考虑半托盘出库的堆垛机复合作业拣选路径优化研究

结合自动化立体仓库中堆垛机执行出入库作业的实际情况，提出了考虑半托盘出库情况下的堆垛机复合作业拣选路径优化问题，并构建了该问题的数学模型。针对研究问题的特点，利用一种离散烟花算法进行模型求解，采用爆炸算子和变异算子执行烟花的爆炸操作，实现算法的全局搜索和局部搜索；应用精英选择策略和类似轮盘赌策略以提高收敛效果。最后以某烟草物流公司自动化立体仓库的堆垛机拣选作业为例，将离散烟花算法与其他算法的运算结果作对比，验证了该算法更具求解优势。     

立体仓库固定货架拣选作业优化研究

目前,我国大部分立体仓库中已基本使用先进的机械化设备,但是对于固定货架的拣选作业优化问题方面的研究却没有得到人们重视。应用TransCAD软件优化求解堆垛机最优拣选作业路径,并进行模拟仿真。     

三维装载约束的车辆路径问题的模拟退火算法

传统的车辆路径问题只考虑物品装载的质量属性约束,而忽略其他装载属性约束.针对这种情况,研究了三维装载约束的车辆路径问题,提出了三维装载的处理算法,基于模拟退火算法设计了一种两阶段启发式算法进行求解:第1阶段通过启发式算法得到初始解;第2阶段通过模拟退火算法对初始解进行改进,构造了测试集对结果进行验证.实验结果显示该算法是能够有效的求解该问题.     

基于改进自适应遗传算法求解有色金属立体仓库堆垛机路径优化问题

针对有色金属自动化立体仓库系统,建立其实体模型。通过对遗传算法进行自适应改进,算出能够随时适应的遗传算子,克服了传统遗传算法的早熟收敛问题。通过运用序号法设定各货位在立体仓库中的位置,建立堆垛机拣选作业的数学模型,运用改进遗传算法对初始路径进行改进,得出最优解,并运用Matlab遗传算法工具箱对此进行仿真,实验结果表明,此方法收敛速度快,可以获得全局最优解,其堆垛机路径规划更加快速和有效。     

基于混合粒子群算法的物流配送路径优化问题研究

针对物流配送路径优化问题,提出了一种融合Powell局部寻优算法和模拟退火算法的混合粒子群算法,以克服单用粒子群算法求解问题早熟收敛的不足,增加算法的开发能力,提高算法的全局搜索能力,并进行了实验计算.计算结果表明,用混合粒子群算法求解物流配送路径优化问题,可以在一定程度上提高粒子群算法在局部搜索能力和搜索全局最优解概率,从而得到质量较高的解.     

基于鱼骨型仓库布局的多车拣选路径问题优化

为了推动鱼骨型仓库在实际场景下的应用,针对鱼骨型仓库布局下的拣货路径优化问题,构建待拣货点距离计算模型和以有载重、容积限制的多车拣货距离最短为总目标的拣选路径优化模型。考虑遗传算法(GA)全局搜索能力强、粒子群算法(GAPSO)收敛速度快以及蚁群算法(ACO)较强的局部寻优能力,提出一种解决拣选路径优化模型的混合算法(GA-PSO-ACO)。通过不同订单规模的仿真实验,得出该混合算法在适应度值、迭代次数、收敛速度等方面均优于GA算法和GAPSO算法,且在订单规模较大时,平均适应度值约降低8%,有效缩短了总拣选距离,验证了混合算法在解决鱼骨型仓库布局下的拣货路径问题的先进性和有效性,为解决此类仓库内部的拣货路径问题提供新的解决方法和思路。     

循环取货带有时间窗约束的入库道口车辆调度

研究了循环取货模式下带有时间窗约束的入库道口车辆调度问题,为使车辆运输成本和取货时间成本、卸货时间成本最小,建立混合整数规划数学模型,设计了两阶段算法求解模型,第一阶段产生满足容量约束的较好初始解,第二阶段通过发车时间与路径同时编码的模拟退火算法进行求解,根据某汽车制造商循环取货的实际运作情况,构造算例并验证了该模型和算法的有效性。结论表明,制造商处的道口限制对循环取货发车时间与路径调度有较大影响,同时对发车时间和路径进行调度更有利于降低循环取货的运输费用。     

基于混合粒子群算法的群岛泊位分配问题研究

泊位分配是提高港口运营效率的关键。针对群岛泊位分配问题,以船舶总在港时间为优化目标,构建了群岛泊位分配问题模型,并提出了一种混合粒子群算法进行求解。该算法在更新粒子状态时加入模拟退火和免疫调节操作,增强了算法的全局搜索能力。实验结果表明,混合粒子群算法在求解群岛泊位分配问题时,具有较好的优化性能,验证了算法的有效性和可行性。     

政府补贴和再制造收益影响下的集配一体化车辆路径问题研究

针对废旧品回收过程中存在的政府补贴和再制造收益等问题,进行了以最大化企业利润为目标的集配一体化车辆路径问题(VRPSPD)研究,设计了改进混合蛙跳算法(ISFLA)进行求解。该算法利用改进扫描算法生成初始种群,采取多样性策略进行族群分配,设计深度领域搜索机制进行更优化探索。对比实验结果表明,考虑政府补贴和再制造收益的调度方案总利润平均增加6%,可以有效提高企业利润,做出更优决策;所设计算法与遗传算法(GA)、模拟退火(SA)算法等经典算法相比,具有更好的收敛速度与求解精度,可以有效解决此类问题。     

装卸一体化电动汽车路径问题建模与优化

通过引入比能耗,首次将载货量和行驶距离同时作为电动汽车能耗的影响因素进行分析,并着重强调了载货量在电动汽车路径规划中的重要性。以电动汽车固定使用成本和能耗成本所构成的总成本最小为优化目标,建立了装卸一体化电动汽车路径问题的混合整数规划模型,并提出了基于变邻域搜索和模拟退火的混合启发式求解算法。为测试算法的有效性,设计了不同规模的测试算例,其中小规模算例的求解结果与CPLEX一样好,大规模算例可以在短时间内给出具有良好鲁棒性的解。企业实际算例和充电策略分析结果进一步验证了算法的有效性。     

考虑排产约束的汽车零部件出库订单排序优化北大核心CSSCI

针对TPL仓库面向汽车零部件企业的产前物料拣选和配送作业环节,研究了JIT生产模式下配送送达时间限定和生产线缓冲库容量有限条件下的出库作业拣选订单排序的优化模型及算法。在分析现有拣选订单排序模式的基础上,提出了融合现有模式优点的新作业模式,建立了该模式下拣选订单排序优化模型,并针对这一整数组合优化模型,设计了一套基于贪心理论的算法对其进行求解。通过实际案例分析表明,该模型及算法可以达到减少拣选作业空余时间、提高作业效率、降低作业成本的目的。     

基于密度峰值聚类的VRPTW问题研究

提出一种密度峰值聚类 (density peak clustering, DPC)与遗传算法(genetic algorithm, GA)相结合的新型混合算法(density peak clustering with genetic algorithm, DGA),求解带时间窗的车辆路径问题。首先应用DPC对客户进行聚类以缩减问题规模,再将聚类后的客户用GA进行线路优化。结果表明：DGA在9个数据集上的平均值比模拟退火(simulated annealing, SA)和禁忌搜索(Tabu)分别提高了13.41%和4.7%,单个数据集最大提高了26.4%。这证明了该算法是求解车辆调度问题的高效算法。     

考虑排产约束的汽车零部件出库订单排序优化

针对TPL仓库面向汽车零部件企业的产前物料拣选和配送作业环节,研究了JIT生产模式下配送送达时间限定和生产线缓冲库容量有限条件下的出库作业拣选订单排序的优化模型及算法。在分析现有拣选订单排序模式的基础上,提出了融合现有模式优点的新作业模式,建立了该模式下拣选订单排序优化模型,并针对这一整数组合优化模型,设计了一套基于贪心理论的算法对其进行求解。通过实际案例分析表明,该模型及算法可以达到减少拣选作业空余时间、提高作业效率、降低作业成本的目的。     

基于改进模拟退火遗传算法的自动化立体仓库 货位优化

针对自动化立体仓库出入库作业量大、品类复杂等特点,对仓库货位展开优化研究,遵循周转率原则、货架稳定原则、关联原则等,构建了提高出库效率、提高货架稳定性、增强货物相关性的货位优化模型。使用传统模拟退火算法、遗传算法与改进模拟退火遗传算法求解模型,得出货位优化结果。对比分析结果证明了在解决货位优化问题时,改进算法比传统基础算法更加有效,能更好地改善自动化立体仓库空间使用率低、拣选效率低、货位摆放混乱的现状。     

基于退火算法的物流配送网的求优研究

模拟退火算法是一种启发式算法,是受到加热紧缩的退火过程所启发而提出来一种求解组合优化问题的一种逼近算法。算法要优于传统的贪婪算法,避免了陷入局部最优的可能,从而达到全局最优解。在物流配送网络中经常为有一些寻求最短路径等问题出现,为了能够达到最短、最优、最经济等,需要进行物流配送路径寻优。文中采用模拟退火算法进行一个示例的验证,效果证明可行。     

求解VRP问题的混沌模拟退火萤火虫算法

目的使萤火虫优化算法(GSO)能够适用于车辆路径问题(VRP)的求解,同时提高该算法的求解性能。方法通过对GSO算法的改进,提出求解VRP问题的混沌模拟退火萤火虫优化算法(CSAGSO)。首先,设计改进的GSO算法(IGSO)使IGSO算法能够适应VRP问题的求解;其次,在IGSO算法中引入模拟退火机制,提出模拟退火萤火虫优化算法(SAGSO),使IGSO算法可有效避免陷入局部极小并最终趋于全局最优。然后,在SAGSO算法中引入混沌机制,提出CSAGSO算法,对SAGSO算法的荧光素浓度值进行混沌初始化和混沌扰动;最后,对标准算例集进行仿真测试。结果与遗传算法、蚁群算法和粒子群算法相比,CSAGSO算法的全局寻优能力、收敛速度及稳定性均改善了50%以上。结论对GSO算法的改进是合理的,且CSAGSO算法的全局优化能力、收敛速度和稳定性均优于遗传算法、蚁群算法和粒子群算法。     

基于有限缓存区的多任务并行分拣调度研究

通过对某物流车间的实际调研,将自动化立体仓库出货台空间限制作为优化问题的约束条件,建立订单并行分拣模式下堆垛机调度问题的模型,并采用蚁群算法进行求解。在求解过程中,根据问题假设设定了算法相关的状态转移概率公式,并采用动态更新信息素浓度的改进型方式避免传统蚁群算法早熟的情况。最后根据工厂的实际订单信息给出了算例,并通过两种不同算法和不同参数设置的比较,说明通过蚁群算法求解该优化问题的有效性。数值试验显示该蚁群算法相比传统优化算法效率提升了10.5%。     

基于遗传算法的分区拣选系统储位优化实证研究

目的研究零售连锁企业区域配送中心分区拣选系统下的储位优化方法。方法以某药品连锁零售企业区域配送中心为研究对象,将不同分区的拣选时间趋于均衡作为储位优化目标,结合样本订单与历史订单的特点,建立储位优化数学模型,并采用遗传算法进行求解,以获取约束条件内该模型的最优解。结果在样本订单占80%权重的前提下,将所求得的分区与储位的解所对应的拣选时间,与研究对象的拣选现状进行对比,发现采用均衡各区拣选时间模型的求解结果提高了37.34%的效率,优化效果显著。结论实证研究证明了该模型和算法的有效性,该优化方法也广泛适用于其他分区拣选系统的储位分配作业。     

基于混合模拟退火算法的多阶段库存路径问题研究

研究单个集散点与多个客户之间的运输问题,综合考虑物流系统的库存成本、运输成本以及卡车的租用成本等因素,以实现总费用的最小化,并将其抽象成多阶段库存路径问题。以每个时间阶段各个客户的订购量为研究对象,采用混合模拟退火算法进行求解,算法中加入了C-W节约算法产生初始解,通过多路径的插入与交换操作来对初始可行解进行改进。数值实验证明了库存路径问题得到的解要优于一般的车辆路径问题得到的解,本文还对库存路径问题中的单位货物库存成本专门进行了分析研究,以确定其取值范围对物流系统总费用的影响。     

基于二进制粒群的拣选作业优化

目的提高电子标签拣选系统中拣选作业的效率与货位占有率。方法以某电子拣选库为研究对象,提出以订单完成度、货位占有率以及货位聚集度为目标的拣选优化模型。设计基于二进制粒子群算法(BPSO)和遗传算法(GA)的模型求解仿生算法。结果试验及优化结果表明,基于BPSO的电子拣选库订单的完成度、货位占有率以及货位聚集度较遗传算法更高。结论基于二进制粒子群算法求解的优化模型较符合实际的电子拣选库人工拣选作业,同时仓储作业货位的利用率及拣选效率得到了提高。