智慧物流越庫最佳調(diào)度方案仿真

陸瑞新，劉春梅，聶 峰

(1. 江西科技學院，江西 南昌 330098；2. 南昌大學軟件學院，江西 南昌 330031)

1 引言

全球一體化進程的飛速發(fā)展背景下，全球采購以及制造等行為已經(jīng)成為現(xiàn)階段各個企業(yè)共同的發(fā)展目標以及戰(zhàn)略行為，物流在國際中的重要性也日益凸顯[1，2]。作為各個物流企業(yè)競爭的重要手段，客戶服務水平以及物流配送費用占據(jù)十分重要的地位。物流是結合運輸以及產(chǎn)品配送等多方面內(nèi)容，組建一個完成的貨物供應鏈，有效避免不必要的資金浪費，促使整個供應鏈變得更加經(jīng)濟且適用，同時還能夠進一步提升參與者的收益，確保物流企業(yè)的綜合競爭能力得到有效提升。

國內(nèi)相關專家針對智慧物流越庫調(diào)度方面的內(nèi)容進行了大量的研究，例如周炳海等人[3]將車輛最小等待時間以及越庫內(nèi)部運輸成本作為目標，組建越庫調(diào)度模型，通過梯度算法對模型進行求解，獲取最佳調(diào)度方案。吳倩云等人[4]主要將空間最大利用率作為目標，以此為依據(jù)構建物料裝載模型，同時分析不同客戶的動態(tài)需求，根據(jù)分析結果構建最優(yōu)配置模型，通過遺傳算法對模型進行求解，最終獲取滿意的物流集成調(diào)度方案。由于以上兩種調(diào)度方法并沒有獲取較高的客戶滿意度，導致最終獲取的調(diào)度方案不是十分理想。

為此，結合模糊時間窗相關理論，提出一種基于模糊時間窗的智慧物流越庫調(diào)度方法。經(jīng)實驗測試證明，所提方法能夠獲取最佳智慧物流越庫調(diào)度方案。

2 方法

2.1 基于模糊時間窗構建智慧物流越庫調(diào)度模型

智慧物流越庫調(diào)度問題的構成因素主要包含客戶點、道路網(wǎng)、運輸約束以及優(yōu)化目標等。道路網(wǎng)是進行物流越庫調(diào)度的基礎，同時也是構成車輛路徑問題最主要的因素，里面不單單包含客戶點和車場點的分布信息，同時還包含部分路徑對行駛的特殊需求，例如單向行駛或者轉(zhuǎn)向限制等等。

車輛是智慧物流越庫調(diào)度的主體[5，6]，主要負責完成客戶點的貨物配送或者收集等相關服務。智慧物流越庫調(diào)度中比較常見的問題就是多車型車輛調(diào)度。一個比較大的物流中心通常擁有一個比較完整的車隊，為了滿足不同客戶的需求，車隊中的車輛具有不同的載重量以及最大行駛距離等相關屬性。啟動哪種車輛進行調(diào)度是根據(jù)客戶需求進行設定，從圖論角度出發(fā)，設定G=(V，E)代表有向圖，其中V代表節(jié)點集，E代表邊集合。節(jié)點0代表車場點，當一組車輛從車場點出發(fā)對客戶點進行配送服務。另外，車輛路線必須滿足以下要求：

1)車輛的起始位置為車場點，結束位置也是車場點。

2)客戶點集配必須要滿足且只能由一輛車為其服務。

3)在整個服務過程中，所有車輛的承重必要在設定的范圍內(nèi)。

4)每一條車輛路線的行駛距離不能夠大于最大允許行駛距離數(shù)。

假設在設定的時間范圍內(nèi)貨物送達，則說明客戶的滿意度達到最佳狀態(tài)。含有模糊時間窗的智慧物流越庫調(diào)度問題可以描述為以下形式[7，8]：

通過對參數(shù)αl的不斷調(diào)整，即可得到不同服務水平下的配送費用總和。在上述分析的基礎上，需要根據(jù)客戶i的滿意程度設定獲取開始配送時間，以此為依據(jù)構建對應的模糊隸屬度函數(shù)U(Si)，具體如式(1)所示

(1)

式中，β代表時間敏感系數(shù)。

設定R代表用戶編號集合，V代表車輛結合，R1代表網(wǎng)絡節(jié)點集合，T代表終點。為了有效防止物流企業(yè)因服務質(zhì)量太差導致大批量顧客流失，設定客戶最低滿意度為θ。同時還需要設定模型中不同變量的取值，具體如式(2)和式(3)所示

(2)

(3)

式中，xijk和yijk分別代表不同的變量。

在上述分析的基礎上，組建以模糊時間窗的最小總配送成本pmin和最高客戶滿意度lmax為目標的智慧物流越庫調(diào)度模型，如式(4)所示

(4)

2.2 模型的求解

采用改進的蟻群算法對建立的智慧物流越庫調(diào)度模型進行求解。結合蟻群算法的相關理論可知[9，10]，螞蟻的行為需要滿足以下規(guī)律：

1)通過路徑上的信息素濃度，以對應的概率選擇下一步需要行走的路徑；

2)不再需要選取本次循環(huán)已經(jīng)走過的路徑為下一步行駛路徑，判定依據(jù)為控制點；

3)當螞蟻完成完整的循環(huán)后，需要在已知的路徑上釋放信息素，同時將各個路徑上的信息素濃度進行更新。

在螞蟻搜索初始階段，每一條路徑上的信息素都是已知且一致的，即τij(0)=C，C代表常數(shù)。螞蟻k在運動的過程中，主要借助不同路徑上的信息素濃度判定接下來的轉(zhuǎn)移方向。如果在t時間段螞蟻k位于隨機一個城市中且一次只能夠選取一個目標城市，則螞蟻經(jīng)過多次操作后最終返回起點，則完成一次循環(huán)。

(5)

式中，allowedk代表螞蟻k下一步允許被選擇的城市；ηij(t)和ηis(t)代表螞蟻開始搜索時刻和結束時刻。

當時間開始不斷變化，各條路徑上的信息濃度會慢慢揮發(fā)。在經(jīng)歷多個時間段之后，當全部螞蟻完成一次循環(huán)，需要對各條路徑上的信息素濃度進行調(diào)整τij(t+n)，具體如式(6)和式(7)所示

τij(t+n)=ρ×τij(t)+Δτij(t)，ρ∈(0，1)

(6)

(7)

式中，ρ代表路徑上殘留信息素可持續(xù)時長；Δτij代表此次循環(huán)中路徑ij上的信息素增量；Δτij(t)代表路徑ij上個信息素揮發(fā)耗費的總時長，具體可以將其表示為式(8)的形式

(8)

式中，Q代表任意一個常數(shù)；Lk代表第k只螞蟻在此次循環(huán)中所經(jīng)歷全部路徑的總長度。

綜合上述分析可知，蟻群算法的尋優(yōu)過程就是一個遞推迭代的過程[11，12]，詳細的操作流程如圖2所示：

1)對蟻群算法中全部參數(shù)進行初始化處理，同時將m只螞蟻放置到n城市中；

2)將第k只螞蟻的初始城市號碼放置到tabuk(s)中；

3)重復步驟(2)，直至全部的tabulist被填滿；

5)計算路徑總長度，進而獲取最短路徑。

為了獲取更加滿意的調(diào)度結果，需要對蟻群算法中以下幾方面的內(nèi)容進行改進[13，14]，分別為：

1)改進信息素更新規(guī)則

在真實世界中，如果哪條路徑上的信息素濃度比較高，則說明該條路徑上信息素揮發(fā)的速度也會隨之增加；反之，信息素濃度越低，揮發(fā)的速度就越慢。

為了有效避免路徑上信息素濃度無限增加以及路徑信息素濃度下降至零等情況，需要對信息素更新規(guī)則完成改進，如式(9)所示

(9)

式中，Nmax代表完成一次循環(huán)所需要的最長時間。

2)系數(shù)以及策略更新的改進

更新系數(shù)Q會影響算法整體的收斂速度，如果Q的取值過大，會導致算法的收斂小于局部最小值；反之，若Q的取值較小，會影響算法的收斂程度。隨著問題規(guī)模的不斷增加，為了加快收斂速度，還需要兼顧不斷增加的搜索范圍，因此需要更新系數(shù)以及策略進行改進，全面提升算法整體的收斂速率。

采用改進的蟻群算法對智慧物流越庫調(diào)度模型進行求解的詳細操作步驟如下所示[15]：

1)將全部任務分配到車輛k上，選擇未使用的車輛k，基于此，在沒有分配的任務中，設定最小任務量以及車輛總數(shù)，同時將兩者放置到設定區(qū)域，假設沒有滿足任務量需求，則繼續(xù)重復上述操作步驟；反之，則結束操作。

2)對每輛車分配的任務點按順序進行調(diào)度，同時安排服務點訪問順序。

3)通過任務點的極坐標中角度的大小依次和車輛來確定n條初始掃描線，多次重復以上調(diào)度方案，獲取目標函數(shù)最小的方案即為最佳智慧物流越庫調(diào)度方案。

3 仿真研究

為了驗證所提基于模糊時間窗的智慧物流越庫調(diào)度方法的有效性，選取F城市任意一個工廠生產(chǎn)車間的貨物暫存區(qū)作為研究區(qū)域，如圖1所示。

圖1 工廠生產(chǎn)車間平面布置圖

物流車從起始節(jié)點30開始，目標節(jié)點為520，分析蟻群算法和改進蟻群算法求解最優(yōu)調(diào)度路徑，具體實驗結果如圖2和圖3所示：

圖2 蟻群算法改進前后智慧物流越庫調(diào)度結果對比

圖3 蟻群算法改進前后路徑長度測試

分析圖2和圖3中的實驗數(shù)據(jù)可知，蟻群算法沒有進行改進前，經(jīng)過80次迭代獲取最優(yōu)路徑為225m，而改進后的蟻群算法經(jīng)過60次迭代獲取最優(yōu)路徑為200米。由此可見，經(jīng)過改進后，蟻群算法的綜合性能得到有效提升，能夠以更快的速度獲取最優(yōu)解。

以下進行多個AVG避障實驗測試，優(yōu)先分析沖突未解決時，智慧物流越庫調(diào)度結果如圖4所示。

圖4 存在沖突的智慧物流越庫調(diào)度方案

通過柵格地圖以及時間窗，將AVG2設定為等待策略，采用AVG1解決沖突，則對應的智慧物流越庫調(diào)度方案如圖5所示。

圖5 沖突解決后的的智慧物流越庫調(diào)度方案

分析圖4和圖5中的實驗數(shù)據(jù)可知，采用改進的蟻群算法能夠獲取更加理想的調(diào)度方案。

為了進一步驗證所提方法的有效性，以下實驗分析在入庫環(huán)節(jié)不同AGV的利用率變化情況，如表1所示。

表1 入庫環(huán)節(jié)AGV利用率變化情況

分析表1中的實驗數(shù)據(jù)可知，所提方法能夠合理規(guī)劃ADV路線，在考慮客戶滿意度的情況下制定對應的調(diào)度方案，全面提升智慧物流越庫調(diào)度效率，確保整個系統(tǒng)的穩(wěn)定運行。

4 結束語

針對傳統(tǒng)方法存在的一系列問題，提出一種基于模糊時間窗的智慧物流越庫調(diào)度。經(jīng)實驗測試證明，所提方法能夠獲取比較滿意的調(diào)度方案。

隨著人工智能技術的迅猛發(fā)展，需要將各種全新智能技術融入到物理越庫調(diào)度，獲取更加智能且內(nèi)容豐富的物流運營模式，后續(xù)將進一步考慮物流越庫調(diào)度的服務水平，不再單單使用改進的蟻群算法，還可以引入遺傳算法或者粒子群算法等等。