CN116797121A - 一种基于AGVs的智能仓储批量分拣优化方法 - Google Patents
一种基于AGVs的智能仓储批量分拣优化方法 Download PDFInfo
- Publication number
- CN116797121A CN116797121A CN202310788973.5A CN202310788973A CN116797121A CN 116797121 A CN116797121 A CN 116797121A CN 202310788973 A CN202310788973 A CN 202310788973A CN 116797121 A CN116797121 A CN 116797121A
- Authority
- CN
- China
- Prior art keywords
- agv
- order
- orders
- pick
- ith
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000006872 improvement Effects 0.000 claims abstract description 55
- 239000006185 dispersion Substances 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000002922 simulated annealing Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 abstract description 24
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000009827 uniform distribution 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
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明公开了一种基于AGVs的智能仓储批量分拣优化方法，属于智能仓储调度优化技术领域。构建多AGVs批量分拣数学模型；在迭代改进分拣优化的利用待分拣订单位置与覆盖区间，基于贪心策略提出具有动态边界的初始解生成算法。综合考虑同一AGV中订单间的内聚度与离散度，从局部调整、选择性调整、全局调整三个角度分别提出三种不同的迭代改进策略，并对三种策略所适用的智能仓储规模进行分析与验证。分拣模型充分考虑了货架布局的多样性、订单构成的通用性、以及AGV行驶路径的规范性，更加适用于实际智能仓储分拣需求。优化方法对于具有不同规模、不同分布的货架及订单都能够高效地进行分拣，为实际智能仓储应用提供可适配的柔性支撑。
Description
技术领域
本发明属于智能仓储调度优化技术领域，具体涉及一种基于AGVs的智能仓储批量分拣优化方法。
背景技术
仓储是物流管理系统的核心环节之一，全球经济一体化与信息技术的飞速发展迫使仓储在建设准则、实施路径、技术架构等方面都面临着巨大的转型挑战。如何实现物联网、人工智能、大数据分析技术的深度融合，推动商品在仓储物流全生命周期的自动化、智能化、精细化的监控管理与实时决策，从而提高物流效率、降低仓储成本是智能仓储亟待解决的关键问题之一。
自动导引小车(Automated Guided Vehicle，AGV)是一种自动化物流设备，具有自主行驶、路径规划、物料搬运等功能，为仓储管理降低人力成本、减少货物损坏、提高运输效率、确保安全防控给与必备的支撑，在智能仓储中扮演重要角色。因此各国在当前国际制造业激烈竞争大背景下，力争要用数字技术、智能技术、网络技术改造并提升AGV在智能仓储中的应用，实现更加柔性的物流配送，以快速敏捷地响应瞬时多变的市场需求，进而抢占智能仓储转型过程中技术变革与产业变革的制高点。
智能仓储由于在需求方面所应对的商品种类多样化，需求批量个性化，订单数量与存取节拍动态变化，导致物流任务到达难以准确预估，分拣配送流程复杂度高，传输路径换线频繁等难题。现有研究的解决方案思路集中体现在以AGV为核心，设计可定制的多类资源协同传输顶层物流模式，构建符合实际智能仓储运营环境的AGV调度模型，利用数据驱动决策能力设计高效的智能分拣算法，实现虚实交互，实时映射，共生演进的物流配送服务，提升物流配送的稳定性与抗异常干扰能力。
发明申请CN115511148A提出了一种基于FCM聚类的烟草线路订单分拣优化方法及系统，基于类内紧凑和类间均衡的两个指导思想下的模型建立，形成了使每个簇内分拣任务尽量紧凑与每个簇之间的分拣量尽量均衡的两个目标函数，并采取专家打分法等方法规定了两个目标的所占权重，形成统一的目标函数，在降低设备中断时间连续出烟的同时也能响应保证簇间工作量尽量均衡，以此均衡配送中心内劳动人员劳动强度。
针对智能仓储所面临的货架型号多样、订单提交随机、AGV能量受限、行驶路径拥塞等问题，在现有解决方案基础上，进一步构建基于AGV的批量分拣模型，深入挖掘仓储订单的特征及订单间的关联关系，从不同角度提出最小化AGV行驶距离的智能分拣优化方法。
发明内容
针对现有技术的不足，本发明以最小化AGV行驶路径为优化目标构建符合智能仓储实际运营特点的批量分拣数学模型，通过分析订单特征及订单间关联关系，基于订单内聚度和离散度分别从多个角度设计AGV订单智能分拣优化方法，通过减少AGV行驶距离提高货物传送效率，降低仓储成本的同时提升资源利用率。
本发明的技术方案如下：基于AGVs的智能仓储批量分拣模型及方法，包括一个基于AGVs的智能仓储批量分拣模型及一种两阶段迭代改进批量分拣优化方法。
所述的基于AGVs的智能仓储批量分拣模型可描述为：智能仓储由线性排列的多个货架组成，货架号依次递增，有oNum个订单{o1,o2,…,ooNum}要均等分批装载到vNum台AGV上进行运输。任一订单oi可包含一个或多个货物，同一订单的不同货物存放于不同的货架上。每台AGV根据其所分配到的订单，到对应货架获取相应的货物，AGV的行驶距离是其获取的所有货物中最大货架号与最小货架号的差。为节省AGV能耗并提高仓储分拣效率，以最小化所有AGV行驶距离为优化目标。
公式(1)表示基于AGV的批量分拣模型的优化目标，公式(2)所示Hi是第i台AGV所达最大货架号，公式(3)所示Li是第i台AGV所达最小货架号，公式(4)中xij为决策变量，当订单oi分配到第j台AGV时，xij的值为1，否则为0，公式(5)表示每台AGV均等分批的订单数量，公式(6)表示每个订单只能分配给一台AGV运输。
所述的一种两阶段迭代改进批量分拣优化方法，包括基于贪心策略的动态边界初始解生成阶段和基于订单特征的多角度迭代改进阶段。
基于贪心策略的动态边界初始解生成阶段在待分配订单选择具有最小覆盖区间的订单为核心订单，以核心订单的最小货架号和最大货架号为边界，计算其余订单边界相对于核心订单边界的增量，每次选择具有最小增量的订单加入同一AGV并对边界进行更新。
基于订单特征的多角度迭代改进阶段计算初始解中各AGV订单间的内聚度与离散度，依次从局部调整、选择调整、全局调整多个角度对初始解进行迭代改进。局部调整根据每个AGV的中心货架号的接近程度对AGV聚类，采用基于边界订单交换的邻域算法对聚类后每一组AGV集合中的订单进行交换。选择调整考虑每个AGV中订单的集中程度，使用最小惩罚值来选出最合适交换的订单同时避免订单离散化。此外基于订单之间的覆盖关系制定订单交换的优先级，交换订单。全局调整以模拟退火为搜索框架，综合利用订单的内聚度与离散度对初始解改进，利用内聚度对AGV边界订单进行交换引导初始解逐步向最优解更新；当解陷入局部最优时，设计概率替换策略利用离散度对解空间进行扰动，从而寻求新的有前景的区域。
所述的基于贪心策略的动态边界初始解生成阶段具体包括以下步骤：
Step1.计算每个订单的覆盖区间；
Step2.设置各AGV的分拣任务为空；
Step3.为第i台AGV分配拣货单
Step4.在待分配订单中选择具有最小覆盖区间的订单oMLength；
Step5.将订单oMLength添加至第i台AGV的拣货单；
Step6.获取第i台AGV拣货单包含的最小货架号MINi和最大货架号MAXi；
Step7.以MINi和MAXi作为第i台AGV拣货单的边界；
Step8.计算每一待分配订单o与第i台AGV拣货单边界的增量Δd；
Step9.将具有最小增量的待分配订单添加至第i台AGV拣货单；
Step10.执行Step6和Step7更新第i台AGV拣货单边界；
Step11.如果第i台AGV拣货单包含订单数量为i＝i+1且i<vNum，执行Step3；否则，执行Step13；
Step12.如果AGV拣货单包含订单数量少于执行Step8；
Step13.结束分配。
初始解生成阶段Step8中待分配订单与第i台AGV拣货单边界的增量按公式(7-9)进行计算。
Δd＝ΔdL+ΔdR (7)
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的内聚度，第i台AGV拣货单的内聚度cohDegreei＝(MAXi-MINi)/2，局部调整改进策略具体包括以下步骤：
Step1.improvedDistance＝initialDistance；
Step2.利用K-Means基于内聚度将AGV聚类为N组，(G1,G2,…,GN)；
Step3.计算第i组Gi中每台AGV拣货单的行驶距离，即第i组第j台AGV的行驶距离为jDisGi，选取Gi中具有最大行驶距离的AGV拣货单maxDisGi和具有最小行驶距离的AGV拣货单minDisGi；
Step4.将maxDisGi中具有最大货架号订单与minDisGi中具有最大货架号订单交换，计算交换后两台AGV拣货单的行驶距离newmaxDisGi，newminDisGi；
Step5.如果newmaxDisGi+newminDisGi<maxDisGi+minDisGi，则更新两台AGV拣货单，更新improvedDistance；否则，执行Step6；
Step6.i＝i+1且i<N，执行Step3；否则，结束局部调整。
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的离散度，第i台AGV拣货单中订单j的离散度第i台AGV拣货单的离散度将所有AGV按离散度从大到小排序，选择调整改进策略具体包括以下步骤：
Step1.选定具有最大离散度的AGVa
Step2.在剩余AGV中选定具有最小离散度的AGVb；
Step3.计算AGVa与AGVb的行驶距离之和distanceab；
Step4.对于AGVa中的每一个订单如果/>使得oa与ob交换后AGVa与AGVb的新行驶距离newdistanceab<distanceab，则将/>加入/>的可交换订单候选集
Step5.对于AGVa中的每一个订单计算其与AGVb的可交换订单候选集/>中每一个订单/>的交换成本/>
Step6.在AGVa中选择具有最小交换成本的订单与AGVb进行交换，执行Step8；
Step7.如果AGVa中所有订单与AGVb的可交换订单候选集都为空，且剩余未交换AGV不为空，则执行Step2；
Step8.结束选择交换。
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，以模拟退火为搜索框架综合利用订单间的内聚度与离散度引导解的搜索方向，在每次迭代后，计算ΔEk＝updateDistance-initalDistance用以衡量当前阶段解改进的优劣，如果改进向好的方向更新，则继续；否则以一定概率考虑改变搜索区域。全局调整改进策略具体包括以下步骤：
Step1.初始化模拟退火起始温度T，终止温度Tmin，改进策略切换概率pswitch；
Step2.如果T>Tmin，随机生成rseitch；否则结束全局改进；
Step3.如果rswitch<pswitch利用策略1局部改进对解进行更新；否则利用策略2选择改进对解进行更新；
Step4.计算ΔEk；
Step5.如果ΔEk<0，更新当前解；
Step6.如果ΔEk>0，计算调整搜索方向概率且随机取数r∈[0,1)；
Step7.如果r<p，将当前解替换为搜索后的解；否则，不更新解；
Step8.判断是否继续执行Step2；
与现有智能仓储批量分拣模型及方法相比，(1)本发明全面考虑智能仓储货架结构的差异性、订单生成的通用性、AGV行驶路径的规范性，构建更适用于符合智能仓储实际运营环境的批量订单分拣问题模型。(2)深入分析批量分拣过程中订单的内聚度与离散度对AGV行驶距离的影响，从多个角度设计AGV批量分拣策略，为智能仓储实际拣货提供可适配的解决方案。(3)智能仓储可根据自身结构特点采用定制化的AGV物流配送方式，进而实现准确、高效、低耗的物流服务。
附图说明
图1为本发明实施例智能仓储结构图；
图2为本发明实施例AGV行驶路径图；
图3为本发明实施例智能仓储实际货架数据特征；
图4为本发明实施例智能仓储随机生成测试数据特征；
图5为本发明实施例两阶段迭代改进批量分拣方法流程图；
图6为本发明实施例结果图a
图7为本发明实施例结果图b。
具体实施方式
以下结合附图对本发明的技术方案进一步阐述，具体实施方式仅用于说明本发明而不用于限制本发明的范围，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的技术方案如下：基于AGVs的智能仓储批量分拣模型及方法，包括一个基于AGVs的智能仓储批量分拣模型及一种两阶段迭代改进批量分拣优化方法。
所述的基于AGVs的智能仓储批量分拣模型可描述为：智能仓储由线性排列的多个货架组成，货架号依次递增，有oNum个订单{o1,o2,…,ooNum}要均等分批装载到vNum台AGV上进行运输。任一订单oi可包含一个或多个货物，同一订单的不同货物存放于不同的货架上。每台AGV根据其所分配到的订单，到对应货架获取相应的货物，AGV的行驶距离是其获取的所有货物中最大货架号与最小货架号的差。为节省AGV能耗并提高仓储分拣效率，以最小化所有AGV行驶距离为优化目标。
公式(1)表示基于AGV的批量分拣模型的优化目标，公式(2)所示Hi是第i台AGV所达最大货架号，公式(3)所示Li是第i台AGV所达最小货架号，公式(4)中xij为决策变量，当订单oi分配到第j台AGV时，xij的值为1，否则为0，公式(5)表示每台AGV均等分批的订单数量，公式(6)表示每个订单只能分配给一台AGV运输。
所述的一种两阶段迭代改进批量分拣优化方法，包括基于贪心策略的动态边界初始解生成阶段和基于订单特征的多角度迭代改进阶段。
基于贪心策略的动态边界初始解生成阶段在待分配订单选择具有最小覆盖区间的订单为核心订单，以核心订单的最小货架号和最大货架号为边界，计算其余订单边界相对于核心订单边界的增量，每次选择具有最小增量的订单加入同一AGV并对边界进行更新。
基于订单特征的多角度迭代改进阶段计算初始解中各AGV订单间的内聚度与离散度，依次从局部调整、选择调整、全局调整多个角度对初始解进行迭代改进。局部调整根据每个AGV的中心货架号的接近程度对AGV聚类，采用基于边界订单交换的邻域算法对聚类后每一组AGV集合中的订单进行交换。选择调整考虑每个AGV中订单的集中程度，使用最小惩罚值来选出最合适交换的订单同时避免订单离散化。此外基于订单之间的覆盖关系制定订单交换的优先级，交换订单。全局调整以模拟退火为搜索框架，综合利用订单的内聚度与离散度对初始解改进，利用内聚度对AGV边界订单进行交换引导初始解逐步向最优解更新；当解陷入局部最优时，设计概率替换策略利用离散度对解空间进行扰动，从而寻求新的有前景的区域。
所述的基于贪心策略的动态边界初始解生成阶段具体包括以下步骤：
Step1.计算每个订单的覆盖区间；
Step2.设置各AGV的分拣任务为空；
Step3.为第i台AGV分配拣货单
Step4.在待分配订单中选择具有最小覆盖区间的订单oMLength；
Step5.将订单oMLength添加至第i台AGV的拣货单；
Step6.获取第i台AGV拣货单包含的最小货架号MINi和最大货架号MAXi；
Step7.以MINi和MAXi作为第i台AGV拣货单的边界；
Step8.计算每一待分配订单o与第i台AGV拣货单边界的增量Δd；
Step9.将具有最小增量的待分配订单添加至第i台AGV拣货单；
Step10.执行Step6和Step7更新第i台AGV拣货单边界；
Step11.如果第i台AGV拣货单包含订单数量为i＝i+1且i<vNum，执行Step3；否则，执行Step13；
Step12.如果AGV拣货单包含订单数量少于执行Step8；
Step13.结束分配。
初始解生成阶段Step8中待分配订单与第i台AGV拣货单边界的增量按公式(7-9)进行计算。
Δd＝ΔdL+ΔdR (7)
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的内聚度，第i台AGV拣货单的内聚度cohDegreei＝(MAXi-MINi)/2，局部调整改进策略具体包括以下步骤：
Step1.improvedDistance＝initialDistance；
Step2.利用K-Means基于内聚度将AGV聚类为N组，(G1,G2,…,GN)；
Step3.计算第i组Gi中每台AGV拣货单的行驶距离，即第i组第j台AGV的行驶距离为jDisGi，选取Gi中具有最大行驶距离的AGV拣货单maxDisGi和具有最小行驶距离的AGV拣货单minDisGi；
Step4.将maxDisGi中具有最大货架号订单与minDisGi中具有最大货架号订单交换，计算交换后两台AGV拣货单的行驶距离newmaxDisGi，newminDisGi；
Step5.如果newmaxDisGi+newminDisGi<maxDisGi+minDisGi，则更新两台AGV拣货单，更新improvedDistance；否则，执行Step6；
Step6.i＝i+1且i<N，执行Step3；否则，结束局部调整。
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的离散度，第i台AGV拣货单中订单j的离散度第i台AGV拣货单的离散度将所有AGV按离散度从大到小排序，选择调整改进策略具体包括以下步骤：
Step1.选定具有最大离散度的AGVa
Step2.在剩余AGV中选定具有最小离散度的AGVb；
Step3.计算AGVa与AGVb的行驶距离之和distanceab；
Step4.对于AGVa中的每一个订单如果/>使得oa与ob交换后AGVa与AGVb的新行驶距离newdistanceab<distanceab，则将/>加入/>的可交换订单候选集
Step5.对于AGVa中的每一个订单计算其与AGVb的可交换订单候选集/>中每一个订单/>的交换成本/>
Step6.在AGVa中选择具有最小交换成本的订单与AGVb进行交换，执行Step8；
Step7.如果AGVa中所有订单与AGVb的可交换订单候选集都为空，且剩余未交换AGV不为空，则执行Step2；
Step8.结束选择交换。
所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，以模拟退火为搜索框架综合利用订单间的内聚度与离散度引导解的搜索方向，在每次迭代后，计算ΔEk＝updateDistance-initalDistance用以衡量当前阶段解改进的优劣，如果改进向好的方向更新，则继续；否则以一定概率考虑改变搜索区域。全局调整改进策略具体包括以下步骤：
Step1.初始化模拟退火起始温度T，终止温度Tmin，改进策略切换概率pswitch；
Step2.如果T>Tmin，随机生成rswitch；否则结束全局改进；
Step3.如果rswitch<pswitch利用策略1局部改进对解进行更新；否则利用策略2选择改进对解进行更新；
Step4.计算ΔEk；
Step5.如果ΔEk<0，更新当前解；
Step6.如果ΔEk>0，计算调整搜索方向概率且随机取数r∈[0,1)；
Step7.如果r<p，将当前解替换为搜索后的解；否则，不更新解；
Step8.判断是否继续执行Step2；
本发明实施例智能仓储结构如图1所示，智能仓储中货架并行排列，分为三个维度。从前到后货架号从1至最大货架范围依次递增，从上至下分为不同层次，同一货架同一层次分为多个存储槽位，货物按类别分布在不同的货架上。货架左右两侧设置叉车自动滑行轨道，货物在左侧存储在右侧取出。存货时叉车滑动至存储货架号，由升降杆搭载叉车托送货物至指定层次，叉车臂可以水平伸缩，在同一货架同一层次不同槽位存入货物。取货按类似操作将货物取出。
图2所示为本发明实施例AGV行驶路径图，货架间通道为AGV可以行驶的路径，货架两侧由多台AGVs依序轮替负责拣货。操作不同货架的AGV可以并行在路径上行驶，操作同一货架AGV需按调度顺序依次行驶避免冲突。接收到订单后AGV从停靠区域出发，拣货系统根据AGV拣货单的中订单货架号、层号、槽位控制AGV在对应货架可达路径前后或上下行驶。当AGV停靠在指令发出的货架前，货架区域内负责搬卸的机器人感知AGV停靠位置，协同将货物装卸到叉车上，叉车托载货物升至指定的货架层，并延伸叉车臂到指定槽位进行存货取货。
图3所示为本发明实施例获取的智能仓储实际货架数据特征，其中包含两组数据DataA1与DataA2，订单数量均为2000。DataA1货架范围在4-2030之间，订单最小货架号最大货架号分别为4和2030，最小货架号均值为286.25，标准差为278.84，最大货架号均值为736.65，标准差为422.19。DataA2的货架范围在4-2032之间，订单最小货架号最大货架号分别为4和2032，最小货架号均值为240.79，标准差为281.34，最大货架号均值为686.89，标准差为460.54。图3所示智能仓储实际货架订单特征表明实际仓储订单包含货物数量不固定，货物所在位置离散且覆盖货架范围大，为订单分拣带来极大挑战。
图4所示为本发明实施例智能仓储随机生成测试数据特征，订单数量规模分别为2000(小规模)、5000(中规模)、10000(大规模)。基于对实际仓储订单特征的分析以及订单数量与货架范围对AGV行驶距离的影响，采用正态分布和均匀分布随机生成10组数据(DataG1～DataG10)，其中小、中、大订单中货架范围为1～5000。为能够体现实际仓储运营订单到达随机性，订单提交与撤销动态性，在小规模订单中进一步增大货架范围至1～25000，充分展现订单的多样性和通用性，并全面验证提出方法对复杂问题的求解能力。
图5所示为本发明实施例的两阶段迭代改进批量分拣方法流程图。在阶段1基于动态边界生成初始解阶段，调度系统周期性地从仓储管理系统获取待分配订单集，以个订单为一组逐层筛选分配至指定AGV。每次筛选从现有待分配订单集中挑选具有最小覆盖范围的订单作为基准订单，在其余订单中计算与基准订单的增量，将具有最小增量订单加入AGV后更新AGV边界，重复至AGV订单数量满为止。阶段2接收阶段1的初始解后，从多角度采用三种策略进行迭代改进。策略1基于订单内聚度对初始解中AGV聚类，在聚类后的每一簇内进行局部交换；策略2基于订单离散度对AGV进行排序，在具有最大离散度和具有最小离散度的AGV中挑选交换成本最小的订单进行选择交换；策略3以模拟退火为搜索框架，综合利用订单内聚度与离散度在解空间中探索最优解潜在区域，并基于当前解的质量对是否继续在当前搜索区域开采进行决策。三种改进策略利用订单不同特性从不同角度对初始解进行改进，为实际仓储处理多样化订单分配提供多种可选解决方案。
图6、图7所示为本发明实施例以图3图4数据集为测试数据得到的结果图。横坐标表示数据集编号，图6纵坐标表示阶段1基于最小动态增量生成的初始解相对于随机生成的初始解改进百分比。由图可知，在实际数据集DataA1、DataA2和生成测试集DataG1～DataG10上，最小动态增量方法都显著优于随机生成解的质量。特别是对于实际数据集DataA1、DataA2，初始解在短周期订单分拣场景下可以无需改进直接应用。对于生成测试集DataG1～DataG10，最小动态增量方法为阶段2定位到解空间较有前景的搜索点，相比于随机初始解，为阶段2的改进提供更好的搜索空间并减少改进时间。图7所示为阶段2多角度迭代改进三种策略相比于阶段1最小动态增量初始解的改进百分比。由图可见，三种改进策略结果说明订单间内聚度对订单分拣的优劣具有重要影响，这与订单分拣问题的本质相符。也就是说AGV中订单覆盖范围与订单所在位置决定了AGV的行驶距离，若同一AGV中订单位置邻近且覆盖范围尺寸相似，则会有效减少AGV的行驶距离。因此图6所示结果为改善AGV路径规划与集成调度性能提供新的切入点，通过优化订单分拣从根本上为AGV路径规划与集成调度性能改进可达的下界。
Claims (5)
1.一种基于AGVs的智能仓储批量分拣优化方法，其特征在于，构建模型如下：所述智能仓储由线性排列的若干货架组成，货架号依次递增，有oNum个订单{o1,o2,…,ooNum}均等分批装载到vNum台AGV上进行运输；任一订单oi可包含一个或若干个货物，同一订单的不同货物存放于不同的货架上；每台AGV根据其所分配到的订单，到对应货架获取相应的货物，AGV的行驶距离是其获取的所有货物中最大货架号与最小货架号的差；以最小化所有AGV行驶距离为优化目标，
公式(1)表示基于AGV的批量分拣模型的优化目标，公式(2)所示Hi是第i台AGV所达最大货架号，公式(3)所示Li是第i台AGV所达最小货架号，公式(4)中xij为决策变量，当订单oi分配到第j台AGV时，xij的值为1，否则为0，公式(5)表示每台AGV均等分批的订单数量，公式(6)表示每个订单只能分配给一台AGV运输；
所述方法包括基于贪心策略的动态边界初始解生成阶段和基于订单特征的多角度迭代改进阶段；
所述基于贪心策略的动态边界初始解生成阶段，在待分配订单选择具有最小覆盖区间的订单为核心订单，以核心订单的最小货架号和最大货架号为边界，计算其余订单边界相对于核心订单边界的增量，每次选择具有最小增量的订单加入同一AGV并对边界进行更新；
所述基于订单特征的多角度迭代改进阶段，计算初始解中各AGV订单间的内聚度与离散度，依次从局部调整、选择调整、全局调整多个角度对初始解进行迭代改进；局部调整根据每个AGV的中心货架号的接近程度对AGV聚类，采用基于边界订单交换的邻域算法对聚类后每一组AGV集合中的订单进行交换；选择调整考虑每个AGV中订单的集中程度，使用最小惩罚值来选出最合适交换的订单同时避免订单离散化；此外基于订单之间的覆盖关系制定订单交换的优先级，交换订单；全局调整以模拟退火为搜索框架，综合利用订单的内聚度与离散度对初始解改进，利用内聚度对AGV边界订单进行交换引导初始解逐步向最优解更新；当解陷入局部最优时，设计概率替换策略利用离散度对解空间进行扰动，从而寻求新的有前景的区域。
2.根据权利要求1所述的两阶段迭代改进批量分拣优化方法，其特征在于：所述基于贪心策略的动态边界初始解生成阶段具体包括以下步骤：
Step1.计算每个订单的覆盖区间；
Step2.设置各AGV的分拣任务为空；
Step3.为第i台AGV分配拣货单；
Step4.在待分配订单中选择具有最小覆盖区间的订单oMLength；
Step5.将订单oMLength添加至第i台AGV的拣货单；
Step6.获取第i台AGV拣货单包含的最小货架号MINi和最大货架号MAXi；
Step7.以MINi和MAXi作为第i台AGV拣货单的边界；
Step8.计算每一待分配订单o与第i台AGV拣货单边界的增量Δd；
Step9.将具有最小增量的待分配订单添加至第i台AGV拣货单；
Step10.执行Step6和Step7更新第i台AGV拣货单边界；
Step11.如果第i台AGV拣货单包含订单数量为i＝i+1且i<vNum，执行Step3；否则，执行Step13；
Step12.如果AGV拣货单包含订单数量少于执行Step8；
Step13.结束分配；
所述Step8中待分配订单与第i台AGV拣货单边界的增量按公式7-9进行计算；
Δd＝ΔdL+ΔdR (7)
式中符号含义如上所述。
3.根据权利要求1所述的两阶段迭代改进批量分拣优化方法，其特征在于：所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的内聚度，第i台AGV拣货单的内聚度cohDegreei＝(MAXi-MINi)/2，局部调整改进策略具体包括以下步骤：
Step1.improvedDistance＝initialDistance；
Step2.利用K-Means基于内聚度将AGV聚类为N组，(G1,G2,…,GN)；
Step3.计算第i组Gi中每台AGV拣货单的行驶距离，即第i组第j台AGV的行驶距离为jDisGi，选取Gi中具有最大行驶距离的AGV拣货单maxDisGi和具有最小行驶距离的AGV拣货单minDisGi；
Step4.将maxDisGi中具有最大货架号订单与minDisGi中具有最大货架号订单交换，计算交换后两台AGV拣货单的行驶距离newmaxDisGi，newminDisGi；
Step5.如果newmaxDisGi+newminDisGi<maxDisGi+minDisGi，则更新两台AGV拣货单，更新improvedDistance；否则，执行Step6；
Step6.i＝i+1且i<N，执行Step3；否则，结束局部调整；
式中符号含义如上所述。
4.根据权利要求1所述的两阶段迭代改进批量分拣优化方法，其特征在于：所述基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，计算每台AGV拣货单的离散度，第i台AGV拣货单中订单j的离散度第i台AGV拣货单的离散度将所有AGV按离散度从大到小排序，选择调整改进策略具体包括以下步骤：
Step1.选定具有最大离散度的AGVa
Step2.在剩余AGV中选定具有最小离散度的AGVb；
Step3.计算AGVa与AGVb的行驶距离之和distanceab；
Step4.对于AGVa中的每一个订单如果/>使得oa与ob交换后AGVa与AGVb的新行驶距离newdistanceab<distanceab，则将/>加入/>的可交换订单候选集/>
Step5.对于AGVa中的每一个订单计算其与AGVb的可交换订单候选集/>中每一个订单/>的交换成本/>
Step6.在AGVa中选择具有最小交换成本的订单与AGVb进行交换，执行Step8；
Step7.如果AGVa中所有订单与AGVb的可交换订单候选集都为空，且剩余未交换AGV不为空，则执行Step2；
Step8.结束选择交换；
式中符号含义如上所述。
5.根据权利要求1所述的两阶段迭代改进批量分拣优化方法，其特征在于：所述基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initalDistance后，以模拟退火为搜索框架综合利用订单间的内聚度与离散度引导解的搜索方向，在每次迭代后，计算ΔEk＝updateDistance-initalDistance用以衡量当前阶段解改进的优劣，如果改进向好的方向更新，则继续；否则以一定概率考虑改变搜索区域；所述全局调整改进策略具体包括以下步骤：
Step1.初始化模拟退火起始温度T，终止温度Tmin，改进策略切换概率pswitch；
Step2.如果T＞Tmin，随机生成rswitch；否则结束全局改进；
Step3.如果rswitch<pswitch利用策略1局部改进对解进行更新；否则利用策略2选择改进对解进行更新；
Step4.计算ΔEk；
Step5.如果ΔEk<0，更新当前解；
Step6.如果ΔEk＞0，计算调整搜索方向概率且随机取数r∈[0,1)；
Step7.如果r<p，将当前解替换为搜索后的解；否则，不更新解；
Step8.判断是否继续执行Step2；
式中符号含义如上所述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788973.5A CN116797121A (zh) | 2023-06-29 | 2023-06-29 | 一种基于AGVs的智能仓储批量分拣优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310788973.5A CN116797121A (zh) | 2023-06-29 | 2023-06-29 | 一种基于AGVs的智能仓储批量分拣优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797121A true CN116797121A (zh) | 2023-09-22 |
Family
ID=88045801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310788973.5A Pending CN116797121A (zh) | 2023-06-29 | 2023-06-29 | 一种基于AGVs的智能仓储批量分拣优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797121A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117976175A (zh) * | 2024-04-01 | 2024-05-03 | 天津医药集团众健康达医疗器械有限公司 | 一种基于订单分析的医药分拣优化方法及系统 |
-
2023
- 2023-06-29 CN CN202310788973.5A patent/CN116797121A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117976175A (zh) * | 2024-04-01 | 2024-05-03 | 天津医药集团众健康达医疗器械有限公司 | 一种基于订单分析的医药分拣优化方法及系统 |
| CN117976175B (zh) * | 2024-04-01 | 2024-06-04 | 天津医药集团众健康达医疗器械有限公司 | 一种基于订单分析的医药分拣优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11724879B2 (en) | Management method, device and system applied to goods-to-person system, server and computer storage medium | |
| US20220063915A1 (en) | Goods sorting method and goods sorting system | |
| CN108805316B (zh) | 货物搬运方法和装置 | |
| Li et al. | Storage assignment policy with awareness of energy consumption in the Kiva mobile fulfilment system | |
| CN109886478A (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
| CN110084512B (zh) | 一种面向智能仓储系统的多机器人任务分配方法 | |
| Yan et al. | Multi-objective optimization of electronic product goods location assignment in stereoscopic warehouse based on adaptive genetic algorithm | |
| CN107578199A (zh) | 一种求解二维装载约束物流车辆调度问题的方法 | |
| CN107256469A (zh) | 基于叉车式agv小车的优化出入库管理系统及其方法 | |
| CN116797121A (zh) | 一种基于AGVs的智能仓储批量分拣优化方法 | |
| CN109081030A (zh) | 一种子母穿梭车式密集仓储系统的配置优化方法 | |
| CN107784472A (zh) | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 | |
| CN115759407B (zh) | 基于分拣系统的多维调度方案优化方法、系统和存储介质 | |
| CN115481897A (zh) | 一种agv无人仓库设备优化配置方法 | |
| CN116203959A (zh) | 基于hac算法的机器人路径规划方法及系统 | |
| Zhou et al. | Multi-objective optimization of greening scheduling problems of part feeding for mixed model assembly lines based on the robotic mobile fulfillment system | |
| 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 | |
| Jiang | Solving multi-robot picking problem in warehouses: a simulation approach | |
| Wang et al. | Storage assignment optimization for fishbone robotic mobile fulfillment systems | |
| 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 | |
| CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
| CN116342039A (zh) | 一种立体仓库的货物分配和拣选的优化方法 | |
| CN115345550B (zh) | 车辆路径规划方法及系统 | |
| Boufellouh et al. | Multi-objective optimization for energy-efficient flow shop scheduling problem with blocking and collision-free transportation constraints | |
| CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 |
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 |