用于立体仓库的物料调度控制方法与流程

1.本发明涉及智能物流，特别涉及一种用于立体仓库的物料调度控制方法。


背景技术：

2.在物流场景中，物料调度路线vrp策略是重要的问题。vrp典型地包括使用多个车辆运输多个物料到多个地点的问题。在解决问题过程中，目标是希望在满足车辆容量、时间或其他约束条件下定义出一组路线，以使所有运输路线的总成本能降至为最低。禁忌搜索的启发式算法已经能有效解决某些大型且实际的问题。虽然在某些应用方式上，上述模式对解决vrp来说是有效的，但无法根据实际运输需求的变化来扩展vrp求解策略。


技术实现要素：

3.为解决上述现有技术所存在的问题，本发明提出了一种用于立体仓库的物料调度控制方法，包括：
4.确定初始策略以求解利用多个车辆将多个预定物料调度到多个预定地点的优化问题，所述初始策略包括从多个路线中选择一条或多条路线来完成物料调度，并使所选择的所有路线的总成本最小化，所述初始策略不依赖物料的优先级而生成；
5.将多个非优先物料调度加入当前策略中多条优先路线中，所述非优先物料调度位于所述优先路线的邻域中，所述优先路线为包含至少一个优先物料调度的路线；以及
6.执行多个禁忌搜索算法来优化所述初始策略，所述禁忌搜索算法包含以下之一：
7.将当前策略中一个或多个选定的优先路线划分为两个新的优先路线；
8.针对当前策略中一个或多个选定优先路线，将枢纽点集合从两个路线中的一个优先路线移动至两个路线中的另一个优先路线，并在两个路线中的优先路线之间交换枢纽点；以及
9.针对当前策略中具有中途枢纽点的间接优先路线中的多条选定优先路线，将所述间接优先路线划分为未包含中途枢纽点的多条缩短优先路线，并对所述一个或多个选定优先路线，执行上述将枢纽点集合从两个路线中的一个优先路线移动至两个路线中的另一个优先路线，并在两个路线中的优先路线之间交换枢纽点的步骤，并且其中各对选定优先路线组合包括缩短优先路线。
10.优选地，所述优先物料调度是需要在当前时间进行运输的物料调度，所述非优先物料调度是可在未来时间进行运输的物料调度。
11.优选地，在将非优先物料调度加入当前任务之前，根据优先级逆向排序优先路线，如果有相同优先级的优先路线，便根据满载率逆向排序；并且根据所述排序，选择优先路线，以加入非优先物料调度任务。
12.优选地，所述将当前策略中一个或多个选定的优先路线划分为两个新的优先路线，进一步包括：
13.针对各条优先路线，确定与所述优先路线的划分相关的节省距离；根据节省距离
的逆向排序的划分；根据排序后的顺序选择第一子划分以进行估计；
14.根据所选定的子划分，临时将该优先路线划分为两个新优先路线，将多个非优先物料调度加入两个或多条优先路线中，所述非优先物料调度位于两个优先路线的邻域中，如果在加入非优先物料调度之后，两个新优先路线由于所述划分而使所有优先路线的单位成本被优化，则接受本次划分，否则丢弃所述划分，选择下一项子划分来进行估计。
15.优选地，所述针对当前策略中一个或多个选定优先路线，将枢纽点集合从两个路线中的一个优先路线移动至两个路线中的另一个优先路线，并在两个路线中的优先路线之间交换枢纽点，进一步包括：
16.针对所选择的优先路线组合，确定优先路线之间的移动与交换任务的四元组，移动任务的四元组表示所述路线组合的第一优先路线、所述路线组合的第二优先路线、要移动的第一优先路线的枢纽点集合、以及要将所述枢纽点集合加入所述第二优先路线的位置，并且交换任务的四元组表示所述路线组合的第一优先路线、所述路线组合的第二优先路线、所述第一优先路线的第一枢纽点集合、以及要与所述第一枢纽点集合交换的第二优先路线的第一枢纽点；
17.确定与每个四元组相关的节省距离；根据节省距离逆向排序四元组；根据排序后的顺序选择第一个四元组以进行估计；临时地执行与所选定的四元组相关联的移动或交换任务，以生成两个新的优先路线，而如果两个新优先路线由于本次移动或交换任务而使所有优先路线的单位成本被优化，便接受本次移动或交换任务，否则丢弃本次移动或交换任务且选择下一四元组来进行估计。
18.优选地，确定与每个优先路线相关联的目的地距离；仅针对具有超过预定阈值的相关联的目的地距离的优先路线组合来确定四元组。
19.本发明相比现有技术，具有以下优点：
20.本发明提出了一种用于立体仓库的物料调度控制方法，在立体仓库的物料调度过程中，根据实际运输需求的变化来自适应地扩展vrp求解策略，以更高的效率得到最优解。
附图说明
21.图1是根据本发明实施例的用于立体仓库的物料调度控制方法的流程图。
具体实施方式
22.下文与图示本发明原理的附图一起提供对本发明一个或多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或所有细节也可以根据权利要求书实现本发明。
23.本发明的一方面提供了一种用于立体仓库的物料调度控制方法。图1是根据本发明实施例的用于立体仓库的物料调度控制方法流程图。
24.本发明采用根据优先级调度货物运输路线的方法，包括首先确定初始策略，解决利用多个车辆将多个物料调度到多个地点的优化问题，该初始策略包括设定多个路线，以使所有路线的总成本最小化，所述初始策略不依赖物料的优先级而生成。
25.如果一个物料调度任务必须立即执行，则该物料调度任务称为优先的；否则，该物料调度任务则被称为非优先的。如果一个路线包含优先物料调度，该路线称为优先的。
26.将多个非优先物料调度加入当前策略中的多条优先路线的各个路线中，非优先物料调度位于所述优先路线的邻域中，所述优先路线为包含优先物料调度的路线。所述路线的邻域被定义为目的地位于该路线的目的地的最大邻接距离内的物料调度任务或路线。执行多个禁忌搜索算法，优化所述初始策略，所述禁忌搜索算法包含以下之一：(a)将当前策略中多条选定优先路线的每个路线划分为两个新的优先路线；(b)针对当前策略中多条选定优先路线的各个路线，将枢纽点集合从两个路线中的一个优先路线移动至两个路线中的另一个优先路线，和/或在两个路线中的优先路线之间交换枢纽点；以及(c)针对当前策略中具有中途枢纽点的多条间接优先路线，将其划分为未包含中途枢纽点的多条缩短优先路线，并对多条选定优先路线执行如(b)所述的过程，而各条选定优先路线组合包括缩短优先路线。
27.在特定实施例中，对于考虑物料调度优先级的优化后的策略，能够更好地指示多个优先物料的相对完整的路线。该策略可被视为对于多阶段vrp的第一级近似策略。优选地，使用多个禁忌搜索算法来识别该问题的策略。禁忌搜索算法简单有效，并且可在合理的时间范围内，对大规模的实际物流问题提供更优的策略。
28.本发明通过仅解决现在时段的vrp，来得到上述多个时段的vrp近似解。立体仓储物流系统设计目标为，优先路线的单位成本最小化，以及有效路线的总运输量最大化。根据本发明所解决的所述问题即为上述包含优先级约束的vrp。
29.在初始阶段，确定使用代表待运输物料的信息，根据运输物料信息生成基本vrp的初始策略。初始策略包括所有的物料调度而不考虑优先级。初始策略将问题空间中的所有物料调度为均等，即无论是优先物料调度还是非优先物料调度。确定初始策略执行多个计算的参数。在建模阶段，执行未来调度任务计算，在优先路线的邻域中用未来调度任务来填充各条优先路线。优选地，如果该初始策略包含所有物料调度，则该未来调度任务计算可通过将某些非优先物料调度从非优先路线移动至非满载的优先路线，进而使所有运输路线的总成本最小化。
30.在一个实施例中，将未来调度任务加入与一个当前策略相关的优先路线时，首先在当前策略中，根据优先级来排序所有优先路线，并根据满载率递减的顺序在所述优先级中排序所有优先路线，用于允许以物料调度来填充最重要且最满载的优先路线。
31.选择排序后的第一个优先路线，利用最大邻接距离参数来确定其邻域，并确定目的地均位于该优先路线的目的地的最大邻接距离内的所有未来调度任务，以及尚未位于优先路线中的物料调度。根据优先级的递减来排序未来调度任务，根据增距比例的递增和满载率的递减来排序。所述增距比例是指特定的枢纽点加入新的物料调度后，路线距离增加的比率。
32.选择第一个未来调度任务，并将未来的物料调度加入到优先路线中。如果所加入的任务未将总成本增加最大允许阈值参数的数值，则接受本次加入的任务。
33.如果需要考虑另一个优先路线，则重复进行上述步骤的计算，直到所有优先路线均被考虑为止。
34.在改进阶段中，可执行多个禁忌搜索算法来改进初始策略。禁忌搜索算法开始于
成功的策略立体仓库，然后使用改进过程在所述策略的邻域来搜索一个更好的策略。只要存在改进的策略，则立即被采用，然后重复其邻域的搜索，以求取新的策略。当达到一个局部优化条件时，该禁忌搜索算法将停止。
35.优选地，在改进阶段中，执行多个下列禁忌搜索算法之一：(1)划分优先路线：如果在优先路线的邻域有足够的未来调度任务可供生成两个有效路线，则将一个优先路线划分成为两个路线；(2)优先路线优化：将枢纽点集合从一个路线移动到另一路线，或交换两个路线间的枢纽点，移除未来调度任务以为优先物料调度提供空间，或增加未来调度任务来填充优先路线)；以及(3)重新优化优先路线：将一未满载优先路线分段为一组缩短路线，并将重新优化后的优先路线应用于新路线以及所有其他优先路线。
36.对于所述划分优先路线的计算，各个划分优先路线针对一个优先路线来执行。首先划分最重要且最满载的优先路线。一旦已经在现在最优策略中将划分优先路线计算应用于所有优先路线，则选择一个新的最优策略。
37.同样地，根据策略描述程序或其他适当指令，在现在最优策略下，对于所述优先路线优化的计算，各个优先路线优化计算系针对单一优先路线组合来执行。一旦在当前最优策略中，优先路线优化计算已被运用到所有适合的优先路线，将选择一个新的最优策略。
38.同样地，对于所述优先路线重新优化的计算，各个优先路线重新优化计算针对一个优先路线来执行。根据优先级应用于优先路线，以使最重要且最满载的优先路线首先被中断。当在现在最优策略中，优先路线重新优化被应用于所有优先路线时，将选择一个新的最优策略。
39.其中，在将优先路线划分为多个新的优先路线时，首先确定三个参数，最小满载率、最大邻接距离、以及最大增距比例。所述最小满载率参数用于定义路线是否有效。最大邻接距离以及最大增距比例则是在优先路线被划分之后，用来进行未来调度任务的计算。然后，在当前策略下，根据优先级来排序搜索所有优先路线，并根据满载率的递减来排序搜索所有优先路线。选择具有多个枢纽点并且满载率大于所述最小满载率的第一优先路线。
40.优选地，如果该路线有n个枢纽点，仅考虑将优先路线划分为各枢纽点(1,2,...k)以及(k+1,...,n)的两个路线的子划分。即存在n-1个子划分。对于枢纽点k的子划分来说，该子划分的距离节省可如下计算：
41.dis
save
＝dis(trk,tr
k+1
)
42.其中dis
save
表示节省的距离，trk,tr
k+1
分别为第k个与第k+1个枢纽点的位置，dis()为两参数之间的距离。
43.根据节省距离来排序所有n-1个可能优先路线的子划分。通过计算优先路线的邻域中的所有未来调度任务来估计是否存在子划分能生成两个有效路线。导致无效路线的任何子划分则会被丢弃。
44.从所有子划分中选择具有最大节省距离dis
save
的第一子划分，以使优先路线划分成两个新的路线，并使用具有所述最大邻接距离和最大增距比例参数进行未来调度任务计算，以利用未来调度任务来填充划分后的两个新路线。
45.如果两个新路线的满载率均大于所述最小满载率，且所有优先路线的单位成本被减少，则接受与子划分相关的所有修正。否则，丢弃本次修正，然后将进入下一子划分，直到遍历所有的子划分为止。其中所述单位成本表示为在每一满载率单位的每一距离单位下的
成本。
46.其中，在计算优先路线优化时，方法包括移动子步骤，以使枢纽点集合从一个优先路线移动到另一个优先路线，或交换子步骤，以交换两个优先路线之间的枢纽点，还包括移除未来调度任务以生成未来调度任务的空间，或增加未来调度任务以填充优先路线。
47.所述移动子步骤通过一个四元组(a,b,s,p)来表示，其中s为要在路线b的位置p上加入的路线a的枢纽点集合。交换子步骤通过一个四元组(a,b,s1,s2)来表示，其中s1是要与路线b的枢纽点集合s2交换的路线a的枢纽点集合。
48.其中，在将优先路线进行优化时，首先确定以下参数：最大邻接距离、最大增距比例、最大目的地距离、最小满载率、以及最小节省距离参数。然后选择第一对优先路线，称为路线a和b。如果目的地距离大于所述最大目的地距离参数，则丢弃两个优先路线。否则，针对两个优先路线之间的所有可能移动以及交换子步骤生成所述四元组。通过计算在两个优先路线邻域中所有未来调度任务来估计是否存在其他子步骤可生成两个有效路线。针对根据上述划分优先路线计算所得到的节省距离，针对所有路线组合排序所有的四元组。
49.选择具有最大节省距离的四元组，根据最大节省距离对两个路线执行修正以生成两个新路线。如果两个新路线的满载率均超过最小满载率且所有优先路线的单位成本均被降低，将接受与所述子步骤相关的所有修正；否则，回退上述子步骤，并进行下一个四元组。
50.为将未满载的多个枢纽点的优先路线分段成一组直接的优先路线，并将优先路线优化的计算应用于新的直接优先路线以及所有其他优先路线，在当前策略中，根据优先级排序所有的优先路线，并根据满载率的逆向排序所有优先路线，然后选择具有多个枢纽点并其满载率大于最小满载率的第一优先路线。将该优先路线划分为直接优先路线s集合，针对集合s中各个直接优先路线，使用直接该优先路线作为根源，对未包含于集合s中的所有优先路线生成四元组，优先路线重新优化计算类似于上述优先路线优化计算继续进行操作。
51.通过计算与四元组相关的优先路线组合的邻域中所有未来调度任务来估计是否可能生成两个有效路线，并丢弃造成无效路线的四元组。选择具有最大节省距离的四元组，并进行修正以生成两个新路线。如果不满足预设容量限制，则将从两个新路线中移除所有未来调度任务，然后使用未来调度任务计算过程，利用未来调度任务填充两个新路线。如果并满足预设容量限制，将直接判断两个新路线的满载率是否超过最小满载率，并且所有优先路线的单位成本是否均被减少，若是，则接受与该子步骤相关的所有临时修改。若否，当前子步骤被拒绝，丢弃临时修改，并尝试处理下一个四元组。
52.优选地，如果接受与该子步骤相关的所有临时修改，即路线a与b被改变为路线a'与b'，则丢弃包含a或b的所有剩余的四元组，然后再次排序优先路线。
53.根据本发明的另一方面，对物料调度路线进行优化之后，重新估计调度策略的运行效能。包括：接受用户所输入的物料的待调度数量、时间约束及成本约束；将待调度数量应用于物流网络的第一最优路线；根据所述待调度数量、时间约束及成本约束，计算当前物料在该物流网络的第一最优路线中运输的第一成功概率；若第一最优路线处于失效状态，则将该待调度数量应用于物流网络的第二最优路线，并计算当前物料于在物流网络的第一最优路线中运输的第一失效概率；根据该待调度数量、时间约束及成本约束，计算该物料在该物流网络的第二最优路线中运输的第二成功概率；将第一成功概率、第一失效概率和第
二成功概率通过预设计算过程整合为该物流网络的物料调度成功概率，并将其作为立体仓储物流系统的运行效能。
54.其中将待调度数量应用于最优路线的步骤包括，确定该物流网络的多个最优路线，其中最优路线是立体仓库至目的地之间的多个优先路线段的有序集合，并且没有任何循环；计算每一个最优路线的流量；并将每个最优路线的流量转换成每个优先路线段当前的满载率。
55.其中，计算每个最优路线的流量的步骤包括，对该最优路线的每个优先路线段提供前置时间；利用调度时间小于或等于时间约束的目标函数，求解该最优路线的流量，其中该调度时间等于待调度数量除以该最优路线的流量的结果加上多个前置时间的总和；并当最优路线的流量小于最优路线的容量约束时，判断该最优路线存在优化向量。
56.其中计算成功概率的步骤包括，根据待调度数量、时间约束和成本约束，以及每个最优路线传送待调度数量的调度时间小于或等于时间约束的目标函数，求取该最优路线的每个优先路线段在每单位时间内所传送的最大运输量；
57.将每个最优路线的多个优先路线段的多个满载率组成满载向量，多个满载率的数值设置为随机的变化，以对应立体仓储物流系统的流量分布状态；执行成本检查，以检查每个最优路线传送待调度数量的调度成本是否超过成本约束；在每个最优路线的调度成本小于或等于成本约束，并且调度时间小于或等于时间约束时，计算该物流网络的任一路线的满载向量大于或等于多个最优路线的优化向量的概率，并将所述概率定义为物流网络的成功概率。
58.其中成本检查的过程包括，计算最优路线传送待调度数量的物料时的调度成本；比较调度成本与成本约束的数值；根据调度成本与成本约束的大小关系，判断该最优路线是否存在优化向量。
59.在建立上述物流模型之后，本发明优选地使用人工蜂群算法，根据蜂群的信息素浓度自适应调节搜索跨度，促使算法较快地收敛至全局最优解，增强算法的寻优能力。
60.首先根据蜂群的信息素浓度动态地调节搜索跨度，然后在自适应搜索跨度的引导下更新蜂群位置，同时提高了算法的全局和局部搜索最优解的能力，详细步骤如下。
61.步骤a1：初始化参数和蜂群的位置。将一个蜜蜂个体映射为一个解。设置蜂群的规模n、算法的最大世代数g、蜂群的初始位置(x
axis
，y
axis
)和蜂群的信息素浓度。
62.x
axis
＝rand()
63.y
axis
＝rand()
64.其中，rand()表示[0，1]的随机数。
[0065]
步骤a2：更新搜索跨度，根据信息素浓度动态地修正第i个蜜蜂的搜索跨度vi。
[0066]
当tastei≥taste
avg
时:
[0067]vi
＝v
2-[(v
2-v1)(taste
i-taste
avg
)]/taste
max-taste
avg
()
[0068]
当tastei＜taste
avg
时:
[0069]vi
＝v2[0070]
其中，vi和tastei分别为第i个蜂群的跨度和信息素浓度。v1和v2分别为搜索跨度变化范围的边界值。taste
avg
和taste
max
分别为种群中信息素浓度的均值和最大值。
[0071]
算法初始阶段，蜂群距离最优解较远，信息素浓度较小，此时，搜索跨度应较大，促
使蜂群快速地向食物移动，从而提高算法的搜索速度和全局寻优能力。随着算法的演化迭代，蜂群逐渐集中在最优解附近，搜索跨度应逐步减小，从而提高算法的收敛精度和局部寻优能力。
[0072]
步骤a3：更新蜂群位置。在搜索跨度vi的引导下，动态更新第i个蜜蜂的位置(xi，yi)：
[0073]
xi＝x
axis
+vi[0074]
yi＝y
axis
+vi，
[0075]
步骤a4：计算信息素浓度参数。信息素浓度参数si为蜂群距离最优解的值，蜂群和原点距离值为diti为
[0076][0077]
si＝1/diti[0078]
步骤a5：计算信息素浓度。信息素浓度函数tastei表示蜂群寻优的效果，将物流网络的上述目标函数min作为信息素浓度函数。
[0079]
步骤a6：确定最优蜂群，根据步骤a5的结果，搜索当前种群中拥有最小信息素浓度值的蜂群，并将该蜂群作为最优蜂群。
[0080]
[optitaste，optiindex]＝min[tastei()]，
[0081]
步骤a7：记录最优解信息，根据步骤a6的结果，记录最优蜂群的信息素浓度值和位置。
[0082]
tasteopti＝optitaste，
[0083]
x
axis
＝x(optiindex)，
[0084]yaxis
＝y(optiindex)，
[0085]
步骤a8：当算法演化至指定的世代数时，算法结束，输出结果。否则，重复步骤a3-a6。
[0086]
综上所述，本发明提出了一种用于立体仓库的物料调度控制方法，在立体仓库的物料调度过程中，根据实际运输需求的变化来自适应地扩展vrp求解策略，以更高的效率得到最优解。
[0087]
显然，本领域的技术人员应该理解，上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行。这样，本发明不限制于任何特定的硬件和软件结合。
[0088]
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或这种范围和边界的等同形式内的全部变化和修改例。