文摘

本文研究遗传算法,解决车间调度问题的前提下布局 。首先,双层编码用于优化。当计算健身,回到嘴通过贪婪的想法趋于最优。个人通过轮盘赌方法进行筛查。不同的交叉和遗传算子用于不同编码层。通过思维的精英主义和灾难和移民算子,以确保算法的多样性在计算过程中,它可以实现汽车的数量的建议来控制成本。算法的稳定性很好。它可以推荐一个更好的选择顺序和数量的车为各种类型的选择问题。

1。介绍

近年来,德国已经提出了“工业4.0”项目,它使用物联网信息系统以洋地黄治疗和智能化供应、制造、生产和销售信息。最后,达到快速有效的、个性化的产品供应。的“智能物流”三个主题,“智能工厂,”“智能生产”和“智能物流”强调了整合物流资源通过互联网,物联网,物流网络。它给充分发挥供应商的效率,加快服务请求者的比赛。提出中国相应的智能制造2025年计划。

与今天的蓬勃发展的电子商务和快递行业,刚性需求的仓储和物流行业也进入了一个广泛的新形势。工业化的过程和服务的多元化工业、仓储、物流、分销行业出现的新需求“多品种,小批量,多批次。“今天的传统仓储和物流服务已经逐渐无法适应我国的经济发展。如何提高仓储物流的流通效率,降低流通成本已经成为一个主要的和困难的问题解决迫切的仓储企业。

近年来,国外学者创新仓库的布局。2009年,美国学者想和情节剧电影(1]研究非传统布局 ,这缩短了挑选的距离仓库的仓库利用率。两者之间达到一个平衡。使用优化算法来解决类似的优化问题,许多学者也从不同的角度进行了大量的分析。廖et al。2]介绍了粒子群优化的基础上,传统的遗传算法,使算法具有更可靠的优化能力。Bo-Wen和华3]他们的工作基于初始解构造采用混沌初始化人口和精英保留优化结果结合并行处理来提高遗传算法种群的多样性,提高解决方案的质量。Minghai和桂花4),(音)和Yong-Jie [5孟,et al。6]分析了中国旅行商问题基于遗传算法和用于实现最优的解决方案。Togan和Daloglu7),分析的基础上的初始种群遗传算法的特点,提出了一种新的集团适应战略的概念,并使用自适应罚函数法和变异交叉算子获得自适应遗传算法。刘等人。8,9)考虑重建图像的点集,也具有一定的启发意义的创新仓库布局。

关于使用优化算法进行仓库货物,Steffey [10),黄等。11),Opetuk·杜基奇[12周],et al。13),波尔et al。14),徐和胡15],Ardjmand et al。16)使用鱼骨布局和人工鱼学校算法和改进的猫群算法,分别用遗传算法分析和比较发现仓库的选择路径和选择。关于货物的调度优化计划电车,Venkitasubramony和阿17]和Le Degui [18)(2013年)建造了一个仓库位置分配模型基于布局 ,使用遗传算法和蚁群算法相结合的混合算法,和改进的布局方法来优化分配的许多地方。模型是解决,结合仓库的例子,找到最好的仓库布局。杨et al。19)使用选择路径算法优化的蚁群算法,通过仿真,用于机器人自主导航,得出的结论是,蚁群算法优化路径问题可以有效和持续的生成更好的无碰撞路径。

穆罕默德et al。20.)提出了一个新颖的产品表面算法称为Gaining-Sharing——以知识为基础的算法(GSK)求解连续空间优化问题。实验结果表明,在鲁棒性方面,收敛,和质量的解决方案,GSK明显比,或至少与最先进的方法,尤其在解决优化问题突出的表现在高维度。

穆罕默德et al。21)提出了三个新的突变策略改进微分进化算法的优化性能,其中两个是高度竞争的,尤其是尺寸的增加。

通过引用不同学者和遗传算法的方法上面所提到的,直接操作结构对象,没有推导的局限性和函数的连续性,并内在的隐并行性和更好的全局优化能力,所以我们采用遗传算法优化结构。

这个话题将基于布局优化;同时,通过遗传算法的推荐选车的数量和路线的建议可以解决的问题,提高仓储物流的流通效率,降低流通费用(22]。

2。建模的距离

2.1。的布局

在文献[23),的布局仓库是如图1根据布局:货架上被放置 。整个仓库分为四个区域,如图,分为1 - 4。是仓库的入口和出口。每个方块都代表一个项目的存储位置,和黑色广场代表货物需要挑选。

一组数据 是用来表示商品的信息。数据定义如下: 表明货物所在地的区号。 表明货物的集装箱的数量。是1,4 = ,否则。 表示层数的集装箱货物所在地。货物的重量是多少 。口的表达 。

2.2。距离矩阵

给出了一些符号描述表1。

步骤1。建立直角坐标系,与协调积极的半轴和向上的正半轴。如图1网格是一个单位。

步骤2。把货物数量为 。

步骤3。计算从商品的距离并将两种商品的信息分成以下公式:

步骤4。计算商品之间的距离,把下标 两种商品为下面的公式:

3所示。遗传算法来解决这个问题

遗传算法是一种算法思想,模仿生物进化过程(24]。它首先货物编码,然后随机生成初始种群,并计算每个人的健身价值。经过的基因复制、变异和交叉。经过多次迭代的问题,为了确保生物多样性和避免过度集中,它被认为控制精英主义。最后,它产生最优解或近似最优解。

3.1。编码

摘要商品采用实数编码和编码的编码规则。使用这种编码方法,我们可以有效地解决无效编码在交叉和变异的情况。

例如, 解码后是实际订单。 。

编码的电车,我们假设每个个体的一级编码是固定的。那么这个问题转化为一个背包问题。最好是用二进制编码,为了解决这两个不同数量的个人汽车仍然可以交叉。我们放弃了实数编码和选择了二进制代码。位二进制指示是否货物 感动是新的电车。因此,代码长度是货物代码长度- 1。

的基础上的编码 ,假设 ,然后 分别是这三个车的选择顺序。

3.2。生成的初始种群

它生成的组 。也就是说,人口与个人 ,为了开展移民业务。

3.3。适应度函数

这个问题的适应度函数所示 在哪里是目标函数。在 , 是汽车的旅行时间最长。车的最短旅行时间。是汽车的数量。每个汽车的消费。

3.4。选择运营商

在正常情况下,选择运营商的设置遵循适者生存的原则。健身越大,可能性就越大,个体的基因会遗传到下一个人。相反,它减少了。

根据原理的轮盘赌方法,本文采用比例接线员:比例操作符的计算方法

人群中个体被选中的概率正比于个人的价值对应的适应度函数。所有个人的健身价值的人口是积累,然后归一化。最后相对应的个人选择随机数瀑布的地方通过随机数,作为选择算子。

3.5。交叉算子

根据不同情况下的两级编码,采用两个运营商。对于一级皮卡顺序编码,我们多点交叉使用。因为有更多的排列组合的方法,可能是伟大的。使用多点交叉可以增加个人组合的可能性,尽量避免算法进入局部最优的前提下基因丰富性。

第二层的皮卡车编码相对不太可能,因为它使用二进制编码。如果使用多点交叉,无效染色体更有可能产生。车后使用多点交叉的数量可能超过预定的最大价值。所以本文认为使用单点交叉。

3.6。变异算子

根据不同的编码条件下,两个突变运营商还收养了。二级皮卡的编码,我们还采用单点突变。

但在一级序列,由于突变,多样性的人口将会增加。因此,我们应该控制这种突变的程度达到收敛,防止局部优化。所以在(5),设置的数量节点方差(25]:

节点突变的数量控制在3节点。如果小,小于1,然后设置1个节点变化。如果该值更大,甚至大于3,只有3节点差异需要设置。

3.7。精英主义和集中控制

交叉和变异产生新一代的时候,我们可能会进化的过程中失去最优解。后,许多学者从不同的角度展示了精英主义的可行性,本文认为它可以被纳入模拟生物进化的遗传算法。然而,精英主义的出现方便了算法进入局部最优的情况。因此,我们需要控制当前最优解的浓度。

如果当前历史上一代是最好的一代时间,和它的浓度低于0.05%,我们将随机补充0.03%的个人。这将确保在此过程中可以获得的最优解保存。浓度不太高由于精英主义和破坏群体的多样性。

3.8。灾难算法

从精英主义的角度来看,我们认为如果算法发散的过程中失去最优解决方案。灾难是一种防止限制局部最优。从生物进化的角度来看,每一个新的霸王有一个共同的前提,这是前面的霸王的衰落。灾难已经成为一种打破局部最优。

灾难的情况(26]是一代又一代的最佳健康是相同的。95%的人消除。新的个体是随机生成的。然而,在算法结束,我们需要收敛结果,所以我们需要在过去的一段时间。

但是灾难不应该经常发生或将降至随机搜索算法。

3.9。移民算法

为个人在人群中常见的遗传算法,在这篇文章中,他们分为人口的个人。这增加基因的多样性。不容易失去其他人群的多样性,因为一个局部最优。

但对于这一人群 ,我们仍然需要将它们连接到达到收敛。因此,本文认为移民方法,概率判断是由每个人口。条件得到满足时,最优解的人口是随机随机个体随机人群覆盖。这保持种群的多样性。它也可以在个人收敛地区。

3.10。终止条件

终止条件和基本遗传算法是一致的想法,和确定代数算法停止。

3.11。算法结构

步骤1:随机生成的初始种群 。步骤2:计算距离矩阵(1)和(2)。步骤3.1:计算组健身通过(3)。步骤3.2:轮盘赌方法进行(4)选择组。步骤3.3:单点交叉和多点交叉使用两层编码,分别。单点交叉和自适应数字点交叉使用两层编码,和自适应点计算的数量(5)。步骤3.4:判断生成的新个体满足精英主义条件,如果满足条件,随机保留最优解决方案。步骤3.5:判断新生成的个体是否满足条件的灾难,如果是这样,随机个人将再生和编码。步骤3.6:为每个人口概率确定是否需要移民,和,如果有必要,其最优解随机个体在一个随机的人口。步骤3.7:确定是否需要计算的代数,如果它到达,停止和输出最优解。如果不是,跳到步骤3.1。

流程图如图2。

4所示。实验结果和分析

实验参数数据表2。

假设1。(1)平均采摘时间和平均卸货时间暂时不会被计算(2)电车忽略了在操作过程中相互碰撞

4.1。自行车小问题

当选择车的数量是固定的成本在1和选车是0,输入要捡起不同数量的数据表3。

从表3,我们可以看到,当解决自行车的问题,算法的稳定性好,但稳定性逐渐随采样器的数量的增加而减小。当采样器的数量太大,因为目标函数的值变大,适应太小,不容易观察。然而,在一般情况下,该算法仍然可以接近最优解。基于方差判断,该算法是解决单车皮卡问题更稳定。

4.2。固定Multivehicle小问题

当数量是固定在20和选车的价格是0,进入许多不同的小货车的数据表4。

从表4,我们可以看到,当解决multivehicle问题,算法的稳定性与汽车的数量有关。随着汽车数量的增加,由于增加稳定开始下降的组合。但根据组合的性质数量和最后一组数据,我们可以推断当电车的数量达到总数的一半货物,稳定开始上涨由于减少的组合。

根据实验结果,我们可以看到,该算法可以达到解决multivehicle问题时的最优解,可以解决这样的问题更稳定。

4.3。推荐的车数量

当数量是固定在20和车的最大数量是10,进入不同的每辆车的成本表中的数据5。

从表5,我们可以看到,随着皮卡的成本增加,推荐的皮卡也逐渐减少时,成本是无限的。

车变成了1的数量。同时,当成本更高,因为推荐的范围的汽车数量减少,该算法更加稳定和方差更小。获得的信息表5表明该算法可以推荐的路径和汽车的数量在一个相对稳定的情况下近似最优解。经过几代的进化,健身的人口遗传算法将理想达成约最佳状态,所以我们认为,上述结果是可以接受的。

5。结论

从结果中,我们可以看到一些遗传算法的优点:能够快速搜索和随机不关心问题域。从组,搜索潜在的并行性,可以与多个个体同时具有良好的鲁棒性。搜索是受评价函数和过程很简单。使用一个迭代概率机制,它具有随机性。它是可扩展的,易于与其他算法相结合。拣选路径的优化起着重要的作用在减少物流配送中心的运营成本,提高物流效率和客户服务能力。建立一个数学模型的特征问题。载荷约束和实际情况选择卡车的数量。一个两层编码遗传算法旨在解决这些问题,实现降低成本的目标的建议选车的数量和路径。通过测试,相信该算法在较小的数据往往是稳定的。 It can achieve the goal of improving the circulation efficiency of warehousing and logistics and reducing circulation fees.

数据可用性

数据包括支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的2019项目的基础研究能力增强广西大学中青年教师(2019 ky1046),安徽的本质和科学基金会(2008085 qa08),学校信息技术研究所的科研项目制度,(B201911)、黑龙江省科学技术研究项目教育部(12543079),广西大学生创新训练项目(201913644036),和2020项目Three-Wide学校教育信息技术学院的制度(2020 sq03)。