恒久以来, 订单拣选被认为是货仓作业中劳动密集度最高, 本钱最高的环节, 占货仓总运营用度的55%用于这一环节
集散式控制系统 (Distributed Control System, DCS) 是20世纪70年代中期降生的, 是数字技术、微电子技术、通信技术、屏幕显示技术与历程控制技术紧密结合的新一代控制系统新模式
特点: (1) 面向设备子系统; (2) 需要配置数据的地舆位置信息, 建立控制逻辑网络; (3) 跨专业:建筑、暖通、照明、给排水、电梯、视频监控、安防、消防、IT等专业。
保存问题: (1) 跨子系统集成困难, 信息孤岛, 协议不兼容; (2) 需要大宗的组网配置事情 (10万m2建筑, 几万个信息点和传感器等实物的人工校对事情) ; (3) 设备专业和IT专业的知识难以融合。
群智能控制系统I2CS是清华大学建筑节能研究中心开发的一种新型控制系统, 群智能控制系统以现场的智能末端设备和智能传感器、智能执行器为网络节点, 各节点职位平等, 通过自组织的方法与其他节点构建无中心网络拓扑, 盘算模式为各节点的外地独立运算以及相邻节点间基于信息互传的协同运算, 实现同即是集中式盘算的效果
特点: (1) 基于智能空间控制单位、控制子系统的智能终端; (2) 面向空间:网络结构与空间位置网络一致; (3) 支持标准化的漫衍式盘算能力, 支持基于漫衍式任务的多任务同步处理。
解决的问题: (1) 实现机电一体化, 解决局部跨设备子系统的集成问题; (2) 网络结构与空间位置网络一致, 大幅度降低组网配置事情; (3) 降低建筑设备专业人员的IT技术门槛。
货仓治理群智能控制系统包括漫衍在各个空间区域智能控制器、智能传感器、移动或牢固的智能执行器。如图1所示, 智能控制器、智能传感器和智能执行器通过485总线或Wi-Fi连接, 形成无中心扁平化的网络。建立漫衍于设定区域规模内的多个差别类型的仓位的无中心自组织控制网络, 以总能耗最小、总运行效率最高和总用度最少为目标, 实现货仓治理控制系统的优化运行。与现有技术相比, 实现货仓治理系统的自组网、控制设备的即插即用、基于群智能算法的全局优化控制。
群智能算法是一种概率搜索算法, 其思路就是模仿自然界中生物群例如蚁群、鸟群和鱼群等觅食的历程, 衍生出了以下三种算法:蚁群算法 (Ant Colony Optimization, ACO) 、微粒群算法 (Particle Swarm Optimization, PSO) 和人工鱼群算法 (Arti-ficial Fish-swarm Algorithm, AFA) 。
正如上文对群智能架构及算法特点和性能的剖析比较, 本文基于群智能控制系统, 提出一种货仓拣选路径优化的群智能算法。通过利用群智能控制系统的自组织、即插即用等特点结合蚁群算法在信息素指导情况下求解的快速性和精确性, 从而实现拣选路径的全局优化。该算法的基本结构如2所示。
蚁群算法实质是一种使用信息正反响机制的算法, 一旦具有正确的初始信息素作为引导, 蚁群就能够快速地收敛于最优解。具体内容包括:
(1) 信息素的体现
“信息素”漫衍在相邻两个点的连线上, 通往路径上障碍连线的信息素为0。蚂蚁从起始点开始搜索, 蚂蚁的每一步搜索的偏向是与其目今所在点相邻的上、下、左、右4个方位的点上。t时刻每一自由点i到其相邻自由点j的信息素的值为τij (t) 。
(2) 路径点的选择
t时刻蚂蚁k选择下一个点的转移概率由以下公式确定:
其中, ηij (t) 为启发函数, α为信息素的重要水平因子;β为启发函数重要水平因子;allowk (k=1, 2, …, m) 为蚂蚁k待会见点的荟萃。
(3) 信息素的更新机制
其中, △τkij体现第k只蚂蚁在点i与点j连接路径上释放的信息素浓度, △τij体现所有蚂蚁在点i与点j连接路径上释放的信息素浓度总和。
其中, Q为常数, 体现蚂蚁循环一次所释放的信息素总量;Lk为第k只蚂蚁经过路径的长度。
(4) 算法并行化战略
蚁群的并行化战略主要有5种:并行独立蚁群、并行交互蚁群、并行蚂蚁、结决计划元素的并行评估、蚂蚁和结决计划元素的并行结合
该算法的基本办法:
1) 初始化算法运行参数, 建立笼统货仓情况模型;确定起点和目标点在笼统货仓情况模型中的位置。
2) 盘算下一选择区域内各点的信息值, 依据信息值和信息素值, 确定下一路径点。
3) 移动到下一路径点, 进行局部信息素更新。
4) 判断是否所有节点完成一次路径构建, 若否, 则转到办法2) 。
5) 判断算法是否满足停止条件, 若满足则输出最优结果, 不然, 转到办法2) 。
由于货仓拣选路径优化问题是一种特殊的TSP (Travelling Salesman Problem) 问题, 并且差别类型货仓存储区域的模型参数设置差别, 很难使用具体的例子来同其他学者的差别算法进行性能比较, 为了验证群智能算法的性能, 因此选择标准的TSP问题, 并与其他学者的遗传算法和蚁群算法进行比较。
本次实验选取的是Oliver30都会模型进行测试, 每组实验做1 0 次, 并设计遗传算法、蚁群算法作为并行化蚁群算法的比照实验。实验结果如表1所示。其中, Oliver30问题的最优解为423.74。
从表1的实验结果可以看出, 在求解Oliver30都会模型时, 本文提出的并行蚁群算法的寻优结果中的最小值小于遗传算法和蚁群算法的结果最小值, 10次试验的均值也是三种算法中最小的, 并且在求解Oliver30都会模型历程中, 并行蚁群算法能稳定的找到目今的已知的全局最优解;这说明并行蚁群算法的寻优能力和算法稳定性要远优于蚁群算法和遗传算法。
由图3中三种算法的的寻优速度比照结果可知, 并行蚁群算法的收敛速度是三种算法中最快的, 这说明并行蚁群算法的在具有较好的寻优能力的同时还拥有较快的寻优速度。
综合以上实验结果, 并行化蚁群遗传算法具有寻优能力强、算法稳定性高、寻优速度快的优点, 能在较短的时间内找到较高质量的解。
【本文标签】
【责任编辑】yd2333云顶电子游戏云仓
yd2333云顶电子游戏冷链物流与茶百道告竣相助：在现代快节奏的生活中，奶茶已经成为了许多人生活中的···【详情+】
yd2333云顶电子游戏家人们！春暖花开，春意盎然，在这个温暖的日子，荣誉降生在安徽的铜陵，等了很久···【详情+】
邮 箱：liufei@pingwl.com
地点：上海市松江区佘山镇陶干路1199号D幢
电 话：400-096-2966
182-0218-6162
备案号：沪ICP备2022022726号-2
技术效劳：一躺网络
手机二维码
