一种考虑组装工艺的自动化立体仓库调度方法与流程

本发明属于智能制造技术领域，更进一步涉及考虑组装工艺的一种新型的自动化立体仓库调度方法。

背景技术：

随着《中国制造2025》新兴产业战略规划的出台，智能制造被定位为中国制造的主攻方向，并在各个领域中得到应用。对生产制造企业来讲，智能车间、智能工厂是智能制造的核心，在此背景下，自动化立体仓库在生产制造企业逐步得到应用，组装车间是其应用的一个场合。在组装过程中，如果不结合组装工艺对仓储机器人进行调度，将会使组装效率降低，甚至影响到组装作业的正常进行。因而，寻求一种考虑组装工艺的自动化立体仓库调度方法具有很好的科学意义和社会价值。

截止目前，学者考虑的仓库调度问题主要局限在物流、供应链及港口等传统领域，比如Lu et al.(An algorithm for dynamic order-picking in warehouse operations,European Journal of Operational Research,2016)针对供应链订单调整的情况，运用路由干涉算法对动态订单拣选问题进行了研究；宋等(航空货站自动化存取系统作业调度优化，哈尔滨工业大学学报，2015)以指令序列完工时间最短为优化目标，采用蚁群算法对航空货站存取系统进行调度优化研究，以提高自动化存取系统的效率。这些情况还未将自动化立体仓库应用到企业生产环节当中，本发明结合实际组装车间中的仓库调度优化问题进行了认真的分析研究，提出了一种考虑组装工艺的新型自动化立体仓库调度方法，不仅提高了产品的组装效率，而且提升了组装车间的智能化水平，具有很高的推广价值。

技术实现要素：

有鉴于此，本发明的目的在于提出一种基于改进布谷鸟算法考虑组装工艺的自动化立体仓库调度优化方法，以提高企业组装车间的组装效率和智能化水平。

为了实现上述目的，本发明的构思是：本发明以组装工艺、机器人机械手数量、出库终点为约束条件，以工件出库完成时间及组装任务完工时间总和为优化目标，把考虑组装工艺的自动化立体仓库调度抽象成带约束的组合优化问题。采用改进的布谷鸟算法对该优化问题进行求解。根据上述发明构思，本发明采用下述技术方案：

一种基于改进布谷鸟算法的自动化立体仓库调度方法(Improved Cuckoo Search Algorithm,ICSA)，其特征在于包括如下步骤：

(1)对组装车间现场存在的一些约束及要优化的目标进行分析，并抽象成数学模型，组装车间对参与组装工件的安装顺序有一定的要求，因而工件到达组装区域时间的早晚将对组装任务的完工时间产生一定的影响；

(2)初始化参数：进化代数计数器t、最大进化代数N_a、鸟巢数量N_n、发现概率最小值和最大值

(3)构建N_n个可行的初始鸟巢；

采用随机数编码技术随机生成N_n长度与待拣选货位个数相同的一维向量，该向量即为鸟巢的位置，根据仓储机器人机械手数量，对解码后的候选解进行插入出入库缓冲区位处理，这样可防止产生不可行解，从而构建出可行的初始鸟巢种群；

(4)计算所有鸟巢的适应度，记录具有最高适应度的鸟巢X_best；

(5)全局搜索：t＝t+1；

(6)局部搜索：i＝i+1；

(7)通过更新鸟巢位置；

(8)将当前代与上一代的布谷鸟巢位置作比较，保留较好的布谷鸟巢；

(9)产生随机数r，如果r>p_a，则随机产生新的鸟巢；

(10)如果i<N_n，则返回步骤(6)；否则，按步骤执行；

(11)计算所有鸟巢的适应度，并记录具有最高适应度的鸟巢X_best；

(12)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出X_best。

更进一步地，所述步骤(1)中建立的优化模型是基于以下考虑建立的：①为提高组装车间的智能化水平，将组装工艺引入到仓库调度环节；②本着节能降耗的目的对仓库机器人出入库路径进行优化。因而待优化的目标为产品组装所需工件的出入库及产品组装完成时间总和最小，其数学模型表示如下：

minf(t)＝O₁+O₂+O₃

其中minf(t)为待优化的目标，O₁为所需工件的出入库时间，O₂为组装过程中等待工件的时间，O₃为非等待情况下工件的安装时间；u为所需工件的总量；m,n分别为工件和产品的类别数量；Q_ab为安装每类产品所需工件的数量；t_ij为机器人连续经过两个待拣选货位所需要的时间；T_b为b型工件安装所需时间；为货位p_i中的b型工件到达安装区域的时间；e_ij为机器人在某条路径下是否连续经过货位p_i和货位p_j的标记；g_ir为第i个工件是否属于子路径r的标记；s_r为机器人是否经过子路径r的标记；σ_ib为货位p_i中的工件是否属于b型工件的标记；为货位p_i和p_j中的工件是否都分配a型产品，且安装呈先后顺序并连续的标记。

更进一步地，步骤(7)中的可进一步描述为：

7a)

其中上式中为第i个鸟巢第t+1代的步长；为第i个鸟巢第t代的位置；X_best为截至第t代所有鸟巢中最好的位置；N_a、N_c分别为最大进化代数和当前进化代数。

7b)在7a)中，表示可针对性的引导算法向最优或次优的方向搜索， 表示步长因子可根据进化阶段进行灵活调整，即在进化的早期，算法呈现全局搜索的特性，此时步长因子较大，有利于提高搜索的广度，随着进化的进行，算法所求解将会越来越接近全局最优或次优解，此时步长因子较小，有利于加大搜索的深度。因而，这两个方面保证了步长的动态智能性，将大大提高算法的寻优效率。

更进一步地，所述步骤(9)中的p_a可进一步描述为：

9a)

其中，分别为p_a的最小值和最大值；f_i是第i个鸟巢的适应度；f_max是所 有鸟巢的最大适应度。

9b)在9a)中，p_a为自适应发现概率，的值越小，表示个体对种群的贡献越小，其被淘汰的概率就越大，这样可有效避免固定的p_a所带来的两个弊端：其一，太大的p_a容易使搜索陷入局部最优，致使收敛精度降低；其二，太小的p_a容易又使搜索具有盲目性。自适应发现概率策略的实施，不仅保持了种群的多样性，降低算法陷入局部最优的概率，而且能保留较好的个体。

本发明的自动化立体仓库调度算法与现有技术相比较，具有的优点在于：该算法能够产生可行的初始解，并且在搜索过程动态步长能够引导算法向最优或次优方向进化，自适应发现概率能够保留较好的鸟巢，改善种群的多样性，从而保证了求解精度和收敛效率。本发明可以应用于现有加工制造企业组装车间的仓储调度环节中，实现组装效率的提高以及组装车间的智能化。

附图说明

图1是本发明考虑组装工艺的自动化立体仓库调度方法流程图；

图2是本发明对应的组装车间布局图；

图3是本发明针对一个组装任务实例的各算法求解效果对比图；

图4是本发明针对一个组装任务实例的各算法求解均值对比图；

图5是本发明考虑组装工艺的自动化立体仓库调度方法的流程图。

具体实施方式

下面结合附图和优选的实施例，对本发明做进一步的详细阐述。

实施例1

参见图1，本考虑组装工艺的自动化立体仓库调度方法，其特征在于如下具体步骤：

(1)对工业现场存在的约束及要优化的目标进行分析，并抽象为数学模型；

(2)初始化参数：进化代数计数器t、最大进化代数N_a、鸟巢数量N_n、发现概率最小值和最大值

(3)构建N_n个可行的初始鸟巢；

(4)计算所有鸟巢的适应度，记录具有最高适应度的鸟巢X_best；

(5)全局搜索：t＝t+1；

(6)局部搜索：i＝i+1；

(7)通过更新鸟巢位置；

(8)将当前代与上一代的布谷鸟巢位置作比较，保留较好的布谷鸟巢；

(9)产生随机数r，如果r>p_a，则随机产生新的鸟巢；

(10)如果i<N_n，则返回步骤(6)；否则，按步骤执行；

(11)计算所有鸟巢的适应度，并记录具有最高适应度的鸟巢X_best；

(12)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出X_best。

实施例2

本实施例与实施例一基本相同，特别之处如下：

1所述步骤(1)中所建立的数学模型是基于以下考虑建立的：①为提高组装车间的智能化水平，将组装工艺引入到仓库调度环节；②本着节能降耗的目的对仓库机器人出入库路径进行优化。因而待优化的目标为产品组装所需工件的出入库及产品组装完成时间总和最小，其数学模型表示如下：

minf(t)＝O₁+O₂+O₃

其中minf(t)为待优化的目标，O₁为所需工件的出入库时间，O₂为组装过程中等待工件的时间，O₃为非等待情况下工件的安装时间；u为所需工件的总量；m,n分别为工件和产品的类别数量；Q_ab为安装每类产品所需工件的数量；t_ij为机器人连续经过两个待拣选货位所需要的时间；T_b为b型工件安装所需时间；为货位p_i中的b型工件到达安装区域的时间；e_ij为机器人在某条路径下是否连续经过货位p_i和货位p_j的标记；g_ir为第i个工件 是否属于子路径r的标记；s_r为机器人是否经过子路径r的标记；σ_ib为货位p_i中的工件是否属于b型工件的标记；为货位p_i和p_j中的工件是否都分配a型产品，且安装呈先后顺序并连续的标记。

2所述步骤(3)构建N_n个可行的初始鸟巢：采用随机数编码技术构建N_n个鸟巢，其规则为：根据待拣选货位的个数，随机生成一个长度与待拣选货位个数相同的一维向量。该向量即为鸟巢的位置，接着对该向量中的元素以升序的方式与待拣选任务号进行一一映射，这样鸟巢位置就可以将待求解表示出来。同时，考虑到仓储机器人机械手数量的限制，对映射后的候选解进行插入出入库缓冲区位处理，这样可防止产生不可行解，从而构建出可行的初始鸟巢种群。

3所述步骤步骤(7)中的可进一步描述为：

1)

其中上式中为第i个鸟巢第t+1代的步长；为第i个鸟巢第t代的位置；X_best为截至第t代所有鸟巢中最好的位置；N_a、N_c分别为最大进化代数和当前进化代数。

2)在1)中，表示可针对性的引导算法向最优或次优的方向搜索，表示步长因子可根据进化阶段进行灵活调整，即在进化的早期，算法呈现全局搜索的特性，此时步长因子较大，有利于提高搜索的广度，随着进化的进行，算法所求解将会越来越接近全局最优或次优解，此时步长因子较小，有利于加大搜索的深度。因而，这两个方面保证了步长的动态智能性，将大大提高算法的寻优效率。

4所述步骤(9)中的p_a可进一步描述为：

1)

其中，分别为p_a的最小值和最大值；f_i是第i个鸟巢的适应度；f_max是所有鸟巢的最大适应度。

2)在1)中，p_a为自适应发现概率，的值越小，表示个体对种群的贡献越小，其被淘汰的概率就越大，这样可有效避免固定的p_a所带来的两个弊端：其一，太大的p_a容易使搜索陷入局部最优， 致使收敛精度降低；其二，太小的p_a容易又使搜索具有盲目性。自适应发现概率策略的实施，不仅保持了种群的多样性，降低算法陷入局部最优的概率，而且能保留较好的个体。

实施例3

参见图1，本考虑组装工艺的自动化立体仓库调度方法，其具体步骤如下：

(1)确立目标，建立优化模型

该实例组装任务中仓库调度问题具有如下特征：

某企业组装车间组装4种不同型号的产品，并且组装所需工件均在立体仓储中存放，该企业组装车间的总体布局如图1所示。

设仓储机器人水平运动平均速度和垂直运动平均速度分别为v_x、v_y，并且水平和垂直方向的运动相互独立，同时机器人拥有N个机械手；仓储每个货位的宽、高分别记为W、H，相邻巷道中心间距为D_l，每排货架的列数为C，并把货位坐标定义为l_i(x_i,y_i,z_i)，3个坐标分量依次表示所在货架的列号、层号及巷道号，出入库缓冲区指定为l₀(0,0,0)。

定义1如果机器人在执行任务过程中经过路径r，则s_r＝1；否则，s_r＝0。如果货位p_i属于子路径r，则g_ir＝1；否则，g_ir＝0。

定义2如果机器人在执行任务过程中连续经过货位l_i(x_i,y_i,z_i)、l_j(x_j,y_j,z_j)，则e_ij＝1；否则，e_ij＝0。对于巷道两端可进出的仓储系统，机器人所用时间t_ij可表示为

其中，

A₁＝(W×|x_i-x_j|)/v_x，

A₂＝(W×(x_i+x_j)+D_l×|z_i-z_j|)/v_x，

A₃＝(W×((C-x_i)+(C-x_j))+D_l×|z_i-z_j|)/v_x,

B＝(H×|y_i-y_j|)/v_y

假定某企业组装车间可组装n类产品，组装产品的工件共有m类，并且完成每类产品的组装需要每类工件的数量为Q_ab，组装每类单个工件所需时间为T_b，(a∈(1,2,…,n),b∈(1,2,…,m))。

定义3如果货位p_i中的工件属于b(b∈(1,2,…,m))类工件，则σ_ib＝1；否则，σ_ib＝0；并且该工件到达所属组装区域的时间为

定义4如果货位l_i(x_i,y_i,z_i)和l_j(x_j,y_j,z_j)中的工件都分配给a(a∈(1,2,…,n))型产品进行组装，且安装呈先后顺序并连续，则ψ_ij＝1；否则，ψ_ij＝0。

该仓储调度的优化目标为所需工件的出入库及产品组装完成时间总和最小，其数学模型包括目标函数和约束，定义如下：

minf(t)＝O₁+O₂+O₃ (2)

其中，

(2)厘清约束条件，确立约束关系

t¹<t²<…<t^m (7)

在上述模型中，式(2)是需要优化的目标；式(3)～(7)为约束条件。其中，式(3)为机器人完成所有任务的路径条数约束；式(4)为待拣选货位只在所有路径中出现一次；式(5)为机器 人需完成的任务量；式(6)为机器人的负载约束；式(7)为各类工件安装次序约束。

(3)选用本实施例的优化方法求解考虑组装工艺的仓库调度优化解，其方法就是通过改进型布谷鸟算法在决策变量的可行域内进行进化计算，从而求出最优解或次优解。

优化方法的具体步骤为：

1)初始化参数：进化代数计数器t、最大进化代数N_a、鸟巢数量N_n、发现概率最小值和最大值

2)构建N_n个可行的初始鸟巢；

随机产生是构造初始解或初始种群一种最普遍的方法。然而，对于有一定约束的优化问题，产生可行的初始解或初始种群对于提高算法的执行效率起到非常关键的作用。本发明依据机器人机械手的数量，通过插入出入库缓冲区位的方式对当前解进行修正，从而得出一个可行解。

3)计算所有鸟巢的适应度，记录具有最高适应度的鸟巢X_best；

4)全局搜索：t＝t+1；

5)局部搜索：i＝i+1；

6)通过更新鸟巢位置；

7)将当前代与上一代的布谷鸟巢位置作比较，保留较好的布谷鸟巢；

8)产生随机数r，如果r>p_a，则随机产生新的鸟巢；

9)如果i<N_n，则返回步骤5)；否则，按步骤执行；

10)计算所有鸟巢的适应度，并记录具有最高适应度的鸟巢X_best；

11)如果搜索没有达到最大迭代次数，则返回步骤4)；否则，停止搜索，并输出X_best。

实施例4

本实施例设计某企业一个组装车间的仓库调度优化问题，利用本发明求出满足约束条件的最优解或次优解。该企业组装车间组装4种不同型号的产品，并且组装所需工件均在立体仓储中存放，该企业组装车间的总体布局如图2所示。

(1)问题概况

按照上述技术方案以某企业组装车间的自动化立体仓库为应用背景进行示例说明，同时与原始布谷鸟算法(Cuckoo Search Algorithm,CSA)及遗传算法(Genetic Algorithm,GA)进行了比较，为保证对比的公平性，实验均在在Windows XP系统平台，主频2.19GHz，内 存1.99GB，Matlab7.0开发环境下进行。所有算法的种群大小及进化代数分别为40和600；对ICSA来说，和分别为0.1和0.5；对CSA来说，p_a为0.4；对遗传算法来说，交叉概率及变异概率分别为0.8、0.1。其他参数为：W、H分别为30cm、40cm。v_x、v_y分别为1m/s，0.5m/s，D_l为1.2m，C为80列，N为2。假定目前组装4类产品，组装数量均为1。组装产品所需工件共有5类，组装每类产品对每类工件的数量需求如表1所示。

需要的各类工件的具体货位坐标为：1型工件，{(12,5,1),(2,14,3),(42,6,2)}；2型工件，{(22,2,4),(20,4,5),(30,1,3),(18,4,3)}；3型工件，{(24,3,1),(67,5,12),(10,5,6),(50,2,5)}；4型工件，{(59,5,5),(74,4,3),(27,4,6),(42,4,21)}；5型工件，{(55,3,5),(32,5,9),(13,5,9),(73,5,5),(62,4,7)}。5类工件的安装所需时间分别为：T₁＝6s，T₂＝8s，T₃＝3s，T₄＝10s，T₅＝14s。

(2)优化结果对比分析

为了使比较具有普适性，对每个算法各运行30次，结果如图3、图4和表2。

由图3可知，ICSA相对传统的CSA和GA在最优解、收敛速度上都表现出良好的性能。对于图3出现的现象，图4从两个方面给予了证明：首先，本文提出的发现概率自适应策略不仅保留了较好的鸟巢，而且改进了种群的多样性，提高了算法搜索的广度；其次，本文提出的步长动态调整策略能够引导算法向最优或次优方向，提高了算法搜索的深度。这两者对ICSA在求解精度及收敛效率上起到至关重要的作用。表2中的结果进一步表明，改进的ICSA的确改善了解的质量与求解效率，同时，较小的标准差揭示了ICSA具有较好的收敛稳定性。

表1组装每类产品对每类工件的数量需求

表2算法求解情况比较

这些实施例仅用于说明本发明而不用于限制本发明的范围。另外本领域技术人员可以 对本发明作各种改动或修改，这些等价形式同样属于本申请所附权利要求书所限定的范围之内。