所有待取货品集合，Bd表示每个分拣站的批次集合；
Q表示一个批次/AGV的最大负载，wok表示订单o中货品k,k∈M的重量；zksdb为0-1变量，在批次b∈Bd中，在货架取了货物k，zpsrb＝1，否则zpsrb＝0；ukodb为0-1变量，若订单o∈O中货品k,k∈M在分拣站d的批次b∈Bd中拣选，ukodb＝1，否则uk0db＝0；yijdb为连续变量，表示弧(i,j)的负载。
9.根据权利要求8所述的方法，其特征在于，在订单分批及拣货路径规划模型中，还包括：子模型(8)至子模型(15)；
通过子模型(8)、(9)处理每个批次，其中：若在货架s取了物品k，则该货架必被访问；
通过子模型(10)表示构成线图，并形成回路；
通过子模型(11)约束每个批次只能形成一个回路；
通过子模型(12)约束示从分拣站出发的负载；
通过子模型(13)约束在到达所需访问的货架前剩余的负载大于等于该货架待取物品的总重量；
通过子模型(14)约束每个批次无需访问的货架之间负载为0；
通过子模型(15)消除子回路；
其中，子模型(8)至子模型(15)包括：
CN202310556996.3A 2023-05-17 2023-05-17 一种基于遗传算法的智能制造车间物流两段式调度方法 Pending CN116681365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310556996.3A CN116681365A (zh) 2023-05-17 2023-05-17 一种基于遗传算法的智能制造车间物流两段式调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310556996.3A CN116681365A (zh) 2023-05-17 2023-05-17 一种基于遗传算法的智能制造车间物流两段式调度方法

Publications (1)

Publication Number Publication Date
CN116681365A true CN116681365A (zh) 2023-09-01

Family

ID=87782824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310556996.3A Pending CN116681365A (zh) 2023-05-17 2023-05-17 一种基于遗传算法的智能制造车间物流两段式调度方法

Country Status (1)

Country Link
CN (1) CN116681365A (zh)

Similar Documents

Publication Publication Date Title
CN107506956B (zh) 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN110084545B (zh) 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法
CN108550007A (zh) 一种制药企业自动化立体仓库的货位优化方法及系统
CN107578197A (zh) 需求不确定的混流生产线物流车辆调度区域优化方法
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN105858044B (zh) 一种穿梭车与升降机结合的仓储系统优化调度方法
CN103927628B (zh) 面向客户承诺的订单管理系统和订单管理方法
CN113570308B (zh) 多目标交付同步优化模型建模方法及面向订单制造的车间物料配送边缘-雾-云系统构架
Yang et al. Modelling and production configuration optimization for an assembly shop
CN106773686A (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN109460859A (zh) 一种车间布局优化方法
CN109165778A (zh) 应用于长物料存储的悬臂梁式立体仓库货位分配方法
CN109081030A (zh) 一种子母穿梭车式密集仓储系统的配置优化方法
CN102298737A (zh) 面向客户承诺的订单管理系统和订单管理方法
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
Hani et al. Simulation based optimization of a train maintenance facility
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
CN112508481A (zh) 一种智能仓储多agv调度方法
Yue et al. Slotting optimization of automated storage and retrieval system (AS/RS) for efficient delivery of parts in an assembly shop using genetic algorithm: A case Study
Saravanan et al. An artificial bee colony algorithm for design and optimize the fixed area layout problems
CN116681365A (zh) 一种基于遗传算法的智能制造车间物流两段式调度方法
Wang et al. A multi-objective cuckoo search algorithm based on the record matrix for a mixed-model assembly line car-sequencing problem
CN116342039A (zh) 一种立体仓库的货物分配和拣选的优化方法
Miguel et al. Order batching and order picking with 3D positioning of the articles: solution through a hybrid evolutionary algorithm
Liu Research on scheduling policy of automated warehouse system

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