[发明专利]一种基于遗传算法的自动化立体仓库货位分配优化方法

权利要求书

1.一种基于遗传算法的自动化立体仓库货位分配优化方法，其特征在于，包括以下步骤：

步骤一、根据零部件的历史订单信息得到货物的出入库频率，建立减少出入库搬运时间的数学模型；

步骤二、统计零部件的质量，建立降低货架重心的计算模型；

步骤三、基于关联度进行聚类，建立以提高相关产品空间聚集度为目标的数学模型；

步骤四、根据步骤一建立的数学模型、步骤二建立的计算模型和步骤三建立的数学模型，构建自动化立体仓库多目标货位优化数学模型，并采用改进遗传算法对建立的自动化立体仓库多目标货位优化数学模型进行求解，获得最终货位优化结果，从而完成自动化立体仓库货位分配的优化；

所述步骤一、

11)对目标汽车零部件公司的多巷道自动化立体仓库的结构和出入库订单数据进行分析和处理，得到多巷道自动化立体仓库的货架基础数据和订单货物信息；

12)基于多巷道自动化立体仓库的运行特点，确定每个货位在存储单元的位置，基于货位来定义订单中零部件的存储单元；

13)基于零部件历史订单、在库数据，获得零部件出入库频率，以预设原则建立数学模型；

所述步骤13)的具体方法如下：

综合考虑零部件历史订单数据、库存数据统计得到货物的出入库频率，获得减少出入库搬运时间的数学模型如下：

其中，v_x表示堆垛机在x轴方向上的运行速度；v_y表示堆垛机在y轴方向上的运行速度；v_z表示堆垛机在z轴方向上运行速度；x_ij表示第i类，第j个货物的横坐标；y_ij表示第i类，第j个货物的纵坐标；z_ij表示第i类、第j个货物的纵向坐标；λ_ij表示第i类、第j个货物的出入库频率；l表示货位的长度；h表示储位高度；F₁表示第一目标函数；n表示货物种类数目；a_i表示每个分类中的货物个数；min表示取目标函数的最小值；

所述步骤四、

采用改进遗传算法对建立的自动化立体仓库多目标货位优化数学模型进行求解包括：

基于Sigmoid曲线的自适应遗传算子：

式中，P_c表示基于Sigmoid的自适应交叉概率；P_m表示基于Sigmoid的自适应变异概率；p_cmax表示交叉过程中交叉概率的上限；p_cmin表示交叉过程中交叉概率的下限；f′表示交叉过程个体适应度；p_mmax表示变异过程中交叉概率的上限；p_mmin表示变异过程中交叉概率的下限；f为变异过程个体适应度；f_avg表示个体平均适应度；f_max表示个体最大适应度；a为自适应变量。

2.根据权利要求1所述的一种基于遗传算法的自动化立体仓库货位分配优化方法，其特征在于，所述步骤12)的具体方法如下：

多巷道自动化立体仓库的每个货格定义为一个货位，基于分类存储的方式来存放货物；所述基于分类存储的方式来存放货物，包括：根据订单中零部件的属性分类，把同一种类的零部件摆放在同一分区。

3.根据权利要求1所述的一种基于遗传算法的自动化立体仓库货位分配优化方法，其特征在于，所述步骤二的具体方法如下：

基于零部件质量和货架重心因素，得到货架稳定性最小化计算模型为：

其中，M_ij表示第i种第j个货物的质量；z_ij表示第i种第j个货物的纵坐标；h表示储位的高度；a_i表示每个分类中的货物个数；n表示货物种类数目；F₂表示第二目标函数；min表示取目标函数的最小值。