CN116976231A - 一种基于遗传算法的平面地堆库agv理库作业优化方法 - Google Patents
一种基于遗传算法的平面地堆库agv理库作业优化方法 Download PDFInfo
- Publication number
- CN116976231A CN116976231A CN202311235829.5A CN202311235829A CN116976231A CN 116976231 A CN116976231 A CN 116976231A CN 202311235829 A CN202311235829 A CN 202311235829A CN 116976231 A CN116976231 A CN 116976231A
- Authority
- CN
- China
- Prior art keywords
- library
- agv
- goods
- stack
- genetic algorithm
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002068 genetic effect Effects 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 210000000349 chromosome Anatomy 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 230000000739 chaotic effect Effects 0.000 claims description 39
- 230000035772 mutation Effects 0.000 claims description 23
- 238000005192 partition Methods 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 44
- 238000003860 storage Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本发明公开了一种基于遗传算法的平面地堆库AGV理库作业优化方法,具体包括如下依次执行的步骤:S1:采用栅格法建立地堆库的仓库地图数学模型,S2:依据AGV理库作业流程确立AGV理库的约束条件和优化目标;S3:依据步骤S2的所述约束条件和所述优化目标建立所述优化目标的数学模型;S4:改进遗传算法;S5:根据步骤S3中的优化目标的数学模型和步骤S4中的改进遗传算法生成AGV理库方案。本发明将传统的遗传算法改进为多阶段的遗传算法;同时结合启发式算法改进染色体编码的过程,将初始库存栈参与到染色体编码过程中,而目标库存栈由启发式算法给出,达到加快算法收敛速度,提高解的质量,能够解决传统优化算法求解时收敛速度慢、易陷入局部最优等问题。
Description
技术领域
本发明涉及智能物料仓储领域,具体涉及一种基于遗传算法的平面地堆库AGV理库作业优化方法。
背景技术
自动导航车(AutomatedGuidedVehicles,AGV)是一种不需要手动操控,可以自动按照既定好的路线行驶的智能搬运设备。主要用于在物流领域和制造领域上进行搬运工作或者巡检领域来取代人工巡检。在物流行业中,AGV的应用可以使得传统仓储更加高效、稳定地运行,降低企业的人工成本,其中AGV理库作业是整个系统中的一个重要问题。AGV理库是指利用中央控制系统,为待理库的仓储区域分配若干个AGV调整货物之间的存储位置,以达到合理的货物存储顺序。传统的理库作业是由人工驾驶叉车调整货物位置,该方式需要依据工人经验,费时费力,理库效率低、错误率高。
AGV理库很难找到一种适用于所有实例的通用方法。在不同的背景下,一些学者提出资源均衡优化,最小成本等多个鲁棒性的优化目标。求解AGV理库主要有三类方法:精确算法、启发式算法和元启发算法。精确算法主要包括整数规划、枚举法、分支定界法;启发式算法通过某些优先规则确定步骤的优先顺序;元启发式算法又称智能算法,引入了局部搜索技术,应用范围广、解题效率高、易于获得满意解,主要有遗传算法、模拟退火、蚁群算法等。精确算法计算量较大,运行时间长,不适用于实际应用中的大规模问题。而在启发式算法中使用任务链表来编码时,要避免生成的任务链表不满足活动间先后顺序关系约束。
遗传算法提供一种求解复杂系统优化问题的通用框架,可以不用依赖于问题的具体领域,对解决问题的种类有很强的鲁棒性,应用广泛。遗传算法借鉴进化生物学中的一些现象而发展起来,这些现象包括遗传、交叉、变异等等。在遗传算法的每次迭代运算中都保留一组候选解,并按适应度指标从解群中选出较优的个体,利用交叉、变异等遗传算子对这些个体不断进行组合产生新生的子代,直到满足某种收敛指标为止。
由于AGV一次完整理库过程的理库次数在计算前无法确定,因此采用传统的遗传算法求解会出现不适配情况以及传统遗传算法会出现收敛速度慢或陷入局部最优的问题。
鉴于此,本案发明人对上述问题进行深入研究,遂有本案产生。
发明内容
本发明的目的在于提供一种避免优化方法收敛速度慢和陷入局部最优的基于遗传算法的平面地堆库AGV理库作业优化方法。
为了达到上述目的,本发明采用这样的技术方案:
一种基于遗传算法的平面地堆库AGV理库作业优化方法,包括如下依次进行的步骤:
S1:采用栅格法建立地堆库的仓库地图数学模型,具体步骤如下:
将所述地堆库划分为多个库位区,各所述库位区均划分有N列库存栈,每列所述库存栈均具有L个库位;
S2:依据AGV理库作业流程确立AGV理库的约束条件和优化目标;
S3:依据步骤S2的所述约束条件和所述优化目标建立所述优化目标的数学模型,具体步骤如下:
AGV在一轮理库过程中抬起货物和放下货物的总次数最小值为,/>由如下第一公式定义:
;
其中,为1时,表示第/>次搬运时将/>库存栈中/>库位上的货物搬运到/>库存栈中的/>库位,否则,/>为0;
;
;
;
;
;
;
;
AGV的一轮理库过程中行驶距离的最小值为,/>由如下第二公式定义:
;
;
;
;
;
;
;
;
;
;
AGV在完成一轮理库过程的总运行时间为,/>由如下第三公式定义:
;
其中,表示AGV的行驶速度,/>表示AGV抬起一垛货物或放下一垛货物的时间;
通过所述第一公式和所述第二公式建立如下的数学模型:
;
;
约束条件为:
其中,代表理库分区的混乱系数,/>代表货物的优先级;
为第/>次搬运时,初始库存栈/>内货物的剩余个数,/>为第t次搬运时,目标库存栈/>内货物的个数;
S4:改进遗传算法,具体包括如下依次执行的步骤:
S4-1:随机产生初始种群,所述种群中的一个个体代表一次理库步骤,各所述个体的基因为对应的理库步骤中的初始栈和目标栈;
S4-2:预设理库步骤中AGV的最大操作次数为T,将传统的遗传算法改进为多阶段K的遗传算法,采用(x,y)二元编码的方式,每个阶段K染色体编码长度不一样;
S4-3:待理库的所述初始栈参与到染色体编码,待理库的所述目标栈则由启发式算法给出;
S5:根据步骤S3中的所述优化目标的数学模型和步骤S4中的改进遗传算法生成AGV理库方案。
优选的,步骤S2中的所述约束条件具体包括:
AGV理库过程只在同一个所述库位区内操作,不同的所述库位区之间存放的货物不一致;
AGV理库过程中同一个所述库位区内只用一台AGV进行作业;
货物打包完成以堆垛的方式放在托盘上,每个托盘的尺寸大小相同;
每个所述库位区内的货物初始状态都是已知的;
AGV理库开始前,每个库存栈的最前面两个所述库位为空闲状态;
对所述库位区的理库操作是针对所述库位区内现有的货物;
AGV在搬运货物时,只能从所述库存栈的最前端进栈和出栈;
AGV完成理库的标志是所述库位区内的混乱系数为0,所述混乱系数的定义如下:
一列所述库存栈中,按照从前往后的顺序,如果两垛货物的前后顺序与优先级顺序相反,即前面的优先级大于后面的优先级,则成为一个逆序;
一垛货物与其后面的货物形成所述逆序的总个数成为该垛货物的逆序数,而一垛货物的所述逆序数乘以其与最前面货物的距离称为该垛货物的混乱逆序数;
一个所述库存栈中所有货物的所述混乱逆序数的总和成为该所述库存栈的混乱逆序数,
一个所述分区中所有库存栈的混乱逆序数总和称为该所述分区的混乱系数。
优选的,步骤S5中采用步骤S4中改进的所述遗传算法生成所述理库方案的具体步骤如下:
S5-1:产生随机种群;
S5-2:根据所述地堆库货物布局初始状态计算各所述库位区的所述混乱系数并对所述混乱系数进行更新;
S5-3:得到种群个体的AGV理库搬运次数以及搬运距离;
S5-4:计算种群个体的适应度函数,所述适应度函数由如下第四公式定义:
;
其中,为AGV在完成一轮理库过程的总运行时间;
S5-5:采用比例选择法对种群进行选择,个体被选中的概率与其对应的所述适应度大小成正比,其选择概率由如下第五公式定义:
;
其中,为种群中第/>个染色体,/>为种群中第/>个染色体,/>为染色体个数;
S5-6:采用双点交叉的变异方式进行交叉变异,具体包括如下依次执行的步骤:
在相互配对的两个个体编码串中随机设置两个交叉点;
交换两个个体所设定的两个交叉点之间的部分染色体,选用自适应原则来选择交叉概率,交叉概率/>由如下第六公式定义:
;
其中,为种群平均适应度,/>为最大交叉概率,/>为最小交叉概率,/>为总迭代数,/>为当前迭代数,/>为个体适应度 ;
S5-7:采用均匀变异的变异方式进行变异,具体包括如下依次执行的步骤:
依次指定个体编码串中的每个基因座为变异点;
对每一个变异点,以变异概率从对应基因的取值范围内取一随机整数来替代原有基因值,选用自适应性原则来选择变异概率/>,/>由如下第七公式定义:
;
其中,为最大变异概率,/>为最小变异概率,/>为总迭代数,/>为当前迭代数,/>为种群平均适应度,/>为个体适应度 ;
S5-8:输出最优的所述理库方案。
优选的,步骤S5中的所述理库方案包含如下信息:
初始化所述地堆库地图、货物信息、AGV信息、各个所述库存栈的混乱系数、AGV运行成本。
通过采用前述设计方案,本发明的有益效果是:本发明通过对AGV理库过程建立数学模型,针对AGV理库最大次数的不确定性,将传统的遗传算法改进为多阶段的遗传算法;同时结合启发式算法改进染色体编码的过程,将初始库存栈参与到染色体编码过程中,而目标库存栈由启发式算法给出,达到了加快算法收敛速度,提高解的质量,能够有效解决传统优化算法求解时收敛速度慢、易陷入局部最优等问题,有效提高了对实际问题的求解效率,减少迭代过程的盲目性。
附图说明
图1为本发明的AGV理库作业优化方法的流程图;
图2为本发明的地堆库的布局示意图;
图3为本发明的实施例1的地堆库初始布局示意图;
图4为本发明的实施例1的编码示意图;
图5为本发明的实施例1的地堆库最终布局示意图;
图6为本发明的两个个体编码串随机设置两个交叉点的示意图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明一种基于遗传算法的平面地堆库AGV理库作业优化方法,如图1所示,包括如下依次进行的步骤:
S1:采用栅格法建立地堆库的仓库地图数学模型,具体步骤如下:
如图2所示,为本发明的地堆库的布局示意图,将地堆库划分为多个库位区,每个库位区存放货物不一样,例如库位区A存放的是A类货物,库位区B存放的是B类货物;各库位区均划分有N列库存栈,每列库存栈均具有L个库位,每个库位可以放置一垛货物;同一个库存栈内的两个相邻库位的中心点距离为;相邻的两个库存栈内对应于同一排的两个库位的中心点距离为/>;一次理库过程中,AGV的行驶距离为:跨越横向库位个数×/>+跨越纵向库位个数×/>。
仓库地图数学模型包括库位区和AGV的可行走车道;其中库位区:N={1,2,3,…,n},其中n表示该库位区内库存栈数量。
S2:依据AGV理库作业流程确立AGV理库的约束条件和优化目标;
本实施例中步骤S2中的约束条件具体包括:
AGV理库过程只在同一个库位区内操作,不同的库位区之间存放的货物不一致,以避免跨区理库花费大量的时间和成本;
AGV理库过程中同一个所述库位区内只用一台AGV进行作业;
货物打包完成以堆垛的方式放在托盘上,每个托盘的尺寸大小相同;
AGV理库开始前,每个库位区内的货物初始状态都是已知的,这是进行优化的前提;
AGV理库开始前,每个库存栈的最前面两个库位为空闲状态,为理库提供中转库位;
对库位区的理库操作是针对库位区内现有的货物,在AGV理库期间不存在新的货物到来;
AGV在搬运货物时,只能从库存栈的最前端进栈和出栈;
AGV完成理库的标志是库位区内的混乱系数为0,混乱系数的定义如下:
一列库存栈中,按照从前往后的顺序,如果两垛货物的前后顺序与优先级顺序相反,即前面的优先级大于后面的优先级,则成为一个逆序;
一垛货物与其后面的货物形成逆序的总个数成为该垛货物的逆序数,而一垛货物的逆序数乘以其与最前面货物的距离称为该垛货物的混乱逆序数;
一个库存栈中货物的混乱逆序数的总和成为该库存栈的混乱逆序数,一个库位区中所有库存栈的混乱逆序数之和为该库位区的混乱系数。
AGV理库过程中造成的理库成本主要分为:AGV行驶的距离以及AGV的搬运次数。这两个优化目标都可以转换为AGV的行驶时间,假设AGV抬起一垛货物或放下一垛货物的时间均为,AGV的行驶速度均为/>,因此AGV搬运货物一次的行驶时间由如下第(1)公式定义:
其中,;
;
;
;
S3:依据步骤S2的约束条件和优化目标建立优化目标的数学模型,具体步骤如下:
AGV在一轮理库过程中抬起货物和放下货物的总次数最小值为,/>由如下第(2)公式定义:
(2);
其中,为1时,表示第/>次搬运时将/>库存栈中/>库位上的货物搬运到/>库存栈中的/>库位,否则,/>为0;
其中,;
;
;
;
;
;
;
AGV的一轮理库过程中行驶距离的最小值为,/>由如下第(3)公式定义:
(3);
;
;
;
;
;
;
;
;
;
AGV在完成一轮理库过程的总运行时间为,/>由如下第(4)公式定义:
(4);
其中,表示AGV的行驶速度,/>表示AGV抬起一垛货物或放下一垛货物的时间;
通过第(2)公式和第(3)公式建立如下的数学模型:
;
;
约束条件为:
其中,代表理库分区的混乱系数,/>代表货物的优先级;
为第/>次搬运时,初始库存栈/>内货物的剩余个数,/>为第t次搬运时,目标库存栈/>内货物的个数;
S4:改进遗传算法,具体包括如下依次执行的步骤:
S4-1:随机产生初始种群,种群中的一个个体代表一次理库步骤,各个体的基因为对应的理库步骤中的初始栈和目标栈;
S4-2:预设理库步骤中AGV的最大操作次数为T,由于一次完整理库过程的理库次数在计算前无法确定,故该发明设计了一种多阶段的遗传算法对该问题进行求解,将传统的遗传算法改进为多阶段K的遗传算法,如图4所示,采用(Xk,Yk)二元编码方式,每个阶段K染色体编码长度不一样。
当K=4时,则理库步骤图如下表1所示:
表1理库步骤
该理库步骤图表示该理库步骤为:第1步从库存栈4搬运到库存栈2;第2步从库存栈3搬运到库存栈1;第3步从库存栈2搬运到库存栈3;第4步从库存栈1搬运到库存栈4,整个理库步骤完成。
S4-3:理库过程中若初始栈Xk和目标栈Yk同时参与遗传运算,可能会产生很多无效的理库操作,如第1步从库存栈4搬运到库存栈2,第2步从库存栈2搬运到库存栈4,经过两次操作,货物的布局没有发生任何变化,这显然需要避免的。
因此,本发明将初始栈Xk参与到染色体编码中,目标栈Yk则由启发式算法给出;
本实施例中,启发式算法定义如下:在对库存栈m中最前端货物进行理库操作时,首先计算其他各库存栈的混乱逆系数减少值,混乱逆系数减少值/>由如下第(5)公式定义:
(5);
式中,为将库存栈m中的最前端货物移动到库存栈n前库存栈n的混乱逆序数;/>为将库存栈m中的最前端货物搬运到库存栈n后库存栈n的混乱逆序数。
最后选择将库存栈m中搬出来的货物搬运到最大的库存栈中。
S5:根据步骤S3中的优化目标的数学模型和步骤S4中的改进遗传算法生成AGV理库方案。
步骤S5中生成理库方案的具体步骤如下:
S5-1:产生随机种群;
S5-2:根据地堆库货物布局初始状态计算库位区的混乱系数并对混乱系数进行更新;
S5-3:得到种群个体的AGV理库搬运次数以及行驶距离;
S5-4:计算种群个体的适应度函数,适应度函数由如下第(6)公式定义:
(6);
其中,为AGV在完成一轮理库过程的总运行时间;适应度函数值与染色体被选择的概率成正比,AGV行驶的时间越短,表示优化的效果越好,染色体在进化过程中越应该保留。
S5-5:采用比例选择法对种群进行选择,个体被选中的概率与其对应的适应度函数值的大小成正比,其选择概率由如下第(7)公式定义:
(7);
其中,为种群中第/>个染色体,/>为种群中第/>个染色体,/>为染色体个数;
S5-6:采用双点交叉的变异方式进行交叉变异,具体包括如下依次执行的步骤:
如图6所示,在相互配对的两个个体编码串中随机设置两个交叉点;
交换两个个体所设定的两个交叉点之间的部分染色体。交叉概率对算法收敛性有影响,如果/>值较大时,则收敛速度较快,部分适应度较高的个体遭到破坏,容易陷入局部最优解,如果/>值较小,则产生新个体速度较慢,容易出现搜索停滞。
选用自适应原则来选择交叉概率,交叉概率/>由如下第(8)公式定义:
(8);
其中,为种群平均适应度,/>为最大交叉概率,/>为最小交叉概率,/>为总迭代数,/>为当前迭代数,/>为个体适应度;
S5-7:采用均匀变异的变异方式进行变异,具体包括如下依次执行的步骤:
依次指定个体编码串中的每个基因座为变异点;
对每一个变异点,以变异概率从对应基因的取值范围内取一随机整数来替代原有基因值,变异概率同样对算法收敛性有影响,也选用自适应性原则来选择变异概率/>,/>由如下第(9)公式定义:
(9);
其中,为最大变异概率,/>为最小变异概率,/>为总迭代数,/>为当前迭代数,/>为种群平均适应度,/>为个体适应度 。
S5-8:输出最优的所述理库方案。
理库方案包含如下信息:
所述库位区的混乱系数、AGV运行成本、AGV理库步骤。
以下通过一个具体的AGV理库作业优化方法的优化例子来对上述AGV理库作业方法进行进一步的说明。
如图3所示,此实施例中仓库地图数学模型的布局为5×7,其中包含5个库存栈,每个库存栈的最大容量为7(即可以放置7托货物),仓库地图数学模型最右侧为AGV行驶车道,地图中方块部分代表库位上的货物,并标记了其出库的优先级。
本实施例的遗传算法的运行参数,如下表2所示:
表2遗传算法的运行参数
本发明实施例的步骤S3中,若初始库存栈Xk和目标库存栈Yk同时参与遗传运算,可能会产生很多无效的理库操作,如第1步从库存栈4搬运到库存栈2,第2步从库存栈2搬运到库存栈4,经过两次操作,货物的布局没有发生任何变化,这显然需要避免的。因此本发明中将初始库存栈Xk参与到各种遗传运算,而目标库存栈Yk则由启发式算法给出。如(2,3)代表一次理库操作,表示将2号库存栈最前面的货物搬运到3号库存栈最前面空闲的库位,2号库存栈由改进的遗传算法程序给出,3号库存栈由启发式算法给出。
本发明实施例的步骤S4中,计算理库方案的适应度中,会出现一些不可行解,对于超出边界的种群需要重新初始化。分区内所有库存栈的混乱逆序数之和称为该分区的混乱系数,混乱系数由如下第(10)公式定义:
本实施例的库位区混乱系数为53。
本发明实施例的步骤S5中,个体适应度函数的值需要能够比较直观体现一个个体(即理库方案)的优劣,在本方面中,以降低AGV运行时间为主要提升目标,每个个体被选择的概率由下面的第(11)公式计算得出
本发明实施例的步骤S6中,为了产生新个体,采用双点交叉和均匀变异的方法操作种群。
本发明实施例步骤S7中,对所有的染色体进行仿真模拟后,进行评价,选择当前最优染色体进行迭代,得出最终的理库方案:
(5,1)->(5,3)->(5,1)->(5,3)->(2,5)->(4,5)->(2,4)->(2,5)->(2,5)->(1,5)
->(4,2)->(4,2)->(4,5)->(4,2)->(4,2)->(3,4)->(1,4)->(3,4)->(3,2)->(3,2)
->(3,4)->(1,3)->(1,3)->(1,4)->(5,1)->(3,4)其中AGV共搬运货物26次。经过完整的理库过程,货物最终布局如图5所示。
综上所述,本发明通过对AGV理库过程建立数学模型,并针对该方案改进了遗传算法,针对AGV理库最大次数的不确定性,将传统的遗传算法改进为多阶段的遗传算法;同时结合启发式算法改进染色体编码的过程,将初始库存栈参与到染色体编码过程中,而目标库存栈由启发式算法给出,达到了加快算法收敛速度,提高解的质量,能够有效解决传统优化算法求解时收敛速度慢、易陷入局部最优等问题,有效提高了对实际问题的求解效率,减少迭代过程的盲目性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于遗传算法的平面地堆库AGV理库作业优化方法,其特征在于:包括如下依次进行的步骤:
S1:采用栅格法建立地堆库的仓库地图数学模型,具体步骤如下:
将所述地堆库划分为多个库位区,各所述库位区均划分有N列库存栈,每列所述库存栈均具有L个库位;
S2:依据AGV理库作业流程确立AGV理库的约束条件和优化目标;
S3:依据步骤S2的所述约束条件和所述优化目标建立所述优化目标的数学模型,具体步骤如下:
AGV在一轮理库过程中抬起货物和放下货物的总次数最小值为,/>由如下第一公式定义:
;
其中,为1时,表示第/>次搬运时将/>库存栈中/>库位上的货物搬运到库存栈中的/>库位,否则,/>为0;
其中,;
;
;
;
;
;
;
AGV的一轮理库过程中行驶距离的最小值为,/>由如下第二公式定义:
;
;
;
;
;
;
;
;;
;
AGV在完成一轮理库过程的总运行时间为,/>由如下第三公式定义:
;
其中,表示AGV的行驶速度,/>表示AGV抬起一垛货物或放下一垛货物的时间;
通过所述第一公式和所述第二公式建立如下的数学模型:
;
;
约束条件为:
;
;
;
其中,代表理库分区的混乱系数,/>代表货物的优先级;
为第/>次搬运时,初始库存栈/>内货物的剩余个数,/>为第t次搬运时,目标库存栈/>内货物的个数;
S4:改进遗传算法,具体包括如下依次执行的步骤:
S4-1:随机产生初始种群,所述种群中的一个个体代表一次理库步骤,各所述个体的基因为对应的理库步骤中的初始栈和目标栈;
S4-2:预设理库步骤中AGV的最大操作次数为T,将传统的遗传算法改进为多阶段K的遗传算法,采用(x,y)二元编码的方式,每个阶段K染色体编码长度不一样;
S4-3:待理库的所述初始栈参与到染色体编码,待理库的所述目标栈则由启发式算法给出;
S5:根据步骤S3中的所述优化目标的数学模型和步骤S4中的改进遗传算法生成AGV理库方案。
2.如权利要求1所述的一种基于遗传算法的平面地堆库AGV理库作业优化方法,其特征在于:步骤S2中的所述约束条件具体包括:
AGV理库过程只在同一个所述库位区内操作,不同的所述库位区之间存放的货物不一致;
AGV理库过程中同一个所述库位区内只用一台AGV进行作业;
货物打包完成以堆垛的方式放在托盘上,每个托盘的尺寸大小相同;
每个所述库位区内的货物初始状态都是已知的;
AGV理库开始前,每个库存栈的最前面两个所述库位为空闲状态;
对所述库位区的理库操作是针对所述库位区内现有的货物;
AGV在搬运货物时,只能从所述库存栈的最前端进栈和出栈;
AGV完成理库的标志是所述库位区内的混乱系数为0,所述混乱系数的定义如下:
一列所述库存栈中,按照从前往后的顺序,如果两垛货物的前后顺序与优先级顺序相反,即前面的优先级大于后面的优先级,则成为一个逆序;
一垛货物与其后面的货物形成所述逆序的总个数成为该垛货物的逆序数,而一垛货物的所述逆序数乘以其与最前面货物的距离称为该垛货物的混乱逆序数;
一个所述库存栈中所有货物的所述混乱逆序数的总和成为该所述库存栈的混乱逆系数,一个所述分区中所有库存栈的混乱逆序数总和称为该所述分区的混乱系数。
3.如权利要求2所述的一种基于遗传算法的平面地堆库AGV理库作业优化方法,其特征在于:步骤S5中采用步骤S4中改进的所述遗传算法生成所述理库方案的具体步骤如下:
S5-1:产生随机种群;
S5-2:根据所述地堆库货物布局初始状态计算各所述库位区的所述混乱系数并对所述混乱系数进行更新;
S5-3:得到种群个体的AGV行驶搬运次数以及行驶时间;
S5-4:计算种群个体的适应度函数,所述适应度函数由如下第四公式定义:
;
其中,为AGV在完成一轮理库过程的总运行时间;
S5-5:采用比例选择法对种群进行选择,个体被选中的概率与其对应的所述适应度大小成正比,其选择概率由如下第五公式定义:
;
其中,为种群中第/>个染色体,/>为种群中第/>个染色体,/>为染色体个数;
S5-6:采用双点交叉的变异方式进行交叉变异,具体包括如下依次执行的步骤:
在相互配对的两个个体编码串中随机设置两个交叉点;
交换两个个体所设定的两个交叉点之间的部分染色体,选用自适应原则来选择交叉概率,交叉概率/>由如下第六公式定义:
;
其中,为种群平均适应度, />为最大交叉概率,/>为最小交叉概率,/>为总迭代数,/>为当前迭代数,/>为个体适应度 ;
S5-7:采用均匀变异的变异方式进行变异,具体包括如下依次执行的步骤:
依次指定个体编码串中的每个基因座为变异点;
对每一个变异点,以变异概率从对应基因的取值范围内取一随机整数来替代原有基因值,选用自适应性原则来选择变异概率/>,/>由如下第七公式定义:
;
其中,为最大变异概率,/>为最小变异概率,/>为总迭代数,/>为当前迭代数,/>为种群平均适应度,/>为个体适应度 ;
S5-8:输出最优的所述理库方案。
4.如权利要求3中的一种基于遗传算法的平面地堆库AGV理库作业优化方法,其特征在于:步骤S5中的所述理库方案包含如下信息:
所述库位区的混乱系数、AGV运行成本、AGV理库步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235829.5A CN116976231B (zh) | 2023-09-25 | 2023-09-25 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311235829.5A CN116976231B (zh) | 2023-09-25 | 2023-09-25 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976231A true CN116976231A (zh) | 2023-10-31 |
CN116976231B CN116976231B (zh) | 2024-02-06 |
Family
ID=88473481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311235829.5A Active CN116976231B (zh) | 2023-09-25 | 2023-09-25 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976231B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200125930A1 (en) * | 2018-10-23 | 2020-04-23 | Hrl Laboratories, Llc | Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis |
CN112561448A (zh) * | 2020-12-25 | 2021-03-26 | 哈尔滨工业大学 | 基于改进遗传算法的多任务下堆垛机调度算法 |
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 |
CN114971317A (zh) * | 2022-05-31 | 2022-08-30 | 浙江大学 | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 |
CN115481897A (zh) * | 2022-09-20 | 2022-12-16 | 浙江理工大学 | 一种agv无人仓库设备优化配置方法 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
CN116362651A (zh) * | 2023-04-21 | 2023-06-30 | 东南大学 | 一种多车型冷链车辆取货路径优化方法 |
-
2023
- 2023-09-25 CN CN202311235829.5A patent/CN116976231B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200125930A1 (en) * | 2018-10-23 | 2020-04-23 | Hrl Laboratories, Llc | Artificial neural network and method of training an artificial neural network with epigenetic neurogenesis |
CN112561448A (zh) * | 2020-12-25 | 2021-03-26 | 哈尔滨工业大学 | 基于改进遗传算法的多任务下堆垛机调度算法 |
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 |
CN114971317A (zh) * | 2022-05-31 | 2022-08-30 | 浙江大学 | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 |
CN115481897A (zh) * | 2022-09-20 | 2022-12-16 | 浙江理工大学 | 一种agv无人仓库设备优化配置方法 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
CN116362651A (zh) * | 2023-04-21 | 2023-06-30 | 东南大学 | 一种多车型冷链车辆取货路径优化方法 |
Non-Patent Citations (5)
Title |
---|
WENLONG CHENG ET AL.: "An efficient genetic algorithm for multi AGV scheduling problem about intelligent warehouse", 《ROBOTIC INTELLIGENCE AND AUTOMATION》 * |
XIAOYU WEN ET AL.: "Improved genetic algorithm based on multi-layer encoding approach for integrated process planning and scheduling problem", 《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》 * |
周叶 等: "基于关联规则和遗传算法的服装辅料储位优化", 《计算机技术与应用》 * |
李阳;唐磊;胡俊;: "基于遗传算法的航天零件仓库货位优化研究", 《制造业自动化》 * |
马宇红;孙淑芬;: "一个带中转和直销的多产品运输问题及其遗传算法", 《山东大学学报(理学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976231B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860754B (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
CN110991754B (zh) | 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法 | |
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 | |
CN109583660B (zh) | 一种动态拣货策略的实现方法 | |
CN105836356A (zh) | 一种密集仓储系统混合优化调度方法 | |
CN107578119A (zh) | 一种智能调度系统的资源分配全局优化方法 | |
CN110782086A (zh) | 一种用于救援的带无人机车辆配送路径优化方法及系统 | |
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 | |
CN113343570A (zh) | 一种考虑拣货单关联性的动态拣货方法和系统 | |
CN113627712A (zh) | 一种仓储系统穿梭车作业顺序优化方法 | |
Ren et al. | Improved ant colony optimization for the vehicle routing problem with split pickup and split delivery | |
CN113359702A (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
CN112884257A (zh) | 基于遗传算法的取货路径优化方法、装置及系统 | |
CN111340303B (zh) | 基于新型混合蛙跳算法的旅行商路线规划方法 | |
CN116468372B (zh) | 一种储位分配方法、系统及存储介质 | |
CN116976231B (zh) | 一种基于遗传算法的平面地堆库agv理库作业优化方法 | |
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 | |
CN112508481A (zh) | 一种智能仓储多agv调度方法 | |
CN116342039A (zh) | 一种立体仓库的货物分配和拣选的优化方法 | |
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 | |
Siswanto et al. | Multi-heuristics based genetic algorithm for solving maritime inventory routing problem | |
CN115293670A (zh) | 基于混合元启发式算法的自动配送中心订单分拣方法 | |
CN113537841B (zh) | 一种考虑客户满意度的堆场起重机调度优化方法 | |
CN112700190A (zh) | 一种改进的扫描法与遗传模拟退火法配送托盘物资的方法 | |
CN114493181B (zh) | 一种智能仓储环境下的多负载agv任务调度方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |