易燃品倉庫群三維移動智慧巡檢路徑優(yōu)化

郭凡 李東 許犇

摘 要：針對多個易燃品倉庫的群巡檢的智能滑塊路徑尋優(yōu)問題，提出貪心遺傳混合式路徑優(yōu)化算法，該算法將貪心策略融入到遺傳算法操作過程，用作指導(dǎo)遺傳選擇操作進行搜索。首先建立倉庫群巡檢目標(biāo)分配數(shù)學(xué)模型，其次設(shè)計一種基于貪心遺傳混合式算法的三維移動巡檢系統(tǒng)。對稀土金屬庫的規(guī)模不同的巡檢點進行仿真，與常規(guī)的遺傳算法和粒子群算法相比，平均巡檢路徑長度減少了15.2%，對103個巡檢點巡檢路徑長度減少了6.1%.對1層庫41個巡檢點、2層庫的51個巡檢點、33層庫的75個巡檢點仿真結(jié)果表明，該方法避免了遺傳算法的早熟問題，無論巡檢的收斂速度還是巡檢的最短路徑均有明顯改善。為保證安全，可在危險品大物資倉庫推廣使用，具有一定的應(yīng)用價值和安全示范作用。

關(guān)鍵詞：三維;貪心遺傳算法;移動巡檢;易燃品庫;倉庫群

中圖分類號：TP 273+.5?文獻標(biāo)志碼：ADOI：10.13800/j.cnki.xakjdxxb.2019.0123文章編號：1672-9315（2019）01-0160-08

Optimization of 3D mobile smart inspection path

for flammable goods warehouse group

GUO Fan1，LI Dong2，XU Ben2

（1.Graduate school，Xi’an University of Science and Technology，Xi’an 710054，China;

2.College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：Aim at flammable goods warehouse，a greedy genetic hybrid path optimization algorithm is proposed with Intelligent slider to solve the problem of searching the optimal path of warehouse group.The greedy strategy is integrated into the genetic algorithm，which is used as a guide for genetic selection in this algorithm.Firstly，the mathematical model for the distribution of warehouse inspection target is established.Secondly，a 3D mobile inspection system based on greedy genetic hybrid algorithm is designed to solve this problem.Next，different scale inspection points of rare earth metal libraries are simulated.Compared with the conventional genetic algorithm and the particle swarm algorithm，the average inspection path length is reduced by 15.2%，and the inspection path length of 103 inspection points is reduced by 6.1%.The simulation results of 41 inspection points in the 1st floor library，51 inspection points in the 2 layer library，and 75 inspection points in the 33 layer library show that the method can avoid the premature convergence，and regarding both the convergence speed of the inspection and the shortest path of the inspection，there is a significant improvement.The method has strong operability and high efficiency.It can be widely used in the warehouse group，which has certain application value and demonstration function for safety.

Key words：three?dimension;greedy genetic algorithm;mobile inspection;flammable goods store;warehouse group

0?引?言

隨著科學(xué)技術(shù)的發(fā)展，危險化學(xué)品的使用量與存儲量也急劇增加，加之危險化學(xué)品自身所具有的易爆、易燃、有毒、腐蝕、具有放射性等性質(zhì)[1]，導(dǎo)致其在生產(chǎn)、經(jīng)營、存儲、運輸、使用、廢棄處置的過程中安全事故頻發(fā)[2]。例如2015年8月12日，天津港“8·12”瑞海公司危險品倉庫發(fā)生特別重大火災(zāi)爆炸事故。事故造成造成165人遇難，798人受傷[3]。2013年4月17日，美國德克薩斯州一家化工廠硝酸銨倉庫著火，隨即發(fā)生大爆炸。爆炸造成10棟建筑起火，70多棟住宅損毀，超過160人受傷，35人死亡[4]。從以上例子可以看出企業(yè)要在競爭日趨激烈的環(huán)境中發(fā)展壯大，必須要做好安全巡檢工作并提高生各產(chǎn)環(huán)節(jié)的工作效率。而在倉庫巡檢過程中，如何花費最少的時間，以最短的路徑巡檢倉庫所有存有貨物的貨位，這是倉庫巡檢目標(biāo)分配問題中的一個重要研究內(nèi)容。但是隨著巡檢滑塊數(shù)目和待巡檢點總數(shù)的增加，巡檢分配復(fù)雜性成指數(shù)級增加，這使得巡檢目標(biāo)分配成為一個多參數(shù)，多約束的NP問題[5]，而對于多參數(shù)、多約束NP問題，常常采用窮舉法[6]、分支界定法[7]、蟻群算法[8]、蜂群算法[9]、粒子群算法[10]、遺傳算法[11]等求解，在這些算法中遺傳算法得到的結(jié)果比較令人滿意，然而當(dāng)問題的規(guī)模增大時，優(yōu)化搜索空間也會急劇增大，只使用遺傳算法會導(dǎo)致很難搜索到最優(yōu)解。因此，為了提高遺傳算法的收斂速度和避免遺傳算法早熟收斂，文中將貪心策略運用于遺傳算法中，提出了貪心遺傳混合算法（ greedy genetic hybrid path optimization algorithm，簡稱GGA）來解決倉庫群三維移動巡檢路徑尋優(yōu)問題。

1?系統(tǒng)總體方案設(shè)計

基于貪心遺傳混合式算法的智慧倉庫群三維移動監(jiān)控系統(tǒng)將RFID技術(shù)、無線傳感網(wǎng)絡(luò)（ZigBee）技術(shù)[12]、多傳感器融合技術(shù)[13]、步進電機精確定位技術(shù)[14]、云計算技術(shù)[15-16]等有機結(jié)合，國內(nèi)外的專家對物流系統(tǒng)，以及對環(huán)境的監(jiān)控作了大量研究[17-25]，提供了參考。本設(shè)計主要由RFID讀寫模塊、傳感器感知模塊、電機控制器、三維立體軌道和上位機等構(gòu)成。

針對稀土材料庫，參考云計算訪問控制技術(shù)[15]，構(gòu)架的硬件部分將電機應(yīng)用在三維軌道上，與多個紅外避障傳感器及溫濕度傳感器，氣體濃度傳感器等結(jié)合組成精確定位檢測裝置，該裝置固定在自動化立體庫巡檢滑塊上，通過RFID讀寫模塊以及檢測傳感器模塊獲取倉儲物品的存儲狀態(tài)信息以及倉庫內(nèi)部溫濕度，煙霧濃度等信息。軟件部分通過ZigBee網(wǎng)絡(luò)與硬件部分聯(lián)系，將構(gòu)建一個云倉儲模式下的體系結(jié)構(gòu)。將分布式的倉儲資源整合集中至一個統(tǒng)一的信息資源庫中，該系統(tǒng)的總體結(jié)構(gòu)如圖1所示。

2?云倉儲三維移動巡檢路徑優(yōu)化問題描述

在巡檢滑塊移動巡檢過程中，其軌跡一般有2種形式：由若干節(jié)點構(gòu)成的開放直線型巡檢軌跡和由若干節(jié)點圍成的封閉曲線式巡檢軌跡，巡檢軌跡的2種類型如圖2所示。

為了便于問題的描述和遺傳算法的編碼，這里提出2個創(chuàng)新性的特殊定義：①將一個由若干節(jié)點圍成的封閉式曲線軌跡可以看成一個可控點集合Zi，軌跡的每一個節(jié)點都是既可以進入又可以退出的點;②將巡檢過程中距離被巡檢點最近的4個待巡檢點定義為染色體片段集合Mj。根據(jù)以上表述的封閉式曲線軌跡巡檢點集合Zi及染色體片段集合Mj，參考對于封閉式路徑優(yōu)化問題的描述，文中對智慧倉庫云的巡檢路徑優(yōu)化問題描述如下

給定n個巡檢點集合Zi（i=，…，n），從上述給定的可控點集合Zi（i=，…，n）中選取任意一個可控點Zm作為初始節(jié)點，從染色體片段集合Mj（j=，3，4）中尋找下一個巡檢點，給定其中n是集合中可控點的個數(shù)。巡檢點i與巡檢點j之間的距離為dij，求一條遍歷Zi中每個巡檢點一次的路線（Z1，Z2，…，Zn），使得整體巡回路程最短。因此首先引入決策變量Xij，Xij表示巡檢滑塊是否從巡檢點i進入到巡檢點j，其取值為0或者1，1代表巡檢滑塊從巡檢節(jié)點i進入巡檢節(jié)點j，否則為0.由此可得式（1）

xij=1，巡檢滑塊從節(jié)點i直接進入節(jié)點j

0，其他為求得最優(yōu)巡檢路徑，用dij表示巡檢點i與巡檢點j之間的距離，用tij表示巡檢點i與巡檢點j之間的時間，因此可定義目標(biāo)函數(shù)為

而為了保證每個巡檢點只巡檢一次，定義約束條件為式（3）和式（4），式（3）保證每個巡檢點只離開一次，式（4）保證每個巡檢點只進入一次

滿足搜尋上述搜尋條件的合適路徑，就是所求的最優(yōu)路徑。文中采用貪心遺傳混合式算法來解決倉庫群三維移動巡檢問題。

3?貪心遺傳混合算法的巡檢軌跡路徑優(yōu)化

3.1?GGA算法的流程

巡檢軌跡路徑優(yōu)化實際上是優(yōu)化巡檢滑塊遍歷所有有貨物的貨位即待巡檢點。針對遺傳算法在應(yīng)用過程出現(xiàn)的收斂速度過慢，以及早熟收斂問題，文中提出了貪心遺傳混合式算法，遺傳算法被應(yīng)用于個體中的全局搜索，而貪心算法在染色體中施行局部探尋。利用貪心算法來指導(dǎo)遺傳算子進行操作，該方法規(guī)定了遺傳算法的搜索方向，使得子代群體能在此方向前進，快速搜索到其它高質(zhì)量的區(qū)域，也就是說，該方法將全局搜索改進成局部搜索，在相同條件下可提高優(yōu)化巡檢的速度。貪心遺傳混合式算法（GGA）的流程如圖3所示。

3.2?貪心遺傳混合算法實現(xiàn)步驟

3.2.1?編碼并構(gòu)建基因庫

任何一條哈密爾頓回路均是由無向帶權(quán)圖的所有頂點編號組成的一個排列，設(shè)對n個待巡檢點編號并標(biāo)記為i（i=，…，n），則由n個編號組成的全排列就是所有可能的巡檢軌跡路徑，那么最短的哈密爾頓回路即最優(yōu)巡檢路徑肯定也包含其中，每一個數(shù)字是一個待巡檢節(jié)點的編號，代表染色體的一個基因。每個染色體由n個基因組成，代表一條巡檢路徑，如（1，3，5，4，2）表示由初始位置1出發(fā)，依次經(jīng)過巡檢節(jié)點3→5→4→2，最后回到初始位置1的一條巡檢路徑。從距離1巡檢節(jié)點最近的m個巡檢節(jié)點按距離大小依次排序并編碼，組成n×m階矩陣構(gòu)成“基因庫”Qn×m，Qij元素（對應(yīng)式（1）中Xij）為距離i點和第j點近的巡檢節(jié)點編碼，Qim為第i行元素為距離i巡檢節(jié)點較近的m個巡檢點的編碼，Qi1，Qi2，Qi3元素分別為與i巡檢節(jié)點最近、第二近和第三近的巡檢節(jié)點，以此類推，排在前k位的巡檢節(jié)點構(gòu)成“染色體片段”，其中k

3.2.2?GGA的適應(yīng)度值和操作概率

定義GGA的適應(yīng)度值計算如式（5），定義貪心遺傳概率如式（6）所示。

式中?p（i）為概率;fit（i）為當(dāng)前的適應(yīng)度值;n為巡檢點個數(shù)，個;

dij（i）為當(dāng)前巡檢點i和巡檢點j間路徑的長度，m.據(jù)式（6）計算貪心遺傳概率決定下一步執(zhí)行哪種貪心操作。

3.2.3?初始種群生成或貪心選擇

從初始巡檢節(jié)點開始出發(fā)，從“基因庫”Zi中第i行優(yōu)先選擇距離該巡檢節(jié)點較近的巡檢節(jié)點 Zj作為下一個巡檢節(jié)點，再從第j行元素中選擇較近的巡檢節(jié)點并編碼k，依次類推，在尋找下一個巡檢節(jié)點l，最后遍歷所有巡檢節(jié)點，如果“基因庫”中的巡檢節(jié)點已在前面的編碼選擇中出現(xiàn)過，就隨機生成另一個沒有出現(xiàn)過的巡檢節(jié)點。按照“基因庫”生成的初始種群是從當(dāng)前階段看來最優(yōu)解構(gòu)成的集合，是一種貪心選擇的策略。而按照這種方法生成的染色體片段，具有可定義長短，適應(yīng)性好等特點。

3.2.4?貪心交叉

簡單的遺傳算法進化機制是通過保留優(yōu)良的個體，使整個種群的性能得到提高，從而一步步的進行搜索，文中在進化過程中引入貪心策略，確定了個體的進化方向，降低了隨機誤差。交叉是通過組合父代雙親的優(yōu)秀基因，生成更好的可行解，貪心交叉選擇父代的第一個巡檢節(jié)點，然后在雙方父代中對比剩下的巡檢節(jié)點，選擇距離較短的巡檢節(jié)點，繼續(xù)進行巡檢，如果該節(jié)點已在巡檢過程中出現(xiàn)過，則選擇另外一個較近的巡檢節(jié)點，貪心交叉利用局部信息指導(dǎo)遺傳進化選擇，通過貪心交叉后的個體局部性能優(yōu)秀。

3.2.5?貪心變異

在經(jīng)過上一步貪心交叉選擇出來的個體，并不能保證收斂于局部最優(yōu)解，因此在其基礎(chǔ)上引入貪心變異操作，運用相鄰兩節(jié)點交換的局部尋優(yōu)方法，希望能找到局部最優(yōu)解，如果交換的基因改進了算法的結(jié)果，就接受此交換，否則不進行交換，因此，貪心變異是一個局部改善和調(diào)整的過程。

3.2.6?移民操作

移民是指每隔數(shù)代就像種群中加入新的個體，前一代的種群里，排在末尾5%～15%的個體被隨機產(chǎn)生的基因所代替，剩下的個體按照遺傳操作優(yōu)勝劣汰，進化過程后期，通過移民操作，增大移民個體數(shù)量，有利于跳出局部極值。雖然移民操作使種群總體性能有所下降，但是可預(yù)防早熟收斂。

3.2.7?終止算法

在遺傳進化過程中無法用傳統(tǒng)的方法來判斷算法的收斂性，因而也就很難來終止搜索，文中通過采用遺傳迭代停止條件，即首先設(shè)定最大進化迭代次數(shù)為N次，連續(xù)N次迭代后，如最終解沒有改善，則停止搜索。

4?GGA算法仿真驗證

4.1?巡檢點均在一層的仿真

本實驗的實驗研究平臺及貨位如圖4所示。圖4（a）為稀土金屬庫外;圖4（b）為庫內(nèi)部。

為了驗證遺傳貪心算法（GGA）在稀土金屬巡檢滑塊移動巡檢過程中算法的有效性，本實驗選用稀土金屬庫的規(guī)模分別為14，51，103個巡檢點的3個實例進行實驗，并與基本遺傳算法的求解情況進行對比，利用GGA算法及GA算法對上述3種情況分別進行60次獨立實驗，種群規(guī)模S=200，最大迭代次數(shù)i=500次，實驗結(jié)果見表1.

經(jīng)過對GA算法和GGA算法的對比，結(jié)果表明，GGA算法的巡檢路徑長度比GA算法平均路徑長度減少了15.2%，對103個巡檢點路徑長度減少了6.1%;隨著巡檢點的增加，迭代次數(shù)減少的比率越高，巡檢點路徑長度減少的比率越小。文中提出的GGA算法比GA算法具有更快的收斂速度，克服了GA算法收斂速度慢的缺點。 為了驗證算法的實用性，以甘肅稀土新材料有限責(zé)任公司自動化倉庫群為例，該公司有5個大型物資倉庫，每個倉庫由2排，6層（每層20個貨位），34列組成，共8 160個貨位。以該公司物流中心某貨架的一次巡檢為依據(jù)，該次巡檢過程中共41個待巡檢貨位，待巡檢貨物的貨位坐標(biāo)信息見表2.

應(yīng)用貪心遺傳算法，粒子群算法，貪心遺傳算法對其巡檢路徑進行仿真，迭代次數(shù)均取200次，遺傳算法及貪心遺傳混合式算法種群個體為200個，在貪心選擇后，交叉概率為0.6左右，變異率為0.1左右，對GGA算法巡檢過程進行仿真，如圖5所示。41個貨位分布圖如圖5（a）所示，GGA算法路徑規(guī)劃圖如圖5（b）所示，GGA算法迭代（適應(yīng)度值）曲線如圖5（c）所示。

由表3可知，迭代到75次，GGA出現(xiàn)最優(yōu)路徑，最優(yōu)路徑為380.36 m，且路徑平穩(wěn)。

為了驗證貪心遺傳混合式算法的有效性，通過仿真實驗將本次實驗結(jié)果與粒子群算法，遺傳算法結(jié)果相比較，粒子群算法（Particle swarm algorithm）優(yōu)化路徑結(jié)果如圖6（a）所示，遺傳算法優(yōu)化路徑如圖6（b）所示。

3種路徑優(yōu)化算法距離隨迭代次數(shù)變化的數(shù)據(jù)結(jié)果對比見表4.從表4中可以看出，在同等條件下遺傳貪心算法在75次就已經(jīng)迭代收斂，粒子群算法也在200多次就開始迭代收斂，而普通遺傳算法在300次左右才迭代收斂，因此可以看出貪心遺傳算法在收斂速度較粒子群算法，普通遺傳算法快，所以文中的遺傳貪心算法迭代收斂速度方面明顯優(yōu)于遺傳算法及粒子群算法。

4.2?多層立體庫的巡檢仿真

為了進一步驗證文中提出的GGA算法的有效性，下面對圖4的多層稀土材料庫的貨物進行巡檢仿真，圖7（a）為對稀土材料庫的4，5層50個巡檢點優(yōu)化路徑仿真;圖7（b）為對稀土新材料庫的4，5，6層75個巡檢點優(yōu)化路徑仿真。

表5和表6分別列出了2層庫和3層庫的GGA算法的迭代收斂次數(shù)，從而可見，對2層庫50個巡檢點在172次迭代收斂到最短路徑;對3層庫75個巡檢點在232次迭代收斂到最短路徑;隨著立體庫層數(shù)和巡檢點的增加，3層庫與2層庫巡檢比較，增加25個巡檢點后最優(yōu)路徑僅增加48.59 m.

5?結(jié)?論

1）云倉儲三維移動巡檢系統(tǒng)，可實現(xiàn)巡檢滑塊在危險場合代替人工巡檢，避免了安全隱患的發(fā)生，并可提高巡檢效率;

2）針對立體倉庫三維移動巡檢過程中存在的路徑優(yōu)化問題，提出貪心遺傳混合式路徑優(yōu)化算法，提出“可控點”集合及染色體片段集合的概念，將可控點集合作為遺傳算法的基因庫，通過貪心策略選擇出染色體片段，這種染色體片段具有可定義長短。該方法規(guī)定了遺傳算法的搜索方向，使得子代群體能在此方向前進，快速搜索到其它高質(zhì)量的區(qū)域;

3）利用稀土金屬庫規(guī)模不同的巡檢點的仿真結(jié)果與一般的遺傳算法相比，平均路徑長度減少了15.2%，對103個巡檢點路徑長度減少了6.1%;以規(guī)模為41個巡檢點仿真結(jié)果驗證，文中GGA算法迭代75次是收斂380.36 m.隨著巡檢點的增加，迭代次數(shù)減少的比率越高，巡檢點路徑長度減少的比率越小，均比傳統(tǒng)遺傳算法及粒子群算法具有較明顯的優(yōu)勢;

4）針對稀土材料庫的2層50個巡檢點和3層75個巡檢點的仿真表明，文中GGA算法同樣適應(yīng)多層立體庫的巡檢。該方法在相同參數(shù)下的巡檢路徑最短，收斂速度更快。

參考文獻（References）：

[1] 孫?猛，吳宗之，張宏元.危險化學(xué)品公路運輸事故原因分析與對策[J].中國安全科學(xué)學(xué)報，2013（8）：151-155.SUN Meng，WU Zong?zhi，ZHANG Hong?yuan.Cause analysis and countermeasures for road transportation accidents of dangerous chemicals[J].Chinese Journal of Safety Science，2013（8）：151-155.

[2]Rey，Tseng，Chun Pin.Hazard management and risk design by optimal statistical analysis[J].Journal of Natural Hazards，2012，64：1707-1716.

[3]丁柏銓.淺議重大公共危機事件中新聞發(fā)言人的發(fā)言與輿論的關(guān)系[J].新聞大學(xué)，2013（4）：52-56.

DING Bo?quan.The relationship between the speeches of the spokespersons and the public opinions in the major public crisis events[J].Journalism University，2013（4）：52-56.

[4]趙東風(fēng)，韓豐磊，徐建軍.警惕化學(xué)品“活性”危害[J].勞動保護，2016（11）：104-107.ZHAO Dong?feng，HAN Feng?lei，XU Jian?jun.Be wary of chemical “activity” hazards[J].Labor Protection，2016（11）：104-107.

[5]LU Gang，HAO Ping.Recognition of CAPTCHA based on weighted template matching and supervised learning[J].Computer and Modernization，2010（12）：40-43.

[6]Hassanzadeh R，Mahdavi I，Mahdavi?Amiri N，et al.A genetic algorithm forsolving fuzzy shortest path problems with mixed fuzzy arc lengths[J].Mathematical and Computer Modelling，2013，57（1）：84-99.

[7]Tanackov Ilija，Jankovi，Zdenko;Sremac，Sinia，et al.Risk distribution of dangerous goods in logistics subsystems[J].Journal of Loss Prevention in the Process Industries，2018，54（3）：373-383.

[8]Layeb Abdesslem，Benayad Zeyneb.A novel firefly algorithm based ant colony optimization for solving combinatorial optimization problems[J].International Journal of Computer Science and Applications，2014，11（2）：19-37.

[9]Kawata Yuko，Azuma Hiroyuki.Some approaches for optimizing CO2 storage system with water production in a heterogeneous reservoir using particle swarm optimization algorithm[J].Energy Procedia，2017，114（1）：4775-4786.

[10]李依桐，林?燕.基于混合粒子群算法的云計算任務(wù)調(diào)度研究[J].計算技術(shù)與自動化，2014，33（1）：73-77.LI Yi?tong，LIN Yan.Research on cloud computing task scheduling based on hybrid particle swarm optimization[J].Computing Technology and Automation，2014，33（1）：73-77.

[11]Asta Shahriar，zcan Ender.A tensor analysis improved genetic algorithm for online bin packing[C]//Proceedings of the 2015 Genetic and Evolutionary Computation Conference，2015（11）：799-806

[12]LI Jian?qiang，ZHANG Shen?peng，YANG Lei.Accurate RFID localization algorithm with particle swarm optimization based on reference tags[J].Intelligent Fuzzy System，2016，31（5）：2697-2706.

[13]蔡益紅.多特征融合的道路車輛檢測方法[J].計算技術(shù)與自動化，2013，33（1）：98-102.CAI Yi?hong.Multi?feature fusion road vehicle detection method[J].Computing Technology and Automation，2013，33（1）：98-102.

[14]田子建，李宗偉.基于電磁波及超聲波聯(lián)合測距的井下定位方法[J].北京理工大學(xué)學(xué)報，2014，34（5）：26-29.TIAN Zi?jian，LI Zong?wei.Downhole positioning method based on electromagnetic wave and ultrasonic combined ranging[J].Journal of Beijing Institute of Technology，2014，34（5）：26-29.

[15]王于丁，楊家海，徐?聰，等.云計算訪問控制技術(shù)研究綜述[J].軟件學(xué)報，2015，25（5）：1129-1149.WANG Yu?ding，YANG Jia?hai，XU Cong，et al.A survey of cloud computing access control technology[J].Journal of Software，2015，25（5）：1129-1149.

[16]陳?顯，侯媛彬，宋柏佑.等.基于步進電機的小型三維運動物流系統(tǒng)設(shè)計[J].西安科技大學(xué)學(xué)報，2016，36（6）：868-874.CHEN Xian，HOU Yuan?bin，SONG Bai?you，et al.Design of small 3D movement logistics system based on stepper motors[J].Journal of Xi’an University of Science and Technology，2016，36（6）：868-874.

[17]沈?捷.快消品企業(yè)倉儲管理系統(tǒng)的設(shè)計與實施[D].南昌：江西財經(jīng)大學(xué)，2017.SHEN Jie.Design and implementation of storage management system for fast consumption enterprises[D].Nanchang：Jiangxi University of Finance and Economics，2017.

[18]林以成.基于 GPRS 技術(shù)的倉庫監(jiān)控系統(tǒng)[J].儀表技術(shù)與傳感器，2018（8）：103-104.

LIN Yi?cheng.Warehouse monitoring system based on GPRS technology[J].Instrument Technique and Sensor，2018（8）：103-104.

[19]馬殷元.物流裝備控制和監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D].蘭州：蘭州交通大學(xué)，2017.

MA Yin?yuan.Research on key technologies of logistics equipment control and monitoring system[D].Lanzhou：Lanzhou Jiaotong University，2017.

[20]畢文俊.電信行業(yè)數(shù)據(jù)倉庫數(shù)據(jù)質(zhì)量管理系統(tǒng)設(shè)計與實現(xiàn)[D].北京：中國科學(xué)院大學(xué)，2017.

BI Wen?jun.

Design and implementation of data quality management system for data warehouse in telecom industry[D].Beijing：University of Chinese Academy of Sciences，2017.

[21]Raitis Apsalons，Gennady Gromov.Methodology of evaluation of the impact of picking area location on the total costs of warehouse[J].Transport and Telecommunication Journal，2017，31（10）：332-344.

[22]李志賓.自動化立體倉庫調(diào)度優(yōu)化問題研究[D].太原：中北大學(xué)，2017.LI Zhi?bin.Research on the scheduling optimization of automated stereo warehouse[D].Taiyuan：North Central University，2017.

[23]Theofania Tsironi，Peter Ronnow，Marianna Giannoglou.Developing suitable smart TTI labels to match specific monitoring requirements：the case of Vibrio spp.growth during transportation of oysters[J].Food Control，2016，41（6）：51-56.

[24]Holden R，Xu B，Greening P，et al.Towards a common measure of greenhouse gas related logistics activity using data envelopment analysis[J].Transportation Research Part A，2016，6（1）：105-119.

[25]Behmel S，Damour M，Ludwig R，et al.Water quality monitoring strategies：a review and future perspectives[J].Science of the Total Environment，2016，235（6）：1312-1329.