基于蚁群算法的拣选作业优化问题
基于蚁群算法的仓库拣货路径优化研究的开题报告
基于蚁群算法的仓库拣货路径优化研究的开题报告一、选题背景及研究意义随着电子商务的发展和消费需求的增加，仓库拣货成为了一个非常重要的环节。
在当前的商业物流中，拣货工作是最耗时的工作之一，同时也是最容易出现错误的工作之一。
因此，如何优化拣货路径、提高拣货效率和减少错误率，已成为当今物流领域的一个重要研究方向。
蚁群算法是一种模拟自然界蚂蚁觅食行为的计算模型。
该算法可以模拟蚂蚁在寻找食物的过程中产生的相互通讯和协作现象，通过信息共享和更新来优化路径选择，达到寻找最优解的目的。
因此，将蚁群算法应用于仓库拣货路径优化中，可以提高拣货效率和减少错误率，降低物流成本，具有实际应用价值。
二、研究内容和研究方法1. 研究内容本研究旨在基于蚁群算法，探索仓库拣货路径优化的问题。
具体包括以下研究内容：（1）分析仓库拣货的特点和问题，确定优化目标和指标；（2）介绍蚁群算法的基本原理和流程，结合拣货路径优化问题设计相应算法；（3）设计实验方案，收集拣货数据，验证算法的优化效果；（4）对比分析不同算法的优缺点，提出优化方案。
2. 研究方法（1）文献调研法：通过查阅有关文献、资料、行业标准等，深入了解仓库拣货路径优化的相关知识和技术，为研究提供理论基础；（2）实证研究法：采用实验室实验和场地实验相结合的方法，获取真实的拣货数据，验证算法的优化效果；（3）统计分析法：通过对实验数据进行统计分析，比较不同算法的优缺点，提出优化方案。
三、预期成果和研究意义1. 预期成果（1）基于蚁群算法的仓库拣货路径优化模型和算法；（2）多组实验数据和对比分析结果；（3）拣货效率和准确率都有显著提高的优化方案和建议。
2. 研究意义（1）提高仓库拣货效率和准确率，降低物流成本，促进物流行业的发展；（2）探索蚁群算法在仓库拣货路径优化问题中的应用，拓展蚁群算法在实践中的应用领域。
四、进度安排时间节点工作内容第1-2周文献调研，了解仓库拣货路径优化的相关知识和技术第3-4周学习蚁群算法的基本原理和流程，设计相应算法第5-6周收集拣货数据，进行实验设计第7-8周实验数据处理和算法验证第9-10周对比分析不同算法的优缺点，提出优化方案第11-12周总结结果，撰写论文，准备答辩五、参考文献[1] 许海滨,王云芳,梁荪成,黄继方. 基于改进蚁群算法的仓库拣货路径优化研究[J]. 计算机工程,2018,44(06):12-15.[2] 黄铮,周泽民,陈琳琳. 基于改进蚁群算法的仓库作业路径规划[J]. 现代制造工程,2017,44(04):146-152.[3] 石文,王强,谢志祥. 改进蚁群算法在仓库拣货路径规划中的应用[J]. 中国物流与采购,2017(22):79-83.。
基于蚁群优化算法的旋转货架拣选路径规划
端设置拣选 台，运行方式如下 ：由出库 台位置起 ，独立地 根据每个货单 中的若干条 目，分层水平旋转货架拣选作
退 火算法以及其他一些启发式方法 。初步研究 已显示 出蚁群 算法在 求解复杂组合优化 问题方 面具 有并行性 、正 反馈 、鲁
棒性强 等优越性 。
上升 或下 降 到 各 层 的拣 选 点 处 进 行 货 物 拣 选 。
性高等优点ｌ。旋转货 架系统是 自动化仓储技 术的新成果 ， Ｊ Ｊ 合理解决 旋转 货架 系统 拣选路径规划 问题将极 大提 高 自动存
储作 业 的效 率 ，从 而提 高 自动化 仓 库 的整 体效 益 Ｌ。 ２ Ｊ
某 自动化立体仓库 由一个拣选 台和 ５层椭 圆形水平旋转 货架组成 ，单层旋转货架有 ２ ０个用于存储货物的托盘式货 ０ 仓 。各层货架可 以独立顺、逆时针水平旋转 ，在旋转货架 的
题 。该算法能快速找到最优货物拣选路径 ，得到 的解质量较 高且计算时间短。仿 真结果表明 ，该方法适用于求解 中小规模 货物 拣选路径的
规划 问题 ，可 以提高 自动存储作 业效率 。
关健词 ：蚁群优化算法 ； 自动化 立体仓库 ；旋转货架 ；路径规划
Ｐｉｋｉ ｔ ａ ０ ｒ ｕｓ ｌ ｃ ｎｇ Ｐａ ｈ Ｐｌ ｎ ｆ ｒＣａ ｏ ｅ Ｂａ ｅ ｓ ｄ ０ｎＡｎｔＣｏ ｏ ｙ Ｏｐｔｍ ｉ ａ ｉ ｎ Ａｌ ｏ ｉｈｍ ｌｎ ｉ ｚ ｔｏ ｇ ｒ ｔ
在求解过程 中，设 是蚁群 中的蚂 蚁数量 ， ｒ ） ａｔ表示
ｆ 时刻在 ｉＪ路线 上残 留的信息素量 ，物理意义为对货位点 ｊ ，
的货物存取完后 ，选择对货位点 存放 的货物进行 存取 的信
息素轨迹强度 。在初始时刻 ，各条边上的信息素量相等 ，设
蚁群算法在优化问题中的应用
蚁群算法在优化问题中的应用蚁群算法是一种基于模拟蚂蚁行为的优化算法。
它主要适用于NP难问题（NP-hard problem），如图论、组合优化和生产调度问题等。
在这些问题中，找到近似最优解是非常困难的，蚁群算法通过模拟蚂蚁寻找食物的过程，利用蚂蚁的群智能来搜索最优解。
蚁群算法的基本思路是通过模拟蚂蚁找食物的过程，来寻找问题的最优解。
蚂蚁在寻找食物时，会在路径上释放一种信息素，这种信息素可以吸引其它蚂蚁跟随自己的路径。
信息素的浓度会随着路径的通行次数增加而增加，从而影响蚂蚁选择路径的概率。
在寻找最优解的过程中，蚂蚁的行为规则主要包括路径选择规则和信息素更新规则。
在路径选择规则方面，蚂蚁主要通过信息素浓度和距离来选择路径。
信息素浓度越高的路径，蚂蚁越有可能选择这条路径。
但是为了防止蚂蚁陷入局部最优解，蚂蚁也会有一定概率选择比较远的路径。
在信息素更新规则方面，主要是根据蚂蚁走过的路径长度和路径的信息素浓度来更新信息素。
如果一条路径被蚂蚁选中并走过，就会在路径上留下一定浓度的信息素。
而浓度高的路径会被更多的蚂蚁选择，从而增加信息素的浓度。
但是信息素会随着时间的推移而挥发，如果路径在一段时间内没有被选择，其上的信息素浓度就会逐渐减弱。
在实际应用中，蚁群算法主要用于优化问题，如图论、组合优化和生产调度问题等。
例如，在图论中，蚁群算法可以用来寻找最短路径问题。
在组合优化中，蚁群算法可以用来求解旅行商问题和装载问题等。
在生产调度问题中，蚁群算法可以用来优化生产过程和资源分配。
总之，蚁群算法是一种非常有用的优化算法，它可以利用群智能来搜索最优解，具有较好的鲁棒性和适应性。
未来，蚁群算法还可以应用于更多领域，如金融、医疗和物流等，为各行各业的优化问题提供更好的解决方案。
《蚁群算法的研究及其在路径寻优中的应用》范文
《蚁群算法的研究及其在路径寻优中的应用》篇一蚁群算法研究及其在路径寻优中的应用一、引言蚁群算法是一种模拟自然界中蚂蚁觅食行为的优化算法，其灵感来源于蚂蚁在寻找食物过程中所展现出的群体智能和寻优能力。
该算法自提出以来，在诸多领域得到了广泛的应用，尤其在路径寻优问题上表现出色。
本文将首先介绍蚁群算法的基本原理，然后探讨其在路径寻优中的应用，并分析其优势与挑战。
二、蚁群算法的基本原理蚁群算法是一种模拟蚂蚁觅食行为的仿生优化算法，通过模拟蚂蚁在寻找食物过程中释放信息素并相互交流的行为，实现寻优过程。
其主要特点包括：1. 分布式计算：蚁群算法采用分布式计算方式，使得算法具有较强的鲁棒性和适应性。
2. 正反馈机制：蚂蚁在路径上释放的信息素会吸引更多蚂蚁选择该路径，形成正反馈机制，有助于找到最优解。
3. 多路径搜索：蚁群算法允许多条路径同时搜索，提高了算法的搜索效率。
三、蚁群算法在路径寻优中的应用路径寻优是蚁群算法的一个重要应用领域，尤其是在交通物流、机器人路径规划等方面。
以下是蚁群算法在路径寻优中的具体应用：1. 交通物流路径优化：蚁群算法可以用于解决物流配送中的路径优化问题，通过模拟蚂蚁的觅食行为，找到最优的配送路径，提高物流效率。
2. 机器人路径规划：在机器人路径规划中，蚁群算法可以用于指导机器人从起点到终点的最优路径选择，实现机器人的自主导航。
3. 电力网络优化：蚁群算法还可以用于电力网络的路径优化，如输电线路的规划、配电网络的优化等。
四、蚁群算法的优势与挑战（一）优势1. 自组织性：蚁群算法具有自组织性，能够在无中央控制的情况下实现群体的协同寻优。
2. 鲁棒性强：蚁群算法对初始解的依赖性较小，具有较强的鲁棒性。
3. 适用于多约束问题：蚁群算法可以处理多种约束条件下的路径寻优问题。
（二）挑战1. 计算复杂度高：蚁群算法的计算复杂度较高，对于大规模问题可能需要较长的计算时间。
2. 参数设置问题：蚁群算法中的参数设置对算法性能有较大影响，如何合理设置参数是一个挑战。
蚂蚁群算法在优化问题中的应用
蚂蚁群算法在优化问题中的应用随着计算机科学的发展，人们对于算法的探索也越来越深入。
而在这些算法中，蚂蚁群算法是一个备受关注的优化算法。
蚂蚁群算法受到蚂蚁的行为特点启发而发展出来，其在多个领域中都发挥着重要的作用。
本文将重点讨论蚂蚁群算法在优化问题中的应用。
蚂蚁群算法的原理蚂蚁群算法是一种模拟自然界中蚂蚁觅食行为的优化算法。
其基本原理是将一群蚂蚁放置在一个二维空间中，每只蚂蚁都有一定的智能和意识，它们可以相互通信并携带信息素。
在寻找食物的过程中，蚂蚁会跟着前面的蚂蚁行走，并不断释放信息素。
当蚂蚁发现食物后会加强信息素的释放，吸引其他蚂蚁前来寻找食物的位置。
这个过程中，信息素的释放量与距离成反比，离食物越近的路径上的信息素浓度越大，其它蚂蚁选择该路径的概率也越大。
在蚂蚁群算法中，一个问题被转化为了蚂蚁寻找食物的过程。
算法将问题的解映射为蚂蚁寻找食物的过程中所走过的路径，问题的优化就成为了如何选择最优的路径来收集食物。
每个位置的信息素浓度反映了这个路径的优劣，蚂蚁寻找的过程就是使用概率模型和信息素浓度选择路径的过程。
蚂蚁群算法的应用1.在路线规划领域中的应用蚂蚁群算法在路线规划领域中得到了广泛的应用。
通过将路线规划问题转化为蚂蚁寻找食物问题，可以很好地处理TSP （Traveling Salesman Problem）问题。
在TSP问题中，需要找到连接所有城市的最短路径，通过蚂蚁群算法可以自主优化路径，找到最优的路线。
与传统的规划算法相比，蚂蚁群算法能够最大程度地减少计算复杂性，且具有很好的鲁棒性。
2.在机器学习中的应用蚂蚁群算法在机器学习中也有广泛的应用。
比如在神经网络的训练中，它可以作为一种优化算法使用。
由于神经网络是由多个神经元组成的，每个神经元的输出都需要通过一个激活函数进行计算。
在训练神经网络时，需要不断调整各个神经元之间的连接权重，使得输出与实际值之间的误差最小。
蚂蚁群算法可以帮助我们快速找到最优的连接权重。
自动化立体仓库拣选路径优化问题研究
２１ ０ 问题 ， 一类 问题 属 这
于 Ｔ Ｐ问题 ， Ｓ 不存 在有 效 的多项式 算 法 。
，
第４卷 ０
第 ７期
（ ）＝Ｃ（ ０ Ｃ为常数 ） 蚂 蚁 ｋ ｋ： １２ … ， ） 。 （ ， ， ｍ 在
运 动过 程 中 ， 据各 条路径 上 的信息量 决定转 移 方 根 向， （） ｔ 表示 在 ｔ 时刻 蚂蚁ｋ由节点 ｉ 转移 到节 点
，
柜具 有 ７０个货 位 ； ２ 相邻 的两 排货 架之 问有 一条 巷
道 ， 条巷 道 内可运行 一 台堆垛 机 用来 进行 货物 的 每 存 取 。对 于单巷道 固定货架 进 行拣选 作 业时 ， 堆垛 机携 带空 货箱 从 巷 道 口出 发 ， 次路 经 若 干 个 货 依 位， 同时 对货位 中 的货 物 进 行 存 取 ， 后 返 回巷 道 然
３０ ２ ） ０２ ２
３ ０２ ） ０ ２ ２
摘 要 ： 用蚁 群 算 法结合 遗传 算 法 来求 解 固定货 架拣 选 的 Ｔ Ｐ问题 ， 利 Ｓ 通过 ＭＡ Ｌ Ｂ 对 随机产 生 Ｔ Ａ
的１ ０个和 ３ ０个待 拣 选货 位 点的拣 选作 业路 径 优 化 进 行 了仿 真试 验 。 仿 真 结 果表 明 ： 于待 拣 对
选货位 点数 目有较 大范 围变动 的情 况 ， 方 法能 够对 拣 选路 径进 行 全局 优 化 ； 用蚁 群 算 法 结合 该 利 遗传 算 法求 解 固定货 架拣 选 ＴＳ Ｐ问题 时 ， 在拣 选 的货 位点 数 量适 中的情 况 下（ ０ ３ ） 变异概 率 １－ ０ ，
蚁群算法在优化问题中的应用
蚁群算法在优化问题中的应用蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚁群寻找食物的行为，应用于求解优化问题的自适应启发式算法。
自1990年首次提出以来，蚁群算法已经被广泛应用于诸如旅行商问题、调度问题、路径规划等各种优化问题中。
本文将面对蚁群算法的原理、模型和应用于实际问题中的案例进行探讨。
1. 原理蚁群算法的实现依赖于大量蚂蚁的协同合作。
蚂蚁之间能够通过一种称为信息素的化学物质相互通信，这种物质主要起到标记路径的作用。
当蚂蚁在探索路径时，如果某一路径上的信息素浓度较高，它们就会倾向于选择该路径，并在其上释放更多的信息素，使得这条路径更易于被其他蚂蚁选择。
随着时间的推移，信息素会逐渐蒸发，低浓度的信息素会消失。
这样，优良的路径将得到更多的标记，成为更有吸引力的路径，代表更优的解决方案。
2. 模型蚁群算法的模型包含三个部分：蚂蚁的移动行为、信息素更新策略和路径规划策略。
蚂蚁的移动行为：每个蚂蚁在搜索过程中，会按照一定的规则进行移动。
首先，在搜索过程中每只蚂蚁都具有一个起点和一个终点。
然后，每只蚂蚁根据概率选取下一步移动的目标位置，概率由信息素浓度和路径长度等因素影响。
最后，蚂蚁到达终点之后会根据距离和所经历的路径浓度计算出路径的适应度，再将该适应度反馈给整个蚁群。
信息素更新策略：当蚂蚁经过一段路径时，它会在路径上留下一些信息素。
这些信息素的浓度将影响其他蚂蚁在下一轮搜索时选择路径的概率。
为了使搜索过程更加高效，这些信息素的浓度应该根据一定的规则进行更新。
在蚁群算法中，有两种更新策略：全局更新和局部更新。
全局更新指，当所有蚂蚁完成一次迭代之后根据已经获得的适应度来更新信息素。
局部更新指，当某只蚂蚁在搜索过程中经过某条路径时，会根据该蚂蚁在该路径上的适应度更新信息素浓度。
这两种更新策略可以结合在一起，使蚁群算法更为高效。
路径规划策略：在路径规划策略中，蚁群算法通常有两种模式：最短路径模式和最优路径模式。
利用蚂蚁算法进行组合优化研究
利用蚂蚁算法进行组合优化研究一、概述组合优化问题是计算机中的一个重要问题，因为它在许多实际应用中经常出现。
由于组合优化问题的复杂性，各种算法被开发出来，以解决这些问题。
其中一种被广泛使用的算法是蚂蚁算法。
本文将讨论利用蚂蚁算法进行组合优化研究的相关内容。
二、蚂蚁算法的基本原理蚂蚁算法源自自然界中蚂蚁寻找食物的行为。
在这个过程中，蚂蚁在地面上释放一种信息素，并根据这种信息素的浓度来决定去哪里寻找食物。
当有越来越多的蚂蚁在同一路线上行走时，信息素的浓度也会增加，更多的蚂蚁会选择这条路线。
这种行为具有一种食物搜索优化的特性。
在蚂蚁算法中，优化目标是将一组物品组合成一组完整的解决方案。
这种解决方案将基于一个启发式信息素的基础上进行优化。
算法从一组开始解决方案开始，然后通过多个周期来迭代和改进这些解决方案。
蚂蚁算法最终会找到一组高质量的解决方案来优化问题。
三、应用蚂蚁算法解决组合优化问题在应用蚂蚁算法解决一组组合优化问题时，有一个关键的因素是信息素。
由于蚂蚁在寻找食物的过程中释放信息素，这种行为可以被转化为物品之间的相互作用。
在应用蚂蚁算法解决一组组合优化问题时，一个物品与另一个物品之间的信息素浓度可以被转换为问题解决方案中这两个物品之间的联系。
这种联系可以是实际的重量或尺寸，也可以是其他因素。
对于某些问题，信息素在解决方案的优化过程中是至关重要的。
例如，在旅行商问题中，信息素可以表示两个城市之间的距离或时间。
在这种情况下，信息素的浓度与两个城市之间的距离程度有关。
在解决方案的优化过程中，算法将优先选择信息素浓度高的路线。
四、蚂蚁算法的优点和缺点蚂蚁算法具有以下优点：1. 具有很强的自适应性，可以根据问题的实际情况进行调整。
2. 可以找到一个高质量的解决方案。
3. 可以应用于各种组合优化问题，如旅行商问题、背包问题等。
蚂蚁算法的缺点是：1. 容易陷入局部最优解，而不能找到最优解。
2. 在优化问题时需要考虑大量的问题约束条件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｂｉ（ｔ）表示ｔ时刻位于城市ｉ的蚂蚁的个数，则有ｍ＝∑ｂｔ（￡）．
第２９卷３期
２００９年３月
系统工程理论与实践
Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ—Ｔｈｅｏｒｙ＆Ｐｒａｃｔｉｃｅ
Ｖｂｌ．２９．Ｎｏ．３
Ｍａｒ．．２００９
文章编号：１０００－６７８８（２００９）０３－０１７９—０７
基于蚁群算法的拣选作业优化问题
刘臣奇・，李梅娟・，一，陈雪波ｓ
（１．鞍ＩＪｌ师范学院计算机系，鞍山１１４００５；２．大连理工大学信息与控制研究中心，大连１１６０２４；３．辽宁科技大学电子与信 息工程学院，鞍山１１４００４）
Ｃｏｌｏｎｙ
Ａｌｇｏｒｉｔｈｍ）［圳，许
多研究表明，应用ＡＣＯ求解ＴＳＰ『ｌｌＪ题优干模拟退火算法、遗传算法、神经网络算法、禁忌算法等多种优化 方法【５Ｊ．固定货架系统的拣选作业是按照客户货单要求一次成批拣选多个货物，拣选过程中，合理确定拣选 顺序，使整个拣选作业所花费的总时间代价最小，是组合优化『１１１题．对１：确定的单次拣选来讲，该问题类似于 ＴＳＰ问题．本文在ＡＣＯ求解ＴＳＰ『ｎＪ题的基础上，设计了改进的蚁群优化算法，用于求解固定货架拣选作业 优化ｎＴＪ题，通过多次实验运算，该算法能在短时间内快速找到全局最优解，并取得了较好的优化结果．
Ｔｅｃｈｎｏｌｏｇｙ，Ａｎｓｈａｎ
１
１４００４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ ｉｓ
ａ
ｎｏｖｅｌ ｈｅｕｒｉｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ
ｈａｓ ｇｒｅａｔ ａｂｉｌｉｔｙ ｏｆ ｓｅａｒｃｈｉｎｇ ｂｅｔｔｅｒ ｓｏｌｕｔｉｏｎ，ｂｕｔ ａｔ ｔｈｅ ｔｅｎｄｉｎｇ ｔｏ ｇｏ ｉｎｔｏ ｓｔａｇｎａｔｉｏｎ ｂｅｈａｖｉｏｒ ａｎｄ ｎｅｅｄｉｎｇ
２系统描述
２．１问题提出 某自动化仓库固定货架系统，货物采取分类存储策略，入／出库时采用拣选操作，相邻两排货架之间留有 一条巷道，每个巷道口设置一入／出库Ｉ／Ｏ（Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）台，且每条巷道内有一台存／取Ｓ／Ｒ（Ｓｔｏｒａｇｅ／Ｒｅ－ ｔｒｉｅｖａｌ）机进出巷道负责两侧货架的拣选任务．根据每个货单中的若干条目，拣选作业过程为：计算机发送货 单后，Ｓ／Ｒ机携带空货箱开始从巷道ｕ出发，对第一条目所对应的货位进行存取货物操作，操作完毕再访问 货单中的下一条目，依次类推，直到拣选完货单中的所有条目，Ｓ／Ｒ机携带货箱返回Ｉ／Ｏ台位置，将货箱传送 至输送系统，完成一次作业． 因此，若改变货单中各个条目的顺序将对应不同的货物存取路径，存取的时间也不相同．对了二特定的单 次拣选作业来讲，固定货架系统拣选作业优化Ｍ题，可归结为城市距离矩阵随访ｆｒ『Ｊ顺序的不同而动态变化的 旅行售货商ｆｂＪ题ＴＳＰ，是典型的ＮＰ—ｈａｒｄ难题． ２．２数学模型 单巷道固定货架结构如图ｌ所示，图中黑点为Ｓ／Ｒ机需要存取的货位点，ｚ表示列号，Ｙ表示层号，货位 点以坐标（ｘ，ｙ）标志，其中将（０，０）视为Ｉ／Ｏ台，并将其作为整个拣选作业的附加货位点．单个货格长度为 ａ，宽度为ｂ，高度为ｈ，且ａ，ｂ，ｈ均为常数．
ｋｉｎｄ ｏｆ ｎｅｗ ｗｅｒｅ
ｃａｒｒｉｅｄ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｂｅｔｔｅｒ ｏｖｅｒａｌｌ ｓｅａｒｃｈ ａｂｉｌｉｔｙ ａｎｄ ａｓｔｒｉｎｇｅｎｃｙ，ｓａｔｉｓｆｙｉｎｇ ｔｈｅ ｄｅｍａｎｄｓ ｏｆ ｍｅｄｉｕｍ
ｓ
Ｉ表示
３改进的蚁群算法设计
３．１基本蚁群算法 Ｍ．Ｄｏｒｉｇｏ等人经研究发现：蚂蚁在觅食过程中能够在所经过的路径上留下一种称为信息素的物质，它们 倾向于朝着该物质强度高的方向移动．因此，由大昔蚂蚁组成的集体觅食行为就表现出一种信息正反馈现象： 某一路径越短，该路径上走过的蚂蚁就越多，所留下的信息素强度也就越大，后来者选择该路径的概率因此就 越大，蚂蚁个体之间通过这种信息交流来选择最短路径并达到搜索食物的目的． 在ＴＳＰ问题中，设ｍ是蚁群中蚂蚁的数量，ｄｉＪ（ｉ，Ｊ＝１，２，…，ｎ）表示城市ｉ和城市Ｊ之间的距离，
Ｏｒｄｅｒ ｐｉｃｋｉｎｇ ｐｒｏｂｌｅｍ ｂａｓｅｄ
ｏｎ
ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ
ＬＩＵ Ｃｈｅｎ－ｑｉｌ，ＬＩ Ｍｅｉ－ｊｕａｎｌ，一，ＣＨＥＮ Ｘｕｅ－ｂ０３ （１．Ｄｅｐａｒｔｍｅｎｔ
ｏｆ Ｃｏｍｐｕｔｅｒ，Ａｎｓｈａｎ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ａｎｓｈａｎ １１４００５，Ｃｈｉｎａ；２，Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｏｆ
正 产 一＝．
。
＾
∑渊。∑芦
ｔ＝１
∑芦％
＝
Ｌ
＝
≈
ｎ
∑ｚ甜＝１，
Ｊ＝１州２一，ｎ
—
（５）
。∑徊
Ｚ
一＂
＜一
８
２
＜一
＜一
ｎ
一
其中：Ｔｉｆ为Ｓ／Ｒ机从货物ｉ运行到货位Ｊ所花费的时间代价；ｎ为待拣选货位总数；目标（３）是确定Ｓ／Ｒ 机对货位进行拣选的运行时间最短；约束（４）和（５）要求每个货位只被Ｓ／Ｒ机访问一次；约束（６）表示Ｓ／Ｒ 机运行路线是单向的，不能在货位点之间形成回路，访问完所有的货位点之后再返回Ｉ／Ｏ台，式中ｌ 集合８中元素个数． 如果将ＴＳＰ中的商人视为固定货架系统中的Ｓ／Ｒ机，被访问的货位点视为需求点，则本文问题可以 转化成旅行售货商问题，实际上就是求解在满足货位点的访问需求条件下，拣选作业花费时间代价最小，也 即拣选路径最短的行走路线．由此可以看出要完成多任务拣选，通过合理选取拣选路径（即合理安排拣选顺 序），使得Ｓ／Ｒ机经过所有待拣选货位点后花费的总时间代价最小，是组合优化问题，该类问题属于ＮＰ—ｈａｒｄ 问题，变量多，求解过程复杂，不存在有效的多项式算法，用常规算法求解非常困难．基ｆ群集智能的人工蚁 群算法作为一种新的仿生启发式优化算法，具有分布式计算、正反馈和鲁棒性强等优点，并在解决组合优化 问题方面具有很强的发现较好解的能力．因此，根据Ｉ、订Ｊ题自身的特点，并针对蚁群算法在解决组合优化问题 时存在搜索时间较长，及收敛速度与全局搜索能力之间的矛盾，设计了一种改进的蚁群算法用来求解固定货 架货物拣选作业优化问题．
收稿日期：２００７－１１－１３ 资助项目：国家自然科学基金（６０５７４０１０）；辽宁省“高等学校优秀人才支持计划，’项目（Ｒｅ－０６）；辽宁省教育厅项目（２００８ｚ００１） 作者简介：刘臣奇（１９６０－），男，辽宁省本溪人，副教授，主要从事工业过程的智能优化控制方法，先进控制理论及方法的研究．
Ｅｍａｉｌ：ａｓｍｅｉｊｕａｎｌｉ＠１２６．Ｅｏｍ．
ｏｂｊｅｃｔｉｖｅ
ｉｓ ｔｏ ａｃｑｕｉｒｅ
ａ
ｐｒｅｆｅｒａｂｌｅ ｐｉｃｋｉｎｇ ｓｅｑｕｅｎｃｅ ａｎｄ ｔｏ
ａ
ｍａｔｈｅｍａｔｉｃ ｍｏｄｅｌ Ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ．ａｎｄ
ｉｒｅｐｒｏｖｅｄ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ Ｗａｓ ｄｅｓｉｇｎｅｄ．Ｔｏ ｉｒｅｐｒｏｖｅ ｔｈｅ ｓｅａｒｃｈ ａｂｉｌｉｔｙ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ．ｔｈｒｅｅ ｉｍｐｒｏｖｅｍｅｎｔｓ ｗｅｒｅ ａｄｏｐｔｅｄ．Ａｗａｉｔｉｎｇ ｎｏｄｅｓ ｓｅｔ ａｎｄ ｄｙｎａｍｉｃ ｃｈａｎｇｅ ｏｎ ａｌｇｏｒｉｔｈｍ ｐａｒａｍｅｔｅｒｓ ｅｆｆｅｃｔｉｖｅｌｙ ｄｅｖｅｌｏｐｅｄ ｔｈｅ ｓｅａｒｃｈ ｓｐｅｅｄ．Ｓｅｌｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ ｅｎａｂｌｅｄ ｔｈｅ ｓｏｌｕｔｉｏｎ ｔｏ ｂｅ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ．Ａｎ ａｌｇｏｒｉｔｈｍ ｐｒｏｇｒａｍ ｗａｓ ｄｅｖｅｌｏｐｅｄ ａｎｄ ｃｏｍｐｕｔａｔｉｏｎａｌ ｓｉｍｕｌａｔｉｏｎｓ
１ １６０２４，Ｃｈｉｎａ；３．Ｓｃｈｏｏｌ
Ｉｎｆｏｒｍａｔｉｏｎ
ａｎｄ
Ｃｏｎｔｒｏｌ，Ｄａｌｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｄａｌｉａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ
ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｉａｏｎｉｎｇ
ａｎｔ ｃｏｌｏｎｙ
ｏｒ
ｑｕｉｃｋｌｙ
ｌａｒｇｅ ｓｃａｌｅ ｗｏｒｋ．
Ｋｅｙｗｏｒｄｓ ｐｒｏｂｌｅｍ
ａｌｇｏｒｉｔｈｍ；ｃｏｍｂｉｎａｔｏｒｉａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ；ｆｉｘｅｄ ｓｔｏｒａｇｅ ｒａｃｋｓ；ｏｒｄｅｒ ｐｉｃｋｉｎｇ
１引言
自动化立体仓库（Ａｕｔｏｍａｔｅｄ Ｗａｒｅｈｏｕｓｅ）是工厂物流和ＣＩＭＳ中的重要环节，现代物流中，物资存储通
ｓａｍｅ ｔｉｍｅ ｔｈｅｒｅ
ａｌｇｏｒｉｔｈｍ．Ｓｔｕｄｙ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ａｒｅ ｓｏｍｅ ｓｈｏｒｔｃｏｍｉｎｇｓ ｓｕｃｈ ａｓ
ａｎａｌｙｚｅｄ ｔｈｅ ｗｏｒｋｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｔｈｅ ｏｒｄｅｒ ｐｉｃｋｉｎｇ Ｏｕｒ
ｃｏｍｐｕｔｉｎｇ ｔｉｍｅ．Ｂａｓｅｄ ｏｎ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ，ｗｅ ｔａｓｋ ｏｆ ｆｉｘｅｄ ｓｔｏｒａｇｅ ｒａｃｋｓ ｉｎ ａｕｔｏｍａｔｅｄ ｗａｒｅｈｏｕｓｅ． ｍｉｎｉｍｉｚｅ ｔｈｅ ｓｔｏｒａｇｅ／ｒｅｔｒｉｅｖａｌ ｔｉｍｅ．Ａ
圈ｌ单巷道固定货架结构示意图
问题的数学模型是在以下设定及约束条件下建立的： 设定１货架当前的存放状态（空或满）是确定的，在货架上存储的货物类型是已知的；存取时，Ｓ／Ｒ机 恒速运行，启动和制动过程忽略不计． 设定２ Ｓ／Ｒ机存取货物时能同时沿ｚ轴（水平方向）和Ｙ轴（垂直方向）运行；Ｓ／Ｒ机水平运行速度为 Ｋ，垂直运行速度为Ｋ． 设定３以拣选方式存取货物时，Ｓ／Ｒ机对任何货物的存取速度是恒定的，并且不会因存取顺序的改变 而变化；在计算拣选作业时间代价中，忽略货物存取时间． 拣选作业时，Ｓ／Ｒ机运行的路线具有单向性且在货位点之间的行驶方向是一致连续的，即Ｓ／Ｒ机从ｔ／ｏ 台出发，需拣选的货位点只被服务一次，存取完货单中的所有货位点后返回到附加货位点． 根据以上基本假设条件，当接收到一组拣选作业的请求命令时，Ｓ／Ｒ机从Ｉ／Ｏ台出发，存／取完货位ｉ再