一种基于猫群算法的立体式仓储优化方法及立体式仓库与流程

1.本发明涉及一种智能仓储领域，尤其是智能立体式仓库储位优化方法及立体式仓库。


背景技术：

2.仓储作为企业物流活动的重要组成部分，在企业发展中发挥着重要作用。随着计算机技术与物流技术的发展，自动化立体仓库成为企业进行仓储管理的重要设备，其集存储、分拣、盘点于一体，影响着整个物流系统的作业效率。存储位置的分配优化可
3.以提高存储效率，对客户订单实现快速响应。因此，研究自动化仓库中仓储位置的优化具有重要的现实意义。
4.目前现有技术在解决仓位选择问题上重点考虑了出入库效率、货架稳定性、货物相关性或空间利用率的问题，而忽略了堆垛机提升货物和运载货物的综合能耗问题，而且在能耗计算上，如专利cn109597304中采用的计算能耗的方法为通过力学原理得到货物做功，得到的是理论上的能耗，而不是实际的堆垛机的货运过程中消耗的能量，并且忽略了货物横向做功，从而造成其能耗计算与实际有一定的差距，无法准确得到其真正的能耗。
5.因此，现有技术中无法很好地对堆垛机能耗进行有效分析，从而并不能有效得到最佳的仓储货位。


技术实现要素：

6.(一)解决的技术问题
7.为了解决上述技术问题，本发明提供一种基于猫群算法的立体式仓库储位优化方法，主要针对堆垛机电量损耗，堆垛机进出货时间，货架重心三个问题进行优化，保证堆垛机电量损耗最小，堆垛机进出货时间最短以及货架重心最低对货位选择进行优化；并通过实际测量堆垛机在不同状态下的电量损耗用于建立优化模型，提高优化模型的精确度，同时基于猫群算法的优点改善算法收敛速度和精度的问题。
8.(二)技术方案
9.为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
10.一种基于猫群算法的立体式仓库储位优化方法，包括以下步骤：
11.s1：测量不同工况下的堆垛机的单位路程或高度作业的耗电量ex，ey，ez，并将数据存入服务器；
12.s2：建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
13.其中，确定目标函数时，根据步骤s1中获取的单位耗电量确定函数参数。
14.s3：采用混沌猫群算法对上述数学模型求取最优解确定最优货物储位。
15.进一步地，步骤s1包括：测量不同剩余电量下堆垛机的单位路程和高度作业的耗
电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，计算不同工况下单位路程或高度的耗电量；
16.进一步地，步骤s2所述的确定立体仓库货架类型以及假设条件包括：
17.a.仓库中某一特定存储区域货架的排、列、层数分别为m、n、k，则，该区域的总货位数为mnk。设(x,y,z)为仓库的货位坐标，即第x排y列z层；其中，x∈[1,m],y∈[1,n],z∈[1,k]；
[0018]
b.假设每个货位上物资存储数为1箱。同时，为了方便计算，忽略堆垛机工作过程中机械臂伸缩耗时，且堆垛机仅在货架的单侧进行作业。
[0019]
c.假设每个货位大小满足所有货物体积的要求。
[0020]
所述目标函数包括：
[0021]
目标函数的模型主要考虑三个部分，分别为：
[0022]
a.电动堆垛机运行电量耗损
[0023]
为保证货物在出入库的过程中堆垛机所消耗的电能最小，则需要堆垛机在xyz三个方向上的运动的总消耗电量最小，即：
[0024][0025]
其中，e
x
、ey、ez分别为x、y、z三个方向上的运行单位长度距离所消耗的电量，其值大小来自步骤s1所获得的数据；l
x
、ly、lz分别为堆垛机在xyz三个方向上运动的距离，其分别对应货位的坐标(x,y,z)，即：
[0026][0027]
b.堆垛机进出货时间
[0028]
设堆垛机在三个方向上的运行速度分别为vx、vy和vz，在坐标(x,y,z)货位的货物的出库频率为fxyz，一个货格的长度为m，则构造进出货时间函数为：
[0029][0030]
c.货架稳定性原则
[0031]
货架结构是否稳定由货架的垂直和水平重心决定，货架整体稳定性目标函数表示为:
[0032][0033]
其中，gi为第i个货物的重心，k1、k2分别为垂直重心和水平重心的加权系数，m为一个货格的长度。
[0034]
所述转换多目标函数具体为：
[0035]
通过对各目标赋予不同权重，将多目标函数转换为单目标函数；构建多目标函数
如下所示；
[0036]
f＝w1f1+w2f2+w3f3；
[0037]
其中0《w1《1，0《w2《1，0《w3《1，且w1+w2+w3＝1，w1,w2,w3为权重系数，根据立体仓库运作过程中的需求情况赋予不同的值。最终建立货位选择优化模型：
[0038]
minf＝w1f1+w2f2+w3f3[0039][0040]
所述约束条件为：
[0041]
约束条件1：货架存放货物总重量不超过货架最大承重
[0042][0043]
约束条件2：某货位是否有货物
[0044][0045]
基于上述约束条件，约束了货位变量不会超出仓库配置，且保证货位与货物一一对应的关系，不会出现一对多的情况。
[0046]
进一步地，步骤s3中在采用猫群算法进行货位选择优化时，货位位置对应于问题的解，货物对应于猫群中猫，算法通过猫群寻找合适的位置得到货物在合适的货位的最优解。所述混沌猫群算法包括如下步骤：
[0047]
步骤s31：初始化猫群，随机初始化符合约束条件的猫群体位置，处于[a，b]区间，种群大小设为n，分组率为mr；
[0048]
步骤s32：通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值。
[0049]
步骤s33：根据分组率mr将猫群随机分组，即分为搜寻模式和跟踪模式，mr一般取一个较小的值；
[0050]
步骤s34：搜寻模式。复制猫的样本，将复制好的样本存入记忆池smp(shape memory polymer)中。
[0051]
步骤s35跟踪模式。整个猫群所经历过的最佳位置就是搜索到的最优解。
[0052]
步骤s36计算适应度值并记录，最后保留种群中适应度最优的猫。
[0053]
步骤s37判断是否满足约束条件。是，则输出最优解，结束程序；否，则利用混沌控制策略对猫群算法参数进行更新，重复步骤s32～步骤s37进行寻优迭代处理。
[0054]
设，第i只猫在d维空间的位置和速度为
[0055]
xi＝(x
i，1
，x
i，2
，x
i，3
，
…
，x
i，d
)，i＝1，2，3，
…
，d
[0056]
vi＝(v
i，1
，v
i，2
，v
i，3
，
…
，v
i，d
)，i＝1，2，3，
…
，d
[0057]
运算过程中局部最优解的猫表示为
[0058]
x
g，best
＝(x
g，best，1
，x
g，best，2
，x
g，best，3
，
…
，x
g，best，d
)
[0059]
首先确定跟踪模式下的猫更新速度，即
[0060]
vi(n+1)＝vi(n)+c
·
rand[x
g，best
(n)-xi(n)]
[0061]
式中：vi(n+1)为位置更新以后第i只猫的速度值；c为常数；rand为[0，1]的随机值。
[0062]
猫的位置是通过速度变化而变化的。则更新第i只猫的位置为：
[0063]
xi(n+1)＝xi(n)+vi(n+1)＝c
x(n)
·
rand[x
g，best
(n)-xi(n)]
[0064]
式中：xi(n+1)为位置更新后第i只猫所处的位置。
[0065]
其中，
[0066]cx(n)
＝a+x(n)(b-a)
[0067]
x(n)＝ux(n-1)[1-x(n-1)]
[0068]
其中，c
x(n)
为猫群位置变量；[a,b]为猫群位置的遍历范围；u为混沌控制参数。
[0069]
本发明还提供一种基于猫群算法的立体式仓库储位优化方法的立体仓库，其包括：
[0070]
耗电量监测模块：其用于测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，将试验数据存入服务器。
[0071]
模型建立模块：其用于建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
[0072]
其中，确定目标函数时，根据耗电量监测模块中获取的单位耗电量确定函数参数。
[0073]
模型运算模块：其用于基于混沌猫群算法解算模型建立模块中建立的模型。
[0074]
(三)有益效果
[0075]
与现有技术相比，本发明的有益效果为：
[0076]
(1)本技术考虑堆垛机的实际能耗，通过在不同剩余电量和载荷下进行试验，得到堆垛机不同运行状态下的电量损耗情况，更加符合实际情况，提高计算精度。
[0077]
(2)本技术采用的改进的猫群算法比传统算法收敛速度更快，并且猫群算法的目标值更小。即无论从运行效率还是优化结果上相比较，改进的猫群算法都优于传统的算法。
附图说明
[0078]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0079]
图1是根据本技术实施例的立体式仓库储位优化方法流程图
[0080]
图2是根据本技术实施例的立体仓库的设置示意图
[0081]
图3是根据本技术实施例的猫群算法流程图
[0082]
附图标记：
[0083]
1、货架，2、堆垛机
具体实施方式
[0084]
下面结合附图对本公开实施例进行详细描述。
[0085]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0086]
参见图1，基于猫群算法的立体式仓库储位优化方法包括：
[0087]
步骤s1：测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量。计算各向单位长度运行耗电量ex，ey，ez，将试验数据存入服务器。
[0088]
步骤s2：建立模型
[0089]
(1)确定立体仓库货架类型以及假设条件；
[0090]
基于下列假设条件确定立体仓库的设置。如图2所示：
[0091]
a.仓库中某一特定存储区域货架的排、列、层数分别为m、n、k，则，该区域的总货位数为mnk。设(x,y,z)为仓库的货位坐标，即第x排y列z层；其中，x∈[1,m],y∈[1,n],z∈[1,k]；
[0092]
vx为堆垛机x方向的运行速度，vy为堆垛机y方向的运行速度，vz为堆垛机z方向的运行速度；fxyz为货品的周转率，mxyz为货品的质量。
[0093]
b.假设每个货位上物资存储数为1箱。同时，为了方便计算，忽略堆垛机工作过程中机械臂伸缩耗时，且堆垛机仅在货架的单侧进行作业。
[0094]
c.假设每个货位大小满足所有货物体积的要求。
[0095]
(2)选定目标函数
[0096]
目标函数的模型主要考虑三个部分，分别为：
[0097]
a.电动堆垛机运行电量耗损
[0098]
在现有技术中，对于堆垛机的能耗计算大多取自于计算理论上的做功大小或者根据堆垛机的运行路程和升降高度计算得到，其值为理论值，与实际堆垛机的电量损耗有一定的误差，从而导致在后续的计算过程中误差进一步增加，导致无法实现真正得到最优的货物存储的货位。
[0099]
本发明基于实际测量得到的堆垛机电量消耗，结合包括运行状态，剩余电量和货物重量等参量，通过实际的试验得到实际参数，获取更接近于工况下的堆垛机能耗关系，更利于精确计算最优货位。
[0100]
为保证货物在出入库的过程中堆垛机所消耗的电能最小，则需要堆垛机在xyz三个方向上的运动的总消耗电量最小，即：
[0118][0119]
(4)确定约束条件
[0120]
约束条件1：货架存放货物总重量不超过货架最大承重
[0121][0122]
约束条件2：某货位是否有货物
[0123][0124]
基于上述约束条件，约束了货位变量不会超出仓库配置，且保证货位与货物一一对应的关系，不会出现一对多的情况。
[0125]
步骤s3：采用混沌猫群算法对上述数学模型求取最优解
[0126]
现有技术中有采用遗传算法、粒子群算法或蜂群算法等算法进行最优解的求解，然而，遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低；粒子群算法和人工蜂群算法对于离散的优化问题处理不佳，容易陷入局部最优。
[0127]
本发明采用改进的混沌猫群算法，猫群算法中,猫即待求优化问题的可行解。猫群算法将猫的行为分为两种模式,一种就是猫在懒散、环顾四周状态时的模式称之为搜寻模式；另一种是在跟踪动态目标时的状态称之为跟踪模式。猫群算法中,一部分猫执行搜寻模式,剩下的则执行跟踪模式,两种模式通过结合率mr进行交互,mr表示执行跟踪模式下的猫的数量在整个猫群中所占的比例,在程序中mr应为一个较小的值。利用猫群算法解决优化问题,首先需要确定参与优化计算的个体数,即猫的数量。每只猫的属性(包括由m维组成的自身位置)、每一维的速度、对基准函数的适应值及表示猫是处于搜寻模式或者跟踪模式的标识值。当猫进行完搜寻模式和跟踪模式后,根据适应度函数计算它们的适应度并保留当前群体中最好的解。之后再根据结合率随机地将猫群分为搜寻部分和跟踪部分的猫,以此方法进行迭代计算直到达到预设的迭代次数。
[0128]
采用改进的混沌猫群算法有不易陷入局部最优和收敛速度快的优点，因此将猫群算法用于货位优化运算，可以实现更优的货位匹配。
[0129]
在采用猫群算法进行货位选择优化时，货位位置对应于问题的解，货物对应于猫群中猫，算法通过猫群寻找合适的位置得到货物在合适的货位的最优解。
[0130]
具体过程如图3所示：
[0131]
步骤s31：初始化猫群，随机初始化符合约束条件的猫群体位置，处于[a，b]区间，
种群大小设为n，分组率为mr；
[0132]
步骤s32：通过参照猫群的初始位置来计算猫群体适应度值，选取合适位置并记录种群中的最大适应度值。
[0133]
步骤s33：根据分组率mr将猫群随机分组，即分为搜寻模式和跟踪模式，mr一般取一个较小的值；
[0134]
步骤s34：搜寻模式。复制猫的样本，将复制好的样本存入记忆池smp(shape memory polymer)中。
[0135]
步骤s35跟踪模式。整个猫群所经历过的最佳位置就是搜索到的最优解。
[0136]
步骤s36计算适应度值并记录，最后保留种群中适应度最优的猫。
[0137]
步骤s37判断是否满足约束条件。是，则输出最优解，结束程序；否，则利用混沌控制策略对猫群算法参数进行更新，重复步骤s32～步骤s37进行寻优迭代处理。
[0138]
设，第i只猫在d维空间的位置和速度为
[0139]
xi＝(x
i，1
，x
i，2
，x
i，3
，
…
，x
i，d
)，i＝1，2，3，
…
，d
[0140]
vi＝(v
i，1
，v
i，2
，v
i，3
，
…
，v
i，d
)，i＝1，2，3，
…
，d
[0141]
运算过程中局部最优解的猫表示为
[0142]
x
g，best
＝(x
g，best，1
，x
g，best，2
，x
g，best，3
，
…
，x
g，best，d
)
[0143]
首先确定跟踪模式下的猫更新速度，即
[0144]
vi(n+1)＝vi(n)+c
·
rand[x
g，best
(n)-xi(n)]
[0145]
式中：vi(n+1)为位置更新以后第i只猫的速度值；c为常数；rand为[0，1]的随机值。猫的位置是通过速度变化而变化的。则更新第i只猫的位置为：
[0146]
xi(n+1)＝xi(n)+vi(n+1)＝c
x(n)
·
rand[x
g，best
(n)-xi(n)]
[0147]
式中：xi(n+1)为位置更新后第i只猫所处的位置。
[0148]
其中，
[0149]cx(n)
＝a+x(n)(b-a)
[0150]
x(n)＝ux(n-1)[1-x(n-1)]
[0151]
其中，c
x(n)
为猫群位置变量；[a,b]为猫群位置的遍历范围；u为混沌控制参数。
[0152]
本发明还提供一种基于猫群算法的立体式仓库储位优化方法的立体仓库，其包括：
[0153]
耗电量监测模块：其用于测量不同剩余电量下堆垛机的单位路程和高度作业的耗电量，具体为在电量剩余20％、40％、60％、80％、100％下分别进行试验，获得在不同电量剩余量下堆垛机的不同重量载货情况下各向运行速度和耗电量，将试验数据存入服务器。
[0154]
模型建立模块：其用于建立立体仓库货物仓储优化模型，具体包括：确定立体仓库货架类型以及假设条件、选定目标函数、转换多目标函数、确定约束条件；
[0155]
其中，确定目标函数时，根据耗电量监测模块中获取的单位耗电量确定函数参数。
[0156]
模型运算模块：其用于基于混沌猫群算法解算模型建立模块中建立的模型。
[0157]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。