一种面向智慧园区的双层资源配置优化方法与流程

1.本发明涉及智慧园区领域，更具体的说涉及一种面向智慧园区的双层资源配置优化方法。


背景技术：

2.随着物联网iot技术、5g以及云计算等新兴信息技术的不断发展与应用，产业园区的智慧化建设已逐步成为新一轮的发展趋势。智慧园区建设包含在战略、流程、资源三个层面的配合发展，而如何构建高效的园区资源配置方法，实现园区资源整合，提高整体利用率，是实现和发展智慧园区的重中之重。
3.面向智慧园区的双层资源配置优化主要包含对园区仓库人员拣货路径优化及园区物流车辆的路径优化两方面，在确保物流车辆调度的合理的同时需尽可能的提高人员拣货作业的效率，才能确保最大化园区资源利用率。此外，智慧园区建设对于实用性的考察极为严格，因此该优化模型需涉及异构车辆物理约束，多园区仓库，多商业订单，多仓库月台，作业时间窗等多维真实约束，上述内容对于园区资源配置优化的求解无疑是重点及难点。
4.不同于传统的园区资源管理，面向智慧园区的双层资源配置优化在理论层面上属于np-hard问题，这类问题极少存在最优解，只能找到较优解，而智能优化算法在求解这类问题时较为简单且有较好的优化结果，但单一的算法存在收敛精度速度较差和优化结果较差等缺陷。基于双层资源配置优化模型，构建改进的混合智能算法以提升算法收敛性，防止陷入局部最优解避免算法早熟。为提高算法优化性能，构建基于混沌理论种群初始化策略以提升初始化种群的多样性、随机性和遍历性；构建基于差分算法的改进策略对算法迭代选择方式进行改进，有效提高了最优解的出现概率和算法的全局优化能力，对于涉及多维约束的复杂优化问题在保障优化效果的同时，也能有较强的收敛速度和精度。该算法的应用不仅能够求解双层资源配置优化问题，还能够节省园区的资源配置计算时间及成本，以实现资源层面协同利用及效率提升。


技术实现要素：

5.本发明充分考虑园区多仓库、多服务台、多车辆的作业需求特性及包含作业时间窗、仓库货架布局、异构车辆载重约束等真实作业约束，构建了包含上层为园区仓库作业人员拣货路径优化模型和下层为园区物流车辆路径优化模型在内的双层资源配置优化模型，并设计改进的混合智能算法以解决资源配置优化问题中求解难度大，求解精度低，优化结果不理想的问题。
6.为实现上述目的，本发明提供了一种面向智慧园区的双层资源配置优化方法，包括以下步骤：所述的优化方法包括以下步骤：步骤一、获取园区仓库数据、物流车辆数据及资源数据，构建双层资源配置优化模型；步骤二、基于差分进化算法，对多元宇宙算法进行改进，利用改进的混合差分多元宇宙算法完成双层资源配置优化模型的求解。
7.优选地，所述的步骤一，构建双层资源配置优化模型，所述双层资源配置优化模型
包含上层为园区仓库作业人员拣货路径优化模型和下层为园区物流车辆路径优化模型。
8.优选地，所述的所述上层园区仓库作业人员拣货路径优化模型具体如下：
9.以单位订单批次所需货架数量、园区仓库服务台公平性适应度函数及园区仓库作业人员拣货作业时间为优化指标，具体如下所示：
[0010][0011][0012][0013]
其中，f1为单位批次订单所需货架数量，f2为园区仓库服务台公平性适应度函数，f3为园区仓库作业人员拣货作业时间；其中，y
ib
∈{0,1}，当y
ib
＝1时表示批次b需要货架i，反之表示不需要货架i；当时表示批次b分配给服务台r，反之表示不分配给服务台r；当时表示拣货人员p从服务台dr出发，反之表示不从服务台dr出发；当时表示在一个批次b中完成货位i的拣货后去货位j拣货，反之表示不去货位j拣货；当时表示拣货人员p负责批次b中的订单o，反之表示不负责批次b中的订单o；hc为单个货位的高度；li为货位i的层数；dc为单个货位的深度；di为货位i所处深度；v
p
为拣货作业人员的行走速度；vd为拣货作业辅助工具的速度；tb为包装时间；为任意服务台到任意一个货位的距离；为任意两个货位之间距离；
[0014]
在对优化指标进行归一化处理后进行线性加权，从而构建了园区仓库作业人员拣货路径优化模型的目标函数如下式所示：
[0015][0016]
其中，λ1，λ2，λ3满足λ1 λ2 λ3＝1
[0017]
根据一般所服务园区的管理策略构建了园区仓库作业人员调度约束和资源配置约束两部分；所述园区仓库作业人员调度约束包含：
[0018]
每个商业订单批次由单一服务台负责：
[0019][0020]
每次拣货作业不超过服务台最大作业人数限制：
[0021][0022]
每个作业人员的只负责一个商业订单：
[0023][0024]
拣货作业人员在完成拣货后返回出发时的服务台：
[0025]
[0026]
每个商业订单只能分配给一个批次：
[0027][0028]
在一个批次中货架只能被拣货一次：
[0029][0030][0031]
所述资源配置约束包含商业订单容量不超过拣货工具限制：
[0032][0033]
商业订单所需资料数量不超过仓库最大限制：
[0034][0035]
其中，为服务台dr的最大作业人数；当时表示商业订单o属于商业订单批次b；oa为商业订单所含资源种类，为资源a的所需数量，va为单位资源a的体积；v
max
为拣货作业辅助工具的最大容量；为仓库资源a的最大数量。
[0036]
优选地，所述下层园区物流车辆路径优化模型具体如下：
[0037]
具体如下所示：
[0038][0039][0040][0041][0042]
其中，f1为园区物流车辆行驶时间，f2为商业订单未完成惩罚成本，f3为园区仓库月台利用率，f4为园区物流车辆作业惩罚成本；其中，当时表示安排车辆k从仓库c前往仓库d，反之表示不前往仓库d；d
cd
为仓库c，d之间的距离；d
ec
，d
de
分别表示仓库c，d到园区出入口的距离；vk为车辆k的行驶速度；w
uload
，w
load
分别表示卸货和装货作业惩罚系数；分别为车辆k所需要卸货和装货的资源a的重量；为车辆k在仓库c卸货和装货的资源a的重量；当时表示安排车辆前往月台r，反之表示不安排；为仓库c的月台总数；分别表示卸货作业和装货作业惩罚成本，所述卸货作业和装货作业惩罚成本具体如下所示：
[0043][0044]
[0045]
其中，w
ul
，w
l
分别为卸货和装货惩罚系数；表示车辆实际开始卸货和装货作业的时间；表示车辆实际结束卸货和装货作业的时间；表示车辆计划开始卸货和装货作业的时间；表示车辆计划开始卸货和装货作业的时间；表示车辆计划结束卸货和装货作业的时间；
[0046]
基于线性加权法，结合所涉及的园区物流车辆路径优化模型的优化指标，在对优化指标进行归一化处理后进行线性加权，从而构建了园区物流车辆路径优化模型的目标函数如下式所示：
[0047][0048]
其中，λ4，λ5，λ6，λ7满足λ4 λ5 λ6 λ7＝1
[0049]
根据所服务一般园区的管理策略构建了园区物流车辆调度约束；所述园区物流车辆调度约束包含：
[0050]
仓库满足车辆的装货作业需求：
[0051][0052]
物流车辆在仓库卸货作业不超过仓库限制：
[0053][0054]
物流车辆完成作业后离开仓库：
[0055][0056]
在单一仓库物流车辆只能前往唯一的仓库月台：
[0057][0058]
仓库月台数量限制：
[0059][0060]
其中，为仓库c的资源a的数量；为仓库资源a的最大数量。
[0061]
优选地，步骤二、基于差分进化算法，对多元宇宙算法进行改进，利用改进的混合差分多元宇宙算法完成双层资源配置优化模型的求解；
[0062]
步骤2.1、参数初始化；
[0063]
步骤2.2、初始化宇宙；
[0064]
步骤2.3、计算宇宙膨胀度并标准化；
[0065]
步骤2.4、宇宙通过黑白洞交换物质；
[0066]
步骤2.5、通过虫洞接受最优宇宙发送的物质；
[0067]
步骤2.6、更新全局极值，将目前宇宙即当前迭代次数保存为
[0068]
步骤2.7、差分进化操作；
[0069]
步骤2.7.1、变异，随机选取两个可选宇宙，进行宇宙间信息的传递；
[0070]
步骤2.7.2、交叉，依据交叉概率对两个前代宇宙进行部分的替换；
[0071]
步骤2.7.3、选择，搜索代理通过变异和交叉操作后需通过适应度函数值来判断进行保留原始宇宙或者执行交叉操作产生的新宇宙；
[0072]
步骤2.8、若达到最大迭代次数则输出结果，反之则返回至步骤2.4.
[0073]
本发明有益效果：
[0074]
本发明提供了一种面向智慧园区的双层资源配置优化方法，具体有如下有益效果：本发明以智慧园区资源配置实际需求特性出发，综合考虑了园区资源配置约束和作业约束，构建了多维优化指标，建立了上层为园区仓库作业人员拣货路径优化模型和下层为园区物流车辆路径优化模型的双层资源配置优化模型，进一步，基于差分进化算法对多元宇宙算法进行了改进，通过在多元宇宙算法中加入变异、交叉、选择操作完成算法的改进，以缓解算法在求解大规模优化问题时收敛速度，精度较差等缺陷，接着利用改进的混合差分多元宇宙算法分别对双层资源配置优化模型的上下层模型进行求解，为智慧园区在资源层面的建设提供有效借鉴。
附图说明
[0075]
图1为所服务园区仓库布局示意图图；
[0076]
图2为多元宇宙物质交换示意图；
[0077]
图3为改进的混合差分多元宇宙算法流程图；
具体实施方式
[0078]
为进一步对本发明进行解释说明，下面结合附图对本发明的一个具体实施方式进行详细描述说明，但所举具体实施方式不对本发明构成限定。
[0079]
实施例一：
[0080]
本实施例公开的一种面向智慧园区的双层资源配置优化方法具体实施步骤如下：
[0081]
步骤一、基于园区的仓库数量、仓库位置信息、仓库所包含月台数量及服务台数量、仓库所涉及作业人员数量和辅助作业工具(叉车、升降机等)数量、物流车辆进出入园区时间、物理约束(载重上下限约束)，及所携带商业订单信息(所需资源种类及数量)、资源种类、资源存贮量、资源所属仓库及货位等数据，构建上层为园区仓库作业人员拣货路径优化模型和下层为园区物流车辆路径优化模型的双层资源配置优化模型；
[0082]
上层园区仓库作业人员拣货路径优化模型具体如下：
[0083]
以单位订单批次所需货架数量、园区仓库服务台公平性适应度函数及园区仓库作业人员拣货作业时间为优化指标，具体如下所示：
[0084][0085][0086][0087]
其中，f1为单位批次订单所需货架数量，f2为园区仓库服务台公平性适应度函数，
f3为园区仓库作业人员拣货作业时间；其中，y
ib
∈{0,1}，当y
ib
＝1时表示批次b需要货架i，反之表示不需要货架i；当时表示批次b分配给服务台r，反之表示不分配给服务台r；当时表示拣货人员p从服务台dr出发，反之表示不从服务台dr出发；当时表示在一个批次b中完成货位i的拣货后去货位j拣货，反之表示不去货位j拣货；当时表示拣货人员p负责批次b中的订单o，反之表示不负责批次b中的订单o；hc为单个货位的高度；li为货位i的层数；dc为单个货位的深度；di为货位i所处深度；v
p
为拣货作业人员的行走速度；vd为拣货作业辅助工具的速度；tb为包装时间；为任意服务台到任意一个货位的距离；为任意两个货位之间距离；
[0088]
根据图1的园区仓库布局示意图，得到园区仓库任意服务台到任意一个货位的距离和任意两个货位之间距离如下所示：
[0089][0090][0091]
其中，pi∈{0,1}，当pi＝1时表示货位i位于巷道的右侧，反之则位于巷道的左侧；ri为货位i所处巷道数；si为货位i所处巷道距入口序号；dr为服务台编号；wc为单一货位的宽度；wr为单一巷道的宽度；dc为单一货位的深度；
[0092]
基于线性加权法，结合所涉及的园区仓库作业人员拣货路径优化模型的优化指标，在对优化指标进行归一化处理后进行线性加权，从而构建了园区仓库作业人员拣货路径优化模型的目标函数如下式所示：
[0093][0094]
其中，λ1，λ2，λ3满足λ1 λ2 λ3＝1
[0095]
园区仓库作业人员调度约束包含：
[0096]
每个商业订单批次由单一服务台负责：
[0097][0098]
每次拣货作业不超过服务台最大作业人数限制：
[0099][0100]
每个作业人员的只负责一个商业订单：
[0101][0102]
拣货作业人员在完成拣货后返回出发时的服务台：
[0103][0104]
每个商业订单只能分配给一个批次：
[0105][0106]
在一个批次中货架只能被拣货一次：
[0107][0108][0109]
所述资源配置约束包含商业订单容量不超过拣货工具限制：
[0110][0111]
商业订单所需资料数量不超过仓库最大限制：
[0112][0113]
其中，为服务台dr的最大作业人数；当时表示商业订单o属于商业订单批次b；oa为商业订单所含资源种类，为资源a的所需数量，va为单位资源a的体积；v
max
为拣货作业辅助工具的最大容量；为仓库资源a的最大数量；
[0114]
下层园区物流车辆路径优化模型具体如下：
[0115]
以园区物流车辆行驶时间、商业订单未完成惩罚成本、园区仓库月台利用率及园区物流车辆作业惩罚成本为优化指标，具体如下所示：
[0116][0117][0118][0119][0120]
其中，f1为园区物流车辆行驶时间，f2为商业订单未完成惩罚成本，f3为园区仓库月台利用率，f4为园区物流车辆作业惩罚成本；其中，当时表示安排车辆k从仓库c前往仓库d，反之表示不前往仓库d；d
cd
为仓库c，d之间的距离；d
ec
，d
de
分别表示仓库c，d到园区出入口的距离；vk为车辆k的行驶速度；w
uload
，w
load
分别表示卸货和装货作业惩罚系数；分别为车辆k所需要卸货和装货的资源a的重量；为车辆k在仓库c卸货和装货的资源a的重量；当时表示安排车辆前往月台r，反之表示不安排；为仓库c的月台总数；分别表示卸货作业和装货作业惩罚成本，所述卸货作业和装货作业惩罚成本具体如下所示：
[0121][0122][0123]
其中，w
ul
，w
l
分别为卸货和装货惩罚系数；表示车辆实际开始卸货和装货作业的时间；表示车辆实际结束卸货和装货作业的时间；表示车辆计划开始卸货和装货作业的时间；表示车辆计划开始卸货和装货作业的时间；表示车辆计划结束卸货和装货作业的时间；
[0124]
基于线性加权法，结合所涉及的园区物流车辆路径优化模型的优化指标，在对优化指标进行归一化处理后进行线性加权，从而构建了园区物流车辆路径优化模型的目标函数如下式所示：
[0125][0126]
其中，λ4，λ5，λ6，λ7满足λ4 λ5 λ6 λ7＝1
[0127]
园区物流车辆调度约束包含：
[0128]
仓库满足车辆的装货作业需求：
[0129][0130]
物流车辆在仓库卸货作业不超过仓库限制：
[0131][0132]
物流车辆完成作业后离开仓库：
[0133][0134]
在单一仓库物流车辆只能前往唯一的仓库月台：
[0135][0136]
仓库月台数量限制：
[0137][0138]
其中，为仓库c的资源a的数量；为仓库资源a的最大数量；
[0139]
步骤二、基于差分进化算法，对多元宇宙算法进行改进，利用改进的混合差分多元宇宙算法完成双层资源配置优化模型的求解；
[0140]
步骤2.1、参数初始化
[0141]
初始化宇宙维度d，宇宙个数pop
max
，迭代次数t
max
；交叉概率cr；差分系数f；
[0142]
步骤2.2、初始化宇宙
[0143]
根据园区仓库编号nu，月台数nm和订单分组方案初始化每个订单的x.u，x.m。x.u为[1nu]的随机整数，x.m为[1nm]的随机整数。查找园区仓库x.u下月台数为x.m的作业人员n
um
，则x.δ为[1n
um
]的随机整数。生成pop
max
个个体后，依据轮盘赌的方法筛选个个体作为可选择的宇宙。
[0144]
步骤2.3、计算宇宙膨胀度并标准化
[0145]
基于模型所建立的目标函数对所有宇宙的膨胀度进行计算，由于目标函数求其最小值，则膨胀度最小的宇宙代表该模型的最优解，依据约束条件筛选不符合约束的宇宙膨胀度设置为正无穷，并根据标准化公式对宇宙膨胀度进行标准化，所用公式如下：
[0146][0147]
步骤2.4、宇宙通过黑白洞交换物质
[0148]
每一个宇宙个体及相对应的订单都随机生成一个∈[0,1]的随机数若则通过轮盘赌的方式产生黑洞的宇宙拥有黑洞的宇宙向该宇宙发送物质用以更新订单：
[0149][0150]
步骤2.5、通过虫洞接受最优宇宙发送的物质
[0151]
若则对该宇宙产生三个介于0到1之间的随机数通过下式的更新机制对最优宇宙通过虫洞向该宇宙发送物质：
[0152][0153][0154]
步骤2.6、更新全局极值，将目前宇宙即当前迭代次数保存为
[0155]
步骤2.7、差分进化操作
[0156]
对目前的进行差分进化操作
[0157]
步骤2.7.1、变异。随机选取两个可选宇宙，进行宇宙间信息的传递，具体操作如下式：
[0158][0159]
其中v
ik 1
为执行变异操作后的宇宙，f为变异算子∈[0,2]，和为随机选取的不同于的宇宙。
[0160]
步骤2.7.2、交叉。依据交叉概率对两个前代宇宙进行部分的替换，具体操作如下式：
[0161][0162]
其中cr为交叉算子∈[0,1]，rand是随机产生∈[0,1]的随机数，u
ik 1
是交叉产生的新宇宙。
[0163]
步骤2.7.3、选择。搜索代理通过变异和交叉操作后需通过适应度函数值来判断进
行保留原始宇宙或者执行交叉操作产生的新宇宙。选择式如下：
[0164][0165]
步骤2.8：若达到最大迭代次数则输出结果，反之则返回至步骤2.4。
[0166]
本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。