李鵬飛，馬 航

(西安郵電大學(xué)經(jīng)濟與管理學(xué)院，陜西 西安 710121)

?

基于病毒協(xié)同遺傳算法的自動化立體倉庫貨位優(yōu)化模型

李鵬飛，馬 航

(西安郵電大學(xué)經(jīng)濟與管理學(xué)院，陜西 西安 710121)

自動化立體倉庫是一個錯綜復(fù)雜的存儲系統(tǒng)，貨位優(yōu)化問題直接影響自動化立體倉庫的工作效率。針對自動化立體倉庫的貨位選擇問題，本文提出以出入庫效率和貨架穩(wěn)定性為優(yōu)化因素的貨位優(yōu)化模型，并采取病毒協(xié)同遺傳算法對優(yōu)化模型進行仿真。最后對仿真結(jié)果及貨位優(yōu)化前，病毒協(xié)同遺傳算法優(yōu)化后，傳統(tǒng)遺傳算法優(yōu)化后三者的對比結(jié)果進行分析，結(jié)果說明病毒協(xié)同遺傳算法(VEGA)能有效實現(xiàn)自動化立體倉庫貨位優(yōu)化，是提高貨物出入庫效率和貨架的穩(wěn)定性的一種有效方法。

自動化立體倉庫；貨位優(yōu)化；病毒協(xié)同遺傳算法

1 引言

近些年隨著現(xiàn)代物流企業(yè)對倉儲的貨位調(diào)度水平要求越來越高，自動化立體倉庫的貨位優(yōu)化問題成為關(guān)注的焦點。自動化立體倉庫是現(xiàn)代物流、倉儲技術(shù)和計算機技術(shù)的高集成產(chǎn)物，它不僅可以實現(xiàn)貨物的自動化并行存取，而且可以提高貨物存取的效率和準確性。

國外研究有：Lam等[1]提出貨位優(yōu)化問題是倉儲貨位管理的核心問題之一。Kubota等[2]提出了基于病毒進化理論的遺傳算法VEGA(Virus co-evolution genetic algorithm)，并成功將VEGA應(yīng)用于旅行商問題、背包問題、自組織系統(tǒng)的調(diào)度問題等。Koster等[3]梳理了手工貨位分配作業(yè)流程設(shè)計與控制的決策方案，包括貨位布局設(shè)計、貨位分配方法、分區(qū)等；Ma Yongjie等[4]提出了利用遺傳算法解決倉儲調(diào)度問題，并指出傳感遺傳算法的局限性。Kim等[5]將儲位再分配問題定義為一個多物料流問題,以最小化運輸和庫存的成本。Zu Qiaohong等[6]提出一種運用混合遺傳算法的解決貨位優(yōu)化問題，遺傳算法是一種模擬自然界生物進化的自搜索方法，該方法在解決最優(yōu)化問題具有較大優(yōu)勢，但是該種混合遺傳算法在解決貨位優(yōu)化問題時會存在局部收斂的問題。

國內(nèi)研究有：在貨物進行出入庫操作時，選擇合適的貨位可以提高貨物出入庫的效率，并減少出入庫的成本。當(dāng)貨物存放不合適的貨位時，就需要對貨物進行貨位調(diào)整，實現(xiàn)貨位的優(yōu)化。目前針對貨位優(yōu)化問題的研究有很多，薛桂香[7]提出了一種網(wǎng)格任務(wù)調(diào)度模型，用以解決自動化倉儲調(diào)度問題，該種方法雖然解決了貨物調(diào)度的問題，但是并未使貨位優(yōu)化達到最優(yōu)。鄧愛民等[8]以醫(yī)藥為例提出一種基于時間的貨位優(yōu)化多目標模型，結(jié)果表明優(yōu)化前后數(shù)據(jù)記錄能有效進入倉儲自動管理環(huán)節(jié)，可以降低倉庫管理成本。鄂曉征等[9]根據(jù)汽車零配件倉儲的特點，提出了基于遺傳算法的智能倉儲貨位調(diào)度方法，結(jié)果表明零部件的出庫效率有所改善，但是遺傳算法自身具有局限性，有時不能較好的收斂。王進業(yè)和宋宇博[10]分析了旁通式自動化立體倉庫的工作特點，將遺傳算法用于模型的路徑優(yōu)化，仿真結(jié)果顯示這種方法是可行的、有效的。

從上面文獻綜述可以看出，目前很多倉庫貨位優(yōu)化的研究只考慮貨物重量和貨物分類擺放問題，但對于貨物出入庫效率和貨架穩(wěn)定性考慮的較少。針對這些問題，考慮傳統(tǒng)遺傳算法不能實現(xiàn)全方位優(yōu)化，存在局部優(yōu)化缺陷，本文提出以出入庫效率和貨架穩(wěn)定性為優(yōu)化因素的病毒協(xié)同遺傳算法對貨位優(yōu)化問題進行研究。

2 構(gòu)建貨位優(yōu)化多目標優(yōu)化數(shù)學(xué)模型

2.1 模型假設(shè)

根據(jù)自動化立體倉庫在貨物調(diào)度時遇到的問題和應(yīng)該遵循的效率原則和重力原則[11-12]，本文對模型的部分參數(shù)進行假設(shè)。

假設(shè)自動化立體倉庫共有貨架a排，每排貨架有貨位b層c列，其中距離地面最近的為第1層，距離出入口最近的為第1列，距離貨物進出口最近的為第1排，每個貨位的長寬高均為L(假設(shè)L=1即模型中取貨位長寬高為1單位大小)，模型中不用考慮巷道之間的距離，故可以將這個模型簡單理解為一個三維立體空間的點集，也就是處于第x排第y層第z列的貨位可以定義坐標為(x，y，z)，其中xyz均為正整數(shù)[13]。

同時假設(shè)倉庫中可以存放N種不同的貨物，并且每種貨物只允許存放在一個貨位中，不允許同一貨位中存放不同類型的貨物。每個貨物有其基本信息，貨物的重量用M表示，貨物的周轉(zhuǎn)率用P表示，其中M的單位是kg，P的單位是頻次即某貨物在一定時間內(nèi)的周轉(zhuǎn)次數(shù)，本文用P次/月表示。

根據(jù)以上描述，假設(shè)總結(jié)如下：

(1)立體倉庫模型的整體布局被定義為一個標準的空間長方體的點集合(x，y，z)，暫以理想模型考慮。

(2)貨物的種類已知，相同種類的物品可以合并托盤放在同一貨架中(大小不得超過貨位容量)，而且貨物重量要均勻分布。

(3)考慮到曲線運動計算的復(fù)雜性，本文貨物在進出庫時是按照直線運動。

(4)本模型是一個三圍立體的空間模型，為簡單起見，假設(shè)貨位的長寬高均為單位1，貨位的體積為1m3。

(5)堆垛機存取貨物的時間暫時不記，僅考慮傳送帶和堆垛機的運行速度。

(6)所有貨架的托盤尺寸都是相同的，但是托盤上貨物重量不一定相同。

(7)每個巷道只有一臺堆垛機。

(8)傳送帶只沿著X軸方向水平運動，運行速度是Vx；堆垛機只在Z軸方向上做水平移動速度和垂直移動，運行速度分別為Vz和Vy，單位均為米/每秒。

2.2 模型分析建立過程

根據(jù)模型的假設(shè)條件描述，本文模型主要優(yōu)化目標是提高出入庫的效率，降低貨位重心并提高貨架穩(wěn)定性[14]。模型分析如下。

2.2.1 出入庫效率分析

為了提高出入庫的效率，就必須考慮出入庫距離和時間兩個因素，若假設(shè)條件中Vx=Vy=Vz，即傳送帶的搬運速度和堆垛機的水平和垂直速度相同，距離和時間就是正比關(guān)系，無論是距離最短還是時間最短都是一樣的；若假設(shè)中的Vx≠Vy≠Vz，即傳送帶的搬運速度和堆垛機的水平垂直速度不同，則在判斷出入庫效率的時候就必須主要考慮時間因素，因為時間是衡量效率的標準之一。假設(shè)立體貨架某貨位的坐標是(x,y,z)，貨物進出口坐標記為原點(0,0,0)，由于傳送帶和堆垛機的移動不能按照距離最短的直線移動。根據(jù)提高倉庫進出貨效率的就近原則和周轉(zhuǎn)率大小原則，即使所有貨物的出入庫時間和周轉(zhuǎn)率頻率的乘積之和最小。其中，Pxyz為貨位在貨位(x,y,z)處的周轉(zhuǎn)率，建立數(shù)學(xué)模型的目標函數(shù)f1(x,y,z)如公式(1)所示：

(1)

2.2.2 貨架穩(wěn)定性分析

任何一個倉庫的立體貨架，它的承重能力都是有限的，所以在存放貨物的時候，要想保持貨架有良好的穩(wěn)定性就要使貨架的整體重心最低。也就是說要將較重的貨物放在貨架的底層，將較輕的貨物放在立體貨架的上層。在實際問題中，立體貨架的穩(wěn)定性主要和重心有關(guān)，其重心越低，貨架的穩(wěn)定性就越好。因此，按照上輕下重的擺放原則可以減輕貨架的重心，從而達到提高貨架穩(wěn)定性的效果。

在本文模型當(dāng)中，假設(shè)貨位(x,y,z)處貨物的質(zhì)量為Mxyz，根據(jù)貨架承重遵循“上輕下重”重心最低的存儲原則，即每個托盤上的貨物質(zhì)量與其所在層的乘積之和最小，此時貨架的穩(wěn)定性最好，由此可以建立數(shù)學(xué)模型的目標函數(shù)如公式(2)所示：

(2)

因此，根據(jù)貨位優(yōu)化的目標可以得到多目標數(shù)學(xué)模型，如公式(3)所示：

(2-3)

模型中變量說明：

Pxyz為貨位在貨位(x,y,z)處的周轉(zhuǎn)率，即根據(jù)數(shù)據(jù)可以得的已知變量；

Mxyz為貨架第x排第y層第z列貨物的質(zhì)量，為已知變量；

L為貨位的單位長度，模型中視為1，為已知變量。

2.3 問題轉(zhuǎn)化

在多目標優(yōu)化問題求解時需要綜合考慮各個目標，使得各個目標函數(shù)的函數(shù)值都在給所定的區(qū)域上盡可能地向著求解的方向靠攏或接近，而達到多個目標的最優(yōu)化。本文采用病毒協(xié)同遺傳算法，結(jié)合權(quán)重法，將算法進化分解成若干群體，各子群體在不同的權(quán)重系數(shù)進行不同方向上的搜索獲得妥協(xié)解[15]。

給每個目標函數(shù)fi(x)(i=1,2,…，q)各自賦予權(quán)重wi(i=1,2…，q)，此處權(quán)重wi表是各子目標對fi(x)的重要程度。那么，多目標優(yōu)化問題可以表示為，如公式(4)所示：

(4)

根據(jù)上文分析，立體倉庫貨位優(yōu)化問題是由出入庫效率和貨架穩(wěn)定性兩個目標組成的多目標優(yōu)化問題，通過公式(4)可將多目標優(yōu)化問題轉(zhuǎn)化為單目標優(yōu)化問題進行求解，可描述為公式(5)：

F(x,y,z)=ω1f1(x,y,z)+ω2f2(x,y,z)

(5)

2.4 權(quán)重的確定

確定權(quán)重的方法包括德爾菲法、AHP層次分析法和熵值確定權(quán)重法等，其中最常用的是AHP層次分析法，而本文將德爾菲法和AHP層次分析法相結(jié)合，步驟如下：

(1)貨位優(yōu)化的目的是為了降低庫存成本并提高出入庫效率。根據(jù)實際經(jīng)驗可以得出，對于出入庫效率和貨架穩(wěn)定性兩個因素，前者要比后者重要，根據(jù)系統(tǒng)工程的標度定義aij(如表1所示)，本文選取1、3、5、7、9標度。

表1 判斷矩陣標度定義

(2)根據(jù)德爾菲法的基本原理，本文邀請12位專家組成專家小組，并對標度的選擇進行三次投票，投票結(jié)果如表2所示。

表2 德爾菲法投票結(jié)果

表3 一致性檢驗

綜上所述，變型可得貨位優(yōu)化模型為，如公式(2-6)所示：

(6)

3 病毒協(xié)同遺傳算法

3.1 病毒協(xié)同遺傳算法的原理

病毒協(xié)同遺傳算法基本思想是優(yōu)秀基因的識別和優(yōu)秀基因的增長，其基本操作步驟主要是首先初始化種群，將種群中的每一個個體作為一個基因，經(jīng)過選擇、交叉和感染操作過程，獲得適應(yīng)度函數(shù)最優(yōu)解[16-17]。病毒協(xié)同遺傳算法的基本流程如圖1所示。

圖1 病毒協(xié)同遺傳算法基本流程圖

3.2 病毒個體的感染操作

病毒個體的感染包括如下三個操作：

(1)感染(Infection)操作

主個體中的染色體相應(yīng)的基因被病毒染色體感染，進化產(chǎn)生新的病毒染色體因，從而產(chǎn)生進化解。如果在主個體在受到病毒個體以Pinfect概率感染后適應(yīng)度值變小了，則丟棄感染前的主個體，選擇感染后的主個體，如圖2所示。

圖2 感染操作

(2)復(fù)制(Copy)操作

復(fù)制操作一般存在兩種情況，一種是初始病毒復(fù)制，另一種是非初始病毒復(fù)制。初始病毒復(fù)制是通過“無感染能力”的病毒個體的復(fù)制操作產(chǎn)生新的病毒個體，如圖3a所示；而非初始病毒復(fù)制則是病毒個體從主個體獲取基因改變自己的基因，從而產(chǎn)生新的病毒個體，如圖3b所示。

圖3a 初始病毒復(fù)制操作

圖3b 非初始病毒復(fù)制操作

(3)刪減(Cut)操作

病毒染色體每個基因以概率Pcut用通配符進行替換，用以刪減個體部分基因，減少病毒個體的長度，降低進化的計算能力，如圖4所示。

圖4 刪減操作

3.3 病毒協(xié)同遺傳算法實現(xiàn)

病毒協(xié)同遺傳算法實現(xiàn)步驟如下：

(1)編碼

模型采用實數(shù)編碼方式，因為實數(shù)編碼方式的染色體的空間拓撲結(jié)構(gòu)和它的表現(xiàn)型的空間拓撲結(jié)構(gòu)是一致的。編碼方式如下：

①條染色體代表一種貨位分配方式。

②一條染色體可以分為N段，每段代表一個基因，每個基因代表一個貨位的位置(x,y,z)，每個基因都對應(yīng)一個貨物的編號，其中N為這個染色體中貨物的個數(shù)。

③每段基因都是由三位整數(shù)表示，其中百位代表x的值，十位代表y的值，個位代表z的值。

假設(shè)分揀緩存區(qū)有4個貨物要進行入庫，其中1號貨物要放在(1，2，3)的位置上；2號貨物要放在(2，2，3)的位置上；3號貨物要放在(3，2，4)的位置上；4號貨物要放在(4，4，4)的位置上。那么“123”、“223”、“324”、“444”分別表示一個染色體的基因，這時候染色體就形成了一個解“123223324444”，表示一種貨位分配的方式。如圖5所示。

圖5 編碼方式

(2)初始化種群

在初始化種群的時候，可先設(shè)置種群規(guī)模M，然后根據(jù)個體長度為N，采用隨機配的方法產(chǎn)生M個這樣的個體，這就完成了種群規(guī)模為M的初始化工作。

(3)選擇操作

在模型中選用輪盤賭選擇(Roulette wheel selection)方法，它是比例選擇中較為常用的方法，其基本思想是：個體被選中的概率取決于該個體的相對適應(yīng)度。而相對適應(yīng)度如公式(7)所示：

(7)

(4)交叉操作

交叉選擇的是實屬交叉，實數(shù)交叉又分為離散交叉和算術(shù)交叉，本文使用的是離散交叉，離散交叉是在兩個父代個體的編碼向量都選取0.5的概率進行交換，從而生產(chǎn)新的向量。這種兩兩配對的方式是病毒協(xié)同算法進行感染操作的第一步。假如兩個父代個體的n維向量如公式(8)所示：

(8)

則交叉隨機選擇第k個以后的分量，生成兩個新的個體向量如公式(9)所示：

(3)

(5)病毒個體感染操作

利用病毒染色體基因替換主染色體中相應(yīng)的模式基因，從而產(chǎn)生新的主個體。每個病毒個體以一定概率Pinfect感染每個主個體，如果主個體感染后的適應(yīng)度值減小了，則用感染后的主個體替換感染前的主個體。一個個體的適應(yīng)度值越小，它被遺傳到下一代種群中的概率也就越大，遺傳算法種群進化的過程中，基本上都是根據(jù)適應(yīng)度函數(shù)作為優(yōu)勝劣汰的標準。

4 仿真與結(jié)果分析

本文采用MATLAB7.0對模型進行仿真，數(shù)據(jù)收集如下：

(1)倉庫基本參數(shù)(見表4)

表4 倉儲基本參數(shù)信息

(2)貨物基本信息收集

貨物的基本信息如表5所示，本文選擇17件貨物作為仿真數(shù)據(jù)，其中貨物的重量是貨物分揀后托盤的重量。而貨物的周轉(zhuǎn)率是根據(jù)以往數(shù)據(jù)算出的，即平均每個月該貨物進出倉庫的次數(shù)。

表5 貨物基本信息

(3)遺傳算法參數(shù)選取

遺傳算法參數(shù)的選取會影響最終輸出結(jié)果的優(yōu)劣，因此在進行仿真的時候要對參數(shù)進行測驗。但是考慮仿真結(jié)果客觀性，程序中初步選取的遺傳算法參數(shù)如表6所示。

表6 遺傳算法參數(shù)選取

利用收集的仿真數(shù)據(jù)，通過MATLAB仿真實驗得出結(jié)果如圖6所示。從圖中可以看出VEGA適應(yīng)度值隨著迭代次數(shù)逐漸降低，相比GA較早出現(xiàn)收斂，而且VEGA曲線幾乎一直低于GA曲線?？梢姡琕EGA算法相比傳統(tǒng)的GA算法在解決貨位優(yōu)化問題上具有較好的收斂性，同時也具有較快的收斂速度，避免了傳統(tǒng)遺傳算法陷入局部最優(yōu)解的缺陷，從而提高了自動化立體倉庫的貨位優(yōu)化水平。

圖6 VEGA與GA算法MATLAB仿真結(jié)果

病毒協(xié)同遺傳算法與傳統(tǒng)遺傳算法的貨位優(yōu)化的數(shù)據(jù)結(jié)果如表7所示，結(jié)果分析如圖7與圖8所示，包括貨位優(yōu)化前、GA優(yōu)化后和VEGA優(yōu)化后的數(shù)據(jù)結(jié)果。

(1)從圖7可以看出，優(yōu)化前較GA和VEGA優(yōu)化后的貨物出入庫距離更長，說明通過兩種算法優(yōu)化后的貨位距離出口更近；比較GA與VEGA的算法結(jié)果，VEGA優(yōu)化后的貨物出入庫距離較短。

(2)從圖8可以看出，優(yōu)化前較GA和VEGA優(yōu)化后的貨物出入庫時間更長，說明通過兩種算法優(yōu)化后的貨位出入庫時間更短；比較GA與VEGA的算法結(jié)果， VEGA優(yōu)化后的貨物出入庫時間較短。

表7 VEGA與GA仿真數(shù)據(jù)結(jié)果

圖7 優(yōu)化結(jié)果數(shù)據(jù)對比分析(一)

圖8 優(yōu)化結(jié)果數(shù)據(jù)對比分析(二)

(3)穩(wěn)定性數(shù)值越小說明貨架穩(wěn)定性越好，從圖9可以看出通過GA和VEGA優(yōu)化后的貨架穩(wěn)定性較優(yōu)化前更穩(wěn)定，而VEGA相比GA優(yōu)化后的穩(wěn)定性系數(shù)更低一些，說明通過VEGA優(yōu)化后的貨架穩(wěn)定性更好。

圖9 優(yōu)化結(jié)果數(shù)據(jù)對比分析(三)

通過病毒協(xié)同遺傳算法與傳統(tǒng)的遺傳算法在貨物出入庫距離、貨物出入庫時間、貨架穩(wěn)定性等方面的對比，可以發(fā)現(xiàn)經(jīng)過優(yōu)化后，貨物的擺放更加規(guī)范，表明病毒協(xié)同遺傳算法能有效解決貨位優(yōu)化問題，并驗證了提出方法的有效性。

5 結(jié)語

貨位優(yōu)化問題是倉儲貨位管理的核心問題之一，本文得出以下三個結(jié)論：

(1)病毒協(xié)同遺傳算法相比傳統(tǒng)的遺傳算法具有較好的收斂性，擁有較快的收斂速度，避免了傳統(tǒng)遺傳算法陷入局部最優(yōu)解的缺陷，從而提高了自動化立體倉庫的貨位優(yōu)化水平。

(2)病毒協(xié)同遺傳算法優(yōu)化后，提高自動化立體倉庫的貨物出入庫效率。能夠縮短貨物出入庫距離并且減少貨位入庫時間。

(3)病毒協(xié)同遺傳算法穩(wěn)定性系數(shù)較低，能夠更好的提高貨架穩(wěn)定性。

綜上所得，通過病毒協(xié)同遺傳算法能夠優(yōu)化自動化立體倉庫貨位，提高出入庫效率和貨架穩(wěn)定性。

[1] Lam C H Y, Choy K L, Chung S H.Framework to measure the performance of warehouse operations efficiency [C]. Proceedings of the 8th International Conference on Industrial Informatics,Oskar,Japan,July 13-16,2010.

[2] Kubota N, Arakawa T, Fukuda T,et al. Fuzzy manufacturing scheduling by virus-evolutionary genet- ic algorithm in selforganizing manufacturing system[C]//Proceedings of the 6th international conference on Fuzzy systems. Barcelona:IEEE,July 5,1997:1283-1288.

[3] de Koster R,Le-Duc T,Roodbergen K J.Design and control of warehouse order picking:A literature review [J].European Journal of Operational Research,2007,18 (12):48-50.

[4] Ma Yongjie, Yun Wenxia, Hou Wenjing. The research progress of genetic algorthm in the large warehouse system [C]// Proceedings of the 2010 Conferences on Optoelectronics and Image Processing,Barcelona:IEEE,November 11-12,2010:616-620.

[5] Kim K H,Park K T.Dynamic space allocation for temporary storage [J].International Journal of Systems Science,2003,34(1):11-20.

[6] Zu Qiaohong, Cao Mengmeng. Slotting optimization of warehouse based on hybrid genetic algorithm[C]// Proceedings of the 6th International Conference on Pervasive Computing and Applications,Bacelona:IEEE,October 26-28,2011:19-21.

[7] 薛桂香.基于智能優(yōu)化算法的網(wǎng)格任務(wù)調(diào)度策略研究[D].天津:天津大學(xué),2008.

[8] 鄧愛民,蔡佳,毛浪. 基于時間的自動化立體倉庫貨位優(yōu)化模型研究[J]. 中國管理科學(xué),2013,21(6):107-112.

[9] 鄂曉征,祖巧紅,曹萌萌.基于遺傳算法的汽車零件自動化倉儲貨位優(yōu)化[J].系統(tǒng)仿真學(xué)報,2013,25(3):430-435+444.

[10] 王進業(yè),宋宇博.旁通式自動化立體倉庫揀選作業(yè)和出口選擇的組合優(yōu)化[J].河北科技大學(xué)學(xué)報,2015, 36(1):36-40.

[11] 張雄飛,柳少軍.一種改進遺傳算法及在多目標優(yōu)化中的應(yīng)用[J]. 系統(tǒng)管理學(xué)報,2007,16(3):315-319.

[12] 張群,顏瑞.基于改進模糊遺傳算法的混合車輛路徑問題[J]. 中國管理科學(xué),2012,20(2):121-128.

[13] 常發(fā)亮,劉增曉,辛征,等.自動化立體倉庫揀選作業(yè)路徑優(yōu)化問題研究[J]. 系統(tǒng)工程理論與實踐, 2007,27(2):139-143.

[14] 曹浪財,羅鍵. 可視化自動倉儲系統(tǒng)設(shè)計與貨位優(yōu)化[J]. 廈門大學(xué)學(xué)報(自然科學(xué)版),2012,51(1):46-50.

[15] 孫艷豐. 基于GATS混合策略的多目標優(yōu)化算法[J]. 管理工程學(xué)報,2000,14(4): 4-7.

[16] 胡仕成,徐曉飛,李向陽. 項目優(yōu)化調(diào)度的病毒協(xié)同進化遺傳算法[J]. 軟件學(xué)報,2004,15(1):49-57.

[17] 戢守峰,李峰,董云龍,等. 基于遺傳算法的三級逆向物流網(wǎng)絡(luò)設(shè)計模型研究[J].中國管理科學(xué),2007, 15(6):86-91.

Virus Based on Cooperative Genetic Algorithm Automated Warehouse Space Optimization Model

LI Peng-fei, MA Hang

(Xi'an University of Posts & Telecommunications,School of Econonnics and Management, Xi'an 710061,China)

Automated warehouse is an intricate system of storage, and slotting optimization problems directly affect the efficiency of the Automated Warehouse. To solve the dilemma of location selection of automatic stereo warehouse, a Slotting Optimization model which take the out of storage efficiency and shelf stability of storage as its optimization factors is proposed, the Multi-objective mathematical model of Slotting Optimization is established. According to the actual conditions of Automated Warehouse, with the help of Strategy Set Transformation, Delphi method and the Analytic Hierarchy Process(AHP) are used to determine the weight. And virus combined with genetic algorithm is taken to simulate the optimization model. In the MATLAB software environment, the Multi-objective genetic algorithm for virus is utilized to calculate the model solution. Finally, the results comparison among the simulation of the data before Slotting Optimization, the data after virus combined with genetic algorithm and the data after traditional genetic algorithm indicates that Virus Cooperative Genetic Algorithm(VEGA) can effectively optimize the automation stereoscopic warehouse slotting. It is also a kind of effective way to improve the efficiency of goods out of storage and stability of shelf.

automated warehouse; mization of the goods location; virus cooperative genetic algorithm

1003-207(2017)05-0070-08

10.16381/j.cnki.issn1003-207x.2017.05.009

2016-01-11；

2016-05-26

陜西省科技廳科研項目(2014K05-62)；陜西省教育廳科研項目(14JK1647)；陜西省社科基金重大項目(2016ZDA10)；西安郵電大學(xué)西郵新星團隊資助

李鵬飛(1975-)，男(漢族)，陜西戶縣人，西安郵電大學(xué)經(jīng)濟與管理學(xué)院，博士，教授，研究方向：郵政及物流信息化，E-mail:lpf@xupt.edu.cn.

F273；C935

A