[发明专利]基于人工蜂群算法的模具库智能分区存储方法

权利要求书

1.基于人工蜂群算法的模具库智能分区存储方法，其特征在于：针对模具分区存储优化问题，首要要对所要解决的能耗、效率、质量三个部分的解决方案进行概括性描述；

能耗问题体现在：保证货物在被运送出库的过程中所消耗的能量较小,则需要保证堆垛机做功较少；

考虑效率因素，概括如下：只有距离货架巷道口近的位置尽量分配给出入库频率高的模具，才能降低堆垛机的整体作业时间，提高模具的出入库效率；

分析质量因素带来的不便，总结为：要对货位进行优化，使货架的重心下降，达到货架稳定的目的；

在分区存储优化之前，要确定模具库的货架货格类型，对堆垛式立体仓库做如下三个假设；

首先，模具库设计方面，模具库货格采用单元式货格，两排货架中间会有一个供堆垛机行驶的巷道；

接着，出库台与入库台设置在货架的同一侧，在出库任务与入库任务都有时，方便堆垛机进行复合作业；

最后，假设货格为正方体；

针对以上假设建立数学模型如下：

货位优化问题要从多方面进行考虑，不仅要权衡货品的周转率和相关性，同时也要尽可能使货品的摆放保证货架重心最低；但三者之间相互制约，想要同时满足，必须转化成多目标决策来解决；

设(x,y,z)为仓库的货位坐标，即第x排y列z层；该仓库一共有a排b列c层；v_x为堆垛机x方向的运行速度，v_y为堆垛机y方向的运行速度，v_z为堆垛机z方向的运行速度；p为堆垛机至出口的横向距离，q为堆垛机至出口的纵向距离，m_xyz为货品的质量；

将整个优化过程分为三个阶段，即获得最小耗能阶段、提高出入库效率阶段、改善货架稳定性阶段；

1)获得最小耗能阶段

为保证货物在被运送出库的过程中所消耗的能量较小,则需要保证堆垛机做功较少；由力学原理得到货物做功；

其中，g为重力加速度，是已知的常数；x,y,z分别为货品在坐标空间中距离yOz,xOz,xOy坐标平面的竖直距离，h为货品所在的高度值，μ为堆垛机与货物之间的摩擦系数，μ≤1，L₀为货位单元格的长度；k_xyz为比例系数，是已知的常数；m_xyz为货品的质量；

堆垛机与货物之间的摩擦系数小，且货物横向做的功相较于纵向做的功忽略不计，得到如下目标函数

2)提高出入库效率阶段

为使运送距离最短，需要将出库频率高的货物放在离出口较近的位置；要提高效率，就需要使货物的出库频率与货物运送时间乘积之和最小；假设f_xyz为货物的出库频率，并引入t_xyz来表示货物运送时间，因此构造如下函数；

其中，p＝x-1，q＝1，L₀为货位单位长度，可视为1，为已知量；

3)改善货架稳定性阶段

货架稳定与否在于其重心的高低；将较重的货物摆放在货架的底层会增加整体货架的稳定性，使得货架的重心点到地面的距离最短；根据货架“上轻下重”的承重原则，需要保证每个货位上的货物质量与其所在层的乘积之和最小；

因此构造如下目标函数；

综上可得货位优化多目标数学模型如下；

货位优化的多目标数学模型是建立以降低能耗和提高出库效率作为主要目标，货架稳定性作为次要目标的基础上；各目标函数之间相互制约，单独进行优化研究无法解决问题；需要通过遗传算法的权重系数法给各目标函数赋予不同的权重，把该模型变成利于计算的单目标函数问题；

构建多目标函数如下所示；

min f＝w₁f₁+w₂f₂+w₃f₃ (6)

其中0w₁1，0w₂1，0w₃1，且w₁+w₂+w₃＝1，w₁,w₂,w₃为权重系数，根据实际问题赋予不同的值；

数学模型建立完毕；

确定决策变量和约束条件；

决策和约束应包含约束域的定义和坐标的唯一性约束两方面；

1)约束域的定义；

模具是在固定区域内进行优化的，位置坐标必须属于优化区域内；模具优化的区域为a排b列c层的货架区域；将距离巷道口的最近一排记为第1排，最近的1列为第1列，最底层为第1层；所以本文的决策变量为x，y，z；约束条件为1≤x≤a,1≤y≤b,1≤z≤c；

2)坐标的唯一性约束；

一个货位上只能存放一个模具，因此一个模具的存放货位只能有一个，不允许出现重复的坐标，所以另一个决策变量为k_xyz；

约束条件为；

至此，模具分区存储优化数学建模的工作已经完成；

对模具分区存储优化数学建模进行求解；

首先，结合人工蜂群算法的基本原理；

标准的ABC算法通过模拟实际蜜蜂的采蜜机制将人工蜂群分为3类:引领蜂、跟随蜂和侦察蜂；

整个蜂群的目标是寻找花蜜量最大的蜜源；

采蜜蜂利用先前的蜜源信息寻找新的蜜源并与观察蜂分享蜜源信息；观察蜂在蜂房中等待并依据采蜜蜂分享的信息寻找新的蜜源；侦查蜂的任务是寻找一个新的有价值的蜜源，它们在蜂房附近随机地寻找蜜源；

应用ABC算法在求解模具分区存储优化问题时；

货位的位置被抽象成解空间中的点，代表问题的潜在解，货位i的质量对应于解的适应度值f_it_i，NP为货位的数量，i＝1,2,···NP；

ABC算法将货物分为引领蜂、跟随蜂和侦察蜂3种类型，其中引领蜂和跟随蜂各占货物总量的一半，数量等于货位的数量，且每货位同一时间内只有一只引领蜂在货位上；

假设求解问题的维数为D,在t次迭代时货位i的位置表示为x′_i＝{x′_i1,x′_i2,···x′_iD}，其中，t表示当前的迭代次数；x_id∈[L_d,U_d],L_d和U_d分别表示搜索空间的下限和上限，d＝1,2,···D；

货位i的初始位置依照上面所述在所有货位中随机产生；

x_id＝L_d+rand(0,1)(U_d-L_d)； (8)

在搜索开始阶段；

引领蜂在货位L的周围根据式搜索产生一个新的货位；

式中:d是在[1，D]中的一个随机整数，表示引领蜂随机地选择一维进行搜索；j∈{1,2,···NP}，表示在NP个货位中随机选择一个不等于i的货位；是[-1,1]均匀分布的随机数，决定扰动幅度；

当新货位V_i＝[v_i1,v_i2,···v_id]的适应度优于X_i时，采用贪婪选择的方法用V_i代替X_i，否则保留X_i；

所有的引领蜂完成式(9)的运算后，飞回信息交流区共享货位信息；

跟随蜂根据引领蜂分享的货位信息，按式(10)计算的概率进行跟随；

跟随蜂采用轮盘赌的方法选择引领蜂，即在[0,1]产生一个均匀分布的随机数r，如果p_i大于r，该跟随蜂在货位i的周围产生一个新货位，且采用同引领蜂相同的贪婪选择的方法确定保留的货位；

在搜索过程中阶段；

如果货位X_i经过trial次迭代搜索到达阈值limit而没有找到更好的货位，该货位X_i将会被放弃，与之对应的引领蜂角色转变为侦察蜂；

侦察蜂将在搜索空间随机产生一个新的货位代替X_i，上述过程如式(11)；

在ABC算法中，解的适应度评价依据式(12)计算；

2.根据权利要求1所述的基于人工蜂群算法的模具库智能分区存储方法，其特征在于：开始人工蜂群算法流程，分为以下步骤进行；

步骤一：初始化各货位X_i；设定参数NP、limit及最大迭代次数；t＝1；

步骤二：为货位X_i分配一只引领蜂，按式(9)进行搜索，产生新货位V_i；

步骤三：依据式(12)评价V_i的适应度，根据贪婪选择的方法确定保留的货位；

步骤四：由式(10)计算引领蜂找到的货位被跟随的概率；

步骤五：跟随蜂采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的货位；

步骤六：判断货位X_i是否满足被放弃的条件，如果满足，引领蜂转化为侦查蜂，否则直接转到步骤八；

步骤七：侦查蜂根据式(11)随机产生新货位；

步骤八：t＝t+1，判断是否满足终止条件，如果是，输出最求解，否则转步骤二，求解过程结束；

最后，进入人工蜂群算法的实现阶段，结合MATLAB将建立的目标函数用图形表现出来，实现了计算结果和编程的可视化。