本发明属于智慧物流领域,更进一步涉及一种求解带过道仓储作业优化问题的多物种协同进化方法。
背景技术:
仓储物流作为物品流通的载体、电子商务的血液,已成为企业发展不可缺少的一部分。仓储作业效率作为衡量物流仓储系统的主要指标,为此,进一步提升仓储作业效率,满足客户对交货时间的要求,成了传统制造企业亟待解决的棘手问题。在此背景下,对有别于传统自动化立体仓储的多过道仓储作业优化问题进行研究,对于提升仓储作业效率具有很好的借鉴作用,因而,寻求一种求解带过道仓储作业优化问题的多物种协同进化方法具有很好的科学意义和社会价值。
截止目前,学者关注较多的仍是传统单区块(无过道)类型仓储作业优化问题,而对多区块类型仓储作业优化问题还未或较少涉及。比如:desantisetal.(anadaptedantcolonyoptimizationalgorithmfortheminimizationofthetraveldistanceofpickersinmanualwarehouses,europeanjournalofoperationalresearch,2018)以最小化订单拣选距离为优化目标,提出了基于蚁群算法及弗洛伊德算法的混合型元启发式算法。杨等(堆垛机式密集仓储系统复合作业三维空间路径优化,计算机集成制造系统,2017)提出一种改进型蚁群算法,用以解决密集仓储系统复合作业三维空间路径优化问题。本发明对带过道的仓储作业优化问题进行了认真的分析研究,并提出了求解该问题的多物种协同进化方法,不仅提升了仓储作业效率,而且丰富了求解带过道仓储作业优化问题的方法,对于提升物流仓储相关领域的智能化水平,具有很好的示范作用。
技术实现要素:
有鉴于此,本发明的目的在于提出一种求解带过道仓储作业优化问题的多物种协同进化方法,以提高物流仓储的作业效率和智能化水平。
为了实现上述目的,本发明的构思是:本发明以堆垛机有限载重、同一订单不允许多次拣选等为约束条件,以完成所有订单拣选所需时间最短为优化目标,把带过道仓储作业优化问题抽象成带约束的组合优化问题。根据上述发明构思,本发明采用下述技术方案:
一种求解带过道仓储作业优化问题的多物种协同进化方法,其特征在于包括如下步骤:
(1)对仓储现场存在的约束及要优化的目标进行分析,并抽象为带约束的数学模型;
(2)初始化参数:总体最大进化代数g_max、每个物种的最大进化代数g_pmax、进化代数计数器t、种群规模m、交叉概率pc、变异概率pm、惯性权重
(3)全局搜索,t=t+1;
(4)局部搜索,利用遗传算法、粒子群算法以及人工鱼群算法进行单物种并行进化;
(5)产生随机数r,对于被捕食者,如果r>pi,则进行基于学习机制的多物种竞争捕食;所述捕食者为平均适应度最大的物种,其余为被捕食者。
(6)多物种种群多样性协同改善;
(7)如果t<g_max,则返回(3);否则,输出最优解。
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:本着节能降耗的目的对堆垛机拣选路径进行优化。则待优化的目标为完成给定的订单拣选作业所用时间最短,其数学模型表示如下:
其中
更进一步地,步骤(5)可进一步描述为:
为使多个物种进行协同进化,引入竞争捕食机制,具体为:在生物进化的过程中,由于自身或自然条件等因素,会出现对生存环境适应能力较差的个体,从而这些个体被其他物种捕食的风险就大。为实现物种间竞争捕食,首先基于平均适应度找出捕食者与被捕食者,本发明以平均适应度最大的物种为捕食者,其余物种均为被捕食者。被捕食的种群为更好的适应生存环境,需要总结被捕食的经验教训(就是所谓的学习)来不断提高自身的生存能力。为此,个体被捕食的概率pi定义如下:
为体现多物种进化的协同性,本发明引入基于学习机制的繁殖策略,即:如果某物种有个体被捕食,则会导致该物种种群数量减少,为增强该物种的生存能力,维持生态平衡,在
其中,
更进一步地,所述步骤(6)中可进一步描述为:
种群多样性是物种适应环境能力的一种表征,对优化算法而言,则是解空间分布的一种度量。如果种群分布集中,则不利于解空间的开拓,容易导致算法陷入局部最优,从而降低求解效率及求解的质量。而变异策略在一定程度上可以提高种群的多样,基于上述考虑,有必要对种群多样性进行调整改善。
为兼顾对解空间全局的开拓以及局部的开发,本发明将对全部物种的种群多样性基于变异机制进行协同改善,具体策略为:对全部物种中的所有个体按照适应度高低进行降序排列,然后计算所有非最优个体与最优个体间的距离,并按距离长短降序排列。为克服过度变异带来的随机性,只对适应度及距离排名靠后10%的个体进行变异。
本发明的多物种协同进化算法与现有技术相比,具有的优点在于:其一,该算法的多物种竞争共生机制,兼顾了算法搜索的深度,能够引导算法向最优或次优方向进化;其二,种群多样性协同改善机制,改善了种群的多样性,兼顾了算法搜索的广度,进一步提高了求解精度和收敛效率。
附图说明
图1是本发明提出的求解带过道仓储作业优化问题的多物种协同进化方法流程图。
图2是本发明提出的带过道仓储布局图。
图3是本发明针对一个作业实例的各算法求解效果对比图。
图4是本发明针对一个作业实例的各算法30次最优解分布统计图。
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。
实施例一:
参见图1,本发明提出的求解带过道仓储作业优化问题的多物种协同进化方法,其特征在于如下具体步骤:
(1)对仓储现场存在的约束及要优化的目标进行分析,并抽象为带约束的数学模型;
(2)初始化参数:总体最大进化代数g_max、每个物种的最大进化代数g_pmax、进化代数计数器t、种群规模m、交叉概率pc、变异概率pm、惯性权重
(3)全局搜索,t=t+1;
(4)局部搜索,遗传算法、粒子群算法以及人工鱼群算法进行单物种并行进化;
(5)产生随机数r。对于被捕食者,如果r>pi,则进行基于学习机制的多物种竞争捕食。其具体实施过程如下:
为使多个物种进行协同进化,引入竞争捕食机制,具体为:在生物进化的过程中,由于自身或自然条件等因素,会出现对生存环境适应能力较差的个体,从而这些个体被其他物种捕食的风险就大。为实现物种间竞争捕食,首先基于平均适应度找出捕食者与被捕食者,本发明以平均适应度最大的物种为捕食者,其余物种均为被捕食者。被捕食的种群为更好的适应生存环境,需要总结被捕食的经验教训(就是所谓的学习)来不断提高自身的生存能力。为此,个体被捕食的概率pi定义如下:
为体现多物种进化的协同性,本发明引入基于学习机制的繁殖策略,即:如果某物种有个体被捕食,则会导致该物种种群数量减少,为增强该物种的生存能力,维持生态平衡,在
其中,
(6)多物种种群多样性协同改善。其具体实施过程如下:
种群多样性是物种适应环境能力的一种表征,对优化算法而言,则是解空间分布的一种度量。如果种群分布集中,则不利于解空间的开拓,容易导致算法陷入局部最优,从而降低求解效率及求解的质量。而变异策略在一定程度上可以提高种群的多样,基于上述考虑,有必要对种群多样性进行调整改善。
为兼顾对解空间全局的开拓以及局部的开发,本发明将对全部物种的种群多样性进行协同改善,具体策略为:对全部物种中的所有个体按照适应度高低进行降序排列,然后计算所有非最优个体与最优个体间的距离,并按距离长短降序排列。为克服过度变异带来的随机性,只对适应度及距离排名靠后10%的个体进行变异。
(7)如果t<g_max,则返回(3);否则,输出最优解。
实施例二:
本实施例与实施例一基本相同,特别之处如下:
所述步骤(1)中建立的优化模型是基于以下考虑建立的:本着节能降耗的目的对堆垛机拣选路径进行优化。则待优化的目标为完成给定的订单拣选作业所用时间最短,其数学模型表示如下:
其中
实施例三:
参见图1,本发明提出的求解带过道仓储作业优化问题的多物种协同进化方法,其具体步骤如下:
1.确立目标,建立优化模型
该实例仓储作业中的多过道仓储作业优化问题具有如下特征:
某批订单对应的相关仓位有m个,它们在仓库中的位置分别表示为p1,p1,…,pm。,该类型仓储布局如图2所示。
设堆垛机水平运动平均速度和垂直运动平均速度分别为
定义1:如果堆垛机在执行拣选任务的过程中连续经过货位pi和pj,则eij=1,否则eij=0。
在定义1中,堆垛机由货位pi到pj所用的时间可表示为:
其中,
定义2:由于堆垛机载重量的限制,某一订单可能需要堆垛机进行r次拣选作业。如果待拣选货位pi在第r(
该带过道仓储作业问题的优化目标为完成订单拣选所用时间最短,其数学模型包括目标函数和约束,定义如下:
2.厘清约束条件,确立约束关系
其中,式(2)为目标函数;式(3)至式(10)为各种约束,具体为:式(3)表示待拣选货位在拣选路径中只允许出现一次;式(4)限定堆垛机进行拣选作业所装载货物不能超过自身最大载重;式(5)和式(6)表示每个待拣选货位在拣选过程中不能形成自回路。式(7)和式(8)限定堆垛机拣选路径起始位和结束位均为出入库缓冲区处;式(9)和式(10)为决策变量的二进制值域约束。
3.选用本实施例的优化方法求解带过道的仓储作业优化问题,其方法就是通过多物种协同优化方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:
step1初始化参数:总体最大进化代数g_max、每个物种的最大进化代数g_pmax、进化代数计数器t、种群规模m、交叉概率pc、变异概率pm、惯性权重
step2全局搜索,t=t+1;
step3局部搜索,遗传算法、粒子群算法以及人工鱼群算法进行单物种并行进化;
step4产生随机数r。对于被捕食者,如果r>pi,则进行基于学习机制的多物种竞争捕食;
step5多物种种群多样性协同改善;
step6如果t<g_max,则返回step2;否则,输出最优解。
实施例四:
本实施例设计某大型网上超市带过道仓储作业优化问题,利用本发明求出满足约束条件的最优解或次优解。
1.问题概况
按照上述技术方案以某大型网上超市为应用背景进行示例说明。随机产生60个客户订单进行测试,并与标准遗传算法(geneticalgorithm,ga)、标准粒子群算法(particleswarmoptimization,pso)、标准人工鱼群算法(artificialfishswarmalgorithm,afs)进行比较。实验在win10系统平台,matlab7.0开发环境下进行。进化代数均为600,其中,对于msca,各子算法的进化代数均为50,子种群规模均为60,ga的交叉概率及变异概率分别为0.8、0.06。对于pso,惯性权重
2.优化结果对比分析
根据1中的问题概况,针对本申请上述测试算例,图3为各算法求出的最优解随进化代数的变化趋势。为了具有普适性,对不同规模的订单进行了测试,并对参与比较的算法各运行30次,图4给出了订单规模为60时,30次运行结果的箱盒图,表1给出了30次的最优解opt以及平均值avg。
表1不同规模订单各算法求解情况对比
从图3可以直观地看出,本申请提出的msca算法在收敛速度以及求解质量上明显优于其他三种算法。同时,图4表明,对同一问题的多次求解,msca得出的最优解分布较为集中,体现出该算法具有良好的鲁棒性。为进一步评估msca算法的性能,表1依据不同规模订单的求解情况,从仓库有无过道两个角度,将msca与ga、pso及afs进行了对比。从表1可以看出,初始解的影响,会造成求解质量有一定的波动,同时,相对无过道仓储,订单所属仓位的整体分布特性也会导致带过道仓储未表现出凸显的优势,比如,如果订单所属仓位大多分布在同一巷道,并且属于同一区块。但从整体上来看,msca对于所有规模订单拣选问题的求解,均显示出自身的优势,特别随着订单规模的增加,优势更为明显。msca之所以呈现这些特点,主要得益于本申请提出的基于学习机制的多物种竞争捕食及多物种种群多样性协同改善策略。这能够使各物种优势互补,并改善种群的多样性,从而增强了msca的全局开拓能力及局部探索能力。更为重要的是,表1揭示了带过道仓储在订单拣选效率上要好于无过道仓储。
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。