一种立体仓库货位分配方法及系统

1.本发明涉及立体仓库货位分配技术领域，具体为一种立体仓库货位分配方法及系统。


背景技术：

2.随着电子商务和信息化时代的到来，消费者群体对货品质量和物流水平的需求不断提高，市场竞争愈发激烈，这对物流企业有了更高的要求，仓储管理在物流管理中占据着核心地位，而其中货位分配环节更是起着关键作用。在传统的人工存储仓库中，货位分配混乱，作业效率低、成本高、具有一定风险性。虽然部分大型企业已经意识到这种问题，建立了自动化立体仓库，但是采用的是仍然是随机存储策略，不能较好地解决上述问题。因此，结合产品本身的特点和存储要求，确定高效的货位分配优化方法具有较大的现实意义。
3.国内外学者对货位分配优化问题进行了大量深入研究。唐文献等人针对船舶企业物料特点构建多目标优化模型，开发了细菌觅食求解算法求解，优化效果显著，具有重大的理论和实践意义。pang等人通过分析客户订单中产品间的关联，建立优化目标是最小化存放和拣选订单操作的总路径，以此提高仓储作业效率。yang等人通过考虑coi系数，来区分货物出入库频率差异，并用聚类算法来分配货物，实现了优化目标。yang等人研究多穿梭机自动存储位置分配的问题，设计出一种求解整数规划模型的改进禁忌搜索算法，结果表明该改进算法得到的方案更具优势。
4.现有文献很少考虑到结合货物特点和存储要求去确立货位分配优化目标，对于较大较重产品(如家电产品)的货位分配研究更是缺乏。如果不结合货物特点进行货位分配，在仓储空间利用会出现不合理现象、会造成资源浪费、成本增加等局限。
5.综上，现有技术的缺点主要体现在两点：(1)重点强调货物出入库效率、减少能耗，未考虑随着货物的出入库，货架整体的重心发生偏移，给货架稳定性带来的冲击。(2)过分强调货位分配优化算法的改进，而忽视了货位分配优化本身是否能解决社会实际问题。


技术实现要素：

6.针对家电产品体积大、重量大、易破损、更新快的特点和同产品批量存储的要求，从货架重心偏移的角度，本发明提出了一种立体仓库货位分配方法及系统，解决了较大较重货物货位分配不合理、货架不稳定等问题。
7.本发明提供了一种立体仓库货位分配方法，包括以下步骤：
8.根据待分配货物的存取频率，建立立体仓库中待分配货物的出入库效率函数及其约束条件；
9.建立立体仓库中的货架在存储货物后的重心偏移值函数及其约束条件；
10.根据待分配货物的类别，建立货架上所存储的同一类货物的货位中心贴合性函数及其约束条件；
11.将立体仓库中待存储的货物的各项数据输入到各个函数中，计算出入库效率、重
心偏移值、货位中心贴合性的实际值，并利用遗传算法求解，得到出入库效率、重心偏移值、货位中心贴合性的最优值；
12.分别计算出入库效率、重心偏移值、货位中心贴合性的实际值与其最优值之间的距离，确定各个函数的评价函数，将各个评价函数加权得到适应度函数；
13.将待分配货物的各项数据输入到适应度函数中，利用遗传算法求解，得到货物的分配存储位置。
14.进一步地，所建立的所述立体仓库中待分配货物的出入库效率函数及其约束条件为：
[0015][0016]
其中，(x.y,z)为货物的存储货位；
[0017]
x为立体仓库中第x排货架；
[0018]
y为立体仓库中第y列货架；
[0019]
z为立体仓库中第z层货架；
[0020]
v1为堆垛机沿x方向、y方向运行的平均速度；
[0021]
v2为堆垛机沿z方向运行的平均速度；
[0022]
l为每个货位的可用长度、宽度；
[0023]
h为每个货位的可用高度；
[0024]
i为第i个货物,i＝1,2,3,...i
max
；i
max
为每个货架上所能承受货物的最大数量；
[0025]ri
为第i个货物的存取频率；
[0026]do
为立体仓库中暂存区到货物原点的距离；
[0027]
δd为相邻过道中心线之间的距离；
[0028]
δd
x
为货物原点到待存放货架的距离；
[0029]
当x为奇数时，δd
x
＝x
·
δd/2；当x为偶数时，δd
x
＝(x-1)
·
δd/2。
[0030]
进一步地，所述建立立体仓库中货架在存储货物后的重心偏移值函数及其约束条件，包括：
[0031]
建立所述货架在z方向的现重心的数学表达式为：
[0032][0033]
建立所述货架在y方向上的现重心的数学表达式为：
[0034][0035]
建立所述货架在x方向上的现重心的数学表达式为：
[0036][0037]
其中，mi为第i个货物的单位质量；
[0038]
b为货架沿y方向的总列数；
[0039]
依据所述货架的先重心与原空置货架重心之间的货架重心偏移值，建立货架在存储货物后的重心偏移值函数及其约束条件，如下：
[0040][0041]
其中，每个所述货架上所存储的货物的重量之和小于或等于每个货架所能承受的最大重量。
[0042]
进一步地，所建立的所述货架上所存储的货物的货位中心贴合性函数及其约束条件为：
[0043][0044]
其中，(ej,gj,qj)为货架上同一类货物的中心货位坐标；
[0045]
j为货物的类别，1≤j≤3。
[0046]
进一步地，所述待分配货物的各项数据，包括：待分配货物的重量、存取频率、初始货位、货物类别、各类货物的货位中心，以及立体仓库的货架长、宽度和高度，以及堆垛机运送货物的行驶水平速度、竖直速度。
[0047]
进一步地，所述将各个评价函数加权得到适应度函数，所得到适应度函数的表达式为：
[0048][0049]
其中，分别为各个评价函数的权重，且
[0050]
f1(x,y,z)
best
为待分配货物的出入库效率函数的最优值；
[0051]
f2(x,y,z)
best
为货架在存储货物后的重心偏移值函数的最优值；
[0052]
f3(x,y,z)
best
为货架上所存储的货物的货位中心贴合性函数的最优值；
[0053]
x＝1,2,......,a，y＝1,2,......,b，z＝1,2,......,c；
[0054]
a为货架沿x方向的总排数；c为货架沿z方向的总层数。
[0055]
本发明还提供一种立体仓库货位分配系统，包括：
[0056]
出入库效率模型构建模块，用于根据待分配货物的存取频率，建立立体仓库中待分配货物的出入库效率函数及其约束条件；
[0057]
重心偏移模型构建模块，用于建立立体仓库中的货架在存储货物后的重心偏移值
函数及其约束条件；
[0058]
中心贴合性模型构建模块，用于根据待分配货物的类别，建立货架上所存储的同一类货物的货位中心贴合性函数及其约束条件；
[0059]
最优值求解模块，用于将立体仓库中待存储的货物的各项数据输入到各个函数中，计算出入库效率、重心偏移值、货位中心贴合性的实际值，并利用遗传算法求解，得到出入库效率、重心偏移值、货位中心贴合性的最优值；
[0060]
适应度模型构建模块，用于分别计算出入库效率、重心偏移值、货位中心贴合性的实际值与其最优值之间的距离，确定各个函数的评价函数，将各个评价函数加权得到适应度函数；
[0061]
分配结果获取模块，用于将待分配货物的各项数据输入到适应度函数中，利用遗传算法求解，得到货物的分配存储位置。
[0062]
与现有技术相比，本发明的有益效果：
[0063]
本发明针对家电产品的特点和存储要求，在传统货架稳定性函数的基础上考虑到货架在x方向、y方向上的稳定，提出了货架重心偏移值函数，同时以货物出入库效率和同产品批量存储为目标分别建立待分配货物的出入库效率函数、货位中心贴合性函数；并采用遗传算法求解各个目标函数的货位分配方案的最优解。并通过设计对比实验，验证了在解决本文问题上ga算法的优化效果和寻优速度更具优势，其有效地提高了货架稳定性、仓储作业效率。
附图说明
[0064]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0065]
图1是本发明提出的一种立体仓库货位分配方法的流程示意框图；
[0066]
图2是本发明提出的一种立体仓库货位分配方法的实施例中的某家电公司立体仓库的平面布局图；
[0067]
图3是本发明提出的一种立体仓库货位分配方法的实施例中的遗传算法求解流程图；
[0068]
图4是本发明提出的一种立体仓库货位分配方法的实施例中的采用遗传算法进行仿真实验前的初始货物存储位置示意图；
[0069]
图5是本发明提出的一种立体仓库货位分配方法的实施例中的采用遗传算法优化后货物存储位置示意图；
[0070]
图6是本发明提出的一种立体仓库货位分配方法的实施例中的采用遗传算法时，适应度函数随迭代次数变化示意图；
[0071]
图7是本发明提出的一种立体仓库货位分配方法的实施例中的采用dpso算法进行仿真实验前的初始货物存储位置示意图；
[0072]
图8是本发明提出的一种立体仓库货位分配方法的实施例中的采用dpso算法进行仿真实验优化后货物存储位置示意图；
[0073]
图9是本发明提出的一种立体仓库货位分配方法的实施例中的采用dpso算法时，适应度函数随迭代次数变化图；
[0074]
图10是本发明提出的一种立体仓库货位分配方法的实施例中的采用遗传算法对三个子目标和总目标函数的优化效果示意图；
[0075]
图11是本发明提出的一种立体仓库货位分配方法的实施例中的采用dpso算法对三个子目标和总目标函数的优化效果示意图；
[0076]
图12是本发明提出的一种立体仓库货位分配方法的实施例中的采用遗传算法对三个子目标和总目标函数的迭代图；
[0077]
图13是本发明提出的一种立体仓库货位分配方法的实施例中的采用dpso算法对三个子目标和总目标函数的迭代图。
具体实施方式
[0078]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0079]
如图2的平面布局图所示，某家电公司立体仓库由中低层背靠背货架、入(出)库工作台、计算机信息系统等组成。目前该仓库主要依据操作人员的经验进行货物存储，对产品的出入库频率、关联性等考虑较少，且入库时仅对当前批次产品遵循上轻下重原则，但由于之前多次进行出入库作业、货位不断的地闲置再填补上，就货架整体而言，并未完全遵循上轻下重原则，货架有损坏或倾覆的危险性，造成了该仓库货物存储混乱、作业效率低、成本增加等局限。因此，本发明考虑到家电类产品的特点和存储要求，以提高货物出入库能耗、缩减货位重心偏移值、同产品批量存储作为优化目标对问题进行研究。
[0080]
本发明中提出一种立体仓库货位分配方法及系统，为了便于本发明中的数学模型的建立和求解，在了解立体库各主体之间实际运行情况的基础上，对数学模型做出如下假设：
[0081]
(1)立体仓库中所有中低层货架的规格一样，即每个货架上的每个货位尺寸一致；
[0082]
(2)堆垛机沿x、y方向均以平均速度v1行驶到指定位置，在z方向以平均速度v2运行，不考虑其在出发/停止过程中加减速度；
[0083]
(3)用三维坐标(x,y,z)表示立体仓库中的货位；
[0084]
(4)相邻货架间的距离一样，生成聪明矩阵；
[0085]
(5)相邻货位间所用的货架材料厚度不计；
[0086]
(6)在计算货架三维重心时，不考虑首尾单排货架，主要考虑中间背靠背货架。
[0087]
实施例1
[0088]
如图1所示，货位分配优化的目标是为了解决家电产品自动化立体仓库现存在问题，在上述相关的实体参数设置都明确之后，建立各目标的数学模型和约束条件，本发明所提供一种立体仓库货位分配方法，具体包括以下步骤：
[0089]
步骤s1：根据待分配货物的存取频率，建立立体仓库中待分配货物的出入库效率函数及其约束条件；
[0090]
步骤s2：建立立体仓库中货架在存储货物后的重心偏移值函数及其约束条件；
[0091]
步骤s3：根据待分配货物的类别，建立货架上所存储的同一类货物的货位中心贴合性函数及其约束条件；
[0092]
步骤s4：将立体仓库中待存储的货物的各项数据输入到各个函数中，计算出入库
效率、重心偏移值、货位中心贴合性的实际值，并利用遗传算法求解，得到出入库效率、重心偏移值、货位中心贴合性的最优值；
[0093]
步骤s5：分别计算出入库效率、重心偏移值、货位中心贴合性的实际值与其最优值之间的距离，确定各个函数的评价函数，将各个评价函数加权得到适应度函数；
[0094]
步骤s6：将待分配货物的各项数据输入到适应度函数中，利用遗传算法求解，得到货物的分配存储位置。
[0095]
在步骤s1中，依据家电产品以往的销售情况，同时结合当季市场需求情况，确定待分配货物的存取频率。将当季畅销产品尽量存放在距离出货区较近的位置，非畅销产品存放在距离出货区较远的位置。通过这种合理高效的货位分配方式，有效提高货物的出入库效率。
[0096]
则本发明中根据待分配货物的存取频率，所建立的立体仓库中待分配货物的出入库效率函数及其约束条件为：
[0097][0098]
其中，(x.y,z)为货物的存储货位；
[0099]
x为立体仓库中第x排货架；
[0100]
y为立体仓库中第y列货架；
[0101]
z为立体仓库中第z层货架；
[0102]
v1为堆垛机沿x方向、y方向运行的平均速度；
[0103]
v2为堆垛机沿z方向运行的平均速度；
[0104]
l为每个货位的可用长度、宽度；
[0105]
h为每个货位的可用高度；
[0106]
i为第i个货物,i＝1,2,3,...i
max
；i
max
为每个货架上所能承受货物的最大数量；
[0107]ri
为第i个货物的存取频率；
[0108]do
为立体仓库中暂存区到货物原点的距离；
[0109]
δd为相邻过道中心线之间的距离；
[0110]
δd
x
为货物原点到待存放货架的距离；
[0111]
当
x
为奇数时，δd
x
＝x
·
δd/2；当x为偶数时，δd
x
＝(x-1)
·
δd/2。
[0112]
在步骤s2中，当立体仓库中所存储的货物为家电产品时，因家电产品具有体积大、重量大、易破损、更新快特点和同产品批量存储的要求，对此类仓库货位分配时需考虑货架的安全性，确保仓储安全是完成各项作业的重要基础。
[0113]
立体仓库中空置货架原先具有一个稳定的重心，随着货物存放在货架上，整个货架的重心发生了改变，把现货架重心和原空置货架重心之间的距离称为货架重心偏移值，则货架重心偏移值越小，货架越安全。
[0114]
假设仓库有k个物体，重量分别记为m1,m2,......,mk，且分别位于j1,j2,......,jk处，则货架在垂直方向的重心o
垂直
可表示为：
[0115][0116]
将公式(2)应用于本发明中，第i个货物的质量记为mi，存放在货位(x,y,z)上，每个货位的高度记为h，则货架在z方向的现重心的数学表达式为：
[0117][0118]
计算出货架在z方向上的重心，还需要考虑货架在y方向上的稳定性，即在y方向上货架两边的重量应该保持平衡。货架在y方向上的原重心位于处，类比z方向上的建模原理，则货架在y方向上的现重心的数学表达式为：
[0119][0120]
计算出货架在y方向上的重心，还需要考虑货架在x方向上的稳定性，即在x方向上货架两边的重量应该保持平衡。每个货架在x方向上的原重心位于l处，类比z方向上的建模原理，则货架在x方向上的现重心的数学表达式为：
[0121][0122]
其中，mi为第i个货物的单位质量；b为货架沿y方向的总列数；
[0123]
原空置货架的重心位于利用上述公式(3)、(4)、(5)分别计算出货物存放在货架后，货架在z方向、y方向、x方向上的现重心，将现货架重心和原空置货架重心之间的距离称为货架重心偏移值；
[0124]
依据货架的先重心与原空置货架重心之间的货架重心偏移值，则建立的货架在存储货物后的重心偏移值函数及其约束条件，如下：
[0125][0126]
其中，每个货架上所存储的货物的重量之和小于或等于每个货架所能承受的最大重量。
[0127]
在步骤s3中，为了方便存取货物，可以把同一类货物存储在货架上相互靠近的位置。因此，在产品入库时，在合理的范围内确定每一类货物的中心货位坐标(ej,gj,qj)，等到
同种产品入库时，优先存放在该种产品中心货位坐标附近，从而实现分类堆放，方便仓储人员对产品的查找与拣选。
[0128]
则所建立的货架上所存储的货物的货位中心贴合性函数及其约束条件为：
[0129][0130]
其中，(ej,gj,qj)为货架上同一类货物的中心货位坐标；
[0131]
j为货物的类别，1≤j≤3。
[0132]
在步骤s4中，待分配货物的各项数据，包括：待分配货物的重量、存取频率、初始货位、货物类别、各类货物的货位中心，以及立体仓库的货架长、宽度和高度，以及堆垛机运送货物的行驶水平速度、竖直速度。
[0133]
由于待分配货物的出入库效率函数、重心偏移值函数、货位中心贴合性函数的量纲不同，直接使用权重法简化该多目标函数可能会弱化某一个目标函数值。因此，本发明通过算法先找到每个子目标函数的最优值，分别记为f1(x,y,z)
best
、f2(x,y,z)
best
、f3(x,y,z)
best
，并视作理想点。
[0134]
在步骤s5中，通过计算待分配货物的出入库效率、重心偏移值、货位中心贴合性的实际点与理想点之间的距离，得到各子目标的评价函数，并对每个子目标的评价函数设置一定的权重加权得到本发明算法的适应度函数。
[0135]
将各个评价函数加权所得到的适应度函数为：
[0136][0137]
其中，分别为各个评价函数的权重，且
[0138]
f1(x,y,z)
best
为待分配货物的出入库效率函数的最优值；
[0139]
f2(x,y,z)
best
为货架在存储货物后的重心偏移值函数的最优值；
[0140]
f3(x,y,z)
best
为货架上所存储的货物的货位中心贴合性函数的最优值；
[0141]
x＝1,2,......,a，y＝1,2,......,b，z＝1,2,......,c；
[0142]
a为货架沿x方向的总排数；c为货架沿z方向的总层数。
[0143]
因本发明的货位分配问题是多目标函数组合优化问题，智能算法更适用于解决此类问题。常见的智能算法有模拟退火算法、禁忌搜索算法、遗传算法等，其中：
[0144]
模拟退火算法收敛速度较慢，且适用于解决较小规模问题；
[0145]
禁忌搜索算法的对初始解的依赖较强，寻优能力不好；
[0146]
遗传算法应用范围较为广泛、算法独立于求解域、且遗传算法可以在不确定的空间内寻找最优解、在求解过程中能够防止过早陷入局部极值点，避免了模拟退火算法和禁忌搜索算法在求解问题时的局限。同时，货位分配问题的解集是具有离散性的，因此本文选择遗传算法进行求解。
[0147]
如图3所示，其具体的算法步骤如下：
[0148]
步骤一：输入待分配货物的各项数据，包括：待分配货物的重量mi、存取频率ri、初始货位(x,y,z)、货物类别j、各类货物的货位中心(ej,gj,qj)，以及立体仓库的货架长、宽度
l和高度h，以及堆垛机运送货物的行驶水平速度v1、竖直速度v2。
[0149]
步骤二：初始化遗传算法，设定各项参数，包括：
[0150]
种群规模α、交叉率pc、变异率pm、最大迭代次数λ
max
；
[0151]
步骤三：随机产生初始群体；
[0152]
步骤四：用轮盘赌策略确定个体的适应度，判断是否符合优化准则，若符合，输出最佳个体及其最优解，算法结束，否则，进行下一步；
[0153]
步骤五：依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体被淘汰；
[0154]
步骤六：按照一定的交叉概率和交叉方法，生成新的个体；
[0155]
步骤七：按照一定的变异概率和交叉方法，生成新的个体；
[0156]
步骤八：由交叉和变异产生新一代种群，返回步骤二。
[0157]
实施例2
[0158]
本发明提供一种立体仓库货位分配系统，包括：
[0159]
出入库效率模型构建模块，用于根据待分配货物的存取频率，建立立体仓库中待分配货物的出入库效率函数及其约束条件；
[0160]
重心偏移模型构建模块，用于建立立体仓库中的货架在存储货物后的重心偏移值函数及其约束条件；
[0161]
中心贴合性模型构建模块，用于根据待分配货物的类别，建立货架上所存储的同一类货物的货位中心贴合性函数及其约束条件；
[0162]
最优值求解模块，用于将立体仓库中待存储的货物的各项数据输入到各个函数中，计算出入库效率、重心偏移值、货位中心贴合性的实际值，并利用遗传算法求解，得到出入库效率、重心偏移值、货位中心贴合性的最优值；
[0163]
适应度模型构建模块，用于分别计算出入库效率、重心偏移值、货位中心贴合性的实际值与其最优值之间的距离，确定各个函数的评价函数，将各个评价函数加权得到适应度函数；
[0164]
分配结果获取模块，用于将待分配货物的各项数据输入到适应度函数中，利用遗传算法求解，得到货物的分配存储位置。
[0165]
下面结合具体的实施例对本发明做具体实施方式的说明。
[0166]
1、数据准备
[0167]
通过对某家电公司立体仓库进行数据调研，获取货位分配的相关数据：
[0168]
该仓库中低层货架共10排、9列、6层；
[0169]
相邻过道中心线之间的距离δd为3.6m；
[0170]
堆垛机沿x、y方向运行的平均速度v1为1m/s，沿z方向运行的平均速度v2为1.2m/s；
[0171]
每个货位长度为1.5m，宽度l为1.5m，高度h为1.6m。
[0172]
设置交叉概率pc为0.85，变异概率pm为0.05，种群规模α为150，最大迭代次数λ
max
为500；
[0173]
设置认知系数c1＝2，社会学习系数c2＝2，惯性权重ω的初始值为0.96，粒子个数α＝150，最大迭代次数λ
max
＝500。仓库货物的初始信息下表1所示：
[0174]
表1货物初始信息
[0175][0176]
2、确定适应度函数
[0177]
基于上述数据，采用遗传算法分别对待分配货物的出入库效率函数、重心偏移值函数、货位中心贴合性函数，这三个子目标函数进行优化，得到的f1(x,y,z)
best
、f2(x,y,z)
best
和f3(x,y,z)
best
分别为7719.8667、2.0453、122.3733。将其代入式(8)，得到如下适应度函数：
[0178][0179]
3、问题求解
[0180]
依据上文中的相关数据、算法步骤。
[0181]
运用遗传算法对货位分配优化模型进行求解。
[0182]
经过数次迭代，遗传算法得到的货位分配优化结果见表2。
[0183]
表2遗传算法优化后的货位分配
[0184][0185]
4、性能分析
[0186]
由于货位分配问题的解集具有离散性，而大多智能优化算法不适用于求解目标函数不可导或难求导，因此，本发明选择离散粒子群算法(dpso)进行实验对比，进一步验证遗传算法在求解货位分配问题上的优越性。
[0187]
4.1小规模数据实验
[0188]
(1)遗传算法求解
[0189]
采用遗传算法进行仿真实验，立体库优化前后的货位分配方案分别如图4、图5所示，适应度函数随迭代次数变化如图6所示。对比优化前后货物存储位置可得：相比于初始货物散乱放置，优化后的货物存储的货位更加靠近货架中下层，有效提高了货架的稳定性；且此时总目标函数值为7.2666，相比优化前的26.4329下降了72.5092％；三个子目标函数值优化前后的变化见表3，结果表明经遗传算法优化后，货物的出入库效率提高了44.3318％、货架重心偏移值缩减了85.6464％、同产品批量存储率提高了53.8636％。
[0190]
表3目标函数值优化前后变化
[0191]
目标函数优化前优化后优化率f112810.3677131.344.3318％f269.65139.997585.6464％f3447.5161206.46853.8636％f26.43297.266672.5092％
[0192]
(2)离散粒子群算法dpso求解
[0193]
采用离散粒子群算法dpso进行仿真实验，立体库优化前后的货位分配方案分别如图7、图8所示，适应度函数随迭代次数变化如图9所示。
[0194]
对比优化前后货物存储位置可得：
[0195]
相比于初始货物散乱放置，优化后的货物存储的货位更加靠近货架中下层，有效提高了货架稳定性；
[0196]
且此时总目标函数值为8.2731，相比优化前的14.2573下降了41.9731％；三个子目标函数值优化前后的变化见表5，结果表明经离散粒子群算法dpso优化后，货物的出入库效率提高了33.2509％、货架重心偏移值缩减了71.8018％、同产品批量存储率提高了44.4459％。
[0197]
表4目标函数值优化前后变化
[0198]
目标函数优化前优化后优化率f112810.3678550.833.2509％f269.651319.640471.8018％f3447.5161248.613744.4459％f14.25738.273141.9731％
[0199]
(3)从上述(1)、(2)的仿真结果可知：
[0200]
(ⅰ)遗传算法收敛优化后的适应度函数值为7.2666，优化率为72.5092％，较离散粒子群算法dpso收敛优化后的函数值8.2731，优化率41.9731％，遗传算法的优化效果更好。
[0201]
(ⅱ)经离散粒子群算法dpso、遗传算法收敛优化后的待分配货物的出入库效率函数f1、重心偏移值函数f2、货位中心贴合性函数f3的函数值和优化率如上表3、5所示，显然，遗传算法对各个子目标函数的优化效果更为显著。
[0202]
(ⅲ)比较两种算法迭代图，如图6和图9，得到遗传算法较离散粒子群算法dpso寻优速度更快。
[0203]
综上，遗传算法无论是在总目标函数优化，还是在各个子目标函数优化效果上都比离散粒子群算法dpso更具优势、寻优速度更快。通过性能对比，得出遗传算法更适用于解决本文货位分配问题。
[0204]
4.2大规模数据实验
[0205]
为验证遗传算法具有优势性，现将货品数量依次增加到150个、230个，在matlab软件中，分别使用遗传算法、离散粒子群算法dpso进行求解，依次对比分析两种算法的仿真实验结果。算法的参数设置同4.1。
[0206]
(1)150个货品
[0207]
遗传算法和离散粒子群算法dpso对三个子目标和总目标函数的优化效果如下表5、表6，算法迭代图如图10、图11：
[0208]
表5 ga目标函数值优化前后变化
[0209]
目标函数优化前优化后优化率f133054.46723655.53328.4347％f270.562231.122255.8939％f31164.7459751.804435.4534％f40.753925.668337.0164％
[0210]
表6离散粒子群算法dpso对目标函数值优化前后变化
[0211]
目标函数优化前优化后优化率f133054.46724178.33326.8530％f270.562233.649552.3123％f31164.7459755.818735.1087％f33.943624.320828.3495％
[0212]
综上，可以得出当货品数量增加到150个时，遗传算法对各个子目标和总目标的优化效果仍高于离散粒子群算法dpso，且寻优速度更快，具有优势。
[0213]
(2)230个货品
[0214]
遗传算法和离散粒子群算法dpso对三个子目标和总目标函数的优化效果如下表7、表8，算法迭代图如下图12、图13：
[0215]
表7 ga目标函数值优化前后变化
[0216]
目标函数优化前优化后优化率f165728.03348044.96726.9034％f2134.445975.773943.6399％f32163.86431596.211926.2333％f80.708854.806432.0936％
[0217]
表8 dpso目标函数值优化前后变化
[0218]
目标函数优化前优化后优化率f165728.03350015.33323.9056％f2134.445983.947337.5605％f32163.86431652.321723.6402％f68.085851.279624.6838％
[0219]
综上，可以得出货品数量增加到230个时，遗传算法对三个子目标和总目标函数的优化效果仍高于离散粒子群算法dpso，且寻优能力更强，验证了在求解本文家电类产品货位分配问题上遗传算法较离散粒子群算法dpso更具优势。
[0220]
最后说明的是：以上公开的仅为本发明的一个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。