面向仓门利用和叉车对接的多目标越库车辆调度研究

发布时间：2020-06-10 03:57

【摘要】：随着互联网+时代的推进,电商行业在这种趋势下也逐渐壮大起来,电商的发展离不开物流的发展,物流成为各大电商的竞争力,也因此得到各个企业的重视,为了提高自身的竞争力,电商行业以及传统物流行业纷纷对现有物流提出更高的要求。越库调度是一种高效快速的调度策略,它的高效性正迎合当下物流行业的快速发展,越库策略的提出简化了配送中心内部操作流程,大大缩短了货物的配送时间,也因此被广泛的研究应用,但由于计算复杂性,对越库的研究大多针对单目标问题,对多目标的研究还相对较少,因此文章针对多目标研究越库车辆调度问题。在越库调度中,仓门利用率和叉车对接次数在实际的操作中常作为衡量越库系统效率的重要指标,被企业界所重视,但其优化却较少被研究,因此本文以优化仓门利用率和叉车对接次数为目标,研究仓门的分配以及货车排序的多目标越库问题,根据该问题构建了多目标越库车辆调度的数学模型,并根据模型特点,设计了两类算法进行求解,一类为单目标优化算法,本文采用单目标遗传算法(Genetic Algorithm,GA)将多目标问题转化为单目标问题进行求解,并在此基础上对算法进行改进;另一类为多目标优化算法,本文采用多目标遗传算法--快速非支配排序遗传算法(Nondominated Sorting Genetic Algorithm-II,NSGA-II)对多目标问题进行求解,并在该算法基础上进行改进。对于单目标优化算法,为比较单目标遗传算法在改进前后的优劣性,本文根据货物种类数量、接收仓门/装运仓门的数量以及入库货车/出库货车数量将问题规模分为大、中、小三个规模,并进行数值实验,实验结果表明,改进后的遗传算法在仓门利用率的优化效率比传统单目标遗传算法提高2.5%,而叉车对接次数提高1.04%,总体来说,改进遗传算法在求解质量上优于传统单目标遗传算法。对于多目标优化算法,本文通过数值实验验证了改进NSGA-II算法在求解质量的优势,并提出了四个性能测试指标对改进前后的NSGA-II算法的性能进行评估。最后,对本文所采用的单目标优化算法和多目标优化算法进行数值实验比较,实验结果表明多目标优化算法在求解多目标问题明显优于单目标优化算法。论文面向越库仓门利用率和叉车对接次数进行多目标车辆调度优化研究,提出的模型和改进算法以及性能比较分析为实际越库系统的有效运作提供了理论和技术支持。
【图文】：

系统框架,仓门,出库,叉车

经过扫描、分拣等操作后，运到排序以及仓门的分配直接影响货物到达装运仓车的对接次数，决策者需决定入库、出库货车间内使仓门的利用率最大且叉车的对接次数最究的问题，本文对越库系统进行合理的简化，面向仓门利用和叉车对接，为了便于求解，本从入库到出库的运输过程，另外，对于入库站以直接卸货，且货车一离开，后车便可马上停接收仓门的利用率并无多大研究意义，相对而不一定马上停靠，可能还需等待货物到达，货的改善空间，因此本文不对入库站的仓门利用，对于下文出现的仓门利用率都只针对出库站实际上是叉车将货物从入库站运输到出库站所

分布图,染色体基因,分布图,仓门

图 3-1 染色体基因分布图Fig 3-1 The distribution map of chromosome集建立基因层ri的每一维基因表示货车停靠顺序，随机取[1，M+N货车数量和出库货车数量，为了满足模型中每辆货车都必ri需包含取值范围的所有整数，且每一维基因的取值不与其始化该维基因，直到满足条件再按照取值大小确定对应入序。仓门基因层 vi的每维基因表示货车分配的仓门，随机取应于接收仓门数 O 或装运仓门数 P，（下文所涉及的 A 都门数 P），为保证每个仓门都有货车停靠，vi前后两部分都则重新初始化仓门基因，这种方式保证初始种群的每个个的复杂性，提高算法的运算效率。
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U492.22

【参考文献】