仓储调度决策方法、装置、终端设备以及存储介质制造方法及图纸

本申请公开了一种仓储调度决策方法、装置、终端设备以及存储介质，其仓储调度决策方法包括：当检测到货物出库请求时，获取密集型仓储系统当前的属性特征数据；将所述属性特征数据输入至预先训练好的深度信念网络模型中进行调度决策，生成调度决策方案，其中，所述深度信念网络模型由提升机选择学习模型、穿梭车选择学习模型和货位优先级学习模型中的一种或多种组成。本申请解决了仓储调度作业效率较低，设备利用率较低，致使系统总作业时间耗费长的问题，达到仓储系统的调度决策及时、高效的目的。的目的。的目的。

【技术实现步骤摘要】
仓储调度决策方法、装置、终端设备以及存储介质


[0001]本申请涉及仓储系统调度与优化领域，尤其涉及一种仓储调度决策方法、装置、终端设备以及存储介质。

技术介绍

[0002]目前，电商物流行业的订单任务场景呈现出规模大、时效性高和波动性大等特点，对现代物流仓储技术提出了密集化、自动化、集成化和智能化的发展需求。自动化密集型仓储系统是集高密度立体货架、输送带、多层穿梭车、提升机、条码自动识别系统和仓库管理系统为一体的新型物流存储系统，具有空间利用率高、存储容量大、作业效率高、吞吐量高和响应速度快等优点，成为打造智慧仓储中心的理想选择。
[0003]然而，电商物流行业的订单任务场景容易出现紧急订单、插单和订单任务剧增等突发请求，对仓储系统出入库作业的设备调度和货物分配提出一定的要求。目前对于仓储系统的设备调度和货位分配问题，多以排队论、混合整数规划建模并以优化算法求解的方法，模型复杂且实时性较差，导致系统响应慢，难以满足任务变动大、系统响应频繁的需求。传统的经典调度规则方法具有较好的实时性，但作业效率较低，设备利用率较低，致使系统总作业时间耗费较长，难以满足高吞吐量的要求。
[0004]因此，有必要提出一种节省仓储调度总作业时间的解决方案。

技术实现思路

[0005]本申请的主要目的在于提供一种仓储调度决策方法、装置、终端设备以及存储介质，旨在解决仓储调度作业效率较低，设备利用率较低，致使系统总作业时间耗费长的问题，达到仓储系统调度决策及时、高效的目的。
[0006]为实现上述目的，本申请提供一种仓储调度决策方法，所述仓储调度决策方法包括：
[0007]当检测到货物出库请求时，获取密集型仓储系统当前的属性特征数据；
[0008]将所述属性特征数据输入至预先训练好的深度信念网络模型中进行调度决策，生成调度决策方案，其中，所述深度信念网络模型由提升机选择学习模型、穿梭车选择学习模型和货位优先级学习模型中的一种或多种组成。
[0009]可选地，所述将所述属性特征数据输入至预先训练好的深度信念网络模型中进行调度决策，生成调度决策方案的步骤之前，还包括：
[0010]训练得到所述深度信念网络模型，具体包括：
[0011]对所述深度信念网络模型进行离线训练，得到离线训练后的深度信念网络模型；
[0012]对所述离线训练后的深度信念网络模型进行在线训练，得到训练好的深度信念网络模型。
[0013]可选地，所述对所述深度信念网络模型进行离线训练，得到离线训练后的深度信念网络模型的步骤包括：
[0014]建立集成优化数学模型，运用优化算法对所述集成优化数学模型进行求解，得到模拟的决策方案；
[0015]将所述模拟的决策方案导入至预先构建的仓储系统仿真模型进行划分，得到模拟的标签数据；
[0016]将预先建立的出库订单计划和所述模拟的决策方案导入至所述仓储系统仿真模型中进行模拟作业，得到模拟的运行属性状态数据；
[0017]根据所述运行属性状态数据生成模拟的属性特征数据；
[0018]获取所述密集型仓储系统的历史交互数据，生成历史的属性特征数据和历史的标签数据；
[0019]结合所述模拟的属性特征数据、所述历史的属性特征数据、所述模拟的标签数据和所述历史的标签数据，对所述深度信念网络模型进行离线训练，得到所述离线训练后的深度信念网络模型。
[0020]可选地，所述对所述离线训练后的深度信念网络模型进行在线训练，得到训练好的深度信念网络模型的步骤包括：
[0021]获取仓储管理系统和所述密集型仓储系统实际作业现场的在线交互数据；
[0022]根据所述在线交互数据对所述离线训练后的深度信念网络模型进行在线训练，得到所述训练好的深度信念网络模型。
[0023]可选地，所述深度信念网络模型由所述提升机选择学习模型、所述穿梭车选择学习模型和所述货位优先级学习模型组成，所述结合所述模拟的属性特征数据、所述历史的属性特征数据、所述模拟的标签数据和所述历史的标签数据，对所述深度信念网络模型进行离线训练，得到所述离线训练后的深度信念网络模型的步骤包括：
[0024]根据所述模拟的属性特征数据和所述历史的属性特征数据，生成用于离线训练所述提升机选择学习模型的第一训练用的属性特征数据；
[0025]根据所述模拟的标签数据和所述历史的标签数据，生成用于离线训练所述提升机选择学习模型的第一训练用的标签数据；
[0026]结合所述第一训练用的属性特征数据和所述第一训练用的标签数据对所述提升机选择学习模型进行离线训练，生成被选提升机决策方案，并得到离线训练后的提升机选择学习模型；
[0027]结合所述被选提升机决策方案，以及所述模拟的属性特征数据和所述历史的属性特征数据，生成用于离线训练所述穿梭车选择学习模型的第二训练用的属性特征数据；
[0028]结合所述被选提升机决策方案，以及所述模拟的标签数据和所述历史的标签数据，生成用于离线训练所述穿梭车选择学习模型的第二训练用的标签数据；
[0029]结合所述第二训练用的属性特征数据和所述第二训练用的标签数据对所述穿梭车选择学习模型进行离线训练，生成被选提升机
‑
穿梭车决策方案，并得到离线训练后的穿梭车选择学习模型；
[0030]结合所述被选提升机
‑
穿梭车决策方案，以及所述模拟的属性特征数据和所述历史的属性特征数据，生成用于离线训练所述货位优先级学习模型的第三训练用的属性特征数据；
[0031]结合所述被选提升机
‑
穿梭车决策方案，以及所述模拟的标签数据和所述历史的
标签数据，生成用于离线训练所述货位优先级学习模型的第三训练用的标签数据；
[0032]结合所述第三训练用的属性特征数据和所述第三训练用的标签数据对所述货位优先级学习模型进行离线训练，生成被选提升机
‑
穿梭车
‑
货位决策方案，得到离线训练后的穿梭车选择学习模型，并得到所述离线训练后的深度信念网络模型。
[0033]可选地，所述第三训练用的属性特征数据包括：被选巷道的属性特征、被选提升机的属性特征、被选穿梭车的属性特征、待出库货物的货位属性特征以及通过货位两两对比方式生成的货位优先级的属性特征。
[0034]可选地，所述将所述属性特征输入至预先训练好的深度信念网络模型中进行调度决策，生成调度决策方案的步骤之后，还包括：
[0035]根据所述调度决策方案执行仓储调度任务，具体包括：
[0036]当被选穿梭车执行跨层取货任务时，检测目标货物所在目标层的穿梭车工作状态信息；
[0037]当检测到所述目标层的穿梭车正在执行工作任务时，执行任务转移策略，具体包括：
[0038]取消所述被选穿梭车当前的跨层取货任务；
[0039]当检测到所述目标层的穿梭车结束执行任务时，执行所述跨层取货任务。
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种仓储调度决策方法，其特征在于，所述仓储调度决策方法包括：当检测到货物出库请求时，获取密集型仓储系统当前的属性特征数据；将所述属性特征数据输入至预先训练好的深度信念网络模型中进行调度决策，生成调度决策方案，其中，所述深度信念网络模型由提升机选择学习模型、穿梭车选择学习模型和货位优先级学习模型中的一种或多种组成。2.根据权利要求1所述的仓储调度决策方法，其特征在于，所述当检测到货物出库请求时，获取密集型仓储系统当前的属性特征数据的步骤之前，还包括：训练得到所述深度信念网络模型，具体包括：对所述深度信念网络模型进行离线训练，得到离线训练后的深度信念网络模型；对所述离线训练后的深度信念网络模型进行在线训练，得到训练好的深度信念网络模型。3.根据权利要求2所述的仓储调度决策方法，其特征在于，所述对所述深度信念网络模型进行离线训练，得到离线训练后的深度信念网络模型的步骤包括：建立集成优化数学模型，运用优化算法对所述集成优化数学模型进行求解，得到模拟的决策方案；将所述模拟的决策方案导入至预先构建的仓储系统仿真模型进行划分，得到模拟的标签数据；将预先建立的出库订单计划和所述模拟的决策方案导入至所述仓储系统仿真模型中进行模拟作业，得到模拟的运行属性状态数据；根据所述运行属性状态数据生成模拟的属性特征数据；获取所述密集型仓储系统的历史交互数据，生成历史的属性特征数据和历史的标签数据；结合所述模拟的属性特征数据、所述历史的属性特征数据、所述模拟的标签数据和所述历史的标签数据，对所述深度信念网络模型进行离线训练，得到所述离线训练后的深度信念网络模型。4.根据权利要求3所述的仓储调度决策方法，其特征在于，所述对所述离线训练后的深度信念网络模型进行在线训练，得到训练好的深度信念网络模型的步骤包括：获取仓储管理系统和所述密集型仓储系统实际作业现场的在线交互数据；根据所述在线交互数据对所述离线训练后的深度信念网络模型进行在线训练，得到所述训练好的深度信念网络模型。5.根据权利要求4所述的仓储调度决策方法，其特征在于，所述深度信念网络模型由所述提升机选择学习模型、所述穿梭车选择学习模型和所述货位优先级学习模型组成，所述结合所述模拟的属性特征数据、所述历史的属性特征数据、所述模拟的标签数据和所述历史的标签数据，对所述深度信念网络模型进行离线训练，得到所述离线训练后的深度信念网络模型的步骤包括：根据所述模拟的属性特征数据和所述历史的属性特征数据，生成用于离线训练所述提升机选择学习模型的第一训练用的属性特征数据；根据所述模拟的标签数据和所述历史的标签数据，生成用于离线训练所述提升机选择学习模型的第一训练用的标签数据；
结合所述第一训练用的属性特征数据和所述第一训练用的标签数据对所述提升机选择学习模型进行离线训练，生成被选提升机决策方案，并得到离线训练后的提升机选择学习模型；结合所述被选提升机决策方案，以及所述模拟的属性特征数据和所述历史的属性特征数据，生成用于离线训练所述穿梭车选择...

【专利技术属性】
技术研发人员：徐立云，徐准，施力，张剑，刘雪梅，马淑梅，
申请(专利权)人：同济大学，
类型：发明
国别省市：