Recherche sur l'optimisation de l'ordonnancement de quatre

Jun 23, 2023

Aldi officiellement moins cher que Tesco, Asda et Lidl pour le douzième mois consécutif

Aug 03, 2023

Meilleurs paniers de douche 2023

Jun 14, 2023

Le programme de laissez-passer pour les musées aide les familles à accéder aux arts

May 20, 2023

Multivac ouvre un nouveau centre logistique de 11,2 millions de dollars

May 15, 2023

Possumhaw : Tout en une journée

Envoyez votre demande

SOUMETTRE

Jul 11, 2023

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 3999 (2023) Citer cet article

519 accès

Détails des métriques

Dans cet article, nous prenons le système de navette à quatre voies comme objet de recherche et établissons le modèle mathématique d'optimisation de l'ordonnancement basé sur le temps minimum pour l'optimisation des opérations d'entrée/sortie et les problèmes d'ordonnancement d'optimisation de chemin du système de navette à quatre voies. Un algorithme génétique amélioré est utilisé pour résoudre la planification des tâches, et un algorithme A* amélioré est utilisé pour résoudre l'optimisation du chemin au niveau de l'étagère. Les conflits générés par le fonctionnement parallèle du système de navette à quatre voies sont classés, et l'algorithme A* amélioré basé sur la méthode de la fenêtre temporelle est construit pour l'optimisation du chemin par le biais de la méthode de la théorie des graphes dynamiques afin de rechercher des chemins sûrs sans conflit. Grâce à l'analyse d'exemples de simulation, il est vérifié que l'algorithme A * amélioré proposé dans cet article a un effet d'optimisation évident sur le modèle de cet article.

La logistique d'entrepôt est entrée dans l'ère de l'intégration de systèmes automatisés, avec des étagères tridimensionnelles de grande hauteur, l'équipement de stockage principal étant devenu le principal moyen de stockage de systèmes logistiques intelligents. Le corps principal de l'ouvrage comporte également des étagères de stockage transformées en robots ou en navette + étagères. Le système de stockage avec matériel et logiciel intégrés tels que étagère + navette + palan + système de prélèvement + système de gestion d'entrepôt est devenu l'un des principaux modes de stockage. Afin d'améliorer la demande de délai de livraison et d'efficacité du dernier kilomètre urbain, un nouveau type de système de navette, le système de navette à quatre voies, est de plus en plus utilisé.

En tant que mise à niveau du système de navette, le système de navette à quatre voies présente des caractéristiques telles que des voies longitudinales et transversales entre les étagères et des nœuds croisés entre les voies. Non seulement le chariot peut fonctionner dans quatre directions dans une seule couche d'étagères, mais il peut également fonctionner avec le palan pour effectuer un changement de couche, ce qui est important pour améliorer la stabilité du fonctionnement du système de stockage, l'efficacité du travail et réduire les coûts de production. Cependant, avec l'expansion des tâches entrantes et sortantes et l'augmentation du nombre de navettes quadridirectionnelles disponibles, la complexité de l'attribution des tâches et de la planification des opérations parallèles multivéhicules des navettes quadridirectionnelles a augmenté. La planification d'un chemin optimal le plus court sans collision et sans conflit pour plusieurs navettes à quatre voies dans un scénario d'entrepôt fixe est un problème difficile dans l'étude des systèmes de navette à quatre voies. Le système de navette à quatre voies étudié dans cet article est une configuration de rayonnage à profondeur unique avec une rangée de racks de grande hauteur de chaque côté de chaque allée et un treuil à l'extrémité de l'allée pour correspondre à l'opération de changement de couche de la navette à quatre voies. Le rayonnage à profondeur unique convient au stockage de petites quantités et de multiples variétés de petits articles, et ce système nécessite plus de voies principales, ce qui encombre l'espace de stockage et réduit l'utilisation de l'espace de stockage. Cependant, cette disposition de stockage stocke des marchandises en petits lots et multivariétés dans un mode d'accès flexible, et plusieurs navettes à quatre voies peuvent être utilisées pour fonctionner en parallèle, améliorant ainsi l'efficacité des opérations d'accès. Le plan d'étage du système de navette à quatre voies étudié dans cet article est illustré à la Fig. 1.

Disposition en plan du système de navette à quatre voies étudié dans cet article.

Ce document fournit une planification des tâches et une gestion optimale d'un système de stockage à navette à quatre voies pour réduire le temps de fonctionnement et améliorer l'efficacité opérationnelle de l'entrepôt en utilisant de manière rationnelle la coordination entre les équipements existants sans ajouter d'investissement dans l'équipement. Les équipements d'accès automatique dans la littérature se composent principalement de transstockeurs et de navettes ou d'une combinaison des deux, mais moins de recherches ont été effectuées sur les systèmes de navette à quatre voies. Le problème d'ordonnancement est plus complexe car la navette à quatre voies peut se déplacer dans des directions tridimensionnelles longitudinales, latérales et verticales pour atteindre n'importe quelle position des marchandises1,2,3,4,5,6.

Les types les plus courants d'entrepôts stéréo automatisés sont AS/RS, SBS/RS, AVS/RS. Les systèmes AS/RS sont relativement peu coûteux à mettre en œuvre dans la production industrielle réelle, mais de tels systèmes sont moins flexibles et AS/RS ne peuvent alimenter que des racks à simple ou double profondeur. En conséquence, le nombre d'allées augmente avec la taille de l'entrepôt, ce qui entraîne une mauvaise utilisation de l'espace. Dans la littérature scientifique, la recherche sur l'AVS/RS peut être largement divisée en systèmes interchangeables et non interchangeables. Le premier est que le chariot peut monter et descendre à différentes couches avec le palan. Ce dernier est un système dans lequel le chariot est affecté à une couche spécifique d'AVS/RS pour le fonctionnement et ne peut pas se déplacer avec le palan. Le système SBS/RS est un système de stockage automatique avec une navette comme noyau. Ce système est une nouvelle technologie dans AVS/RS et nécessite une navette sur chaque couche. En raison de son coût d'investissement initial élevé, il convient principalement aux entrepôts à faible charge. Les chercheurs se sont principalement concentrés sur les systèmes AVS/RS et SBS/RS pour les systèmes de stockage, et moins sur l'optimisation de la planification des navettes à quatre voies7,8,9,10. Dans11 la référence, la théorie de l'ordonnancement des navettes a été classée selon différentes situations d'ordonnancement et s'est concentrée sur les sélections de navettes multiples dans les cas de demandes de tâches uniques par rapport aux sélections de navettes uniques dans les cas de demandes de tâches multiples. Un algorithme de classification floue a été appliqué pour déterminer la probabilité d'occurrence d'une tâche de travail, puis les tâches de travail existantes et les tâches de travail qui devaient être générées ont été prises en compte pour résoudre le problème d'optimisation dynamique du trajet multivéhicule en utilisant un algorithme génétique pour attribuer la livraison de la navette de manière plus rationnelle12. Dans13 la référence, l'algorithme génétique et la stratégie de stockage aléatoire ont été utilisés pour développer un mode à double boucle pour ordonner les tâches pour l'AS/RS, et le modèle d'algorithme génétique a été proposé pour déterminer simultanément les positions et l'ordre des tâches. Le modèle était supérieur à deux algorithmes heuristiques gourmands. Le problème d'ordonnancement des tâches a été transformé entre les navettes et les ascenseurs en un problème de fonctionnement parallèle de la chaîne de montage basé sur les caractéristiques de mouvement des navettes et des ascenseurs. Un modèle de file d'attente de tâches de planification a été généré dans une fenêtre de temps spécifiée14. De nombreux chercheurs ont envisagé l'application d'algorithmes génétiques pour résoudre des modèles de problèmes de planification de véhicules, mais ont rarement envisagé l'amélioration de la résolution de modèles de planification de navettes à l'aide d'opérateurs génétiques et de fonctions de fitness.

L'optimisation de la programmation des navettes est l'objectif et la difficulté de la recherche sur les systèmes de navette. Parmi eux, l'optimisation de chemin est une autre méthode importante pour améliorer l'efficacité du système. Le cœur de l'optimisation de chemin est la conception de l'algorithme. Les algorithmes traditionnels incluent principalement des algorithmes de recherche interdits et des méthodes de recuit simulé15,16,17,18,19. L'algorithme de recuit simulé est une méthode optimale locale, ce qui permet de sortir facilement de la solution optimale locale et de converger lentement, et il a une certaine influence sur la précision de la solution20,21,22,23,24. Dans la référence25, un algorithme adaptatif de recherche de voisinage variable et un algorithme de relaxation lagrangienne ont été développés pour traiter de grandes instances en établissant un modèle de programmation biobjectif en nombres entiers de temps et d'énergie. En étudiant le système de stockage partagé, le problème d'ordonnancement des grues, en tant que type particulier de problème de routage de véhicules tolérant aux pannes, a été reformulé afin qu'il puisse être utilisé pour résoudre certains problèmes ouverts concernant la complexité temporelle du problème de routage géométrique associé26. Dans la référence27, des véhicules guidés automatisés, des ascenseurs et des navettes ont été étudiés pour un problème d'optimisation intégré. Un modèle de programmation à nombres entiers mixtes a été proposé pour optimiser l'affectation des palettes aux équipements et emplacements de stockage associés pendant le processus d'entrée, et un algorithme basé sur la recherche de voisinage variable a été développé pour résoudre efficacement le modèle. La référence28 a considéré un AS/RS multi-couloirs avec une machine S/R multishift et a effectué une optimisation du système à l'aide d'un algorithme génétique. Pour résoudre le problème d'impasse de conflit causé par le fonctionnement simultané de plusieurs navettes, Li et Roy ont utilisé une méthode de contrôle de zone, divisant le système de stockage en zones sans chevauchement et permettant à une seule navette à quatre voies d'effectuer la tâche dans chaque zone29,30.

Les chercheurs ont étudié les systèmes de navette assez mûrement mais se sont davantage concentrés sur la planification des navettes, favorisant le fonctionnement normal de la planification du système sous plusieurs objectifs et impliquant rarement des blocages du système, le contrôle du trafic, etc. En termes d'optimisation de la planification, les études se sont principalement concentrées sur les systèmes de navette unique et les rayonnages de stockage avec une navette pour les tâches d'accès dans chaque zone, avec des modèles de planification limités à des opérations à un seul niveau ou à un ascenseur desservant plusieurs allées fixes. Pour résoudre le problème d'impasse de conflit, le procédé de contrôle de zone et le procédé de contrôle prédictif peuvent augmenter le lien intermédiaire de la tâche d'exploitation et limiter la portée de l'opération de navette, réduisant ainsi l'efficacité opérationnelle du système de stockage. Les systèmes de navette à quatre voies peuvent ajuster dynamiquement la tâche de fonctionnement en fonction de la demande de charge, ce qui offre une grande flexibilité, mais le fonctionnement parallèle de plusieurs navettes au même niveau peut générer des conflits de chemin et la planification du contrôle du système est plus compliquée. Par conséquent, le problème de recherche de cet article est de prendre le système de navette à quatre voies comme objet de recherche et d'établir un modèle mathématique basé sur l'optimisation du temps le plus court pour la planification basée sur l'optimisation des opérations d'accès et la planification de l'optimisation des chemins pour plusieurs navettes à quatre voies et plusieurs ascenseurs dans le système de navette à quatre voies. En combinant les caractéristiques du modèle, un algorithme génétique amélioré est utilisé pour résoudre la planification des tâches et un algorithme A* amélioré pour l'optimisation du chemin au niveau du rayon.

La conception innovante de l'algorithme d'une navette à quatre voies et d'un treuil fonctionnant en parallèle et d'une recherche automatique de chemin de navette à quatre voies sans restriction de direction de mouvement est proposée.

La fonction mathématique est établie sur la base de l'optimisation de l'objectif de temps le plus court. Lorsqu'il est combiné avec l'algorithme génétique, il est facile de trouver les meilleures caractéristiques de recherche multipoint grâce à l'utilisation de l'algorithme génétique amélioré de planification de chemin local pour trouver chaque chemin d'opération de navette et grâce à la simulation du logiciel Python.

La recherche de chemin de l'algorithme A * est améliorée et améliorée pour prendre en compte l'évitement de la congestion sur la base du chemin le plus court. L'algorithme A * amélioré basé sur la théorie des graphes dynamiques et les fenêtres temporelles est proposé pour résoudre le problème de verrouillage de collision lorsque plusieurs navettes fonctionnent ensemble dans la même couche pour le problème de conflit de chemin de plusieurs navettes à quatre voies. La trajectoire de trajet la plus courte, qui prend du temps, des véhicules navettes à quatre voies dans la même couche est obtenue.

Pour fournir un support théorique pour le système de stockage de navette à quatre voies, nous fournissons une base théorique pour la planification du stockage, la disposition de conception et la planification des tâches, ce qui peut améliorer l'utilisation de l'espace, la rationalité des tâches et l'optimisation des trajets du système de navette à quatre voies.

Le reste de cet article est organisé comme suit. La section "Construire le modèle" fournit les hypothèses du modèle proposé et la formulation de la conception du modèle appliquée dans cette étude. Le cadre de l'algorithme et la formulation spécifique de l'algorithme amélioré sont donnés dans la section "Algorithme proposé". Un exemple d'application spécifique de l'algorithme proposé dans l'article est présenté dans la section "Analyse d'exemple d'application". La section "Conclusion" conclut l'article.

Pour mieux étudier le modèle d'optimisation de la planification du système de navette à quatre voies, les hypothèses suivantes sont faites pour le système de navette à quatre voies dans cet article :

Les étagères et les compartiments ont les mêmes spécifications, chaque allée a la même largeur et les marchandises sont stockées selon une stratégie de stockage aléatoire.

Les tâches d'exploitation entrantes et sortantes exigent que les navettes à quatre voies et les treuils fonctionnent ensemble sous réserve de la stratégie FCFS.

Chaque rangée d'étagères comporte $M$ niveaux et $N$ colonnes de longueur, largeur et hauteur fixes.

Une seule navette à quatre voies est autorisée à circuler dans la même section de l'allée en même temps.

Le treuil et la navette à quatre voies sont en mouvement uniformément accéléré.

La navette à quatre voies ne peut transporter qu'une seule pièce de fret à la fois et le processus de fonctionnement n'est pas interrompu. Chaque palan ne peut charger qu'une seule navette à quatre voies ou une seule pièce de fret à la fois, et la position initiale de la navette à quatre voies est la position finale de la cargaison cible de la dernière tâche. La position initiale du treuil est le niveau de chargement cible final de la dernière tâche à la fin de l'entrée du treuil d'allée.

Le temps que la navette met pour accéder aux marchandises et le temps qu'il faut pour entrer et sortir du treuil sont négligés, le temps de rotation de la navette est le même que la valeur constante.

Paramètres

Signification

${R}_{compte}$

Nombre total de navettes à 4 voies du système ($count=\mathrm{1,2},3\dots n$)

${E}_{compte}$

Nombre total de levages du système ($count=\mathrm{1,2},3\dots m$)

La hauteur de chaque étagère

${J}_{compte}$

Le nombre total de tâches opérationnelles ($count=\mathrm{1,2},3\dots k$)

${W}_{T}$

La largeur des allées individuelles

Le nombre de niveaux d'étagères

La longueur des compartiments de chargement individuels

${TOILETTES}$

La largeur des compartiments de chargement individuels

${V}_{Rm}$

la vitesse maximale de la navette à quatre voies

${a}_{R}$

L'accélération de la navette à quatre voies

${V}_{Em}$

Vitesse maximale maximale du palan

${a}_{E}$

Accélération du palan

${T}_{2},{T}_{3}$

l'expression de la fonction de temps a une signification similaire à ${T}_{1}$

${E}_{évaluable}$

Nombre de palans disponibles dans le système

${R}_{disponible}$

Nombre de navettes à quatre voies disponibles dans le système

${M}_{J}$

Le niveau cible de la tâche entrante J est sur $(M=\mathrm{1,2},\dots ,M)$

${M}$

Navette à quatre voies R dernière opération effectuée à l'étage $(M=\mathrm{1,2},\dots ,M)$

${T}_{1Ei}$

Temps mis par le palan i pour fonctionner déchargé à l'entrée du sol de l'entrepôt $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{2Ei}$

Temps nécessaire pour exécuter l'ascenseur que je charge jusqu'au niveau où se trouve le niveau cible $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{1RJ}$

Navette à quatre voies j temps passé à rouler déchargé vers l'ouverture du treuil au bout du tunnel $\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)$;

${T}_{2RJ}$

Navette à quatre voies j Temps nécessaire pour livrer la charge à la baie cible $\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)$

${T}_{3Ei}$

Temps nécessaire pour faire fonctionner le palan que j'ai déchargé jusqu'au niveau où se trouve la navette à 4 voies $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$;

${T}_{4Ei}$

Il est temps de transporter l'élévateur pour charger la navette à quatre voies jusqu'à l'étage où se trouve le niveau de chargement cible

${T}_{1Ek}$

Ascenseur k temps passé à fonctionner à vide jusqu'à l'entrée de l'étage de l'entrepôt $\left(k\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{2Ek}$

Ascenseur k Temps nécessaire pour exécuter la charge jusqu'au niveau où se trouve le niveau cible $\left(k\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{1Ei}^{\mathrm{^{\prime}}}$

Temps entre le palan $i$ vide et l'étage où se trouve le niveau de chargement sortant $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{1Rj}^{\mathrm{^{\prime}}}$

Temps mis par la navette à quatre voies $j$ pour atteindre l'espace de chargement cible vide $\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)$

${T}_{2Rj}^{\mathrm{^{\prime}}}$

Le temps mis par la navette à quatre voies $j$ pour ramasser et livrer les marchandises au palan $\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)$

${T}_{2Ei}^{\mathrm{^{\prime}}}$

Temps mis par le palan $i$ pour transporter les marchandises à exporter $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{3Ei}^{\mathrm{^{\prime}}}$

Temps passé avec le palan $i$ vide vers d'autres niveaux de chariots disponibles $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{3Rj}^{\mathrm{^{\prime}}}$

Temps mis par la navette à quatre voies $j$ pour atteindre l'ouverture du treuil à vide $\left(j\subseteq \mathrm{1,2},\dots {R}_{count}\right)$

${T}_{1Ei}^{\mathrm{^{\prime}}}$

Temps nécessaire au palan $j$ pour charger une navette à quatre voies jusqu'au niveau où se trouve le niveau cible $\left(i\subseteq \mathrm{1,2},\dots {E}_{count}\right)$

${T}_{S}^{\mathrm{^{\prime}}}$

L'heure de début de la première opération sortante

${T}_{E}^{\mathrm{^{\prime}}}$

Le temps nécessaire pour terminer la dernière opération sortante

${f}_{max}$

Valeur maximale de fitness dans la population

$F$

La valeur d'adaptation du plus grand des deux individus à croiser dans la population

${f}_{agv}$

Valeur moyenne de fitness de tous les individus de la population

${f}^{\mathrm{^{\prime}}}$

La valeur de fitness des individus de la population à muter

$N$

Nombre de compartiments de chargement à une rangée

$K$

Nombre de voies

Dans le système de navette à quatre voies étudié dans cet article, la relation entre la vitesse et le temps de fonctionnement de la navette est illustrée à la Fig. 2. Sur la base des hypothèses, la longueur d'allée, la longueur d'allée transversale et la hauteur d'étagère requises pour que la navette à quatre voies et le palan accélèrent à la vitesse maximale, puis décélèrent jusqu'à 0 sont $S_{Rm} = \left| {\frac{{V_{Rm}^{2} }}{{a_{R} }}} \right|, \; { }S_{Cm} = \left| {\frac{{V_{Rm}^{2} }}{{a_{R} }}} \right|{,}\;{ }H_{Em} = \left| {\frac{{V_{Rm}^{2} }}{{a_{E} }}} \right|$. La longueur de chaque compartiment, la largeur de chaque compartiment et la largeur de l'allée et la hauteur de chaque étagère sont connues, donc le nombre minimum de compartiments et le nombre de niveaux nécessaires sont $L_{Rm} = \left| {\frac{{S_{Rm} }}{L}} \right|,\;{ }L_{Cm} = \left| {\frac{{S_{Rm} }}{{2W_{C} + W_{T} }} } \right|,\;L_{Em} = \frac{{H_{Rm} }}{H}$31.

Temps de direction horizontale

Si la position initiale de la navette à quatre voies vers la position de fret cible ou la fin du tunnel de levage s'ouvre dans le même tunnel. Autrement dit, le temps nécessaire pour exécuter la navette de la colonne $x$ à la colonne ${x}^{\mathrm{^{\prime}}}$ ou de la colonne $x$ à la colonne 0 est :

Vitesse de course de la navette à quatre voies en fonction du temps.

Lorsque la position initiale de la navette quadridirectionnelle et la position de chargement cible ou la position de la navette quadridirectionnelle et du treuil de bout d'allée ne se trouvent pas dans la même allée, c'est-à-dire de la colonne $x$ à la colonne ${x}^{\mathrm{^{\prime}}}$ par de nombreux segments de temps de trajet en ligne droite, et de l'allée $y$ à l'allée ${y}^{\mathrm{^{\prime}}}$ par plusieurs segments de temps de commutation d'allée, de sorte que le temps de fonctionnement de la navette est la somme d'un certain nombre de segments de temps de trajet en ligne droite et d'un certain nombre de segments de temps de commutation d'allée. Le temps pour chaque section droite est similaire à la solution en (1), et le temps pour chaque section pour changer de voie est :

Si l'allée va de la première allée à l'autre $y$ allée, le temps nécessaire à la navette à quatre voies pour fonctionner est :

Temps dans le sens vertical du palan

La position initiale du treuil de bout d'allée jusqu'au premier étage de la prise en charge de l'entrepôt, c'est-à-dire du $m$ étage au premier étage ou du premier étage au ${m}^{\mathrm{^{\prime}}}$ temps est :

Le temps entre la position initiale du treuil au bout du tunnel et le niveau de cargaison cible, c'est-à-dire du niveau $m$ à ${m}^{\mathrm{^{\prime}}}$, est :

Le modèle de planification basé sur le temps pour les opérations entrantes

Cas 1 Lorsqu'il y a une navette quadridirectionnelle inactive sur le sol où se trouve la position de chargement cible des marchandises à entreposer et que le système dispose d'un palan disponible en même temps, analysez les étapes de fonctionnement de la navette quadridirectionnelle et du palan et calculez le temps de fonctionnement. Lorsque la position cible se trouve dans la couche entrepôt, le temps de fonctionnement du palan pour transporter les marchandises est de 0.

Étapes de fonctionnement de la navette à quatre voies : 1. La position de départ de la navette est une opération sans charge jusqu'à l'extrémité de l'embouchure de l'élévateur d'allée. 2. La navette envoie les marchandises à la position cible.

Étapes de fonctionnement du palan : 1. Le palan fonctionne à vide jusqu'au sol de l'entrepôt. 2. Le palan transporte les marchandises vers le plancher de chargement cible.

Le système fonctionne en parallèle : l'étape 1 de l'opération de navette à quatre voies et les étapes 1 et 2 de l'opération de levage exécutent l'opération en parallèle en même temps.

Le temps de fonctionnement est calculé à l'aide de l'Eq. (7).

Si l'emplacement cible est au premier étage de l'entrepôt et que ${T}_{1Ei}, {T}_{2Ei}$ sont 0, où l'étape 1 de l'opération de navette à quatre voies et les étapes 1 et 2 de l'opération de levage sont des opérations parallèles. Avant que la navette à quatre voies ne termine l'étape 1, elle doit d'abord attendre l'opération de levage ; avant que le palan ne termine les étapes 1 et 2, il doit d'abord attendre que la navette à quatre voies termine l'étape de fonctionnement (1) ; ainsi, le temps d'opération qui prendra le plus de temps sera la pièce terminée.

Cas 2 Lorsqu'il n'y a pas de navette quadridirectionnelle gratuite à l'étage où se trouve la position cible des marchandises à stocker, mais qu'il y a une navette quadridirectionnelle gratuite à d'autres étages et qu'un palan est disponible dans le système, analysez les étapes de fonctionnement de la navette quadridirectionnelle et du palan et calculez le temps de fonctionnement.

Étapes de fonctionnement de la navette à quatre voies : 1. La navette démarre à la position de départ et circule à vide jusqu'au bout de l'allée à l'entrée du treuil. 2. La navette suit le palan jusqu'à la couche où se trouve la position cible de la cargaison, puis transporte la cargaison jusqu'à la position cible.

Étapes de fonctionnement du palan : 1. Le palan fonctionne à vide jusqu'au niveau où se trouve la navette à quatre voies. 2. Le palan transporte la navette jusqu'à la couche où se trouve la cargaison cible. 3. Le monte-charge se déplace à vide jusqu'au sol de l'entrepôt. 4. Le palan transporte la cargaison jusqu'à la couche où se trouve la cargaison cible.

Le système fonctionne en parallèle : l'étape 1 d'opération de navette à quatre voies et l'étape 1 d'opération de levage effectuent des opérations en parallèle.

Le temps de fonctionnement est calculé à l'aide de l'Eq. (8).

Cas 3 Il n'y a pas de navette quadridirectionnelle gratuite dans la couche où se trouve la position cible de la cargaison, mais il y a des navettes quadridirectionnelles gratuites dans d'autres couches, et il y a plus de deux palans disponibles dans le système analysant les étapes de fonctionnement de la navette quadridirectionnelle et du palan et calculant le temps de fonctionnement.

Étapes de fonctionnement de la navette à quatre voies : 1. La position de départ de la navette est déchargée et s'étend jusqu'à l'extrémité de l'embouchure du treuil de voie. 2. Faites la navette avec le palan jusqu'au niveau de fret cible où la couche après avoir transporté des marchandises jusqu'au niveau de fret cible.

Les étapes de fonctionnement du treuil sont divisées en opérations de treuil 1 et de treuil 2.

Étapes de fonctionnement du palan 1 : 1. Levez l'opération sans charge jusqu'à la navette à quatre voies où se trouve la couche. 2. Le palan transporte la navette jusqu'au niveau de cargaison cible où se trouve la couche.

Palan 2 étapes de fonctionnement : 1. Le palan fonctionne à vide jusqu'au sol de l'entrepôt. 2. La navette de livraison du palan se rend au niveau cible.

Le système fonctionne en parallèle : l'étape 1 de fonctionnement de la navette à quatre voies et l'étape 1 de fonctionnement du treuil 1 exécutent des opérations en parallèle en même temps. Les étapes 1 et 2 de fonctionnement du palan 1 et les étapes 1 et 2 de fonctionnement du palan 2 exécutent des opérations en parallèle en même temps. Le temps de fonctionnement est calculé à l'aide de l'Eq. (9).

Par conséquent, le temps total pour terminer un lot d'opérations d'entreposage depuis le début des opérations pour la première expédition jusqu'à l'achèvement des opérations d'entreposage pour la dernière expédition.

Voir éq. (10), où ${T}_{S}$ est l'heure de début de la première tâche entrante et ${T}_{E}$ est l'heure de fin de la dernière tâche entrante.

Le modèle de planification basé sur le temps pour les opérations sortantes

Cas 1 Lorsqu'il y a une navette à quatre voies inactive sur le sol où les marchandises sont ramassées et qu'il y a un palan disponible dans le système, les étapes de fonctionnement de la navette à quatre voies et du palan sont analysées et le temps de fonctionnement est calculé.

Étapes de fonctionnement de la navette à quatre voies : 1. La navette commence à fonctionner déchargée vers la position cible pour ramasser les marchandises ; 2. La navette transporte les marchandises jusqu'au bout de l'embouchure de l'élévateur d'allée.

Étapes de fonctionnement du palan : 1. Le palan fonctionne à vide jusqu'au niveau de chargement cible ; 2. le palan transporte la cargaison au niveau de l'entrepôt.

Fonctionnement du système parallèle et coopératif : étapes 1 et 2 de fonctionnement de navette à quatre voies et étape 1 de fonctionnement de levage.

Le temps de fonctionnement est calculé à l'aide de l'Eq. (11).

Lorsque les étapes 1 et 2 de l'opération de navette quadridirectionnelle et l'étape 1 de l'opération de levage sont des opérations parallèles, lorsque la navette quadridirectionnelle termine pour la première fois les étapes 1 et 2, elle doit attendre l'opération de levage ; lorsque le palan termine pour la première fois l'étape 1, il doit attendre que la navette à quatre voies termine les étapes de fonctionnement 1 et 2 ; ainsi, le temps de fonctionnement qui prend le plus de temps sera terminé.

Cas 2 Il n'y a pas de navette quadridirectionnelle gratuite sur la couche où les marchandises sont ramassées, mais il y a des navettes quadridirectionnelles gratuites sur d'autres couches, et il y a un palan disponible dans le système analysant les étapes de fonctionnement de la navette quadridirectionnelle et du palan et calculant le temps de fonctionnement.

Étapes de fonctionnement de la navette à quatre voies : 1. La navette démarre à la position de départ et circule sans charge jusqu'à l'extrémité du treuil d'allée. 2. La navette circule déchargée de l'extrémité du treuil d'allée jusqu'à la position cible et prend les marchandises. 3. La navette transporte les marchandises jusqu'au bout du treuil d'allée.

Étapes de fonctionnement du palan : 1. Le palan fonctionne à vide jusqu'au niveau où se trouve la navette à quatre voies inactive ; 2. Le treuil transporte la navette à quatre voies jusqu'à l'entrée du treuil de bout d'allée du niveau où se trouve la position de chargement cible. 3. Le palan transporte la cargaison au premier étage de l'entrepôt.

Fonctionnement parallèle et coopératif du système : opération de navette à quatre voies étape 1 et opération de levage étape 1 (voir Éq. 12).

L'expression de la fonction temporelle ${T}_{2}^{\mathrm{^{\prime}}}$ représente une signification similaire à ${T}_{1}^{\mathrm{^{\prime}}}$

Par conséquent, le temps total pour terminer un lot d'opérations sortantes va du début des opérations pour la première expédition à l'achèvement des opérations sortantes pour la dernière expédition.

Selon le modèle mathématique établi de la planification de plusieurs navettes à quatre voies, les tâches entrantes et sortantes sont décomposées en un problème de sélection de navettes pour sélectionner des ascenseurs à différentes étapes de fonctionnement. De plus, la solution optimale objective est calculée à l'aide d'un algorithme génétique amélioré. Selon les caractéristiques de codage et de décodage de la combinaison de tâches de l'algorithme génétique dans la sélection de l'optimisation de la méthode de croisement et de compilation, chaque groupe de tâches est trié à travers le réseau routier dynamique et l'algorithme ${A}^{*}$ amélioré basé sur la fenêtre temporelle pour naviguer dans le chemin de direction horizontale de la navette à quatre voies, en recherchant un chemin d'optimisation sûr et sans conflit. Ainsi, toute la planification du trajet des opérations est terminée.

Dans le modèle construit pour les opérations entrantes et sortantes précédentes, la navette à quatre voies est utilisée dans les opérations par lots. Étant donné que le nombre maximal d'opérations d'expédition simultanées est limité par le nombre de navettes à quatre voies ${R}_{count}$ dans le système ou par le nombre de levages ${E}_{count}$ dans le système, le nombre maximal de tâches d'opérations parallèles dans le système est ${C}_{batch}=\mathrm{min}({R}_{count},{E} _{count})$. Ensuite, l'utilisation des ressources de planification en fonction du processus d'exploitation dans le système peut être décomposée en attribution de navettes à quatre voies et en attribution d'élévateurs de fret, ainsi que dans le cas d'opération entrante 3. Pour augmenter le débit du système, la tâche d'opération attribuera deux élévateurs en même temps : l'un pour livrer les navettes à la couche cible et l'autre pour envoyer la cargaison à la couche cible. Pour les autres cas de travail, un seul treuil est affecté pour terminer le travail, et le modèle de ce chapitre leur attribue des treuils virtuels. Selon ce modèle de planification pour le traitement des tâches système $(\mathrm{1,2},\dots ,N)$, il peut être résumé comme le codage de la séquence de tâches et l'affectation de ressources système à trois reprises : (1) affectation d'une navette à quatre voies ; (2) assigner le palan $B$; et (3) attribuant le palan $C$. (Si le travail ne nécessite pas de deuxième treuil, un ascenseur virtuel est attribué et aucun temps de travail n'est consommé à ce stade du calcul de la fonction objectif). Ainsi, selon le numéro de série de la tâche système, le numéro de série du treuil et le numéro de série de la navette à quatre voies pour effectuer un codage matriciel bidimensionnel réel, le numéro de ligne de la matrice générée est $P={J}_{count}/{C}_{batch}$ (division non entière, la dernière ligne complète le 0), et le nombre de colonnes est $3{C}_{batch}$, c'est-à-dire ${W}_{{P}^{*}3{C}_{batch} }$.

Voir éq. (13), Dans la matrice ${W}_{{P}^{*}3{C}_{batch}}={A}_{{P}^{*}{C}_{batch}}*{B}_{{P}^{*}{C}_{batch}}*{C}_{{P}^{*}{C}_{batch}}$, la matrice $A$ est la matrice de la tâche système et ses membres correspondent au numéro de lot de la tâche. La matrice $B$ est la matrice d'affectation des palans, comme le montre le modèle construit dans cet article. Les matrices $B$ et $C$ sont pour une opération dans la même rangée, et la matrice ne peut pas avoir le même numéro de palan, et le code d'ascenseur peut être réutilisé dans différentes rangées. La matrice $B$ est la solution d'ascenseur, qui indique le nombre d'ascenseurs utilisés dans le système pour cette opération, $C$ est la solution supplémentaire de l'ascenseur, quand et seulement quand il n'y a pas de navette à quatre voies disponible dans le système où se trouve la tâche, et en même temps, la matrice $C$ est impliquée dans l'opération lorsqu'il y a plus de deux ascenseurs disponibles, c'est-à-dire le cas du modèle d'entrée dans le système 3. la façon dont la sous-tâche navette se termine dans la matrice $A$, $B$ coïncide, les lignes correspondantes de la matrice $C$ sont dans l'ordre des numéros d'ascenseur qui n'ont pas encore été utilisés dans la matrice B. Le but de cette contrainte de codage est de fournir un espace de solution étendu à utiliser par les opérateurs ultérieurs. Par exemple, lorsque $({R}_{count}<{E}_{count})$, la simultanéité maximale du système ${C}_{batch}={R}_{count}$, le numéro de colonne dans chaque ligne de la matrice $A$ indique le codage correspondant du véhicule navette à quatre voies, et les éléments de ligne peuvent être exprimés comme ${X}_{i}=({a}_{i1},{a}_{i2},\dots ,{a} _{i{C}_{lot}} ;{b}_{i1},{b}_{i2},\dots {b}_{i{C}_{lot}} ;{c}_{i1,}{c}_{i2},\dots ,{c}_{i{C}_{lot}})$. Si le nombre de tâches est ${a}_{i3}=48$, alors la navette à quatre voies avec le $No. 3$ est utilisée pour cette tâche. ${b}_{i3}=2$ indique que le palan numéro 2 fonctionne avec la 3ème navette quadridirectionnelle dans le lot $i$, c'est-à-dire que la navette quadridirectionnelle $n°3$ et le palan $n°2$ travaillent ensemble dans cette opération pour terminer l'opération de la tâche $n°48$, et si le stock cible de la tâche $n°48$ est ${J}_{48}=(\mathrm {4,5},7)$ et les coordonnées de la navette $No. 3$ sont ${R}_{3}=(\mathrm{2,3},7)$, ce qui signifie que le niveau d'opération cible et la navette à quatre voies utilisées dans cette opération sont au même niveau 7. Lors du codage ou de la génération de la population cible ${c}_{i3}=0$. Lors de la description de la situation entrante trois pour le chapitre précédent. ${c}_{i3}=6$ signifie que la tâche de ce numéro 48 est complétée par la navette à quatre voies $N° 3$, le treuil $N° 2$ et le treuil $N° 6$ en coopération La position initiale de la navette à ce moment est située dans la couche et l'emplacement cible de la tâche n'est pas dans la même couche.

Dans le code des matrices réelles bidimensionnelles créé ci-dessus, chaque matrice représente un individu, où les trois matrices $A,B,C$ représentent différents chromosomes de l'individu, et les différents codes sont équivalents à divers gènes. La manière la plus courante de générer des populations à partir d'individus est la méthode de production de nombres aléatoires, et les contraintes de modèle répertoriées dans cet article sont utilisées afin d'éviter de générer des individus invalides. Cet article utilise donc la méthode de production aléatoire avec contraintes. Lorsque $({R}_{count}<{E}_{count})$, la matrice $A$ est $(\mathrm{1,2},\dots ,N)$ qui est une combinaison aléatoire de différents numéros de série de tâches, et chaque ligne des matrices $B$ et $C$ est une combinaison aléatoire de codes lift-and-fall, mais une seule ligne ne peut pas être répétée.

Dans cet article, nous adoptons la convention de maximisation selon laquelle "plus la valeur de la fonction objectif est petite, plus le degré d'adaptation est élevé". Le temps consommé par les opérations entrantes et sortantes dans le lot système est une valeur non négative, qui peut être définie comme cible de solution de la fonction objectif. Comme on le voit dans le modèle de codage, nous savons que le système utilise le travail par lots $(\mathrm{1,2},\dots ,P)$ batch. L'occupation séquentielle par lots des ressources système enchaîne l'opération. Lorsque les ressources du lot 1 terminent le travail, elles peuvent être libérées et affectées aux tâches représentées par les mêmes colonnes dans les lots suivants pour traitement. Les tâches de différentes rangées du système peuvent se chevaucher dans le temps. Par exemple, 1. ${a}_{i3}=48$ indique que $task 48$ a attribué la navette à quatre voies $No.3$ dans le lot ; 2. ${a}_{i3}=96$ indique que $task 96$ a assigné la navette à quatre voies $No.4$ dans le lot ; 3.${a}_{(i+1)4}=52$ indique que $tâche 52$ a assigné la navette à quatre voies $No.4$ dans le lot $i+1$. Ensuite, la navette à quatre voies $n°4$ termine $tâche 96$ et continue avec $tâche 52$. Si l'exécution de la $tâche 48$ par la navette 3 prend beaucoup plus de temps que la $tâche 96$, les $tâches 48$ et $52$ des lots $i$ et $i+1$ auxquels elles appartiennent se chevaucheront dans le temps. Dans cet article, nous choisissons la différence entre l'heure de début ${T}_{1}$ du lot total (lot $1$) et l'heure de fin de la dernière tâche du dernier lot (lot $P$) comme fonction objectif ${T}_{somme}={T}_{P}-{T}_{1}$, qui peut être décomposée en la valeur maximale de la somme des tâches accomplies dans chaque colonne de la matrice du modèle de codage $A , $ comme indiqué dans l'équation. (15).

La taille de la fonction d'adaptation est déterminée pour avoir une grande pertinence par rapport à la signification spécifique de l'objet problème à résoudre, et en général, l'adaptabilité est obtenue en transformant la fonction objectif. Les procédés de résolution de l'adaptabilité à partir de la fonction objectif peuvent être divisés en transformations directes linéaires, exponentielles et exponentielles de puissance de la fonction objectif, troncature de la valeur de la fonction objectif, etc., pour obtenir son adaptabilité correspondante. Toutes ces différentes transformations peuvent avoir une influence et produire une diversité de population efficace et une convergence d'algorithmes32,33,34,35.

Ici, la fonction d'adaptation est choisie pour être obtenue en effectuant une simple transformation d'indice de puissance à partir de la fonction objectif (voir l'équation 16).

Le modèle construit et la fonction d'adaptation prise dans cet article sont non négatifs, et l'opérateur de sélection peut être utilisé dans la méthode de sélection à la roulette. La sélection à la roulette est essentiellement une méthode d'échantillonnage aléatoire avec remise. Les individus de la population sont cartographiés dans des intervalles de longueur correspondante en fonction de leur adaptabilité, et la longueur de l'intervalle de chaque individu est proportionnelle à sa valeur d'adaptabilité. Plus l'adaptabilité est élevée, plus l'individu a de chances d'être sélectionné lors de l'opération de sélection. Un nombre aléatoire est généré et l'individu correspondant est sélectionné en fonction de l'intervalle dans lequel il se situe ; ensuite, le processus est répété jusqu'à ce que le nombre d'individus souhaité soit obtenu.

Selon l'adaptabilité, la probabilité de sélection de chaque individu peut être vue dans l'Eq. (17) comme suit :

La probabilité cumulée de chaque individu est calculée à partir de la probabilité de sélection (voir Eq. 17) comme suit :

La probabilité cumulée correspond à la taille du secteur sur le plateau tournant, et plus la zone du secteur est grande, plus il est facile de sélectionner. Où $P({x}_{i})$ est la probabilité de sélection de l'individu $i$,$fitness({x}_{i})$ désigne la valeur de fitness de l'individu $i$, et ${N}_{group}$ désigne le nombre total d'individus dans la population.

Nous sélectionnons 6 individus, et la probabilité de sélection pour chaque individu est Les probabilités de sélection et les probabilités cumulées pour chaque individu sont présentées dans le tableau 1.

Après avoir calculé la probabilité cumulée, la valeur de probabilité cumulée individuelle calculée est étiquetée sur un segment de ligne de longueur 1 en définissant un point 0 au début de l'extrémité gauche. Dans l'intervalle $(\mathrm{0,1})$, 6 nombres sont générés aléatoirement, et les individus sélectionnés sont $1, 2, 4, 4, 5, 6. No.4$ est sélectionné deux fois, et la probabilité des individus sélectionnés est grande, la probabilité des individus sélectionnés est grande. Les petits individus peuvent ne pas être sélectionnés et il est possible que tous les individus sélectionnés soient identiques. Les numéros individuels générés aléatoirement sont illustrés à la Fig. 3.

Un segment de droite est utilisé pour représenter la probabilité cumulée des individus calculés, et les valeurs de probabilité cumulée calculées des individus sont étiquetées sur un segment de droite de longueur 1 en définissant un point 0 au point de départ de l'extrémité gauche. Six nombres ont été générés au hasard sur l'intervalle (0,1) et, comme le montre la figure, les individus sélectionnés étaient 1, 2, 4, 4, 5 et 6. L'individu numéro 4 a été sélectionné deux fois.

Dans cet article, le codage individuel se compose de trois matrices : par exemple, lorsque le nombre de navettes à quatre voies dans le système ${R}_{count}$ est de 3, le nombre de tâches opérationnelles ${J}_{count}$ est de 9 et le nombre de treuils dans le système ${E}_{count}$ est de 4. Le codage individuel est de trois ensembles de $3*3$ matrices $ABC,$ peut être vu dans l'équation. (19).

Les matrices $A$ dans les individus de la population sont des matrices de codage de tâche, et chaque matrice $A$ est une combinaison triée de codes de tâche. Chaque ligne dans $BC$ est codée comme un ascenseur et différentes lignes sont codées pour différents lots de travaux. Selon cette caractéristique de codage, deux points d'intersection sont choisis dans cet article, et les points d'intersection sont la matrice $A$ et la matrice $BC$. Dans l'opération d'intersection, la matrice est transformée par la ligne en une dimension et la matrice en deux dimensions, par exemple (voir Eq. 20):

Dans l'opération de croisement, par deux individus parents différents ${P}_{3\times 9}^{1}={A}_{3\times 3}^{p1}{B}_{3\times 3}^{p1}{C}_{3\times 3}^{p1}$ et ${P}_{3\times 9}^{2}={A}_{3\times 3}^{p2}{B}_{ 3\times 3}^{p2}{C}_{3\times 3}^{p2}$, respectivement, les trois ensembles de valeurs de matrice se croisent de manière interchangeable pour générer de nouveaux individus ${N}_{3\times 9}^{1}={A}_{3\times 3}^{n1}{B}_{3\times 3}^{n1}{C}_{3\times 3}^{n1}$, où les deux matrices parentes mutuellement opération pour générer la matrice enfant $A$, c'est-à-dire le parent des deux matrices $A$ réorganisation croisée pour générer la matrice enfant $A$. $BC$ se croise dans la génération parente pour générer le $BC$ dans la génération enfant, qui sont deux points de croisement à l'intersection de la matrice $A$ et de la matrice $BC$ respectivement. Pour s'assurer que le croisement est codé avec une signification réelle lorsqu'aucune opération de croisement n'est effectuée entre les deux. Les deux croisements sont effectués séparément pour compléter une opération de croisement de l'individu36. Les étapes sont les suivantes:

Étape 1 : Pour la tâche encodant la matrice bidimensionnelle, ${A}_{3\times 3},$ dans le processus de croisement comme vu ci-dessus, la matrice bidimensionnelle est convertie en une seule ligne de matrice réelle à une colonne codant ${A}_{1\times 9}^{\mathrm{^{\prime}}}$ par expansion de ligne, le croisement est terminé pour produire des enfants, puis son opération inverse est effectuée pour convertir une matrice unidimensionnelle en une matrice à deux -matrice dimensionnelle. Dans le processus de l'opération de matrice unidimensionnelle à une seule ligne, le croisement d'échange de sous-tours est utilisé pour éviter le problème de duplication de gènes chez les individus après un simple croisement d'échange. La procédure de fonctionnement spécifique est illustrée à la Fig. 4 et à l'Eq. (21a et b).

Cartographie génétique du parent lors des opérations de croisement de gènes.

Générez deux descendants (voir Fig. 5 et Eq. 22a et b):

La carte génétique des deux descendants générée lors de l'opération de croisement de gènes.

Étape 2 : Pour la matrice bidimensionnelle d'encodage ${BC}_{3\times 6}$, selon la signification réelle de l'encodage, il ne doit pas y avoir d'encodage en double dans ses lignes, et le même encodage peut être utilisé dans différentes lignes (c'est-à-dire différents lots de tâches). Différents parents des deux individus sélectionnés pour les opérations de croisement sont sélectionnés au hasard sur deux lignes, et deux individus différents sont générés par un croisement d'échange de sous-traces (voir équations 23a et b).

Sélectionnez n'importe quelle rangée dans chacun des $parent 1$ et $parent 2$ pour le croisement, et si la première rangée de $parent1$ et la troisième rangée de $parent 2$ sont sélectionnées, les gènes parents sont les suivants (voir Fig. 6) :

La première rangée de $parent 1$ et la troisième rangée de $parent 2$ ont été sélectionnées pour le croisement, et la carte génétique parentale à ce stade.

Générez deux descendants (voir Fig. 7):

La première rangée de $parent 1$ et la troisième rangée de $parent 2$ sont sélectionnées pour le croisement, à quel point deux cartes de gènes descendants sont générées.

Générer deux individus descendants (voir Eq. 24a et b).

Pour éviter le problème de trop de solutions invalides dans les sous-individus générés, ce qui conduit à une convergence lente ou difficile, la matrice de solution supplémentaire $C$ des nouveaux individus générés est également contrainte dans le processus de croisement pour éviter trop de solutions invalides. Les solutions qui ne satisfont pas le cas 3 du modèle entrant sont rejetées et le croisement se poursuit jusqu'à ce qu'un individu satisfaisant soit généré.

Après avoir effectué les étapes 1 et 2, deux nouveaux individus sont obtenus comme suit (voir Eq. 25a et b) :

La méthode de croisement d'échange de trace enfant est utilisée pour sélectionner un génome chez un parent et trouver la position de ces gènes sélectionnés dans l'autre parent tout en gardant les gènes non sélectionnés inchangés et en échangeant les positions dans les gènes chromosomiques des deux parents dans l'ordre des gènes sélectionnés pour générer deux descendants. Cette méthode évite le problème de duplication des tâches après croisement.

Dans cet article, les combinaisons spécifiques du modèle de codage ont des significations particulières et des contraintes correspondantes, telles que le numéro de tâche, l'ascenseur et le codage en échelle. Pour la méthode de compilation, la méthode de mutation réciproque est utilisée. Dans le problème d'optimisation combinatoire, la valeur de chaque bit du gène est unique et appelée "codage par permutation". Cela signifie que cette caractéristique du gène doit être maintenue même après l'opération de mutation ; sinon, la progéniture résultante sera des solutions invalides. L'algorithme de mutation réciproque identifie au hasard deux fragments dans le gène d'un individu et effectue une mutation réciproque. Ces deux segments doivent contenir la même quantité de code. Ceci est montré dans ce qui suit (voir Eq. 26):

Nous sélectionnons arbitrairement une rangée de matrices et ; si la deuxième ligne de la matrice est sélectionnée, les première et troisième colonnes de la matrice sont permutées, et les première et deuxième colonnes de la matrice sont permutées.

Les codes génétiques échangés sont les suivants (voir Eq. 27):

Pour le modèle mathématique établi d'optimisation des opérations d'accès et d'optimisation des trajets multi-navettes multi-ascenseurs à quatre voies basé sur un minimum de temps, l'algorithme génétique de base, dont la probabilité dans les opérations de croisement et de variation est fixe, peut avoir des difficultés à obtenir une bonne convergence pour l'entrée dans différentes tâches d'opération. Par conséquent, dans cet article, ses opérateurs de croisement et de variation sont échantillonnés séparément dans l'évolution et ajustés pour l'adaptation automatique. Le codage matriciel individuel contenant des informations sur la tâche de travail, la navette à quatre voies et le treuil sont conçus. Les opérateurs génétiques sont conçus en fonction de leur codage pour améliorer la probabilité de l'opérateur et la fonction de fitness dans l'algorithme. Les formules mathématiques pour l'opérateur de croisement ${P}_{c}$ et l'opérateur de variation ${P}_{m}$ dans l'algorithme génétique adaptatif conçu dans cet article sont les suivantes37,38,39,40,41,42 (voir Eq. 28a et b).

On peut voir à partir de la formule qu'une plus grande probabilité de croisement et de variation est choisie au début afin que le processus de recherche approximative soit propice au maintien de la diversité de la population, et plus tard, il est ajusté à des valeurs plus petites pour une recherche détaillée afin d'éviter de détruire la solution optimale et d'accélérer la convergence. Le test de convergence de l'algorithme amélioré est testé à l'aide des fonctions de test répertoriées dans le tableau 2.

La courbe de convergence de la fonction de test est représentée sur les Fig. 8, 9 et 10.

Courbe de convergence de l'algorithme amélioré testé avec la fonction d'Ackley.

Testez la courbe de convergence de la fonction de l'algorithme amélioré avec la fonction de test Sphère.

Testez la courbe de convergence de la fonction de l'algorithme amélioré avec la fonction de test de Rosenbrock.

Les conflits qui surviennent souvent dans les navettes à quatre voies sont les conflits de nœuds, les conflits de phase, les conflits de rattrapage et les conflits de blocage. Dans le modèle établi par le système, les navettes à quatre voies d'une même couche fonctionnent ensemble dynamiquement en même temps, et les caractéristiques physiques de l'entrepôt dans la même couche sont des allées et des étagères composées d'une structure maillée matricielle. La voie de la navette peut naturellement être abstraite dans un diagramme lors de la planification des navettes à quatre voies d'une même couche, et chaque point tournant correspond à un sommet dans le diagramme. Chaque distance parcourue entre l'accélération et l'arrêt dans chaque section avant de tourner peut être résumée dans un diagramme d'arc. La résolution de la tâche entrante de la navette de l'entrée de l'ascenseur au chemin de fret ou la tâche sortante du chemin de fret jusqu'à l'entrée de l'ascenseur peut être transformée en problème de résolution du chemin le plus court dans un graphe pondéré acyclique dirigé. Sur la base de la structure physique complète de la navette des caractéristiques de l'entrepôt, cet article sélectionne l'algorithme heuristique ${A}^{*}$43,44,45,46, en utilisant la distance euclidienne comme calcul de la fonction d'évaluation, ce qui peut éviter de supprimer des points invalides et accélérer l'efficacité de la recherche. Étant donné que la construction de l'entrepôt est terminée et que sa piste physique de navette à quatre voies est fixe, le calcul de la tâche de recherche de chemin de la navette à quatre voies est accéléré en initialisant statiquement le graphique du réseau routier dans chaque couche lorsque le système est démarré, et seuls les poids des arcs qui peuvent être directement atteints depuis la position de départ de la navette à quatre voies doivent être modifiés. Le problème des collisions de navettes peut être habilement évité en effectuant une correction de fenêtre temporelle des poids d'arc dans le graphique en utilisant le temps pendant lequel la navette à quatre voies occupe la piste dans le processus de calcul de recherche d'Écritures. Dans cet article, le trajet de la navette quadridirectionnelle est planifié globalement par le système dorsal, la navette quadridirectionnelle utilise des appareils sans fil pour communiquer avec le backend, et la navette quadridirectionnelle est équipée d'un dispositif d'évitement de collision radar mesurant la distance. Pour les tâches d'un même lot, le numéro de code de la navette à quatre voies est utilisé comme ordre de calcul du chemin, et plus le code est petit, plus la priorité est élevée.

Dans la tâche actuelle à effectuer des opérations, nous laissons la position initiale de la navette à quatre voies ((${x}_{i},{y}_{j},{z}_{k}$) (en supposant que la position de la navette à quatre voies entre les nœuds $a,b$ pointe pour $w$), pour atteindre la position de destination pour (${x}_{i}^{\mathrm{^{\prime}}},{y}_{i}^{\mathr m{^{\prime}}},{z}_{k}^{\mathrm{^{\prime}}}$) (en supposant que la position cible entre les points $h,i$ point pour $q$). Sa carte de poids peut être modifiée en fonction de l'emplacement de la navette à quatre voies et peut être directe vers le point, en ajoutant la position de départ de la navette à quatre voies et la position cible en tant que sommet. De plus, l'arc que ces deux sommets peuvent atteindre directement sans tourner est modifié (voir Fig. articles 11 et 12).

Diagramme de pondération du chemin d'accès de la navette à quatre voies (le triangle dans le diagramme représente l'emplacement de la navette à quatre voies, le carré représente la position de la cargaison d'accès).

Les poids de chemin que la navette quadridirectionnelle peut parcourir pour accéder aux marchandises peuvent être utilisés pour trouver le chemin minimum contenant un ensemble d'arcs et de sommets dans cette carte de poids par l'algorithme A*.

À ce stade, la structure de données nécessaire pour trouver le chemin minimum pour la première fois est terminée, et l'algorithme ${A}^{*}$ peut être utilisé pour trouver le chemin minimum contenant un ensemble d'arcs et de sommets dans le graphe pondéré ci-dessus. Sur la base de la carte de poids de recherche établie, il est alors possible d'effectuer une recherche itérative du chemin de distance minimale selon l'algorithme ${A}^{*}$ décrit ci-dessus.

$H(n)$ est conçu comme la pondération euclidienne de la quantité de temps consommée du point au point cible comme suit (voir Eq. 28a et b) :

L'algorithme ${A}^{*}$ conventionnel peut avoir plus d'une navette à quatre voies dans la même couche dans le fonctionnement parallèle du système, et la planification du chemin de chaque unité peut entraîner une collision dans la même voie en même temps. Dans cet article, le graphe utilisé pour la solution de ${A}^{*}$ est à nouveau pondéré sur la fenêtre temporelle, et les chemins contraints sont résolus ou planifiés selon l'ordre des tâches d'exécution du véhicule navette.

Les règles de correction de la fenêtre temporelle sont les suivantes : 1. Règles de synchronisation basées sur la fenêtre temporelle, calcul croissant de manière monotone ; 2. La fenêtre de temps est calculée comme le plus petit arc, et la période pendant laquelle la navette à quatre voies entre dans l'arc et distingue l'arc est la fenêtre de temps de son arc ; 3. Si son arc est la trajectoire occupée par la navette quadridirectionnelle dans le temps $\left[{T}_{A},{T}_{B}\right]$, alors dans cette fenêtre temporelle, ses deux nœuds, $A,B$ risquent de se heurter, et la fenêtre temporelle met à jour le graphe global du système $G.$ fenêtre. Si l'arc $\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{d} e$ de la Fig. 13 a un conflit au point e, les poids des arcs $d,e$ et des arcs adjacents à leurs sommets sont augmentés, et le temps consommé par les chemins en pointillés est nécessaire pour augmenter le poids, ${ T}_{max}$.

Arcs affectés par $\overset{\lower0.5em\hbox{$\smash{\scriptscriptstyle\frown}$}}{d} e$ au point e conflit de chemin.

Dans cet article, en utilisant un système de navette à quatre voies d'un entrepôt réel comme référence, nous mettons en œuvre les exemples arithmétiques de simulation basés sur l'algorithme génétique amélioré minimisé en temps pour les opérations de tâche et l'algorithme amélioré A * de la fenêtre temporelle pour rechercher la planification de chemin, et analysons les résultats expérimentaux de simulation pour tirer des conclusions sur l'optimisation de la planification. La société A est une grande entreprise et l'un de ses entrepôts est un système de stockage à navette à quatre voies $10*20*8$(10 allées, 20 colonnes, 8 étages). Pour vérifier la validité du modèle, un lot de données d'opération d'entrée/sortie est prélevé et les paramètres du système de stockage à navette à quatre voies sont définis comme indiqué dans le tableau 3.

Le système de navette à quatre voies comporte quatre navettes à quatre voies et quatre treuils en fonctionnement. Les positions initiales des navettes à quatre voies sont $(\mathrm{4,2},7), (\mathrm{1,7},5), (\mathrm{4,6},5), (\mathrm{3,2},1), (\mathrm{6,5},2)$, respectivement pour les numéros de série (${R}_{1}$)(${R}_{2}$)(${R}_{3}$)( ${R}_{4}$). Les emplacements des navettes à quatre voies et des palans sont $(\mathrm{2,0},4), (\mathrm{4,0},1), (\mathrm{5,0},3), (\mathrm{6,0},2)$, et leurs numéros de série sont ${E}_{1},{E}_{2},{E}_{3},{E}_{4}$. Il existe un lot de tâches entrantes et sortantes dans un certain document, qui comprend 2 tâches sortantes et 2 tâches entrantes, et les informations spécifiques des tâches entrantes et sortantes sont présentées dans le tableau 4. Nous recherchons une solution de planification de navette et de levage à quatre voies qui minimise le temps de fonctionnement global pour terminer le lot de tâches.

Une fois le programme exécuté, le processus itératif et les données associées des deux algorithmes sont obtenus, la taille de la population est de 20, le nombre maximal d'itérations est de 100, la probabilité de croisement d'autres paramètres est de 0,5 et la probabilité de variation est de 0,004 dans l'algorithme génétique classique, l'intervalle de croisement auto-applicable est $[0,5, 0,9]$ et l'intervalle de probabilité de variation est $[0,001, 0,0008]$ dans algorithme génétique amélioré. Les deux algorithmes génétiques s'exécutent 15 fois indépendamment.

Comme le montre le tableau 5, l'algorithme amélioré présente des avantages évidents en termes de stabilité de la solution et de vitesse de convergence, et l'efficacité de la convergence est meilleure que l'algorithme classique en obtenant la valeur moyenne de la solution optimale pour la première fois. De plus, une meilleure stabilité peut être illustrée par la variance et l'asymétrie.

Comme le montre la figure 14, selon les données entrées dans le tableau 5, les deux ensembles d'algorithmes peuvent éventuellement converger vers la solution optimale car le nombre maximal d'espaces de solution de la population modèle dans cet article est le nombre de résultats d'arrangement de la navette à quatre voies et de l'ascenseur et de ses tâches, et les solutions individuelles dans chaque population sont discrètes. Cependant, le graphique montre que dans ce calcul, l'algorithme amélioré converge vers la solution optimale environ 20 fois ; cependant, l'algorithme classique devient optimal environ 35 fois. cependant, l'algorithme classique devient optimal à environ 35 fois. Seuls quatre travaux ont été utilisés dans cette tâche de simulation, et l'efficacité de convergence de l'algorithme amélioré aura des avantages plus évidents à mesure que l'échelle du nombre de tâches augmente. Selon les résultats de l'opération de l'algorithme, la solution optimale est obtenue comme indiqué dans le tableau 6.

La tendance à la convergence de l'algorithme amélioré et de l'algorithme traditionnel montre que l'algorithme amélioré présente des avantages évidents en termes de stabilité de la solution et de vitesse de convergence.

Dans le tableau ci-dessus, nous pouvons voir que la séquence de planification de navette et de levage à quatre voies est :$({R}_{1})\to (\mathrm{4,9},7)\to {E}_{1}, ({R}_{2})\to (\mathrm{5,11,5})\to {E}_{2},({R}_{3})\to (\mathrm{2,7},3)\to {E} _{3} , ({R}_{4} )\to (\mathrm{3,6},4)\to {E}_{4}$, où $({R}_{1})$ et $({R}_{3})$ navette à quatre voies terminent l'opération d'arrivée, $({R}_{2})$ et $\left({R}_{4}\right)$ navette à quatre voies terminent l'opération de départ. opérations. La durée totale de l'opération entrante est de 21,3 s et le trajet total est de 23 m. La durée totale de l'opération sortante est de 24,71 s ; le parcours total est de 30 m.

Le travail principal de cet article est d'optimiser la planification et la recherche automatique de chemin pour les tâches d'accès et de sortie du système de navette à quatre voies. Pour le système de navette à quatre voies avec plusieurs navettes à quatre voies et plusieurs ascenseurs, nous analysons le flux du système de navette à quatre voies et construisons un modèle mathématique pour l'optimisation de la planification basée sur le temps le plus court. Pour le modèle de cet article, le modèle mathématique optimisé est résolu à l'aide d'un algorithme génétique amélioré pour résoudre la planification des tâches et d'un algorithme ${A}^{*}$ amélioré pour optimiser le chemin dans la couche d'étagère, en combinaison avec les caractéristiques du modèle. Des chemins optimaux sans conflit sont recherchés pour les navettes à quatre voies fonctionnant en parallèle sur chaque couche, et le contrôle des conflits du système de navette à quatre voies est effectué à l'aide de la théorie des graphes dynamiques et de l'algorithme ${A}^{*}$ basé sur la fenêtre temporelle. Tout d'abord, cet article établit un modèle d'optimisation basé sur un algorithme génétique amélioré pour planifier les tâches d'opération entrantes et sortantes les plus courtes pour la disposition du stockage et les caractéristiques structurelles du système de navette à quatre voies. Deuxièmement, cet article propose une conception d'algorithme innovante pour le fonctionnement parallèle d'une navette à quatre voies et d'un treuil et la recherche automatique de trajectoire de la navette à quatre voies sans limitation de direction de mouvement. Selon le modèle d'optimisation de la planification des tâches pour les opérations entrantes et sortantes, un modèle de solution d'algorithme génétique amélioré est proposé. Le réseau routier dynamique et l'algorithme amélioré basé sur des fenêtres temporelles sont utilisés pour éviter les obstacles lors du fonctionnement de plusieurs navettes quadridirectionnelles en raison du chevauchement possible des trajectoires de déplacement lorsque plusieurs navettes quadridirectionnelles fonctionnent en parallèle dans une seule couche et du conflit possible d'atteindre la zone de chevauchement dans la même période.

Les ensembles de données utilisés et/ou analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Système de stockage/récupération automatisé

Stockage et récupération basés sur la navette

Premier arrivé premier servi

Système automatisé de stockage et de récupération des véhicules

Stockage/récupération

Lee, SG, Souza, RD & Ong, EK Modélisation par simulation d'un système automatisé de stockage et de récupération à allée étroite (AS/RS) desservi par des véhicules guidés par rail. Calcul. Ind. 30(3), 241–253. https://doi.org/10.1016/0166-3615(96)00025-5 (1996).

Article Google Scholar

Fukunari, M. & Malmborg, CJ Une approche de file d'attente de réseau pour l'évaluation des mesures de performance dans les systèmes de stockage et de récupération de véhicules autonomes. EUR. J. Oper. Rés. 193(1), 152–167. https://doi.org/10.1016/j.ejor.2007.10.049 (2009).

Article MATH Google Scholar

Wauters, T., Villa, F., Christiaens, J., Alvarez-Valdes, R. & Vanden Berghe, G. Une approche de décomposition des systèmes de stockage et de récupération automatisés à double navette. Calcul. Ing. ind. 101, 325–337. https://doi.org/10.1016/j.cie.2016.09.013 (2016).

Article Google Scholar

Tappia, E., Roy, D., de Koster, R. & Melacini, M. Modélisation, analyse et idées de conception pour les systèmes de stockage compacts basés sur des navettes. Transp. Sci. 51(1), 269–295. https://doi.org/10.1287/trsc.2016.0699 (2016).

Article Google Scholar

Epp, M., Wiedemann, S. & Furmans, K. Une approche de réseau de file d'attente en temps discret pour l'évaluation des performances des systèmes de stockage et de récupération de véhicules autonomes. Int. J. Prod. Rés. 55(4), 960–978. https://doi.org/10.1080/00207543.2016.1208371 (2017).

Article Google Scholar

Tian, GD et al. Recyclage des batteries lithium-ion usagées : un examen complet pour l'identification des principaux défis et des tendances de recherche futures. Soutenir. Technol. énergétique Évaluer. 53, 102447. https://doi.org/10.1016/j.seta.2022.102447 (2022).

Article Google Scholar

Zhao, X. et al. Analyse du système de stockage et de récupération basé sur la navette. Accès IEEE 8, 146154–146165. https://doi.org/10.1109/ACCESS.2020.3014102 (2020).

Article Google Scholar

Eder, M. Une approche pour un calcul de performance des systèmes de stockage et de récupération basés sur la navette avec un stockage à plusieurs profondeurs. Int. J. Adv. Fab. Technol. 107(1–2), 859–873. https://doi.org/10.1007/s00170-019-04831-7 (2020).

Article Google Scholar

Ekren, BY & Akpunar, A. Un outil basé sur un réseau à file d'attente ouverte pour les estimations de performances dans un système de stockage et de récupération basé sur une navette. Appl. Mathématiques. Modèle. 89(2), 1678–1695. https://doi.org/10.1016/j.apm.2020.07.055 (2021).

Article MathSciNet MATH Google Scholar

Ekren, BY Une étude d'optimisation multi-objectifs pour la conception d'un entrepôt AVS/RS. Int. J. Prod. Rés. 59(4), 1107–1126. https://doi.org/10.1016/j.cor.2017.02.012 (2020).

Article Google Scholar

Hu, CH & Egbelu, PJ Un cadre pour la sélection des emplacements d'accueil des véhicules inactifs dans un système de véhicule guidé automatisé. Int. J. Prod. Rés. 38(3), 543–562. https://doi.org/10.1080/002075400189293 (2000).

Article MATH Google Scholar

Saez, D., Cortes, CE et Nunez, A. Contrôle prédictif adaptatif hybride pour le problème de collecte et de livraison dynamique multi-véhicules basé sur des algorithmes génétiques et un regroupement flou. Calcul. Oper. Rés. 35(11), 3412–3438. https://doi.org/10.1016/j.cor.2007.01.025 (2008).

Article MATH Google Scholar

Chung, E. & Lee, HF Algorithme génétique pour le problème de séquençage généralisé pour les systèmes de stockage et de récupération automatisés. Int. J. Serv. Oper. Inf. 3(1), 90–106. https://doi.org/10.1504/IJSOI.2008.017707 (2008).

Article Google Scholar

Wang, YY, Mou, SD & Wu, YH Ordonnancement des tâches pour les systèmes d'entreposage à navettes multiniveaux. Int. J. Prod. Rés. 53(19), 5884–5895. https://doi.org/10.1080/00207543.2015.1012604 (2015).

Article Google Scholar

Li, Y., Lim, MK & Tseng, ML Un modèle de routage de véhicules écologiques basé sur l'optimisation modifiée des essaims de particules pour la logistique de la chaîne du froid. Gestion Ind. Système de données 119(3), 473–494. https://doi.org/10.1108/IMDS-07-2018-0314 (2019).

Article Google Scholar

Li, Y. Recherche sur l'optimisation des trajectoires des véhicules de distribution logistique basée sur un algorithme de recuit simulé. Adv. Multimed. 2022, 7363279. https://doi.org/10.1155/2022/7363279 (2022).

Article Google Scholar

Alnowibet, KA, Mahdi, S., El-Alem, M., Abdelawwad, M. & Mohamed, AW Algorithme de recuit simulé modifié hybride guidé pour résoudre des problèmes d'optimisation globale sous contrainte. Mathématiques 10(8), 1312. https://doi.org/10.3390/math10081312 (2022).

Article Google Scholar

Liu, Y., Zhang, SY & Hu, HY Algorithme de recuit simulé avec liste tabou pour le problème d'horaire de liaison descendante multi-satellite prenant en compte le temps d'attente. Aérospatiale 9(5), 235. https://doi.org/10.3390/aerospace9050235 (2022).

Article Google Scholar

Kassaymeh, S. et al. Optimisation du réseau neuronal de rétropropagation et modélisation de l'estimation des défauts logiciels à l'aide d'un algorithme de recuit simulé basé sur un optimiseur hybride de salpes. Savoir. Syst. 244, 108511. https://doi.org/10.1016/j.knosys.2022.108511 (2022).

Article Google Scholar

Lee, T. & Ueng, J. Une étude des problèmes de tournées de véhicules avec équilibrage de charge. Int. J.Phys. Distrib. Logiste. Géré. 29(9–10), 646–657. https://doi.org/10.1108/09600039910300019 (1999).

Article Google Scholar

Su, C. Contrôle dynamique des véhicules et planification d'un système de distribution physique multi-dépôts. Intégr. Fab. Syst. 10(1), 56–65. https://doi.org/10.1108/09576069910247609 (1999).

Article Google Scholar

Taniguchi, E., Thompson, RG, Yamada, T. & Duin, RV Routage et planification des véhicules avec ITS. Dans City Logistics 137–174 https://doi.org/10.1108/9780585473840-007 (2001).

Taniguchi, E., Yamada, T. & Tamaishi, M. Modélisation de l'itinéraire et de la planification dynamiques des véhicules avec des informations en temps réel sur les temps de trajet. Dans la théorie des transports et de la circulation au 21e siècle 329–347 https://doi.org/10.1016/B978-008043926-6/50019-1 (2002).

Taniguchi, E. & Yamada, T. Acheminement et planification fiables des véhicules avec des fenêtres temporelles vers la logistique urbaine. Dans The Network Reliability of Transport 301–322 https://doi.org/10.1108/9781786359544-018 (2003).

Yang, P., Tao, PR, Xu, P. & Gong, YM Optimisation du fonctionnement à deux objectifs dans les systèmes de stockage et de récupération automatisés multi-navettes pour réduire le temps de trajet et la consommation d'énergie. Ing. Optim. https://doi.org/10.1080/0305215X.2022.2096881 (2022).

Article Google Scholar

Polten, L. & Emde, S. Ordonnancement des grues multi-navettes dans les systèmes de stockage et de récupération automatisés. EUR. J. Oper. Rés. 302(3), 892–908. https://doi.org/10.1016/j.ejor.2022.01.043 (2022).

Article MathSciNet MATH Google Scholar

Zhen, L., Wu, JW, Li, HL, Tan, ZY & Yuan, YY Planification de plusieurs types d'équipements dans un entrepôt automatisé. Anne. Oper. Rés. https://doi.org/10.1007/s10479-022-04935-6 (2022).

Article PubMed PubMed Central Google Scholar

Fandi, W., Kouloughli, S. & Ghomri, L. Optimisation des dimensions AS/RS multi-navettes à l'aide d'un algorithme génétique-cas de la configuration multi-couloirs. Int. J. Adv. Fab. Technol. 120(1–2), 1219–1236. https://doi.org/10.1007/s00170-022-08787-z (2022).

Article Google Scholar

Li, XW, Zhang, CR, Yang, WM & Qi, MY Multi-AGVs routage sans conflit et stratégies de répartition dynamique pour les entrepôts automatisés. Dans l'atelier iCatse International Conference on Mobile and Wireless Technology (ICMWT)/iTAIWAN. Document de procédure. Hong-Kong, Hong-Kong. 25-27 juin https://doi.org/10.1007/978-981-13-1059-1_26 (2018).

Roy, D., Nigam, S., de Koster, R., Adan, I. & Resing, J. Stratégies d'attribution de zones de stockage robotisées dans les systèmes de distribution mobiles. Transp. Rés. Journal électronique. 122, 119–142. https://doi.org/10.1016/j.tre.2018.11.005 (2019).

Article Google Scholar

Hulagu, S. & Celikoglu, HB Problème d'acheminement de l'emplacement des véhicules électriques avec consommation et récupération d'énergie basées sur la dynamique du mouvement du véhicule. IEEE Trans. Renseignement. Transp. Syst. 23(8), 10275–10286. https://doi.org/10.1109/TITS.2021.3089675 (2022).

Article Google Scholar

Huda, RK & Banka, H. Méthodes de sélection de fonctionnalités efficaces utilisant PSO avec un ensemble approximatif flou comme fonction de fitness. Calcul doux. 26(5), 2501–2521. https://doi.org/10.1007/S00500-021-06393-X (2021).

Article Google Scholar

Hassan, A., Anter, A. & Kayed, M. Une approche de clustering robuste pour prolonger la durée de vie des réseaux de capteurs sans fil de manière optimisée avec une nouvelle fonction de fitness. Soutenir. Calcul. Informer. Syst. 30, 100482. https://doi.org/10.1016/j.suscom.2020.100482 (2021).

Article Google Scholar

Brookes, DH, Aghazadeh, A. & Listgarten, J. Sur la rareté des fonctions de fitness et leurs implications pour l'apprentissage. Proc. Natl. Acad. Sci. https://doi.org/10.1073/PNAS.2109649118 (2022).

Article PubMed Google Scholar

Meysam, M., Seyed, SF, Soodabeh, M., Leyla, ST & Mirpouya, M. Un algorithme génétique adaptatif modifié pour le problème de routage d'inventaire multi-produits et multi-périodes. Soutenir. Oper. Calcul. 3, 1–9. https://doi.org/10.1016/J.SUSOC.2021.08.002 (2022).

Article Google Scholar

Xue, Y., Cai, X. & Neri, F. Un algorithme évolutif multi-objectifs avec initialisation basée sur des intervalles et opérateur de croisement auto-adaptatif pour la sélection de caractéristiques à grande échelle dans la classification. Appl. Calcul doux. J. 127, 109420. https://doi.org/10.1016/J.ASOC.2022.109420 (2022).

Article Google Scholar

Tsai, CY, Liou, JJH & Huang, TM Utilisation d'une méthode multi-GA pour résoudre le problème de la préparation des lots : prise en compte de la distance parcourue et du délai de commande. Int. J. Prod. Rés. 46(22), 6533–6555. https://doi.org/10.1080/00207540701441947 (2008).

Article MATH Google Scholar

Chen, HW, Liu, SM, Magomedov, RM & Davidyants, AA Optimisation des courbes de relation de performance d'afflux pour un réservoir de pétrole par algorithme génétique couplé à des réseaux d'intelligence neuronale artificielle. Energy Rep. 7, 3116–3124. https://doi.org/10.1016/J.EGYR.2021.05.028 (2021).

Article Google Scholar

Vishnu, CR, Das, SP, Sridharan, R., Kumar, PNR & Narahari, NS Développement d'un modèle de conception de réseau de chaîne d'approvisionnement fiable et flexible : une approche basée sur un algorithme génétique. Int. J. Prod. Rés. 59(20), 6185–6209. https://doi.org/10.1080/00207543.2020.1808256 (2021).

Article Google Scholar

Saidat, S., Junoh, AK, Muhamad, WZAW et Yahya, Z. Ordonnancement modifié de l'atelier de travail via la méthode Taguchi et l'algorithme génétique. Calcul neuronal. Appl. 34(3), 1963-1980. https://doi.org/10.1007/S00521-021-06504-7 (2021).

Article Google Scholar

Duan, QF & Rane, D. La voie de la revitalisation de l'industrie rurale basée sur un algorithme génétique amélioré à l'ère d'Internet. Calcul. Renseignement. Neurosci. 2022, 1632224. https://doi.org/10.1155/2022/1632224 (2022).

Article PubMed PubMed Central Google Scholar

Hua, ZM, Liu, ZY, Yang, LJ & Yang, L. Algorithme génétique amélioré basé sur la décomposition des fenêtres temporelles pour résoudre le problème de planification de projet à ressources limitées. Autom. Constr. 142, 104503. https://doi.org/10.1016/J.AUTCON.2022.104503 (2022).

Article Google Scholar

Zhang, Z., Wu, J., Dai, J. & He, C. Planification de trajectoire optimale avec algorithme A-Star modifié pour les véhicules aériens sans pilote furtifs dans un environnement radar de réseau 3D. Proc. Inst. Méca. Ing. Partie G J. Aerosp. Ing. 236(1), 72–81. https://doi.org/10.1177/09544100211007381 (2022).

Article Google Scholar

Wang, DJ Planification de trajectoire d'un robot mobile d'intérieur basée sur un algorithme A* amélioré. Université J. Tsinghua Nat. Sci. Éd. 52(8), 1085-1089 (2012).

Google Scholar

Zhao, X., Wang, Z. & Huang, CK Planification de trajectoire de robot mobile basée sur un algorithme A* amélioré. Robot 40(6), 903–910. https://doi.org/10.13973/j.cnki.robot.170591 (2018).

Article Google Scholar

Ma, L., Zhang, HT, Meng, SJ & Liu, JY Planification du chemin de la région des cendres volcaniques basée sur l'algorithme A * amélioré. J. Adv. Transp. 2022, 9938975. https://doi.org/10.1155/2022/9938975 (2022).

Article Google Scholar

Télécharger les références

Ici, nous sommes profondément reconnaissants à tous les critiques et éditeurs.

École des transports, Université de Jilin, Changchun, 130022, Chine

Jia Mao, Jinyuan Cheng et Baogui Cao

Collège d'ingénierie automobile, Université de Jilin, Changchun, Chine

Xiangyu Li

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont apporté des contributions substantielles au travail rapporté dans le manuscrit (par exemple, aide technique, aide à la rédaction et à l'édition, et soutien général). Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance à Baogui Cao.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Mao, J., Cheng, J., Li, X. et al. Recherche sur l'optimisation de la planification des systèmes de stockage et de récupération basés sur des navettes à quatre voies. Sci Rep 13, 3999 (2023). https://doi.org/10.1038/s41598-023-31050-8

Télécharger la citation

Reçu : 28 octobre 2022

Accepté : 06 mars 2023

Publié: 10 mars 2023

DOI : https://doi.org/10.1038/s41598-023-31050-8

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Texas Pete maker ouvre un centre de distribution de 20 millions de dollars et un entrepôt à Winston

L'avenir du commerce de détail est plus petit, participatif et robotisé

Blog

Recherche sur l'optimisation de l'ordonnancement de quatre