一、Max-Min蚁群算法在固定货架拣选路径优化中的应用（论文文献综述）
朱志鹏[1]（2021）在《基于AGV的可移动式货架拣货路径规划问题研究》文中研究说明人工智能、物联网、云计算等先进的信息技术促进了传统物流业向现代物流业的转型升级,尤其是智能机器人的发展,极大地提高了物流各环节的效率,有效降低了物流总成本。近年来,一种新的“货到人”拣货作业模式已经开始在配送中心内部被采用。该模式利用AGV（Automatic Guided Vehicle）将货架搬运至拣货台,由拣选人员将商品拣选出来,货架访问若干拣货台后返回原位置,然后AGV再去搬运下一个货架,直至所有拣货任务完成。本文针对此应用场景,研究AGV的拣货路径规划问题,主要研究内容如下:（1）在总结国内外取送一体化的车辆路径问题、AGV调度问题和拣货路径规划问题的研究现状基础上,系统分析了拣货作业类型、“货到人”拣货作业模式、储位分配策略、仓储布局以及AGV环境建模方法。以AGV选取货架并访问多个拣货台的行驶路线优化为特色,提出了基于AGV的可移动式货架拣货路径规划问题（MMPRP）,给出了相关假设、约束条件以及环境建模的拓扑地图,建立了以最小化AGV总行驶距离为目标函数的移动距离模型。（2）针对MMPRP问题的特点,设计了一种混合蚁群算法（MACO）予以求解。该算法在基本蚁群算法的基础上,对转移规则、信息素更新方式做了改进,结合货架到拣货台的距离、货架上的商品种类等因素,设计了一条适合MMPRP问题的货架选择规则,在信息素更新规则中引入Max-Min蚁群策略、精英蚂蚁策略和路径节约因子。此外,设计了合并单一访问节点、移除末端AGV访问需求、替换满足度较低的货架、重排列一段访问路径、最长路段节点移除、交换两个货架路段等六种局部优化算子,以提升算法的性能。（3）构建了48个测试算例,对MACO算法的有效性和适用性进行验证,并探究了随机存储策略、基于周转率的存储策略,以及拣货台布局方式对解的影响。实验结果表明,本文所提出的整融合六种局部优化算子的MACO算法能够有效地求解MMPRP问题,对最优解的探索能力和对解空间的搜索能力比单纯的蚁群算法更强。在60种左右商品规模的算例中,MACO算法所搜索到的最优解,相较单纯ACO算法,平均改进率在移动距离模型中高达20.43%。图27幅,表26个,参考文献74篇。
张天星[2]（2021）在《智能仓储系统储位优化与拣选效率研究》文中研究指明在十四五规划的时代背景下,我国愈发重视经济发展的质量。加大科技创新的投入,提升消费水平是关键手段,这必定导致各行各业的商品流通和贸易往来更加频繁,仓储作为物流业的枢纽,其发展方向必然是与新兴技术产业相结合。立体仓库的储位分配模式和货物拣选效率的优化问题是增进其智能化程度的关键,其中,合理的储问分配会极大地解放劳动力,加快生产流通速度;良好的拣选路径会缩短设备的行走时间,节约能源消耗。二者的目的都是让系统的柔性更高,资源配置更加合理,从而带来了更多的经济效益。因此,对这两方面的研究有较强的实际意义,本文在以往研究的基础上,继续开拓可提升的空间,从系统模型和优化算法的角度进行挖掘研究,主要工作如下:首先,对研究方向的背景和意义进行了论述,对待研究问题的发展情况做出了归纳总结并提出了值得继续研究的问题。介绍了智能仓储系统的整体结构、系统运行层次和货物出入库的工作流程,阐述了非确定性多项式问题与本文的联系,这些为后文的研究提供理论支持。其次,针对储位分配过程中的无规则存储问题,根据实际分配需求,设计了以出入库时间最优,整体重心最低以及产品关联性最强为三个不同目标的组合优化模型。在求解过程中,为解决遗传算法的劣势,采用降维编码克服信息的无效交换问题,通过多种群协同来改善局部最优问题,与爬山算法相结合进一步提升寻优效率。对算例进行仿真分析,通过具体数据和三维视图等角度证明了模型具备动态调整的能力,在算法对比实验中,改进算法的目标函数均值,收敛效率,均优于传统算法,证明了算法的有效性并得出了更好的储位优化效果。然后,针对货物拣选时堆垛机空载运行时间过长的问题,通过分析复合作业过程找到路径优化点,为处理存取队列组合所产生的离散路径优化问题,将传统TSP（旅行商）问题离散化,建立在二维空间下的时间优化模型,以求解最优存取队列。在求解过程中,对原有蚁群算法进行改动,设计了离散启发式矩阵以应对本文的不连续路径调度,加入自适应调整函数去改善正反馈带来的信息素滞留问题。对拣选调度问题进行仿真分析,通过算法对比验证模型的可行性,通过给出优化后的存取组合路径以及算法优化率,证明了改进算法在此问题上的优势并有效提高拣选效率。最后,对文本的研究成果和创新点进行归纳,结合实际因素说明了理论研究中还存在的不足和可改进的方向。本文结合以往的研究成果,进一步地优化智能仓储系统的出入库效率问题,取得了良好的实验结果,这不仅为实际生产过程提供了有效方案,还为同领域研究提供了有价值的参考。
黄益[3]（2021）在《网格立体仓库的多机器人调度研究》文中认为在电子商务和疫情的影响下社区团购兴起,商品销售模式从线下向线上+线下发展,需要对商品进行大量的拆零拣选的行业增加,促使这些行业的仓库也朝着自动化、密集化和智能化发展,不仅需要在满足减少占地面积的同时,尽可能增加纵向的储量,提高整体的空间利用率,而且还需要适合处理大量的SKU,并且具有一定程度的缓存作用。网格式立体仓库可以满足这些需求,这种网格式立体仓库一般是由拣货机器人等自动化设备完成单元物料的出入库作业,拣货机器人在货架顶部的平面内行走,当物料存储在网格仓库非表层的货格时会出现重复搬运物料箱的现象,多机器人作业时也可能会由于任务分配不合理产生机器人闲置,从而造成了资源的浪费。研究多机器人调度即是研究拣选机器人在网格立体仓库货架的表层和非表层作业情况下,如何对订单任务进行分配和排序,优化机器人作业路径,来实现在最短时间内完成出入库作业,具体研究内容如下。首先对密集仓储系统进行介绍,了解各类密集仓储系统的使用情景,再对网格立体仓库的组成和使用场景进行分析和叙述,并对拣选机器人在网格式立体仓库中执行单元物料出入库作业流程进行分析,按照作业任务在网格立体仓库的作业区分为:多机器人表层作业模式和多机器人非表层作业模式。在储位分配策略上,引入随机存储和分类存储两种策略,结合对仓库的历史订单数据分析,得到了分类存储能在网格立体仓库中减少机器人的作业时间。然后,以分类存储为基础,构建多机器人调度模型,通过对机器人作业时影响作业时间的因素分析,得到机器人作业的基本时间模型,在基本时间模型的基础上,通过增加机器人数量发现,多机器人在同一作业平面内作业时,可能会出现的路径冲突,对路径冲突的类型分类之后,提出了解决冲突的策略。最后,通过数学模型设置以出入库时间最短的目标函数,在单机器人作业时讨论储位分配对作业时间的影响,再通过对多机器人作业时间讨论,利用好对订单任务进行分类和排序,优化机器人的行走路径,从而提高机器人的作业效率。为了对模型进行验证,选择某鞋类电商仓库的网格式立体出入库作业为例进行算例分析,将历史订单数据转化为各商品的出入库频率和商品的关联度两个参数,利用模糊聚类的方法得到4个聚类中心,因此将网格立体仓库的储位分为4部分,在单台机器人作业的设定下,发现分类存储模式能让机器人完成订单的时间比随机存储下机器人完成订单的时间少。通过对机器人作业流程的分析,得到机器人作业的时间模型,选定分类存储的策略,增加机器人的数量至2台和4台,在增加机器人数量的时候发现,机器人作业时出现了冲突点,而且随机器人数量的增加,出现冲突点的可能性增加,为了能使机器人在最短的时间内完成作业任务,改变订单任务的分类和排序,利用蚁群算法对机器人的作业时间求解,得到当机器人数量增加时机器人作业时间会减少,当机器人数量增加到2台时,作业时间减少49.7%;当机器人数量增加到4台时,作业时间减少54.9%。与机器人原始作业数据比较之下,对订单任务分配和排序后,机器人在相同数量下的作业时间均小于机器人原始作业时间。
胡朋朋[4]（2020）在《AS/RS入库过程中直线往复双穿梭车系统调度优化研究》文中指出随着现代社会的变革与经济的发展,制造型企业不断发展壮大,对仓储管理水平的要求也越来越高。自动化立体仓库作为仓储管理的组成部分,逐渐受到企业特别是电子行业的追求。由于立体仓库不需要太多的人力操作,并能够很好的保持仓库的恒温恒压,对电子电器产品的储存起到良好的保护作用,因此如何快速把产品从生产线运送到立体仓库,使产品入库时间最小化是众多学者及实业界关注的重点。本文以自动化立体仓库入库过程中物料搬运系统为研究对象,以直线轨道双穿梭车为核心,通过对其进行分析研究,使产品的入库时间最小化,以解决企业仓储管理中的现实挑战。论文首先阐述了所要研究自动化立体仓库的背景、意义及主要内容;然后对自动化立体仓库调度、穿梭车调度和求解问题方法等方面进行了综述,设计遗传算法作为求解该类问题的方法;其次,通过对自动化立体仓库入库问题的分析与总结,发现了直线往复式双穿梭车入库作业调度问题的基本约束条件是:货物运送约束、穿梭车与堆垛机协调约束、穿梭车分区约束;在此基础上,建立了给定运送序列下的整数规划模型,目标是最小化物料入库时间。进一步,提出了自适应遗传算法来求解该问题。所设计的算法主要有染色体编码:采用三重结构方式对其进行编码,编码包含运送序列、I/O站、穿梭车及存储货物;初始种群:采用贪婪策略保证染色体的优良特性,随机生成的方式来保持种群的多样性;遗传算子:选择、交叉、变异等操作。最后,以某电子企业为实例,根据相关数据设置参数,用商业软件CPLEX工具和Matlab对其进行求解。求解结果表明,本文所提整数规划模型和遗传算法能有效求解该问题,与商业软件CPLEX求解对比,解的质量与效率更有优越性,从而体现了本文的应用研究价值。
雷兆发[5]（2020）在《Fishbone型仓储布局的订单分批及拣选路径研究》文中提出作为仓储作业运作层,订单分批和拣选路径优化问题历来是仓储优化领域的研究重点,良好的订单分批方案与高效的规划拣选路径能够显着提高仓库运作效率,降低运营成本。截至目前,有关于订单分批、拣选路径优化方面的研究绝大多数是基于传统布局,鲜有涉及非传统布局。本文着眼于Fishbone型非传统仓储布局,研究订单分批与拣选路径问题,考虑拣选设备载货量有限这一现实约束,以完成所有订单拣选任务耗费的总拣选距离为目标函数,建立了订单分批数学模型,根据Fishbone型布局特征提出了非传统布局S型路径策略,设备进行作业拣选时采用非传统布局S型策略,然后设计了一种遗传算法用于求解订单分批问题,详细阐述了编码与解码、适应度函数、选择算子、交叉算子、变异算子等方面的设计思想及过程;根据是否考虑拣选设备载货量有限将拣选路径问题分为一单一车和一单多车两种情况,分别建立数学优化模型,结合Fishbone型仓储布局几何特征,提出了 Fishbone型布局中两两货位间的距离计算公式并构建了非传统布局货位距离矩阵,随后设计了一种蚁群算法分别求解一单一车、一单多车情况下的拣选路径问题,由于一单一车是一单多车在拣选设备装载能力无限假设下的特殊情况,仅针对一单多车情况详细列出了蚁群算法求解步骤。基于MATLAB开展大量算例仿真实验以验证目标算法的有效性。对于订单分批算例,选取按单拣选策略、先到先分批策略作为遗传算法的对比方法,实验结果表明遗传算法在保证结果最优的同时还具备一定的鲁棒性;对于拣选路径算例,选取非传统布局S型策略、遗传算法作为蚁群算法的对比方法,通过分析算法进化曲线和实验数据得出蚁群算法在寻优能力和收敛性能上表现出色,有效缩短了拣选距离。
王长辉[6]（2020）在《基于双工位堆垛机的自动化立体仓库优化策略研究》文中研究表明二十一世纪物流产业的快速发展导致货物量急剧增加,货物管理更加复杂化,简单、静态的传统仓储管理已无法满足现代物流产业的需求,极大地影响了物流效率,从而影响企业的竞争力。近年来,自动化立体仓库的出现大大减少了传统仓储人工管理系统低效率、易出错的弊端,提高了仓储的效率。基于单工位堆垛机的自动化立体仓库是比较常见的一种仓库,该仓库的作业任务主要是由单工位的堆垛机货叉完成的,单工位货叉复合作业的一个周期行程中只能完成一次“存”与“取”的操作,作业效率不高。基于双工位堆垛机的自动化立体仓库的快速发展,有效地提升了仓储中货物出入仓库的效率,但是仍然存在货位分配不合理、货架不稳定、出入库效率不高等问题。因此,急需对基于双工位的自动化立体仓库进行优化,以提高自动化仓储的运行效率。本文对基于双工位堆垛机的自动化立体仓库的优化策略进行研究,主要研究内容包括货位分配优化与货物存取路径优化两个方面。实验结果表明,本文研究的方法可有效地提高货位分配的合理性以及双工位堆垛机复合作业的运行效率,从而提高自动化立体仓库的整体效率。本论文的具体研究内容如下所示:（1）为了使自动化立体仓库货位分配模型更加精确,在传统只考虑货架的稳定性、货品出入库的效率以及货品存放时间等三个参数的基础上,模型中加入了货品的相关性参数,优化了货位分配的数学模型;针对传统遗传算法在自动化立体仓库的货位优化上易出现“早熟、局部优化”等缺点,提出一种利用RBF神经网络优化遗传算法个体适应度函数的算法（RBF-GA算法）,实现自动化立体仓库的货位优化;（2）针对传统双工位堆垛机的运行策略存在忽略加速与制动、运行效率低下等问题,提出了一种基于变加速的双工位堆垛机运行策略,该方法在考虑了加速与制动对货物稳定性影响的同时,又尽可能的提高了双工位堆垛机的运行效率;利用蚁群算法优化遗传算法的初始种群,并改进传统遗传算法的选择算子、交叉算子与交叉策略,实现对双工位自动存取路径复合作业的寻优。仿真结果表明,相比于传统的遗传算法,蚁群-改进遗传算法（Ant colony-improved genetic algorithm,简称AC-IGA）可以更快、更准确的实现双工位复合作业路径的寻优,且相比于路径优化前,优化后的路径时间明显减少。
李若琳[7]（2020）在《基于群智能架构的仓库路径规划策略研究》文中研究表明由于物流行业的不断发展,能够快速的按照订单要求满足顾客需求是仓库的管理的重要内容,快速完成货物拣选已经成为制约企业发展的关键。现在的自动化仓库多使用自动引导车（Automated Guided Vehicle,AGV）来实现物流仓库的自动化和信息化,自动引导车的优化运行是当前的热门研究方向。为了提高仓库运行效率,节省仓库的货物拣选时间,同时为了解决传统集中式自控系统在仓库管理中存在的安装成本高、耗时多等问题,本文基于群智能系统架构对自动化仓库的关键问题——仓库AGV的路径规划策略进行了研究。首先,本文研究了基于群智能的仓库日常管理系统,设计基于群智能架构的仓库货物查询、存取和故障报警功能,分析几种常用的地图建模方式,建立仓库二维栅格地图和仓库拓扑结构地图,简化仓库地图环境。其次,本文提出了一种基于并行排序蚁群算法的仓库路径规划方法,该方法通过多蚁群之间的协同生长,共同进化,提高蚁群算法的求解速度和求解效果,再对生成的初始路径通过减少中间节点的方式进行平滑处理。在不同大小的地图上进行多组对比实验,实验结果表明,本文算法在不同大小地图上求解单AGV路径规划问题的时候求解速度更快,稳定性更好,平滑处理后的路径长度更短、转弯次数更少。再次,本文提出了基于群智能架构的排序优化蚁群算法和路由信息协议算法进行路径规划,通过将常用算法和群智能架构相结合,提高路径规划效率。实验结果表明,基于群智能架构的排序优化蚁群算法在多次求解路径时,相较与传统算法路径求解效果更好,速度更快。路由协议算法在仓库数据初始化之后可以直接得到最优路径信息,相比其他算法进行路径规划时的响应更快且算法准确度高。最后,本文构建仓库多AGV之间的动态避碰博弈模型,利用虚拟行动法进行博弈求解并解决多纳什均衡的选择问题,相邻AGV之间互相博弈,从行动集中选择最优行动。仿真实验结果表明,该方法能更快的找到多个AGV之间的纳什均衡解,实现AGV的行为选择,进而完成多AGV的动态避碰。本文提出的路径规划算法相比于现有算法,能够有效的减少拣选货物时的路径长度,避免多AGV同时运行时发生碰撞,为解决仓储作业中的AGV动态路径规划问题提供了有效的方法。
王均峰[8]（2019）在《基于群智能架构的某物流仓库管理智能优化算法研究》文中研究指明物流行业的快速发展对仓库作业效率提出了更高要求,随着用户要求的多样化,仓库作业的复杂化,物流企业实现仓库快速拣货是提高作业效率、提升客户满意度和降低运行成本的关键举措。通过分析仓库作业流程发现:（1）目前物流仓库采用集中式架构的仓库管理自动化水平偏低,从而导致了利用率低、作业效率低和管理水平低等问题;（2）在货位分配阶段存在货物周转慢、货架稳定性差和货位相关性低等问题;（3）在拣选货物阶段存在最优路径选取问题。论文基于群智能架构,针对物流仓库管理,提出了仓库货位分配和拣选路径优化算法,具体研究工作和内容如下:（1）提出了基于群智能架构的物流仓库管理系统,该系统具有组网快、配置简单及控制算法通用性强等特点,提高了仓库管理智能化水平。（2）针对货位分配过程中周转慢、货架稳定性差和货位相关性低等问题,提出一种基于群智能架构的改进并行化多目标粒子群（Parallelized Multi-objective Particle Swarm Optimization,PMO-PSO）货位分配优化算法,应用粒子群优化算法,以典型的多目标测试函数模型为例,证明了改进算法的有效性。（3）针对拣货过程中存在的最优路径选取问题,结合蚁群算法和遗传算法的优点,对蚁群算法通过并行化策略提高算法的寻优能力,用遗传算法（Genetic Algorithm,GA）改进并行化蚁群（Parallelized Ant Colony,PAC）的参数,解决了参数设置的问题,提升了算法优化性能,同时采用典型的旅行商（Traveling Saleman Problem,TSP）问题来验证,说明该参数优化方法的有效性。（4）分别对两个问题进行案例仿真研究,结果表明,采用改进的PMO-PSO货位分配优化算法对四个目标的降低率分别为10.37%、30.86%、71.72%和88.48%,对于周转率、架位合成重心、架位的稳定性和货物关联性都有较大改进。采用遗传优化并行蚁群参数的群智能算法相比于传统的穿越式策略缩短了40%左右的拣选路程,显着提升了备货效率。综上所述,论文提出的基于群智能架构的物流仓库的货位分配与拣选路径优化算法,解决了当前物流仓库管理系统存在的自动化水平不高、利用率低、作业效率低和管理水平低等问题,对我国物流行业仓库管理智能化具有科学指导意义。
胡颖聪[9]（2019）在《非传统布局仓储货位分配与拣选作业优化研究》文中研究表明仓储效率优化是提高供应链整体效益,促进供应链增值的重要途径。本文以优化仓储作业,提高运作效率为目标,围绕仓储运作中布局设计、货位分配、订单拣选等三方面,考虑到现有理论研究不足和实际作业效率不高等现状,重点针对非传统布局仓储货位分配与拣选作业优化展开相关研究。首先,根据对国内外文献的梳理,论文介绍了仓储运作中几个主要优化问题和相应解决思路策略;引申出非传统布局设计理念以及研究现状;提出了从货位分配和拣选作业两个方面进行优化研究。以实际工程问题为背景,分析了非传统布局仓储（Fishbone型）与货位分配优化问题的特征,构建了以出入库效率和货架稳定性为优化目标的货位分配优化模型;提出了基于Delphi和AHP混合法的多目标归一化处理方法;设计了自适应遗传算法（AGA）和改进粒子群算法（MPSO）两种改进优化算法求解模型;在AGA中采用动态自适应策略改进选择、交叉、变异算子,克服初期“早熟”,提高末期局部搜索;MPSO中引入非线性变化惯性权重和时变加速学习因子,提升早期全局搜索能力,改善末期收敛迟钝;给出了两种改进算法的详细设计思路和具体实现流程。其次,归纳了非传统布局拣选作业优化问题的特征;分析了该问题与TSP问题的异同点以及相比较传统布局的复杂性;给出了Fishbone布局下任意两拣选点的最短路径模型;以拣选作业时间最短为优化目标,分别构建了拣选设备有、无限载约束两种情况下的拣选作业优化模型;设计了改进遗传算法（IGA）、改进蚁群算法（IACA）和改进模拟退火算法（ISA）等三种改进优化算法;在介绍具体改进策略的基础上,给出了各个算法详细设计思路和实现步骤。最后,以实际案例数据为基础,采用MATLAB对各算法进行编程求解,验证了模型准确性和算法有效性;以不同规模问题数据为算例,通过与传统方法和标准算法对比,验证了改进算法的适用性和优越性;本文所设计的多种改进算法能够为实际工程应用中多样性需求提供可行的解决方案。
卢丹宁[10]（2018）在《Z企业自动化立体仓库货物拣选最优路径研究》文中研究说明自动化立体仓库是现代化物流技术和现代计算机技术、自动化技术结合而产生的优秀产物,它的出现将货物的入库、出库、搬运和输送等各环节连为一体,大大节省了仓库管理、维护、运用等程序的成本,同时也极大提高了企业物流的工作效率。仓储管理水平在企业生产活动中占有极为关键的地位,它对提高物流效率起着决定性的作用,但是企业的仓储管理是一个极为复杂的综合管理系统,它的出库、入库、货物拣选等环节的效率直接影响着企业仓库管理水平,本文以此为出发点,研究自动化立体仓库的货物拣选的最优路径问题。为提高自动化立体仓库的工作效率,本文先以Z企业自动化立体仓库的实际使用情况建立数学模型,然后以堆垛机拣选取所有待拣选货物所需要的最短时间为目标函数,并分别应用蚁群算法、遗传算法对此问题进行求解,求解过程涉及算法设计、MATLAB编程与仿真、结果分析、求解效果对比等多个环节,再通过对比两种算法的实际仿真结果,客观评价了两种算法在求解自动化立体仓库货物拣选模型中运算速度、计算精度、收敛速度等方面的优劣,最后提出了蚁群算法和遗传算法结合运算的混合算法,通过详细的算法设计与MATLAB仿真,仿真结果显示,混合算法在本文Z企业自动化立体仓库的货物拣选最优路径问题中的应用效果较好。最后根据本文的研究结果,提出了本文研究中模型建立和算法设计的不足之处,并展望此问题未来的发展方向。
二、Max-Min蚁群算法在固定货架拣选路径优化中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Max-Min蚁群算法在固定货架拣选路径优化中的应用（论文提纲范文）
（1）基于AGV的可移动式货架拣货路径规划问题研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 取送一体化的车辆路径问题 |
| 1.2.2 AGV调度问题 |
| 1.2.3 拣货路径规划问题 |
| 1.2.4 研究现状总结 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究创新点 |
| 2 相关基础知识 |
| 2.1 拣货作业 |
| 2.2 “货到人”模式与“人到货”模式比较 |
| 2.2.1 “货到人”模式与“人到货”模式作业流程 |
| 2.2.2 “货到人”仓储布局 |
| 2.3 储位分配策略 |
| 2.3.1 定位存储策略 |
| 2.3.2 随机存储策略 |
| 2.3.3 分类存储策略 |
| 2.3.4 共同存储策略 |
| 2.3.5 基于周转率的存储策略 |
| 2.4 环境建模相关知识 |
| 2.4.1 栅格法 |
| 2.4.2 拓扑地图法 |
| 2.4.3 可视图法 |
| 2.5 本章小结 |
| 3 问题及建模研究 |
| 3.1 问题描述及基本假设 |
| 3.2 移动距离模型构建 |
| 3.2.1 移动距离模型参数 |
| 3.2.2 目标函数 |
| 3.2.3 约束条件 |
| 3.3 本章小结 |
| 4 算法设计 |
| 4.1 蚁群算法 |
| 4.1.1 蚁群算法基本原理 |
| 4.1.2 蚁群算法基本流程 |
| 4.1.3 蚁群算法的特点 |
| 4.2 混合蚁群算法设计 |
| 4.2.1 蚂蚁转移规则 |
| 4.2.2 Max-Min蚁群策略 |
| 4.2.3 精英蚂蚁策略 |
| 4.2.4 信息素更新策略 |
| 4.2.5 局部优化策略 |
| 4.2.6 路径构造过程 |
| 4.2.7 混合蚁群算法步骤 |
| 4.3 本章小结 |
| 5 实验分析 |
| 5.1 测试算例构建 |
| 5.2 实验设计 |
| 5.2.1 实验参数设计 |
| 5.2.2 实验配置与步骤 |
| 5.3 实验一 |
| 5.3.1 小规模算例实验结果与分析 |
| 5.3.2 大规模算例实验结果与分析 |
| 5.4 实验二 |
| 5.4.1 存储策略比较实验 |
| 5.4.2 仓储布局比较实验 |
| 5.5 实验总结 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）智能仓储系统储位优化与拣选效率研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 自动化立体仓库的探究 |
| 1.2.2 储位分配及优化技术概况 |
| 1.2.3 拣选作业的技术概况 |
| 1.3 本文主要的研究内容与章节安排 |
| 1.3.1 主要工作内容 |
| 1.3.2 各章节安排 |
| 第2章 智能仓储系统介绍 |
| 2.1 智能仓储系统的概述 |
| 2.1.1 仓储系统的硬件构成 |
| 2.1.2 系统运行的层次结构 |
| 2.1.3 出入库作业的流程 |
| 2.2 优化过程中的非确定性多项式问题 |
| 2.3 本章小结 |
| 第3章 基于改进遗传算法的立体库储位优化研究 |
| 3.1 储位分配问题描述 |
| 3.2 储位分配模型建立 |
| 3.2.1 运行环境及坐标计算方法 |
| 3.2.2 多目标组合优化模型建立 |
| 3.3 遗传算法基本原理 |
| 3.3.1 遗传算法的基本思想 |
| 3.3.2 遗传算法的运算过程 |
| 3.4 多种群空间映射遗传算法的设计与实现 |
| 3.4.1 无效数据交换问题的处理 |
| 3.4.2 针对局部最优问题的解决方法 |
| 3.4.3 子代种群的生成与迭代规则 |
| 3.5 实验结果与性能分析 |
| 3.5.1 实验数据与参数设置 |
| 3.5.2 模型有效性验证 |
| 3.5.3 改进算法的性能分析 |
| 3.5.4 不同任务容量下的实验分析 |
| 3.6 本章小结 |
| 第4章 基于改进蚁群算法的立体库拣选效率研究 |
| 4.1 拣选效率问题描述 |
| 4.2 拣选效率模型建立 |
| 4.2.1 不同作业模式对拣选过程的影响 |
| 4.2.2 复合存取模式与旅行商的结合 |
| 4.2.3 时间优化模型的建立 |
| 4.3 蚁群算法原理 |
| 4.3.1 蚁群算法的基本思想 |
| 4.3.2 蚁群算法的操作流程 |
| 4.4 自适应蚁群算法的设计与实现 |
| 4.4.1 启发式矩阵在离散问题中的改进 |
| 4.4.2 移动路径的选择与禁忌处理 |
| 4.4.3 信息素过度堆积问题的解决 |
| 4.5 实验结果与性能分析 |
| 4.5.1 实验数据与参数设置 |
| 4.5.2 整体性能分析 |
| 4.5.3 不同任务容量对算法性能的影响 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 作者简介及研究成果 |
| 致谢 |
（3）网格立体仓库的多机器人调度研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外研究现状 |
| 一、立体仓库研究动态 |
| 二、储位分配研究动态 |
| 三、调度问题研究动态 |
| 四、国内外研究现状分析 |
| 第三节 研究内容及研究方法 |
| 一、研究内容及章节安排 |
| 二、研究方法及技术路线 |
| 第四节 本文创新点 |
| 第二章 多机器人调度的网格立体仓库概述 |
| 第一节 密集仓储系统概述 |
| 第二节 网格立体仓库概述 |
| 第三节 网格立体仓库的作业模式 |
| 一、表层作业模式 |
| 二、非表层作业模式 |
| 第四节 本章小结 |
| 第三章 网格立体仓库的调度分析 |
| 第一节 网格立体仓库储位分析 |
| 一、随机存储 |
| 二、分类存储 |
| 第二节 作业分析 |
| 一、作业流程分析 |
| 二、作业时间影响因素分析 |
| 第三节 本章小结 |
| 第四章 网格立体仓库多机器人调度模型构建 |
| 第一节 初始环境参数设定 |
| 第二节 储位分配策略 |
| 第三节 机器人作业时间模型 |
| 一、表层作业时间模型 |
| 二、非表层作业时间模型 |
| 第四节 本章小结 |
| 第五章 网格立体仓库多机器人调度模型算例求解 |
| 第一节 基础设置 |
| 一、蚁群算法简介 |
| 二、算例基础设置 |
| 第二节 在表层作业时模型求解与算例验证 |
| 一、蚁群算法求解 |
| 二、算例计算 |
| 三、算例结论 |
| 第三节 本章小结 |
| 第六章 结论与展望 |
| 第一节 研究结论 |
| 第二节 研究展望 |
| 一、成本因素待考虑 |
| 二、配置模型待完善 |
| 三、考虑跨层作业情况 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间完成的研究成果 |
| 攻读硕士学位期间发表的论文 |
| 攻读硕士学位期间申请的专利 |
| 攻读硕士学位期间获奖情况 |
（4）AS/RS入库过程中直线往复双穿梭车系统调度优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义及目的 |
| 1.3 研究内容与框架 |
| 1.3.1 研究内容 |
| 1.3.2 论文框架 |
| 1.4 研究的创新点 |
| 2 自动化立体仓库入库研究综述 |
| 2.1 国内外研究现状综述 |
| 2.1.1 AS/RS出入库调度研究现状 |
| 2.1.2 RGV作业调度研究现状 |
| 2.1.3 RGV作业调度算法概述 |
| 2.1.4 研究现状评述 |
| 2.2 遗传算法概念及其应用 |
| 2.2.1 遗传算法概念 |
| 2.2.2 遗传算法流程 |
| 2.2.3 遗传算法的特点 |
| 2.2.4 遗传算法的应用 |
| 2.3 本章小结 |
| 3 RGV系统直线往复入库作业调度模型构建 |
| 3.1 RGV作业调度存在的问题 |
| 3.1.1 堆垛机与RGV作业排序问题 |
| 3.1.2 直线往复式2-RGV分区问题 |
| 3.2 RGV作业调度问题分析 |
| 3.2.1 RGV系统分类 |
| 3.2.2 直线往复式RGV作业流程 |
| 3.2.3 直线往复式RGV特点 |
| 3.3 直线往复问题的研究重点 |
| 3.4 直行往复式2-RGV作业调度模型 |
| 3.4.1 问题描述 |
| 3.4.2 基本假设 |
| 3.4.3 参数和变量 |
| 3.4.4 模型建立 |
| 3.5 本章小结 |
| 4 RGV调度问题求解的自适应遗传算法 |
| 4.1 基本遗传算法设计 |
| 4.2 直线往复入库问题自适应遗传算法设计 |
| 4.2.1 编码方式 |
| 4.2.2 种群初始化 |
| 4.2.3 适应度值计算 |
| 4.2.4 选择算子 |
| 4.2.5 自适应交叉算子 |
| 4.2.6 自适应变异算子 |
| 4.2.7 算法终止判断 |
| 4.3 本章小结 |
| 5 某电子公司货物入库实例分析 |
| 5.1 公司背景 |
| 5.2 问题分析 |
| 5.3 算例设置 |
| 5.4 算法参数设置 |
| 5.5 结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）Fishbone型仓储布局的订单分批及拣选路径研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非传统布局研究现状 |
| 1.2.2 订单分批研究现状 |
| 1.2.3 拣选路径研究现状 |
| 1.2.4 研究现状总结与分析 |
| 1.3 研究框架 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 相关理论知识 |
| 2.1 拣选作业概述 |
| 2.1.1 拣选的概念和流程 |
| 2.1.2 货物拣选原则 |
| 2.1.3 影响拣选作业效率的因素 |
| 2.2 分批拣选相关理论 |
| 2.2.1 订单分批问题概述 |
| 2.2.2 订单分批策略 |
| 2.3 拣选路径相关理论 |
| 2.3.1 拣选路径问题概述 |
| 2.3.2 拣选路径策略 |
| 2.4 算法理论 |
| 2.4.1 遗传算法 |
| 2.4.2 蚁群算法 |
| 2.5 本章小结 |
| 第3章 订单分批优化模型及算法 |
| 3.1 问题描述 |
| 3.2 订单分批优化模型 |
| 3.2.1 模型假设 |
| 3.2.2 模型建立 |
| 3.3 订单分批算法设计 |
| 3.4 本章小结 |
| 第4章 拣选路径优化模型及算法 |
| 4.1 问题描述 |
| 4.2 拣选路径优化模型 |
| 4.2.1 模型假设 |
| 4.2.2 一单一车拣选路径模型 |
| 4.2.3 一单多车拣选路径模型 |
| 4.2.4 非传统布局货位距离矩阵 |
| 4.3 拣选路径算法设计 |
| 4.4 本章小结 |
| 第5章 仿真实验与分析 |
| 5.1 问题说明 |
| 5.1.1 布局设计及货位编码 |
| 5.1.2 实验参数设置 |
| 5.2 问题求解 |
| 5.2.1 订单分批优化算例 |
| 5.2.2 拣选路径优化算例 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 分批订单信息与分批算法代码 |
| 附录B 拣选路径算法代码 |
| 攻读学位期间的研究成果 |
（6）基于双工位堆垛机的自动化立体仓库优化策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 自动化立体仓库的发展历程 |
| 1.3 自动化立体仓库国内外研究现状 |
| 1.3.1 货位优化研究现状 |
| 1.3.2 路径优化研究现状 |
| 1.4 研究内容及创新 |
| 1.5 本章小结 |
| 第2章 基于双工位堆垛机的自动化立体仓库相关理论分析 |
| 2.1 自动化立体仓库的分类 |
| 2.2 基于双工位堆垛机的自动化立体仓库的基本构成 |
| 2.3 基于双工位自动化立体仓库的设计策略 |
| 2.3.1 双工位自动化立体仓库规划设计原则 |
| 2.3.2 自动化立体仓库货架尺寸的设计原则 |
| 2.4 双工位自动化立体仓库存储策略 |
| 2.4.1 货物存储模式 |
| 2.4.2 货物分配原则 |
| 2.4.3 路径规划原则 |
| 2.5 本章小结 |
| 第3章 基于RBF-GA算法的自动化立体仓库货位优化研究 |
| 3.1 问题描述和模型假设 |
| 3.1.1 问题描述 |
| 3.1.2 假设条件 |
| 3.2 货位优化多目标数学模型构建 |
| 3.2.1 货架的稳定性分析 |
| 3.2.2 货品出入库的效率分析 |
| 3.2.3 货品存放时间分析 |
| 3.2.4 货品的相关性分析 |
| 3.2.5 多目标货位分配模型 |
| 3.3 货位优化算法设计 |
| 3.3.1 RBF神经网络算法 |
| 3.3.2 基本遗传算法 |
| 3.3.3 货位优化改进遗传算法的设计(RBF-GA算法) |
| 3.4 实验仿真与结果分析 |
| 3.4.1 仓库与货品的基本信息 |
| 3.4.2 遗传参数的选取 |
| 3.4.3 RBF神经网络仿真与结果 |
| 3.4.4 结果分析与模型验证 |
| 3.5 本章小结 |
| 第4章 基于AC-IGA算法的双工位堆垛机存取路径优化研究 |
| 4.1 货物自动存取路径问题描述 |
| 4.2 建立双工位堆垛机存取路径的数学模型 |
| 4.2.1 双工位堆垛机出入库作业运行方法分析与改进 |
| 4.2.2 基于改进堆垛机运行方式的自动存取路径数学模型 |
| 4.3 传统路径优化算法分析 |
| 4.3.1 遗传算法 |
| 4.3.2 改进遗传算法 |
| 4.3.3 蚁群算法 |
| 4.3.4 蚁群-遗传算法 |
| 4.4 蚁群-改进遗传(AC-IGA)算法的设计 |
| 4.5 实验方法与数据分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的主要研究成果 |
（7）基于群智能架构的仓库路径规划策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路径规划研究现状 |
| 1.2.2 群智能系统研究现状 |
| 1.3 本文主要研究内容及结构安排 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的结构安排 |
| 1.4 创新点 |
| 2.群智能仓库管理系统总体设计 |
| 2.1 群智能系统 |
| 2.1.1 自动化系统 |
| 2.1.2 群智能控制系统 |
| 2.1.3 基于群智能架构的仓库管理系统 |
| 2.2 群智能仓库日常管理系统 |
| 2.2.1 仓库货物查询 |
| 2.2.2 仓库货物存取 |
| 2.2.3 节点故障报警 |
| 2.3 AGV运行环境建模 |
| 2.3.1 地图表示方式 |
| 2.3.2 地图设计 |
| 2.4 本章小结 |
| 3.基于并行排序蚁群算法的仓库AGV路径规划 |
| 3.1 路径规划问题描述 |
| 3.2 单AGV路径规划算法 |
| 3.2.1 目标函数模型 |
| 3.2.2 蚁群算法 |
| 3.2.3 并行排序蚁群算法设计 |
| 3.2.4 避免死角问题 |
| 3.3 路径平滑修正 |
| 3.4 实验与结果分析 |
| 3.4.1 算法性能测试 |
| 3.4.2 解的多样性分析 |
| 3.4.3 初始路径生成和算法对比 |
| 3.5 本章小结 |
| 4.基于群智能架构的仓库AGV路径规划 |
| 4.1 基于群智能架构的排序优化蚁群算法 |
| 4.1.1 路径最短目标函数 |
| 4.1.2 算法整体设计 |
| 4.1.3 实验结果与分析 |
| 4.2 基于群智能架构的路由信息协议算法 |
| 4.2.1 路由信息协议基础 |
| 4.2.2 算法整体设计 |
| 4.2.3 实验结果与分析 |
| 4.3 本章小结 |
| 5.仓库多AGV避碰策略研究 |
| 5.1 博弈论基础 |
| 5.2 动态避碰博弈模型 |
| 5.2.1 局中人集 |
| 5.2.2 行动集 |
| 5.2.3 收益函数 |
| 5.3 基于博弈论的多AGV动态避碰方法 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 6.总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 硕士在读期间的研究成果及获奖情况 |
| 致谢 |
（8）基于群智能架构的某物流仓库管理智能优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 仓库管理智能优化算法的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 热点问题梳理 |
| 1.3 研究内容及技术路线 |
| 2 仓库管理智能优化问题分析 |
| 2.1 群智能建筑智能化系统 |
| 2.1.1 仓库自动化系统现状 |
| 2.1.2 群智能建筑智能化系统 |
| 2.1.3 群智能架构的仓库管理 |
| 2.2 仓库作业 |
| 2.2.1 仓库作业流程 |
| 2.2.2 仓库类型 |
| 2.3 仓库货位分配作业 |
| 2.3.1 货位分配作业 |
| 2.3.2 影响货位分配效率的因素 |
| 2.3.3 货位分配问题求解方法 |
| 2.4 仓库拣选作业 |
| 2.4.1 拣选作业 |
| 2.4.2 影响拣选作业效率的因素 |
| 2.4.3 拣选路径问题求解方法 |
| 2.5 本章小结 |
| 3 仓库货位分配优化算法研究 |
| 3.1 基于PMO-PSO的仓库货位优化 |
| 3.1.1 基本粒子群算法 |
| 3.1.2 多目标粒子群算法 |
| 3.1.3 并行化多目标粒子群算法 |
| 3.2 问题的描述及模型 |
| 3.2.1 货位分配优化问题描述 |
| 3.2.2 货位分配优化问题模型建立 |
| 3.3 仓库货位算法设计 |
| 3.4 仓库货位分配算法测试与性能比较 |
| 3.5 本章小结 |
| 4 仓库拣选路径优化算法研究 |
| 4.1 基于GA-PAC的拣选路径优化 |
| 4.1.1 基本蚁群算法 |
| 4.1.2 并行化蚁群算法 |
| 4.1.3 遗传优化并行蚁群参数算法 |
| 4.2 问题的描述及模型 |
| 4.2.1 仓库拣选路径优化问题描述 |
| 4.2.2 仓库拣选路径优化问题模型建立 |
| 4.3 仓库拣选路径优化算法设计 |
| 4.4 仓库拣选路径优化算法测试与性能比较 |
| 4.5 本章小结 |
| 5 仓库管理智能优化仿真与分析 |
| 5.1 仓库货位分配优化的仿真分析 |
| 5.2 仓库拣选路径优化的仿真分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 硕士研究生学习阶段学术研究成果及获奖情况 |
（9）非传统布局仓储货位分配与拣选作业优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 非传统布局仓储研究现状 |
| 1.2.2 货位分配研究现状 |
| 1.2.3 拣选作业研究现状 |
| 1.3 论文框架及技术路线 |
| 1.3.1 论文框架 |
| 1.3.2 技术路线 |
| 第2章 仓储运作相关优化问题 |
| 2.1 仓储布局设计问题 |
| 2.1.1 传统布局仓储 |
| 2.1.2 非传统布局仓储 |
| 2.2 货位分配优化问题 |
| 2.2.1 常见存储策略 |
| 2.2.2 货位优化目标 |
| 2.3 拣选作业优化问题 |
| 2.3.1 分批拣选 |
| 2.3.2 分区拣选 |
| 2.3.3 路径规划 |
| 2.4 本章小结 |
| 第3章 非传统布局货位分配优化 |
| 3.1 问题描述与分析 |
| 3.2 货位分配优化模型 |
| 3.2.1 布局分析 |
| 3.2.2 模型假设 |
| 3.2.3 模型构建 |
| 3.3 货位分配优化算法设计与实现 |
| 3.3.1 子目标函数权重确定 |
| 3.3.2 自适应遗传算法设计与实现 |
| 3.3.3 改进粒子群算法设计与实现 |
| 3.4 本章小结 |
| 第4章 非传统布局拣选作业优化 |
| 4.1 问题描述与分析 |
| 4.2 拣选作业优化模型 |
| 4.2.1 行程计算 |
| 4.2.2 模型假设 |
| 4.2.3 模型构建 |
| 4.3 拣选作业优化算法设计与实现 |
| 4.3.1 改进遗传算法设计与实现 |
| 4.3.2 改进蚁群算法设计与实现 |
| 4.3.3 改进模拟退火算法设计与实现 |
| 4.4 本章小结 |
| 第5章 优化仿真与结果分析 |
| 5.1 货位分配优化仿真 |
| 5.1.1 案例背景 |
| 5.1.2 基于AGA的货位优化方案 |
| 5.1.3 基于MPSO的货位优化方案 |
| 5.2 拣选作业优化仿真 |
| 5.2.1 案例背景 |
| 5.2.2 无限载重能力情况下拣选作业优化 |
| 5.2.3 有限载重能力情况下拣选作业优化 |
| 5.3 不同算法性能分析 |
| 5.3.1 货位分配优化算法性能分析 |
| 5.3.2 拣选作业优化算法性能分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要工作 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A 货位分配优化算法程序代码 |
| A.1 AGA主程序代码 |
| A.2 MPSO主程序代码 |
| 附录 B 拣选作业优化算法程序代码 |
| B.1距离矩阵程序代码 |
| B.2 IGA主程序代码 |
| B.3 IACA主程序代码 |
| B.4 ISA主程序代码 |
| 攻读学位期间的研究成果 |
（10）Z企业自动化立体仓库货物拣选最优路径研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究方法与研究内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 第2章 自动化立体仓库相关理论基础 |
| 2.1 自动化立体仓库的发展趋势 |
| 2.1.1 自动化立体仓库的发展历程 |
| 2.1.2 自动化立体仓库的主要组成部分 |
| 2.1.3 自动化立体仓库的特点及应用领域 |
| 2.2 自动化立体仓库的出入库流程 |
| 2.2.1 入库流程 |
| 2.2.2 出库流程 |
| 2.3 蚁群算法 |
| 2.3.1 算法起源 |
| 2.3.2 算法特征 |
| 2.3.3 算法优缺点 |
| 2.3.4 假设原则 |
| 2.3.5 算法原理 |
| 2.4 遗传算法 |
| 2.4.1 遗传算法起源 |
| 2.4.2 遗传算法中的基本概念 |
| 2.4.3 算法原理 |
| 2.4.4 算法步骤 |
| 2.5 本章小结 |
| 第3章 Z企业自动化立体仓库货物拣选的模型构建 |
| 3.1 实例分析 |
| 3.1.1 仓库整体构造 |
| 3.1.2 一层立库及出库区 |
| 3.2 模型构建 |
| 3.2.1 模型假设 |
| 3.2.2 建模步骤 |
| 3.2.3 目标函数 |
| 3.3 本章小结 |
| 第4章 基于单一算法的模型求解 |
| 4.1 基于蚁群算法的自动化立体仓库货物拣选模型求解 |
| 4.1.1 算法设计 |
| 4.1.2 仿真试验 |
| 4.2 基于遗传算法的自动化立体仓库货物拣选模型求解 |
| 4.2.1 算法设计 |
| 4.2.2 仿真实验 |
| 4.3 两种算法仿真结果的对比分析 |
| 4.4 本章小结 |
| 第5章 基于混合修正算法的模型求解 |
| 5.1 混合修正算法 |
| 5.2 数据转换 |
| 5.3 算法步骤 |
| 5.4 仿真实验 |
| 5.5 结果分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 作者简介 |
| 致谢 |
四、Max-Min蚁群算法在固定货架拣选路径优化中的应用（论文参考文献）
- [1]基于AGV的可移动式货架拣货路径规划问题研究[D]. 朱志鹏. 北京交通大学, 2021
- [2]智能仓储系统储位优化与拣选效率研究[D]. 张天星. 吉林大学, 2021(01)
- [3]网格立体仓库的多机器人调度研究[D]. 黄益. 云南财经大学, 2021(08)
- [4]AS/RS入库过程中直线往复双穿梭车系统调度优化研究[D]. 胡朋朋. 西安科技大学, 2020(01)
- [5]Fishbone型仓储布局的订单分批及拣选路径研究[D]. 雷兆发. 南昌大学, 2020(01)
- [6]基于双工位堆垛机的自动化立体仓库优化策略研究[D]. 王长辉. 江苏大学, 2020(02)
- [7]基于群智能架构的仓库路径规划策略研究[D]. 李若琳. 西安建筑科技大学, 2020(01)
- [8]基于群智能架构的某物流仓库管理智能优化算法研究[D]. 王均峰. 西安建筑科技大学, 2019(06)
- [9]非传统布局仓储货位分配与拣选作业优化研究[D]. 胡颖聪. 南昌大学, 2019
- [10]Z企业自动化立体仓库货物拣选最优路径研究[D]. 卢丹宁. 吉林大学, 2018(01)