具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1

为解决现有技术中存在的问题，本发明于一实施例中提供一种仓储系统的调度优化方法，用于对仓储系统内货物出入库进行调度。

所述仓储系统如图1所示，为多深度四向穿梭车仓储系统，包括存储货区1、道路网络2、四向穿梭车3、输送系统4及控制系统(图中未标识)。

其中，所述存储货区1内具有多个存储货位；于一具体实施方式中，所述存储货区包括多深度高密存储货架；

所述道路网络2包括主干道路和储货巷道；其中所述主干道用于连接各储货区，所述储货巷道位于存储货区内，以供所述四向穿梭车穿行和存取货物；

所述四向穿梭车3用于实现货物的水平运输，可以沿着储货巷道及货架横向和纵向行驶。当四向穿梭车处于空载状态时，可以在存有货物的储货巷道中自由穿梭，到达所述仓储系统中的任意存储货区；当四向穿梭车处于载货状态时，只能在空闲的存储巷道及主干道上行驶。

所述输送系统4位于该仓储系统的入库口和出库口，用于实现货物的进出转运；

所述控制管理系统负责整个仓储系统的设备监控和作业任务下达。

需要注意的是，所述仓储系统中可以同时设有多个四向穿梭车执行出入库作业，以提高所述仓储系统的灵活性。

所述仓储区内的道路网络包括道路和各道路之间的交叉路口；所述道路至少包括用于通行的主干道和用于载货/卸货的巷道。

于本实施例中，所述仓储系统的调度优化方法如图2所示，包括以下步骤：

S1：采用图论方法构建所述仓储系统的道路定向策略；

所述道路定向策略为所述仓储系统中所述道路网络的定向模型，即确定所述仓储系统内各道路的通行方向，以使各道路相互联通且均具有通行方向。

具体的，该步骤如图3所示，包括以下子步骤：

S101，采用有向图表达法构建仓储系统内道路网络分布的初始有向图，并对所述初始有向图中的各边进行定向；

采用有向图表达法将所述仓储系统内的所述道路网络的分布转换为初始有向图G＝{V(G),E(G)}，将所述道路网络中的各主干道和各储货巷道抽象成所述初始有向图G中的边，将交叉路口抽象成所述初始有向图G中的顶点。

基于所述交通网络中的各道路预设的通行方向，对所述初始有向图G中对应的各边进行定向，使所述初始有向图转换具有连通性。

S102，采用Hopcroft-Tarjan算法，将所述初始有向图转变为强连通定向图；

由于所述初始有向图中含有割边，本发明采用Hopcroft-Tarjan算法，将所述初始有向图转变为强连通定向图，以保证所述仓储系统中多台四向穿梭车可以同时作业，进而包括所述仓储系统中多个四向穿梭车能流畅运行。

具体的，包括以下步骤：

步骤1：任取G中的一个顶点v，令l(v)＝1，L＝{v}，U＝V-{v}，

步骤2：在L中取顶点u，使得l(u)最大并且满足在U中存在与u相邻的顶点，然后从U中取一个与u相邻的顶点w，使得边uw成为有向边u→w，同时令l(w)＝l(u)+1，L＝L∪{w}， U＝U-{w}，A＝A∪{u→w}；

步骤3：若L≠V，转向步骤2，否则执行步骤4；

步骤4：对当前还未定向的边mn，按照以下方法进行定向：若l(m)＞l(n)，则指定方向后的边为m→n，否则边为n→m。

上述步骤中，v、u和w均表示单个交叉路口，V表示所有交叉路口的总集合，R代表已经确定方向的道路的集合，L为已经给出标号的交叉路口的集合，U为还未给出标号的交叉路口的集合，mn表示未定向的道路。

进一步的，根据所述仓储系统的布局特征和出入库特征，将所述强连通定向图与所述出入库口路段的道路定向信息相结合，以获得所述仓储系统最终的所述道路定向策略。

其中，所述仓储系统最终的所述道路定向策略即最终的所述道路定向图，如图4所示。

S2，基于所述道路定向策略，构建所述调度时间模型；根据所述调度时间模型，和所述仓储系统的调度规则，确定所述调度时间模型的模型约束。

所述调度时间模型为基于所述道路定向策略，根据所述仓储系统的出入库调度任务、所述出入库作业流程和所述仓储系统布局特征，构建的各四向穿梭车完成作业任务所需时间的模型，为所述调度方案中的调度位置信息与所述调度时间之间的关联函数。

其中，于本实施例中，所述出入库调度任务包括入库调度任务和出库调度任务；当接收到所述入库调度任务时，所述四向穿梭车执行的入库调度流程如图5中的左侧流程图所示，包括：

1)、四向穿梭车于接收到所述入库调度任务后，从当前位置运行至入库口，从入库口处取得货物，此时四向穿梭车从空车状态变为载货状态；

2)、以所述入库调度任务中的目标货位所在的储货巷道入口为目的地，根据所述最终道路定向图，获取该四向穿梭车当前的入库规划路径；

3)、该四向穿梭车根据当前的所述入库规划路径行驶至所述目标货位的所在储货巷道，到达目标货位后放置货物，并将更新该货位的货位状态信息，则所述入库调度任务完成。

当接收到所述出库调度任务时，所述四向穿梭车执行的出库调度流程图5中的右侧流程图所示，包括：

1)、当出库调度任务产生时，任务对应的货位状态发生改变，表示该货位将由货物出库，不再产生其他的出库任务；

2)、四向穿梭车于接收到所述出库调度任务后，从当前位置运行至目标货位，从目标货位处取得货物，此时四向穿梭车从空车状态变为载货状态；

3)、以所述出库调度任务中的出库口为目的地，根据所述最终道路定向图，获取该四向穿梭车当前的出库规划路径；

4)、四向穿梭车根据所述当前的出库规划路径运行至出库口并放置货物，并将更新该货位的货位状态，则所述出库调度任务完成。

于本实施例中，所述仓储系统的调度任务信息可以描述为：将n个出入库任务分配给m 辆四向穿梭车执行，全部任务集A＝{A₁,A₂,…,A_m}，四向穿梭车集S＝{s₁,s₂,…,s_m}；第i辆四向穿梭车分得任务集为其中，n表示总的任务数量；k为分配至第i辆四向穿梭车的任务数量。

所述目标函数中编号为i的四向穿梭车完成k_i个任务的调度时间如下：

其中，j为第i四向穿梭车分得任务的编号；为第i四向穿梭车执行第j任务的载货阶段运行时间；为第i四向穿梭车执行第j任务的空车阶段运行时间；sPos_j为第j任务的起点；ePos_j为第j任务的终点。

获取各四向穿梭车的起点位置信息，和各任务信息中包含的位置信息，基于所述最终道路定向图，获取各车辆对应的规划路径；并基于所述规划路径获取四向穿梭车的调度时间。

由于出入库调度任务包括入库调度任务和出库调度任务；则对于入库调度任务，单个四向穿梭车首先从起始点运行至所述入库口装载货物，然后根据所述最终定向图，获取相应的规划路径，基于该规划路径从所述入库口运行至任务对应的目标货位，空载阶段运行时间为：

满载过程运行时间为：

其中，l为单个货位长度，w为单个货位宽度，t_u为四向穿梭车转向时间，t_o为四向穿梭车在出入口处装卸载时间，t_s为四向穿梭车在货位处装卸载时间，v为四向穿梭车平均速度， (x_out,y_out)为出库口坐标，(x_e,y_e)为目标货位坐标，a表示空载阶段四向穿梭车转向次数，b表示满载阶段四向穿梭车转向次数。

对于出库调度任务，单个四向穿梭车首先从起始点运行至目标货位，然后基于所述最终定向图，获取相应的规划路径，则基于该规划路径从由目标货位运行至所述出库口，其空载阶段运行时间为：

其中，(x_in,y_in)为入库口的坐标；

满载过程运行时间为：

其中，h为储货区中储货巷道的数量，c表示出库空载阶段四向穿梭车转向次数，由四向穿梭车的初始坐标相对于目标货位的位置和所述仓储系统布局特征确定，d表示出库满载阶段四向穿梭车转向次数，由入库口相对于目标货位的位置和所述仓储系统布局特征确定。

为确保在满足所述调度规则条件的基础上，合理安排四向穿梭车任务分配方式；基于所述调度时间模型和仓储系统的调度规则，确定所述调度时间模型的模型约束，至少包括：

约束1：每辆四向穿梭车至少分配一个任务，即：

k_i＞0,i∈[1,m]

约束2：每辆四向穿梭车在空载阶段运行时间不能为负值，即：

约束3：四向穿梭车在装载阶段运行时间必须为正值，即：

约束4：各四向穿梭车执行的任务数的总和为总任务数，即：

约束5：单个任务只能由一辆四向穿梭车执行，即：

其中，k_i表示第i台四向穿梭车分配的任务数量，j为编号为i的四向穿梭车分得任务的编号，为编号为i的四向穿梭车执行编号为j任务的空车阶段运行时间，为编号为i的四向穿梭车执行编号为j任务的载货阶段运行时间，A_i表示第i台四向穿梭车的任务集合，A_q和A_w分别表示第_q和第w台四向穿梭车的任务集合。

所述仓储系统调度的优化目标为完成所有调度作业任务的调度时间最小化，即让各四向穿梭车完成出入库任务的总时间最少。基于该优化目标，确定所述仓储系统调度时间模型的目标函数如下：

fun C＝min(max(T_i))

S3，基于所述调度时间模型和所述模型约束，以所述调度时间最小为优化目标，采用混合遗传算法对所述初始调度方案集进行优化，获得优化后的新调度方案集。

所述初始调度方案为基于仓储系统的总任务信息，由外部输入或通过其他方式预先获得的出入库初始调度方案，以使各出入库调度作业通过各四向穿梭车执行完成。

于本发明中，所述混和遗传算法采用将模拟退火算法(SA)较强的局部搜索能力引入到遗传算法的搜索过程中，该算法兼具遗传算法的全局搜索能力和模拟退火算法高效的局部搜索能力。

本发明采用的所述混合遗传算法的原理为：首先利用遗传算法对初始种群进行遗传操作，以达到进化种群的目的，再通过模拟退火算法的Metropolis抽样过程对遗传算法进化得到的结果进行抽样判定；以及，将抽样得到的结果作为为遗传算法进行下一代进化操作的初始种群，重复该过程，以获得优化结果，即获得优化后的新调度方案集。

于本实施例中，该步骤具体如图6所示，包括以下子步骤：

S301，基于所述调度时间模型，从所述初始调度方案集中筛选出较优调度方案子集；

其中，所述较优调度方案子集的总调度时间少于所述初始调度方案集中除所述较优调度方案子集之外的其他调度方案子集；

具体的，所述步骤S301包括：

1)计算所述初始调度方案集中各调度方案的调度时间，基于所述调度时间计算各调度方案的适应度，并对各调度方案的适应度进行排序；

基于各四向穿梭车的最大完成时间，构建适应度的函数，如下：

其中，Y为各四向穿梭车的适应度；T_max表示各四向穿梭车执行任务的最大完成时间，即执行各任务所需完成时间中的最大完成时间；T₁为第一四向穿梭车执行完任务所需的最大完成时间；T_m为第m四向穿梭车执行完任务所需的最大完成时间。

2)通过锦标赛选择法于所述初始调度方案集中选择适应度高的各调度方案，以获得所述较优调度方案子集；

所述选择过程为采用锦标赛方法进行调度方案的选择操作，每次选取2个调度方案进行适应度比较，将适应度值高的调度方案放入交叉池，循环操作从而得到数量为N的种群；所述种群为所述较优调度方案子集。

其中，P表示锦标赛选择法中每个调度方案被选择的概率，N表示得到的种群数量，m_i表示当前任务i被索引的概率。

S302，采用双段染色体编码方法，构建所述较优调度方案子集中各调度方案对应的双段染色体编码；

具体的，为同时描述出入库调度任务的执行顺序及分得任务的四向穿梭车两种信息，采用如图7所示的双段染色体编码方法。所述双段染色体编码包括第一编码和第二编码；其中，第一编码为基于任务序号的编码，每个编码代表一个相应的出入库调度任务，用于表示各出入库调度任务的执行顺序；第二编码为基于各四向穿梭车分得任务个数的编码，其中的每个编号代表四向穿梭车执行任务的数量。

每一个双段染色体编码对应一个调度方案，以描述每辆四向穿梭车所分配的任务数及每辆四向穿梭车所分配任务执行顺序。

S303，基于所述模型约束，对所述较优调度方案子集中各调度方案进行交叉和变异操作，以获得交叉变异后的调度方案；

采用自适应交和变异方法，对步骤S301选出的所述较优调度方案子集中的各调度方案对应的双段染色体编码进行交叉和变异，以避免算法出现早熟和局部收敛问题。

所述交叉过程为采用两点交叉方式对所述双段染色体编码中的所述任务码即所述第一编码进行交叉，如图8所示。图中父代1和父代2为交叉前的两个所述第一编码，子代1和子代2为交叉后的两个所述第一编码。

对于所述第二编码，即车辆编码部分，如果使用两点交叉法进行交叉操作会使得四向穿梭车执行分得任务数量变化较大，则不利于进一步产生更优方案；因此，为了获取作业时间更短的调度方案，则直接将所述第二编码不进行交叉，直接保留至所述交叉变异后的调度方案中。

所述变异操作包括：对于所述第一编码进行交换变异操作。采用交换变异的方法，如图 9所示，随机选择两个变异点，交换变异点的编码数值，以得到新的调度方案；对于所述第二编码进行变异操作时，随机选取w个车辆，对所选取车辆对应分得任务数量采用邻值变异操作；其中，w为1-4之间的任意整数。

于执行变异操作过后，检查当前得到的染色体是否符合所述模型约束，对不符合所述模型约束的染色体再进行修正，直至满足所述模型约束。

所述修正方法如下：如图10所示，例如，当父代为[2,1,3,4]，选中[1,3,4]进行邻值变异操作，变异结果为[0,4,3]，此时2号车分得的任务数量为0。为了将0值基因修复，采用从当前基因最大值上减1，给0值基因加1，得到经过0值基因修复后的子代[2,1,3,3]，此时任务数量总和为9，小于变异前的任务数量总和10，将该差值加到基因最小值上，从而得到经过修复总和操作的子代[2,2,3,3]，该子代满足所述模型约束中所有约束条件。

于本实施例中，经过改进的变异方式可以避免产生非法解，进一步提高了可行解的搜索效率。

S304，基于任务排序的多位置邻域交换方法对交叉变异后的各调度方案进行优化，以获得新调度方案；

本发明提出了一种基于任务排序的多位置邻域交换法，能够有效增加调度方案的多样性。其交换过程可以描述为：对于交叉变异后的调度方案i，随机产生[1,40]区间内的k(k≤40) 个不同的整数：x₁,x₂,…x_k。依次对调度方案i的第x_i(1≤i≤40)位置的部分任务序列进行多位置邻域交换。首先，于[1,max]区间内随机确定一整数len，len是进行任务交换的长度，max为设置的最大值。然后，从当前的部分调度方案中随机选择两段长度为len的任务序列，进行标准邻域交换；并检验交换后的调度方案i'是否满足所述约束模型中的各约束条件，若满足，则保留交换，若不满足，则取消交换。重复上述过程，直到k个部分任务序列交换完毕后，输出交换后的新调度方案i'。

S306，检测所述新调度方案是否满足预设的优化判定条件，如是，则将所述新调度方案替换原调度方案，如否，则保留原调度方案，以获得新的较优调度方案子集；

具体的，采用模拟退火方法对各所述新调度方案进行抽样，并检测被抽样的所述各新调度方案的调度时间是否满足Metropolis接受准则。

其中，所述模拟退火过程控制参数t的初值按照下式确定：

式中，f_max和f_min分别为当前群体中最佳调度方案和最差调度方案的适应度，P_r为控制参数t的初始接受概率。

所述模拟退火过程采用按照下式对控制参数t进行降温操作：

t_(k+1)＝λt_k

式中，λ为常量，λ∈[0,1]，λ的值越小，t的下降速度越快。

所述预设优化判定条件包括但不限于Metropolis接受准则；优选的，于本实施例中，采用 Metropolis接受准则作为预判条件。

检测交换后的各调度方案是否满足Metropolis接受准则，如是，则替换交换前的原调度方案，如否，则保留交换前的原调度方案，以获得所述新的较优调度方案子集。

S307，将所述新的较优调度方案子集替换对应的所述较优调度方案子集，以获得新的调度方案集；将所述新调度方案集作为所述初始调度方案集，返回步骤S301，并重复执行步骤 S301至S307，直至所述新调度方案集中各调度方案的调度时间满足预设的调度时间收敛条件；

具体的，预设的调度时间收敛条件为：所述新调度方案集中各调度方法的调度时间之差小于一预设的时间差；于一具体实施方式中，所述预设的时间差为1s。

S4，提取所述新调度方案集中所述调度时间最小的调度方案作为最优调度方案。

为进一步证明本发明提供的所述仓储系统的调度优化方法的有益效果，采用以下具体实施例进行对比说明。

以一车仓储系统为例，对出入库任务分配及四向穿梭车作业顺序进行优化。该仓储系统分为上、下储货区，其中货位深度为6，巷道数量为32。该仓储系统中有5辆四向穿梭车，在某一时间窗口内有40个出入库任务需要被执行，各车空闲时的坐标位置点如表1所示，出入库任务如表2所示，其中任务起点为(0，0)点的任务表示入库任务，任务终点为(0，14)点的任务表示出库任务。

表1四向穿梭车起始位置坐标点

表2 40个出入库任务坐标点

为验证本发明所述方法的有效性，在控制参数的选择上，参考文献[6]和[12]中的取值。本文选定的参数为种群数量popSize＝200，最大迭代次数G＝300，交叉参数k_c＝0.7，变异参数 k_m＝0.1，自适应概率调整函数参数v＝5，保留精英个体占种群比例pro＝10％，控制参数t的初始接受概率P_r＝0.12，冷却系数λ＝0.92。程序在MATLAB 2016b平台上运行，计算机配置为 Intel(R)Core(TM)i7-7700HQ [email protected],8.00GB RAM。

根据现有的仓储控制程序随机得到5台四向穿梭车任务执行顺序如表3所示，5台穿梭车的作业时间分别为512.34s、497.21s、522.87s、501.46s和516.27s，由于5台四向穿梭车同时运行，因此作业任务完成总时为522.87s。

表3随机四向穿梭车分配的作业任务及执行顺序

经过本发明所述方法优化后得到5台四向穿梭车作业任务执行顺序如表4所示，5台四向穿梭车的作业时间分别为425.74s、424.59s、431.63s、437.06s和429.48s，作业任务完成总时间为437.06s，优化效率提高16.41％。

表4优化后四向穿梭车分配的作业任务及执行顺序

为验证本发明所述方法的有效性，将GA算法，SA算法和IHGA算法(本发明所述方法) 3种分别对作业任务规模为40,80,120的情况各重复进行100次实验，每个作业任务规模下的货位都是随机产生的，3种算法的实验结果如表5所示。

根据表5结果可知，IHGA相对于GA和SA而言，算法的精度和稳定性都有较大的提升，并且减少了求解时间。并且，随着任务规模的不断增大，相比于GA和SA算法，IHGA算法的求解精度和稳定性的优势不断扩大，优化效果更为明显，出入库任务分配和四向穿梭车执行顺序更合理，任务完成时间提升越大，系统作业效率越高。

表5 3种算法实验结果对比

实施例2

本发明于本实施例中提供一种电子设备，所述电子设备包括：处理器、存储器和显示器。其中，所述存储器存储有一计算机程序；所述处理器与所述存储器通信连接，调用所述计算机程序时执行本发明所述仓储系统的调度优化方法。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

实施例3

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器调用时实现本发明所述仓储系统的调度优化方法。所述计算机可读存储介质可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

综上所述，本发明提供的所述仓储系统的调度优化方法、电子设备及计算机可读存储介质，相较于现有的调度优化方法，可以大大缩短任务完成所需的调度时间，进一步提高了仓储系统作业的效率，从而实现了任务调度策略的优化，使得任务分配和四向穿梭车执行顺序更合理；并且，本发明所述方法基于改进混合遗传算法，更优于现有调度优化方法所基于的模拟退火算法，在算法的收敛耗时上，改进混合遗传算法优于模拟退火算法，从而能够更快地找到最优解，从而进一步提高了仓储系统的调度效率。

所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。