阅读说明：本技术 一种基于遗传算法的快速分拣线初始上架算法 (Rapid sorting line initial racking algorithm based on genetic algorithm ) 是由 肖勇民 于 2021-07-21 设计创作，主要内容包括：本发明公开一种基于遗传算法的快速分拣线初始上架算法,包括：初始生成一个种群,种群中随机生成若干个染色体,每个染色体代表一种初始上架方案,并计算每个染色体对订单的适应率；步骤S2、保留最好的部分染色体,剔除最差的部分染色体,再重新生成等量个体补足,维持种群数量不变,并计算新个体对订单的适应率；步骤S3、从种群中随机选择适应率高的染色体进行交叉和变异,重复步骤S2和S3,直到达到预设的迭代终止条件为止；步骤S4、对迭代完成输出的最好染色体进行反编码,得到初始上架结果。本发明基于遗传算法和适应度计算,以解决现有技术中仓库上架效率低和分配不合理的技术问题,实现更快、更合理的处理地处理订单。(The invention discloses a quick sorting line initial shelving algorithm based on a genetic algorithm, which comprises the following steps: a population is initially generated, a plurality of chromosomes are randomly generated in the population, each chromosome represents an initial shelving scheme, and the adaptability of each chromosome to an order is calculated; s2, reserving the best partial chromosome, removing the worst partial chromosome, regenerating the equal amount of individuals for complementing, maintaining the population quantity unchanged, and calculating the adaptation rate of the new individuals to the order; step S3, randomly selecting chromosomes with high adaptability from the population for crossing and mutation, and repeating the steps S2 and S3 until a preset iteration termination condition is reached; and step S4, performing inverse coding on the best chromosome output after iteration is completed to obtain an initial shelving result. The invention is based on genetic algorithm and fitness calculation to solve the technical problems of low efficiency of warehouse shelving and unreasonable distribution in the prior art and realize faster and more reasonable processing of orders.)

一种基于遗传算法的快速分拣线初始上架算法

技术领域

本发明涉及一种基于遗传算法的快速分拣线初始上架算法。

背景技术

WMS是仓库管理系统(Warehouse Management System)的缩写，主要负责订单查询、库存信息查询、数据统计、分拣复核、补货管理、入库理货、理货上架等功能；其中传统WMS的理货上架效率低、分配不合理，导致订单分拣效率低、发货错误率高，尤其在大促期间，急需大量人力来分拣订单，但仍无法保证提高订单分拣效率以及降低发货错误率，造成人力，财力资源浪费；

遗传算法(Genetic Algorithm，GA)模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。近年来在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。快速分捡线是现代仓储物流中广泛采用的一种分拣系统如图2，可减少人工行走负担；为提高订单分拣效率、降低发货错误率、节省人力、时间成本，有必要提出一种基于遗传算法的快速分拣线初始上架算法。

发明内容

为了克服现有技术中的问题，本发明提供一种基于遗传算法的快速分拣线初始上架算法。

本发明解决上述技术问题所提供的技术方案是：一种基于遗传算法的快速分拣线初始上架算法，包括：

步骤S1、初始生成一个种群，种群中随机生成若干个染色体，每个染色体代表一种初始上架方案，并计算每个染色体对订单的适应率；

步骤S2、保留最好的部分染色体，剔除最差的部分染色体，再重新生成等量个体补足，维持种群数量不变，并计算新个体对订单的适应率；

步骤S3、从种群中随机选择适应率高的染色体进行交叉和变异，重复步骤S2和S3，直到达到预设的迭代终止条件为止；

步骤S4、对迭代完成输出的最好染色体进行反编码，得到初始上架结果。

进一步的技术方案是，所述每个染色体包含N个基因片段，其中N代表工站数量；每个基因片段包含L个基因，其中L代表工站中最多容纳商品种类数，在基因片段中每个基因的值为1时代表工站存在所对应的商品，值为0时代表不存在；因此每个基因片段代表每个工站上架的商品集合。

进一步的技术方案是，所述交叉为对于两个基因片段gene，随机选取一定的长度，进行对应基因的交换，并计算可匹配订单。

进一步的技术方案是，所述变异为对于一个基因片段gene，随机选取两个不同取值的基因，进行交换，并计算可匹配订单。

进一步的技术方案是，所述步骤S4的反编码为对于处理匹配订单、商品时，首先对其进行编码，订单集合的下标作为商品的编号，对商品也进行同样的处理；在算法迭代完成之后进行反编码，得到具体的上架结果。

本发明具有以下有益效果：本发明基于遗传算法和适应度计算，以解决现有技术中仓库上架效率低和分配不合理的技术问题，实现更快、更合理的处理地处理订单。

附图说明

图1为本发明的流程框图；

图2为颗粒i和颗粒j之间碰撞作用力示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于遗传算法的快速分拣线初始上架算法，主要包括交叉、变异、路径选择、订单匹配、反编码等；

交叉mate：对于两个基因片段gene，随机选取一定的长度，进行对应基因的交换，并计算可匹配订单，如表1。

表1

Chromosome1	0	1	1	1(0)	0	1	1	0	0
										Chromosome2	1	0	1	0(1)	0	0	1	1	0

变异mutate：对于一个基因片段gene，随机选取两个不同取值的基因，进行交换，并计算可匹配订单，如表2。

表2

Chromosome原始	0	1	1	1	0	1	1	0	0
										Chromosome变异	0	1	0	1	1	1	1	0	0

路径选择paths：如图2对于一条有四个工站station的分拣线，对于同一个订单，工站1和工站2不能同时被选择，同理工站3和工站4也互斥；因此分拣路径一共有八种：1、2、3、4、1和3、1和4、2和3、2和4。对于每一条路径path，统计路径上所有工站上的sku不重复集合即可。

订单匹配：对于每个订单，依次循环根据统计生成的paths集合，若订单上全部商品可被分拣，则计数fitness，反之亦然，并记录可分拣订单。

反编码：对于处理匹配订单、商品时，首先对其进行编码，订单集合的下标作为商品的编号，对商品也进行同样的处理；在算法迭代完成之后进行反编码，得到具体的上架结果。

其中对于订单、商品以及库位的编码实现，具体如下：为了便于处理之后的计算，首先对订单和商品进行映射，对商品进行从0开始编码；对于订单池中的订单处理也是如此,如表3。

表3

映射	0	1	2	3	4	5	6	7	8
										商品	A	B	C	D	E	F	G	H	I

初始化准备：对订单、商品的处理，主要是对订单、商品进行编码如表3所示；

具体依次包括下列步骤：

步骤S1、初始生成一个种群，种群中随机生成若干个染色体，每个染色体代表一种初始上架方案，并计算每个染色体对订单的适应率；

其中每个染色体包含N个基因片段，其中N代表工站数量；每个基因片段包含L个基因，其中L代表工站中最多容纳商品种类数，在基因片段中每个基因的值为1时代表工站存在所对应的商品，值为0时代表不存在；因此每个基因片段代表每个工站上架的商品集合如表4；

表4

商品映射	0	1	2	3	4	5	6	7	8
										工站编码	1	0	1	1	1	0	1	1	1

步骤S2、保留最好的部分染色体，剔除最差的部分染色体，再重新生成等量个体补足，维持种群数量不变，并计算新个体对订单的适应率；

步骤S3、计算可匹配订单数量fitness，设置迭代条件，包括计算次数、计算时间限制，对每个染色体而言，每次迭代计算包括祛除部分对订单适应度差的个体，生成等量新的染色体保证种群数量不变，以及上述交叉mate和变异mutate，每一步迭代都需要计算每个染色体对订单的适应度，并排序，当达到预设迭代目标即可终止迭代；

步骤S4、对迭代完成输出匹配订单数量fitness最多的染色体方案，并获取每个工站需要上架的商品集合结果，按照此结果对订单、商品进行反编码，再根据货架取货的方便程度顺序上架即可。

以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。