场景3中,货品的主要特征为货品间相似度低、但货品本身历史出货频率高.该场景主要发生于零散货品补货,一般货品出货量较小,AGV路径冲突问题相对不严重.在该场景下,三种算法的表现情况如表4-5所示.从实验结果可以看出,在该场景下,协同优化算法的综合表现稍弱于传统遗传算法.其原因在于协同优化算法关注货品间的相似度的适应性函数在设计之初就是为了应对集中出货导致AGV出货路径规划冲突严重这个问题,其更为关注货品间的相似度.而传统遗传算法正好相反,它更为关注货品的出货频率.因此,对于以货品低相似度、高频率为特征的场景3中,AGV冲突处理能力不在成为决定算法表现的核心因素,协同优化算法不具优势.

表 4-5 场景 3 实验结果汇总表

综上所述,我们在综合场景和特定特征场景下各算法的表现情况均进行了相关实验及结果分析.实验结果表明,从出库效率的角度来看,在不同特定特征场景下,货位路径协同优化算法的表现有所差异,在高相似度、高出货频率的特征场景中最具优势.在综合场景下,货位路径协同优化算法的表现明显优于其他算法.因此,在实际的智能仓储系统中,本文所提出的货位路径协同优化算法可有效提高仓储的出库率.

5 总结与展望

智能仓储的优化是目前整个未来仓储发展的重要方向之一.本文根据实际问题需求,参考协同优化思想,提出了智能仓储货位路径协同优化的数学模型和相关求解算法,包括货品相似度求解算法和改进适应度函数的路径规划算法,并在以上两种算法的基础上,基于货位路径协同优化思想实现了货位路径协同优化.同时,基于真实仓储运维数据,本文从不同的维度、场景分别对货位路径协同优化算法的表现情况进行实验并分析,实验结果表明本文提出的智能仓储协同优化算法在算法有效性和稳定性上具有显著优势.该算法可有效提高仓储的出货效率,降低运输成本.

在后续工作中,我们将在以下方面继续展开研究：1）本文所提出的解决方案主要针对于网格式AGV布局,在其他布局下能否适用有待进一步考察和验证.2）将货品的相关性、体积、质量均引入货位路径协同优化算法中,以此保证货架的稳定性和放置货品的效率,扩大本文所提出的货位路径协同优化算法的适用条件,使其可以扩展至更多的应用场景.3）考虑当AGV小车数量不充足时,即待执行的出货任务数多余可支配的AGV数量时,智能仓储协同优化算法的研究.

References:
[1] 丁力, 张玉, 尹世琛. 我国物流仓储行业发展现状与趋势探讨. 起重运输机械, 2018, No.518(04):61-63.
[2] 徐晨曦.智能仓储的解决方案 从“人找货”到“货找人”.中国战略新兴产业,2018(21):36-37.
[3] 吴菁芃. 亚马逊仓库 Kiva 机器人的应用分析与前景展望. 物流技术与应用, 2015, 20(10):159-164.
[4] 王晓春. 机器人在仓储管理中的“货到人”技术浅谈——基于亚马逊物流中心 KIVA 橙色机器人. 现代经济信息,2017(13):86-88.
[5] 孙璨, 梁沁, 王姝婷. 京东仓储智能化体系调查研究——以上海"亚洲一号"仓库为例. 中国物流与采购, 2017(18):70-71.
[6] Cai J, Kuang X, Song S, et al. Automated warehouse storage assignment policy based on storage frequency and workload balance[C], International Conference on Logistics, Informatics and Service Sciences. IEEE, 2017:1-6.
[7] Wanlei,WangJian,GaoTianyi,GaoHaiting Zhao. Optimization of Automated Warehouse Location Based on Genetic Algorithm[C], International Conference on Control, Automation and Artificial Intelligence. 2017:5.
[8] 刘峰, 施展, 刘莹. 自动化立体仓库的货位分配模糊算法研究. 上海理工大学学报, 2011, 33(1):71-74.
[9] 杨玮,张文燕,常晏彬,邱小红,王雯.自动化立体仓库的货位分配优化.现代制造工程,2014(12):134-140.
[10] Tinelli L M, Becker M. Intelligent Warehouse Product Position Optimization by Applying a Multi-criteria Tool[M],Robotics in Smart Manufacturing. Springer Berlin Heidelberg, 2013:137-145.
[11] Arnaout J P. Worm optimization for the multiple level warehouse layout problem. Annals of Operations Research, 2017(4):1-23.
[12] Ákos Cservenák. Further Development of an AGV Control System[M],Vehicle and Automotive Engineering 2. Springer, Cham,2018.
[13] Zhang B, Li L W, Zhao Y H, et al. The Research on E-Commerce Logistics Picking AGV Path Optimization Method Based on the Improved A* Algorithm[C], International Conference on Cybernetics, Robotics and Control. IEEE, 2017:99-103.
[14] 姜康, 孙海燕, 何其昌. 综合配料区布局的总装车间 AGV 系统调度研究. 组合机床与自动化加工技术, 2013(10):141-144.
[15] 张素云, 杨勇生, 梁承姬, 许波桅, 李军军. 自动化码头多 AGV 路径冲突的优化控制研究. 交通运输系统工程与信息, 2017,17(2):83-89.
[16] Ümit Bilge, Ulusoy G. Time window approach to simultaneous ,scheduling of machines and material handling system in an FMS. Operations Research, 2017, 43(6)1058-1070.
[17] Mousavi M, Yap H J, Musa S N,Tahriri F,Dawal S Z M. Multi-objective AGV scheduling in an FMS using a hybrid of genetic algorithm and particle swarm optimization. Plos One, 2017, 12(3):e0169817.