基于运动学-反向可恢复A*算法的移动机器人拣货系统路径规划研究

在具有高度动态特性的移动机器人拣货系统中,路径规划算法的性能决定了机器人集群执行任务的实际效率。通过将系统中多个机器人的协同路径规划问题转化为多智能体路径规划问题MAPF,基于引入运动学特性的时间窗分层协作A*算法RRA*-WHCA*,提出了一种改进算法KRRA*-WHCA*。针对经典反向可恢复A*算法RRA*缺乏考虑机器人转弯时间等运动学特性的问题,引入辅助坐标系和标准计数对照表对最小转弯时间进行精准求解,通过加入最小转弯时间优化了预估代价的评价方式,使算法可以快速找到最优路径,提高了整体WHCA*算法的寻路效果。仿真结果表明,KRRA*-WHCA*算法相比RRA*-WHCA*算法,在机器人平均行驶距离相似的情况下,有效降低了最大完工时间和平均任务完成时间,显著提高了整个系统的作业效率。

考虑动态任务耗时与播种墙容量的移动机器人拣货系统任务分配优化

任务分配是影响移动机器人拣货系统效率的关键决策问题。针对具有差异化客户评级特征的业务场景,考虑系统的动态任务耗时特性和拣选站播种墙容量约束,提出了一种基于混合启发式算法的集中式任务分配方法。首先,在客户订单优先级约束下构建以最大完工时间最小为目标的任务分配优化模型。其次,考虑机器人在任务执行中因加减速、转弯、升降货架、排队等待导致的动态任务耗时以及播种墙容量限制,设计最大完工时间生成方案。随后,开发基于记忆精英种群的灾变自适应大邻域搜索算法(MEPCALNS)对模型进行求解,提高了传统自适应大邻域搜索算法的搜索深度和搜索效率。最后,通过数值实验证明了算法的有效性和稳定性。研究成果有利于提高移动机器人拣货系统的分拣效率。

基于移动机器人的拣货系统研究进展

基于移动机器人的拣货系统(Robotic mobile fulfillment systems, RMFS)作为一种新型物至人的拣货系统,相比人工拣货系统和AS/RS拣货系统(下文统称传统拣货系统)具有更高的拣货效率、更好的系统可扩展性和柔性.为全面了解RMFS的运行模式及其优化方向,本文首先回顾了RMFS的工作流程及优化理论框架,然后对RMFS的货位指派、订单分批、任务分配、路径规划以及建模方法等问题进行了文献回顾和总结,并指出了RMFS与传统拣货系统在拣货过程方面的异同及当前研究的不足.最后,讨论了RMFS的几个重要研究方向,为RMFS的理论研究和应用实践提供参考.

RMFS订单拣选系统动态货位再指派研究

针对动态需求背景下的基于移动机器人的拣货系统(RMFS)货架储位再指派问题,提出了考虑货架与储位匹配程度的动态储位再指派策略,并以货架需求频率与储位距离关联性为优化目标,构建了反映仓库布局连续动态变化关系的混合整数规划模型,设计了求解大规模动态货架储位再指派问题的单时刻交换模拟退火(SA-STE)算法。结果表明,SA-STE算法能在合理的时间内寻找到接近CPLEX的近优解,而且在求解大规模问题时具有明显的时间优势。与传统的随机和固定位置指派策略相比,提出的模型和算法可以实现库存存货单元存储结构与需求模式相匹配的优化效果,缩短了30%左右的拣货距离,大幅度提高了RMFS的拣货效率。

电商RMFS系统订单分配与路径规划联合优化方法

随着电子商务的蓬勃发展,海量客户需求和高频率、多品种、小批量的订单特性为订单拣选业务带来巨大挑战。在物流智能化的趋势下,大量电商企业采用移动机器人拣货系统(Robotic Mobile Fulfillment System,RMFS)进行订单拣选。订单分配和拣选路径规划是影响仓库订单拣选效率的关键决策。为了提高电商RMFS系统拣选效率,降低仓库运营成本,基于电商企业多订单、多货架、多拣选站下的拣选业务场景,以最小化机器人负载距离为目标,构建订单分配与路径规划联合优化模型,设计两阶段的A*算法和自适应大领域搜索算法(Adaptive Large Neighborhood Search,ALNS),在ALNS算法原有框架的基础上提出新的移除和修复算子以适应订单分配问题,并针对30个不同规模算例进行计算分析。计算结果表明,所提出的优化方法收敛快、性能稳定,能够有效缩短机器人行走距离,相比先到先拣选策略最大可缩短47.6%的机器人负载距离。同时,也可在更短时间内获得与CPLEX求解质量相近的解。尤其是当订单数量增长时,相比CPLEX具有突出时间优势,可以实现电商仓储资源的合理调度和配置,从而为电商企业仓储智能化提供有效决策指导。