本发明涉及物流领域,具体是一种基于权重学习的垛形规划方法。
背景技术:
自动化设备在物流行业的应用,如快递装箱,码垛等越来越多,取代了人所承担的搬运角色,而新的应用需求也对自动化设备的智能化程度提出了新的需求。传统的人工码垛过程分为两种:第一种,人工码垛:通过人为参与,不断地动态决策货箱应被堆垛的位置,缺点是效率低下,码垛周期较长,缺乏宏观的规划,在待堆货箱较多时,动态人为的垛形规划有可能失效,需要反复尝试,极大地依赖于工人的经验,得出较好的垛形;第二种,半自动化码垛:自动化设备负责执行码垛过程,而人工地负责垛形的规划,通过前期已知的货箱尺寸参数以及承重能力,人工使用某些垛形规划软件,确定垛形。缺点是自动化程度低,一旦货箱的尺寸,种类发生变化,需要人工重新规划,效率低。
技术实现要素:
本发明的目的在于提供一种基于权重学习的垛形规划方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于权重学习的垛形规划方法,具体步骤如下:
步骤一,自动垛形规划:为所有待码的货箱计算码放优先率{ri},ri=pvvi+pssi+pwwi,其中pv是体积权重,vi是货箱的体积,ps是面积权重,si是货箱的面积,pw是质量权重,wi是货箱的质量,其中i∈[1,n],表示货箱的编号;
步骤二,将ri按从大到小依次排列,即得到货箱的码放顺序;
步骤三,取当前{ri}max货箱,依次尝试将其码放到l1到lk,直到找到可码放的垛形层lm,lm为货箱垛形的层数,m∈[1,k],表示当前可码放的层数编号;
步骤四,更新当前垛形状态,此处垛形状态即为描述当前已经码放好的垛形的形状的一种语言,比如一种数据结构表述了所有已被放置物的形状,位置,而更新这个状态即为往该数据结构中添加成员,以实时地反应当前垛形,供后续循环中的步骤三使用;
步骤五,从ri去掉已经计入垛形的货箱;
步骤六,检查是否还有剩余货箱,若有,重复步骤三至步骤五,直至没有剩余货箱;
步骤七,完成垛形规划。
作为本发明进一步的方案:本方法还包括垛形质量评定机制,垛形质量:q=f(u,pmax,pavg,tmax),其中u是空间利用率,pmax是最大压强,pavg是平均压强,tmax是垛形局部最大力矩,
本技术:
保护的是码垛规划+质量评定+机器学习做参数优化这一套方案,至于质量评定方法,还有优化的参数如体积、质量这些,只是其中的一个实施例。
作为本发明进一步的方案:本方法还包括权重系数与垛形质量间的相关性分析,适用如下表达式:q=f(pv,ps,pw),pv是体积权重,ps是面积权重pw是质量权重,该表达式由机器学习算法学习出来的,并不是固定的关系,跟具体的码垛对象,容器大小等等,都是息息相关,并且可能是动态在变化的,不断趋向于更优解。
与现有技术相比,本发明的有益效果是:本发明使用简单,参数明了易懂,能够在较短时间自动地规划出垛形,甚至可以为每个码垛订单动态地规划,十分高效;本发明的方法全自动化,无需人工干预,本发明的方法具备自学习功能,规划出来的垛形质量会不断趋向最优;本发明的方法进行全局考虑,在码垛动作之前,已规划好最终的结果。
附图说明
图1为基于权重学习的垛形规划方法的流程图。
图2为基于权重学习的垛形规划方法中垛形质量评定机制的示意图。
图3为基于权重学习的垛形规划方法中深度学习算法的示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
剪图1-3,一种基于权重学习的垛形规划方法,具体步骤如下:
步骤一,自动垛形规划:为所有待码的货箱计算码放优先率{ri},ri=pvvi+pssi+pwwi,其中pv是体积权重,vi是货箱的体积,ps是面积权重,si是货箱的面积,pw是质量权重,wi是货箱的质量,其中i∈[1,n],表示货箱的编号;
步骤二,将ri按从大到小依次排列,即得到货箱的码放顺序;
步骤三,取当前{ri}max货箱,依次尝试将其码放到l1到lk,直到找到可码放的垛形层lm,lm为货箱垛形的层数,m∈[1,k],表示当前可码放的层数编号;
步骤四,更新当前垛形状态;
步骤五,从ri去掉已经计入垛形的货箱;
步骤六,检查是否还有剩余货箱,若有,重复步骤三至步骤五,直至没有剩余货箱;
步骤七,完成垛形规划。
垛形质量评定机制如下:根据垛形规划的结果,我们可以计算出用于评定垛形质量的一系列指标:空间利用率u,u越大垛形质量越高;最大压强pmax和平均压强pavg,压力越均匀,垛形质量越高;垛形局部最大力矩tmax,以确定垛形的稳定性,tmax越小,垛形质量越高;具体进行垛形质量评定时,需要由用户来确定以上因素的比重,然后按照如下公式来计算垛形质量:q=f(u,pmax,pavg,tmax)。
在自动垛形规划方法与垛形质量评定机制基础上,运用深度学习算法,找出针对当前码垛货箱集合的优化垛形方案。自动垛形规划能够给出确定权重参数下的垛形,而质量评定机制能够给出确定垛形的质量好坏,将权重参数与质量评定相结合,辅以某种权重优化算法,产生一组新的权重参数,得到一组新的垛形与其质量结果,如此迭代,不断地训练权重参数与垛形质量模型,基于深度学习算法,最终能够得到权重系数与垛形质量间的相关性分析,以求得最优的权重系数组,用于垛形规划。基于深度学习的权重系数确定后,适用如下表达式:q=f(pv,ps,pw)。
本发明提供一种自动垛形规划方法,用以决定给定的货箱集合应该以何种模式被堆垛。然后基于此方法,进一步设计一种自动垛形质量评定机制,以此对某组权重参数下,垛形结果的好坏进行反馈,进而形成自学习垛形规划系统,通过不断迭代,得到最优的垛形规划参数。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。