[发明专利]基于机器学习的密集库设备调度策略参数动态调优方法

说明书

本发明公开一种基于机器学习的密集库设备调度策略参数动态调优方法，本发明针对仓库的物理通路和设备运动范畴进行拓扑图建模，利用模型量化自动化车辆在特定策略参数下的实际运作细分指标，并设定此模型下的仓库调度指标目标值，进而利用机器学习的主数据分析思路来降维参数模型，进而发现策略参数与目标指标间的关联模型，以便于通过不断优化策略参数，来逐步逼近调度目标，从而实现在仓库现有条件下的自动化最优化参数调整。

技术领域

本发明涉及智能自动化仓储设备控制领域，尤其是一种智能高效的仓库任务统筹规划方法。

背景技术

仓库自动化设备运行环境往往非常复杂，例如密集库中存在多种货物不同程度的信号遮挡，导致网络信号覆盖强度在密集库中的各个点均不相同，此外设备间的磨损也会导致运行设备在特定位置出现一定程度的打滑，以上环境上细微的差别，极有可能对实际设备运行造成较大影响，进而影响整个仓库的作业效率。

为了解决上述难题，多数自动化仓库设备的调度系统都会配置多种策略以及策略所使用的参数来适配仓库环境，从而保障设备尽可能的稳定运行。例如常见的出错最多重试次数N，表示当一个设备没有正确响应调度时，调度系统会最多进行N次重发指令的尝试，如果N次均失败，则会通知工作人员人工介入。此类方案更多依赖于人的经验和长时间的手动矫正，效率较低。且如果环境出现变化，而参数无法自动适应这种变化，则原先调整的策略将不再是最好的，甚至达不到既定目标。

故，需要一种新的技术方案以解决上述问题。

发明内容

发明目的：为解决上述问题，提供一种基于机器学习的密集库设备调度策略参数动态调优方法，针对多变且不一致的仓库实际环境，本方法总会尽可能的保障达到或尽可能接近既定的目标。

技术方案：为达到上述目的，本发明可采用如下技术方案：

一种基于机器学习的密集库设备调度策略参数动态调优方法，其特征在于，包括以下步骤，

(1)建立拓扑图模型：

根据仓库的实际连接模式，将设备及通路抽象成拓扑图模型，拓扑图模型采用有向无自环带边权值的拓扑图，用每个边的边权值代表到指定区域每条路径的选择权重，权重由具体的路径管理算法决定主要部分，而权重值包含的一个调优因子；

(2)指定调度目标，形成策略评价函数：

根据仓库业务的实际情况，设定仓库调度目标，调度目标根据几个指标约定优先级，系统按照优先级对几个指标的实际值于目标值的偏差值做加权求和而自动生成评价函数，评价函数内设置各指标的加权系数；

(3)设置策略初始值：

系统设置重试策略和路径选择策略的初始参数值，以及上下调整的步长和上下限初始的重试次数；

(4)一个统计周期中计算调度策略的评价指标，并使用评价函数进行量化：

实际执行策略一段时间，判定在此参属下评价函数的反馈值，反馈值根据配置选择一组向量或者一个单一数值；

(5)按照初始设定的启发式搜索策略寻找参数调整值，重复步骤(4)，迭代多次获取多组统计数据；

(6)利用机器学习算法将统计数据进行主数据分析，得出关键变量，分析关键变量和调度目标间的函数增减性关系，更新启发式搜索策略；

(7)初步获得启发式搜索策略后，模型建立阶段结束。

有益效果：本发明针对仓库的物理通路和设备运动范畴进行拓扑图建模，利用模型量化自动化车辆在特定策略参数下的实际运作细分指标，并设定此模型下的仓库调度指标目标值，进而利用机器学习的主数据分析思路来降维参数模型，进而发现策略参数与目标指标间的关联模型，以便于通过不断优化策略参数，来逐步逼近调度目标，从而实现在仓库现有条件下的自动化最优化参数调整。