浅谈自动化仓储管理系统之储位分配逻辑

随着物流业的不断发展和信息技术的广泛应用,仓储物流已经成为物流系统的核心之一,是企业物资流通供应链中的一个重要环节。而合理的对仓库进行储位分配优化就是一个相当值得研究的课题,它可以缩短货品出入库移动的距离、减少作业时间、能充分利用仓库的储存空间,以提高效益。     

仓储密集区域物流配送点储位分配优化仿真

当前的物流配送点储位分配方法无法对储位与入库站台间的距离实现最优调节,导致传统方法下的货物出库效率偏低.针对密集型仓储区域提出了储位分配优化方法.依照"1～最大储位数"规律对仓库内所有储位编码排序,利用位置信息计算与出入库站台间的距离特征码,按照货物种类的不同,将货架划分为扇形区域.结合储位优化策略,考虑货架自身的稳定...     

配送中心拣货路径与储位分配策略仿真分析

在启发式拣货路径与储位分配策略选择问题的研究中,路径和储位分配策略都影响着分拣绩效,同时不同的需求特征也会影响路径和储位分配策略的选择.为提高效率,对传统的最大间隙路径进行改进.静态优化模型不能体现需求的多样性.运用蒙特卡罗仿真方法,以低层人至货拣货区域为例,将多种路径与储位分配策略组合在多种订单规模和不同热销度比例下进行对比实验.仿真结果表明改进的最大间隙路径一直都优于原来的最大间隙路径策略,最佳的路径与存储策略组合为改进的最大间隙路径与通道原则.这将为分拣系统设计和管理优化提供辅助决策.     

基于遗传模拟退火算法的立体仓库储位优化

针对自动化立体仓库储位分配问题,结合仓库运作特点和安全性要求,构建了自动化立体仓库储位优化问题的多目标模型,并提出了求解模型的基于Sigmoid曲线的改进自适应遗传模拟退火算法（SAGA）。首先,以降低货品出入库时间、同组货品距离和货架重心为目标建立储位优化模型;然后,为了克服遗传算法（GA）局部搜索能力差和易陷入局部最优的缺点,引入基于Sigmoid曲线的自适应交叉变异操作和逆转操作,同时完成与SAGA的融合;最后,对改进遗传SAGA进行算法优化性、稳定性和收敛性测试。仿真实验表明,相比模拟退火（SA）算法的求解结果,该算法对货品出入库时间的优化度提高了37.7949个百分点、对同组货品距离提高了58.4630个百分点、对货架重心优化度提高了25.9275个百分点,并且该算法具有更好的稳定性和收敛性。由此验证了改进遗传SAGA求解问题的有效性,该算法可为自动化立体仓库储位优化提供决策方法。     

具有总能耗约束的柔性作业车间调度问题研究

针对具有总能耗约束的柔性作业车间调度问题（Flexible job shop scheduling problem,FJSP）,提出一种基于帝国竞争算法（Imperialist competitive algorithm,ICA）和变邻域搜索（Variable neighborhood search,VNS）的双阶段算法,该算法在总能耗不超过给定阈值的条件下最小化Makespan和总延迟时间.由于能耗约束不是总能满足且阈值往往难以事先给定,为此,第一阶段,首先,将原问题转化为具有Makespan、总延迟时间和总能耗的三目标FJSP,然后,利用初始帝国构建和帝国竞争的新策略设计一种ICA对问题求解,并根据ICA的结果确定总能耗阈值;第二阶段,应用解的比较新策略、非劣解集更新方法和当前解周期性更新,构建VNS对原问题求解.计算实验和结果分析表明,两阶段算法对于所研究的问题搜索能力强.     

离散型帝国竞争算法在仓储订单调度中的应用

针对自动化立体仓储的订单批量处理过程中的优化调度问题, 采用离散型帝国竞争算法对订单调度流程进行求解, 构建出库订单优先调度和复合订单调度两种对比流程来进行优劣势的探讨以及算法比较. 调度实例求解结果表明, 所提出算法的优化质量更高, 且在处理大批量复合订单时更具有优越性, 从而验证了所提出算法的有效性和优越性.     

基于改进遗传算法的动态交通分配优化研究

传统的优化算法大多数由于计算量大或者容易使性能指标落入局部最优值而严重制约了模型的应用与发展,而用遗传算法等新的智能算法求解则会很简洁和方便。文章针对遗传算法在应用中存在的局限性,采用了小生境技术的遗传算法,结合精英保留策略、种群多样性保持方案、新的适应度值标定方式等改进遗传算法。通过对动态交通分配的特点分析,建立了动态交通分配模型,利用改进的遗传算法对模型进行求解。仿真结果体现了动态交通分配模型的有效性和改进遗传算法的优越性,大大提高了动态交通分配模型的实用价值。     

改进SHO求解自动化立体仓库能耗优化调度问题

针对带有完工时间约束的自动化立体仓库任务调度问题,提出一种货位再分配策略,对货物进行合理的货位分配,并产生任务先后约束,建立以堆垛机总能耗最低为优化目标的数学调度模型,并引入相应的惩罚函数,采用一种改进的海马优化算法（improved sea-horse optimizer,I-SHO）作为全局优化算法并进行求解。在原始海马优化算法（sea-horse optimizer,SHO）的基础上,融合混沌映射与对立学习策略,提高了初始解的质量。引入自适应t分布变异策略,避免陷入局部最优,并且设置修正机制,使解满足任务先后约束。引入混合种群寻优策略,进一步优化算法的搜索能力。最后通过实验进行验证,将海马优化算法、遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）作为对比算法,验证了I-SHO在求解自动化立体仓库能耗优化调度问题上的有效性。     

自动化立体仓库货位分配与作业调度集成优化

针对动态提高单载具堆垛机式自动化立体仓库拣选效率的问题,文中提出了一种基于共享货位存储与动态订单拣选策略下的货位分配与作业调度集成优化方法。将动态移库优化扩展到仓库的整个拣选生命周期,建立以双指令循环下堆垛机拣选任务所需的总作业时间最短为评价目标的数学模型,提出了一种基于K-Medoids聚类的粒子群优化(Particle Swarm Optimization,PSO)算法,用K-Medoids算法通过产品与订单的相关性进行初始货位的聚类分析,筛除劣质解的货位范围,并在K-Medoids聚类算法生成的解类簇基础上获得精确解。实验结果表明,考虑动态移库可以使仓库拣选效率提高20%,且该算法与传统PSO算法相比求解时间下降66%左右。     

求解分布式两阶段装配流水车间调度的帝国竞争–协作算法

针对分布式两阶段装配流水车间调度问题(DTAFSP),提出了一种新型优化方法—帝国竞争–协作算法(ICCA)以最小化总延迟时间.该算法在帝国竞争算法基础上,结合历史进化数据,提出一种基于最强帝国搜索能力与最弱帝国计算资源之间自适应交换的帝国间协作方法,并给出一种新型帝国竞争策略,以提高算法搜索效率.进行了大量计算实验,计算结果验证了ICCA策略的合理性和有效性以及它在求解DTAFSP方面较强的搜索优势.     

Manufacturer-retailer supply chain coordination: A bi-level programming approach

This paper investigates a multi-product manufacturer-retailer supply chain where demand of each product is jointly influenced by price and advertising expenditure. We propose a Stackelberg game framework under two power scenarios. In the first, we consider the traditional approach where the manufacturer is the leader. In the latter, we allow the retailer to act as the dominant member of the supply chain. Bi-level programming approach is applied to find the optimal equilibrium prices, advertising expenditures and production policies; then several solution procedures, including imperialist competitive algorithm, modified imperialist competitive algorithm, and evolution strategy are proposed. Finally numerical experiments are carried out to evaluate the effectiveness of models as well as solution procedures.     

帝国竞争算法的进化优化

为了改善帝国竞争算法（imperialist competitive algorithm,ICA）易早熟收敛、精度低等缺点,提出了两种基于生物进化的改进ICA算法。针对殖民地改革算子可能使势力较强的殖民地丢失,导致寻优精度降低的不足,引入了一种微分进化算子,利用殖民地之间的信息交互产生新的殖民地,在增强群体多样性的同时保留了优秀个体。另外,针对帝国之间缺乏有效的信息交互这一情况,引入了克隆进化算子,对势力较强的国家进行克隆繁殖,并经过克隆群体的高频变异和随机交叉,选择势力较强的国家取代势力较弱的国家,从而有效地引导算法向最优解方向搜索。将算法应用于6个基准函数和6个经典复合函数优化问题,并与其他ICA改进算法进行比较,结果表明,基于生物进化的ICA算法在收敛精度、收敛速度及稳定性上有显著提高。     

求解旅行商问题的多样化搜索帝国竞争算法

帝国竞争算法是一种局部搜索能力较强的群智能优化算法，但过度的局部搜索会导致多样性丢失并陷入局部最优。针对这一问题提出基于多样化搜索的帝国竞争算法（MSSICA）。将国家定义为一条可行解，将王国定义成四种特性不同的组合人造解方式。在搜索时使用区块机制保留各自的优势解片段，并对不同的帝国使用差异化的组合人造解方式以搜索不同解空间的有效可行解信息。在陷入局部最优时，使用多样化搜索策略注入均匀分布的可行解替换较无优势的解以提升多样性。实验结果显示，多样化搜索策略可以有效地改善帝国算法的求解多样性，并提升求解质量与稳定性。     

一种新型约束多目标帝国竞争算法

针对约束多目标优化问题，提出了一种基于约束违背程度和Pareto支配的有效约束处理策略，并设计了一种新型多目标帝国竞争算法（MOICA）.该算法采用一种简化的初始帝国构建过程，在同化过程引入了向外部档案内非劣解学习的机制，并基于帝国势力新定义的帝国竞争新方法以获取问题高质量的解.选用了7个测试问题CF1~CF7进行计算实验并和多种算法进行对比.计算结果表明， MOICA在求解约束多目标优化问题方面具有较强的搜索能力和优势.     

An imperialist competitive algorithm for virtual machine placement in cloud computing

Abstract

Cloud computing, the recently emerged revolution in IT industry, is empowered by virtualisation technology. In this paradigm, the user’s applications run over some virtual machines (VMs). The process of selecting proper physical machines to host these virtual machines is called virtual machine placement. It plays an important role on resource utilisation and power efficiency of cloud computing environment. In this paper, we propose an imperialist competitive-based algorithm for the virtual machine placement problem called ICA-VMPLC. The base optimisation algorithm is chosen to be ICA because of its ease in neighbourhood movement, good convergence rate and suitable terminology. The proposed algorithm investigates search space in a unique manner to efficiently obtain optimal placement solution that simultaneously minimises power consumption and total resource wastage. Its final solution performance is compared with several existing methods such as grouping genetic and ant colony-based algorithms as well as bin packing heuristic. The simulation results show that the proposed method is superior to other tested algorithms in terms of power consumption, resource wastage, CPU usage efficiency and memory usage efficiency.     

基于帝国主义竞争算法的WSNs定位方案

遗传算法(GA)在无线传感器网络(WSNs)定位时存在收敛速度慢、精度低等弊端,针对以上问题,提出了一种利用帝国主义竞争算法(ICA)优化WSNs定位的方案。首先,使用了采样的方法来估计未知节点的初始位置;其次,依靠信标节点和相邻节点的相关信息建立了以最小化全局误差的三维空间的数学定位模型;最后,使用了最新的社会启发算法—ICA来进行定位优化。实验结果表明:与GA定位相比,ICA在WSNs定位上具有定位精度高、收敛迅速的优势。     

可靠性绿色物流配送选址-路径问题研究

为了使物流配送系统安全、有效地运作,并减少环境污染,研究可靠性绿色物流配送选址-路径问题,同时考虑运输油耗和CO2排放及配送中心和运输线路的中断。建立物流配送网络选址-路径优化模型,在满足车辆路径可靠性约束的条件下,最小化总成本,包括物流配送成本及运输油耗和CO2排放成本。根据问题特点,设计一种混合帝国竞争算法（HICA）求解,采用实数编码方式,并利用变异和交叉操作产生新的殖民地位置。最后,通过不同规模的仿真实验对模型的合理性及HICA算法的有效性进行验证,并对可靠性水平的影响进行了分析。实验结果表明,HICA能够对不同规模的问题进行有效求解,并且在不同的可靠性水平下保持稳定的性能,而且其算法性能优于标准ICA算法。