4.2 拣选货位点坐标确定

　　所要拣选的货位点以(x，y)表示，其中x为列，y为层，货格宽度为L，高度为H，这批任务包含n个拣选货位点:(x1，y1)，(x2，y2)，(x3，y3)…(xn，yn)。从一点(x1，y1)到另一点(x2，y2)的时间为:

T=(1)

仓库货格的高度H和宽度L为固定值，堆垛机水平速度和竖直方向的运行速度为为已知，因此可以计算出每个货位点所在的位置即所在的坐标位置[3]，根据计算所得其中30个货位点的位置坐标如下：

　　(10，13)，(11，4)，(2，5)，(3 ，8)，(24，17)，(7，24)，(2，39)，(68，58)(71，24)，(83，6)，(64 60)，(18，54)，(22，60)，(54，62)，(91，38)，(25 ，38)，(24 ，2)，(58，69)，(71，71)，(74，78)，(45，21)，(87，76)，(8，46)，(18，40)，(13，40)，(82，7)，(42，32)，(58，35)，(41，26)，(4，55);

　　4.3 MATLAB仿真实现

　　%路径计算

　　nitems=size(xitems,1); %计算货位点之间的距离 ，nitems表示货位数

　　for i=1:nitems

　　for j=1:nitems

　　ditems(i,j)=((xyitems(i,1)-xyitems(j,1))^2+(xyitems(i,2)-xyitems(j,2))^2)^0.5; %计算城市间距离，ditems表示货位点之间的距离

　　end

　　end

　　%初始种群

　　nPopulation=input('请输入种群个体数量：'); %输入种群个体数量

　　for i=1:nPopulation

　　Population(i,:)=randperm(nitems-1); %产生随机个体

　　End

　　%选择函数

　　function[newPopulation,D,dlength,counter2,rr]=select(Population,nPopulation,nitems,ditems,dlength,D,counter2,pi,nRemain) %D所要求的最短路径，dlength最短路径的长度, rr运行代数.

　　%交叉函数

　　Functionnew=crossover(newPopulation,nitems,PC,nPopulation,rr,pi,nRemain) % new 子代种群,PC交叉概率

　　%变异函数

　　Functionnews=Mutation(new,nitems,Pm,nPopulation,rr,pi,nRemain) %news 子代种群, Pm变异概率

　　在本文中货位点数量为30，因此可选择种群数量为120，交叉概率为0.8，突变概率为0.008，最优个体保留最大数量为2，终止条件1为：设置迭代次数为2000。终止条件2为：最短路径连续保持不变代数200。

　　仿真取点后的图形如下：

　　图1 货位点坐标取点

　　取点完成后输入种群数量，交叉概率，突变概率，最优个体保留最大数量等参数后，在输入满足终止条件1的迭代次数1000和满足终止条件2的最短路径保持不变代数200。待程序运行后输出的图形如下：

　　图2遗传算法对模型的优化收敛图

　　由图2可以看出在迭加到1608代时，最短路径值不在发生变化，当继续迭代200次后算法中止，由仿真输出数据可知，迭加代数为1608代时出现最短路径，其值为514.6895。

　　下表为程序运行完后在MATLAB窗口中输出的数据，其中选取了第780代，1000代，1578代，1608~1808代作为参考值来分析其输出结果。

　　表1 MATLAB仿真数据输出 迭加代数 路径长度 路径轨迹 780 542.0958 6-1-4-3-2-17-10-26-9-15-8-11-12-23-7-24-25-11-5-21-29-27-28-19-22-20-18-14-13 1000

　　532.2245 6-1-4-3-2-17-10-26-9-15-8-11-12-23-7-25-24-16-5-21-29-27-28-19-22-20-18-14-13 1578 519.9054 6-1-4-3-2-17-10-26-9-15-8-11-12-23-7-25-24-16-5-21-29-27-28-19-22-20-18-14-13 1608~1808 514.6895 13-12-23-25-24-5-2-17-26-10-15-9-21-29-27-28-8-11-19-22-20-18-14-16-1-3-4-6-7

　　从以上数据可以看出在迭加到第1608代时出现最短路径，其值为514.6895，最优路径为货位点13-12-23-25-24-5-2-17-26-10-15-9-21-29-27-28-8-11-19-22-20-18-14-16-1-3-4-6-7且从第1608代到1808代最短路径值和路径轨迹均保持不变。

　　5 结论

　　从优化后的数值上分析可以看出：遗传算法在解决寻优问题中具有全局搜索能力，收敛速度快等优点。该算法在堆垛机拣选任务中，通过在控制机上输入所需要拣选的货物坐标系便能生成一条拣选的最短路径，并迅速合理的安排堆垛机的行走路线，从而提高物资出入库的效率。

　　参考文献

　　[1] 徐香玲，傅卫平，李德信，等.基于专家系统的自动化立体仓库出入库调度研究[J].物流技术，2005(2)：38—41.

　　[2] 汪长飚，张晓川.基于Em-plant的立体仓库分检作业的优化与仿真[J].武汉理工大学硕士学位论文，2005.6：23

　　[3] 杨华，李欣，钟敏. 自动化立体仓库堆垛机拣选作业调度研究[J].起重运输机械，2005(3：23-26)

　　[4] 周明 孙树栋.遗传算法原理及应用[M].国防工业出版社，2002-5-1

　　[5] 雷英杰等编.MATLAB遗传算法工具箱及应用[M].西安:西安电子科技大学出版社，2005.4.:11-

 2/2   首页 上一页 1 2