Blog

Jul 11, 2023

Forschung zur Planungsoptimierung von vier

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 3999 (2023) Diesen Artikel zitieren

519 Zugriffe

Details zu den Metriken

In diesem Artikel nehmen wir das Vier-Wege-Shuttle-System als Forschungsobjekt und erstellen das mathematische Modell der Planungsoptimierung basierend auf der Mindestzeit für die Planungsprobleme der Ein-/Aus-Betriebsoptimierung und der Pfadoptimierung des Vier-Wege-Shuttle-Systems. Zur Lösung der Aufgabenplanung wird ein verbesserter genetischer Algorithmus verwendet, und zur Lösung der Pfadoptimierung innerhalb der Regalebene wird ein verbesserter A*-Algorithmus verwendet. Die durch den Parallelbetrieb des Vier-Wege-Shuttlesystems erzeugten Konflikte werden klassifiziert und der verbesserte A*-Algorithmus basierend auf der Zeitfenstermethode zur Pfadoptimierung durch die Methode der dynamischen Graphentheorie konstruiert, um sichere konfliktfreie Pfade zu suchen. Durch die Analyse von Simulationsbeispielen wird bestätigt, dass der in diesem Artikel vorgeschlagene verbesserte A*-Algorithmus offensichtliche Optimierungseffekte auf das Modell dieses Artikels hat.

Die Lagerlogistik ist in die Ära der automatisierten Systemintegration eingetreten, wobei sich dreidimensionale Hochregale als Hauptlagerausrüstung zur Hauptmethode für die Lagerung intelligenter Logistiksysteme entwickelt haben. Der Hauptteil der Arbeit besteht auch aus Regallagern, die in Roboter oder Shuttle + Regale umgewandelt wurden. Das Lagersystem mit integrierter Hardware und Software wie Regal + Shuttle + Hebezeug + Kommissioniersystem + Lagerverwaltungssystem ist zu einem der wichtigsten Lagermodi geworden. Um die Nachfrage nach Lieferzeiten und Effizienz auf der letzten Meile in der Stadt zu verbessern, wird eine neue Art von Shuttle-System – das Vier-Wege-Shuttle-System – immer beliebter.

Als Weiterentwicklung des Shuttle-Systems verfügt das Vier-Wege-Shuttle-System über Merkmale wie Längs- und Quergassen zwischen Regalen und Querknoten zwischen Gassen. Der Wagen kann nicht nur in einer einzelnen Regallage in vier Richtungen fahren, sondern auch mit dem Hebezeug mitfahren, um einen Lagenwechsel durchzuführen, was für die Verbesserung der Stabilität des Lagersystems, der Arbeitseffizienz und der Senkung der Produktionskosten wichtig ist. Mit der Ausweitung der Inbound- und Outbound-Aufgaben und der Zunahme der Anzahl verfügbarer Vier-Wege-Shuttles hat jedoch die Komplexität der Aufgabenzuweisung und Planung des Parallelbetriebs mehrerer Fahrzeuge von Vier-Wege-Shuttles zugenommen. Die Planung eines kollisions- und konfliktfreien kürzesten optimalen Weges für mehrere Vier-Wege-Shuttles in einem Szenario mit festem Lager ist ein schwieriges Problem bei der Untersuchung von Vier-Wege-Shuttle-Systemen. Das in dieser Arbeit untersuchte Vier-Wege-Shuttle-System ist eine Regalkonfiguration mit einfacher Tiefe mit einer Reihe von Hochregalen auf jeder Seite jedes Gangs und einem Hebezeug am Ende des Gangs, um dem Lagenwechselvorgang des Vier-Wege-Shuttles gerecht zu werden . Regale mit einfacher Tiefe eignen sich für die Lagerung kleiner Mengen und verschiedener Kleinteile. Dieses System erfordert mehr Hauptschienen, was den Lagerraum überfüllt und die Lagerraumnutzung verringert. Dieses Lagerlayout lagert jedoch kleine Mengen unterschiedlicher Waren in einem flexiblen Zugriffsmodus, und mehrere Vier-Wege-Shuttles können für den parallelen Betrieb verwendet werden, was die Effizienz der Zugriffsvorgänge verbessert. Der Grundriss des in dieser Arbeit untersuchten Vier-Wege-Shuttlesystems ist in Abb. 1 dargestellt.

Planlayout des in dieser Arbeit untersuchten Vier-Wege-Shuttlesystems.

In diesem Dokument werden die Aufgabenplanung und die optimale Verwaltung eines Vier-Wege-Shuttle-Lagersystems beschrieben, um die Betriebszeit zu verkürzen und die Betriebseffizienz des Lagers zu verbessern, indem die Koordination zwischen vorhandenen Geräten rational genutzt wird, ohne dass zusätzliche Investitionen in die Geräte erforderlich sind. Automatische Zugangsgeräte bestehen in der Literatur hauptsächlich aus Stapelkranen und Shuttles oder einer Kombination aus beiden, es wurden jedoch weniger Untersuchungen zu Vier-Wege-Shuttle-Systemen durchgeführt. Das Planungsproblem ist komplexer, da der Vier-Wege-Shuttle in Längs-, Quer- und Vertikalrichtung dreidimensionaler Richtung fahren kann, um jede Position der Waren zu erreichen1,2,3,4,5,6.

Die gebräuchlichsten Arten automatisierter Stereolager sind AS/RS, SBS/RS, AVS/RS. AS/RS-Systeme sind in der realen Industrieproduktion relativ kostengünstig zu implementieren, allerdings sind solche Systeme weniger flexibel und AS/RS können nur Regale mit einfacher oder doppelter Tiefe beschicken. Dadurch nimmt die Anzahl der Gänge mit der Größe des Lagers zu, was zu einer schlechten Raumausnutzung führt. In der wissenschaftlichen Literatur kann die Forschung zu AVS/RS grob in austauschbare und nicht austauschbare Systeme unterteilt werden. Ersteres besteht darin, dass der Wagen mit dem Hebezeug in verschiedene Schichten auf- und abfahren kann. Letzteres ist ein System, bei dem der Wagen für den Betrieb einer bestimmten AVS/RS-Ebene zugeordnet ist und sich nicht mit dem Hebezeug bewegen kann. Das SBS/RS-System ist ein automatisches Lagersystem mit Shuttle-Wagen als Kern. Dieses System ist eine neue Technologie in AVS/RS und erfordert einen Shuttle-Wagen auf jeder Ebene. Aufgrund der hohen Anschaffungskosten eignet es sich vor allem für Kleinladungslager. Wissenschaftler haben sich hauptsächlich auf AVS/RS- und SBS/RS-Systeme für Speichersysteme konzentriert und weniger auf die Optimierung der Vier-Wege-Shuttle-Planung7,8,9,10. In11 der Referenz wurde die Shuttle-Planungstheorie nach unterschiedlichen Planungssituationen klassifiziert und konzentrierte sich auf die Auswahl mehrerer Shuttles bei Einzelaufgabenanforderungen im Vergleich zur Auswahl einzelner Shuttles bei Mehrfachaufgabenanforderungen. Ein Fuzzy-Klassifizierungsalgorithmus wurde angewendet, um die Wahrscheinlichkeit des Auftretens von Arbeitsaufgaben zu bestimmen, und dann wurden die vorhandenen Arbeitsaufgaben und die Arbeitsaufgaben, die generiert werden mussten, berücksichtigt, um das Problem der dynamischen Pfadoptimierung für mehrere Fahrzeuge mithilfe eines genetischen Algorithmus zu lösen und die Shuttle-Lieferung rationaler zuzuordnen12 . In13 der Referenz wurden der genetische Algorithmus und die Zufallsspeicherstrategie verwendet, um einen Doppelschleifenmodus zum Ordnen der Aufgaben für das AS/RS zu entwickeln, und das genetische Algorithmusmodell wurde vorgeschlagen, um gleichzeitig die Positionen und die Reihenfolge von Aufgaben zu bestimmen. Das Modell war zwei gierigen heuristischen Algorithmen überlegen. Das Problem der Aufgabenplanung zwischen Shuttles und Aufzügen wurde in ein Problem des Parallelbetriebs am Fließband umgewandelt, das auf den Bewegungseigenschaften von Shuttles und Aufzügen basiert. Innerhalb eines bestimmten Zeitfensters wurde ein Planungsaufgabenwarteschlangenmodell generiert14. Viele Wissenschaftler haben die Anwendung genetischer Algorithmen zur Lösung von Modellen bei Fahrzeugplanungsproblemen in Betracht gezogen, haben jedoch selten die Verbesserung der Lösung von Shuttlebus-Planungsmodellen mithilfe genetischer Operatoren und Fitnessfunktionen in Betracht gezogen.

Die Optimierung der Shuttle-Planung ist der Schwerpunkt und die Schwierigkeit der Shuttle-Systemforschung. Unter diesen ist die Pfadoptimierung eine weitere wichtige Methode zur Verbesserung der Effizienz des Systems. Der Kern der Pfadoptimierung ist das Algorithmusdesign. Traditionelle Algorithmen umfassen hauptsächlich verbotene Suchalgorithmen und simulierte Annealing-Methoden15,16,17,18,19. Der simulierte Annealing-Algorithmus ist eine lokale optimale Methode, die es leicht macht, aus der lokalen optimalen Lösung herauszuspringen und langsam zu konvergieren, und sie hat einen gewissen Einfluss auf die Lösungsgenauigkeit20,21,22,23,24. In der Referenz25 wurden ein adaptiver variabler Nachbarschaftssuchalgorithmus und ein Lagrange-Relaxationsalgorithmus entwickelt, um große Fälle durch die Etablierung eines bioobjektiven ganzzahligen Programmiermodells für Zeit und Energie zu bewältigen. Durch die Untersuchung des gemeinsam genutzten Speichersystems wurde das Kranplanungsproblem als spezielle Art des fehlertoleranten Fahrzeugroutingproblems neu formuliert, sodass es zur Lösung einiger offener Probleme hinsichtlich der zeitlichen Komplexität des zugehörigen geometrischen Routingproblems verwendet werden konnte26. In der Referenz27 wurden fahrerlose Transportfahrzeuge, Aufzüge und Shuttles für ein integriertes Optimierungsproblem untersucht. Ein gemischt-ganzzahliges Programmiermodell wurde vorgeschlagen, um die Palettenzuordnung zu zugehörigen Geräten und Lagerorten während des eingehenden Prozesses zu optimieren, und ein Algorithmus basierend auf der Suche nach variablen Nachbarschaften wurde entwickelt, um das Modell effizient zu lösen. In der Referenz28 wurde ein mehrgangiges AS/RS mit einer mehrschichtigen S/R-Maschine betrachtet und eine Systemoptimierung mithilfe eines genetischen Algorithmus durchgeführt. Um das Konflikt-Deadlock-Problem zu lösen, das durch den gleichzeitigen Betrieb mehrerer Shuttles verursacht wird, verwendeten Li und Roy eine Zonenkontrollmethode, bei der das Speichersystem in nicht überlappende Zonen unterteilt wurde und nur einem Vier-Wege-Shuttle erlaubt wurde, die Aufgabe in jeder Zone auszuführen29,30.

Wissenschaftler haben Shuttle-Systeme recht ausgereift erforscht, sich jedoch mehr auf die Planung von Shuttles konzentriert, wobei sie den normalen Planungsbetrieb des Systems unter mehreren Zielen bevorzugen und selten Systemblockaden, Verkehrskontrolle usw. beinhalten. Im Hinblick auf die Planungsoptimierung haben sich die Studien hauptsächlich auf einzelne Shuttle-Systeme konzentriert und Lagerregale mit einem Shuttle für Zugangsaufgaben in jedem Bereich, wobei die Planungsmodelle auf Vorgänge auf einer Ebene oder auf einen Aufzug, der mehrere feste Gänge bedient, beschränkt sind. Um das Konflikt-Deadlock-Problem zu lösen, können die Bereichskontrollmethode und die prädiktive Kontrollmethode die Zwischenverbindung der Betriebsaufgabe erhöhen und den Umfang des Shuttle-Betriebs begrenzen, wodurch die Betriebseffizienz des Speichersystems verringert wird. Die Vier-Wege-Shuttle-Systeme können die Betriebsaufgabe dynamisch an den Lastbedarf anpassen, was eine hohe Flexibilität bietet. Der parallele Betrieb mehrerer Shuttles auf derselben Ebene kann jedoch zu Pfadkonflikten führen und die Systemsteuerungsplanung ist komplizierter. Daher besteht das Forschungsproblem dieser Arbeit darin, das Vier-Wege-Shuttle-System als Forschungsobjekt zu nehmen und ein mathematisches Modell zu erstellen, das auf der Optimierung der kürzesten Zeit für die Planung basierend auf der Optimierung von Zugriffsvorgängen und der Pfadoptimierungsplanung für mehrere Vier-Wege-Shuttle-Systeme basiert. Shuttles und mehrere Aufzüge im Vier-Wege-Shuttle-System. Durch die Kombination der Merkmale des Modells wird ein verbesserter genetischer Algorithmus zur Lösung der Aufgabenplanung und ein verbesserter A*-Algorithmus zur Pfadoptimierung innerhalb der Regalebene verwendet.

Vorgeschlagen wird der innovative Algorithmusentwurf eines Vier-Wege-Shuttle-Wagens und eines Hebezeugs, die parallel arbeiten, sowie einer automatischen Wegfindung des Vier-Wege-Shuttle-Wagens ohne Einschränkung der Bewegungsrichtung.

Die mathematische Funktion wird auf der Grundlage der Zieloptimierung in kürzester Zeit erstellt. In Kombination mit dem genetischen Algorithmus ist es mithilfe des verbesserten genetischen Algorithmus der lokalen Pfadplanung zur Ermittlung jedes Shuttle-Betriebspfads und der Python-Softwaresimulation einfach, die besten Mehrpunkt-Sucheigenschaften zu finden.

Die Pfadfindung des A*-Algorithmus wurde verbessert und erweitert, um die Vermeidung von Staus auf der Grundlage des kürzesten Pfades zu berücksichtigen. Der verbesserte A*-Algorithmus, der auf der dynamischen Graphentheorie und Zeitfenstern basiert, wird vorgeschlagen, um das Problem der Kollisionsverriegelung zu lösen, wenn mehrere Shuttle-Fahrzeuge in derselben Schicht zusammenarbeiten, um das Pfadkonfliktproblem mehrerer Vier-Wege-Shuttle-Fahrzeuge zu lösen. Es wird die zeitaufwändige kürzeste Wegbahn von Vier-Wege-Shuttle-Fahrzeugen in derselben Schicht erhalten.

Um das Vier-Wege-Shuttle-Lagersystem theoretisch zu unterstützen, stellen wir eine theoretische Grundlage für die Lagerplanung, das Design-Layout und die Aufgabenplanung bereit, die die Raumnutzung, Aufgabenrationalität und Wegoptimierung des Vier-Wege-Shuttle-Systems verbessern kann.

Der Rest dieses Papiers ist wie folgt gegliedert. Der Abschnitt „Aufbau des Modells“ enthält die Annahmen des vorgeschlagenen Modells und die Formulierung des in dieser Studie verwendeten Modelldesigns. Der Rahmen des Algorithmus und die spezifische Formulierung des verbesserten Algorithmus sind im Abschnitt „Vorgeschlagener Algorithmus“ aufgeführt. Ein konkretes Anwendungsbeispiel des in der Arbeit vorgeschlagenen Algorithmus wird im Abschnitt „Anwendungsbeispielanalyse“ vorgestellt. Der Abschnitt „Schlussfolgerung“ schließt die Arbeit ab.

Um das Planungsoptimierungsmodell des Vier-Wege-Shuttle-Systems besser zu untersuchen, werden in diesem Artikel die folgenden Annahmen für das Vier-Wege-Shuttle-System getroffen:

Die Regale und Fächer haben die gleichen Spezifikationen, jeder Gang hat die gleiche Breite und die Waren werden in einer zufälligen Lagerstrategie gelagert.

Für eingehende und ausgehende Betriebsaufgaben ist die Zusammenarbeit von Vier-Wege-Shuttles und Hebezeugen gemäß der FCFS-Strategie erforderlich.

Jede Regalreihe hat \(M\) Ebenen und \(N\) Spalten mit fester Länge, Breite und Höhe.

Es darf jeweils nur ein Vier-Wege-Shuttle im selben Gangabschnitt verkehren.

Das Hebezeug und das Vier-Wege-Shuttle befinden sich in einer gleichmäßig beschleunigten Bewegung.

Der Vier-Wege-Shuttle kann jeweils nur ein einziges Frachtstück befördern und der laufende Prozess wird nicht unterbrochen. Jede Hebevorrichtung kann jeweils nur ein Vier-Wege-Shuttle oder ein einzelnes Frachtstück beladen, und die Anfangsposition des Vier-Wege-Shuttles ist die endgültige Zielposition der Ladung der letzten Aufgabe. Die Ausgangsposition des Hebezeugs ist das endgültige Ziel-Ladungsniveau der letzten Aufgabe am Ende des Einganges des Ganghebezeugs.

Die Zeit, die das Shuttle benötigt, um auf die Ware zuzugreifen, und die Zeit, die es benötigt, um in das Hebezeug einzusteigen und es zu verlassen, werden vernachlässigt, die Wendezeit des Shuttles entspricht dem konstanten Wert.

Parameter

Bedeutung

\({R}_{count}\)

Gesamtzahl der 4-Wege-Shuttles des Systems (\(count=\mathrm{1,2},3\dots n\))

\({E}_{count}\)

Gesamtzahl der Systemaufzüge (\(count=\mathrm{1,2},3\dots m\))

H

Die Höhe jedes Regals

\({J}_{count}\)

Die Gesamtzahl der operativen Aufgaben (\(count=\mathrm{1,2},3\dots k\))

\({W}_{T}\)

Die Breite einzelner Gänge

M

Die Anzahl der Regalebenen

L

Die Länge der einzelnen Laderäume

\({TOILETTE}\)

Die Breite der einzelnen Laderäume

\({V}_{Rm}\)

die Höchstgeschwindigkeit des Vier-Wege-Shuttles

\({a}_{R}\)

Die Beschleunigung des Vier-Wege-Shuttles

\({V}_{Em}\)

Maximale Höchstgeschwindigkeit des Hebezeugs

\({a}_{E}\)

Beschleunigung des Hebezeugs

\({T}_{2},{T}_{3}\)

Der Zeitfunktionsausdruck hat eine ähnliche Bedeutung wie \({T}_{1}\)

\({E}_{auswertbar}\)

Anzahl der verfügbaren Hebezeuge im System

\({R}_{verfügbar}\)

Anzahl der im System verfügbaren Vier-Wege-Shuttles

\({M}_{J}\)

Das Zielniveau der Inbound-Aufgabe J liegt auf \((M=\mathrm{1,2},\dots ,M)\)

\({HERR}\)

Vier-Wege-Shuttlewagen R, letzter Vorgang im Boden abgeschlossen \((M=\mathrm{1,2},\dots ,M)\)

\({T}_{1Ei}\)

Zeit, die das Hebezeug i benötigt, um unbelastet zum Lagerbodeneinlass zu fahren \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\)

\({T}_{2Ei}\)

Zeit, die benötigt wird, um den Lift i Load bis zum Niveau zu fahren, auf dem sich das Zielniveau befindet \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\)

\({T}_{1RJ}\)

Zeit des Vier-Wege-Shuttles j, die unbeladen bis zur Hebeöffnung am Ende des Tunnels gelaufen ist \(\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)\);

\({T}_{2RJ}\)

Vier-Wege-Shuttle j Zeit, die benötigt wird, um die Ladung an die Zielbucht zu liefern \(\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)\)

\({T}_{3Ei}\)

Zeit, die benötigt wurde, um das Hebezeug, das ich entladen habe, bis zu der Ebene zu fahren, auf der sich das 4-Wege-Shuttle befindet \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\);

\({T}_{4Ei}\)

Es ist Zeit, den Lift mit dem Vier-Wege-Shuttle auf die Etage zu transportieren, wo sich die Zielladeebene befindet

\({T}_{1Ek}\)

Die Zeit, die der Aufzug k für den Leerlauf zum Lagerhalleneinlass benötigte \(\left(k\subseteq \mathrm{1,2},\dots {E}_{count}\right)\)

\({T}_{2Ek}\)

Aufzug k Zeit, die benötigt wird, um die Last auf das Niveau zu bringen, auf dem sich das Zielniveau befindet \(\left(k\subseteq \mathrm{1,2},\dots {E}_{count}\right)\)

\({T}_{1Ei}^{\mathrm{^{\prime}}}\)

Zeit vom leeren Aufzug \(i\) bis zum Stockwerk, auf dem sich das Niveau der ausgehenden Ladung befindet \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\)

\({T}_{1Rj}^{\mathrm{^{\prime}}}\)

Zeit, die das Vier-Wege-Shuttle \(j\) benötigt, um den Zielladeraum leer zu erreichen \(\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)\)

\({T}_{2Rj}^{\mathrm{^{\prime}}}\)

Die Zeit, die der Vier-Wege-Shuttle \(j\) benötigt, um die Güter aufzunehmen und an das Hebezeug \(\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\ zu liefern Rechts)\)

\({T}_{2Ei}^{\mathrm{^{\prime}}}\)

Zeit, die das Hebezeug \(i\) benötigt, um Güter zum Export \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\) zu transportieren

\({T}_{3Ei}^{\mathrm{^{\prime}}}\)

Zeit, die bei leerem Hebezeug \(i\) auf andere verfügbare Trolleyebenen \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)\) verbracht wird

\({T}_{3Rj}^{\mathrm{^{\prime}}}\)

Zeit, die das Vier-Wege-Shuttle \(j\) benötigt, um die Hebeöffnung leer zu erreichen \(\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)\)

\({T}_{1Ei}^{\mathrm{^{\prime}}}\)

Zeit, die das Hebezeug \(j\) benötigt, um einen Vier-Wege-Shuttle auf die Ebene zu laden, auf der sich die Zielebene befindet \(\left(i\subseteq \mathrm{1,2},\dots {E}_{count} \Rechts)\)

\({T}_{S}^{\mathrm{^{\prime}}}\)

Die Startzeit des ersten ausgehenden Vorgangs

\({T}_{E}^{\mathrm{^{\prime}}}\)

Die Zeit bis zum Abschluss des letzten ausgehenden Vorgangs

\({f}_{max}\)

Maximaler Fitnesswert in der Bevölkerung

\(F\)

Der Anpassungswert des größeren der beiden zu kreuzenden Individuen in der Population

\({f}_{agv}\)

Durchschnittlicher Fitnesswert aller Personen in der Bevölkerung

\({f}^{\mathrm{^{\prime}}}\)

Der Fitnesswert der zu mutierenden Individuen in der Population

\(N\)

Anzahl einreihiger Laderäume

\(K\)

Anzahl der Fahrspuren

In dem in dieser Arbeit untersuchten Vier-Wege-Shuttle-System ist das Geschwindigkeits- und Zeitverhältnis des Shuttle-Betriebs in Abb. 2 dargestellt. Basierend auf den Annahmen sind die Ganglänge, die Querganglänge und die Regalhöhe für den Vier-Wege-Shuttle erforderlich Shuttle und Hubwerk, um auf die maximale Geschwindigkeit zu beschleunigen und dann auf 0 abzubremsen, sind \(S_{Rm} = \left| {\frac{{V_{Rm}^{2} }}{{a_{R} }}} \ rechts|, \;{ }S_{Cm} = \left| {\frac{{V_{Rm}^{2} }}{{a_{R} }}} \right|{,}\;{ }H_ {Em} = \left| {\frac{{V_{Rm}^{2} }}{{a_{E} }}} \right|\). Die Länge jedes Fachs, die Breite jedes Fachs sowie die Breite des Gangs und die Höhe jedes Regals sind bekannt, sodass die Mindestanzahl der Fächer und die Anzahl der erforderlichen Ebenen \(L_{Rm} = \left| { \frac{{S_{Rm} }}{L}} \right|,\;{ }L_{Cm} = \left| {\frac{{S_{Rm} }}{{2W_{C} + W_{ T} }}} \right|,\;L_{Em} = \frac{{H_{Rm} }}{H}\)31.

Zeit der horizontalen Richtung

Wenn die Ausgangsposition des Vier-Wege-Shuttles zur Ziel-Frachtposition oder zum Ende des Tunnels führt, öffnet sich der Aufzug in denselben Tunnel. Das heißt, die Zeit, die benötigt wird, um den Shuttle von Spalte \(x\) zu Spalte \({x}^{\mathrm{^{\prime}}}\) oder von Spalte \(x\) zu Spalte 0 zu fahren, beträgt :

Laufgeschwindigkeit des Vier-Wege-Shuttles im Verhältnis zur Zeit.

Oder

Wenn sich die Anfangsposition des Vier-Wege-Shuttles und die Zielposition der Ladung oder die Position des Vier-Wege-Shuttles und des Gangendhebezeugs nicht im selben Gang befinden, d. h. von Spalte \(x\) zu Spalte \({x}^{\mathrm{^{\prime}}}\) durch viele Abschnitte der geraden Reisezeit und von Gang \(y\) zu Gang \({y}^{\mathrm{^{\ prime}}}\) durch mehrere Segmente der Schaltgangzeit, sodass die Zeit des Shuttle-Betriebs die Summe aus einer Anzahl von Segmenten der Geradeausfahrzeit und einer Anzahl von Segmenten der Schaltgangzeit ist. Die Zeit für jeden geraden Abschnitt ähnelt der Lösung in (1), und die Zeit für jeden Abschnitt zum Spurwechsel beträgt:

Wenn der Gang vom ersten Gang zum anderen \(y\)-Gang führt, beträgt die für die Fahrt des Vier-Wege-Shuttles erforderliche Zeit:

Zeit in vertikaler Richtung des Hebezeugs

Die Ausgangsposition des Hebezeugs am Ende des Gangs zum ersten Stockwerk des Lagerhauses, d. h. vom \(m\) Stockwerk zum ersten Stockwerk oder vom ersten Stockwerk zum \({m}^{\ mathrm{^{\prime}}}\) Zeit ist:

Die Zeit von der Ausgangsposition des Hebezeugs am Ende des Tunnels bis zum Zielladeniveau, also vom \(m\)-Niveau bis \({m}^{\mathrm{^{\prime}}}\), Ist:

Das zeitbasierte Planungsmodell für eingehende Vorgänge

Fall 1: Wenn sich ein Vier-Wege-Shuttle auf dem Boden befindet, auf dem sich die Zielposition der zu lagernden Waren befindet, und das System gleichzeitig über einen verfügbaren Hebemechanismus verfügt, analysieren Sie die Betriebsschritte des Vier-Wege-Shuttles und des Hebevorgangs Berechnen Sie die Operationszeit. Wenn sich die Zielposition in der Lagerebene befindet, beträgt die Betriebszeit, die das Hebezeug zum Transport der Waren benötigt, 0.

Schritte für den Vier-Wege-Shuttle-Betrieb: 1. Die Startposition des Shuttles ist ein Leerlaufbetrieb bis zum Ende der Gangaufzugsöffnung. 2. Shuttle-Wagen schickt Waren an die Zielposition.

Arbeitsschritte des Hebezeugs: 1. Hebezeug fährt leer zum Lagerboden. 2. Hebezeug transportiert Güter zum Zielladeboden.

Das System arbeitet parallel: Der Vier-Wege-Shuttle-Betrieb Schritt 1 und die Hub-Betriebsschritte 1 und 2 führen den Vorgang gleichzeitig parallel aus.

Die Operationszeit wird mit Gl. berechnet. (7).

Wenn sich der Zielort im ersten Stock des Lagers befindet und \({T}_{1Ei}, {T}_{2Ei}\) 0 ist, wobei der Vier-Wege-Shuttle-Betrieb Schritt 1 und der Hebevorgang Schritt 1 sind und 2 sind parallele Operationen. Bevor der Vier-Wege-Shuttle Schritt 1 abschließt, muss er zunächst auf den Hebevorgang warten; Bevor das Hebezeug die Schritte 1 und 2 abschließt, muss es zunächst darauf warten, dass das Vier-Wege-Shuttle den Betriebsschritt (1) abschließt. Daher ist die Bearbeitungszeit, die am längsten dauert, das fertige Teil.

Fall 2: Es gibt keinen freien Vier-Wege-Shuttle auf der Etage, auf der sich die Zielposition der zu lagernden Waren befindet, aber es gibt einen freien Vier-Wege-Shuttle auf anderen Etagen und es gibt einen verfügbaren Aufzug im System Analysieren Sie die Betriebsschritte des Vier-Wege-Shuttles und des Hebezeugs und berechnen Sie die Betriebszeit.

Arbeitsschritte des Vier-Wege-Shuttles: 1. Das Shuttle startet an der Startposition und fährt leer bis zum Ende des Gangs am Eingang des Hebezeugs. 2. Der Shuttle folgt dem Hebezeug bis zu der Ebene, auf der sich die Zielposition der Ladung befindet, und befördert die Ladung dann zur Zielposition.

Arbeitsschritte des Hebezeugs: 1. Das Hebezeug fährt leer zu der Ebene, in der sich der Vier-Wege-Shuttle befindet. 2. Das Hebezeug befördert das Shuttle zu der Ebene, auf der sich die Zielladung befindet. 3. Der Aufzug fährt leer zum Lagerboden. 4. Das Hebezeug transportiert die Ladung zu der Ebene, auf der sich die Zielladung befindet.

Das System arbeitet parallel: Der Vier-Wege-Shuttle-Betrieb Schritt 1 und der Hubbetrieb Schritt 1 führen parallele Vorgänge aus.

Die Operationszeit wird mit Gl. berechnet. (8).

Fall 3 Es gibt keinen freien Vier-Wege-Shuttle in der Schicht, in der sich die Zielfrachtposition befindet, aber es gibt freie Vier-Wege-Shuttle in anderen Schichten, und es gibt mehr als zwei verfügbare Hebezeuge im System, das den Vier-Wege-Shuttle analysiert und Arbeitsschritte des Hebezeugs und Berechnung der Betriebszeit.

Arbeitsschritte des Vier-Wege-Shuttles: 1. Die Startposition des Shuttles wird entladen und fährt bis zum Ende der Spur-Hebevorrichtungsmündung. 2. Fahren Sie mit dem Hebezeug zur Ziel-Frachtebene, wo die Schicht nach dem Transport der Waren zur Ziel-Frachtebene verläuft.

Die Arbeitsschritte des Hebevorgangs sind in die Vorgänge „Hebevorgang 1“ und „Hebevorgang 2“ unterteilt.

Arbeitsschritte für Heben 1: 1. Heben Sie den Leerlaufbetrieb zum Vier-Wege-Shuttle, wo sich die Schicht befindet. 2. Das Hebezeug transportiert das Shuttle zur Zielfrachtebene, auf der sich die Schicht befindet.

Hebebühne 2 Arbeitsschritte: 1. Hebebühne fährt leer zum Lagerboden. 2. Heben Sie den Liefershuttle an, um ihn auf die Zielebene zu bringen.

Das System arbeitet parallel: Vier-Wege-Shuttle-Betrieb Schritt 1 und Hubwerk 1-Betrieb Schritt 1 führen gleichzeitig Vorgänge parallel aus. Die Bedienschritte 1 und 2 von Hebezeug 1 und die Bedienschritte 1 und 2 von Hebezeug 2 führen die Vorgänge parallel und gleichzeitig aus. Die Operationszeit wird mit Gl. berechnet. (9).

Daher die Gesamtzeit für die Durchführung einer Reihe von Lagervorgängen vom Beginn der Vorgänge für die erste Lieferung bis zum Abschluss der Lagervorgänge für die letzte Lieferung.

Siehe Gl. (10), wobei \({T}_{S}\) die Startzeit der ersten eingehenden Aufgabe und \({T}_{E}\) die Endzeit der letzten eingehenden Aufgabe ist.

Das zeitbasierte Planungsmodell für ausgehende Vorgänge

Fall 1: Wenn sich auf dem Boden, auf dem die Waren aufgenommen werden, ein Vier-Wege-Shuttle befindet und ein Hebezeug im System verfügbar ist, werden die Arbeitsschritte des Vier-Wege-Shuttles und des Hebezeugs analysiert und die Betriebszeit berechnet .

Arbeitsschritte des Vier-Wege-Shuttles: 1. Das Shuttle fährt unbeladen zur Zielposition, um die Waren aufzunehmen. 2. Der Shuttle transportiert die Ware bis zum Ende der Gangaufzugsöffnung.

Arbeitsschritte des Hebezeugs: 1. Das Hebezeug fährt leer bis zum Zielladeniveau; 2. Das Hebezeug transportiert die Ladung auf die Lagerebene.

Paralleler und kooperativer Systembetrieb: Vier-Wege-Shuttle-Betrieb, Schritte 1 und 2, und Hubbetrieb, Schritt 1.

Die Operationszeit wird mit Gl. berechnet. (11).

Wenn die Vier-Wege-Shuttle-Betriebsschritte 1 und 2 und der Hub-Betriebsschritt 1 parallele Vorgänge sind und der Vier-Wege-Shuttle die Schritte 1 und 2 zum ersten Mal abschließt, muss er auf den Hub-Betrieb warten; Wenn das Hebezeug zum ersten Mal Schritt 1 abschließt, muss es warten, bis das Vier-Wege-Shuttle die Betriebsschritte 1 und 2 abgeschlossen hat. Somit wird die Operationszeit abgeschlossen, die am längsten dauert.

Fall 2: Auf der Ebene, auf der die Waren abgeholt werden, gibt es keinen freien Vier-Wege-Shuttle, auf anderen Ebenen gibt es jedoch freie Vier-Wege-Shuttles, und im System ist ein Hebezeug verfügbar, das den Betrieb des Vier-Wege-Shuttles und des Hebezeugs analysiert Schritte und Berechnung der Operationszeit.

Arbeitsschritte des Vier-Wege-Shuttles: 1. Das Shuttle startet an der Startposition und fährt unbeladen bis zum Ende des Ganghubwerks. 2. Das Shuttle fährt unbeladen vom Ende des Ganghubwerks zur Zielposition und nimmt die Ware auf. 3. Der Shuttle transportiert die Ware zum Ende des Ganghubwerks.

Arbeitsschritte des Hebezeugs: 1. Das Hebezeug fährt leer bis zu der Ebene, auf der sich der freie Vier-Wege-Shuttle befindet. 2. Das Hebezeug transportiert den Vier-Wege-Shuttle zum Hebeeingang am Ende des Gangs der Ebene, in der sich die Zielposition für die Ladung befindet. 3. Der Aufzug befördert die Ladung in den ersten Stock des Lagers.

Paralleler und kooperativer Betrieb des Systems: Vier-Wege-Shuttle-Betrieb Schritt 1 und Hubbetrieb Schritt 1 (siehe Gleichung 12).

Der Ausdruck für die Zeitfunktion \({T}_{2}^{\mathrm{^{\prime}}}\) hat eine ähnliche Bedeutung wie \({T}_{1}^{\mathrm{^{ \prime}}}\)

Daher beträgt die Gesamtzeit zum Abschließen eines Stapels ausgehender Vorgänge vom Beginn der Vorgänge für die erste Lieferung bis zum Abschluss der ausgehenden Vorgänge für die letzte Lieferung.

Gemäß dem etablierten mathematischen Modell der Planung mehrerer Vier-Wege-Shuttles werden die eingehenden und ausgehenden Aufgaben in das Problem der Auswahl von Shuttles zerlegt, um Aufzüge in verschiedenen Betriebsphasen auszuwählen. Zusätzlich wird die objektiv optimale Lösung mithilfe eines verbesserten genetischen Algorithmus berechnet. Gemäß den Kodierungs- und Dekodierungsmerkmalen der Aufgabenkombination des genetischen Algorithmus bei der Auswahl der Crossover- und Kompilierungsmethodenoptimierung wird jede Aufgabengruppe durch das dynamische Straßennetz sortiert und auf Zeitfensterbasis verbessert \({A}^{*}\ )-Algorithmus zum Navigieren auf dem horizontalen Richtungspfad des Vier-Wege-Shuttles und auf der Suche nach einem sicheren und konfliktfreien Optimierungspfad. Damit ist die gesamte Bahnplanung der Operationen abgeschlossen.

In dem Modell, das für die vorherigen eingehenden und ausgehenden Vorgänge erstellt wurde, wird der Vier-Wege-Shuttle im Stapelbetrieb verwendet, da die maximale Anzahl gleichzeitiger Versandvorgänge durch die Anzahl der Vier-Wege-Shuttles \({R}_{count} begrenzt ist. \) im System oder durch die Anzahl der Hebezeuge \({E}_{count}\) im System beträgt die maximale Anzahl paralleler Betriebsaufgaben im System \({C}_{batch}=\mathrm{ min}({R}_{count},{E}_{count})\). Dann kann der Einsatz von Planungsressourcen gemäß dem Betriebsprozess im System in die Zuweisung von Vier-Wege-Shuttles und die Zuweisung von Lastenhebern sowie in den Inbound-Betriebsfall 3 zerlegt werden. Um die Systemdurchsatzrate zu erhöhen, wird die Betriebsaufgabe zugewiesen zwei Lifter gleichzeitig: einer, um Shuttles zur Zielschicht zu liefern, und der andere, um Fracht zur Zielschicht zu schicken. Für andere Arbeitsfälle wird nur ein Hebezeug zur Erledigung des Auftrags zugewiesen, und das Modell in diesem Kapitel weist ihnen virtuelle Hebezeuge zu. Gemäß diesem Planungsmodell für die Verarbeitung von Systemjobs ((\mathrm{1,2},\dots,N)\) kann es als Kodierung der Jobsequenz und dreimaliges Zuweisen von Systemressourcen abstrahiert werden: (1) Zuweisen ein Vier-Wege-Shuttle; (2) Zuweisen des Hebezeugs \(B\); und (3) Zuweisen des Hebezeugs \(C\). (Wenn für den Auftrag kein zweiter Aufzug erforderlich ist, wird ein virtueller Aufzug zugewiesen und in dieser Phase der Zielfunktionsberechnung wird keine Auftragszeit verbraucht.) Entsprechend der Auftragsseriennummer der Systemaufgabe, der Seriennummer des Hebezeugs und der Seriennummer des Vier-Wege-Shuttles zur Durchführung einer echten zweidimensionalen Matrixkodierung lautet die generierte Matrixzeilennummer also \(P={J}_{count}/{ C}_{batch}\) (nicht ganzzahlige Division, die letzte Zeile vervollständigt die 0) und die Anzahl der Spalten beträgt \(3{C}_{batch}\), also \({W}_{{ P}^{*}3{C}_{batch}}\).

Siehe Gl. (13), In der Matrix \({W}_{{P}^{*}3{C}_{batch}}={A}_{{P}^{*}{C}_{batch} }*{B}_{{P}^{*}{C}_{batch}}*{C}_{{P}^{*}{C}_{batch}}\, Matrix \(A \) ist die Systemauftragsmatrix und ihre Mitglieder entsprechen der Auftragsstapelnummer. Matrix \(B\) ist die Hebezuweisungsmatrix, wie das in diesem Dokument erstellte Modell zeigt. Die \(B\)- und \(C\)-Matrizen gelten für einen Vorgang in derselben Zeile, und die Matrix kann nicht dieselbe Aufzugsnummer haben und der Aufzugscode kann in verschiedenen Zeilen wiederverwendet werden. Matrix \(B\) ist die Aufzugslösung, die die Anzahl der im System für diesen Vorgang verwendeten Hebezeuge angibt, \(C\) ist die zusätzliche Lösung des Aufzugs, wenn und nur dann, wenn kein Vier-Wege-Shuttle verfügbar ist In dem System, in dem sich die Aufgabe befindet, ist gleichzeitig die \(C\)-Matrix an der Operation beteiligt, wenn mehr als zwei Aufzüge verfügbar sind, d. h. Fall 3 des Systemeintrittsmodells. Um zu viele zu verhindern Es werden keine ungültigen Lösungen generiert, wenn die Zieloperationsebene und die Ebene, auf der die Vier-Wege-Shuttle-Unteraufgabe in der \(A\), \(B\)-Matrix endet, übereinstimmen, die entsprechenden Zeilen der \(C\)-Matrix in der Reihenfolge der Liftnummern, die noch nicht in Matrix B verwendet wurden. Der Zweck dieser Codierungsbeschränkung besteht darin, einen erweiterten Lösungsraum für die späteren Operatoren bereitzustellen. Wenn beispielsweise \(({R}_{count}<{E}_{count})\), ist die maximale Parallelität des Systems \({C}_{batch}={R}_{count}\ ), gibt die Spaltennummer in jeder Zeile der Matrix \(A\) die entsprechende Codierung des Vier-Wege-Shuttle-Fahrzeugs an, und die Zeilenelemente können ausgedrückt werden als \({X}_{i}=({a}_{i1 },{a}_{i2},\dots ,{a}_{i{C}_{batch}};{b}_{i1},{b}_{i2},\dots {b}_ {i{C}_{batch}};{c}_{i1,}{c}_{i2},\dots ,{c}_{i{C}_{batch}})\). Wenn die Anzahl der Aufgaben \({a}_{i3}=48\) beträgt, dann wird für diese Aufgabe der Vier-Wege-Shuttle mit der \(Nr. 3\) verwendet. \({b}_{i3}=2\) gibt an, dass Hebezeug Nummer 2 mit dem 3. Vier-Wege-Shuttle im Batch \(i\) zusammenarbeitet, also dem 4-Wege-Shuttle \(Nr. 3\) und das Hebezeug \(Nr. 2\) arbeiten bei dieser Operation zusammen, um die Operation der Aufgabe \(Nr. 48\) abzuschließen, und wenn der Zielvorrat der Aufgabe \(Nr. 48\) \({J}_{ 48}=(\mathrm{4,5},7)\) und die Koordinaten des Shuttles \(Nr. 3\) sind \({R}_{3}=(\mathrm{2,3},7) \), was bedeutet, dass sich die Zieloperationsebene und das in dieser Operation verwendete Vier-Wege-Shuttle auf derselben Ebene befinden 7. Beim Codieren oder Generieren der Zielpopulation \({c}_{i3}=0\). Bei der Beschreibung der Inbound-Situation drei für das vorherige Kapitel. \({c}_{i3}=6\) bedeutet, dass die Aufgabe dieser Nummer 48 durch den Vier-Wege-Shuttlewagen \(Nr. 3\), das Hebezeug \(Nr. 2\) und das Hebezeug \ erledigt wird. (Nr. 6\) in Zusammenarbeit Die Ausgangsposition des Shuttle-Wagens befindet sich zu diesem Zeitpunkt in der Ebene und der Zielregalstandort der Aufgabe befindet sich nicht in derselben Ebene.

Im oben erstellten Code für die zweidimensionalen realen Matrizen stellt jede Matrix ein Individuum dar, wobei die drei Matrizen \(A,B,C\) unterschiedliche Chromosomen des Individuums darstellen und die verschiedenen Codes verschiedenen Genen entsprechen. Die gebräuchlichere Methode zum Generieren von Populationen aus Individuen ist die Zufallszahlenproduktionsmethode. Die in diesem Artikel aufgeführten Modellbeschränkungen werden verwendet, um die Generierung ungültiger Individuen zu vermeiden. Daher wird in diesem Artikel die Zufallszahlenproduktionsmethode mit Einschränkungen verwendet. Wenn \(({R}_{count}<{E}_{count})\), ist die Matrix \(A\) \((\mathrm{1,2},\dots ,N)\), was ist eine zufällige Kombination verschiedener Aufgabenseriennummern, und jede Zeile in den Matrizen \(B\) und \(C\) ist eine zufällige Kombination von Lift-and-Fall-Codes, aber eine einzelne Zeile kann nicht wiederholt werden.

In diesem Artikel übernehmen wir die Maximierungskonvention: „Je kleiner der Wert der Zielfunktion, desto höher der Anpassungsgrad.“ Die von den eingehenden und ausgehenden Vorgängen im Systembatch verbrauchte Zeit ist ein nichtnegativer Wert, der als Lösungsziel der Zielfunktion festgelegt werden kann. Wie im Codierungsmodell zu sehen ist, wissen wir, dass das System den Batch-Job \((\mathrm{1,2},\dots ,P)\) Batch verwendet. Die stapelweise sequentielle Belegung von Systemressourcen fließt in den Vorgang ein. Wenn die Ressourcen in Stapel 1 den Auftrag abschließen, können sie freigegeben und den Aufgaben, die durch dieselben Spalten in den folgenden Stapeln dargestellt werden, zur Verarbeitung zugewiesen werden. Die Aufgaben in verschiedenen Zeilen des Systems können sich zeitlich überschneiden. Beispiel: 1. \({a}_{i3}=48\) gibt an, dass \(Aufgabe 48\) den Vier-Wege-Shuttle \(Nr.3\) im Stapel zugewiesen hat; 2. \({a}_{i3}=96\) gibt an, dass \(Aufgabe 96\) das Vier-Wege-Shuttle \(Nr.4\) im Stapel zugewiesen hat; 3.\({a}_{(i+1)4}=52\) gibt an, dass \(Aufgabe 52\) den Vier-Wege-Shuttle \(Nr.4\) im Stapel \(i+1\) zugewiesen hat. . Dann beendet das Vier-Wege-Shuttle \(Nr.4\) \(Aufgabe 96\) und fährt mit \(Aufgabe 52\) fort. Wenn die Ausführung von \(Aufgabe 48\) durch Shuttle 3 viel länger dauert als \(Aufgabe 96\), werden \(Aufgabe 48\) und \(52\) in den Stapeln \(i\) und \(i+1\) ), zu denen sie gehören, werden sich zeitlich überschneiden. In diesem Artikel wählen wir die Differenz zwischen der Startzeit \({T}_{1}\) des gesamten Stapels (Batch \(1\)) und der Endzeit der letzten Aufgabe im letzten Stapel (Batch \ (P\)) als Zielfunktion \({T}_{sum}={T}_{P}-{T}_{1}\), die in den Maximalwert der Summe der zerlegt werden kann Aufgaben, die in jeder Spalte der Matrix des Codierungsmodells \(A ,\) ausgeführt werden, wie in Gl. (15).

Es wird festgestellt, dass die Größe der Anpassungsfunktion eine große Relevanz für die spezifische Bedeutung des zu lösenden Problemobjekts hat, und im Allgemeinen wird die Anpassungsfähigkeit durch Transformation der Zielfunktion erreicht. Die Methoden zur Lösung der Anpassungsfähigkeit aus der Zielfunktion können in direkte lineare, exponentielle und exponentielle Potenztransformationen der Zielfunktion, Kürzung des Zielfunktionswerts usw. unterteilt werden, um die entsprechende Anpassungsfähigkeit zu erhalten. Alle diese unterschiedlichen Transformationen können einflussreich sein und zu einer effizienten Bevölkerungsvielfalt und Algorithmenkonvergenz führen32,33,34,35.

Hier wird die Anpassungsfunktion so gewählt, dass sie durch Durchführung einer einfachen Leistungsindextransformation aus der Zielfunktion erhalten wird (siehe Gleichung 16).

Das in diesem Artikel erstellte Modell und die Anpassungsfunktion sind nicht negativ, und der Auswahloperator kann in der Roulette-Auswahlmethode verwendet werden. Die Roulette-Auswahl ist im Wesentlichen eine Zufallsstichprobenmethode mit Put-Back. Individuen der Population werden entsprechend ihrer Anpassungsfähigkeit in Intervalle mit der entsprechenden Länge eingeteilt, und die Länge des Intervalls jedes Individuums ist proportional zu seinem Anpassungsfähigkeitswert. Je höher die Anpassungsfähigkeit, desto höher ist die Chance des Individuums, bei der Auswahloperation ausgewählt zu werden. Es wird eine Zufallszahl generiert und die entsprechende Person entsprechend dem Intervall, in das sie fällt, ausgewählt; Anschließend wird der Vorgang wiederholt, bis die gewünschte Anzahl an Individuen erreicht ist.

Entsprechend der Anpassungsfähigkeit ist die Selektionswahrscheinlichkeit jedes Einzelnen in Gl. (17) wie folgt:

Die kumulative Wahrscheinlichkeit jedes Einzelnen wird aus der Auswahlwahrscheinlichkeit (siehe Gleichung 17) wie folgt berechnet:

Die kumulative Wahrscheinlichkeit entspricht der Größe des Sektors auf dem Drehteller. Je größer der Sektorbereich ist, desto einfacher ist die Auswahl. Dabei ist \(P({x}_{i})\) die Auswahlwahrscheinlichkeit des Individuums \(i\), \(fitness({x}_{i})\) bezeichnet den Fitnesswert des Individuums \(i \), und \({N}_{Gruppe}\) bezeichnet die Gesamtzahl der Individuen in der Population.

Wir wählen sechs beliebige Individuen aus und die Auswahlwahrscheinlichkeit für jedes Individuum beträgt: Die Auswahlwahrscheinlichkeiten und kumulativen Wahrscheinlichkeiten für jedes Individuum sind in Tabelle 1 aufgeführt.

Nach der Berechnung der kumulativen Wahrscheinlichkeit wird der berechnete individuelle kumulative Wahrscheinlichkeitswert auf einem Liniensegment der Länge 1 markiert, indem am Anfang des linken Endes ein Punkt 0 gesetzt wird. Im Intervall \((\mathrm{0,1})\) werden 6 Zahlen zufällig generiert und die ausgewählten Personen sind \(1, 2, 4, 4, 5, 6. Nr. 4\) wird zweimal ausgewählt , und die Wahrscheinlichkeit der ausgewählten Individuen ist groß, die Wahrscheinlichkeit der ausgewählten Individuen ist groß. Die kleinen Individuen werden möglicherweise nicht ausgewählt, und es besteht die Möglichkeit, dass alle ausgewählten Individuen gleich sind. Die zufällig generierten Einzelzahlen sind in Abb. 3 dargestellt.

Ein Liniensegment wird verwendet, um die kumulative Wahrscheinlichkeit der berechneten Individuen darzustellen, und die berechneten kumulativen Wahrscheinlichkeitswerte der Individuen werden auf einem Liniensegment der Länge 1 gekennzeichnet, indem am Startpunkt des linken Endes ein 0-Punkt festgelegt wird. Im Intervall (0,1) wurden sechs Zahlen zufällig generiert, und wie in der Abbildung zu sehen ist, waren die ausgewählten Personen 1, 2, 4, 4, 5 und 6. Die Einzelperson Nummer 4 wurde zweimal ausgewählt.

In dieser Arbeit besteht die individuelle Codierung aus drei Matrizen: Wenn beispielsweise die Anzahl der Vier-Wege-Shuttles im System \({R}_{count}\) 3 beträgt, beträgt die Anzahl der Betriebsaufgaben \({J} _{count}\) ist 9 und die Anzahl der Hebevorgänge im System \({E}_{count}\) ist 4. Die individuelle Codierung besteht aus drei Sätzen von \(3*3\)-Matrizen \(ABC, \) ist in Gl. zu sehen. (19).

Die \(A\)-Matrizen in den Populationsindividuen sind Aufgabencodierungsmatrizen, und jede \(A\)-Matrix ist eine sortierte Kombination von Aufgabencodes. Jede Zeile in \(BC\) ist als Lift codiert, und verschiedene Zeilen sind für unterschiedliche Auftragsstapel codiert. Gemäß diesem Codierungsmerkmal werden in diesem Artikel zwei Schnittpunkte ausgewählt, und die Schnittpunkte sind Matrix \(A\) und Matrix \(BC\). Bei der Schnittoperation wird die Matrix beispielsweise von der Zeile in eine eindimensionale und in eine zweidimensionale Matrix transformiert (siehe Gleichung 20):

Bei der Crossover-Operation durch zwei verschiedene Elternindividuen \({P}_{3\times 9}^{1}={A}_{3\times 3}^{p1}{B}_{3\times 3 }^{p1}{C}_{3\times 3}^{p1}\) und \({P}_{3\times 9}^{2}={A}_{3\times 3}^ {p2}{B}_{3\times 3}^{p2}{C}_{3\times 3}^{p2}\), jeweils überkreuzen sich die drei Sätze von Matrixwerten, um neue Individuen zu erzeugen \( {N}_{3\times 9}^{1}={A}_{3\times 3}^{n1}{B}_{3\times 3}^{n1}{C}_{3\ mal 3}^{n1}\), wobei die beiden übergeordneten Matrizen wechselseitig operieren, um die untergeordnete Matrix \(A\) zu generieren, d. (A\). \(BC\) kreuzt sich in der übergeordneten Generation, um \(BC\) in der untergeordneten Generation zu generieren. Dabei handelt es sich um zwei Kreuzungspunkte im Schnittpunkt der \(A\)-Matrix bzw. der \(BC\)-Matrix. Um sicherzustellen, dass die Überkreuzung mit der tatsächlichen Bedeutung codiert wird, ohne dass dazwischen eine Überkreuzungsoperation durchgeführt wird. Die beiden Crossovers werden getrennt durchgeführt, um einen Crossover-Vorgang des Einzelnen abzuschließen36. Die Schritte sind wie folgt:

Schritt 1: Für die Aufgabe, die zweidimensionale Matrix \({A}_{3\times 3},\) zu kodieren, wird die zweidimensionale Matrix im oben gezeigten Crossover-Prozess in eine einzelne Zeile mit einer einspaltigen reellen Matrix umgewandelt Bei der Matrixkodierung \({A}_{1\times 9}^{\mathrm{^{\prime}}}\) durch Zeilenerweiterung wird die Kreuzung abgeschlossen, um Kinder zu erzeugen, und dann wird die umgekehrte Operation zur Konvertierung von ausgeführt einer eindimensionalen Matrix in eine zweidimensionale Matrix. Im Prozess der eindimensionalen Matrixoperation mit einer Zeile wird ein Subtour-Austausch-Crossover verwendet, um das Problem der Genduplikation bei Individuen nach einem einfachen Austausch-Crossover zu vermeiden. Der spezifische Betriebsablauf ist in Abb. 4 und Gleichung dargestellt. (21a und b).

Genetische Kartierung des Elternteils zum Zeitpunkt der Gen-Crossover-Operationen.

Generieren Sie zwei Nachkommen (siehe Abb. 5 und Gleichung 22a und b):

Die genetische Karte der beiden Nachkommen, die während der Gen-Crossover-Operation erstellt wurde.

Schritt 2: Für die Lifter-Codierung der zweidimensionalen Matrix \({BC}_{3\times 6}\) darf es gemäß der tatsächlichen Bedeutung der Codierung keine doppelte Codierung in ihren Zeilen geben, und die gleiche Codierung kann möglich sein in verschiedenen Zeilen (d. h. in verschiedenen Aufgabenstapeln) verwendet werden. Verschiedene Eltern der beiden für Crossover-Operationen ausgewählten Individuen werden zufällig in zwei Reihen ausgewählt, und zwei verschiedene Individuen werden durch einen Subtrace-Austausch-Crossover generiert (siehe Gleichungen 23a und b).

Wählen Sie jeweils eine beliebige Zeile in \(parent 1\) und \(parent 2\) für die Überkreuzung aus. Wenn die erste Zeile von \(parent1\) und die dritte Zeile von \(parent 2\) ausgewählt sind, werden die übergeordneten Gene ausgewählt sind wie folgt (siehe Abb. 6):

Die erste Reihe von \(Eltern 1\) und die dritte Reihe von \(Eltern 2\) wurden für die Überkreuzung ausgewählt, und an diesem Punkt wurde die elterliche Genkarte erstellt.

Generieren Sie zwei Nachkommen (siehe Abb. 7):

Die erste Zeile von \(Eltern 1\) und die dritte Zeile von \(Eltern 2\) werden für die Überkreuzung ausgewählt, woraufhin zwei Nachkommen-Genkarten generiert werden.

Generieren Sie zwei Nachkommen-Individuen (siehe Gleichung 24a und b).

Um das Problem zu vieler ungültiger Lösungen in den generierten Unterindividuen zu vermeiden, was zu einer langsamen oder schwierigen Konvergenz führt, wird die zusätzliche Lösungsmatrix \(C\) der generierten neuen Individuen im Crossover-Prozess ebenfalls eingeschränkt, um zu viele ungültige Lösungen zu vermeiden. Die Lösungen, die Fall 3 des eingehenden Modells nicht erfüllen, werden verworfen und der Crossover wird fortgesetzt, bis eine zufriedenstellende Person generiert wird.

Nach Durchführung der Schritte 1 und 2 werden zwei neue Individuen wie folgt erhalten (siehe Gleichung 25a und b):

Die Child-Trace-Swap-Crossover-Methode wird verwendet, um ein Genom in einem Elternteil auszuwählen und die Position dieser ausgewählten Gene im anderen Elternteil zu ermitteln, während die nicht ausgewählten Gene unverändert bleiben und die Positionen in den chromosomalen Genen der beiden Elternteile in der Reihenfolge ausgetauscht werden ausgewählte Gene, um zwei Nachkommen zu erzeugen. Diese Methode vermeidet das Problem der Aufgabenduplizierung nach dem Crossover.

In diesem Artikel haben die spezifischen Kombinationen im Kodierungsmodell besondere Bedeutungen und entsprechende Einschränkungen, wie z. B. Aufgabennummer, Heben und Leiterkodierung. Als Kompilierungsmethode wird die reziproke Mutationsmethode verwendet. Beim kombinatorischen Optimierungsproblem ist der Wert jedes Bits des Gens einzigartig und wird als „Permutationskodierung“ bezeichnet. Dies bedeutet, dass diese Eigenschaft des Gens auch nach der Mutationsoperation erhalten bleiben muss; Andernfalls handelt es sich bei den resultierenden Nachkommen um ungültige Lösungen. Der reziproke Mutationsalgorithmus identifiziert zufällig zwei Fragmente im Gen eines Individuums und führt eine reziproke Mutation durch. Diese beiden Segmente müssen die gleiche Menge an Code enthalten. Dies zeigt sich im Folgenden (siehe Gleichung 26):

Wir wählen willkürlich eine Reihe von und-Matrizen aus; Wenn die zweite Zeile der Matrix ausgewählt ist, werden die erste und dritte Spalte der Matrix vertauscht und die erste und zweite Spalte der Matrix werden vertauscht.

Die ausgetauschten genetischen Codes lauten wie folgt (siehe Gleichung 27):

Für das etablierte, auf Zeitminimum basierende mathematische Modell zur Optimierung von Mehrfach-Vier-Wege-Shuttle-Multilift-Zugangsoperationen und zur Pfadoptimierung kann der grundlegende genetische Algorithmus, dessen Wahrscheinlichkeit bei Crossover- und Variationsoperationen festgelegt ist, Schwierigkeiten haben, eine gute Konvergenz für die Eingabe bei verschiedenen Operationsaufgaben zu erreichen. Daher werden in diesem Artikel die Crossover- und Variationsoperatoren in der Evolution separat abgetastet und für die automatische Anpassung angepasst. Die individuelle Matrixkodierung mit Informationen über die Arbeitsaufgabe, das Vier-Wege-Shuttle und das Hebezeug werden entworfen. Die genetischen Operatoren werden entsprechend ihrer Kodierung entworfen, um die Operatorwahrscheinlichkeit und die Fitnessfunktion im Algorithmus zu verbessern. Die mathematischen Formeln für den Crossover-Operator \({P}_{c}\) und den Variationsoperator \({P}_{m}\) im in diesem Artikel entworfenen adaptiven genetischen Algorithmus lauten wie folgt37,38,39,40 ,41,42 (siehe Gleichung 28a und b).

Aus der Formel ist ersichtlich, dass in der Anfangsphase eine größere Crossover- und Variationswahrscheinlichkeit gewählt wird, damit der grobe Suchprozess zur Aufrechterhaltung der Populationsvielfalt beiträgt, und später für eine detaillierte Suche auf kleinere Werte angepasst wird, um eine Zerstörung des Optimums zu verhindern Lösung und beschleunigen die Konvergenz. Der Konvergenztest des verbesserten Algorithmus wird mit den in Tabelle 2 aufgeführten Testfunktionen getestet.

Die Konvergenzkurve der Testfunktion ist in den Abbildungen dargestellt. 8, 9 und 10.

Konvergenzkurve des verbesserten Algorithmus, getestet mit der Ackley-Funktion.

Testen Sie die Funktionskonvergenzkurve des verbesserten Algorithmus mit der Sphere-Testfunktion.

Testen Sie die Funktionskonvergenzkurve des verbesserten Algorithmus mit der Rosenbrock-Testfunktion.

Die Konflikte, die bei Vier-Wege-Shuttles häufig auftreten, sind Knotenkonflikte, Phasenkonflikte, Aufholkonflikte und Blockierungskonflikte. In dem vom System erstellten Modell arbeiten die Vier-Wege-Shuttles derselben Schicht gleichzeitig dynamisch zusammen, und die physischen Eigenschaften des Lagers in derselben Schicht sind Gänge und Regale, die aus einer Matrixgitterstruktur bestehen. Die Shuttle-Spur kann auf natürliche Weise in ein Diagramm abstrahiert werden, wenn die Vier-Wege-Shuttles derselben Ebene geplant werden, und jeder Wendepunkt entspricht einem Scheitelpunkt im Diagramm. Jede zurücklegbare Strecke von der Beschleunigung bis zum Stillstand in jedem Abschnitt vor dem Abbiegen kann in einem Diagramm eines Kreisbogens abstrahiert werden. Die Lösung der eingehenden Aufgabe des Shuttles vom Aufzugseingang zum Frachtpfad oder der ausgehenden Aufgabe des Frachtpfads zum Aufzugseingang kann in das Problem der Lösung des kürzesten Pfads in einem gerichteten azyklischen gewichteten Graphen umgewandelt werden. Basierend auf der umfassenden physischen Shuttle-Struktur der Lagereigenschaften wählt dieser Artikel den heuristischen \({A}^{*}\)-Algorithmus43,44,45,46 aus, der die euklidische Distanz als Bewertungsfunktionsberechnung verwendet, die dies kann Vermeiden Sie den Verlust ungültiger Punkte und beschleunigen Sie die Sucheffizienz. Da der Bau des Lagerhauses abgeschlossen ist und die physikalische Spur des Vier-Wege-Shuttles festgelegt ist, wird die Berechnung der Wegfindungsaufgabe des Vier-Wege-Shuttles beschleunigt, indem der Graph des Straßennetzes in jeder Schicht erst beim Systemstart statisch initialisiert wird Die Gewichte der Bögen, die von der Startposition des Vier-Wege-Shuttles direkt erreicht werden können, müssen geändert werden. Das Problem von Shuttle-Kollisionen kann geschickt vermieden werden, indem eine Zeitfensterkorrektur der Bogengewichte im Diagramm durchgeführt wird, indem die Zeit verwendet wird, die das Vier-Wege-Shuttle im Prozess der schriftstellenbezogenen Berechnung auf der Spur belegt. In diesem Artikel wird der Weg des Vier-Wege-Shuttles global vom Backend-System geplant, der Vier-Wege-Shuttle verwendet drahtlose Geräte zur Kommunikation mit dem Backend und der Vier-Wege-Shuttle ist mit einem Abstandsmessgerät zur Radarkollisionsvermeidung ausgestattet. Für Aufgaben im selben Stapel wird die Codenummer des Vier-Wege-Shuttles als Reihenfolge für die Berechnung des Pfads verwendet. Je kleiner der Code, desto höher die Priorität.

In der aktuellen Aufgabenoperation lassen wir die Anfangsposition des Vier-Wege-Shuttles ((\({x}_{i},{y}_{j},{z}_{k}\)) (unter der Annahme, dass die Vier-Wege-Shuttle-Position zwischen den Knoten \(a,b\) für \(w\) zeigt), um die Zielposition für (\({x}_{i}^{\mathrm{^{ \prime}}},{y}_{i}^{\mathrm{^{\prime}}},{z}_{k}^{\mathrm{^{\prime}}}\)) (vorausgesetzt dass die Zielposition zwischen den Punkten \(h,i\) Punkt für \(q\) ist. Seine Gewichtskarte kann entsprechend der Position des Vier-Wege-Shuttles geändert werden und kann direkt zum Punkt hinzugefügt werden, indem die Startposition hinzugefügt wird des Vier-Wege-Shuttles und der Zielposition als Scheitelpunkt. Außerdem wird der Bogen geändert, den diese beiden Scheitelpunkte ohne Drehung direkt erreichen können (siehe Abb. 11 und 12).

Gewichtungsdiagramm für den Zugangspfad des Vier-Wege-Shuttles (das Dreieck im Diagramm stellt die Position des Vier-Wege-Shuttles dar, das Quadrat stellt die Position der Zugangsladung dar).

Die Weggewichte, die der Vier-Wege-Shuttle zurücklegen kann, um auf die Waren zuzugreifen, können verwendet werden, um mit dem A*-Algorithmus den minimalen Weg zu finden, der eine Reihe von Bögen und Scheitelpunkten in dieser Gewichtskarte enthält.

An diesem Punkt ist die Datenstruktur, die zum ersten Mal zum Finden des minimalen Pfads erforderlich ist, abgeschlossen, und der Algorithmus \({A}^{*}\) kann verwendet werden, um den minimalen Pfad zu finden, der eine Reihe von Bögen und Scheitelpunkten enthält die gewichtete Grafik oben. Basierend auf der erstellten Suchgewichtskarte ist es dann möglich, eine iterative Suche nach dem Pfad mit minimaler Entfernung gemäß dem oben beschriebenen \({A}^{*}\)-Algorithmus durchzuführen.

\(H(n)\) ist als euklidische Gewichtung der vom Punkt zum Zielpunkt benötigten Zeit wie folgt konzipiert (siehe Gleichung 28a und b):

Der herkömmliche \({A}^{*}\)-Algorithmus kann im Parallelbetrieb des Systems mehr als einen Vier-Wege-Shuttle in derselben Ebene haben, und die Pfadplanung jeder einzelnen Einheit kann zu einer Kollision in derselben führen Spur gleichzeitig. In diesem Artikel wird der zur Lösung von \({A}^{*}\) verwendete Graph erneut mit dem Zeitfenster gewichtet und die eingeschränkten Pfade werden gemäß der Reihenfolge der Ausführungsaufgaben des Shuttle-Fahrzeugs gelöst oder geplant.

Die Zeitfenster-Korrekturregeln lauten wie folgt: 1. Timing-Regeln basierend auf dem Zeitfenster, monoton steigende Berechnung; 2. Das Zeitfenster wird als kleinster Bogen berechnet, und der Zeitraum, in dem das Vier-Wege-Shuttle in den Bogen eintritt und den Bogen erkennt, ist das Zeitfenster seines Bogens. 3. Wenn sein Bogen die Flugbahn ist, die das Vier-Wege-Shuttle in der Zeit \(\left[{T}_{A},{T}_{B}\right]\ einnimmt), dann ist es innerhalb dieses Zeitfensters Zwei Knoten, \(A,B\), riskieren eine Konfliktkollision, und das Zeitfenster aktualisiert den globalen Graphen des Systems \(G\). Die Bögen, in denen sich \(A,B\) befinden, und die Bögen, die erreicht werden können direkt mit Hilfe von \(A,B\) im Zeitfenster aktualisiert werden. Wenn der \(\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{d} e\)-Bogen in Abb. 13 am Punkt e einen Konflikt aufweist, sind die Gewichte der \( d,e\) Bögen und die an ihre Eckpunkte angrenzenden Bögen werden vergrößert, und die von den gestrichelten Pfaden verbrauchte Zeit ist erforderlich, um das Gewicht zu erhöhen, \({ T}_{max}\).

Bögen, die von \(\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{d} e\) am Pfadkonflikt am Punkt e betroffen sind.

In diesem Artikel implementieren wir unter Verwendung eines Vier-Wege-Shuttlesystems eines tatsächlichen Lagerhauses als Referenz die Simulationsarithmetikbeispiele basierend auf dem zeitminimierten, verbesserten genetischen Algorithmus für Aufgabenoperationen und dem zeitfensterverbesserten A*-Algorithmus für die Pfadsuche Planung und Analyse der Ergebnisse der Simulationsexperimente, um Schlussfolgerungen zur Planungsoptimierung zu ziehen. Unternehmen A ist ein großes Unternehmen und eines seiner Lager ist ein Vier-Wege-Shuttle-Lagersystem mit \(10*20*8\)(10 Gängen, 20 Säulen, 8 Etagen). Um die Gültigkeit des Modells zu überprüfen, wird eine Reihe von Ein-/Aus-Betriebsdaten erfasst und die Parameter des Vier-Wege-Shuttle-Lagersystems wie in Tabelle 3 gezeigt eingestellt.

Das Vier-Wege-Shuttle-System verfügt über vier Vier-Wege-Shuttles und vier Hebezeuge im Einsatz. Die Anfangspositionen der Vier-Wege-Shuttles sind \((\mathrm{4,2},7), (\mathrm{1,7},5), (\mathrm{4,6},5), (\ mathrm{3,2},1), (\mathrm{6,5},2)\), bzw. für die Ordnungszahlen (\({R}_{1}\))(\({R}_{ 2}\))(\({R}_{3}\))(\({R}_{4}\)). Die Standorte der Vier-Wege-Shuttles und Hebezeuge sind \((\mathrm{2,0},4), (\mathrm{4,0},1), (\mathrm{5,0},3), ( \mathrm{6,0},2)\) und ihre Seriennummern sind \({E}_{1},{E}_{2},{E}_{3},{E}_{4 }\). In einem bestimmten Dokument gibt es einen Stapel eingehender und ausgehender Aufgaben, darunter zwei ausgehende Aufgaben und zwei eingehende Aufgaben. Die spezifischen Informationen der eingehenden und ausgehenden Aufgaben sind in Tabelle 4 aufgeführt. Wir streben eine Vier-Wege-Shuttle- und Hebeplanung an Lösung, die die gesamte Betriebspfadzeit zur Erledigung des Aufgabenstapels minimiert.

Nachdem das Programm ausgeführt wurde, werden der iterative Prozess und die zugehörigen Daten der beiden Algorithmen erhalten. Die Populationsgröße beträgt 20, die maximale Anzahl der Iterationen beträgt 100, die Kreuzungswahrscheinlichkeit anderer Parameter beträgt 0,5 und die Variationswahrscheinlichkeit beträgt im klassischen Fall 0,004 Im verbesserten genetischen Algorithmus beträgt das selbstanwendbare Crossover-Intervall \([0,5, 0,9]\) und das Variationswahrscheinlichkeitsintervall \([0,001, 0,0008]\). Die beiden genetischen Algorithmen laufen 15 Mal unabhängig voneinander.

Wie in Tabelle 5 gezeigt, bietet der verbesserte Algorithmus offensichtliche Vorteile in Bezug auf Lösungsstabilität und Konvergenzgeschwindigkeit, und die Konvergenzeffizienz ist besser als beim klassischen Algorithmus, da zum ersten Mal der Durchschnittswert der optimalen Lösung ermittelt wird. Darüber hinaus lässt sich eine bessere Stabilität durch Varianz und Schiefe veranschaulichen.

Wie in Abb. 14 dargestellt, können gemäß der Dateneingabe in Tabelle 5 beide Sätze von Algorithmen letztendlich zur optimalen Lösung konvergieren, da die maximale Anzahl von Lösungsräumen der Modellpopulation in diesem Artikel der Anzahl der Anordnungsergebnisse der vier entspricht -Wege-Shuttle und der Aufzug und seine Aufgaben sowie die individuellen Lösungen in jeder Population sind diskret. Die Grafik zeigt jedoch, dass der verbesserte Algorithmus bei dieser Berechnung etwa 20-mal zur optimalen Lösung konvergiert; Der klassische Algorithmus wird jedoch etwa 35-mal optimal. Der klassische Algorithmus wird jedoch bei etwa 35 Mal optimal. In dieser Simulationsaufgabe wurden nur vier Jobs verwendet, und die Konvergenzeffizienz des verbesserten Algorithmus wird mit zunehmender Anzahl von Aufgaben offensichtlichere Vorteile haben. Gemäß den Ergebnissen der Algorithmusoperation wird die optimale Lösung erhalten, wie in Tabelle 6 gezeigt.

Der Konvergenztrend des verbesserten Algorithmus und des herkömmlichen Algorithmus zeigt, dass der verbesserte Algorithmus offensichtliche Vorteile hinsichtlich der Lösungsstabilität und der Konvergenzgeschwindigkeit aufweist.

In der obigen Tabelle können wir sehen, dass die Planungssequenz für Vier-Wege-Shuttle und Hubwerk wie folgt lautet:\(({R}_{1})\to (\mathrm{4,9},7)\to {E}_ {1}, ({R}_{2})\to (\mathrm{5,11,5})\to {E}_{2},({R}_{3})\to (\mathrm {2,7},3)\to {E}_{3} , ({R}_{4} )\to (\mathrm{3,6},4)\to {E}_{4}\ ), wobei \(({R}_{1})\) und \(({R}_{3})\) das Vier-Wege-Shuttle den eingehenden Vorgang abschließen, \(({R}_{2}) \) und \(\left({R}_{4}\right)\) Vier-Wege-Shuttle schließen den Hinflugvorgang ab. Operationen. Die Gesamtzeit für den Inbound-Vorgang beträgt 21,3 s und der Gesamtweg 23 m. Die Gesamtzeit für den ausgehenden Vorgang beträgt 24,71 s; Der Gesamtweg beträgt 30 m.

Die Hauptarbeit dieser Arbeit besteht darin, die Planung und automatische Pfadfindung für die Zu- und Abgangsaufgaben des Vier-Wege-Shuttlesystems zu optimieren. Für das Vier-Wege-Shuttle-System mit mehreren Vier-Wege-Shuttles und mehreren Aufzügen analysieren wir den Fluss des Vier-Wege-Shuttle-Systems und erstellen ein mathematisches Modell zur Planungsoptimierung auf Basis der kürzesten Zeitspanne. Für das Modell in diesem Artikel wird das optimierte mathematische Modell mithilfe eines verbesserten genetischen Algorithmus zur Lösung der Aufgabenplanung und eines verbesserten \({A}^{*}\)-Algorithmus zur Optimierung des Pfads innerhalb der Schelfschicht in Kombination mit gelöst die Eigenschaften des Modells. Es werden konfliktfreie optimale Pfade für parallel auf jeder Ebene operierende Vier-Wege-Shuttles gesucht, und die Konfliktkontrolle des Vier-Wege-Shuttle-Systems erfolgt mithilfe der dynamischen Graphentheorie und des zeitfensterbasierten \({A}^{* }\)-Algorithmus. Zunächst wird in diesem Artikel ein Optimierungsmodell erstellt, das auf einem verbesserten genetischen Algorithmus basiert, um eingehende und ausgehende Betriebsaufgaben für das Lagerlayout und die strukturellen Eigenschaften des Vier-Wege-Shuttle-Systems in kürzester Zeit zu planen. Zweitens schlägt dieser Artikel ein innovatives Algorithmusdesign für den Parallelbetrieb eines Vier-Wege-Shuttles und eines Hebezeugs sowie die automatische Wegfindung des Vier-Wege-Shuttles ohne Einschränkungen der Bewegungsrichtung vor. Gemäß dem Aufgabenplanungsoptimierungsmodell für eingehende und ausgehende Vorgänge wird ein verbessertes Lösungsmodell für genetische Algorithmen vorgeschlagen. Das dynamische Straßennetz und der verbesserte, auf Zeitfenstern basierende Algorithmus dienen zur Vermeidung von Hindernissen beim Betrieb mehrerer Vierwege-Shuttles aufgrund der möglichen Überlappung von Bewegungspfaden, wenn mehrere Vierwege-Shuttles parallel in einer Ebene verkehren, und der möglichen Überlappung von Bewegungspfaden Konflikt, den Überlappungsbereich innerhalb desselben Zeitraums zu erreichen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Automatisiertes Lager-/Bereitstellungssystem

Shuttlebasierte Ein- und Auslagerung

Wer zuerst kommt, mahlt zuerst

Automatisiertes Lager- und Bereitstellungssystem für Fahrzeuge

Lagerung/Abruf

Lee, SG, Souza, RD & Ong, EK Simulationsmodellierung eines automatisierten Schmalgang-Lager- und Bereitstellungssystems (AS/RS), das von schienengeführten Fahrzeugen bedient wird. Berechnen. Ind. 30(3), 241–253. https://doi.org/10.1016/0166-3615(96)00025-5 (1996).

Artikel Google Scholar

Fukunari, M. & Malmborg, CJ Ein Netzwerk-Warteschlangen-Ansatz zur Bewertung von Leistungskennzahlen in autonomen Lager- und Bereitstellungssystemen für Fahrzeuge. EUR. J. Oper. Res. 193(1), 152–167. https://doi.org/10.1016/j.ejor.2007.10.049 (2009).

Artikel MATH Google Scholar

Wauters, T., Villa, F., Christiaens, J., Alvarez-Valdes, R. & Vanden Berghe, G. Ein Zerlegungsansatz für automatisierte Dual-Shuttle-Lager- und Bereitstellungssysteme. Berechnen. Ind. Eng. 101, 325–337. https://doi.org/10.1016/j.cie.2016.09.013 (2016).

Artikel Google Scholar

Tappia, E., Roy, D., de Koster, R. & Melacini, M. Modellierung, Analyse und Designerkenntnisse für Shuttle-basierte Kompaktspeichersysteme. Transp. Wissenschaft. 51(1), 269–295. https://doi.org/10.1287/trsc.2016.0699 (2016).

Artikel Google Scholar

Epp, M., Wiedemann, S. & Furmans, K. Ein zeitdiskreter Warteschlangennetzwerkansatz zur Leistungsbewertung autonomer Fahrzeuglager- und -abrufsysteme. Int. J. Prod. Res. 55(4), 960–978. https://doi.org/10.1080/00207543.2016.1208371 (2017).

Artikel Google Scholar

Tian, ​​GD et al. Recycling verbrauchter Lithium-Ionen-Batterien: Eine umfassende Übersicht zur Identifizierung der wichtigsten Herausforderungen und zukünftigen Forschungstrends. Aufrechterhalten. Energietechnologie. Bewerten. 53, 102447. https://doi.org/10.1016/j.seta.2022.102447 (2022).

Artikel Google Scholar

Zhao, X. et al. Analyse des Shuttle-basierten Lager- und Bereitstellungssystems. IEEE Access 8, 146154–146165. https://doi.org/10.1109/ACCESS.2020.3014102 (2020).

Artikel Google Scholar

Eder, M. Ein Ansatz zur Leistungsberechnung von Shuttle-basierten Lager- und Bereitstellungssystemen mit mehrfachtiefer Lagerung. Int. J. Adv. Hersteller Technol. 107(1–2), 859–873. https://doi.org/10.1007/s00170-019-04831-7 (2020).

Artikel Google Scholar

Ekren, BY & Akpunar, A. Ein auf einem offenen Warteschlangennetzwerk basierendes Tool für Leistungsschätzungen in einem Shuttle-basierten Lager- und Bereitstellungssystem. Appl. Mathematik. Modell. 89(2), 1678–1695. https://doi.org/10.1016/j.apm.2020.07.055 (2021).

Artikel MathSciNet MATH Google Scholar

Ekren, BY Eine mehrstufige Optimierungsstudie für den Entwurf eines AVS/RS-Lagers. Int. J. Prod. Res. 59(4), 1107–1126. https://doi.org/10.1016/j.cor.2017.02.012 (2020).

Artikel Google Scholar

Hu, CH & Egbelu, PJ Ein Rahmenwerk für die Auswahl von Standorten im Leerlauf von Fahrzeugen in einem fahrerlosen Transportsystem. Int. J. Prod. Res. 38(3), 543–562. https://doi.org/10.1080/002075400189293 (2000).

Artikel MATH Google Scholar

Saez, D., Cortes, CE & Nunez, A. Hybride adaptive prädiktive Steuerung für das dynamische Abhol- und Lieferproblem mehrerer Fahrzeuge basierend auf genetischen Algorithmen und Fuzzy-Clustering. Berechnen. Oper. Res. 35(11), 3412–3438. https://doi.org/10.1016/j.cor.2007.01.025 (2008).

Artikel MATH Google Scholar

Chung, E. & Lee, HF Genetischer Algorithmus für das verallgemeinerte Sequenzierungsproblem für automatisierte Lager- und Bereitstellungssysteme. Int. J. Serv. Oper. Inf. 3(1), 90–106. https://doi.org/10.1504/IJSOI.2008.017707 (2008).

Artikel Google Scholar

Wang, YY, Mou, SD & Wu, YH Aufgabenplanung für mehrstufige Shuttle-Lagersysteme. Int. J. Prod. Res. 53(19), 5884–5895. https://doi.org/10.1080/00207543.2015.1012604 (2015).

Artikel Google Scholar

Li, Y., Lim, MK & Tseng, ML Ein umweltfreundliches Fahrzeugroutenmodell basierend auf einer modifizierten Partikelschwarmoptimierung für die Kühlkettenlogistik. Ind. Geschäftsführer Datensystem. 119(3), 473–494. https://doi.org/10.1108/IMDS-07-2018-0314 (2019).

Artikel Google Scholar

Li, Y. Forschung zur Optimierung des Fahrzeugwegs in der Logistikverteilung auf der Grundlage eines simulierten Glühalgorithmus. Adv. Multimed. 2022, 7363279. https://doi.org/10.1155/2022/7363279 (2022).

Artikel Google Scholar

Alnowibet, KA, Mahdi, S., El-Alem, M., Abdelawwad, M. & Mohamed, AW Geführter Hybrid-modifizierter Simulated-Annealing-Algorithmus zur Lösung eingeschränkter globaler Optimierungsprobleme. Mathematik 10(8), 1312. https://doi.org/10.3390/math10081312 (2022).

Artikel Google Scholar

Liu, Y., Zhang, SY & Hu, HY Ein simulierter Annealing-Algorithmus mit Tabu-Liste für das Multisatelliten-Downlink-Planungsproblem unter Berücksichtigung der Wartezeit. Luft- und Raumfahrt 9(5), 235. https://doi.org/10.3390/aerospace9050235 (2022).

Artikel Google Scholar

Kassaymeh, S. et al. Backpropagation-Optimierung neuronaler Netze und Modellierung der Softwarefehlerschätzung unter Verwendung eines auf Hybrid-Salp-Schwarmoptimierern basierenden simulierten Glühalgorithmus. Wissen. Basierend auf Syst. 244, 108511. https://doi.org/10.1016/j.knosys.2022.108511 (2022).

Artikel Google Scholar

Lee, T. & Ueng, J. Eine Studie zu Fahrzeugroutenproblemen beim Lastausgleich. Int. J. Phys. Vertrieb. Logistiker. Geschäftsführer 29(9–10), 646–657. https://doi.org/10.1108/09600039910300019 (1999).

Artikel Google Scholar

Su, C. Dynamische Fahrzeugsteuerung und -planung eines physischen Verteilungssystems mit mehreren Depots. Integr. Hersteller Syst. 10(1), 56–65. https://doi.org/10.1108/09576069910247609 (1999).

Artikel Google Scholar

Taniguchi, E., Thompson, RG, Yamada, T. & Duin, RV-Fahrzeugrouting und -planung mit ITS. In City Logistics 137–174 https://doi.org/10.1108/9780585473840-007 (2001).

Taniguchi, E., Yamada, T. & Tamaishi, M. Modellierung dynamischer Fahrzeugroutenführung und -planung mit Echtzeitinformationen zu Reisezeiten. In Transport und Verkehrstheorie im 21. Jahrhundert 329–347 https://doi.org/10.1016/B978-008043926-6/50019-1 (2002).

Taniguchi, E. & Yamada, T. Zuverlässige Fahrzeugrouting und -planung mit Zeitfenstern für die Stadtlogistik. In The Network Reliability of Transport 301–322 https://doi.org/10.1108/9781786359544-018 (2003).

Yang, P., Tao, PR, Xu, P. & Gong, YM Biobjektive Betriebsoptimierung in automatisierten Multi-Shuttle-Lager- und Bereitstellungssystemen zur Reduzierung von Reisezeit und Energieverbrauch. Ing. Optim. https://doi.org/10.1080/0305215X.2022.2096881 (2022).

Artikel Google Scholar

Polten, L. & Emde, S. Multi-Shuttle-Kranplanung in automatisierten Lager- und Bereitstellungssystemen. EUR. J. Oper. Res. 302(3), 892–908. https://doi.org/10.1016/j.ejor.2022.01.043 (2022).

Artikel MathSciNet MATH Google Scholar

Zhen, L., Wu, JW, Li, HL, Tan, ZY & Yuan, YY Planung mehrerer Gerätetypen in einem automatisierten Lager. Ann. Oper. Res. https://doi.org/10.1007/s10479-022-04935-6 (2022).

Artikel PubMed PubMed Central Google Scholar

Fandi, W., Kouloughli, S. & Ghomri, L. Optimierung der Multi-Shuttle-AS/RS-Abmessungen mithilfe eines genetischen Algorithmus – Fall der Multi-Aisle-Konfiguration. Int. J. Adv. Hersteller Technol. 120(1–2), 1219–1236. https://doi.org/10.1007/s00170-022-08787-z (2022).

Artikel Google Scholar

Li, XW, Zhang, CR, Yang, WM & Qi, MY Multi-AGVs konfliktfreies Routing und dynamische Versandstrategien für automatisierte Lager. Im iCatse International Conference on Mobile and Wireless Technology (ICMWT)/iTAIWAN Workshop. Tagungsband. Hongkong, Hongkong. 25.–27. Juni https://doi.org/10.1007/978-981-13-1059-1_26 (2018).

Roy, D., Nigam, S., de Koster, R., Adan, I. & Resing, J. Roboter-Lagerzonenzuweisungsstrategien in mobilen Fulfillment-Systemen. Transp. Res. E-Log. 122, 119–142. https://doi.org/10.1016/j.tre.2018.11.005 (2019).

Artikel Google Scholar

Hulagu, S. & Celikoglu, HB Problem der Standortführung von Elektrofahrzeugen mit Energieverbrauch und -rückgewinnung auf Basis der Fahrzeugbewegungsdynamik. IEEE Trans. Intel. Transp. Syst. 23(8), 10275–10286. https://doi.org/10.1109/TITS.2021.3089675 (2022).

Artikel Google Scholar

Huda, RK & Banka, H. Effiziente Methoden zur Merkmalsauswahl unter Verwendung von PSO mit Fuzzy-Rough-Set als Fitnessfunktion. Soft Comput. 26(5), 2501–2521. https://doi.org/10.1007/S00500-021-06393-X (2021).

Artikel Google Scholar

Hassan, A., Anter, A. & Kayed, M. Ein robuster Clustering-Ansatz zur optimierten Verlängerung der Lebensdauer drahtloser Sensornetzwerke mit einer neuartigen Fitnessfunktion. Aufrechterhalten. Berechnen. Informieren. Syst. 30, 100482. https://doi.org/10.1016/j.suscom.2020.100482 (2021).

Artikel Google Scholar

Brookes, DH, Aghazadeh, A. & Listgarten, J. Über die Sparsamkeit von Fitnessfunktionen und Implikationen für das Lernen. Proz. Natl. Acad. Wissenschaft. https://doi.org/10.1073/PNAS.2109649118 (2022).

Artikel PubMed Google Scholar

Meysam, M., Seyed, SF, Soodabeh, M., Leyla, ST & Mirpouya, M. Ein modifizierter adaptiver genetischer Algorithmus für das Problem der Bestandsführung mit mehreren Produkten und mehreren Perioden. Aufrechterhalten. Oper. Berechnen. 3, 1–9. https://doi.org/10.1016/J.SUSOC.2021.08.002 (2022).

Artikel Google Scholar

Xue, Y., Cai, Appl. Soft Comput. J. 127, 109420. https://doi.org/10.1016/J.ASOC.2022.109420 (2022).

Artikel Google Scholar

Tsai, CY, Liou, JJH & Huang, TM Verwendung einer Multiple-GA-Methode zur Lösung des Batch-Picking-Problems: Berücksichtigung der Reiseentfernung und der Fälligkeitszeit der Bestellung. Int. J. Prod. Res. 46(22), 6533–6555. https://doi.org/10.1080/00207540701441947 (2008).

Artikel MATH Google Scholar

Chen, HW, Liu, SM, Magomedov, RM & Davidyants, AA Optimierung der Zuflussleistungsbeziehungskurven für ein Ölreservoir durch einen genetischen Algorithmus gekoppelt mit künstlichen neuronalen Intelligenznetzwerken. Energy Rep. 7, 3116–3124. https://doi.org/10.1016/J.EGYR.2021.05.028 (2021).

Artikel Google Scholar

Vishnu, CR, Das, SP, Sridharan, R., Kumar, PNR & Narahari, NS Entwicklung eines zuverlässigen und flexiblen Supply-Chain-Netzwerkdesignmodells: Ein auf genetischen Algorithmen basierender Ansatz. Int. J. Prod. Res. 59(20), 6185–6209. https://doi.org/10.1080/00207543.2020.1808256 (2021).

Artikel Google Scholar

Saidat, S., Junoh, AK, Muhamad, WZAW & Yahya, Z. Modifizierte Werkstattplanung mittels Taguchi-Methode und genetischem Algorithmus. Neuronale Berechnung. Appl. 34(3), 1963–1980. https://doi.org/10.1007/S00521-021-06504-7 (2021).

Artikel Google Scholar

Duan, QF & Rane, D. Der Weg der Wiederbelebung der ländlichen Industrie auf der Grundlage eines verbesserten genetischen Algorithmus im Internetzeitalter. Berechnen. Intel. Neurosci. 2022, 1632224. https://doi.org/10.1155/2022/1632224 (2022).

Artikel PubMed PubMed Central Google Scholar

Hua, ZM, Liu, ZY, Yang, LJ & Yang, L. Verbesserter genetischer Algorithmus basierend auf der Zeitfensterzerlegung zur Lösung ressourcenbeschränkter Projektplanungsprobleme. Autom. Konstr. 142, 104503. https://doi.org/10.1016/J.AUTCON.2022.104503 (2022).

Artikel Google Scholar

Zhang, Z., Wu, J., Dai, J. & He, C. Optimale Pfadplanung mit modifiziertem A-Star-Algorithmus für unbemannte Stealth-Luftfahrzeuge in einer 3D-Netzwerkradarumgebung. Proz. Inst. Mech. Ing. Teil G J. Aerosp. Ing. 236(1), 72–81. https://doi.org/10.1177/09544100211007381 (2022).

Artikel Google Scholar

Wang, DJ Indoor-Pfadplanung für mobile Roboter basierend auf einem verbesserten A*-Algorithmus. J. Tsinghua Univ. Nat. Wissenschaft. Edn. 52(8), 1085–1089 (2012).

Google Scholar

Zhao, X., Wang, Z. & Huang, CK Mobile Roboterbahnplanung basierend auf einem verbesserten A*-Algorithmus. Roboter 40(6), 903–910. https://doi.org/10.13973/j.cnki.robot.170591 (2018).

Artikel Google Scholar

Ma, L., Zhang, HT, Meng, SJ & Liu, JY Pfadplanung für Vulkanascheregionen basierend auf einem verbesserten A*-Algorithmus. J. Adv. Transp. 2022, 9938975. https://doi.org/10.1155/2022/9938975 (2022).

Artikel Google Scholar

Referenzen herunterladen

An dieser Stelle möchten wir uns ganz herzlich bei allen Gutachtern und Herausgebern bedanken.

School of Transportation, Jilin University, Changchun, 130022, China

Jia Mao, Jinyuan Cheng und Baogui Cao

Hochschule für Fahrzeugtechnik, Jilin-Universität, Changchun, China

Xiangyu Li

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben wesentliche Beiträge zu der im Manuskript beschriebenen Arbeit geleistet (z. B. technische Hilfe, Unterstützung beim Schreiben und Bearbeiten sowie allgemeine Unterstützung). Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Baogui Cao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Mao, J., Cheng, J., Li, X. et al. Forschung zur Planungsoptimierung von Vier-Wege-Shuttle-basierten Lager- und Bereitstellungssystemen. Sci Rep 13, 3999 (2023). https://doi.org/10.1038/s41598-023-31050-8

Zitat herunterladen

Eingegangen: 28. Oktober 2022

Angenommen: 06. März 2023

Veröffentlicht: 10. März 2023

DOI: https://doi.org/10.1038/s41598-023-31050-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.