CN112100861B - 基于入侵杂草优化算法的卷烟生产物料货位分配方法 - Google Patents
基于入侵杂草优化算法的卷烟生产物料货位分配方法 Download PDFInfo
- Publication number
- CN112100861B CN112100861B CN202011004414.3A CN202011004414A CN112100861B CN 112100861 B CN112100861 B CN 112100861B CN 202011004414 A CN202011004414 A CN 202011004414A CN 112100861 B CN112100861 B CN 112100861B
- Authority
- CN
- China
- Prior art keywords
- weed
- population
- sub
- weeds
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 327
- 239000000463 material Substances 0.000 title claims abstract description 101
- 238000009826 distribution Methods 0.000 title claims abstract description 73
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 52
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 claims abstract description 26
- 238000009792 diffusion process Methods 0.000 claims abstract description 11
- 230000004083 survival effect Effects 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 241000208125 Nicotiana Species 0.000 description 7
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 241000201976 Polycarpon Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明公开了一种基于入侵杂草优化算法的卷烟生产物料货位分配方法,其包括:根据卷烟生产物料的仓储特征,构建货位分配模型;对杂草种群进行初始化;将初始杂草种群划分为若干个子杂草种群;在各子杂草种群进行局部搜索,并对最差解进行更新;各子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群;将各子杂草种群和各新子杂草种群混合;所有杂草竞争生存,输出适应度函数值最好的杂草的位置。本发明提供的基于入侵杂草优化算法的卷烟生产物料货位分配方法,根据卷烟生产物料的仓储需求,确立仓库的货位分配策略,构建货位分配模型;以入侵杂草算法为基础,对模型进行优化求解,以充分利用货位资源、提高仓库运行效率、节省AGV的运行时间。
Description
技术领域
本发明涉及卷烟生产物料仓储管理技术领域,尤其涉及一种基于入侵杂草优化算法的卷烟生产物料货位分配方法。
背景技术
目前,国内烟草行业已经开展了数字化仓储管理工作,对仓库的入库、出库等作业及货品库存进行信息化管理,对仓库的运营状态进行监控。其中卷烟生产过程中的辅料、烟丝、成品卷烟等的货位分配是仓储管理***的基础核心功能,货位分配和合理性将直接影响仓库管理的精细度和生产加工作业的效率。但相关信息化***还没有深入仓库内部,对烟丝、辅料、成品卷烟等物料的货位分配基本上按照惯例或依赖仓库管理员的经验。卷烟生产所用的辅料和烟丝按类型和规格分有数十种,在仓储作业时,仓库管理员往往根据以往的经验进行存储,在出入库任务量较大时甚至是随机存放,导致仓库中存储混乱、出入库速度缓慢、空间利用率较低。为此,部分卷烟工业企业开始引入自动导引小车(Auto GuidedVehicle,AGV)进行自动化的搬运和仓储作业。然而,目前还没有对AGV进行智能化指挥控制的方法。
因此,亟需一种基于入侵杂草优化算法的卷烟生产物料货位分配方法。
发明内容
本发明的目的是提供一种基于入侵杂草优化算法的卷烟生产物料货位分配方法,以解决上述现有技术中的问题,能够充分利用货位资源、提高仓库运行效率。
本发明提供了一种基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,包括:
根据卷烟生产物料的仓储特征,确定仓库的货位分配策略,并构建货位分配模型;
将一个货位分配方案作为一颗杂草,计算每颗杂草个体的适应度函数值,对杂草种群进行初始化,以得到初始杂草种群;
将所述初始杂草种群划分为若干个子杂草种群;
在各所述子杂草种群进行局部搜索,并对各所述子杂草种群中的最差解进行更新;
各所述子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群;
将各所述子杂草种群和各所述新子杂草种群混合,形成混合杂草种群;
所述混合杂草种群中的所有杂草进行竞争生存,输出适应度函数值最好的杂草的位置,作为所述货位分配模型的优化解。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述根据卷烟生产物料的仓储特征,确定仓库的货位分配策略,并构建货位分配模型,具体包括:
基于物料集中存储原则,构建第一目标函数模型:
其中,f1为第一目标函数,c为第q类物料的总数,第q类物料所占货位位于楼层floorq,(xi,yi)为第q类物料在楼层floorq的货位坐标,Ri(x)和Ri(y)为第q类物料在楼层floorq的物料中心Ri的横坐标和纵坐标,dist为在楼层floorq楼层分配某一第q类物料的货位(x,y)与物料中心Ri的距离,a和b分别为楼层floorq中每个存储区的行数和列数;
基于出入库效率最大化原则,构建第二目标函数模型:
其中,f2为第二目标函数,ti为物料运输时间,每个货位的形状为正方形,L为每个货位的长度,pq为第q种物料的调用频率,vz为AGV小车到楼层floorq的行驶速度,v为AGV小车在楼层floorq内的行驶速度;
根据第一目标函数模型和所述第二目标函数模型,构建适应度函数模型:
f=w1f1+w2f2
其中,F为适应度函数,f为第一目标函数和第二目标函数的综合目标函数,w1和w2分别为第一目标函数和第二目标函数在综合目标函数中的权重。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述将一个货位分配方案作为一颗杂草,计算每颗杂草个体的适应度函数值,对杂草种群进行初始化,以得到初始杂草种群,具体包括:
设置所求问题解的维数D,所述所求问题解的维数为一次货位分配方案所包含的物料数量;
设置初始杂草的数量c0,所述初始杂草的数量为随机为D个物料分配仓库中的空货位的分配方案数量;
设置初始杂草种群中最大的杂草数量cmax、最大进化次数evolmax、每棵杂草能够产生种子数目的最大值pmax和最小值pmin,所述初始杂草种群为由所有可能的分配方案中的部分分配方案所组成的集合;
确定初始杂草的位置。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述将所述初始杂草种群划分为若干个子杂草种群,具体包括:
计算所述初始杂草种群中每颗杂草个体的适应度函数值,f(d)为第d颗杂草个体的适应度函数值,d为1到c0之间的整数;
将所有杂草个体的适应度函数值按照从大到小的顺序排列,将排序后的适应度函数值和对应的杂草个体存储于目标集合S={X(d),f(d)}中,
其中,X(d)为第d颗杂草;
将整个初始杂草种群按照如下规则分解为g个子杂草种群,分别为Z1,Z2,...,Zk,…Zg,
Zk=[X(d)k,f(d)k|X(d)k=X(k+m(d-1)),f(d)k=f(k+m(d-1)]
其中,m为相邻两个子杂草种群的间距,每个子种群中拥有的杂草数为e个,整个初始杂草种群中的杂草总数F=g·e。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述在各所述子杂草种群进行局部搜索,并对各所述子杂草种群中的最差解进行更新,具体包括:
将整个所述初始杂草种群中适应度函数值最大的杂草所对应的解表示为Xg;
计算各子杂草种群中适应度最差杂草的更新步长:
其中,P为各子杂草种群中最差杂草的更新步长,pacemax为允许更新的最大步长,rand(Xb-Xw)为在0到Xb-Xw之间随机取值,Xb为各子杂草种群中适应度函数值最大的杂草所对应的解,Xw为各子杂草种群中适应度函数值最小的杂草所对应的解;
计算适应度最差的杂草的更新位置:
Xnew=Xw+P
其中,Xnew为各子杂草种群中最差杂草的更新位置。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述各所述子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群,具体包括:
计算各所述子杂草种群中的每颗杂草能够繁衍出的种子数目:
其中,NS为某棵杂草能够繁衍出的种子数目,f为杂草的适应度函数值,fmax和fmin为各所述子杂草种群中适应度函数值的最大值和最小值;
基于每颗杂草能够繁衍出的种子数目,根据以下方式进行空间扩散:
其中,f(x;x0;γ)为概率密度函数,即某个x值的可能性,x0为位置参数,即父代杂草的x坐标,γ为尺度参数;
子代杂草从父代杂草扩散出来,根据以下公式计算子代杂草扩散的位置:
xson=xparent+σiter·C(0,1)
其中,xparent为父代杂草的横坐标值,xson是子代杂草的横坐标值,C(0,1)是按柯西分布随机所取的值,σiter是该次迭代所使用的标准差,并且根据以下公式计算σiter:
其中,σ0柯西分布的起始标准差,σf为柯西分布的最终标准差,evol为当前迭代次数,evolmax为最大迭代次数,n为非线性调节因子。
如上所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其中,优选的是,所述混合杂草种群中的所有杂草进行竞争生存,输出适应度函数值最好的杂草的位置,作为所述货位分配模型的优化解,具体包括:
比较所述混合杂草种群中的当前杂草数量和种子数量之和与杂草种群中最大的杂草数量cmax的大小关系;
若所述混合杂草种群中的当前杂草数量和种子数量之和小于杂草种群中最大的杂草数量cmax,则将所有的杂草和种子构成新的父代杂草种群,返回种群划分的步骤,继续繁殖;
若所述混合杂草种群中的当前杂草数量和种子数量之和大于等于杂草种群中最大的杂草数量cmax,则所有杂草个体按照适应度函数值从高到低的顺序排列,保留前cmax个优势杂草个体,淘汰剩下的弱势杂草个体,返回种群划分的步骤,继续繁殖,直至达到最大迭代次数;
在达到最大迭代次数后,输出适应度值最大的杂草的位置以及其适应度函数值的大小。
本发明提供一种基于入侵杂草优化算法的卷烟生产物料货位分配方法,根据卷烟生产物料的仓储需求,确立仓库的货位分配策略,构建货位分配模型;以入侵杂草算法为基础,对模型进行优化求解,以充分利用货位资源、提高仓库运行效率、节省AGV的运行时间。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的基于入侵杂草优化算法的卷烟生产物料货位分配方法的实施例的结构框图;
图2为本发明提供的基于入侵杂草优化算法的卷烟生产物料货位分配方法的实施例的算法流程图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现,不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整,并且向本领域技术人员充分表达本公开的范围。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的,而不是作为限制。
本公开中使用的“第一”、“第二”:以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素,并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本公开中,当描述到特定部件位于第一部件和第二部件之间时,在该特定部件与第一部件或第二部件之间可以存在居间部件,也可以不存在居间部件。当描述到特定部件连接其它部件时,该特定部件可以与所述其它部件直接连接而不具有居间部件,也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同,除非另外特别定义。还应当理解,在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
根据卷烟物料的包装和材料特点,可以将各类物料堆放在标准托盘上,标准托盘可由货架支撑,AGV小车可驶入货架下,将其抬起运输到需要的工位。通过对AGV进行智能化的指挥控制,根据货物自身特有的属性、货物的出入库情况等因素为卷烟辅料安排合适的货位进行存储,实现货物的分类和货位的分区,进而提高仓储作业整体效率。本发明提供了面向卷烟物料的货位分配管理方法,针对引入了AGV的卷烟生产企业仓储过程,对烟丝、辅料、成品卷烟等物料的出入库过程进行货位分配,由于这三种物料基本上由独立的三个仓库进行存储,工作方式均比较接近,因此可以取其中某类物料的仓库开展分析设计。
如图1和图2所示,本实施例提供的基于入侵杂草优化算法的卷烟生产物料货位分配方法在实际执行过程中,具体包括:
步骤S1、根据卷烟生产物料的仓储特征,确定仓库的货位分配策略,并构建货位分配模型。
假设仓库有n层,每层有m个存储区,每块存储区分为a排b列;每个货位为正方形,长度为L;每个货位上只能放一种货物,不能叠放,因此每个货位可用二维坐标(x,y)表示;货物共有d种。在ERP***的管理下,物料的出库、入库都按计划开展,因此某日出库、入库物料的数量、种类都是确定的,作为本发明的卷烟生产物料货位分配方法的输入,输出为仓库货位分配方案。根据卷烟生产企业的物料仓储具体情况,为提高入库效率,本方法将遵循两个原则,一个是同类货物集中存储,另一个是效率最大化,即高流转率的货物离仓库出入口(各层货梯口)较近。根据这两个原则,建立货位优化数学模型,进而采用入侵杂草算法进行货位分配方案的优化选择。
具体而言,在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S1具体可以包括:
步骤S11、基于物料集中存储原则,构建第一目标函数模型:
其中,f1为第一目标函数,c为第q类物料的总数,第q类物料所占货位位于楼层floorq,(xi,yi)为第q类物料在楼层floorq的货位坐标,Ri(x)和Ri(y)为第q类物料在楼层floorq的物料中心Ri的横坐标和纵坐标,dist为在楼层floorq楼层分配某一第q类物料的货位(x,y)与物料中心Ri的距离,a和b分别为楼层floorq中每个存储区的行数和列数;
按照物料集中存储原则,距离dist最小化,构建第一目标函数模型,
步骤S12、基于出入库效率最大化原则,构建第二目标函数模型:
其中,f2为第二目标函数,ti为物料运输时间,每个货位的形状为正方形,L为每个货位的长度,pq为第q种物料的调用频率,vz为AGV小车到楼层floorq的行驶速度,v为AGV小车在楼层floorq内的行驶速度;
按照出入库效率最大化原则,物料运输时间ti最小化,构建第二目标函数模型。
步骤S13、根据第一目标函数模型和所述第二目标函数模型,构建适应度函数模型:
f=w1f1+w2f2
其中,F为适应度函数,f为第一目标函数和第二目标函数的综合目标函数,w1和w2分别为第一目标函数和第二目标函数在综合目标函数中的权重,
其中,w1和w2可以根据货位分配实际需求而变化,由于优化目标是取该函数最小值,而算法判断杂草种子适应度一般按数值大小,因此适应度函数F取倒数,分母f+1是为了避免f极小导致适应度值极大的情况,在建立适应度函数模型后,基于该模型,运用入侵杂草算法进行货位分配。
步骤S2、将一个货位分配方案作为一颗杂草,计算每颗杂草个体的适应度函数值,对杂草种群进行初始化,以得到初始杂草种群。
在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S2具体可以包括:
步骤S21、设置所求问题解的维数D,所述所求问题解的维数为一次货位分配方案所包含的物料数量;
为一次入库操作分配货位即为所求问题解,一次入库操作包含D个物料,将它们分配到仓库的某个位置,每个物料有各种选择,每个物料就是一个维度。
步骤S22、设置初始杂草的数量c0,所述初始杂草的数量为随机为D个物料分配仓库中的空货位的分配方案数量;
初始杂草即随机为D个物料分配仓库中空货位的一个分配方案,这样的方案可以有很多,因此可能的杂草数量也是很多的,设置其数量为c0。
步骤S23、设置初始杂草种群中最大的杂草数量cmax、最大进化次数evolmax、每棵杂草能够产生种子数目的最大值pmax和最小值pmin,所述初始杂草种群为由所有可能的分配方案中的部分分配方案所组成的集合;
初始杂草种群中最大的杂草数量为预定义的值,便于控制计算量;杂草可以不断优化,设置最大进化次数可以限制优化的次数,进而控制计算量;杂草里面的某个货位位置变化一下,变成另外一个种子,变换也是有许多个,因此某个货位的变换次数即为该棵杂草能够产生的种子数目,通过设置每棵杂草能够产生种子数目的最大值和最小值,可以控制计算量。
步骤S24、确定初始杂草的位置。
第一次为D个物料分配货位的方案即为初始杂草的位置,一般情况下,都是采用随机生成的方式任意地扩散在搜寻空间中。D个物料的一次货位分配是一个解,分配方案可以有许多,本文明要在这些方案中找到比较好的货位分配方案,所有的可能方案就组成搜寻空间。
步骤S3、将所述初始杂草种群划分为若干个子杂草种群。
在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S3具体可以包括:
步骤S31、计算所述初始杂草种群中每颗杂草个体的适应度函数值,f(d)为第d颗杂草个体的适应度函数值,d为1到c0之间的整数;
一个杂草的位置代表搜寻空间中的一个可能的解。根据给出的适应度函数,计算每一个杂草个体的该函数值大小,每个货位通过步骤S13中的目标函数F判断它的好坏程度,D个货位的适应度函数值相加,得到整体的适应度值。一个杂草就是对D个物料的一次货位分配,因此每个杂草都有个适应度值。
步骤S32、将所有杂草个体的适应度函数值按照从大到小的顺序排列,将排序后的适应度函数值和对应的杂草个体存储于目标集合S={X(d),f(d)}中,
其中,X(d)为第d颗杂草;
将所有杂草个体的适应度函数值从大到小排列,由于初始杂草数量为c0,因此就有c0适应度函数值,适应度高,说明更好地符合同类物料集中存储原则和出入库效率最大原则。将排序后的f(d)以适应度函数值对应的杂草个体存储于集合S={X(i),f(i)}中。
步骤S33、将整个初始杂草种群按照如下规则分解为g个子杂草种群,分别为Z1,Z2,…,Zk,…Zg,
Zk=[X(d)k,f(d)k|X(d)k=X(k+m(d-1)),f(d)k=f(k+m(d-1)]
其中,m为相邻两个子杂草种群的间距,每个子种群中拥有的杂草数为e个,整个初始杂草种群中的杂草总数F=g·e。
子杂草种群数量为g个,隔m个杂草取一个,取k次。
步骤S4、在各所述子杂草种群进行局部搜索,并对各所述子杂草种群中的最差解进行更新。
对各子杂草种群中的最差解进行更新,就是不直接放弃最差的杂草,而是基于它生长出一新杂草,使某些稳定的特点会得以保留。杂草更新就是让D个货位中某个货位随机移动一下)
在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S4具体可以包括:
步骤S41、将整个所述初始杂草种群中适应度函数值最大的杂草所对应的解表示为Xg;
步骤S42、计算各子杂草种群中适应度最差杂草的更新步长:
其中,P为各子杂草种群中最差杂草的更新步长,pacemax为允许更新的最大步长,rand(Xb-Xw)为在0到Xb-Xw之间随机取值,Xb为各子杂草种群中适应度函数值最大的杂草所对应的解,Xw为各子杂草种群中适应度函数值最小的杂草所对应的解;
步骤S43、计算适应度最差的杂草的更新位置:
Xnew=Xw+P
其中,Xnew为各子杂草种群中最差杂草的更新位置。
步骤S5、各所述子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群。
在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S5具体可以包括:
步骤S51、计算各所述子杂草种群中的每颗杂草能够繁衍出的种子数目:
其中,NS为某棵杂草能够繁衍出的种子数目,f为杂草的适应度函数值,fmax和fmin为各所述子杂草种群中适应度函数值的最大值和最小值;
在杂草种群中,每棵杂草能够繁衍出多少数目的种子依赖于杂草自身适应度函数值以及目前种群中最优和最劣的适应度函数值。由以上公式可以看出,f越大,NS越大,随着杂草的适应度函数值增加,说明杂草的适应能力增强,繁衍的子杂草数量也会逐渐增多,即为较高适应度的杂草提供较多的更新机会。
步骤S52、基于每颗杂草能够繁衍出的种子数目,根据以下方式进行空间扩散:
其中,f(x;x0;γ)为概率密度函数,即某个x值的可能性,x0为位置参数,即父代杂草的x坐标,γ为尺度参数;
根据步骤S51确定的繁殖数量,进行多次的更新。更新就是对D个物料货位的位置进行变换,位置变换的距离可大可小,与原位置的距离按照柯西分布进行取值。
父代杂草经由步骤S51繁衍的杂草种子要按照一种分布策略散布在父代杂草的周围,分布的均值即为父代杂草的位置,标准差便于最终形成杂草群落。一般采用正态分布的密度函数进行杂草种子的繁衍,但正态分布的种子集中在父代杂草周围,多样性较差,容易产生局部最优解。为此,本发明采用柯西分布的方式进行种子繁衍,可以避免产生局部最优解。
步骤S53、子代杂草从父代杂草扩散出来,根据以下公式计算子代杂草扩散的位置:
xson=xparent+σiter·C(0,1)
其中,xparent为父代杂草的横坐标值,xson是子代杂草的横坐标值,C(0,1)是按柯西分布随机所取的值,σiter是该次迭代所使用的标准差,并且根据以下公式计算σiter:
其中,σ0柯西分布的起始标准差,σf为柯西分布的最终标准差,evol为当前迭代次数,evolmax为最大迭代次数,n为非线性调节因子,一般设为3。
步骤S6、将各所述子杂草种群和各所述新子杂草种群混合,形成混合杂草种群。
当每个子杂草种群全部结束了各自群体内部的局部搜索(对应于步骤S5,生成新子杂草种群)后,再将它们全部打乱混合,组成一个大集体,构成了新的杂草种群,并在此基础上对它们进行淘汰选择。
步骤S7、所述混合杂草种群中的所有杂草进行竞争生存,输出适应度函数值最好的杂草的位置,作为所述货位分配模型的优化解。
在本发明的基于入侵杂草优化算法的卷烟生产物料货位分配方法的一种实施方式中,所述步骤S7具体可以包括:
步骤S71、比较所述混合杂草种群中的当前杂草数量和种子数量之和与杂草种群中最大的杂草数量cmax的大小关系;
步骤S72、若所述混合杂草种群中的当前杂草数量和种子数量之和小于杂草种群中最大的杂草数量cmax,则将所有的杂草和种子构成新的父代杂草种群,返回种群划分的步骤,继续繁殖;
步骤S73、若所述混合杂草种群中的当前杂草数量和种子数量之和大于等于杂草种群中最大的杂草数量cmax,则所有杂草个体按照适应度函数值从高到低的顺序排列,保留前cmax个优势杂草个体,淘汰剩下的弱势杂草个体,返回种群划分的步骤,继续繁殖,直至达到最大迭代次数;
步骤S74、在达到最大迭代次数后,输出适应度值最大的杂草的位置以及其适应度函数值的大小。
由于种群中的杂草数量受到最大杂草数cmax的限制,随着迭代次数的逐渐增加,如果当前的杂草数量与上种子数量两者相加之和小于cmax,则将所有的杂草和种子相加构成新的父代杂草种群,继续繁殖,返回到步骤S3(种群划分)。如果杂草数量与种子数量两者相加之和大于cmax时,为了杂草可持续性发展,不得不对杂草种群进行筛选,舍弃掉那些生产竞争能力比较差的杂草。具体步骤就是先将全部的杂草包括子杂草按照各自的适应度值从高到低排个序,然后将cmax名后面的杂草全部丢弃。剩下的cmax个个体作为新的父代杂草种群,然后返回到步骤S3(种群划分)。直到达到了结束条件,即迭代次数等于evolmax后停止搜索。最后,输出适应度值最好的杂草的位置以及其适应度函数值的大小,得出所求问题最终解决方案。
本发明实施例提供的基于入侵杂草优化算法的卷烟生产物料货位分配方法,根据卷烟生产物料的仓储需求,确立仓库的货位分配策略,构建货位分配模型;以入侵杂草算法为基础,对模型进行优化求解,以充分利用货位资源、提高仓库运行效率、节省AGV的运行时间。同时,针对该算法的种子扩散范围较窄,数量较少等缺点,采用柯西分布方式进行种子繁衍,将父代种子以更多更广泛的方式散布出去。由于柯西分布增加的搜索的广度,算法收敛速度减慢,为此,设计一种改进策略,在种子在繁衍扩散之前,先划分子种群,可进行并行搜索,提高搜索速度;对最差杂草首先进行更新,然后对其余杂草繁衍种子,使得全局搜索与局部搜索结合起来,交替进行,以避免陷入局部最优,通过上述改进,可以进一步充分利用货位资源、提高仓库运行效率、节省AGV的运行时间。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (5)
1.一种基于入侵杂草优化算法的卷烟生产物料货位分配方法,其特征在于,包括:
根据卷烟生产物料的仓储特征,确定仓库的货位分配策略,并构建货位分配模型;
将一个货位分配方案作为一颗杂草,计算每颗杂草个体的适应度函数值,对杂草种群进行初始化,以得到初始杂草种群;
将所述初始杂草种群划分为若干个子杂草种群;
在各所述子杂草种群进行局部搜索,并对各所述子杂草种群中的最差解进行更新;
各所述子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群;
将各所述子杂草种群和各所述新子杂草种群混合,形成混合杂草种群;
所述混合杂草种群中的所有杂草进行竞争生存,输出适应度函数值最好的杂草的位置,作为所述货位分配模型的优化解,
所述根据卷烟生产物料的仓储特征,确定仓库的货位分配策略,并构建货位分配模型,具体包括:
基于物料集中存储原则,构建第一目标函数模型:
其中,f1为第一目标函数,c为第q类物料的总数,第q类物料所占货位位于楼层floorq,(xi,yi)为第q类物料在楼层floorq的货位坐标,Ri(x)和Ri(y)为第q类物料在楼层floorq的物料中心Ri的横坐标和纵坐标,dist为在楼层floorq楼层分配某一第q类物料的货位(x,y)与物料中心Ri的距离,a和b分别为楼层floorq中每个存储区的行数和列数;
基于出入库效率最大化原则,构建第二目标函数模型:
其中,f2为第二目标函数,ti为物料运输时间,每个货位的形状为正方形,L为每个货位的长度,pq为第q种物料的调用频率,vz为AGV小车到楼层floorq的行驶速度,v为AGV小车在楼层floorq内的行驶速度;
根据第一目标函数模型和所述第二目标函数模型,构建适应度函数模型:
f=w1f1+w2f2
其中,F为适应度函数,f为第一目标函数和第二目标函数的综合目标函数,w1和w2分别为第一目标函数和第二目标函数在综合目标函数中的权重,
所述将一个货位分配方案作为一颗杂草,计算每颗杂草个体的适应度函数值,对杂草种群进行初始化,以得到初始杂草种群,具体包括:
设置所求问题解的维数D,所述所求问题解的维数为一次货位分配方案所包含的物料数量;
设置初始杂草的数量c0,所述初始杂草的数量为随机为D个物料分配仓库中的空货位的分配方案数量;
设置初始杂草种群中最大的杂草数量cmax、最大进化次数evolmax、每棵杂草能够产生种子数目的最大值pmax和最小值pmin,所述初始杂草种群为由所有可能的分配方案中的部分分配方案所组成的集合;
确定初始杂草的位置。
2.根据权利要求1所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其特征在于,所述将所述初始杂草种群划分为若干个子杂草种群,具体包括:
计算所述初始杂草种群中每颗杂草个体的适应度函数值,f(d)为第d颗杂草个体的适应度函数值,d为1到c0之间的整数;
将所有杂草个体的适应度函数值按照从大到小的顺序排列,将排序后的适应度函数值和对应的杂草个体存储于目标集合S={X(d),f(d)}中,
其中,X(d)为第d颗杂草;
将整个初始杂草种群按照如下规则分解为g个子杂草种群,分别为Z1,Z2,...,Zk,…Zg,
Zk=[X(d)k,f(d)k|X(d)k=X(k+m(d-1)),f(d)k=f(k+m(d-1)]
其中,m为相邻两个子杂草种群的间距,每个子种群中拥有的杂草数为e个,整个初始杂草种群中的杂草总数F=g·e。
3.根据权利要求2所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其特征在于,所述在各所述子杂草种群进行局部搜索,并对各所述子杂草种群中的最差解进行更新,具体包括:
将整个所述初始杂草种群中适应度函数值最大的杂草所对应的解表示为Xg;
计算各子杂草种群中适应度最差杂草的更新步长:
其中,P为各子杂草种群中最差杂草的更新步长,pacemax为允许更新的最大步长,rand(Xb-Xw)为在0到Xb-Xw之间随机取值,Xb为各子杂草种群中适应度函数值最大的杂草所对应的解,Xw为各子杂草种群中适应度函数值最小的杂草所对应的解;
计算适应度最差的杂草的更新位置:
Xnew=Xw+P
其中,Xnew为各子杂草种群中最差杂草的更新位置。
4.根据权利要求3所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其特征在于,所述各所述子杂草种群经过内部繁殖和空间扩散,生成新子杂草种群,具体包括:
计算各所述子杂草种群中的每颗杂草能够繁衍出的种子数目:
其中,NS为某棵杂草能够繁衍出的种子数目,f为杂草的适应度函数值,fmax和fmin为各所述子杂草种群中适应度函数值的最大值和最小值;
基于每颗杂草能够繁衍出的种子数目,根据以下方式进行空间扩散:
其中,f(x;x0;γ)为概率密度函数,即某个x值的可能性,x0为位置参数,即父代杂草的x坐标,γ为尺度参数;
子代杂草从父代杂草扩散出来,根据以下公式计算子代杂草扩散的位置:
xson=xparent+σiter·C(0,1)
其中,xparent为父代杂草的横坐标值,xson是子代杂草的横坐标值,C(0,1)是按柯西分布随机所取的值,σiter是该次迭代所使用的标准差,并且根据以下公式计算σiter:
其中,σ0柯西分布的起始标准差,σf为柯西分布的最终标准差,evol为当前迭代次数,evolmax为最大迭代次数,n为非线性调节因子。
5.根据权利要求4所述的基于入侵杂草优化算法的卷烟生产物料货位分配方法,其特征在于,所述混合杂草种群中的所有杂草进行竞争生存,输出适应度函数值最好的杂草的位置,作为所述货位分配模型的优化解,具体包括:
比较所述混合杂草种群中的当前杂草数量和种子数量之和与杂草种群中最大的杂草数量cmax的大小关系;
若所述混合杂草种群中的当前杂草数量和种子数量之和小于杂草种群中最大的杂草数量cmax,则将所有的杂草和种子构成新的父代杂草种群,返回种群划分的步骤,继续繁殖;
若所述混合杂草种群中的当前杂草数量和种子数量之和大于等于杂草种群中最大的杂草数量cmax,则所有杂草个体按照适应度函数值从高到低的顺序排列,保留前cmax个优势杂草个体,淘汰剩下的弱势杂草个体,返回种群划分的步骤,继续繁殖,直至达到最大迭代次数;
在达到最大迭代次数后,输出适应度值最大的杂草的位置以及其适应度函数值的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004414.3A CN112100861B (zh) | 2020-09-22 | 2020-09-22 | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011004414.3A CN112100861B (zh) | 2020-09-22 | 2020-09-22 | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100861A CN112100861A (zh) | 2020-12-18 |
CN112100861B true CN112100861B (zh) | 2024-05-14 |
Family
ID=73754878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011004414.3A Active CN112100861B (zh) | 2020-09-22 | 2020-09-22 | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100861B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064392B (zh) * | 2021-03-22 | 2023-09-08 | 聊城大学 | 基于矩阵车间agv调度的离散型优化方法 |
CN113467473B (zh) * | 2021-07-28 | 2023-09-15 | 河南中烟工业有限责任公司 | 一种基于自主移动机器人的物料存储方法及装置 |
CN114707930B (zh) * | 2022-03-31 | 2023-04-21 | 红云红河烟草(集团)有限责任公司 | 基于拣货动线模型的卷烟成品智慧园区管控方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779153A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种智能立体仓库货位分配优化方法 |
CN109300507A (zh) * | 2018-09-04 | 2019-02-01 | 大连大学 | 基于粒子群的混沌入侵杂草算法的dna编码序列优化方法 |
CN109460948A (zh) * | 2018-09-19 | 2019-03-12 | 贵州电网有限责任公司 | 基于物联网技术的电力企业物资仓储货位分配方法 |
CN109597304A (zh) * | 2018-11-30 | 2019-04-09 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
CN110909930A (zh) * | 2019-11-20 | 2020-03-24 | 浙江工业大学 | 一种面向冷库的移动式货架仓储***货位分配方法 |
CN110991754A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法 |
CN111523684A (zh) * | 2020-04-16 | 2020-08-11 | 南京卓宇智能科技有限公司 | 一种基于支持向量机和杂草算法结合的目标分类方法 |
-
2020
- 2020-09-22 CN CN202011004414.3A patent/CN112100861B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779153A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种智能立体仓库货位分配优化方法 |
CN109300507A (zh) * | 2018-09-04 | 2019-02-01 | 大连大学 | 基于粒子群的混沌入侵杂草算法的dna编码序列优化方法 |
CN109460948A (zh) * | 2018-09-19 | 2019-03-12 | 贵州电网有限责任公司 | 基于物联网技术的电力企业物资仓储货位分配方法 |
CN109597304A (zh) * | 2018-11-30 | 2019-04-09 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
CN110909930A (zh) * | 2019-11-20 | 2020-03-24 | 浙江工业大学 | 一种面向冷库的移动式货架仓储***货位分配方法 |
CN110991754A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法 |
CN111523684A (zh) * | 2020-04-16 | 2020-08-11 | 南京卓宇智能科技有限公司 | 一种基于支持向量机和杂草算法结合的目标分类方法 |
Non-Patent Citations (1)
Title |
---|
基于入侵杂草算法的WMS货位优化分配的研究;段悦;宋良图;周林立;;仪表技术(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112100861A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100861B (zh) | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 | |
CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
CN110909930B (zh) | 一种面向冷库的移动式货架仓储***货位分配方法 | |
CN109886478B (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN114417696B (zh) | 一种基于遗传算法的自动化立体仓库货位分配优化方法 | |
CN108550007B (zh) | 一种制药企业自动化立体仓库的货位优化方法及*** | |
CN111860754B (zh) | 基于蚁群以及遗传算法的agv调度方法 | |
CN103473616B (zh) | 用于处理多品种物资仓储的动态货位分配规划方法与*** | |
CN110807559B (zh) | 一种订单分批和拣货路径联合优化方法 | |
CN107967586A (zh) | 一种电网物资仓储优化方法 | |
CN113222293A (zh) | 一种智能立体仓库优化调度方法 | |
CN113222410B (zh) | 双向式布局模式下货位分配模型建立方法 | |
CN104063778A (zh) | 一种在立体货仓中为货物分配货位的方法 | |
CN112862380B (zh) | 一种基于混合算法的项目型产品装配车间人员调度方法、设备及存储介质 | |
CN107944616A (zh) | 一种鱼骨型立体仓库的货位分配方法 | |
CN113240215B (zh) | 一种仓储agv的调度方法、***、存储介质及电子设备 | |
CN114841642A (zh) | 基于鹰栖息优化的辅料入库货位分配方法 | |
CN111626516A (zh) | 考虑倒货策略的双深位四向穿梭车***订单排序优化方法 | |
CN116402185A (zh) | 基于aga多目标液压泵装配车间立体仓库货位分配优化方法 | |
Seidgar et al. | An efficient hybrid of genetic and simulated annealing algorithms for multi server vehicle routing problem with multi entry | |
CN116596440A (zh) | 一种自动化立体仓库出入库智能调度方法 | |
CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
CN116342039A (zh) | 一种立体仓库的货物分配和拣选的优化方法 | |
CN115841230A (zh) | 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法 | |
CN104573839B (zh) | 一种库存管理优化方法、装置和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |