一种基于多目标优化的钢卷库位分配方法

本发明属于智能仓储领域，更具体地说，是一种面向钢铁企业的钢卷仓库库位分配的方法。

背景技术：

1、成品钢卷的仓储及物流中转调度是钢铁行业生产销售中的重要环节。随着国家制造业转型升级战略推动中国制造业从低端劳动密集型向高端智能化、绿色可持续发展转变，传统的依靠人工进行库位分配会存在人为错误和库位分配不合理的风险，同时从业者需要进入仓库安全围栏内部，增加了生产的安全风险。

2、库位分配在货位存储领域是非常重要的，它直接影响着仓库的运作效率、货物存取速度以及空间利用率。良好的库位分配能够提高仓库的整体运营效率和服务水平，从而对企业的供应链管理和客户满意度产生积极影响。库位分配可以优化仓库内部空间利用率。通过合理规划库位，将货物存放在最适合的位置，可以最大化地利用仓库的存储空间，减少货物堆积和浪费空间的现象，从而提高仓库的存储密度和容量。合理的库位分配可以优化货物存取的效率。通过将相关产品放置在相近的库位，减少货物在仓库内部的移动距离和时间，提高货物的存取速度和操作效率。这对于快速响应客户订单、减少等待时间以及提高订单处理效率都具有重要意义。综上所述，库位分配在货位存储领域的重要性不言而喻。通过合理规划和优化库位分配，可以有效提高仓库的运营效率、降低成本、提高服务水平，从而为企业创造更大的价值和竞争优势。

3、经检索，中国专利申请号201711154499.1，申请公开日为2018年04月20日，公开了一种鱼骨型立体仓库的货位分配方法。该方法包括设置仓库货位和货物参数初始化粒子的位置和速度，并在区间内生成初始粒子群评价各个粒子的适应度更新各个粒子的个体最优值和粒子群的全局最优值迭代更新粒子的速度和位置判断更新后的粒子位置是否有效，如是则进行否则转对粒子进行变异操作，再返回将更新后生成的新的粒子状态与更新前的粒子状态对比，取其中适应度较大的粒子作为下一代更新的初始粒子，然后判断是否达到算法终止迭代次数，如是则进行，否则进入步骤输出最优货位分配方案。但是，这种方法中采用的粒子群算法在迭代过程中，pso可能会过早收敛，导致算法停止搜索，而未能找到全局最优解。这可能是由于粒子的速度过早降低或者搜索空间中的局部最优解阻碍了粒子的进一步探索。

4、中国专利申请号202211212469.2，申请公开日为2020年12月20日，公开了一种立体仓库货位分配方法及系统。该方法包括：建立立体仓库中待分配货物的出入库效率函数及其约束条件；建立立体仓库中货架在存储货物后的重心偏移值函数及其约束条件；建立货架上所存储的同一类货物的货位中心贴合性函数及其约束条件；计算出入库效率、重心偏移值、货位中心贴合性的实际值，利用遗传算法求解出入库效率、重心偏移值、货位中心贴合性的最优值；分别根据各个实际值与最优值之间的距离，确定各个函数的评价函数，将各个评价函数加权得到适应度函数；利用遗传算法求解适应度函数，得到货物的分配存储位置。但是，这种方法使用的是传统的遗传算法对模型进行求解，遗传算法通常需要大规模的种群来搜索解空间，因此在计算资源上消耗较大。特别是在处理大规模问题或高维问题时，算法的计算成本会更加显著。

技术实现思路

1、针对在传统库位分配导致仓库空间利用率低下和钢卷存放混乱等问题，本发明提供了一种库位分配的方法，通过对仓库信息、吊车作业数据以及钢卷调度历史数据的采集，建立了提高钢卷库位分配同一性的模型和减少高周转率钢卷调度时间的模型，通过专家评分的方式对模型进行加权处理，最后使用改进后的狩猎算法对模型求解，得到最优库位分配方案。

2、为解决上述问题，本发明采用如下的技术方案。

3、一种库位分配的方法，包括以下步骤：

4、s1、采集钢卷仓库的库位信息、吊车运行数据以及钢卷调度的历史记录，通过对钢卷调度历史记录的分析得出不同类型钢卷的周转率，建立旨在减少高周转率钢卷调度时间的模型；

5、s2、统计仓库中存储的钢卷种类信息，建立提高钢卷库位分配同一性的模型；

6、s3、根据仓库实际库位分配规则建立模型约束条件，建立多目标钢卷库位优化模型，并引入专家评分方法对模型进行加权处理，将多目标问题转化为单目标问题，构建单目标优化模型；

7、s4、以仓库内的空置库位为解空间并通过狩猎算法对优化模型进行求解，得到最优库位分配方案；

8、进一步地，s1所述的减少高周转率钢卷调度时间的模型为：

9、

10、其中，(a1，a2)代表库位宽度坐标范围，(b1，b2)代表库位长度坐标范围，(c1，c2)代表库位高度坐标范围；x、y、z代表钢卷的库位坐标；vx、vy、vz代表吊车在x、y、z轴行进的速度；t代表钢卷到达停车位的时间；p代表钢卷的周转率。

11、进一步地，s2所述的提高钢卷库位分配同一性模型包括以下步骤：

12、(3.1)假设仓库内存储了k族钢卷，第i(i＝1,2,···,k)族包含ni个钢卷，其中第i个钢卷的空间的坐标向量为[xi,yi,zi]，则同一族的ni个钢卷的坐标向量可以表示为：

13、

14、(3.2)对于仓库内的离散度衡量，可以计算各族钢卷的均值坐标向量mi：

15、

16、(3.3)为了衡量每个族中钢卷的类内离散度，可以定义该值为该族中每个钢卷到类中心的距离之和di：其中

17、(3.4)根据(3.3)得到的类内离散度可得出k族钢卷总的类内离散度为：

18、(3.5)设m为类间离散度衡量，则全部k族钢卷中心的均值向量坐标m为：其中mi(i＝1,2,···,k)；

19、(3.6)将衡量钢卷类中心到mj的离散度的值定义为每类的中心到m的距离之和，即

20、(3.7)在综合考虑类间离散度和类内离散度的基础上，尽可能将同族钢卷放在一起，使得同族钢卷的类内离散度最小化；同时也希望非同族的钢卷能够均匀分散到钢卷仓库中，并且使它们离货车停车位的距离之和最小化，即类间离散度最大化。由此在(3.4)和(3.6)的基础之上提出提高钢卷库位分配同一性的模型：

21、(3.8)根据s2和步骤(3.7)中所述的两个库位优化模型，可以建立一个整体的多目标钢卷库位优化模型：

22、进一步地，s3中所述的单目标优化模型包括以下步骤：以钢卷周转率和钢卷同一性为特征，然后对特征进行数据预处理，加权处理后求和，即可得到最终评分，以最终评分为权重值ω1和ω2且ω1+ω2＝1，并对多目标模型进行线性加权处理得到加权后的模型：minf＝ω1f1+ω2f2；

23、进一步地，s3中所述的约束条件为：

24、(a1-pid)*(piw-b2)*pip≤0；

25、(piz-a3)*(piz-a4)＝0；

26、

27、

28、其中：pib、pic、pid、piw、pix、piy、piz、代表钢卷规格宽、高、厚、净重、所在行、所在列、所在层、压卷状态，ai(i＝1,2,···,12)为常数。

29、进一步地，s4中所述狩猎算法步骤为：

30、(6.1)初始化种群数量、适应度以及迭代次数，设置最大迭代次数；

31、(6.2)根据公式计算狩猎种群的适应度，找到当前最优适应度并保留；

32、(6.3)通过狩猎的迁徙行为和攻击行为计算狩猎种群的新位置，通过比较狩猎的新旧位置适应度对狩猎位置和适应度进行更新；

33、(6.4)若当前迭代次数小于最大的迭代数，则跳转至(6.3)，否则就输出最优解；

34、进一步地，(6.3)中所述的攻击行为公式为：ps(t)＝ds(t)*x*y*z+pbest(t)，其中x＝r*cosθ，y＝r*sinθ，z＝r*θ，r＝u*eθv，上式中r值狩猎螺旋飞行的半径大小，u和v是常数，θ是在[0,2π]的随机值，e是自然数的底数，pbest(t)表示当前全局最优狩猎的位置，传统狩猎算法是在全部种群迭代完成后才进行全局搜索，导致了全局更新非连续，降低了算法的寻优速度，狩猎算法引入的最优狩猎位置公式为：

35、

36、

37、进一步地，(6.3)中所述的迁徙行为公式为：cs(t)＝a(t)*ps(t)，其中ct表示狩猎在无碰撞情况下的新位置，t为当前迭代次数；ps(t)描述的是当前狩猎位置；a(t)描述狩猎在一定区域内运动的变化，且a(t)的公式为：使用余弦型运动行为的狩猎算法使得狩猎前期的运动距离较大，可以更好的对全局进行搜索，其中t为最大迭代次数。

38、进一步地，(6.2)中所述的适应度公式为：ms(t)＝b*[zbest(t)-ps(t)]，其中b＝2*a2*λ且在适应度公式中加入自适应权重因子λ减少了计算狩猎位置时的盲目性，更好的分配算法在初期与末期的搜索能力。

39、进一步地，(6.3)中所述的位置更新公式为：ds(t)＝|cs(t)+ms(t)|。

40、3、有益效果

41、相比于现有技术，本发明的有益效果为：

42、本发明提供了一种基于多目标优化的钢卷库位分配方法，方法以钢卷的周转率与同一性出发进行设计。一方面为提升出入库效率、缩短拣选时间，将周转率高的货物放置在靠近出库口的位置，这样在出入库的时候吊装效率可以显著提升，减少吊装成本；另一方面将钢卷按照类型或者规格进行库位分配，同种类型或者规格的放置于同一库区，这样利于仓库管理人员对出入库钢卷进行管理和盘点，降低工作难度。

43、方法通过使用狩猎算法具备以下有益效果：

44、具有较强的全局搜索能力和快速收敛的特点，能够有效地寻找到优化问题的最优解或近似最优解，从而提高问题的解决质量。

45、具有较快的收敛速度和良好的自适应性，能够在较短的时间内找到满意的解决方案，从而加速问题的求解过程，节省时间和资源成本。

46、具有较强的全局搜索能力，能够有效处理复杂、多峰值的优化问题，为解决实际中遇到的复杂问题提供了一种有效的解决途径。