本文是一篇物流管理论文,本论文以F市烟草物流配送中心为研究区域,基于其现实需求,进行了有关的研究,对于配送中心具有一定的指导作用。
第1章绪论
1.1研究背景与意义
1.1.1研究背景
异型烟的销售在过去十年中增长迅速,据国家烟草专卖局市场调研数据显示,异型烟的产量从2011年的5.4万箱增加到2021年的537.71万箱。由于异型烟多采用小规格包装,具有较高的密度和重量要求,且其外观质量难以保证,导致分拣难度较大,严重制约着烟草商业企业销售规模扩大以及品牌影响力提升。
在异型烟销售不断增长的同时,烟草商业企业物流环节也受到了非常大的冲击,异型烟的种类,大小差距较大的特征,造成物流分拣、包装效率的下降和成本的增加。同时由于烟支重量差异较大,使得卷烟在储运过程中易造成破损,从而使消费者对商品产生不信任情绪。如何提高异型烟分拣、包装质量及速度是摆在各烟草公司面前的难题之一。在当前的国内烟草行业,多数烟草配送中心仍然采取人工分拣和包装的作业模式,不但消耗了大量的人力,且工作效率低下。同时,因异型卷烟尺寸不同,无法像标准卷烟那样进行自动分拣包装。
为了保证卷烟产品能够及时地送达客户手中,就需要将不同规格的烟盒按照一定规则分类放置到相应的货架上去,并实现自动化分拣与包装。当前烟草行业异型烟包不断增加,有效地管理它,就成了十分重要的问题。随着自动化技术的发展以及计算机控制技术的成熟,许多企业都已经将计算机控制技术应用到生产过程中。多数物流中心采用的分拣和包装方式并不能很好地实现物流这一基础工作。特别是对于大型的物流公司来说,如何实现快速、准确地将大量的异型烟从仓库里取出来并及时送到用户手中就成了急需解决的问题。如何提高异型烟分拣与包装的效率,满足业务需求,降低劳动强度,缩短工作时间,降低人工成本,是所有烟草物流企业所面临的难题。
1.2国内外研究现状
1.2.1三维码垛垛型优化研究现状
(1)码垛算法求解研究现状
彭林鹏在托盘的底层平面上划分出了不同的区域,采用贪婪启发式局部最优,构造各区域内的码垛求解模型,获得了局部最优码垛方案。为了进一步研究订单按流程分拣系统对物流运作效率的影响,将此模型应用于实际案例中,并与按批次分拣系统作了对比,在一些三维开源视觉库的帮助下,实现了最终码垛模型三维可视化,构建可视化界面,方便对码垛算法进行校验[1]。张涛根据仓储物流行业混箱码垛,针对工业机器人码垛算法进行设计;该算法首先使用机器学习方法对货物种类信息以及仓库布局信息进行分析和整理,然后根据需求选择合适的物料类型作为作业对象。利用算法实现托盘的区域划分,分别对各区域建立了最优化模型,计算最优解,最后,产生托盘整体码垛序列和码垛位置[2]。刘振兴运用了空间分割组合思想,设计物资码放策略,并且在遗传算法的基础上,解决多品类物资码盘的方案问题,借助java编程语言,使用eclipseVE编程工具进行了实现[3]。管小清在交错式码放样式的基础上,将其作为研究的载体,对货物交错式码放过程中的利弊进行了研究,给出了码放时过渡点与码放点之间的位置计算流程,给出了码垛机器人交错式码放算法,文中还对该算法进行了测试,结果表明该算法是有效可行[4]。
(2)缩小码垛体积研究现状
Scheithauer提出G4启发式方法,启发式方法在托盘装载中的应用。主要研究基于机器学习方法的智能优化算法,以实现对托盘内部尺寸的快速精准计算。这种方法是建立在G4结构包装形式上,把托盘分成4个装货区域,以及对各地区的优化设计。对于每一个装货区,使用最小生成树和最大容量算法求解最优解。当箱子数量较少时,此法效果很好,能应对箱子间缝隙不一致的问题[5]。为对这种方法进行进一步的优化,Morabito和其他人建议采用递归方法来对MPLPS进行优化。他们通过对单个盒子和一个盒中两个相邻盒体的尺寸计算来确定最佳布局方案,从而获得较高的效率;有别于Scheithauer的方法,Morabito把托盘分成若干区块,以及按盒数分割成适当面积块,再整体上采用递归方法对优化问题进行求解。由于采用分块思想,使其具有很好的可扩展性和健壮性。这种方法已经过两万多个例子的检验,获得对应最优解准确率99.9%[6]。
第2章研究算法的类别及对比
2.1聚类算法
2.1.1聚类概念
数据聚类是数据挖掘研究的一个主要内容,被广泛用于各个领域,内容涉及机器学习,模式识别和图像分析。聚类分析作为一种基于统计理论的数据分析技术,具有简单实用、分类效果好和计算复杂度低等优点。聚类就是通过某些聚类方法,把具有相似属性的数据对象集中在不同组或者聚类之中,对属性相似度较大的成员进行融合形成聚类,把属性相差很大的数据对象集中在不同聚类上,形成各种聚类。
2.1.2聚类算法类别
当前聚类分析较为热门的聚类方法有层次聚类算法、分割聚类算法、基于网格的聚类算法,和基于密度聚类算法等。
(1)层次聚类算法
在这种方法中,把需要分析的对象或者数据组成树,叫做聚类树。根据每一层对同一类型对象和不同类对象分别计算出相应权值向量,再通过迭代得到整个树结构,从而实现了聚类分析。操作时层层分家,分解方式通常采用凝聚层次聚类算法、分裂层次聚类算法等。前者是把各个数据对象看作一组,并且把更近的物体或者组按顺序与其融合,直至全部剩余对象的分割结束,一个组中的算法是终止的。后者则反之,也就是早期把全部物体都划成较大的成分,此后执行分裂操作,大的分组,直到每个基本的数据对象变成独立的组,算法就完成了。
(2)分割聚类算法
对于一个数据库来说,该数据库中有包括N个物体或数据样本,这种方法就是把这些数据对象分成k个类别或者簇,在满足k≤n时,应确保每簇中包含至少1个数据对象,且每个对象仅能属于一个簇。
2.2求解算法
2.2.1求解算法类别
目前求解算法有遗传算法,粒子群算法,蚁群算法,禁忌搜索算法和模拟退火算法。
(1)遗传算法属于全局优化搜索算法的范畴,搜索能力强。该技术已在许多领域得到广泛的应用。在求解过程中,不必了解题的具体形态及初值,只需根据初始点信息即可,即可得到可行解集或近似最佳结果。通过改变遗传基因可以实现对问题进行局部或整体优化,从而达到更好的效果。同时该算法在求解大规模问题时可以快速收敛到最优解。利用交叉与变异操作,增加了种群多样性和个体适应度值。利用遗传算子进行遗传基因编码并控制选择,杂交与突变等基本模式。遗传算子是通过染色体编码来实现的、种群初始化方式等等、基因传递机制等等、确定进化代数及终止条件等。适应度函数是算法性能评价的准则,也是进化过程收敛与否的度量。个体之间相互适应是一种重要而有效的策略,它在很大程度上决定着整个系统的优劣性,因此对遗传算法适应度函数作进一步研究具有十分重大的意义。
(2)粒子群优化在多峰值函数最优化问题中得到了成功的运用、在非线性规划等方面寻找全局最优解。在求解过程中,不必了解题的具体形态及初值,只需根据初始点信息即可,即可得到可行解集或近似最佳结果。粒子群优化的目标是在多维超体中寻找所有粒子的最优解。这种算法以遗传算法作为基础,同时结合了群体寻优与个体寻优两种方法,使之具有较强的全局搜索能力和较好的收敛性能。在此算法中,每个粒子都有特定的初始值,也不是固定不变的。由于不同个体具有不同的适应度函数,因此可以采用多种变异算子以提高搜索效率。通过在搜索空间内探寻并利用已知有利地点,粒子围绕某一或者某几个最佳点进行聚合或者集聚。对于某个特定目标,如果所有粒子均能找到它所需的任何位置,则此目标即为最优解。
第3章 异型烟分拣和包装作业现状及问题分析 ........................ 18
3.1 F市烟草配送中心工作流程 ....................... 18
3.1.1 整体作业流程 ........................... 18
3.1.2 异型烟分拣及码垛作业流程 .............................. 20
第4章 基于双目标策略的异型烟分拣通道优化研究 ................. 28
4.1 影响因素分析 ........................ 28
4.2 数据分析 ............................... 28
4.3 异型烟分拣烟道优化 .......................... 30
第5章 异型烟码垛模型建立及算法设计 .................... 35
5.1 假设条件 ....................... 35
5.2 约束条件 ............................ 35
5.3 符号说明 .......................... 36
第6章实例仿真验证
6.1仿真目标及场景设计
6.1.1建立对比指标
因异型烟包装利用率和垛型的稳定性无法直接展示,文中采用装填率和烟包总体积的形式进行表达,通过比较不同算法平均求解时间,判断算法是否可行。
6.1.2搭建对比场景
本文主要对烟草配送中心异型烟按单拣选出库作业中,异型烟的烟道分配的原则和码垛策略两个方面进行优化,为验证每个方面优化的有效性,需分别进行对比仿真实验。主要设计4个方法的选择,分别为按销量进行烟道分配和按聚类进行烟道分配、拟人启发式算法和改进的拟人启发式算法,具体搭建的对比场景如下表6-1所示。
第7章结论与展望
我国是全球烟草生产与销售的大国,烟草行业近年来快速发展,过去实行的针对烟草的管控策略与政策,也慢慢跟上了时代的步伐。在这种情况下,新技术的运用就成了烟草行业迎接当下挑战的一个重要途径。烟草行业对新技术、人们对新方法接受和采纳的要求也在逐步变大。伴随着信息技术在各个领域