高沖（山東鋼鐵集團日照有限公司，山東日照，276800）

自動化立體倉的動態(tài)儲位分配為優(yōu)化問題研究

高沖
（山東鋼鐵集團日照有限公司，山東日照，276800）

自動化立體倉的深化應(yīng)用和發(fā)展，在提升貨物出入庫效率的同時，也面臨動態(tài)儲位分配優(yōu)化問題，其不僅直接影響著堆垛機的平均行程時間，更關(guān)系著立體倉庫的整體作業(yè)效率，針對此，本文結(jié)合自動化立體倉存在的主要問題，構(gòu)建了儲位分配優(yōu)化問題模型，并對傳統(tǒng)遺傳算法進行改進，由此完成了模型的求解。

自動化立體倉；堆垛機；問題模型；遺傳算法

0 引言

自動化立體倉是基于物聯(lián)網(wǎng)的現(xiàn)代物流系統(tǒng)的一個關(guān)鍵組成部分，叉式形式應(yīng)用最為廣泛，自動化立體倉是集成搬運、裝配、運輸及存儲于一體的綜合性系統(tǒng)，通常情況下，其主要由高層貨架、巷道垛機和出入庫輸送、搬運機械等機械設(shè)備構(gòu)成，現(xiàn)代物流的高效傳輸性、快速投放性需求不斷升高，自動化立體倉的整體運行效率提出了更高的要求，而儲位分配因為與堆垛機平均運行效率及倉儲系統(tǒng)的整體功能性有著直接的關(guān)聯(lián)性，其分配的優(yōu)化成為了立體倉應(yīng)用中關(guān)鍵問題，針對此，本文將以自動化立體倉的動態(tài)儲位分配模型構(gòu)建為切入點，基于堆垛機最短行駛時間的目標策略進行儲位分配優(yōu)化，并以改進的遺傳算進行求解，解決了設(shè)定的模型問題。

1 動態(tài)儲位分配優(yōu)化問題的模型構(gòu)建

1.1 問題定義

繁忙時間段，堆垛機的存取作業(yè)較多，應(yīng)最大限度的降低其在該時間段內(nèi)的平均行駛耗時，為此，需要在進入繁忙階段之前對立體倉的貨物動態(tài)儲位進行優(yōu)化設(shè)計，具體而言，貨物進庫操作，可以預(yù)先將貨物移至距離入庫臺較近的位置，以縮減繁忙時段堆垛機的行駛時間，而對于貨物出庫操作，則可以分配給貨物暫時的存儲位置，等待貨物進出倉較少的時段再對其存放至固定儲位。針對這一問題，本文設(shè)定一個自動化立體倉庫的動態(tài)儲位分配優(yōu)化問題的整數(shù)規(guī)劃模型IP，具體設(shè)定條件為：

（1）堆垛機每次均需要對單位貨物進行進出庫操作。

（2）堆垛機從出入庫臺至每個儲位的單程行駛時間預(yù)先測定。

（3）僅對單位貨物的儲位在分配1次。

1.2 模型參數(shù)及決策變量

IP模型中的參數(shù)為：全部儲位集合L，繁忙時段內(nèi)全部進出庫作業(yè)對應(yīng)的儲位集合R、S，非空閑的儲位集合O，全部儲位集合E，出入庫值儲位k的行駛時間tk，儲位k至k′的行駛時間tkk′，則有：

若tc為每個時間段內(nèi)堆垛機的總行駛時間，tz為繁忙時段內(nèi)的行駛時間，tz＞tc，此時需對貨物儲位進行分配優(yōu)化，以降低tz值，可定義決策變量，若繁忙時段內(nèi)貨物從儲位k移至一個空儲位k′則xkk′=1相反則為0，為了騰出一個儲位，貨物從k移至k′,則ykk′=1相反則為0,若繁忙階段貨物從k移至一個非空儲位k′，則Zkk′=1相反則為0。

1.3 儲位分配優(yōu)化模型

上式中（3）為每個貨物被再分配一次，（4）保證各個空儲位只接收一次再分配，（5）為被占用的儲位僅接受一次清空，（6）為在清空k儲位后，將產(chǎn)生從k′′至k儲位的一次再分配操作，（7）為儲位再分配滯后，繁忙時段有限行駛限制內(nèi)堆垛機的行駛時間，（8）為決策變量的0或1屬性的定義。

2 改進遺傳算法的求解

種群初始化，為改善算法的效率，在生成初始種群的過程中,可基于堆垛機最短行駛時間來生成表示近似最優(yōu)解的染色體，以為種群未來優(yōu)化提供一定參考。

擇優(yōu)選擇算子，以往的遺傳算法最常采用的是賭輪選擇方法來，已完成在種群中進行個體選擇的目的，但是該種方法存在自身弊端性，其能夠賦予各個個體獲得復(fù)制一份的機會，無法將個體的競爭力充分的表現(xiàn)出來，影響了遺傳算法中個體優(yōu)勝劣汰的競爭法則，致使局部早熟問題頻發(fā)出現(xiàn)。

基于相似度配對的交叉算子，傳統(tǒng)算法一般采用限制優(yōu)良個體的競爭力高度適應(yīng)度個體的復(fù)制分數(shù)的方法，該種方法不僅增加算法的復(fù)雜程度、降低其進化速度和性能，而且可能造成非全局收斂性，而改進算法時，為保證最有個體下一代的復(fù)制性，進而實現(xiàn)其收斂性，采用了相似度不同模式的個體進行交叉配對，在遺傳算法進行交叉運算前，逐位對比群體中每兩個個體，若兩個個體在對應(yīng)的位置上字符基因一樣，則可將其定義為相似度。設(shè)定T值為適應(yīng)度平均值,將大于T值的個體從群體中提取出，判斷其相似度，相似度與兩個個體相似性成正相關(guān)性，當相似度值大于個體長度的一半時，可確定兩個個體相似，將相似個體剔除，選取不同模式的個體進行交叉配對，增加群體的多樣性，進而規(guī)避早起的高適應(yīng)度個體快速占據(jù)種群和后期種群中因個體適應(yīng)度相差較小而造成種群的進化停止。

完成上述步驟后，進入變異運算，可規(guī)避因為選擇和交叉運算而發(fā)生的信息丟失現(xiàn)象，確保遺傳算法的有效性，經(jīng)過上述步驟改進后的遺傳算法仍然遵循初始化、適度函數(shù)評價、選擇、交叉、變異等具體步驟，由此才能夠求解動態(tài)儲位分配優(yōu)化模型，實現(xiàn)立體倉庫儲位的優(yōu)化分配。

3 結(jié)束語

自動化立體倉因具備高效作業(yè)效率、存儲量大、占地面積小而成為現(xiàn)代物流體系發(fā)展的主要著力點，在立體倉系統(tǒng)中進行動態(tài)儲位的優(yōu)化分配不僅能夠有效利用有限的倉儲空間、縮短操作時間、降低成本投入，而且對于貨物的快速進出倉有重要影響，而本文通過儲位優(yōu)化問題模型的構(gòu)建，利用改進的遺傳算法進行求解，對于堆垛機有限行駛能力及倉儲系統(tǒng)運行效率的整體優(yōu)化具有重要的現(xiàn)實影響意義。

[1]陶勤勤.自動化立體倉庫貨位動態(tài)分配優(yōu)化與仿真[D].昆明理工大學,2016.

[2]王軍鋒.自動化立體倉庫儲位分配策略優(yōu)化的研究[D].北京郵電大學,2010.

Research on the optimization of dynamic storage allocation for automated warehouse

Gao Chong
（Shandong Iron and Steel Group Rizhao Co.,Ltd ，Rizhao Shandong,276800）

The deepening development and application of automated warehouse, can improve the efficiency of goods in and out of storage , at the same time, is also facing the dynamic storage allocation optimization problem, which not only directly affects the average travel time of the stacker, but also have a great influence on the whole operation efficiency, according to this, this paper takes the main problem with the existing automated warehouse, construct storage allocation optimization model, and to improve the traditional genetic algorithm, in the end, complete the model solution.

automated warehouse; stacker; problem model; genetic algorithm