一种基于AGVs的智能仓储批量分拣优化方法

本发明属于智能仓储调度优化，具体涉及一种基于agvs的智能仓储批量分拣优化方法。

背景技术：

1、仓储是物流管理系统的核心环节之一，全球经济一体化与信息技术的飞速发展迫使仓储在建设准则、实施路径、技术架构等方面都面临着巨大的转型挑战。如何实现物联网、人工智能、大数据分析技术的深度融合，推动商品在仓储物流全生命周期的自动化、智能化、精细化的监控管理与实时决策，从而提高物流效率、降低仓储成本是智能仓储亟待解决的关键问题之一。

2、自动导引小车(automated guided vehicle，agv)是一种自动化物流设备，具有自主行驶、路径规划、物料搬运等功能，为仓储管理降低人力成本、减少货物损坏、提高运输效率、确保安全防控给与必备的支撑，在智能仓储中扮演重要角色。因此各国在当前国际制造业激烈竞争大背景下，力争要用数字技术、智能技术、网络技术改造并提升agv在智能仓储中的应用，实现更加柔性的物流配送，以快速敏捷地响应瞬时多变的市场需求，进而抢占智能仓储转型过程中技术变革与产业变革的制高点。

3、智能仓储由于在需求方面所应对的商品种类多样化，需求批量个性化，订单数量与存取节拍动态变化，导致物流任务到达难以准确预估，分拣配送流程复杂度高，传输路径换线频繁等难题。现有研究的解决方案思路集中体现在以agv为核心，设计可定制的多类资源协同传输顶层物流模式，构建符合实际智能仓储运营环境的agv调度模型，利用数据驱动决策能力设计高效的智能分拣算法，实现虚实交互，实时映射，共生演进的物流配送服务，提升物流配送的稳定性与抗异常干扰能力。

4、发明申请cn115511148a提出了一种基于fcm聚类的烟草线路订单分拣优化方法及系统，基于类内紧凑和类间均衡的两个指导思想下的模型建立，形成了使每个簇内分拣任务尽量紧凑与每个簇之间的分拣量尽量均衡的两个目标函数，并采取专家打分法等方法规定了两个目标的所占权重，形成统一的目标函数，在降低设备中断时间连续出烟的同时也能响应保证簇间工作量尽量均衡，以此均衡配送中心内劳动人员劳动强度。

5、针对智能仓储所面临的货架型号多样、订单提交随机、agv能量受限、行驶路径拥塞等问题，在现有解决方案基础上，进一步构建基于agv的批量分拣模型，深入挖掘仓储订单的特征及订单间的关联关系，从不同角度提出最小化agv行驶距离的智能分拣优化方法。

技术实现思路

1、针对现有技术的不足，本发明以最小化agv行驶路径为优化目标构建符合智能仓储实际运营特点的批量分拣数学模型，通过分析订单特征及订单间关联关系，基于订单内聚度和离散度分别从多个角度设计agv订单智能分拣优化方法，通过减少agv行驶距离提高货物传送效率，降低仓储成本的同时提升资源利用率。

2、本发明的技术方案如下：基于agvs的智能仓储批量分拣模型及方法，包括一个基于agvs的智能仓储批量分拣模型及一种两阶段迭代改进批量分拣优化方法。

3、所述的基于agvs的智能仓储批量分拣模型可描述为：智能仓储由线性排列的多个货架组成，货架号依次递增，有onum个订单{o1,o2,…,oonum}要均等分批装载到vnum台agv上进行运输。任一订单oi可包含一个或多个货物，同一订单的不同货物存放于不同的货架上。每台agv根据其所分配到的订单，到对应货架获取相应的货物，agv的行驶距离是其获取的所有货物中最大货架号与最小货架号的差。为节省agv能耗并提高仓储分拣效率，以最小化所有agv行驶距离为优化目标。

4、

5、

6、

7、

8、

9、

10、公式(1)表示基于agv的批量分拣模型的优化目标，公式(2)所示hi是第i台agv所达最大货架号，公式(3)所示li是第i台agv所达最小货架号，公式(4)中xij为决策变量，当订单oi分配到第j台agv时，xij的值为1，否则为0，公式(5)表示每台agv均等分批的订单数量，公式(6)表示每个订单只能分配给一台agv运输。

11、

12、所述的一种两阶段迭代改进批量分拣优化方法，包括基于贪心策略的动态边界初始解生成阶段和基于订单特征的多角度迭代改进阶段。

13、基于贪心策略的动态边界初始解生成阶段在待分配订单选择具有最小覆盖区间的订单为核心订单，以核心订单的最小货架号和最大货架号为边界，计算其余订单边界相对于核心订单边界的增量，每次选择具有最小增量的订单加入同一agv并对边界进行更新。

14、基于订单特征的多角度迭代改进阶段计算初始解中各agv订单间的内聚度与离散度，依次从局部调整、选择调整、全局调整多个角度对初始解进行迭代改进。局部调整根据每个agv的中心货架号的接近程度对agv聚类，采用基于边界订单交换的邻域算法对聚类后每一组agv集合中的订单进行交换。选择调整考虑每个agv中订单的集中程度，使用最小惩罚值来选出最合适交换的订单同时避免订单离散化。此外基于订单之间的覆盖关系制定订单交换的优先级，交换订单。全局调整以模拟退火为搜索框架，综合利用订单的内聚度与离散度对初始解改进，利用内聚度对agv边界订单进行交换引导初始解逐步向最优解更新；当解陷入局部最优时，设计概率替换策略利用离散度对解空间进行扰动，从而寻求新的有前景的区域。

15、所述的基于贪心策略的动态边界初始解生成阶段具体包括以下步骤：

16、step1.计算每个订单的覆盖区间；

17、step2.设置各agv的分拣任务为空；

18、step3.为第i台agv分配拣货单

19、step4.在待分配订单中选择具有最小覆盖区间的订单omlength；

20、step5.将订单omlength添加至第i台agv的拣货单；

21、step6.获取第i台agv拣货单包含的最小货架号mini和最大货架号maxi；

22、step7.以mini和maxi作为第i台agv拣货单的边界；

23、step8.计算每一待分配订单o与第i台agv拣货单边界的增量δd；

24、step9.将具有最小增量的待分配订单添加至第i台agv拣货单；

25、step10.执行step6和step7更新第i台agv拣货单边界；

26、step11.如果第i台agv拣货单包含订单数量为i＝i+1且i<vnum，执行step3；否则，执行step13；

27、step12.如果agv拣货单包含订单数量少于执行step8；

28、step13.结束分配。

29、初始解生成阶段step8中待分配订单与第i台agv拣货单边界的增量按公式(7-9)进行计算。

30、δd＝δdl+δdr  (7)

31、

32、

33、

34、所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initaldistance后，计算每台agv拣货单的内聚度，第i台agv拣货单的内聚度cohdegreei＝(maxi-mini)/2，局部调整改进策略具体包括以下步骤：

35、step1.improveddistance＝initialdistance；

36、step2.利用k-means基于内聚度将agv聚类为n组，(g1,g2,…,gn)；

37、step3.计算第i组gi中每台agv拣货单的行驶距离，即第i组第j台agv的行驶距离为jdisgi，选取gi中具有最大行驶距离的agv拣货单maxdisgi和具有最小行驶距离的agv拣货单mindisgi；

38、step4.将maxdisgi中具有最大货架号订单与mindisgi中具有最大货架号订单交换，计算交换后两台agv拣货单的行驶距离newmaxdisgi，newmindisgi；

39、step5.如果newmaxdisgi+newmindisgi<maxdisgi+mindisgi，则更新两台agv拣货单，更新improveddistance；否则，执行step6；

40、step6.i＝i+1且i<n，执行step3；否则，结束局部调整。

41、

42、所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initaldistance后，计算每台agv拣货单的离散度，第i台agv拣货单中订单j的离散度第i台agv拣货单的离散度将所有agv按离散度从大到小排序，选择调整改进策略具体包括以下步骤：

43、step1.选定具有最大离散度的agva

44、step2.在剩余agv中选定具有最小离散度的agvb；

45、step3.计算agva与agvb的行驶距离之和distanceab；

46、step4.对于agva中的每一个订单如果使得oa与ob交换后agva与agvb的新行驶距离newdistanceab<distanceab，则将加入的可交换订单候选集

47、step5.对于agva中的每一个订单计算其与agvb的可交换订单候选集中每一个订单的交换成本

48、step6.在agva中选择具有最小交换成本的订单与agvb进行交换，执行step8；

49、step7.如果agva中所有订单与agvb的可交换订单候选集都为空，且剩余未交换agv不为空，则执行step2；

50、step8.结束选择交换。

51、

52、所述的基于订单特征的多角度迭代改进阶段，获取基于贪心策略的动态边界生成的初始行驶总距离initaldistance后，以模拟退火为搜索框架综合利用订单间的内聚度与离散度引导解的搜索方向，在每次迭代后，计算δek＝updatedistance-initaldistance用以衡量当前阶段解改进的优劣，如果改进向好的方向更新，则继续；否则以一定概率考虑改变搜索区域。全局调整改进策略具体包括以下步骤：

53、step1.初始化模拟退火起始温度t，终止温度tmin，改进策略切换概率pswitch；

54、step2.如果t>tmin，随机生成rseitch；否则结束全局改进；

55、step3.如果rswitch<pswitch利用策略1局部改进对解进行更新；否则利用策略2选择改进对解进行更新；

56、step4.计算δek；

57、step5.如果δek<0，更新当前解；

58、step6.如果δek>0，计算调整搜索方向概率且随机取数r∈[0,1)；

59、step7.如果r<p，将当前解替换为搜索后的解；否则，不更新解；

60、step8.判断是否继续执行step2；

61、

62、与现有智能仓储批量分拣模型及方法相比，(1)本发明全面考虑智能仓储货架结构的差异性、订单生成的通用性、agv行驶路径的规范性，构建更适用于符合智能仓储实际运营环境的批量订单分拣问题模型。(2)深入分析批量分拣过程中订单的内聚度与离散度对agv行驶距离的影响，从多个角度设计agv批量分拣策略，为智能仓储实际拣货提供可适配的解决方案。(3)智能仓储可根据自身结构特点采用定制化的agv物流配送方式，进而实现准确、高效、低耗的物流服务。