[发明专利]一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法

权利要求书

1.一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法，其特征在于：

根据每一次订单拣选，得到待拣选货物的坐标。拣货车以出货台为起始点，依次经过每一个需要停留的货架拣选货物，至出货台起始位置为终点，规划出一条无碰撞、安全到达货品的、便捷的最短路径。根据配送中心拣货车拣货的路径问题转化成包括拣货车的初始位置在内的旅行商问题。

提供一种基于遗传算法和蚁群算法融合的优化算法，先充分利用遗传算法的并行性、高效性、全局搜索性等优越性能作为蚁群算法求解组合优化问题的先验信息，生成信息素分布，然后充分利用蚁群算法的鲁棒性、正反馈性，提高配送中心货物的拣选效率。

2.如权利要求1所述的配送中心拣货路径规划方法，其特征在于，根据配送中心拣货车拣货的路径问题转化成包括拣货车的初始位置在内的旅行商问题。TSP问题的数学模型如下表示：

其中x_ij∈{0，1}，i∈v，j∈v

其中k是v的全部非空子集，|k|是集合k全部顶点的个数。

3.如权利要求1所述的拣货路径规划给出配送中心拣货模型假设。

根据仓储系统拣货过程的实际分析，经简化和筛选之后，对该模型进行以下描述和假设。

以该仓库的某一个存货区域作为拣货区，假设每个货位的零件货源充足；拣货车以某一安全稳定速度在货架中匀速运行；仓库所有货架的大小完全一样，并且承受的重量相同；货品在拣取过程中耗费的时间忽略不计，只考虑拣货车拣选过程中在垂直和水平上的运动时间。

4.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

先充分利用遗传算法的并行性、高效性、全局搜索性等优越性能作为蚁群算法求解组合优化问题的先验信息，生成信息素分布，然后充分利用蚁群算法的鲁棒性、正反馈性，提高配送中心货物的拣选效率。

5.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

编码和种群初始化，在拣选路径优化前，对待拣货物进行归类排序，对货物按照整数编码进行编号。确定适应度函数，进行个体评价，以目标函数值加1作为分母，转换后本发明的适应度函数为：

6.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

对评价的个体进行遗传操作，主要包括选择操作、交叉操作、变异操作。之后遗传算法得到的最优解，生成信息素初始分布，同时进行参数初始化。

7.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

根据遗传算法得到的最优解，生成信息素初始分布，同时进行参数初始化。

令时间t＝0和循环次数N_c＝0，设置最大循环次数G，将m只蚂蚁置于n个货位上，将每只蚂蚁的禁忌表tabu的第一个元素设置为当前所在货位，此时各路径上的信息素量相等。设τ_ij(t)＝c(c为一个较小的常数)。

8.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

蚂蚁按照转移概率公式完成各自货位遍历并记录本次最佳路线。

每只蚂蚁根据路径上的残留的信息素量和启发式信息(两待拣货位之间的距离)独立地选择下一个货位，在时刻t，蚂蚁k从货位i转移到货位j的概率为：

9.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

更新信息表，按照下式更新每条路径上的信息量。当所有蚂蚁完成一次周游后，各路径上的信息素根据下式更新：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+Δτ_ij

10.如权利要求1所述的的配送中心拣货路径规划方法，其特征在于，还包括：

进行迭代循环，直到找到拣货路径最优解。当算法达到最大迭代次数时便会终止，此时得到配送中心拣货路径规划的各待拣货位之间的最短路径和适应度进化曲线。