多区块仓库下订单分批与拣选路线规划研究
上QQ阅读APP看本书,新人免费读10天
设备和账号都新为新人

1.4 研究内容、思路与逻辑结构

本书旨在从实际项目实践中发现的问题出发,以蚁群算法及信息共享等方法与技术为基础,遵循从简单到复杂的原则,研究围绕订单拣选路线规划策略设计中遇到的拣货员堵塞、在线订单等问题。本书的研究内容、思路与方法如下。

首先,针对多区块仓库中的单拣货员,研究订单拣选路线规划。传统上,学者们针对这种类型的仓库习惯于使用专用启发式策略,而这类方法仅仅是分析要进入的通道中拣货点的分布情况,以判断当前通道采用何种拣选方式,进而生成整个拣选作业的行走路线。可想而知,这种决策只是根据当前通道情况设计方案,最多只是局部优化,也就是说现有启发式策略缺乏对整个仓库中的待拣选拣货点的整体分布的分析。本书在研究订单拣选路线规划时,避免了现有算法只考虑拣货点局部分布的不足,引入偏离度这一概念,在规划路线时,考虑拣货点整体分布对路线算法表现的影响,构建一个基于偏离度的单拣货员多区块订单拣选路线规划算法。

其次,针对双拣货员同时拣选的环境,研究考虑拣货员堵塞的订单拣选路线规划。本书以蚁群算法(ant colony optimization, ACO)为基础,构建了一个在拣选路线形成时就考虑到可能发生的堵塞,并作出应对的路线规划算法A-TOP(ACO for Two Order Pickers),并在之后的仿真实验中验证了该算法的有效性。此外,在该仿真实验中证实了该算法处理堵塞的能力并分析了仓库布局、订单特征对该算法的影响。

再次,针对不确定信息环境,以及在该环境下发生的堵塞,研究不确定信息环境下考虑多拣货员堵塞的订单拣选路线规划。本书首先扩展了针对双拣货员的订单拣选路线规划算法,使其能够用于多拣货员环境;然后对不确定环境下多拣货员拣选系统进行分析,分析当信息环境具有不确定性对算法构建带来的困难,之后给出了通过信息共享、实现路线实时调整以解决在拣选时发生堵塞的订单拣选路线规划算法。

最后,针对随着电子商务的发展而出现的在线订单,研究在线订单的实时分配与拣选路线规划。本书对新到在线订单进行实时处理,并应用一种与拣选路线特征相结合的启发式方法对新到订单的拣选任务进行分配,并根据分配结果,对拣货员的拣选路线进行重新规划。在之后实验中,将该方法与相应的订单拣选路线规划算法相结合,分析了该组合在不同订单达到速率等因素下的表现。

遵循上述研究思路,本书的章节安排如下。

第1章 介绍研究背景、研究问题、目的及意义;围绕本书的研究问题,综述了拣选作业相关问题的研究现状;介绍本书的研究重点、研究思路、内容与方法;介绍全文的组织结构与章节安排。

第2章 介绍本书的研究对象,包括多区块仓库的布局和常用术语;介绍订单拣选路线规划问题的基本模型和性质;介绍常用的订单拣选路线规划启发式策略和其研究应用情况;之后,介绍常用的订单分批策略和其研究应用情况;最后,指出常用订单分批策略和拣选路线启发式策略在全局优化、应对拣货员堵塞、拣选任务的不确定性和动态性上的缺陷与不足。

第3章 在多区块单拣货员仓库环境中,提出一种基于偏离度策略的订单拣选路线规划算法,该算法在确定当前通道拣选方式时,将待拣选区块中所有拣货点的分布情况考虑在内;通过实验与已有的几种针对多区块的启发式策略进行对比,验证了新算法的有效性,并通过分析仓库布局对算法的影响,给出了仓库布局的设计建议。

第4章 针对拣选过程中出现的拣货员堵塞现象,建立了一个基于蚁群算法的考虑双拣货员堵塞的订单拣选路线规划算法;在构建拣选路线的过程中,将对堵塞的应对机制加入,为第二拣货员生成一条能缓和堵塞并减少拣选服务时间的拣选路线;通过仿真实验验证了算法,并分析了在各种仓库布局下堵塞发生的特点和算法得以优化的原因。

第5章 在注意到订单拣选的不确定性后,试图为不确定信息环境下的多拣货员建立能考虑堵塞的订单拣选路线规划算法。首先将考虑双拣货员堵塞的订单拣选路线规划算法扩展成针对多拣货员堵塞的订单拣选路线规划算法,然后通过分析不确定信息环境与确定信息环境的差异,得出了需要信息共享、室内定位等技术支持,并且要在实际作业中实时应对堵塞的结论。最后给出了在不确定信息环境下,考虑堵塞的订单拣选路线生成方案,并通过仿真实验验证其有效性。

第6章 在考虑订单具有动态性和客户需要即时响应的基础上,对动态环境下的订单分配进行建模;提出了一种启发式方法,通过分析拣选路线和订单特征,对订单进行即时分配与拣选,并根据新拣选任务重新规划拣货员的拣选路线;在之后的仿真实验中,验证了该方法的有效性;分析了不同订单到达速率等因素对该方法的影响。

第7章 总结全书研究工作,并对订单拣选策略研究所面临的难点问题提出研究展望。

本书内容的逻辑结构如图1-1所示。

图1-1 本书的内容与逻辑结构

注:A-TOP,基于蚁群优化的双拣货员拣选路线规划算法;A-MOP,基于蚁群优化的多拣货员拣选路线规划算法;A-MOP-N,不确定环境下基于蚁群优化的多拣货员拣选路线规划算法。