1緒論

1.1項目背景
近年來,隨著我國經(jīng)濟(jì)的快速發(fā)展,加上國家政策方面的積極支持,物流產(chǎn)業(yè)不斷發(fā)展壯大,已經(jīng)成為國民經(jīng)濟(jì)生活中重要環(huán)節(jié)。同時人們也把物流的概念拓展到了更為廣闊的領(lǐng)域,幾乎涵蓋了運輸、生產(chǎn)、銷售以及廢棄物回收利用等各個獨立的過程�，F(xiàn)代化的物流理念己逐漸被人們所接受和認(rèn)可,真正的現(xiàn)代物流時代已經(jīng)到來。隨著物流業(yè)的不斷發(fā)展,倉儲管理越來越成為現(xiàn)代物流環(huán)節(jié)中的必不可少的一環(huán)。隨著現(xiàn)代控制技術(shù)和計算機技術(shù)的不斷發(fā)展,自動化倉庫將向著控制最優(yōu)化、運行智能化方向發(fā)展,對儲位的優(yōu)化已成為物流技術(shù)發(fā)展的重要趨勢。隨著全球經(jīng)濟(jì)的不斷發(fā)展,商品的"買方市場"日趨明顯,對應(yīng)的物流業(yè)、全球采購不斷發(fā)展,對倉儲業(yè)又提出了新的問題和新的要求。為了解決倉儲業(yè)發(fā)展中的實際問題,引導(dǎo)倉儲業(yè)健康發(fā)展,需要對倉儲作業(yè)系統(tǒng)的規(guī)劃和設(shè)計。
........

1.2目的意義
本文所研究的課題主要是針對倉儲過程中如何對貨物進(jìn)行碼放優(yōu)化從而滿足物資快速出庫及存儲物資總數(shù)最大而提出的。目前我國絕大多數(shù)倉儲企業(yè)的自動化與信息化水平遠(yuǎn)遠(yuǎn)落后于發(fā)達(dá)國家,這些倉儲企業(yè)的貨物裝載碼放工作,大多停留在人工調(diào)度階段。操作人員僅憑經(jīng)驗估計出來的組合方式不能保證貨架有較高的利用率,特別是當(dāng)物品種類繁多,數(shù)量較大時,需要科學(xué)合理的組合碼放方案。因此擺脫人王操作的落后局面,為貨物碼放環(huán)節(jié)尋找一種合理的布局算法和方案,提高貨架的空間利用率,將成為本文課題研究的主要內(nèi)容。實現(xiàn)這一目標(biāo),對于倉儲企業(yè)降低成本,提離效益具有重要的現(xiàn)實意義。
.......

1.3儲位規(guī)劃算法研究現(xiàn)狀
自動化立體倉庫(Automated　Storage　and　Retrieval　System,　AS/RS)是指使用多層貨架,人工不直接管理、能夠?qū)Σ煌N類的物資進(jìn)行自動化、智能化存儲和運輸?shù)南到y(tǒng)。自動化立體倉庫技術(shù)作為現(xiàn)代物流技術(shù)的一口核也技術(shù),是集建筑、機械、電氣、結(jié)構(gòu)及管理于一體的綜合性技術(shù)。一個復(fù)雜的自動倉儲系統(tǒng),是由高層貨架、巷道堆媒機、輸送機系統(tǒng)、貨物識別檢測系統(tǒng)、自動控制系統(tǒng)、計算機監(jiān)控系統(tǒng)、計算機管理系統(tǒng)、通訊系統(tǒng)以及其他電纜等輔助設(shè)備組成,采用先進(jìn)的控制、總線、通訊和信息技術(shù),針對島層貨架編號分配、堆操機對物資存取路徑規(guī)劃進(jìn)行的儲位規(guī)劃,通過以上各個設(shè)備的協(xié)調(diào)動作進(jìn)行出倉庫儲位規(guī)劃以及貨物入庫等作業(yè)。隨著現(xiàn)代控制技術(shù)和計算機技術(shù)的不斷發(fā)展,自動化倉庫將向著控制最優(yōu)化、運行智能化方向發(fā)展以,對儲位的優(yōu)化已成為物流技術(shù)發(fā)展的重要趨勢。
........

2儲位規(guī)劃算法研究

自動化倉庫儲位規(guī)劃研究是為了充分利用資源,提高儲位進(jìn)出倉庫的工作效率以及倉庫的有效利用率而做的探究工作,把儲位規(guī)劃算法進(jìn)行深入研究,并將其應(yīng)用于實際王程實踐中,也是充分借鑒和利用自然界中的自然現(xiàn)象或生物體運作的各種原理和機理的一種體現(xiàn)。智能優(yōu)化算法由于通用性強,適用領(lǐng)域廣,當(dāng)前比較被廣泛研究,其中主要包括遺傳算法和模擬退火算法。

2.1遺傳算法介紹
遺傳算法是模擬達(dá)爾文生物進(jìn)化論思想,通過類似自然選擇以及遺傳學(xué)機理的生物進(jìn)化過程的計算模型轉(zhuǎn)換來完成問題,是一種通過模擬自然進(jìn)化過程捜索最優(yōu)解的方法。遺傳算法也是借用生物進(jìn)化中"適者生存"的大自然規(guī)律的思想,將適應(yīng)環(huán)境更好的個體越能將好的基因遺傳給后代。遺傳算法的提出在一定程度上解決了當(dāng)時人工智能方法的瓶頸問題,充分利用其自組織和群體進(jìn)化能力,使用在信息處理和解決組合爆炸等大規(guī)模復(fù)雜優(yōu)化問題方面,取得歷史突破性的進(jìn)展和應(yīng)用。遺傳算法是一種隨機搜索算法,其基本框架有編碼、適應(yīng)度函數(shù)、初始群體選取等內(nèi)容。由于遺傳算法具有全局并行搜索、魯棒性強等特點,加之其很強的計算能力,求解過程易實現(xiàn)。隨著計算機技術(shù)的發(fā)展,已經(jīng)成為現(xiàn)代有關(guān)智能計算中的關(guān)鍵技術(shù),在智能計算機領(lǐng)域展現(xiàn)出更加光明的前景,并在模式識別、神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制、組合優(yōu)化控制、人工生命等領(lǐng)域取得了成功應(yīng)用,尤其在儲位規(guī)劃領(lǐng)域也取得較好的應(yīng)用。
........

2.2模擬退火算法原理

模擬退火算法是80年代發(fā)展起來的用于求解大規(guī)模優(yōu)化問題的隨機搜索算法,是一種高效的全局優(yōu)化方法,其基本思想源自固體退火過程。

2.2.1物理系統(tǒng)退火過程
模擬退火算法的搜索策略中,在保證模擬退火算法不僅可以接受使目標(biāo)畫數(shù)值變優(yōu)的點,還能{^一定概率接受使目標(biāo)值變差的點,使退火算法的捜索過程跳出局部最優(yōu)點。隨著濕度的下降,根據(jù)退火推算原理接受相對于初始點差的點的概率逐漸減小。模擬退火算法的搜索方法使用了概率的方式進(jìn)行,豐富了遺傳算法的靈活性。模擬退火算法根據(jù)退火濕度在退火過程中的影響,在計算過程中引進(jìn)了參數(shù)T,這樣可以將優(yōu)化過程分成多個不同階段,并且參數(shù)退火濕度還決定該階段下隨機狀態(tài)的取舍。溫度參數(shù)趨近于0時,優(yōu)化問題也將穩(wěn)定于最優(yōu)狀態(tài),這樣可以提高模擬退火算法全局最優(yōu)解的可靠性。
........

3儲位規(guī)劃模型建立......19
3.1問題描述與建模....19
3.2算法的總體流程....21
3.3初始解的獲得....22
3.4小結(jié)....27
4基于混合遺傳算法的儲位規(guī)劃....28
4.1混合遺傳算法操作....28
4.2混合遺傳算法的編碼....30
4.3混合遺傳算法的選擇操作....30
4.4混合遺傳算法的交叉操作....32
4.5混合遺傳算法的變異操作....34
4.6源合遺傳操作后的調(diào)整操作....35
4.7混合遺傳算法的結(jié)束條件....35
4.8小結(jié)....35
5基于混合遺傳算法的儲位規(guī)劃實際應(yīng)用....36
5.1未加入精英保留策略對結(jié)果的影響....36
5.2未加入Me杜opolis采樣對結(jié)果的影響....37
5.3混合遺傳算法結(jié)果....38
5.4小結(jié)....40

5基于混合遺傳算法的儲位規(guī)劃實際應(yīng)用

前面介紹了儲位規(guī)劃問題的數(shù)學(xué)模型及改進(jìn)的混合遺傳算法,本章將結(jié)合具體實例,進(jìn)行儲位規(guī)劃,獲得滿足加權(quán)出庫時間最短基礎(chǔ)上的存儲量最大的方案。

5.1未加入精英保留策略對結(jié)果的影響

從圖5.1中可以看出,未加入精英保留策略,問題的目標(biāo)函數(shù)值不斷變化,收斂慢,主要原因是種群中適應(yīng)度較好的個體被破壞掉,影響了算法的收斂性和運行效率。從圖5.2中可看出,加入了　Metropolis采樣后,在前4代,經(jīng)過選擇、交叉、變異等操作,產(chǎn)生了優(yōu)秀的個體,所1^種群的平均適應(yīng)度值穩(wěn)步上升;從第4代后,遺傳操作產(chǎn)生了大量較差的個體,為T增加種群的多樣性,按概率引入較差的個體;到迭代末期,平均適應(yīng)度值穩(wěn)步上升,此時對劣解的接受概率也趨于0。從圖5.3可看出,算法陷入"早熟收斂"原因是種群進(jìn)化的初始階段產(chǎn)生了相對種群中其他個體的適應(yīng)度值大的多的個體,該個體在進(jìn)化過程中由于精英保留策略的作用揮之不去,同時,由于每次選擇只選擇適應(yīng)度值較高的個體,一些含有好的基因的個體由于適應(yīng)度值的劣勢被淘汰,使得種群無法進(jìn)化出優(yōu)秀的個體,進(jìn)入"早熟收斂"。從圖5.4可以看出,迭代后期,種群平均適應(yīng)度不再變化,說明種群中的個體趨于一致,很難產(chǎn)生新的個體。

.........

結(jié)論

作為一種極具應(yīng)用價值的組合優(yōu)化問題,儲位規(guī)劃受到了研究者的廣泛關(guān)注。本文介紹了立體倉庫的儲位規(guī)劃原則及方法,提出了基于充足系數(shù)的初始解獲得方法;改進(jìn)了遺傳算法用以解決儲位規(guī)劃問題,得了較為滿意的結(jié)果。在初始解的獲取上,先隨機獲取物資儲存的倉庫,再根據(jù)倉庫內(nèi)儲存的物資類型數(shù)分配各個物資具體數(shù)量。由于此解是隨機獲得的,物資的需求比例可能不滿足,定義了充足系數(shù)概念。某一物資的充足系數(shù)大,說明此物資越充足,可以適當(dāng)減少物資的量;充足系數(shù)小,說明此物資比較缺乏,需要進(jìn)行補充。經(jīng)過循環(huán)一定次數(shù)后可獲得滿意的初始解。在對初始解進(jìn)行遺傳操作時,提出了改進(jìn)的遺傳算法。體現(xiàn)在以下幾方面;一是編碼上,采用了實數(shù)矩陣編碼,用行列所對應(yīng)的數(shù)值表示某物資在倉庫中的數(shù)量;二是選擇方式上,在選擇中提出了基于模擬退火算法的Metropo化采樣,提高了種群的多樣性,防止算法進(jìn)入"早熟收斂",并取得了較好的效果;云是交叉方式上,從進(jìn)行交叉的兩個染色體中提取若干列進(jìn)行交叉,防止了違反約束條件情況的發(fā)生;四是變異方式,本文一般的變異方式是隨機選取某物資,改變物資在某倉庫的存儲狀態(tài)及數(shù)量,按一定概率發(fā)生;另外有一種調(diào)整方式,也可理解為一種變異方式,針對交叉、變異后的染色體,如果獲得的染色體不滿足比例要求,則需要進(jìn)行根據(jù)充足系數(shù)的調(diào)整;五是結(jié)束方式上,采用了自適應(yīng)的結(jié)束方式,減少了計算量,提高了計算效率。
.........
參考文獻(xiàn)(略)

，

本文編號：34833