改进自适应遗传算法求解“货到人”拣选系统订单分批问题

“货到人”拣选系统采用自动导引运输车(Automated guided vehicle,AGV)实现自动拣选作业,由AGV搬运货架到拣选站台,再由拣选人员从货架上拣取商品。订单分批作为拣选作业的准备工作,是影响AGV搬运次数和人工拣货次数的关键因素,优化订单分批策略对提高“货到人”拣选系统效率至关重要。在电商智能仓库背景下,综合考虑订单需求多种商品、商品多货架分布存储、订单与货架供需匹配关系未知等实际因素,以人工拣选成本和AGV搬运成本之和最小为目标构建数学模型,并设计改进自适应遗传算法求解。该算法采用启发式策略生成初始种群,引入具有自适应变换概率的交叉和变异算子,并加入局部搜索过程以增强寻优能力。最后通过试验测试验证模型和算法的有效性,证明种群初始化方法的优势,并采用灵敏度分析给出合理的周转箱数量配置建议。研究可为电商企业通过订单分批优化提高拣选效率、降低拣选成本提供实践指导,为“货到人”拣选系统的实际应用提供科学依据。     

考虑拆分策略的智能仓库订单拣选优化问题

智能仓库中用智能拣货车和拣货机器人代替了传统的拣货员,从而能实行更加有效的拣货方案.针对以最小化总延误时间为目标的智能仓库的订单拣选问题,考虑订单可以被拆分的情形,提出订单拆分策略,并建立了相应的非线性0-1整数规划模型.为高效求解智能仓库订单拣选优化问题,将问题的模型分解为订单分批阶段和批次分配阶段,并分别设计订单分批算法和智能果蝇优化算法.数值实验结果表明,拆分策略能明显减小智能仓库中订单拣选的总延误时间;通过与同类型算法的比较发现,所提出的智能果蝇优化算法具有更优越的性能.     

Flying-Ⅴ型仓储布局下的拣货路径优化

为了提高现代仓库作业中的拣货作业这一核心环节的拣货效率,提出了一种以蚁群算法作为优化算法来解决仓库订单拣选的路径优化问题.这种算法采用正反馈机制,其使得搜索过程不断收敛,最终逼近最优解.而根据Flying-Ⅴ型仓库布局的特点,建立了订单拣选优化路径模型,并通过仿真实验,对传统穿越策略,S形启发式算法,蚁群算法三种算法的性能进行了比较,比较结果表明蚁群算法优化拣货路径可以明显地缩短拣货距离,大大提高拣货效率,在实际运用中也具有良好的实用性.     

双拣货区自动分拣系统品项分配优化

提前拣选、压缩合流的分拣策略使双拣货区自动分拣系统的拣选效率明显高于单拣货区自动分拣系统,基于此提出该策略下品项分配优化问题。介绍压缩合流的工作原理,确定双拣货区的品项分配对订单的压缩程度及提前拣选时间的影响。以负的各订单提前拣选时间之和最小为目标函数建立数学模型,该模型可归结为0-1规划问题并应用最大最小蚂蚁系统算法求解。实例仿真与分析证明了该算法的有效性。     

Flying-V型仓储布局下的拣货路径优化

为了提高现代仓库作业中的拣货作业这一核心环节的拣货效率,提出了一种以蚁群算法作为优化算法来解决仓库订单拣选的路径优化问题。这种算法采用正反馈机制,其使得搜索过程不断收敛,最终逼近最优解。而根据Flying-V型仓库布局的特点,建立了订单拣选优化路径模型,并通过仿真实验,对传统穿越策略,S形启发式算法,蚁群算法三种算法的性能进行了比较,比较结果表明蚁群算法优化拣货路径可以明显地缩短拣货距离,大大提高拣货效率,在实际运用中也具有良好的实用性。     

基于遗传算法的订单分批策略研究

选择合理且有效的订单分批策略,在优化分拣作业流程、减少作业处理时间方面起着关键的作用。基于遗传算法,对"货到人"工作场景下的订单分批问题构造了相应的数学模型进行求解。通过设定初始种群、选择、交叉、变异等遗传操作设计得到了有效的分批结果,验证了采用基于遗传算法的订单分批策略能够有效提升物流中心的拣选效率。     

串行合流下阵列式自动拣选系统品项分配优化

为提高阵列式自动拣选系统的拣选效率,提出基于品项相关性的品项分配方法。在串行合流模式下,设备订单拣选总时间等于拣货区拣选时间总和,以最小化拣货区拣选时间总和为目标建立品项分配模型。为求解该模型,将品项并行分拣节省的独立拣选时间作为品项相似系数,提出一种启发式聚类算法。该算法的核心思想是通过将相关性强的品项分配至同一拣货区,增加各拣货区内的并行拣货量,同时减少各订单内参与拣选的拣货区个数,提高系统分拣效率。某医药物流配送中心阵列式自动拣选机的实例分析表明,采用启发式聚类算法可使订单拣选总时间减少约8%。     

基于并行拣选策略的自动拣选系统品项分配

为提高自动拣选系统工作效率,建立了基于并行拣选策略的品项分配问题数学模型.该模型的优化目标是将需求相关性大的货物品项分配到不同拣货区,使得各订单拣选量均衡分布在各拣货区.模型中引入了相似系数表示任意两品项间的相关性,并根据自动拣选系统的特点加入拣选量因子,按照是否体现拣选量差异性设计了两种改进相似系数.为求解该模型,提出了一种启发式聚类算法.仿真分析表明,使用该算法求解后,采用改进相似系数的模型可得到更好的结果,且体现拣选量差异性的相似系数最优.     

复合拣选策略下堆垛机作业序列优化问题

订单拣选是配送中心最费时费力的环节,配送速度不仅是新型电商的核心竞争力也是大型制造企业物料配送的核心指标,复合式拣选策略成为提高配送速度的重要方式。结合复合式拣选方式中货物之间不同的出货要求,将货物按照出货的紧急程度进行分类,建立了以能耗成本、作业时间以及出货惩罚值最小化为目标的堆垛机拣选作业序列多目标优化模型。通过改进带精英策略的非支配排序遗传算法(NSGA-Ⅱ)实现该问题的高效求解。算例分析表明,复合式拣选策略下可实现大多数订单的提前拣选,改进优化算法可为决策者在成本、效率和服务质量3个维度提供科学决策依据。     

无人仓系统订单分批问题及K-max聚类算法

为了提高订单拣选效率、降低拣选成本,研究了以自动引导小车(AGV)为搬运工具的无人仓库系统订单分批问题.分析了影响订单拣选成本和效率的两种主要因素,建立了以订单分批拣选总成本极小化为目标的整数规划模型.根据K-means聚类算法思想,结合订单分批问题的优化目标,基于每批订单中包含的商品种类和拣选每批订单需要搬运的货架信息,利用取大(max)运算符分别定义了能够反映订单拣选成本的两种类中心,以及订单到两种类中心的距离.进一步以工作人员拣选每种商品的单位成本和AGV搬运一个货架的成本为权重,构造了订单到批次(类中心)的加权距离.在此基础上设计了K-max聚类算法求解订单分批问题.采用具体算例验证了K-max聚类算法的有效性.     

订单分批问题的数学模型及节约启发式算法

构造了拣货作业中订单分批问题的数学模型,在一些模型假设的基础上,提出了解决该问题的节约启发式算法。算例分析表明,该算法的订单分批结果优于传统的先到先服务分批结果,为实现订单优化分批拣货作业提供了新方法。     

考虑客户收货顺序的“货到人”分拣系统的订单排序和客户分批优化

可以并行分拣多个客户订单的"货到人"分拣系统中,每个客户包含多个订单,客户要求按订单排序依次收货。为提高该系统的分拣效率,以最小化料箱出入库数量为目标,从订单排序和客户分批两方面进行优化。分别建立两个0-1整数规划模型解决多客户同时拣选时的订单排序优化和客户分批优化问题;针对客户分批问题,又提出种子算法和遗传算法来解决。设计试验检验了不同客户数量、客户订单数量、总品项数量时订单排序模型和客户分批算法的优化效果。试验结果表明,0-1整数规划模型优化订单排序,可提高效率约15%,具有有效性;客户分批优化方面,0-1整数规划模型、遗传算法和种子算法都可以不同程度地提高系统效率,分别适合不同问题规模和时间要求的场景。     

动态拣选系统下订单分批问题研究

对分区拣选系统研究在线订单分批策略.基于排队论角度,采用随机过程、随机服务系统的基本理论与方法,构建串行分区下订单不分批与订单固定时间窗分批拣选的随机服务系统模型,确定要研究对比的系统效率指标.在MAT-LAB R2019a软件环境下模拟在线订单到达情况,分析系统效率指标并找出分区拣选系统的最优分批策略.仿真验证结果表...     

面向智能仓储的Kiva机器人拣货策略优化算法

针对电商仓储中Kiva机器人拣选存在效率低下和订单分配不合理等问题,构建了以Kiva机器人拣货总行驶距离最小为目标的订单分配优化模型,设计基于差异聚类和邻域搜索的优化算法来求解模型。以电商实际订单数据为例,分析了不同规模算例下该算法的性能和稳定性。结果表明：针对不同规模算例,基于差异聚类和邻域搜索的优化算法相比与Gurobi和基于差异聚类的算法能够在更短的时间内获得更优的结果,并且算法的稳定性较好。通过本项研究,决策者们可以将订单合理分配至各拣货单,从而提高仓库拣货效率。     

基于聚类算法的订单分批策略研究

订单分批是物流中心提高作业分拣效率的一个有效方法。主要针对“货到人”模式下的订单分批问题,构造了基于聚类算法的数学模型,并以最小化货物搬运次数为目标函数进行求解。通过在不同规模的订单数据下,比较基于聚类算法的分批策略与采用先到先分批策略、不分批策略在拣选作业中的实际效果,表明该算法能有效提高分拣任务的作业效率。     

基于改进遗传算法的托盘拣选延误时间优化

针对船企集配中心舾装件托盘拣选延误时间过长的问题,分析在多拣选人员条件下舾装件托盘的分批、指派及排序流程,提出基于改进遗传算法的舾装件托盘智能拣选方法。研究建立以总延误时间为优化目标的数学模型,并设计改进遗传算法求解模型。算法采用基于托盘的单层整数编码方式,通过用各染色体代表不同的托盘排序序列,在选择、交叉和变异操作后引入进化逆转和插入操作,来提高算法的整体优化效率。通过实例对比分析验证了该算法的有效性。     

一种两类“货到人”订单拣选系统的适用性选择方法

提出一种能在两类"货到人"订单拣选系统(即自动存储及取货系统(Automated storage and retrieval system,AS/RS)和Carousel系统)之间依据不同订单类型进行系统适用性选择的系统优化方法。订单拣选系统最常用的两种作业策略分区策略和分批策略本质上都是对订单的聚类,因此订单可以被分为很多一维单元化网格;根据各系统的逻辑运动关系,得到单元化网格的拣选时间表达式;利用作业时间模型和空间填充线,对单元化网格进行聚类,得到二维系统的总订单拣选时间,采用遗传算法计算各系统的最优值;比较各系统的时间选择适用性,即选择总订单拣选时间更小的系统。通过对四类不同类型的订单进行试验研究,初步得出两类系统对四类订单的适用性分析和系统参数敏感性分析。     

配送中心订单分批拣货模型及包络算法

对订单分批问题进行分析,构造了拣货作业订单分批问题的数学模型。以装箱算法为基础,考虑订单品项分布的具体位置,提出订单分批问题的包络算法,并用算例验证了算法的有效性和实用性。     

“货到人”拣选系统订单排序优化

"货到人"拣选系统采用"出库-拣选-回库"的拣选模式,货箱出入库频率高成为制约拣选效率的关键。为降低货箱出入库频率,进而提高系统拣选效率,提出订单排序优化模型。定义订单耦合因子表示两个订单之间可放置于拣选缓存中的共用货箱数量,并以此作为模型参数,将优化目标由提高拣选效率转化为降低货箱出入库频率。模型中,每个拣选台内的订单排序优化问题可归结为旅行商(Tranvelling salesman problem,TSP)问题。为求解模型,提出改进的K-Means聚类算法。计算每个订单与其他订单间的耦合因子,并对其进行排序;以单拣选台所有订单的耦合因子之和最大为目标,为每个拣选台分配订单并对订单进行排序。仿真结果显示,优化后系统拣选效率提高15.9%。     

基于GA遗传算法的国家电网仓储分拣业务优化

国家电网仓储业务的优化对于建立国网现代化物资管理体系、优化物资配送效率意义重大。为了提高仓储业务的工作效率,针对仓储业务中分拣环节存在的诸多问题,提出一种基于GA遗传算法的仓储分拣业务优化策略,通过建立仓储分拣业务模型,进行基于遗传算法的仓储分拣业务优化实验。实验结果表明,采用GA算法优化后,拣货时间、距离相较于优化前大为缩短,拣货工作效率得到显著提升,充分证明了本优化策略的可靠性。基于GA遗传算法的分拣业务优化策略,为国网仓储业务的优化提供了参考依据,为提高国网仓储运营效率,构建智能化仓储管理系统,建设现代化电网物资管理体系做了理论铺垫;同时,该策略对优化其他仓储类业务同样具有积极借鉴意义。