徐釩誠,諶海云,楊帥東,李 洋

(西南石油大學,四川 成都 610500)

1 引言

隨著我國基礎(chǔ)建設(shè)的大力開展,民爆行業(yè)伴隨著這種需求得到極大發(fā)展,工業(yè)炸藥作為民爆行業(yè)中的支柱產(chǎn)業(yè),其需求量也得到極大上升[1],但由于工業(yè)炸藥的特殊性,一直受到監(jiān)管部門的嚴格管控,尤其在工業(yè)炸藥的倉儲管理中,更是有著極其嚴格的要求。這也導致工業(yè)炸藥倉儲目前仍采用人工管理的方式,存在管理效率低下,貨位擺放混亂等問題。如何實現(xiàn)工業(yè)炸藥倉庫群以及炸藥高效的貨位動態(tài)分配及優(yōu)化問題已成為一個迫切需要解決的難題。文獻[2]中要求民爆生產(chǎn)企業(yè)以現(xiàn)代化倉儲管理技術(shù)為依托,提高倉庫作業(yè)效率及倉庫空間使用率。文獻[3]中鼓勵企業(yè)建立工業(yè)炸藥產(chǎn)品倉儲的信息化、智能化和可視化監(jiān)管體系。因此對工業(yè)炸藥倉儲過程進行優(yōu)化,對于降低工業(yè)炸藥倉儲運行成本、提高倉庫群的整體空間利用率具有非常重要的現(xiàn)實應(yīng)用意義。

工業(yè)炸藥作為一種特殊的物品,其倉儲過程由于行業(yè)的局限性,目前關(guān)于工業(yè)炸藥倉儲過程的研究很少。Anonymous[4]等首次在文章中提出爆炸物安全存儲要求和標準,成為許多國家工業(yè)炸藥管理標準。李宇[5]等將RFID(Radio Frequency Identification)技術(shù)應(yīng)用在雷管產(chǎn)品的安全管理,算是國內(nèi)首次將電子產(chǎn)品用于危爆物品中。孟廣雄[6]對于混裝炸藥的智能化生產(chǎn)與管理進行了探究,在文中提出了炸藥產(chǎn)品管理方式的智能化改造和升級的新構(gòu)思。付華偉[6]等第一次完整的提出工業(yè)炸藥倉庫貨位優(yōu)化模型,但僅僅研究的是將多種類炸藥產(chǎn)品放置在一個倉庫下的優(yōu)化問題。之后由于行業(yè)特殊性和局限性,工業(yè)炸藥倉儲過程的研究處于停滯不前的狀態(tài)。

工業(yè)炸藥倉儲是一個復雜的貨物存取過程,屬于組合優(yōu)化問題,亦是一個典型的NP難題[6]:炸藥產(chǎn)品不同規(guī)格的產(chǎn)品的包裝質(zhì)量是相同的;不同時間內(nèi)市場對于炸藥的需求量存在較大的差異,如何保證實時調(diào)整炸藥存放位置以及同類貨物如何做到集中存放;工業(yè)炸藥產(chǎn)品有著時效性的問題,如何保證產(chǎn)品的先入先出等。針對上述問題,本文首先在分析工業(yè)炸藥倉儲過程特點的基礎(chǔ)上,對工業(yè)炸藥倉儲過程進行數(shù)學建模;然后基于構(gòu)建的數(shù)學模型,使用遺傳算法進行求解,針對遺傳算法求解過程中出現(xiàn)的早熟收斂、進度不足的問題,提出一種基于信息熵及改進的自適應(yīng)算子的混合遺傳算法,并將本文算法與傳統(tǒng)遺傳算法進行對比,驗證算法的有效性;最后使用新算法對模型求解,實現(xiàn)炸藥倉儲的操作優(yōu)化。

2 問題描述

2.1 問題提出

工業(yè)炸藥產(chǎn)品在生產(chǎn)到使用的過程中,都需要存放至指定的倉庫中。由于其產(chǎn)品的特殊性,在炸藥產(chǎn)品進出庫時,同時需要考慮多種因素:

1)產(chǎn)品擺放的安全性問題。工業(yè)炸藥產(chǎn)品倉庫內(nèi)擺放的安全性監(jiān)管部門關(guān)注的重點,文獻[8]中對于炸藥產(chǎn)品在倉庫中的擺放位置有著嚴格的要求,不合理的擺放布局方式將會導致倉庫庫容的下降的同時降低炸藥存放的安全系數(shù)。具體要求如下表1所示。

表1 安全存放要求表

2)炸藥產(chǎn)品存放的安全性問題。工業(yè)炸藥因為類別的不同,其危險性和易爆性也不同。這就要求在進行庫區(qū)分配時具有高爆性的炸藥不能同時存放在一個倉庫內(nèi),此外在同類產(chǎn)品在安全系數(shù)越低的個體也應(yīng)距離出入口更近。

3)產(chǎn)品存儲的時效性問題。工業(yè)炸藥產(chǎn)品是根據(jù)國家的規(guī)定及需求按量生產(chǎn),且產(chǎn)品會隨著存放時間的增加降低其安全性,進而增加安全隱患,因此工業(yè)炸藥產(chǎn)品應(yīng)該嚴格遵循先入先出原則。

4)產(chǎn)品出入庫的不確定性問題。由于工業(yè)炸藥出入庫作業(yè)的時間、數(shù)量等完全由市場決定,充滿不確定性,存在幾天都不進出庫或一天進出幾次庫的情況且每次出庫產(chǎn)品的種類不盡相同的情況。

5)產(chǎn)品進出庫的不同類問題。工業(yè)炸藥產(chǎn)品在實際使用中存在混裝的情況,因此在單次出入庫時可能會存在幾類炸藥產(chǎn)品同時出入庫的情形。

6)倉庫群分布的地理性問題。工業(yè)炸藥倉庫群為安全性考慮通常只有一個出入口,通常情況下工人們對于倉庫群的管理僅簡單的根據(jù)產(chǎn)品出入庫的數(shù)量將炸藥產(chǎn)品堆放至離出入口最近的倉庫。這也直接導致離出入口最近的倉庫經(jīng)常滿倉且堆放產(chǎn)品種類較多,而距出入口較遠的倉庫經(jīng)?？諑?進而致使倉庫群的整體使用效率低下。

2.2 模型假設(shè)

本文根據(jù)某工業(yè)炸藥公司倉儲現(xiàn)狀將模型簡化,描述如下:倉庫庫區(qū)中共有5座結(jié)構(gòu)、容量相同的獨立倉庫,每個倉庫內(nèi)含有兩個庫區(qū)且均可存放任意種類的工業(yè)炸藥產(chǎn)品,將距離出入口最近的倉庫標記為1號倉庫,對應(yīng)庫區(qū)為1,2號庫區(qū)。圖一為某工業(yè)炸藥倉庫群及庫區(qū)示意圖。

圖1 倉庫群及庫區(qū)示意圖

倉庫庫區(qū)中,炸藥產(chǎn)品以堆垛的形式進行存放,以倉庫出入口位置為坐標原點,將距離倉庫出入口最近的一排記為第1排,以出入口對應(yīng)為y軸,將倉庫分為兩個庫區(qū),其靠近出入口的為第1列。那么該庫區(qū)內(nèi)的貨位坐標可記為(x,y),(x=1,2,…,P;y=1,2…,Q),倉庫內(nèi)具體擺放布局如下圖2所示。

圖2 倉庫擺放布局圖

圖3 本文算法流程框圖

根據(jù)以上描述,將本文進行倉儲優(yōu)化的假設(shè)總結(jié)如下:

1)工業(yè)炸藥存放的種類已知,且擺放的堆垛長寬以及形狀都相同;

2)每種工業(yè)炸藥的周轉(zhuǎn)率、質(zhì)量和初始安全系數(shù)已知;

3)每個倉庫最多可存放兩類貨物,每個庫區(qū)只能存儲一類產(chǎn)品;

4)倉庫及倉庫群出入均采用單端出入庫的方式。

5)假定同類別的炸藥其初始安全系數(shù)及變化幅度均相等,設(shè)定sk≤β時,該類炸藥為不易爆產(chǎn)品,sk>β時為易爆產(chǎn)品。同時對于單一產(chǎn)品個體可能會隨著被保存時間的增加變?yōu)橐妆a(chǎn)品。

3 工業(yè)炸藥倉儲優(yōu)化數(shù)學模型

根據(jù)以上問題描述及模型假設(shè)。本文將以提高倉庫群整體空間利用率和產(chǎn)品進出倉庫效率為優(yōu)化目的;針對單一倉庫內(nèi)貨位優(yōu)化,以就近存放原則、貨物相關(guān)性原則和出入庫效率最高作為具體優(yōu)化的目標,建立貨位優(yōu)化的多目標數(shù)學模型。

3.1 倉庫群動態(tài)分配模型

針對倉庫群的動態(tài)分配問題,國內(nèi)外學者做了大量研究。張永強[9]等人使用SLP和SHA對林產(chǎn)品倉儲布局進行優(yōu)化,提出根據(jù)訂單動態(tài)分配倉庫功能區(qū)域,并對倉庫功能區(qū)域面積和作業(yè)區(qū)域進行優(yōu)化;趙雪峰[10]等人采用Heskett給出的立方體索引號(Cube-per-Order,COI)規(guī)則實現(xiàn)倉庫內(nèi)的貨位動態(tài)分配;曹現(xiàn)剛[11]等人在自動化立體倉庫優(yōu)化研究中使用專家打分法實現(xiàn)對倉庫群的動態(tài)分配。綜合以上文獻,本文針對倉庫群動態(tài)分配問題,建立倉庫群動態(tài)分配模型如下:

1)庫區(qū)分配權(quán)重函數(shù)

(1)

式中:fk為某種貨物在某一時間段內(nèi)的出入庫頻率,Ck為某種貨物倉庫存儲所需的總量,n為炸藥產(chǎn)品的類別數(shù),模型(1)中M的值代表貨物在倉庫群分配中所占權(quán)重,M越大,產(chǎn)品存放倉庫距離倉庫群出口越近。

2)每個庫區(qū)內(nèi)存放工業(yè)的炸藥類型由以下模型決定

D[i][j]=D[rank(Mi)] [Si] *D[rank(Mi+1)] [Si+1]T

(2)

其中D[i][j]為存放權(quán)值矩陣,D[i][j]為1時,表明相鄰庫區(qū)存放的炸藥產(chǎn)品不全為高危險性炸藥產(chǎn)品。i代表所存放的庫區(qū)號,j表示存放的貨物是否為高危險性產(chǎn)品,rank(M)為產(chǎn)品庫區(qū)動態(tài)分配權(quán)重值,S=0時代表該類產(chǎn)品為高爆性炸藥產(chǎn)品。

(3)

(4)

Lk=rand(rank(Mi,Mj)*D[i][j])

(5)

模型(5)表示當兩種類型的產(chǎn)品出入庫頻率相近時,其庫區(qū)的選擇首先根據(jù)式(2)及M的值確定存放的倉庫范圍,再在此范圍內(nèi)隨機選擇放入的產(chǎn)品類型。

3.2 倉庫內(nèi)貨位動態(tài)分配模型

根據(jù)問題描述,考慮以產(chǎn)品先入先出、同一庫區(qū)存放同類貨物原則、就近存放原則為主要,以保存時間和出入庫頻率作為次要考慮因素,建立如下貨位分配模型:

1) 設(shè)倉庫內(nèi)搬運小車在水平和豎直方向運動速度分別為Vx以及Vy且恒定,堆垛的長度記為a,寬度為b,judge=0or1,其中judge=0代表貨位未存放貨物、judge=1為貨位已存放貨物,此時改貨位不可存放,就近存放可由函數(shù)F1表示

(6)

2)以單位時間內(nèi)單一庫區(qū)出入庫頻率及保存時間建立函數(shù)F2,統(tǒng)計單位時間內(nèi)某一類炸藥出入庫頻率記為fk,炸藥的保存時間記為Pk,故

F2=fk*Pk

(7)

s.tXk=0,1 ?k∈(x,y)

(8)

模型中函數(shù)(7)為存儲時間矩陣,X=0時代表此時處于入庫狀態(tài),產(chǎn)品保存時間都統(tǒng)一為1,若X=1則為出庫狀態(tài),隨著保存時間的增加其權(quán)值系數(shù)會呈指數(shù)增長,以保證先入先出。

3)考慮到同批次的貨物進出庫的貨物可能不盡相同,甚至會存在多種類別的產(chǎn)品同時進出庫的情形,因此同類產(chǎn)品應(yīng)嚴格存放在同一庫區(qū)且存放位置相鄰,建立炸藥存放相關(guān)性函數(shù)為

(9)

其中為xk與xk-1為同類貨物是Y=1,反之則為0。

根據(jù)以上模型構(gòu)建,倉庫內(nèi)貨位動態(tài)分配模型實際是一個多目標組合優(yōu)化問題,并可拆分為出庫和入庫兩種狀態(tài),且在出入庫時對應(yīng)函數(shù)所求值的沖突較小,因此構(gòu)建總的貨位動態(tài)分配函數(shù)F如式(9)(10)所示,其中X代表出入庫狀態(tài),X=0時為入庫狀態(tài)。

(10)

(11)

經(jīng)過以上處理,炸藥存放變?yōu)榱艘粋€貨位只能存放一個堆垛,一個區(qū)內(nèi)只能存放同一類貨物,貨位分配分為出庫和入庫兩種狀態(tài),即模型整體變?yōu)榱?-1指派問題,降低了模型求解難度。

4 改進遺傳算法求解

4.1 標準遺傳算法設(shè)計

遺傳算法(GA)作為一種經(jīng)典的普適性隨機優(yōu)化算法,于1975年由Holland教授首次提出,它是一種模擬自然生物的遺傳進化模型[12],具有搜索速度快、隨機性強、過程簡單等優(yōu)點[7],

1)編碼:將存儲坐標與出(入)庫選擇點對應(yīng)關(guān)系作為解,因此采用整數(shù)編碼,個體編碼由存放的坐標點構(gòu)成。因?qū)嶋H操作中單次出入庫時共需操作的堆垛數(shù)在10個左右,共分兩次出入庫,故本文中單條染色體的長度設(shè)為5,如某一類炸藥產(chǎn)品的優(yōu)化求解坐標分別是(02,05)、(04,05)、(05,07)、(01,03)、(08,02),則這5個貨位坐標作為基因組成一個具體的染色體可表示為“02050405050701030802”;

2)初始種群得到產(chǎn)生:初始的種群在解空間中用隨機的方法產(chǎn)生;

3)適應(yīng)度函數(shù)設(shè)計:遺傳算法中的適應(yīng)度函數(shù)用來評定群體中各個個體對于環(huán)境的適應(yīng)性,有助與幫助找到最優(yōu)解。由本文所提模型總的目標函數(shù)可知為求解全局最小值問題,本文中適應(yīng)度函數(shù)如下所示

minf(x,y)=F(x,y)

(12)

4)選擇:錦標賽選擇算子作為比較流行的選擇策略,相比于輪盤賭的選擇方法,其選擇出的個體一定是當代種群中最優(yōu)個體。使用錦標賽選擇后的個體可以直接進行交叉操作。

5)交叉。變異算子

交叉和變異分別是GA產(chǎn)生新個體的主要方法和產(chǎn)生新個體的次要途徑[13]。其中變異算子直接影響著算法的局部搜索能力和種群的多樣性。交叉方式按照單點交叉進行交叉操作;變異方式采用隨機選擇變異位的方式進行變異操作。變異的概率由自適應(yīng)遺傳算法(AGA)計算,其計算公式如下

(13)

其中fmax、favg為當前種群的最大適應(yīng)度值和平均適應(yīng)度值,k1,k2為人為定義的一個參數(shù)值。由式(12)可以看出該方法定義下的自適應(yīng)函數(shù)其實在整個種群基礎(chǔ)上進行的計算,無法對每個個體概率進行精準操作。

4.2 改進后的遺傳算法

由于傳統(tǒng)遺傳算法的局部尋優(yōu)能力不足,隨著迭代的進行,隨著種群質(zhì)量的上升,種群適應(yīng)度的下降,反而不能獲得足夠的優(yōu)秀個體,常常幾個坐標收斂于同一個坐標下,且仍存在收斂速度慢,精度不足等問題。因此本文根據(jù)信息熵概念,提出使用信息熵作為種群多樣性評價標準,以解決種群多樣性過低導致的最優(yōu)解集中問題。并在自適應(yīng)遺傳算法(AGA)的基礎(chǔ)上,提出改進后的自適應(yīng)算子。

4.2.1 信息熵值

信息熵是信息論中的一個重要概念,由香農(nóng)發(fā)表的著名論文《A Mathematical Theory of Communication》首次提出,奠定了信息論的理論基礎(chǔ)。在這一理論中,熵值定量描述了隨機變量的不確定程度[14],即可以將信息熵用于衡量信息或者選擇中的不確定性程度。

確定的信息熵通常代表信息源X可能發(fā)布的不同特征的信息在信息源概率空間的統(tǒng)計平均值[15],即熵值越高代表信息源的不確定性程度越高。其計算公式如下:

(14)

其中P(X)為不確定值在整個信息源中的概率。綜上,本文嘗試將信息熵作為種群多樣性的度量標準。即,種群多樣性越復雜,對應(yīng)的熵值越高,反之亦然。

4.2.2 自適應(yīng)變異算子

為克服自適應(yīng)遺傳算法(AGA)中存在的無法有效得到全局最優(yōu)點的問題[16],本文在AGA的基礎(chǔ)上,提出改進后的自適應(yīng)變異算子。

(15)

Pmax,Pmin為最大、最小變異概率;fmax為個體的最大適應(yīng)度值;favg為種群適應(yīng)度均值;fmin為個體的最小適應(yīng)度值;fi為變異個體適應(yīng)度值。由式(15)可知,適應(yīng)度值越小的個體(即本應(yīng)在自然選擇時被淘汰的個體),對應(yīng)變異概率越大,進而增大了被選擇的概率,從而提升種群多樣性。

4.3 改進后的遺傳算法步驟

綜上所述,確定基于信息熵及改進后的自適應(yīng)變異算子的遺傳算法流程如下:

5 實驗對比及結(jié)果分析

5.1 算法對比

為驗證改進后的算法的有效性,本節(jié)將使用改進的算法與標準遺傳算法在測試函數(shù)—比爾函數(shù) (Beale Function)下進行比較;比爾函數(shù)是取值范圍x,y∈[-4.5,4.5]上的一個多峰函數(shù),其函數(shù)圖像共有四個峰頂極值、四個峰谷極值,在[3,0.5]時取得全局最優(yōu)值0。故使用比爾函數(shù)測試算法時,能夠有效檢驗算法的尋優(yōu)能力。

同時為驗證信息熵以及自適應(yīng)變異算子在算法中的作用,實驗使用標準GA算法、僅自適應(yīng)變異算子、僅信息熵、以及本文混合算法下的結(jié)果進行比較。

首先設(shè)定初始種群個體數(shù)nind=50;最大遺傳代數(shù)maxgen=100代;初始交叉概率為Pc=0.8;初始變異概率Pm=0.1,變異概率取值范圍為Pm∈[0.05,0.1]和Pm∈[0.075,0.15],Pm的取值范圍隨種群信息熵值自適應(yīng)選擇,信息熵閾值S0=[3.5,6],具體的值隨著nind的值改變而改變;實驗結(jié)果如下所示。

根據(jù)圖4,在比爾函數(shù)下,標準遺傳算法比本文算法多運算了30代并在40代附近收斂;同時在僅信息熵和僅變異算子條件下,算法雖未收斂至全局最優(yōu),但其中期陷入局部收斂的時間大幅縮小。同時由圖5可以看出信息熵值隨著種群的迭代都呈不斷下降的趨勢。在使用信息熵作為種群多樣性的度量標準的條件下,種群信息熵值均大于標準遺傳算法和僅使用變異算子,即信息熵能夠?qū)崿F(xiàn)對種群多樣性的動態(tài)調(diào)整;此外,從第7次迭代開始,標準遺傳算法的種群多樣性大于僅變異算子的作用下,但在第8代后種群多樣性得到明顯提升,故自適應(yīng)的變異算子起到了其本身的作用。

圖4 nind=50時,算法迭代對比圖

圖5 nind=50時,種群信息熵值比較

為避免偶然因素導致算法比較錯誤,本文在上文的基礎(chǔ)上,僅改變初始種群個體數(shù)nind的大小,重復進行實驗,特別注意,為保證種群信息熵值比較效果,實驗時統(tǒng)一取25代迭代并求其平均做統(tǒng)計;其統(tǒng)計數(shù)據(jù)如下表2所示。

表2 不同初始種群下優(yōu)化結(jié)果對比

由表2可以看出各算法均能對比爾函數(shù)進行全局尋優(yōu)且最終都能收斂至近似全局最優(yōu)值,雖仍有一定的誤差。隨著初始種群個數(shù)的增加,算法的平均收斂代數(shù)總體呈增加的趨勢,同時種群信息熵均值逐漸增加。此外本文算法平均只需迭代15次就能收斂至最優(yōu)解,相比較于傳統(tǒng)GA算法收斂速度提升了87%,相較于僅使用信息熵收斂速度提升了41.91%;對比于僅自適應(yīng)變異算子收斂速度提升了75.58%。同時,收斂精度明顯優(yōu)于其它對比算法。

經(jīng)過對比實驗證明,在測試函數(shù)下本文算法在收斂精度和速度上均取得較大提升,算法改進取得較為良好的效果。

5.2 模型求解

5.2.1 基本參數(shù)設(shè)定

通過統(tǒng)計某工業(yè)炸藥公司倉庫群一段時間內(nèi)的進出庫變化,計算得出每類炸藥的出入庫頻率為fk,某種貨物倉庫存儲總量Ck。如下表3所示,表4為仿真優(yōu)化的基本參數(shù):

表3 不同規(guī)格炸藥詳細參數(shù)

表4 優(yōu)化仿真基本參數(shù)

5.2.2 實驗結(jié)果分析

本文實驗結(jié)果由MATLAB仿真實現(xiàn),帶入本文提出的倉儲優(yōu)化模型后進行對比實驗,仍采用本文算法、標準GA算法、僅信息熵、僅自適應(yīng)變異算子四種算法進行求解。以驗證改進后的算法對于模型仍具備有效性。

1)倉庫群動態(tài)分配:設(shè)置閾值K1=15,β=3,將fk,Ck帶入式(1),(2),(3),(4),得出倉庫分配方案(3,7,4,5,8,6,9,1,2,10)即將第2類炸藥第1-2個庫區(qū)內(nèi);將第4類和第3類炸藥隨機放入第3-6庫區(qū),即第2和第3座倉庫;第1類炸藥和第5類炸藥隨機放入第7-10庫區(qū)。

2)倉庫內(nèi)貨位動態(tài)分配:根據(jù)實際情況,模型解空間大小為100,故設(shè)置初始種群數(shù)量為nind=100,對應(yīng)信息熵閾值取值為4.5當種群多樣性hk

通過隨機選取假設(shè)(-3,4),(-5,1), (-2,6),(1,3), (3,5),(-4,3),(-5,4),(5,10),(2,1),(4,3)已存放有貨物,同時在解空間中隨機選取5個坐標作為貨位優(yōu)化前的坐標,進行尋優(yōu)求解。實驗得出結(jié)果如下:最優(yōu)染色體為(-5,5),(-4,5),(-4,4),(-3,5),(-2,5)。即第一個堆垛放入坐標(-5,5)下,以次類推。同時得出目標函數(shù)最優(yōu)值Y=-396.7。其收斂曲線如下圖6所示。

圖6 模型收斂對比

由圖6可以看出,標準遺傳算法在迭代至180代時仍不能完全收斂,并且解的質(zhì)量差。本文改進后的算法在模型中使用取得良好的效果,在20代左右就開始收斂,最終接近全局最優(yōu)值,解的質(zhì)量及收斂速度明顯優(yōu)于傳統(tǒng)遺傳算法。通過對比亦可看出信息熵機制和自適應(yīng)變異算子的收斂效果亦優(yōu)于標準遺傳算法。其種群信息熵值變化如圖7所示。

比較圖7可以發(fā)現(xiàn),信息熵作為種群多樣性的評價指標,在本文所述模型中依然取得較好的效果。此外使用信息熵機制后,隨著迭代次數(shù)的上升,相較于標準遺傳算法種群信息熵值的變化不會出現(xiàn)斷崖式下跌,進而提升算法跳出局部收斂的能力,保證算法的收斂精度及速度。

表5為同一隨機坐標下,多次通過改變初代保存位置坐標后,不同的存放方案。從表5中取初始坐標、實驗1和實驗3畫出優(yōu)化前后的貨物坐標如圖8所示,其中紅色方塊代表當前位置已存放有貨物。

圖8 優(yōu)化后貨物擺放示意圖

表5 優(yōu)化前后坐標變化對比

由表5和圖8可以看出,貨位優(yōu)化前布局完全隨機,分配雜亂無序,經(jīng)過貨位優(yōu)化后,貨位的分配都盡可能的靠近倉庫出入口且與上一次得出的擺放坐標相鄰,貨位的分配布局變得有序且合理;同時假如存放點已經(jīng)存放有貨物時,算法也能夠有效辨別。

從實驗結(jié)果上來看,利用本文所提算法及模型能夠快速找到對應(yīng)的倉庫及庫區(qū)內(nèi)的貨位,使同種規(guī)格的工業(yè)炸藥產(chǎn)品能夠集中存放,且滿足先入先出和距離出入口最近的原則。

6 結(jié)論

本文通過對工業(yè)炸藥倉儲過程的特點、難點和要求進行分析,建立了工業(yè)炸藥倉儲優(yōu)化數(shù)學模型;并根據(jù)遺傳算法對模型求解存在的問題,提出基于信息熵和改進后的自適應(yīng)變異算子的混合遺傳算法;在與遺傳算法進行對比后,使用本文算法對模型求解。實驗仿真結(jié)果表明本文算法相對于標準遺傳算法在收斂精度及速度上均有較大提升;同時對于本文的模型求解亦取得了較為良好的效果,能夠在一定程度上提高工業(yè)炸藥倉庫群的空間利用率;提高工業(yè)炸藥產(chǎn)品出入庫效率;提升單一倉庫內(nèi)產(chǎn)品存放效率。較好的解決了受工業(yè)炸藥存放有效期以及存放安全性等約束的優(yōu)化問題。此外本文在研究過程中對于倉庫群的動態(tài)分配僅僅只考慮了倉庫的分配,對于如何實現(xiàn)貨物在倉庫群中的動態(tài)調(diào)配以及閑時優(yōu)化問題有待進一步研究;對于倉庫內(nèi)貨位動態(tài)分配如何直接使用多目標優(yōu)化算法進行求解值得進一步研究。