服装电商零散拣货区货位动态分配优化研究
这是一篇关于库位动态布局,服装零拣区,混合遗传算法,二次货位分配的论文, 主要内容为服装仓库中心对B2C电商销售模式专用的拣货区域是零散拣货区。近些年,服装电商销售的交易额呈现每年20%的增长,这种线上B2C小批量的订单模式使得其对应的仓库零散拣货区域作业活动增加,区域面积逐渐扩大,需要对零散拣货区域(零拣区)进行重点优化。进而加快服装物流周转速度,提高企业的服务水平。因此,本文主要研究了线上电商小批量订单模式下的零拣区库位进行季节性多阶段动态货位分配的问题。本文研究的意义是期望探索服装仓储系统的货位分配方案,为企业的生产实践提供理论指导,进而降低仓库运营成本。创新点是研究了存储季节性商品仓库货位优化的模式和求解问题。首先,本文针对服装电商的零拣区当季新品初次货位分配进行优化。每一季度期初需要规划新品入库的多个阶段货位分配问题。因此本文提出基于历史同期订单分析的单季度多阶段库位优化模型。在具体进行货位分配之前,先对服装品类的历史订单进行多阶段库存分析,使用CIO指标建立CFAM货位分配优化模型,分品类配置货位,形成多产品不同品类入库货位分配形态,实现热销产品容易拣选,节约仓库空间的目标其次,基于零拣区批次拣货单序列相关分析进行换季二次货位优化。服装产品有季节性的特点,在当前季度库存大约下降到该季度产品总库存总量约25%的时候,需要进行二次货位优化,为下一季度新品腾出空间。首先将当季前一阶段仓库拣选单进行序列相关关系分析,使用sequence算法,得到不同品类服装的序列相关关系频繁项值,然后对不同的品类服装进行相关关系赋值,并结合现有品类货位距离信息,进行二次货位分配。最终,实现关联品类服装放在一起,同时为新产品腾出空间。再次,实验过程使用两种不同的算法求解模型。关于初次货位优化,使用贪婪算法构建搜索树求解模型,给出最优的品类入库布局形态。第二部分是换季二次货位态布局优化。通过混合遗传算法求解二次货位分配模型,使用贪心策略给出启发式的初始解,然后再用遗传算法再进行求解,最终给出二次倒库作业后的货位布局顺序。最后,总结本文实验的结论。无论是单季节初次货位分配优化,还是换季倒库二次货位优化都明显的降低拣选的总成本,并且优化存储空间,最大程度的节约仓库运行的成本,效果显著;在算法方面,证明了混合遗传算法的步骤设计的合理性,通过循环不同的超参,证明了混合遗传算法参数设计的有效性。
基于混合遗传算法的无人仓储拣选系统排班优化算法研究
这是一篇关于无人仓,订单拣选,排班问题,混合遗传算法的论文, 主要内容为随着网络技术的不断发展和物流行业的兴起,逐渐打破传统购物的地域局限性,电商购物逐渐成为消费者购物的首要选择。与传统购物模式相比,电商购物可以极大的丰富商品种类。特别是在疫情期间,消费者使用电商购物平台在家就可以购买到他们所需的物品,为人们的日常生活带来了巨大的方便。在电子商务企业的快速发展过程中,值得注意的是,各大电商平台都会定期举行各种购物狂欢活动,如“618”、“双十一”等,并且各大商家会在此期间推出极具吸引力的促销活动,吸引顾客参加狂欢购物活动,订单量、交易额等每年都在刷新记录。但随着订单量的增加给物流带来了巨大的压力,尤其是对于自建仓储中心的大型网购平台,物流的快慢直接影响了消费者的购物体验。由于订单呈现出小批量、多批次、多种类等特点,物流仓储中心的分拣系统成为影响物流速度的关键,而在整个物流过程中,员工的拣选时间占据了很大的比重。因此,提高员工的拣选效率成为各大网购平台提高订单履约能力最关心的问题之一。本研究购物狂欢节期间订单量急剧增加的情况下,针对大型B2C(Business-to-Consumer)电商平台的自动仓储拣选系统进行研究。在工业4.0背景下,人工智能技术的快速发展为智能仓库的使用奠定了基础,自动导引车AGV(Automated Guided Vehicle)的使用促使仓储中心逐渐由“人到货”拣选模式转变为“货到人”拣选模式。由于在购物狂欢节期间订单包裹量急剧增加,给物流中心造成了巨大的负担。为此,仓储拣选中心不得不雇佣大量临时工人分担拣选作业的压力,但临时工人的拣选效率较低,工人排班成为影响工人拣选效率的一个重要因素。在阅读相关文献并对其总结分析的基础上,以最大化完成订单拣选量为目标函数,针对无人仓场景下工人排班优化模型,设计混合遗传算法,并通过FlexSim模拟无人仓储拣选流程对优化方案加以验证,最终得出结论并提出合理建议。论文中主要的研究工作概况如下:(1)根据相关调研结果得出,物流速度是影响消费者满意的一个主要因素。而在整个物流体系中,订单拣选是一个重要的组成部分。因此,本研究着重于订单任务拣选系统中,主要对无人仓储中心“货到人”拣选模式进行重点介绍。(2)设计了混合遗传算法对问题进行求解。基于传统的遗传算法,嵌入模拟退火算法的Metropolis准则,在保持算法收敛性的前提下,增加了种群的多样性。通过实例求解,证明了所提出算法是有效、可行的。(3)最后,通过FlexSim软件建立模型进行仿真实验,对所提出的方法进行验证。将基准实验与优化方案进行对比,分析仿真实验结果。
基于混合遗传算法的无人仓储拣选系统排班优化算法研究
这是一篇关于无人仓,订单拣选,排班问题,混合遗传算法的论文, 主要内容为随着网络技术的不断发展和物流行业的兴起,逐渐打破传统购物的地域局限性,电商购物逐渐成为消费者购物的首要选择。与传统购物模式相比,电商购物可以极大的丰富商品种类。特别是在疫情期间,消费者使用电商购物平台在家就可以购买到他们所需的物品,为人们的日常生活带来了巨大的方便。在电子商务企业的快速发展过程中,值得注意的是,各大电商平台都会定期举行各种购物狂欢活动,如“618”、“双十一”等,并且各大商家会在此期间推出极具吸引力的促销活动,吸引顾客参加狂欢购物活动,订单量、交易额等每年都在刷新记录。但随着订单量的增加给物流带来了巨大的压力,尤其是对于自建仓储中心的大型网购平台,物流的快慢直接影响了消费者的购物体验。由于订单呈现出小批量、多批次、多种类等特点,物流仓储中心的分拣系统成为影响物流速度的关键,而在整个物流过程中,员工的拣选时间占据了很大的比重。因此,提高员工的拣选效率成为各大网购平台提高订单履约能力最关心的问题之一。本研究购物狂欢节期间订单量急剧增加的情况下,针对大型B2C(Business-to-Consumer)电商平台的自动仓储拣选系统进行研究。在工业4.0背景下,人工智能技术的快速发展为智能仓库的使用奠定了基础,自动导引车AGV(Automated Guided Vehicle)的使用促使仓储中心逐渐由“人到货”拣选模式转变为“货到人”拣选模式。由于在购物狂欢节期间订单包裹量急剧增加,给物流中心造成了巨大的负担。为此,仓储拣选中心不得不雇佣大量临时工人分担拣选作业的压力,但临时工人的拣选效率较低,工人排班成为影响工人拣选效率的一个重要因素。在阅读相关文献并对其总结分析的基础上,以最大化完成订单拣选量为目标函数,针对无人仓场景下工人排班优化模型,设计混合遗传算法,并通过FlexSim模拟无人仓储拣选流程对优化方案加以验证,最终得出结论并提出合理建议。论文中主要的研究工作概况如下:(1)根据相关调研结果得出,物流速度是影响消费者满意的一个主要因素。而在整个物流体系中,订单拣选是一个重要的组成部分。因此,本研究着重于订单任务拣选系统中,主要对无人仓储中心“货到人”拣选模式进行重点介绍。(2)设计了混合遗传算法对问题进行求解。基于传统的遗传算法,嵌入模拟退火算法的Metropolis准则,在保持算法收敛性的前提下,增加了种群的多样性。通过实例求解,证明了所提出算法是有效、可行的。(3)最后,通过FlexSim软件建立模型进行仿真实验,对所提出的方法进行验证。将基准实验与优化方案进行对比,分析仿真实验结果。
视觉引导下码垛机器人目标检测和堆叠技术
这是一篇关于三维检测,VoteNet网络,强异构物体,优化堆叠,混合遗传算法的论文, 主要内容为近年来,新冠疫情发展迅猛,在人之间的传播异常,这对物流的安全运输提出了很高的要求。无论是在智能工厂还是在运输物流领域都对工业自动化有很大的需求。在十四五规划中提出目标,要推动工业互联网的平台建设,新一代信息技术与制造业深度融合。这对航空物流领域的智能化发展提出了更高的要求。本文针对航空物流中的运输,检测,装箱的全链路环境,选用多传感器AGV自主导航进行运输,采用视觉等传感器进行货物三维尺寸的智能识别,采用装箱算法进行仿真堆叠优化。主要工作如下:先策划码垛机器人的系统整体方案。包括货物自动搬运子系统、货物三维检测子系统和货物堆叠子系统三部分,然后逐一展开设计研究。对于自动搬运子系统,采用激光雷达自主导航AGV,给出差速AGV的硬件结构,结合AGV几何结构和运行方式,考察转弯变向路段AGV的可通行,在此基础上提出当量膨胀地图障碍后将货物运输到指定堆垛地点的全局路径规划优化方案。对于货物三维检测子系统,给出检测平台的硬件结构,包括传送装置和检测传感器,通过对比分析各类传感器优缺点,选择采用RGBD传感器获取货物三维信息,通过图像分析软件进行三维物体的位姿和尺寸的识别,分别对RGB相机和红外深度相机进行标定和配准;采用双RGBD融合方式,通过侧面的补偿实现遮挡物体的信息提取。从软件多方面途径提高检测精度:通过有监督深度学习网络来提高物体三维尺寸的识别准确率。先采用传统的机器学习方法,进行聚类拟合进行识别;接着针对聚类拟合的单一性和适用范围小的缺点,采用Point Net网络作为底层特征识别网络,并利用Vote Net投票网络,通过建立现有数据集进行识别;再针对Vote Net对遮挡物体的识别率不足,通过引入距离系数和双RGBD融合数据集补偿,建立改进后的New Vote Net网络。对于货物堆叠子系统,针对物体信息是否全部已知,以及装箱顺序是否固定,将堆叠分为三种:在线、半在线、离线堆叠三种方式,分析各类码垛堆叠的三维装箱算法的合适度。根据前述检测已获得的货物三维信息,着重对货物进行半在线堆叠规划。在分析组合优化的基本方式的基础上,讨论半在线装箱的一般解决方法;建立半在线装箱问题模型,找出约束,给出启发式算法的设计流程。针对一般的启发式算法可能会丢失最优解的情况,提出采用混合遗传算法进行堆叠。在一般的遗传算法的流程中引入记忆因子,并给出实现混合免疫遗传算法的具体方式。实验证明,对于获取货物三维信息,双RGBD布置有最好的效果;Vote Net网络比传统目标匹配的识别精度高很多,而改进的New Votenet网络能够在货物间距离远和货物存在遮挡的环境下提高识别精度;采用混合遗传免疫算法进行半在线堆叠能使堆叠空间的使用率最高和堆叠成本最低。
基于遗传算法的车间作业调度问题的研究
这是一篇关于车间作业调度,遗传算法,模拟退火算法,混合遗传算法的论文, 主要内容为车间作业调度问题(Job-Shop Scheduling Problem简称JSP)是制造执行系统研究的核心和重点之一,它对于提高企业的资源利用率、提高产品的总体质量、缩短产品的交货期、降低生产成本、提高企业在市场经济中的竞争力具有非常重要的意义。由于实际车间作业调度问题具有复杂性、动态随机性、约束性、多目标性等特点,因此受到学术界和工业界的广泛关注。研究表明,车间作业调度问题属于NP-hard问题,不存在精确的最优求解算法,只能求得其近似最优解。 遗传算法(Genetic Algorithm简称GA)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型,是一类全局优化搜索算法。遗传算法以其简单通用性、强鲁棒性、并行处理能力强、搜索全局最优解速度快等显著特点,被广泛运用于NP问题的求解。将遗传算法应用于车间作业调度问题,可以利用其强大的全局搜索能力,在大规模的解空间中寻找最优解;同时,利用遗传算法具有的隐式并行处理能力和强鲁棒性等特点,可以尽可能的减少问题的求解时间,提高求解效率。 但是,遗传算法在解决车间作业调度问题中存在着明显的不足,容易在收敛过程中得到局部最优解。因此,本论文针对遗传算法的不足,引入了模拟退火算法,根据两者的优缺点把两者结合起来,提出了混合遗传算法(Hybrid—Genetic Algorithm)的思想。通过设计两种算法的结合方式,充分利用两者的优点,避免各自的不足,增强了遗传算法的局部搜索能力,提高了算法的效率;接着结合实际车间作业调度生产中可能出现的具体问题,将所设计的混合遗传算法应用于实际的调度问题中,设计出解决车间作业调度问题的混合遗传算法的编码方式以及对应的遗传算子,并且详细介绍了所设计的遗传算法与模拟退火算法的结合方式。最后提出了车间作业调度系统的设计思想,并以主要代码和界面截图展示了系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/53349.html
