(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210515145.X (22)申请日 2022.07.19 (71)申请人 陕西科技大 学 地址 710021 陕西省西安市未央大 学城 (72)发明人 杨玮　郑传辉　李然　 (74)专利代理 机构 西安新思维专利商标事务所 有限公司 61 114 专利代理师 李罡 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/08(2012.01) G06N 3/12(2006.01) (54)发明名称 一种适用于RMFS仓储系统的订单分批优化 方法 (57)摘要 本发明公开了一种适用于RMFS仓储系统的 订单分批优化方法， 属于智能仓储系统优化技术 领域。 包括以下步骤： 1） 将由控制系统、 机器人、 拣选台、 拣货员、 可移动货架、 通道、 充电站所组 成的RMFS仓储系统 中的订单分批作业作为对象， 以最小化订单总延迟时间为目标， 构建订单分批 作业过程相应的数学模型； 2） 利用步骤1） 所建立 的数学模型对不同规模下的订单分批作业采用 融合大邻域搜索的改进差分进 化算法进行优化， 确定最优的订单分批方案。 该方法设计合理， 有 效的解决了多订单规模下动态 订单分批作业， 提 高了仓储系统拣选效率、 降低了物流成本 。 权利要求书3页 说明书8页 附图5页 CN 114897244 A 2022.08.12 CN 114897244 A 1.一种适用于RMFS仓储系统的订单分批优化方法， 其特 征在于， 包括以下步骤： 1)将由控制系统、 机器人、 拣选台、 拣货员、 可移动货架、 通道、 充电站所组成的RMFS仓 储系统中的订单分批作业作为对 象， 以最小化订单总延迟时间为 目标， 构建订单分批作业 过程数学模型； 2)利用步骤1)所建立的数学模型对不同规模下的订单分批作业采用融合大邻域搜索 的改进差分进化 算法进行优化， 确定最优的订单分批方案 。 2.如权利要求1所述的一种适用于RMFS仓储系统的订单分批优化方法， 其特 征在于， 步骤一中， 所述数 学模型的优化的目标 是使订单总延迟时间最小， 数 学语言描述 为： 其中， τi为第i个订单的延迟时间。 3.如权利要求1所述的一种适用于RMFS仓储系统的订单分批优化方法， 其特征在于， 步 骤一中， 所述数 学模型如下： 目标函数： 约束条件1： 约束条件2： 约束条件3： 约束条件4： 约束条件5： 约束条件6： 约束条件7： 约束条件8： 约束条件9： 约束条件10： 约束条件1 1： 其中， 订单i＝{1,2,3, …,I}， 货架e＝{1,2,3, …,E}， SKU～m＝{1,2,3, …,M}， 批次j＝ {1,2,3,…,J}； xij为0‑1变量， 若订单i被分配到批次j中， 则xij＝1， 否则xij＝0； C为一个批 次最大的订单量； aim为0‑1变量， 若订单i中包含商品m， 则aim＝1， 否则aim＝0； zjm为0‑1变量， 若批次j中包括商品m， 则zjm＝1， 否则zjm＝0； bme为0‑1变量， 若商品m在 货架e上， 则bme＝1， 否 则bme＝0； yje为0‑1变量， 若拣选批次j需要搬运货 架e， 则yje＝1， 否则yje＝0； 为批次j完 成拣选的时间； 为批次j开始拣选的时间； 为批次j的服务时间； t1为移动机器人 搬运一次货架的时间； t2为拣货员拣选一次SKU的时间； 为订单i的截止时间； 订单权　利　要　求　书 1/3 页 2 CN 114897244 A 2i完成拣选的时间。 4.如权利要求1所述的一种适用于RMFS仓储系统的订单分批优化方法， 其特 征在于： 步骤二中， 所述融合大邻域搜索的改进差分进化算法是在差分进化算法的基础上， 利 用大邻域搜索的移除算子和插 入算子， 将破坏和修复融入至 差分进化 算法中。 5.如权利要求 4所述的一种适用于RMFS仓储系统的订单分批优化方法， 其特 征在于： 所述融合大邻域搜索的改进差分进化 算法进行优化的步骤为： 1)初始化 首先采用随机初始化的方法， 在满足约束条件的前提下， 生成初始种群， 种群规模与个 体的维数D有关， 一般设在区间[5D,10D]内， 种群的初始 化应在符合边界约束的条件下尽可 能均匀覆盖全部区域， 假设每个个体的第j维的上下界分别为 和 那么个体将按以 下的方式进行初始化： 并设定算法相关参数， 包括种群数量NP、 缩放因子F、 交叉概率CR、 最大迭代次数genmax 等参数； 2)计算适应度值 在算法迭代过程中， 设置保 留为适应度最小的个体， 以 为适应度函数， 根 据适应度函数计算种群中个 体的适应度值； 3)记录当前个 体最优值以及全局最优值 4)经过步骤3)后进入 迭代循环， 当迭代循环小于次数Tmax， 执行如下操作： a)变异 针对每个个体向量， 执行差分变异操作会产生变异向量。 在DE中共有常用的5种变异策 略产生变异个 体Vi,G， 以DE/best/1策略进行变异操作， 如下 所示： Vi,G＝xbest,G+F(xr1,G‑xr2,G) 式中， xrm,G表示m＝[1,2,3,..,M]中随机选择的不同的个体， 与目标个体xi,G不相同。 xbest,G表示种群中适应度最好的个体， 缩放因子F为[0,2]中的一个实常数因数， 起到对控制 偏差变量的放大作用。 b)交叉 在变异操作后， 需将目标向量xi,G与变异向量Vi,G进行二项式交叉生成最终的试验向量 Ui,G＝[Ui1,G,Ui2,G,…,UiM,G]， 依下式进行交叉操作， 以增 加干扰参数向量的多样性： 其中， jrand是集合{1,2, …,M}内随机选择的一个整数， 以保证变异向量至少有 一维信息 被保留下来， 交叉概 率CR为区间[0,1]之间的常数。 c)判断当前解是否为较优解， 若是， 则在较优解的移除算子集中以轮盘赌的方式选择 一个算子； 若不是， 则在非较优解的移除算子集中以轮 盘赌的方式选择一个算子； d)对当前解应用选择的移除算子， 得到移除的订单集和其待插入的位置， 以轮盘赌的 方式选择插 入算子， 并计算邻域 解； e)经过步骤d)后， 计算原解与新 解的适应度；权　利　要　求　书 2/3 页 3 CN 114897244 A 3