[发明专利]一种考虑实时订单的互联网电商仓储动态调度方法

权利要求书

1.一种考虑实时订单的互联网电商仓储动态调度方法，其特征在于包括如下具体步骤：

(1)对电商仓储现场存在的约束及要优化的目标进行分析，并抽象为如下数学模型：

s.t.

其中，O(t)为时刻t订单拣选任务的集合，N(t)为时刻t新客户订单的集合，C为堆垛机最大载重，R为完成所有订单拣选任务需要堆垛机进行拣选作业的次数，e_ij、g_ir和g_ir为决策变量，即如果堆垛机在执行拣选任务的过程中连续经过货位p_i和p_j，则e_ij＝1，否则e_ij＝0，如果待拣选货位p_i在第r次拣选作业中完成，则g_ir＝1，否则g_ir＝0，T_ij为参数变量，表示堆垛机由货位p_i到p_j所用时间；式(1)为目标函数；式(2)至式(9)为各种约束，具体为：式(2)表示待拣选仓位在拣选路径中只允许出现一次；式(3)限定堆垛机进行拣选作业所装载货物不能超过自身最大载重；式(4)和式(5)表示每个待拣选仓位在拣选过程中不能形成自回路；式(6)和式(7)限定堆垛机在新客户订单产生时拣选的仓位必须作为下一个新调度方案的起始点；式(8)和式(9)为决策变量的二进制值域约束；

(2)初始化参数：最大进化代数G_max、种群规模M、进化代数计数器n、吸引力强度f、吸引距离尺度l、收敛因子的最大值c_max和最小值c_min；

(3)随机生成M个蚱蜢个体作为初始种群POP(n)；

(4)计算种群POP(n)个体的适应度，记录最优解Γ；

(5)进化代数：n＝n+1；

(6)基于式更新收敛因子c，并计算种群POP(n)蚱蜢个体间的距离d_ij；

(7)基于多重学习策略更新蚱蜢个体位置，即充分利用父代个体及其邻域信息，从而增加向最优解靠近的机会，提高算法的寻优效率，假设分别为第i个蚱蜢个体X_i和当前最优蚱蜢个体X_b第k个分量，则多重学习策略具体描述如下：

(a)原有学习策略

其中，u_k、l_k分别为第k维分量的上下限，Γ_k为当前时刻最优个体的第k个分量，d_ij表示蚱蜢个体i与蚱蜢个体j之间的距离，f、l分别为吸引力强度和吸引距离尺度；

(b)加权学习策略

(c)平均学习策略

(d)极限学习策略

(e)边界学习策略

在上述公式中，rand是0到1之间的随机数，为向下取整运算符；

(8)基于启发式反向迁移机制改善种群多样性；

(9)计算种群POP(n)个体的适应度，更新最优解Γ；

(10)如果搜索没有达到最大迭代次数，则返回步骤(5)；否则，停止搜索，并输出Γ。

2.根据权利要求1所述的考虑实时订单的互联网电商仓储动态调度方法，其特征在于步骤(8)中的基于启发式反向迁移机制改善种群多样性，可有效避免以下两种不利情况发生：其一，太大的迁移概率p_i容易使搜索具有盲目性；其二，太小的迁移概率p_i容易又使搜索陷入局部最优，致使收敛精度降低，启发式反向迁移机制的原理为：为保持种群多样性，个体迁移概率应与种群多样性贡献率近似成反比，同时，为更好引导种群向最优解进化，对当前代最优个体X_j采用不迁移策略，非最优个体X_i的迁移行为则基于反向机制进行，启发式反向迁移机制的实施，不仅保持了种群的多样性，降低算法陷入局部最优的概率，而且能保留较好的个体，启发式迁移概率p_i及非最优个体X_i的反向迁移机制具体描述如下：

p_i＝1-(η_i/η^max)

其中，d_ij为个体X_i与最优个体X_j之间的距离，η_i为个体X_i对种群多样性的贡献率，η^max为所有蚱蜢个体种群多样性贡献率的最大值，为非最优个体X_i的第k维变量。