混合智能算法在電子設(shè)備動態(tài)管理優(yōu)化中的應(yīng)用*

范 鈞

混合智能算法在電子設(shè)備動態(tài)管理優(yōu)化中的應(yīng)用*

范 鈞**

（成都工業(yè)學(xué)院電子工程學(xué)院，成都 611730）

應(yīng)用微分進(jìn)化算法（DEA）與字典排序算法（DSA）相結(jié)合的智能算法優(yōu)化管理電子設(shè)備動態(tài)貨位，研究了基于分揀選路徑、存取效率、支架穩(wěn)定性的動態(tài)管理多目標(biāo)優(yōu)化問題，并與采用遺傳算法（GA）的動態(tài)管理優(yōu)化進(jìn)行了比對，發(fā)現(xiàn)字典排序算法能夠按照數(shù)字順序大小構(gòu)建基于分揀選路徑、存取效率、支架穩(wěn)定性等因素重要程度的多目標(biāo)函數(shù)，微分進(jìn)化算法則能對多目標(biāo)函數(shù)實(shí)施有效優(yōu)化。仿真結(jié)果表明，混合智能算法迭代步數(shù)少，收斂速度快，具有更好的執(zhí)行效率。

電子設(shè)備；動態(tài)管理；混合算法；微分進(jìn)化算法；字典排序算法；多目標(biāo)優(yōu)化

1　引 言

對于現(xiàn)代電子設(shè)備的管理，使用者更多關(guān)注的是其越來越高的出入庫運(yùn)作效率，而不是其最基本的分配功能［1］。傳統(tǒng)管理的本質(zhì)是電子設(shè)備在時間上的流動，每一種電子設(shè)備都會按其固定的貨位號和數(shù)量排放。盡管這種模式有一些優(yōu)點(diǎn)，確定的貨位易于管理且具有抗高風(fēng)險的功能，但是其固定的貨位可能導(dǎo)致較低的空間利用率［2］。相反，電子設(shè)備動態(tài)貨位優(yōu)化研究可以為每一種電子設(shè)備提供合適的分配模式，實(shí)現(xiàn)空間的最優(yōu)配置［3］?？梢?，電子設(shè)備動態(tài)貨位優(yōu)化的主要目的在于合理分配貨位空間，有效實(shí)施物資的合理分配，從而避免物資進(jìn)出庫的低效率以及可能出現(xiàn)的高損耗。

近年來，國內(nèi)外諸多學(xué)者對于電子設(shè)備動態(tài)貨位及其優(yōu)化得到許多卓有成效的研究成果。文獻(xiàn)［1］提出了電子設(shè)備多學(xué)科優(yōu)化的建模技術(shù)、優(yōu)化策略及算法、優(yōu)化流程及學(xué)科分層次優(yōu)化關(guān)系，旨在降低電子設(shè)備重量。文獻(xiàn)［2］提出了基于PDCA（Plan Do Check Action）的電子設(shè)備可靠性分析的計算、設(shè)計、檢測等方案，旨在提高設(shè)備可靠性。文獻(xiàn)［3］構(gòu)建了基于改進(jìn)遺傳算法的流水車間調(diào)度過程研究，通過引入線性自適應(yīng)算子對交叉算子和變異算子加以改進(jìn)，解決車間調(diào)度過程中物料流程混亂、設(shè)備負(fù)荷不均衡的問題。文獻(xiàn)［4］選擇吞吐量與庫存性能作為中型電池生產(chǎn)商生產(chǎn)工藝優(yōu)化技術(shù)的研究參數(shù)，以此達(dá)到相對較好的庫存水平以及相對較高的吞吐量。文獻(xiàn)［5］使用離散微分進(jìn)化（Discrete Differential Evolutio，DDE）算法與變鄰域搜索（Variable Neighborhood Search，VND）算法相結(jié)合的混合算法解決了基于總完工時間的無等待流水車間調(diào)度優(yōu)化管理問題。文獻(xiàn)［6］使用蟻群算法優(yōu)化管理基于完工時間最小化的流水車間調(diào)度問題。文獻(xiàn)［7］構(gòu)建了基于分支定界算法的非線性整數(shù)規(guī)劃數(shù)學(xué)模型，實(shí)現(xiàn)了設(shè)備存儲空間與材料成本的現(xiàn)代貨位類存儲管理決策。文獻(xiàn)［8］以整體工作效率和空間利用率作為最優(yōu)控制目標(biāo)，構(gòu)建不規(guī)則區(qū)域存儲優(yōu)化模型，繼而提高存儲效率。前述文獻(xiàn)均針對電子設(shè)備或其相關(guān)研究領(lǐng)域動態(tài)管理優(yōu)化問題的某一方面的指標(biāo)進(jìn)行優(yōu)化設(shè)計，而優(yōu)化控制通常情況下均是對若干要素的綜合考慮。在電子設(shè)備動態(tài)管理優(yōu)化控制研究中，目前的很多研究均具有較大的局限性。

基于此，本文針對電子設(shè)備動態(tài)管理過程中存在的諸多問題，構(gòu)建電子設(shè)備動態(tài)貨位管理優(yōu)化的多目標(biāo)函數(shù)，采用先進(jìn)控制理論與算法，旨在實(shí)現(xiàn)分揀選路徑最小化、分配區(qū)域最優(yōu)化、存取效率快速化以及穩(wěn)定性最優(yōu)化，最終達(dá)到損耗最低化、效益最大化的目的。

2　電子設(shè)備動態(tài)管理系統(tǒng)

電子設(shè)備貨位分配及其動態(tài)優(yōu)化的整體結(jié)構(gòu)如圖1所示。

圖1　電子設(shè)備貨位管理系統(tǒng)結(jié)構(gòu)示意圖Fig.1　Block diagram of dynamic electronic equipment goods allocation management system

由圖1可見，電子設(shè)備貨位管理系統(tǒng)主要分為分配整體布局、貨位配置以及貨位優(yōu)化等3個部分。其中，分配整體布局主要指電子設(shè)備入庫后，根據(jù)不同階段應(yīng)該具備的功能，大致可以分為初始區(qū)、中轉(zhuǎn)區(qū)、分配區(qū)、分發(fā)區(qū)等功能區(qū)域；貨位配置則主要是指電子設(shè)備入庫后應(yīng)該獲得的最佳初始貨位以及后期分發(fā)時應(yīng)該具備的最佳分發(fā)順序；貨位優(yōu)化則是指綜合考慮時間周期、市場規(guī)律變化以及季節(jié)性流通等因素，實(shí)時地調(diào)整電子設(shè)備在貨位管理系統(tǒng)中應(yīng)該具備的最優(yōu)分配貨位，目的在于實(shí)現(xiàn)電子設(shè)備管理的高效、精準(zhǔn)。

電子設(shè)備在進(jìn)行初始分配操作后，獲得一定的貨位編碼。對于傳統(tǒng)模式，從電子設(shè)備初始分配到設(shè)備最終分發(fā)期間內(nèi)，基本沒有定期貨位整理，這使得電子設(shè)備最終分發(fā)可能出現(xiàn)設(shè)備丟失、設(shè)備分發(fā)效率低下或者設(shè)備出現(xiàn)損耗等問題。如果采用優(yōu)化模式，那么，電子設(shè)備一旦初始分配并獲得初始貨位編碼后，通過定期的優(yōu)化分配，電子設(shè)備便可在分配區(qū)域內(nèi)定期獲得優(yōu)化后的貨位編碼，方便工作人員快速、準(zhǔn)確、高效地查找對應(yīng)電子設(shè)備所在區(qū)域并執(zhí)行相應(yīng)操作，此舉可有效解決傳統(tǒng)模式出現(xiàn)的短板。

3　電子設(shè)備動態(tài)管理多目標(biāo)數(shù)學(xué)模型

根據(jù)前述貨位管理系統(tǒng)功能結(jié)構(gòu)，按照作業(yè)流程，電子設(shè)備動態(tài)管理系統(tǒng)主要分為初始、分區(qū)、分揀、上架、分發(fā)等5個步驟。按照經(jīng)營范圍以及品牌劃分，電子設(shè)備動態(tài)管理系統(tǒng)主要規(guī)劃自營區(qū)、樣品區(qū)、外買區(qū)以及積壓區(qū)等區(qū)域。因此，本文在構(gòu)建電子設(shè)備動態(tài)管理系統(tǒng)多目標(biāo)數(shù)學(xué)模型的過程中，采用目前廣泛應(yīng)用的作業(yè)關(guān)聯(lián)分析法，選取物流量作為主要判斷依據(jù)，以其大小作為系統(tǒng)規(guī)劃以及貨位規(guī)劃的依據(jù)。

對于一些系統(tǒng)而言，自動化立體承載支架和普通支架都在使用。由于成本限制，普通支架的使用會更多。系統(tǒng)的主要運(yùn)作形式是叉車和手工操作。普通支架的存取操作主要是由叉車來完成。假設(shè)支架共計m排，每一排都有n列和p層。

入口處設(shè)為第1排，第一列設(shè)在離出口最近的那一列，最底層設(shè)為第1層，那么位于xk排、yk層、zk列商品的相應(yīng)坐標(biāo)為（xk，yk，zk），入口坐標(biāo)為（0，0，0）。

同時，作出如下假設(shè)：

（1）具有不同尺寸和重量的多種類型電子設(shè)備分配在倉庫；

（2）對于每一個貨位上，只允許放置同樣尺寸和重量的同類型電子設(shè)備；

（3）倉庫中的第k類電子設(shè)備，周轉(zhuǎn)系數(shù)是Pk，質(zhì)量是Mk，L是貨位單元格的長度。

通過動態(tài)分配原則，比如提高分揀選效率、支架和相關(guān)產(chǎn)品的穩(wěn)定性，建立起如下多目標(biāo)函數(shù)：

式中：Nk表示第k類電子設(shè)備放置在某個空間貨位時具有的數(shù)量；Bz為任意一常數(shù)；kz為比例常系數(shù)；vx、vy分別表示沿x軸和y軸相關(guān)叉車參數(shù)的速度；（mk，nk，pk）表示某一電子設(shè)備的中心坐標(biāo)；Q表示來自主要客戶訂單統(tǒng)計數(shù)據(jù)的相關(guān)系數(shù)。

此外，式（1）中：函數(shù)minf2（x，y，z）表示電子設(shè)備在空間貨位（x，y，z）時具有最小重心，也就是具有最佳的支架穩(wěn)定性；函數(shù)minf3（x，y，z）表示電子設(shè)備分選分揀時具有最短的分析路徑。

其中，約束條件如式（2）所示：

4　混合優(yōu)化算法

式（1）是一個多目標(biāo)優(yōu)化問題。由式（1）可知，電子設(shè)備動態(tài)管理系統(tǒng)主要考慮分揀選路徑、存取效率以及支架承受力穩(wěn)定性等3個主要問題。明顯地，片面強(qiáng)調(diào)其中任意一個優(yōu)化解都不足以解決多目標(biāo)函數(shù)的優(yōu)化問題，因此，需要相輔相成地看待電子設(shè)備動態(tài)管理系統(tǒng)的問題，既要考慮目標(biāo)函數(shù)，又要兼顧約束條件。

多目標(biāo)優(yōu)化通常采用權(quán)重系數(shù)法將多目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)函數(shù)，即針對式（1）中的3個目標(biāo)函數(shù)，對應(yīng)地定義3個權(quán)重系數(shù)，使其滿足

這樣，便可將前述多目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)函數(shù)，再應(yīng)用其他先進(jìn)算法進(jìn)行有效分析，最終求解本課題涉及的多目標(biāo)函數(shù)優(yōu)化問題。

基于此，本文運(yùn)用字典排序算法（Dictionary Sorting Algorithm，DSA）與微分進(jìn)化算法（Differential Evolution Algorithm，DEA）相結(jié)合的混合算法求解多目標(biāo)函數(shù)化簡為單目標(biāo)函數(shù)后的優(yōu)化問題。首先，使用字典排序算法獲取最重要的目標(biāo)（即第一目標(biāo)）。然后，在不考慮其他目標(biāo)的情況下，運(yùn)用微分進(jìn)化算法優(yōu)化第一目標(biāo)。當(dāng)保持已優(yōu)化目標(biāo)的性能時，剩下目標(biāo)也以同樣方式得到優(yōu)化。

為了更好地體現(xiàn)本文構(gòu)建的混合智能算法的優(yōu)越性，選取遺傳算法（Genetic Algorithm，GA）作為比較算法。DEA算法與GA算法相類似，均包含變異、交叉和選擇操作，不斷進(jìn)化更新，判斷停止條件等。其中，DEA與GA最大的不同在于：DEA的變異算子是通過種群中任意兩個或者是多個個體做差值運(yùn)算后再乘以系數(shù)的結(jié)果，而GA算法則是直接定義種群個體的概率函數(shù)。

基于DEA與DSA的混合智能算法的詳細(xì)步驟如下：

（1）賦初值

隨機(jī)建立帶有Np個體的初始值，表達(dá)如下：

式中：i=1，2，…，Np；j=1，2，…，D；rad（）∈［0，1］。

對于每一個目標(biāo)矢量，定義可變變異算子F為

其中，u定義為

式（5）～（6）中：F0稱之為變異算子；Gm、G分別稱之為最大進(jìn)化步數(shù)與當(dāng)前進(jìn)化步數(shù)。

那么，F(xiàn)可以變化為

（2）雜交

為了加快收斂，雜交概率指數(shù)CR定義如下：

式中：g表示實(shí)際步數(shù)；Gmax表示最大步數(shù)。

（3）選擇

通過擬合，將測試矢量與目標(biāo)向量進(jìn)行比較，具有較小目標(biāo)函數(shù)值的矢量將成為下一步數(shù)。

（4）終止準(zhǔn)則

如果進(jìn)化步數(shù)高于最大迭代數(shù)，或者精度能夠滿足要求，則停止搜索；否則，回到第2步。

5　仿真分析

多目標(biāo)混合智能算法在電子設(shè)備動態(tài)管理優(yōu)化中的應(yīng)用流程如圖2所示。

由圖2可見，仿真分析需要進(jìn)行相應(yīng)參數(shù)初始值設(shè)置，主要包括電子設(shè)備信息、迭代數(shù)量、種群次數(shù)、變異算子、雜交概率等。

本文選取設(shè)備區(qū)第4排、第6列、第4層支架所放置的15種電子設(shè)備信息作為初始參數(shù)之一，如表1所列。

表1　電子設(shè)備貨位管理初始化Tab.1　Initialization of electronic equipment goods allocation management

本文設(shè)置電子設(shè)備存取的初始速率為沿x、y、z軸方向叉車的速度分別是1 m/s、1 m/s、0.5 m/s。

此時，假設(shè)：F0=0.05；Gm=100；Gmax=100；CR= 0.65。

結(jié)合式（3）～（8），按照分揀選路徑最優(yōu)、存取效率最高、支架穩(wěn)定性最好的綜合性指標(biāo)，可以得到動態(tài)分配的優(yōu)化結(jié)果，如表2所列。

表2　電子設(shè)備貨位管理優(yōu)化結(jié)果Tab.2　Optimizaiton result of electronic equipment goods allocation management

以電子設(shè)備編碼1為例，當(dāng)周轉(zhuǎn)系數(shù)為0.27、質(zhì)量為5.15 kg時，沒有優(yōu)化之前，貨位位于第1排、第4列、第2層，而在優(yōu)化之后，貨位則位于第1排、第2列、第2層。

以此類推，由表2可見，采用本文構(gòu)建的混合算法，原先的動態(tài)貨位分配均有不同程度的優(yōu)化。

優(yōu)化前與優(yōu)化后的性能比較見表3。

表3　現(xiàn)代倉庫貨位優(yōu)化前后性能分析表Tab.3　Performance befor and after modern goods allocation optimization

從表3可以看出：優(yōu)化效果非常明顯，所有目標(biāo)函數(shù)得到了實(shí)質(zhì)性的改善；第三個目標(biāo)函數(shù)，即產(chǎn)品的相關(guān)性優(yōu)化結(jié)果最好，達(dá)到55.6%。

為了證明本文所構(gòu)建的多目標(biāo)優(yōu)化算法的有效性，將其與遺傳算法進(jìn)行了對比。設(shè)：F0=0.05；Gm=100；Gmax=1000；CR=0.65。同時，設(shè)定式（3）中的3個權(quán)重系數(shù)分別為w1=0.90、w2=0.05、w3= 0.05。仿真結(jié)果如圖3所示。

圖3　多目標(biāo)優(yōu)化算法與遺傳算法結(jié)果對比Fig.3　Comparison between the proposed algorithm and genetic algorithm

從圖3中可以看出：傳統(tǒng)遺傳算法在大約超過2 500次數(shù)時才會漸進(jìn)收斂，目標(biāo)值維持在41.5左右；而本文的混合智能算法則在大約1 700次數(shù)時就逐漸收斂，目標(biāo)值相對較低，維持在40.6左右。因此，相比于遺傳算法，本文所構(gòu)建的多目標(biāo)混合智能優(yōu)化算法迭代次數(shù)更少，收斂速度更快，收斂目標(biāo)值更好。

6　結(jié)束語

電子設(shè)備動態(tài)管理系統(tǒng)中，動態(tài)分配比靜態(tài)分配更具優(yōu)勢。本文利用多目標(biāo)函數(shù)來模擬和優(yōu)化空間貨位，通過提出一種微分進(jìn)化算法與字典排序算法相結(jié)合的算法，求解模型和改善空間動態(tài)分配。仿真結(jié)果顯示，與傳統(tǒng)遺傳算法相比，本文構(gòu)建的混合智能算法具有更好的收斂性和目標(biāo)函數(shù)值。因此，相較于已經(jīng)發(fā)表過的研究文獻(xiàn)，本文構(gòu)建的混合智能算法具有更佳的動態(tài)分配效果。

但是，本文主要集中于電子設(shè)備在分揀選路徑、存取效率、支架穩(wěn)定性等方面的綜合問題，尚未涉及諸如設(shè)備相關(guān)性、出入庫效率、周轉(zhuǎn)率等因素的影響，因此，本文研究仍需繼續(xù)深入并逐漸擴(kuò)大涵蓋因素。今后，將繼續(xù)進(jìn)行電子設(shè)備動態(tài)管理的多目標(biāo)、非線性、復(fù)雜系統(tǒng)性的研究。

［1］ 馮剛英.電子設(shè)備多學(xué)科優(yōu)化設(shè)計技術(shù)及其應(yīng)用［J］.電訊技術(shù)，2012，52（3）：35-38.

FENG Gangying.Multidisciplinary design optimization and its application in electronic equipment［J］.Telecommunication Engineering，2012，52（3）：379-383.（in Chinese）

［2］ 生建友，翟助群.電子設(shè)備基于PDCA循環(huán)的可靠性設(shè)計［J］.電訊技術(shù)，2014，54（1）：112-117.

SHENG Jianyou，ZHAI Zhuqun.Reliability design based on PDCA recycle for electronic equipment［J］.Telecommunication Engineering，2014，54（1）：112-117.（in Chinese）

［3］ ZHANG R，WEI W，JIANG Z，et al.Research and simulation on flow-shop scheduling problem based on improved genetic algorithm［C］//Proceedings of the 7th International Conference on Computer Science&Education.Melbourne，VIC：IEEE，2012：916-921.

［4］ MUPPANI P.Application of optimized production technology in a capacity constrained flow shop：a case study in automotive factory［J］.Computers Industrial Engineering，2003，27（5）：217-222.

［5］ TASGETIREN P，KUNNATHUR A，VISWANATHAN I.A discrete differential evolution algorithm for the no-wait flowshop scheduling problem with total flow time criterion［C］//Proceedings of the 2007 IEEE Symposium on Computational Intelligence in Scheduling.New York，USA：IEEE，2007：251-256.

［6］ YU L，YE W，LU Z.Ant colony algorithms for permutation flowshop scheduling to minimize make span/total flow time of job［J］.European Journal of Operational Research，2004，155（1）：426-432.

［7］ VENKATA R M，ADIL G K.A branch and bound algorithm for class based storage location［J］.European Journal of Operational Research，2008，189（2）：492-497

［8］ ZHAO X，YUN C，HU J.Research on irregular storage location assignment optimization of AS/RS［J］.Computer Engineering and Applications，2012，48（4）：222-227.

范 鈞（1980—），女，四川仁壽人，2014年獲碩士學(xué)位，現(xiàn)為講師，主要研究方向?yàn)殡娮有畔⒐こ?、自動化?/p>

FAN Jun was born in Renshou，Sichuan Province，in 1980.She received the M.S.degree in 2014.She is now a lecturer.Her research concerns electronic information engineering and automation.

Email：fjun1980@163.com

Application of Hybrid Intelligent Algorithm in Electronic Equipment Dynamic Management Optimization

FAN Jun
（School of Electronic Engineering，Chengdu Technological University，Chengdu 611730，China）

Hybrid intelligent algorithm combining differential evolution algorithm（DEA）with dictionary sorting algorithm（DSA）is proposed to manage dynamic electronic equipment goods allocation.The dynamic management multi-objective optimization problem based on chosen path，access efficiency and support stability is studied.Compared with the genetic algorithm（GA）dynamic management optimization，it is found that the DSA can construct the multi-objective function according to sequence number size，and the DEA can effectively optimize the multi-objective function.The simulation results show that the proposed hybrid intelligent algorithm has fewer iteration steps，faster convergence speed and better execution efficiency.

electronic equipment；dynamic management；hybrid algorithm；differential evolution algorithm；dictionary sorting algorithm；multi-objective optimization

**通信作者:fjun1980@163.com fjun1980@163.com

TN80；TP202

A

1001-893X（2016）08-0934-05

10.3969/j.issn.1001-893x.2016.08.018

2016-05-16；

2016-07-08

date:2016-05-16；Revised date:2016-07-08

引用格式:范鈞.混合智能算法在電子設(shè)備動態(tài)管理優(yōu)化中的應(yīng)用［J］.電訊技術(shù)，2016，56（8）：934-938.［FAN Jun.Application of hybrid intelligent algorithm in electronic equipment dynamic management optimization［J］.Telecommunication Engineering，2016，56（8）：934-938.］