自动化立体仓库储位优化：改进遗传模拟退火算法

"基于遗传模拟退火算法的立体仓库储位优化_朱杰.pdf" 本文针对自动化立体仓库的储位分配问题，提出了一种利用多目标模型和改进的自适应遗传模拟退火算法来优化储位策略的方法。在自动化立体仓库的运营中，储位分配是一个关键环节，它直接影响到货品的出入库效率、同组货品的存储距离以及货架的稳定性。因此，优化储位分配对于提高仓库运营效率和安全性至关重要。 首先，作者构建了一个多目标模型，该模型的目标是降低货品的出入库时间、减小同组货品之间的距离以及最小化货架的合成重心。这三个目标都是为了确保仓库操作的高效性和安全性。降低出入库时间可以减少等待时间，提高仓库吞吐量；减小同组货品的距离有助于提高拣选效率；而最小化货架重心则有利于维持货架的稳定，防止因重心不均导致的安全隐患。 为了改进传统遗传算法在局部搜索能力和避免局部最优方面的不足，作者引入了基于Sigmoid曲线的自适应交叉变异操作。Sigmoid函数是一种连续、光滑且具有单峰特性的曲线，可以用于平滑调整遗传算法的交叉和变异概率，从而增强算法的全局搜索能力。此外，还采用了逆转操作以进一步提升算法的探索性能。通过将这些改进融入到模拟退火算法中，形成了改进的遗传模拟退火算法，旨在同时保持遗传算法的全局搜索能力和模拟退火算法的跳出局部最优的能力。 接下来，作者对改进的遗传模拟退火算法进行了优化性、稳定性和收敛性的测试。实验结果显示，相较于传统的模拟退火算法、遗传算法、粒子群算法和人工鱼群算法，该算法在优化货品出入库时间、同组货品距离和货架重心方面表现更优，分别提升了27.4225%、36.1209%和18.4796%。而且，算法的稳定性和收敛性也得到了显著提升，这表明了改进遗传模拟退火算法在解决自动化立体仓库储位优化问题上的有效性。 这项研究提供了一种有效的方法，用以解决自动化立体仓库储位分配的复杂优化问题，为实际仓库运营提供了决策支持。这种结合了遗传算法和模拟退火算法优势的改进策略，有望在未来仓储管理中得到广泛应用，进一步提升物流行业的自动化水平和运营效率。