四向穿梭车系统配置优化与调度算法研究段绿辉

分类号：TP278 单位代码：10183
研究生学号：2017522045 密级：公开
吉林大学
硕士学位论文
四向穿梭车系统配置优化与调度算法研究
Research on Configuration Optimization and Scheduling

Algorithm of Four-way Shuttle-based Storage and Retrieval
System
作者姓名：段绿辉
专业：控制理论与控制工程
研究方向：复杂系统建模、优化与控制
指导教师：隋振副教授
培养单位：通信工程学院
2020 年 5 月
Research on Configuration Optimization and Scheduling

Algorithm of Four-way Shuttle-based Storage and Retrieval
System
作者姓名：段绿辉
专业名称：控制理论与控制工程
指导教师：隋振副教授
学位类别：工学硕士
答辩日期：2020 年 5 月 29 日
吉林大学硕士学位论文原创性声明
本人郑重声明：所呈交学位论文，是本人在指导教师的指导下，
独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本
论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本
文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担。
学位论文作者签名：
日期： 2020 年 5 月 22 日
关于学位论文使用授权的声明
本人完全了解吉林大学有关保留、使用学位论文的规定，同意吉
林大学保留或向国家有关部门或机构送交论文的复印件和电子版，允
许论文被查阅和借阅；本人授权吉林大学可以将本学位论文的全部或
部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制
手段保存论文和汇编本学位论文。
（保密论文在解密后应遵守此规定）
论文级别：■硕士 □博士
学科专业：控制理论与控制工程
论文题目：四向穿梭车系统配置优化与调度算法研究
作者签名：指导教师签名：
2020 年 05 月 22 日
摘要
随着“中国制造 2025”计划的推行实施，越来越多的企业开始在仓储环节使
用自动化立体仓库系统。鉴于企业存储需求的多样性，市场对自动化立体仓库系统
的柔性提出了越来越高的要求。本文所研究的四向穿梭车系统便是在这一背景下
诞生的。得益于四向穿梭车系统使用的可以前后左右四个方向运动的穿梭车，使得
系统可以灵活配置穿梭车的数量，因此系统拥有较强的柔性。与此同时，如何在不
同系统参数下配置合理的穿梭车数量便成为了企业急需解决的问题。另一方面，四
向穿梭车系统中的穿梭车可以跨巷道执行存取任务，穿梭车运动路径更加灵活，系
统任务调度的合理性便成为了影响系统作业效率的重大因素。因此，本文以四向穿
梭车系统为研究对象，对系统的配置优化问题和调度优化问题进行了研究。
首先，对四向穿梭车系统的配置优化问题进行研究。通过对系统出库任务的作
业流程进行分析，得到了出库任务的平均作业时间模型。考虑到系统实际运行中穿
梭车和任务之间的相互等待队列，本文建立了半开环排队网络模型来描述四向穿
梭车系统运行过程，并依据出库任务的平均作业时间模型得出了排队网络中的节
点服务率。接下来本文运用矩阵几何法对排队网络进行了求解。通过与系统仿真程
序运行结果进行对比，验证了模型的正确性和所使用的矩阵几何法求解结果的准
确性。为了对系统最优配置进行求解，本文对影响穿梭车数量因素中的订单达到率、
仓储货架的层数、仓储货架的列数等系统参数分别进行了实验。得出了在不同系统
参数下系统性能随穿梭车数量变化的数据，所得到的实验数据可用于指导企业仓
储系统的选择规划和运行过程中的灵活调整。
接下来对四向穿梭车系统的调度优化问题进行了研究。系统任务调度的目的
为优化批次订单的执行顺序和方式，以最小化批次订单的出库作业总时间。通过对
出库作业时间的构成进行分析，本文构建了以提升机作业时间轴为基础的系统任
务调度模型。对系统任务调度过程中可能出现的穿梭车冲突问题，提出了基于路径
时间窗的冲突类型判断和冲突消除方案。本文运用基于遗传算法的离散粒子群算
法对任务调度模型进行了求解，设计了对各提升机任务分别进行编码的个体编码
方案，并对算法的速度和位置更新方式做出了适应性的改变。最后通过实例分析证
明了算法的有效性，并将结果与采用离散粒子群算法和遗传算法的求解结果进行
了对比。结果表明本文所提出的基于遗传算法的离散粒子群算法在收敛速度、全局
搜索能力、算法稳定性方面都有着很大的提升。
关键词：
四向穿梭车系统，半开环排队网络，矩阵几何法，配置优化，任务调度
I
ABSTRACT
Research on Configuration Optimization and Scheduling Algorithm

of Four-way Shuttle-based Storage and Retrieval System
With the implementation of the "Made in China 2025" plan, more and more
enterprises have begun to use automated three-dimensional warehouse systems in the
storage link. Due to the diversity of enterprise storage requirements, the market has
increasingly demanded the flexibility of automated three-dimensional warehouse systems.
The four-way shuttle-based storage and retrieval System (FWSBS/RS) studied in this
paper was born under this background. The shuttle in FWSBS/RS can move back and
forth or left and right. FWSBS/RS can flexibly configure the number of shuttles, so it has
strong flexibility. At the same time, how to configure a reasonable number of shuttles
under different system parameters has become an urgent problem for enterprises. On the
other hand, the shuttle in FWSBS/RS can perform storage and retrieval tasks across aisle,
and the shuttle's motion path is more flexible. The rationality of FWSBS/RS's task
scheduling has become a major factor affecting its operational efficiency. Therefore, this
paper studies the configuration optimization problem and scheduling optimization
problem of FWSBS/RS.
First, we study the configuration optimization of FWSBS/RS. By analyzing the
operation flow of the retrieval task, we get the average operation time model of the
retrieval task. Considering the mutual waiting queue between the shuttle and retrieval
tasks in the actual operation of FWSBS/RS, a semi-open queuing network (SOQN) model
was established to describe its operation. The service rate of nodes in SOQN can be
calculated by the average operation time model of retrieval tasks. Next, we use matrix-
geometric method (MGM) to solve this SOQN. By comparing with the results of the
warehouse simulation program, we verified the correctness of the SOQN and the accuracy
of the MGM solution results we used. We carried out experiments on the retrieval task
achievement rate, the number of tiers of storage shelves, and the number of columns of
storage shelves in the factors affecting the number of shuttles to solve the optimal
configuration of FWSBS/RS. We have obtained data on system performance that varies
with the number of shuttles under different system parameters. Our experimental data can
be used to guide the selection and planning of the enterprise storage system and the
flexible adjustment during operation.
The purpose of schedule task is to optimize the retrieval order and method of batch
orders to minimize its total retrieval time. By analyzing the composition of the retrieval
time, we construct a FWSBS/RS task scheduling model based on the lift operation
timeline. To solve the problem of shuttle conflicts that may occur in the FWSBS/RS task
scheduling process, we propose a conflict type judgment and conflict elimination scheme
based on the path time window. In this paper, a genetic algorithm based discrete particle
II
swarm optimization is used to solve the task scheduling model. We have designed
individual coding schemes that encode each lift task separately, and have made adaptive
improvements to the speed and location update method of the algorithm. Finally, the
validity of GA-DPSO is proved by an example analysis, and the results are compared
with the results obtained by discrete particle swarm optimization (DPSO) and genetic
algorithm (GA). The results show that compared with DPSO and GA, GA-DPSO has
greatly improved the convergence speed, global search capability, and algorithm stability.
Key Words:
Four-way Shuttle-based Storage and Retrieval System, Semi-open queuing
network, Matrix-geometric method, Configuration optimization, Task scheduling
III
目录
摘要 ..............................................................................................................I
ABSTRACT ................................................................................................. II
目录 ................................................................................................. IV
第 1 章绪论 ................................................................................................. 1
1.1 研究背景与意义 ................................................................................. 1
1.2 国内外研究现状 ................................................................................. 2
1.2.1 自动小车存取系统研究现状 ...................................................... 2
1.2.2 穿梭车系统研究现状 .................................................................. 4
1.3 本文工作及章节安排 ......................................................................... 5
第 2 章四向穿梭车系统介绍 ..................................................................... 8
2.1 引言 ..................................................................................................... 8
2.2 四向穿梭车系统布局与特点 ............................................................. 8
2.3 四向穿梭车系统作业流程 ................................................................. 9
2.4 作业效率影响因素 ........................................................................... 12
2.5 本章小结 ........................................................................................... 12
第 3 章四向穿梭车系统配置优化研究 ................................................... 13
3.1 引言 ................................................................................................... 13
3.2 出库任务平均作业时间模型 ........................................................... 13
3.3 四向穿梭车系统半开环排队网络模型 ........................................... 18
3.4 四向穿梭车系统半开环排队网络求解 ........................................... 19
3.5 模型验证 ........................................................................................... 24
3.6 系统最优配置研究 ........................................................................... 26
3.6.1 订单到达率对穿梭车数量选择的影响 .................................... 27
3.6.2 货架层数对穿梭车数量选择的影响 ........................................ 29
3.6.3 货架列数对穿梭车数量选择的影响 ........................................ 31
3.7 本章小结 ........................................................................................... 33
第 4 章四向穿梭车系统任务调度研究 ................................................... 34
4.1 引言 ................................................................................................... 34
4.2 任务调度建模 ................................................................................... 35
4.3 系统冲突解决策略 ........................................................................... 40
4.3.1 冲突类型的判断 ........................................................................ 40
4.3.2 基于路径时间窗的冲突类型判断 ............................................ 41
4.3.3 基于迭代时间窗的冲突消除 .................................................... 43
4.3.4 出库任务避免冲突等待时间计算 ............................................ 44
4.4 任务调度模型求解算法 ................................................................... 45
4.4.1 基本粒子群算法 ........................................................................ 46
IV
4.4.2 离散粒子群算法 ........................................................................ 47
4.5 四向穿梭车系统任务调度优化 ....................................................... 48
4.5.1 DPSO 算法在四向穿梭车系统任务调度中的应用 ................. 48
4.5.2 DPSO 算法的改进...................................................................... 51
4.5.3 GA-DPSO 算法求解四向穿梭车系统任务调度步骤 .............. 52
4.6 实例分析 ........................................................................................... 53
4.7 本章小结 ........................................................................................... 57
第 5 章总结与展望 ................................................................................... 58
5.1 本文工作总结 ................................................................................... 58
5.2 后续研究展望 ................................................................................... 58
参考文献 ..................................................................................................... 60
附录出库任务货位列表 ........................................................................... 65
作者简介及研究成果 ................................................................................. 69
致谢 ........................................................................................................... 70
V
第 1 章绪论
第 1 章绪论
1.1 研究背景与意义
2014 年我国提出了“中国制造 2025”计划，旨在改变中国制造业“大而不强”
的局面。为推进实施五大工程中的“智能制造工程”，我国需要建造更多的智能工
厂，实施智能化管理。作为智能工厂重要组成部分的自动化立体仓库系统便随着该
计划的提出被越来越多的应用到了企业的生产中。
目前国内企业使用的自动化立体仓库系统主要有堆垛机式的自动化立体库系
统（Automated Storage and Retrieval System，AS/RS）、穿梭车系统（Shuttle-based
Storage and Retrieval System，SBS/RS）。
堆垛机式自动化立体仓库系统是目前使用范围较广的自动化立体仓库系统。
系统由高位货架和堆垛机等组成，利用每个巷道中的堆垛机来完成物品的存取。它
可以增加仓库的有效高度以及空间利用率，减小存储费用。但是该系统具以下三个
缺点：
1）能耗高。出于结构强度的考虑，堆垛机自重都较大，导致其能耗过高。
2）系统的稳定性差。一旦某一巷道的堆垛机出现故障，那么将会导致该巷道
内的所有货物都无法进行存取作业。
3）系统柔性差。系统一旦建成，系统的效率就会固定，无法做到柔性扩展，
只能通过新建系统的方式改变系统效率。由于堆垛机价格昂贵，需要再次投入大量
资金。并且系统的吞吐能力是越阶提升的，容易出现系统能力过剩，投资过度的问
题。
为了解决堆垛机式自动化立体仓库系统能耗高，稳定性差的问题，出现了穿梭
车系统。穿梭车系统主要由立体货架、穿梭车、提升机等构成，穿梭车取代了堆垛
机的水平运动，提升机取代了堆垛机的垂直运动，货物由穿梭车和提升机组合运输
到出/入库站台。由于可以通过多辆穿梭车同时取货，因此穿梭车系统拥有比堆垛
机式的自动化立体仓库系统更高的效率。该系统有以下三个缺点：
1）穿梭车利用率较低。由于货物出库必须由穿梭车和巷道末端的提升机配合
作业，因此提升机成为了“木桶的短板”，其效率决定了穿梭车系统的吞吐量及作
业效率。受提升机性能影响，系统中的多数穿梭车处在闲置状态，造成了资源的浪
费，没有充分发挥穿梭车系统的优势和特点。
2）系统稳定性依然较低。在系统稳定性方面，穿梭车系统较堆垛机式自动化
立体仓库系统有一定的提升，当某一个穿梭车出现故障时，并不会对该巷道其它层
的穿梭车造成影响。但是如果出现巷道提升机故障的情况，那么该巷道就会无法实
现出入库作业。
1
吉林大学硕士学位论文
3）系统柔性差。同堆垛机式自动化立体仓库系统一样，穿梭车系统的能力是
呈梯形变化的，每次增加设备数量时，其能力会越阶提升而非线性增加，同样容易
出现系统能力过剩，投资过度的问题。
为了提升穿梭车的利用率，减少穿梭车的使用数量，增强穿梭车系统的稳定性，
实现系统吞吐能力的线型调节。目前市场上出现了一种新型的自动化立体仓库系
统——四向穿梭车系统。该系统中，穿梭车可以实现前后左右四个方向的运动，以
灵活调整穿梭车的作业巷道，将巷道与提升机“解绑”。四向穿梭车系统可以根据
吞吐量的需求灵活配置穿梭车的数量，不会存在能力浪费，提升企业的投资效益。
同时由于穿梭车可以跨层跨巷道运动，因此即使穿梭车或者提升机出现故障系统
依然可以调度其他穿梭车或者提升机来进行出入库作业。
由于四向穿梭车系统拥有较强的柔性，因此在四向穿梭车系统的设计建造以
及使用过程中，不同系统参数下如何选择合理的穿梭车数量便成为了企业急需解
决的问题。另一方面，四向穿梭车系统中的穿梭车可以跨巷道执行存取任务，穿梭
车运动路径更加灵活，系统任务调度的合理性便成为了影响系统作业效率的重大
因素。因此，本文以四向穿梭车系统为研究对象，对系统的配置优化问题和调度优
化问题进行研究。对系统的配置优化问题的研究可以为企业在仓储系统的设计阶
段以及使用过程中的灵活调整提供理论指导，对调度优化问题进行的研究则可以
帮助企业提升现有配置的工作效率。
1.2 国内外研究现状
目前四向穿梭车系统理论研究相对较少，主要集中在系统介绍和穿梭车控制
器研发等方面。四向穿梭车系统工作流程与在欧洲应用较多的自动小车存取系统
（Autonomous Vehicle Storage and Retrieval Systems，AVS/RS）以及国内普遍使用
的穿梭车系统有一定相似性，因此二者的研究成果可以作为本文深入研究的基础。
1.2.1 自动小车存取系统研究现状
自动小车存取系统是一种采用水平和垂直货物运输过程分离模式的自动化立
体仓库系统。按照小车能否跨层运动，可以将系统分为层到层的 AVS/RS 系统（tier-
to-tier AVS/RS）与基于层的 AVS/RS 系统（tier-captive AVS/RS）。
1）层到层的 AVS/RS 研究现状
层到层的 AVS/RS 是该系统的主要应用形式，相关的研究主要集中在对系统性
能的分析上，对该系统的研究最早由 Malmborg 及其团队进行。Malmborg（2002）
提出了运用概念化工具估算系统性能的模型，该模型对系统关键属性中的存储容
量、货架配置、自动小车数量等进行建模，给出了系统期望存取时间与上述三者之
间的函数关系。在此基础上，Malmborg（2003）将系统中提升机的数量加入到模
[1]
2
第 1 章绪论
型中，提出了一种状态方程模型，用于预测系统中双指令周期的比例，除用于估算
存储和检索周期时间外，该比例还可用于估算出系统的利用率和吞吐量。接下来， [2]
Marchet（2013）构建了一个仿真模型分析小车和提升机利用率对系统性能的影响，
结果表明当二者的利用率低于 0.9 时，等待时间占货物出入库时间的比例较小，当
超过 0.9 时，系统性能会显著下降。针对 AVS/RS 系统的区域划分问题，Kumar
[3]
首次构建了有区域限制的 AVS/RS 仿真模型，分析了垂直区域的数量对系统性能

的影响。Manzini 针对食品和饮料行业使用的多深位 AVS/RS 系统构建了分析模
[4]
型，依据模型确定了系统最优形状比和巷道长度等系统参数。 [5]
为了实现对系统中等待过程更准确的分析，使用排队网络模型对自动小车存
取系统进行了分析便成为了一个新的趋势。Kuo（2007）针对采用随机存储策略的
系统，考虑了小车和提升机的运行时间和 12 种服务场景在现实运行假设下的概率
分布，将提升机服务小车的过程建模为 G/G/L 队列，将小车服务货物的过程建模
为 M/G/V 队列。进一步的，Kuo（2008）又将排队网络模型用于采用基于类别的
[6]
存储策略的系统中。接下来，Fukunari（2008）同时考虑了单、双指令周期，对随
[7]
机存储假设的系统的排队模型提出了迭代的计算方案，推导出了指令的作业时间。 [8]
为克服状态方程模型的计算缺陷和嵌套排队模型的不灵活性，Fukunari（2009）将
系统构建为闭环排队网络（Closed Queuing Network，CQN）模型，用于对系统中
小车和提升机的利用率进行估计。为提高模型对任务到达率为非泊松分布的系统
[9]
性能分析的准确性，Zhang 提出了一种基于事务到达时间变异系数的近似方法，该
方法可根据变异系数的动态选择三种可选排队近似来估计事务等待时间的方法。 [10]
为了对比 AS/RS 和 AVS/RS 两种系统，Heragu（2011）使用开环排队网络（Open

Queuing Network，OQN）对 AS/RS 和 AVS/RS 两种系统进行建模，并使用制造系
统性能分析器（Manufacturing System Performance Analyser，MPA）来分析两种系
统的性能。 [11]
根据 Ekren（2012）的研究，将 AVS/RS 建模为 OQN 默认系统中有无数的小

车，将 AVS/RS 建模为 CQN 则默认系统中有无数的顾客。因此无论是 OQN 还是 [12]
CQN 都与实际情况有一定的偏差，因此一些学者将 AVS/RS 建模为半开环排队网

络模型（Semi-open Queueing Network，SOQN）。Roy（2012）针对 AVS/RS 的单层
结构，构建了 SOQN 模型，并提出了一种分解方法进行求解，分解产生两个子系
统：一个与车辆等待顾客的情况相对应的 CQN 和一个与顾客等待车辆的情况相对
应的 OQN，分别求解之后再将两个子系统连接起来以分析系统性能。之后 Ekren [13]
（2014）对多层的 AVS/RS 构建了拥有三个节点的 SOQN 模型，通过合并最后两

个节点将网络缩减为两个站点的网络，并应用矩阵几何法（Matrix-geometric Method，
MGM）对合并后的排队网络进行了求解，将结果与仿真的结果进行了对比，结果
表明 MGM 对模型的求解误差可以控制在 5%以下。Roy（2015a）使用 SOQN 模 [14]
型对系统的小车驻留点的选取原则进行了分析，并使用 MGM 进行求解，结果表

3
明系统采取默认停留任务结束时的位置的策略更适合 AVS/RS 系统。Roy（2015b） [15]
将 AVS/RS 系统层之间的运输建模为具有确定性服务时间的 FCFS 串联节点，将各

层建模为与负载相关的站点，使用 SOQN 模型评估堵塞对系统性能的影响，并使
用分解的方法进行了求解。方彦军（2015a）通过模拟 AVS/RS 中任务的动态排队
[16]
过程，建立了基于动态排队网络的系统分析与决策模型，并运用改进的聚合法对该
模型进行了求解。Roy（2017）提出了一种嵌入式的马尔科夫链分析方法来分析
[17]
SOQN 中任务在各站点的服务时间，并运用迭代算法进行了求解。 [18]
2）基于层的 AVS/RS 研究现状

Heragu（2009）为基于层的 AVS/RS 系统构建了 OQN 模型以评估系统性能。 [19]
Marchet（2012）运用开环排队网络对基于层的 AVS/RS 进行建模，用于分析货物

出入库的平均时间和等待时间，模型中考虑到了小车和提升机的加减速性能。Zou [20]
将分叉-汇合排队网络模型应用于基于层的 AVS/RS 中，并提出了小车和提升机并

行运行的策略，即二者同时向目标点移动，采用基于 Coxian 分布的近似算法进行
了求解。Epp 使用离散开环排队网络模型来分析系统，可以得到性能度量的分位
[21]
数，并给出了如何根据存储容量、吞吐量、系统高度和长度等系统需求来设计
AVS/RS 系统。 [22]
上述研究主要针对系统的性能分析，忽略了 AVS/RS 系统中小车的冲突和死锁

问题。另一方面，缺少对系统的调度分析，在实际运行中任务调度的优劣对系统性
能会产生显著影响。方彦军（2014）针对 AVS/RS 系统中的冲突和死锁问题，通过
改进的 Banker 算法实现了冲突的检测，并采取了基于迭代时间窗的冲突消除策略，
通过实例验证证明了该方法的有效性。方彦军（2015b）针对 AVS/RS 的任务调[23]
度问题，将系统的出入库流程抽象为混合流水线调度问题（Hybrid Flow-shop
Scheduling Problem，HFSP），分别建立了路径最短和时间最短的调度模型，并运用
改进的人工狼群算法进行了求解。 [24]
1.2.2 穿梭车系统研究现状
穿梭车系统主要应用于快速拣选的场景中，目前国内外对于穿梭车系统的研
究主要集中在性能评估和调度优化上。
1）性能评估
针对穿梭车系统的性能评估问题，Lerher（2015）提出了一种解析的旅行时间
模型，该模型考虑了穿梭车和提升机等运动机构的加减速和最大速度等特性，利用
概率论给出了货物在单/双指令周期下的平均服务时间表达式。接下来 Lerher [25]
（2016a）提出了计算 SBS/RS 系统吞吐量性能的计算方法。进一步的，Lerher [26]
（2016b）对使用双深位货架的 SBS/RS 系统构建了解析的旅行时间模型。考虑 [27]
到使用双提升机对系统性能的提升，Xu 对双深位双提升机的系统进行了研究，提
出了包括倒库操作在内的四指令周期的分析模型，并对该系统的改进策略进行了
4
第 1 章绪论
分析。Ning 构建了一个仿真模型，讨论了在货架的每个巷道中使用多部提升机对
[28]
系统性能的影响。Borovinšek 提出了一种多目标优化设计方法，优化目标为最小

[29]
化平均吞吐量时间、电力消耗量和总投资成本，运用非支配排序遗传算法（NSGA
II）进行求解。Tappia 针对多倍深的单元负荷穿梭车系统，通过将系统建模为半
[30]
开环排队网络，研究了使用普通穿梭车和专用子母穿梭车对系统吞吐量的影响，并
使用矩阵几何法对模型进行求解。Wang（2017）运用两阶段的开环排队网络对单
[31]
层的 SBS/RS 进行任务周期时间和提升机等待时间进行估计，可实现百分偏差小于
5% 。Lerher（2018）利用概率论和均匀分布存储位置的思想，对可跨巷道运动的
[32]
穿梭车系统进行了旅行时间的建模，用于分析系统的吞吐性能。Ha 考虑了货架 [33]
设置，双指令周期的概率等因素，以旅行时间模型为基础，提出了一种确定穿梭车
数量的决策模型，实验结果表明跨层 SBS/RS 系统的容量取决于所使用的提升机吞
吐能力。Ma 对 I/O 点位于巷道中间位置的 SBS/RS 系统构建了单、双指令周期
[34]
的时间模型，结果表明该系统与 I/O 点位于巷道末端相比拥有更好的性能。 [35]
2）调度优化
穿梭车系统的任务调度目标为最小化批次订单的总执行时间，主要方式为优
化订单的执行顺序。Carlo 提出了一种前瞻策略的启发式搜索算法，采取对批次订
单中接下来需要执行的三个任务所有排序情况进行穷举的策略搜索出最优的顺序，
对结果中的前两个任务按照结果执行，第三个任务执行下一次局部优化求解。为 [36]
达到更好的求解效果，Wang（2015）提出了出库任务的时序模型，通过将穿梭车
与提升机之间的任务调度问题转化为流水线并行作业问题，生成了批次订单的调
度任务队列模型，并使用遗传算法对模型进行了求解。针对可以跨层的 SBS/RS [37]
系统，陈国真构建了跨层系统的出库作业时序模型，运用遗传算法对模型进行了求
解，并将结果与单层作业的 SBS/RS 系统进行了对比，得出了跨层系统与单层系统
相比，可在系统效率相差不大的情况下大幅减少成本的结论。Cao 将系统的任务 [38]
调度建模为旅行商问题，并运用遗传算法进行了求解，结果证明与采用随机存取策
略相比，算法的求解结果能够大幅提升系统效率。张娜运用 Gurobi 线性规划器 [39]
对跨层穿梭车系统调度优化进行了求解。杨玮（2018a）对双载式多层穿梭车系 [40]
统的作业路径优化问题构建了系统的作业时间模型，并运用混合植物繁殖算法进
行了求解。杨玮（2018b）针对子母式穿梭车系统的复合作业路径优化问题，以
[41]
存取作业时间最短为目标构建了系统模型，并应用混合粒子群算法进行了求解。 [42]
1.3 本文工作及章节安排
综合国内外研究现状可以发现，目前关于四向穿梭车系统的理论研究还较为
缺乏。由于缺少系统性能的数学分析工具，目前企业对系统配置优化问题的解决多
通过 Flexsim、Arena 等商业仿真软件对系统进行模拟运行的方式，但该方式建模
5
难度大且模型之间通用性差，难以进行大量的分析，只能对有限的系统参数设置进
行仿真。另一方面，由于四向穿梭车系统可以跨巷道运输货物，与穿梭车系统不同，
四向穿梭车系统的任务调度不仅需要求解订单任务出入库的执行顺序，还需要为
订单出入库所使用的提升机进行分配，同时对系统运行过程中可能产生的冲突问
题也需要进行解决，大大增加了调度的难度。因此，本文以四向穿梭车系统为研究
对象，对系统的配置优化问题和调度优化问题进行研究。
在系统配置优化问题的求解方面，首先通过分析出库任务的作业流程特点，构
建了出库任务平均作业时间模型。为了实现对穿梭车服务过程的准确描述，考虑了
系统实际运行过程中穿梭车和订单任务的相互等待队列，本文构建了四向穿梭车
系统的半开环排队网络模型，通过对模型的求解得到了外部队列的平均顾客数、系
统中正在接受服务的平均顾客数、顾客在系统中的平均服务时间等系统性能。并对
影响穿梭车数量因素中的订单达到率、仓储货架的层数、仓储货架的列数等因素分
别进行了实验，可将所得数据用于指导企业进行仓储系统的选择规划。
在任务调度方面，为了对批次订单的执行顺序和方式进行优化，本文构建了以
提升机作业时间轴为基础的系统任务调度模型。考虑到调度过程中的冲突问题，提
出了基于路径时间窗的冲突类型判断和冲突消除方案。本文采用了基于遗传算法
的离散粒子群算法对模型进行了求解，得到了批次订单优化后的执行顺序以及所
使用的提升机。
本文主要章节安排如下：
第 1 章绪论。介绍了本文研究的背景和意义，对目前国内应用的主要自动化
立体仓库系统做了描述以及分析。总结了国内外相关系统相关问题的研究情况，提
出了本文所要研究的问题。
第 2 章四向穿梭车系统介绍。介绍了四向穿梭车系统仓库布局及系统的特点，
对系统的作业流程进行了介绍，通过分析作业流程得出了影响系统作业效率的因
素。
第 3 章四向穿梭车系统配置优化研究。对出库任务作业流程进行分解，构建
了出库任务平均作业时间模型。考虑穿梭车和出库任务之间的相互等待，建立了四
向穿梭车系统的半开环排队网络模型，并运用矩阵几何法对排队网络进行了求解。
通过与仿真程序运行结果的对比，验证了模型的正确性和算法求解的准确性。最后
得出了多种系统参数设置下系统性能随穿梭车数量变化的数据。
第 4 章四向穿梭车系统任务调度研究。通过对系统批次订单执行时间组成的
分析，构建了系统的任务调度模型。对系统任务调度过程中可能出现的穿梭车冲突
问题，提出了基于路径时间窗的冲突类型判断和冲突消除方案。针对任务调度模型
的特点，选择了离散粒子群算法对模型进行求解，并设计了对各提升机分别编码的
个体编码方法，对离散粒子群算法的速度和位置更新方式进行了改变。为进一步提
升离散粒子群算法的搜索性能，提出了基于遗传算法的离散粒子群算法。最后通过
6
第 1 章绪论
具体实例验证了算法的有效性。
第 5 章总结与展望。总结本文的研究内容以及创新点，提出本文研究中的不
足之处，为进一步的深入研究提供思路。
7
第 2 章四向穿梭车系统介绍
2.1 引言
本文的研究对象为四向穿梭车系统，为了使读者能够更加全面的了解该系统，
本章将对四向穿梭车系统的布局及系统特点、作业流程等进行介绍，并以此为基础
分析影响系统作业效率的因素。
2.2 四向穿梭车系统布局与特点
四向穿梭车系统是由穿梭车系统进一步发展而来的，由仓储货架、穿梭车、换
层提升机构成，主要应用于铁路零备件库、图书馆等吞吐量较低但是出货效率要求
较高的行业。系统运行时，由仓库管理系统分配出入库任务，通过穿梭车实现货物
水平方向的运动，通过提升机运输穿梭车实现货物垂直方向的运动，如图 2.1 所示。
Z
Y 穿梭车
X 提升机
图 2.1 四向穿梭车系统立体图
本文所研究的四向穿梭车系统主要有以下三个特点：
1）系统柔性强。四向穿梭车系统由于采用了可以多向行驶的穿梭车，因此可
以跨巷道作业，不再受到空间的限制，通过与提升机的配合，穿梭车可以运动到任
意一个货位，实现了三维运动，如图 2.2 所示。对于企业来说可以根据当前仓储系
统所需要的吞吐量灵活配置系统中穿梭车的数量。
2）系统稳定性强。对于堆垛机式自动化立体仓库系统来说，当堆垛机发生故
障时该巷道都将无法进行出入库操作。在穿梭车系统中，穿梭车的运动方式只能是
直线往复运动，因此穿梭车系统每个巷道都需要设置提升机，当巷道提升机发生故
障时，也会出现该巷道无法进行出入库操作的问题。在四向穿梭车系统中，穿梭车
以及提升机都可以同类之间相互替换，即使某个穿梭车或者提升机出现故障，系统
8
依然可以通过调度其它穿梭车或者提升机来继续执行任务。
3）系统成本更低。堆垛机式自动化立体仓库系统和穿梭车系统的吞吐能力与
巷道数量息息相关，想要增加系统的吞吐能力，只能通过增加巷道的方式，随之而
来的就是成本的大量增加。由于这两种系统的能力都是逐级提升的，因此容易出现
系统能力过剩、投资过度的问题。在四向穿梭车系统中，系统吞吐能力的提升可以
通过增加穿梭车数量的方式，这样使得系统的吞吐能力可以调整的特别平滑，企业
可以根据吞吐量需求选择最优系统配置，因此四向穿梭车系统拥有整体成本优势。
穿梭车导轨货物穿梭车穿梭车纵向导轨空闲货位穿梭车
穿梭车横向导轨
穿梭车交
接缓存区
提升机货物传送带
穿梭车系统提升机四向穿梭车系统
图 2.2 穿梭车系统与四向穿梭车系统俯视图
2.3 四向穿梭车系统作业流程
四向穿梭车系统在运行时，提升机和穿梭车的数量可以根据吞吐量需求灵活
配置，通常采用每个提升机服务的巷道数量作为四向穿梭车系统配备提升机数量
的衡量指标。如图 2.3 所示，该系统每个提升机服务的巷道数量为 3。穿梭车可以
根据任务需求实现跨巷道作业。
四向穿梭车系统中穿梭车的跨层运动是在提升机的帮助下实现的，如图 2.4 所
示。为满足系统中穿梭车的充电需求以及维护的需要，四向穿梭车系统的第一层通
常为穿梭车缓存区，用于存放所有空闲的穿梭车。
四向穿梭车系统作业分为复合作业模式和简单作业模式。复合作业模式指系
统同时进行出库和入库两种作业，简单作业模式下系统只进行出库作业或者入库
作业。在实际仓储作业中，出库作业和入库作业一般存在不同的时间段，因此本文
的所有分析均以系统的出库作业为研究对象。
9
Y
提升机1 提升机2
X
图 2.3 穿梭车水平运动示意图
四向穿梭车系统执行出库任务时，每个任务的出库都需要两次使用提升机，第
一次为运输空闲穿梭车到任务所在层，第二次为运输载货穿梭车至第一层。为节约
穿梭车跨巷道运动所带来的时间消耗，以及避免穿梭车跨巷道运动所引发的路径
冲突，出库任务运输空闲穿梭车到任务所在层使用的提升机为空闲穿梭车当前所
在巷道的提升机，运输载货穿梭车至第一层所使用的提升机则为仓库管理系统指
定的任务出库所用提升机。
提升机穿梭车货物空闲货位货架
第N层
第三层
传输辊道
第二层
第一层
穿梭车缓存区
图 2.4 四向穿梭车系统侧视图
10
四向穿梭车系统出库作业流程图如图 2.5 所示。

开始
出库订单
任务到达
穿梭车第二次
请求空闲穿梭车请求提升机
订单等待空闲穿梭车等待提
是否有空闲穿梭车提升机是否可用
穿梭车否升机空闲
否
是是
穿梭车第一次请提升机从当前所
求提升机在层运动到任务
所在层
穿梭车等待提
提升机是否可用提升机运输载货
升机空闲否
穿梭车至第一层
是
提升机从当前所穿梭车卸货并释
在层运动至第一放
层
提升机释放
提升机运输空闲
提升机释放穿梭车至任务所
在层卸载
穿梭车取货并运
动至任务出库所
用提升机处
图 2.5 四向穿梭车系统出库作业流程图
四向穿梭车系统接到出库订单任务之后，首先查询有无空闲穿梭车，没有就将
该任务加入等待空闲穿梭车队列中等待空闲的穿梭车，若有则会将该订单与一台
空闲穿梭车进行任务绑定。订单任务与穿梭车绑定之后穿梭车会向其目前所在巷
道的提升机发出运输空闲穿梭车申请，若此时提升机处于忙碌状态则穿梭车加入
等待提升机空闲队列，若提升机处于空闲状态则响应该运输申请。提升机首先从当
前所在层运动至第一层取空闲穿梭车，然后将穿梭车运输至任务所在层并卸载穿
梭车，提升机任务完成，等待执行下一任务。穿梭车到达任务所在层之后水平运动
取货，取货完成后运动至任务出库所用提升机处，并向该提升机发出运输载货穿梭
车申请，若提升机响应该申请则提升机会从当前所在层运动到任务所在层取载货
穿梭车并运输载货穿梭车至第一层，接下来穿梭车卸货并释放，在提升机上等待下
一订单任务的到来。提升机在穿梭车卸货完毕之后也会释放，等待下一次运输任务
到达。
11
2.4 作业效率影响因素
综上所述，我们可以将影响四向穿梭车系统作业效率的因素分为以下三个方
面：
1）货架的层数和列数。对于四向穿梭车系统而言，货架层数的增加会导致提
升机的平均任务时间增加，同时一定时间段内申请提升机运输服务的数量也会相
应增加，一定程度上提高提升机的利用率。但是过多的层数会导致穿梭车的等待时
间增加，降低穿梭车的利用率。当列数增加时，穿梭车水平取货时间会增加，能够
减轻穿梭车向提升机发出运输申请的集中度，提高穿梭车利用率。但是过多的列数
也会导致提升机利用率下降，货物的出库时间也会相应的增加。
2）平均每台提升机匹配的穿梭车数量。穿梭车是货物出入库的运载工具，增
加穿梭车的数量能够减少出入库任务的等待时间，减少提升机的空闲时间，在一定
程度上提升系统效率。但是由于货物的垂直运动完全依赖于提升机，因此无法通过
单独增加穿梭车的数量来进一步提升系统效率。同时过高的穿梭车数量会导致穿
梭车的利用率下降，造成资源的浪费。因此如何在不同的系统参数下配置合适的穿
梭车数量，是一个值得深入研究的问题，也是本文所要研究的重要内容之一。
3）系统任务调度。四向穿梭车系统中的穿梭车可以跨巷道运动，穿梭车的运
动路径较为灵活。合理的任务调度可以优化任务的执行顺序以及任务出库所使用
的提升机，以减少提升机的空闲时间，充分利用每一台提升机的性能，并减轻穿梭
车路径冲突所带来的时间消耗。
2.5 本章小结
本章首先对四向穿梭车系统的布局和特点进行了描述，接着对系统执行出库
作业时的流程进行了阐述，在此基础上分析了影响系统作业效率的因素，并引申出
了本文所要研究的主要内容：如何配置合理的穿梭车数量以及如何合理的对出库
任务进行调度。
12
第 3 章四向穿梭车系统配置优化研究
3.1 引言
根据本文 2.4 节对影响四向穿梭车系统作业效率影响因素的分析，对于不同的
系统参数设置，需要匹配不同数量的穿梭车。因此本章针对四向穿梭车系统的配置
优化问题进行研究。
在 AVS/RS 系统的性能分析问题上，国内外学者多使用排队网络模型对小车和
提升机的等待过程进行建模，如 Fukunari（2009）将系统构建为闭环排队网络， [8]
Heragu（2011）使用开环排队网络网络对系统性能进行估计。根据 Ekren（2012）

[11]
的研究，将 AVS/RS 建模为开环排队网络默认系统中有无数的小车，将 AVS/RS 建

模为闭环排队网络则默认系统中有无数的顾客。因此开环排队网络忽略了订单等[12]
待小车的过程，闭环排队网络忽略了小车等待订单的过程。考虑到系统实际运行过
程中的相互等待过程，半开环排队网络能够更加准确的分析系统性能。因此本章采
用半开环排队网络模型来描述四向穿梭车系统的运行过程。
本章首先对系统出库作业流程进行分析，将订单的出库过程分解为三个组成
部分：提升机为订单运输空闲穿梭车、穿梭车取货并返回提升机处、提升机运输载
货穿梭车至第一层卸货，并对每个组成部分的平均服务时间进行了建模，得到了出
库任务的平均作业时间模型，进而计算出了所构建的排队网络模型的节点服务率。
通过运用矩阵几何法对排队网络模型进行求解得到了外部队列的平均顾客数、系
统中正在接受服务的平均顾客数、顾客在系统中的平均服务时间等系统性能指标。
为验证模型的正确性和求解算法的准确性，设计了仿真实验进行对比，结果证明本
文所采用的模型和求解算法能够准确的估计出系统性能。最后，在不同系统参数设
置和穿梭车数量下计算了系统性能。
3.2 出库任务平均作业时间模型
为方便本文研究，做出下列合理的环境设定：
1）货物为随机存储，任务也为随机分配。由于四向穿梭车系统出库时为并行
操作，为防止出现穿梭车运输申请集中，穿梭车等待时间过长的情况，因此仓储系
统主要采用随机存储策略，出库任务所对应的货位也是随机的。
2）出库订单的达到率服从泊松分布，穿梭车和提升机的服务时间与货物所在
位置有关属于一般分布。
3）穿梭车和提升机对各自服务队列中的服务对象采用先到先服务的原则，即
First Come First Served（FCFS）。
13
4）穿梭车和提升机默认停留在当前任务结束时的位置，即 Point Of Service

Completion（POSC）。
5）以一台提升机为基本单元求解。系统运行过程各提升机单元中需要跨单元
运输的任务量基本平衡，因此通过求解一个单元的性能就可以得出整体系统的性
能。
6）忽略穿梭车在穿梭车交接缓存区的运行时间和穿梭车之间的堵塞。
对于四向穿梭车系统，由于不同仓库规模所需的提升机和穿梭车数目不同，因
此本文采用每个提升机所服务的巷道数代表系统中提升机的数量，每个提升机所
配备的穿梭车数量来表示系统中穿梭车的数量。
为了对四向穿梭车系统的出库任务作业时间进行描述，对下面用到的主要参
数和变量进行定义：
表 3.1 四向穿梭车系统基本参数表
符号参数名称
AN 每个提升机服务的巷道数量
N 货架的层数
C 货架的列数
l 单个货位的长度（m）
W 单个货位宽度（m）
h 单个货位高度（m）
WSD 穿梭车纵向导轨宽度（m）
vL 提升机最大速度（m/s）
aL 提升机加速度或减速度（m/s2）
vS 穿梭车最大速度（m/s）
aS 穿梭车加速度或减速度（m/s2）
tS 穿梭车取/放货时间（s）
tL 提升机取/放穿梭车时间（s）
tCA 穿梭车换道时间（s）
其中 l 为单个货位沿 X 轴的长度，W 为单个货位沿 Y 轴的长度，h 为单个货位
14
沿 Z 轴的长度。
穿梭车与提升机的运动都会经过加减速的过程，根据 Lerher 的研究，按照二 [43]
者减速之前是否达到其最大速度可以将穿梭车和提升机的运动分为两种情况，如
图 3.1 所示。
Type 1 Type 2
a a
(m / s 2 ) (m / s 2 )
a a
O t1 t2 t3 （ t1
t s） t2 （
t s）
v v
(m / s) (m / s)
vmax vmax
v
t1 t2 t3 （
t s） t 1t1 t2 （
t s）
图 3.1 穿梭车和提升机运行特征
根据本文 2.2 节描述的四向穿梭车系统的出库作业流程，一个订单任务出库的
过程可以分为三个部分：提升机为订单运输空闲穿梭车、穿梭车取货并返回提升机
处、提升机运输载货穿梭车至第一层卸货。接下来将对三个部分进行分析求解：
1）提升机为订单运输空闲穿梭车。这一过程包括提升机从当前所在层运行至
第一层取空闲穿梭车，并运输空闲穿梭车至任务所在层卸载。
设提升机目前位于第 x 层，出库任务位于第 y 层。由于订单任务在第一层进行
卸货，提升机的运动轨迹为往返于第一层与其它各层，因此提升机在第 x 层的概率
为
1
 2 , x 1
P1 ( x)   ·························(3.1)
 1
, x  2,3,..., N
 2( N  1)
由于采用随机存储策略，货物在第 y 层的概率为
15
1
P2 ( y )  , y  2,..., N ·····························(3.2)
N 1
提升机从当前所在层运行至第一层沿 Z 轴方向运行的距离为
H1 ( x)  ( x  1)h ···································(3.3)
同理，提升机从第一层运行至货物所在层运行距离为
H 2 ( y )  ( y  1)h ···································(3.4)
结合图 3.1 中的提升机运行特征图，提升机从当前所在层运行至第一层的时间
为

2vL / aL  ( H1 ( x)  vL / aL ) / vL , H1 ( x)  vL / aL
2 2
t1 ( x)   ···········(3.5)

 2 H 1 ( x ) / a L , H1 ( x)  vL
2
/ a L
同理，提升机从第一层运行至货物所在层的时间为

2vL / aL  ( H 2 ( y)  vL / aL ) / vL , H 2 ( y)  vL / aL
2 2
t2 ( y )   ··········(3.6)

 2 H 2 ( y ) / a L , H 2 ( y )  v 2
L / a L
因此，这一过程的平均服务时间为
N N
MT1   P1 ( x)t1 ( x)   P2 ( y )t2 ( y )  2t L ·····················(3.7)
x 1 y 2
2）穿梭车取货并返回提升机处。穿梭车的运动时间分为沿穿梭车横向导轨的
横向运动时间和沿穿梭车纵向导轨的纵向运动时间，如图 3.2 所示。穿梭车 1 需要
两次跨巷道运动，四次更换轨道。穿梭车 2 则不需要跨巷道取货。
在四向穿梭车系统中，每个提升机通常服务三个及以上巷道。根据企业经验，
当每个提升机服务的巷道数量 AN 为奇数时，提升机应位于提升机单元从左至右第
( AN  1) / 2 个巷道处，当 AN 为偶数时，提升机应位于第 AN / 2 个巷道处。由于系统
采用随机出库策略，因此穿梭车需要跨 x(0  x   AN / 2) （   为向下取整符号）
个巷道取货的概率为
 1
A ,x 0
 N
 2 A 
 , AN 为奇数并且(0  x   N  )
A  2 
P3 ( x)   N ··················(3.8)
 2 AN
, AN 为偶数并且(0  x  )
 AN 2

 1 , AN 为偶数并且( x 
AN
)
 AN 2
穿梭车沿横向导轨的单次横向运动距离为
DC ( x)  x(2l  WSD ) ·································(3.9)
横向运动时间为
16

2(2vS / aS  ( DC ( x)  vS / aS ) / vS ), DC ( x)  vS / aS
2 2
t3 ( x)   ······(3.10)

2(2 DC ( x) / aS ), DC ( x)  vS2 / aS
由图 3.2 可知，穿梭车需要跨巷道取货的概率为 ( AN  1) / AN ，因此穿梭车平均
换道时间为
tMCA  4tCA  ( AN  1) / AN ····························(3.11)
穿梭车1
提升机
穿梭车2
穿梭车横向导轨
穿梭车纵向导轨
图 3.2 穿梭车取货运动路径示意图
假设货物位于第 c 列，则穿梭车沿纵向导轨运动距离为
DS (c)  c W ···································(3.12)
穿梭车沿纵向导轨运动时间为

2(2vS / aS  ( DS (c)  vS / aS ) / vS ), DS (c)  vS / aS
2 2
t 4 (c )   ·······(3.13)

 2(2 D S ( c ) / aS ), DS ( c )  vS
2
/ aS
这一过程穿梭车的平均服务时间为
C
 AN 
 2 
   t (c )
4
MT2   P ( x)t ( x)  t
x 1
3 3 MCA  c 1
C
 t S ·················(3.14)
3）提升机运输载货穿梭车至第一层卸货。这一过程包括提升机从当前所在层
运动至任务所在层取载货穿梭车，并运输载货穿梭车至第一层卸货。
设提升机目前位于第 x 层，出库任务位于第 y 层。根据上述提升机运输空闲穿
梭车的分析可知，提升机目前在第 x 层的概率
P4 ( x)  P1 ( x) ···································(3.15)
同样，任务在第 y 层的概率
P5 ( y )  P2 ( y ) ···································(3.16)
提升机从当前所在层运动至货物所在层的距离为
17
H 3 ( x, y)  x  y h ································(3.17)
提升机从货物所在层运动至第一层的距离为
H 4 ( y )  H 2 ( y )  ( y  1)h ···························(3.18)
提升机从当前所在层运动至货物所在层的运行时间为

2vL / aL  ( H 3 ( x, y)  vL / aL ) / vL , H 3 ( x, y)  vL / aL
2 2
t5 ( x, y )   ····(3.19)

2 H 3 ( x, y) / aL , H 3 ( x, y)  vL2 / aL
提升机从货物所在层运动至第一层的时间为
t6 ( y )  t2 ( y ) ···································(3.20)
这一过程提升机的平均服务时间为
N N
 P ( x)t ( x, y)
4 5 N
MT3  x 1 y  2
  P5 ( y )t6 ( y )  t L  tS ·············(3.21)
N 1 y 2
3.3 四向穿梭车系统半开环排队网络模型
半开环排队网络模型由顾客和服务器组成，本文所研究的四向穿梭车系统有
两种服务器。穿梭车是以出库订单为顾客的服务器，同理提升机是以穿梭车为顾客
的服务器。根据本文 3.2 节所介绍的出库任务平均作业时间模型，建立的半开环排
队网络如图 3.3 所示。
同
订单到达步提升机
任务队列 LQ1 穿梭车虚提升机
站队列1 VQ LQ2
拟队列队列2
台
穿梭车缓存区
图 3.3 四向穿梭车系统半开环排队网络模型
该网络拥有三个服务节点 LQ1、VQ、LQ2。当订单任务以到达率  到达系统
之后会进入任务等待空闲穿梭车的队列，在同步站台处与空闲穿梭车进行任务匹
配。匹配成功之后向提升机发出运输空闲穿梭车申请，同时加入提升机队列 1，等
待提升机依次服务，LQ1 代表提升机为订单任务运输空闲穿梭车的过程。VQ 代表
穿梭车取货并返回提升机处的过程，用于表示穿梭车运行时间。由于 VQ 是一个虚
拟服务器，且有多台穿梭车并行，因此存在一个穿梭车虚拟队列。穿梭车取货完成
并返回提升机处之后再次向提升机发出运输载货穿梭车申请，同时加入提升机队
列 2。LQ2 代表提升机运输载货穿梭车至第一层卸货的过程。穿梭车任务执行完毕
之后再次回到穿梭车缓存区，等待与下一个任务的配对。
本文采用矩阵几何法求解半开环排队网络，根据 Jia 和 Ekren 等的研究，当 [44] [14]
18
一个排队网络中有两个以上的服务节点时，状态空间会急剧增加，导致无法使用矩
阵几何法进行求解，因此，需要将图 3.3 所示排队网络简化为两个站点的排队网络。
对于图 3.3 所示的排队网络，由于 LQ1 与 LQ2 两个服务过程使用的是同一台
提升机，两个提升机队列也是同属于一台提升机，因此将提升机的两个服务节点合
并为 LQ，所建立的合并提升机节点的半开环排队网络模型如图 3.4 所示。
同
订单到达步穿梭车虚提升机
任务队列 VQ LQ
站拟队列队列
台
穿梭车缓存区
图 3.4 合并提升机节点的四向穿梭车系统半开环排队网络模型
3.4 四向穿梭车系统半开环排队网络求解
本文采用矩阵几何法（Matrix-geometric Method，MGM）求解图 3.4 所示的排
队网络。MGM 是 Neuts 在 20 世纪 80 年代最早提出的，它是求解具有特殊重复
[45]
性质的马尔科夫过程的一种数值方法，对于拥有大量或者无限状态的系统，可以利
用方程的结构性质得到精确解，因此 MGM 方法已经成为了 SOQN 模型的重要求
解方法。本文所研究的排队过程拥有两个阶段服务器，订单达到率为泊松分布，
[46]
是一个连续时间的马尔科夫过程，因此存在稳态。对于一个重复性的系统，如果我
们知道状态 i 的平稳概率，那么状态 i  1 的平稳概率就是可以确定的，通过将马尔
科夫过程中的状态分组成具有一定重复结构的向量，就可以使用递归程序根据第 i
个向量的概率确定第 i  1 个向量的稳态概率，进而分析该排队网络各项性能。
首先对求解过程中用到的参数进行定义：
表 3.2 排队网络求解过程参数表
符号参数名称
 订单到达率（个/小时）
i 第 i 个节点的服务率（个/小时）， i  1, 2
V 每台提升机匹配的穿梭车数量
Leq 外部队列的平均顾客数
Ln 系统中正在接受服务的平均顾客数，包括等待服务的顾客数
Wmst 顾客在系统中的平均服务时间（s）
19
综合 3.2 节以及图 3.4，可以得到穿梭车服务节点的服务率 1 如式 3.22 所示。

1
1 = ·····································(3.22)
MT2
提升机节点的服务率  2 如式 3.23 所示。
1
2 = ·································(3.23)
MT1  MT3
对于图 3.4 所示的排队网络，使用三个参数就可以表示其状态。第一个参数为
外部队列中等待的顾客数 neq ；第二个参数为第一个服务器中服务的顾客数 n1 ，等
于正在执行取货任务的穿梭车数；第三个参数为第二个服务器中服务的顾客数 n2 ，
等于在提升机处服务的穿梭车数，包括等待服务的穿梭车。由于两个服务器中服务
的穿梭车总数量不能大于系统中穿梭车总数量因此有 (n1  n2 )  V 。当 neq  1 时，系
统中所有穿梭车都处于忙碌状态，此时 (n1  n2 )  V 。
定义排队网络中的状态变量为 sm  (neq , n1 , n2 ) ，neq , n1 , n2  0 ，其中 m 可通过式
3.24 计算
 (n1  n2 )(n1  n2  1)
  n2 , neq  0
m 2 ···················(3.24)
n (V  1)  V (V  1)  n , n  0
 eq 2
2 eq
图 3.4 所示排队网络的状态转移过程如图 3.5 所示

neq  0 neq  1 neq  i
0,0,V
 1,0,V
 i,0,V

2 2 2 2
S(V+1)V/2+V Si(V+1)+V(V+1)/2+V
S(V+1)(V+2)/2+V
1 1 1
   
0,0,(V-1) 0,1,(V-1) 1,1,(V-1) i,1,(V-1)
2 2 2 2 2
S(V-1)V/2+V-1 S(V+1)V/2+V-1 Si(V+1)+V(V+1)/2+V-1
S(V+1)(V+2)/2+V-1
1 1 1 1
0,0,j
 0,(V-1-j),j
 0,(V-j),j
 1,(V-j),j
 i,(V-j),j

2 2 2 2 2 2
Sj(j+1)/2+j S(V-1)V/2+j S(V+1)V/2+j S(V+1)(V+2)/2+j Si(V+1)+V(V+1)/2+j
1 1 1 1 1
     
0,0,1 0,(j-1),1 0,(V-2),1 0,(V-1),1 1,(V-1),1 i,(V-1),1
2 2 2 2 2 2 2
S2 Sj(j+1)/2+1 S(V-1)V/2+1 S(V+1)V/2+1 S(V+1)(V+2)/2+1 Si(V+1)+V(V+1)/2+1
1 1 1 1 1 1
0,0,0
 0,1,0
 0,j,0
 0,(V-1),0
 0,V,0
 1,V,0
 i,V,0

S0 S1 Sj(j+1)/2 S(V-1)V/2 S(V+1)V/2 S(V+1)(V+2)/2 Si(V+1)+V(V+1)/2
图 3.5 半开环排队网络状态转移过程
20
令  m 为状态 sm 的稳态概率。定义稳态概率向量如式 3.25 所示。

π = [π0 , π1 , π2 , ] ································(3.25)
其中 π 0 为 neq  0 时稳态概率向量，如式 3.26 所示。
π0  ( 0 , 1 , ,  (V 1)V ) ···························(3.26)
V
2
πi 为 neq  i, i  1 时稳态概率向量，如式 3.27 所示。

πi  ( V (V 1) , V (V 1) , , V (V 1) ) ············(3.27)
i (V 1)  i (V 1)  1 i (V 1)  V
2 2 2
系统的稳态概率向量满足以下关系
π1  1 ·······································(3.28)
排队网络的生灭过程状态转移矩阵如式 3.29 所示
B 00 B 01 0 0 0 
B B A 0 0 
 10 
 0 C B A 0 
Q  ·······················(3.29)
 0 0 C B A 
 0 0 0 C B 
 
 
生灭过程的状态转移如图 3.6 所示。
B 00 B B B
B 01 A A A
π0 π1 π2 π3
B10 C C C
图 3.6 生灭过程状态转移图
其中， B 00 为状态向量 π 0 到 π 0 的转移矩阵

   0 
0 ( 1   ) 1  0 0 
 
 2 0 (  2   ) 0  0 
 
 0 0 ( 1   ) 1  0 0 0 
 2 0 ( 1  2   ) 1 0  0 0 
 
 0 2 (  2   ) 0 0  0 
B00   
 
 0 0 0 ( 1   ) 1 0 0 
 2 ( 1  2   ) 1 
 
 
 
 2 ( 1  2   ) 1 
 2 ( 2   ) 
B 01 为状态向量 π 0 到 π1 的转移矩阵
21
 0V (V 1) 
 2
(V 1)

 
B 01   
 
   (V 1)(V  2) (V 1)

2
B10 为状态向量 π1 到 π 0 的转移矩阵
 0 0 0
 2 
B10  0 
 (V 1)V (V21) 
 
 2 0  (V 1) (V 1)(V  2)
2
A 为状态向量 πi 到 πi1 ， i  1 的转移矩阵

 
  
A 
 
 
   (V 1)(V 1)
B 为状态向量 πi 到 πi ， i  1 的转移矩阵
 ( 1   ) 1 
 ( 1  2   ) 1 
 
B 
 
 ( 1  2   ) 1 
 ( 2   )  (V 1)(V 1)
C 为状态向量 πi1 到 πi ， i  1 的转移矩阵

0 0
 
C 2 
 
 
 2 0 (V 1)(V 1)
由稳态条件可知状态向量与状态转移矩阵满足式 3.30 所示关系。

πQ  0 ······································(3.30)
进而可以得到重复平衡方程如式 3.31 所示。
πi 1A  πi B  πi 1C  0, i  2 ·························(3.31)
根据 Neuts 的证明，本文所研究的马尔科夫过程状态向量之间满足如下关系
式：
πi 1  πi R, i  1 ·································(3.32)
其中 R 为状态转移速率矩阵。
将式 3.32 代入式 3.31 中并化简可以得到式 3.33
22
A  RB  R 2C  0 ································(3.33)
整理式 3.33 可得
R  ( A  R 2C)B 1 ·······························(3.34)
采用如下迭代算法可以求得速率矩阵 R
1. R0  0
2. R1  (A  R02C)B1
3. k 0
4. while R k 1  R k  
k ;
Rk 1  (A  R k 2C)B1 ;
end
5. R  R k
由式 3.30 可以得到 π 0 和 π1 满足式 3.35 所示关系

 π 0 B 00  π1B10  0
 ·····························(3.35)
 π 0 B 01  π1B  π 2C  0
由式 3.28 可得到式 3.36。

π0e (V 1)(V  2)  π1  R i 1e(V 1)1  π0e (V 1)(V  2)  π1 (I  R ) 1 e(V 1)1  1 ·(3.36)
1 1
2 i 1 2
其中 e 为单位向量。
联合式 3.35 和式 3.36 可得式 3.37。
 B00 B01 
  π0 π1   0
  B10 B  RC 
  e (V 1)(V  2)  ························(3.37)
π π 
 0 1
2
1
 1
(I  R )1 e 
  (V 1)1 
对式 3.37 求解即可得到 π 0 和 π1 。
外部队列的平均顾客数可用式 3.38 计算。

Leq   iπi e(V 1)1  π1 (I  R)2 e(V 1)1 ····················(3.38)
i 1
系统中正在接受服务的平均顾客数，也即系统中正在工作的穿梭车数可通过
式 3.39 求得。
23

Ln  
i  j V
(i  j )   (0, i, j )  V  πi e(V 1)1
k 1
···············(3.39)
=  (i  j)   (0, i, j)  Vπ (I  R)
i  j V
1
1
e(V 1)1
根据 Little 法则，顾客在系统中的平均服务时间可通过式 3.40 计算。

[47]
Leq  Ln
Wmst  ··································(3.40)

3.5 模型验证
为了验证该模型的正确性和计算结果的准确性，本文进行了仿真验证。参照某
医药公司仓库实际资料，系统参数如表 3.3 所示。
表 3.3 系统参数表
参数名称符号取值
每个提升机服务的巷道数量 AN 3
货架的层数 N 11
货架的列数 C 50
单个货位的长度（m） l 0.7
单个货位宽度（m） W 0.5
单个货位高度（m） h 0.6
穿梭车纵向导轨宽度（m） WSD 0.76
提升机最大速度（m/s） vL 4
提升机加速度或减速度（m/s2） aL 2
穿梭车最大速度（m/s） vS 4
穿梭车加速度或减速度（m/s2） aS 2
穿梭车取/放货时间（s） tS 4
提升机取/放穿梭车时间（s） tL 3
穿梭车换道时间（s） tCA 2
本文通过采用 MATLAB 编程模拟仓库运行的方式进行仿真，编写的仿真程序

流程图如图 3.7 所示。
24
开始
定义系统参数，设置运行时长
生成任务信息，包括
到达时刻、位置信息
是根据各任务到达时刻和与
所有任务已经完成穿梭车匹配成功时刻计算
外部队列的平均顾客数
否
读取当前任务信息根据穿梭车任务匹配成功
时刻和任务完成时刻计算
系统中正在接受服务的平
申请匹配空闲穿梭车均顾客数
与当前任务结束时刻最小否
的穿梭车匹配并将穿梭车根据任务到达时刻和任务
是否有空闲穿梭车
下一任务开始时刻更新为完成时刻计算顾客在系统
当前任务结束时刻是中的平均服务时间
与空闲穿梭车匹配并根据
任务到达时刻更新穿梭车结束
下一任务开始时刻
申请提升机的调度
更新当前提升机任务开始否
提升机是否空闲
时刻
是穿梭车取货并返回提升机
计算提升机从当前位置出否处
发运输载货穿梭车至第一第一次申请提升机的调度
层卸货所用时间更新当前提升机任务结束
是时刻
更新当前提升机任务结束计算提升机从当前位置出
时刻和穿梭车任务结束时发运输空闲穿梭车至货物
刻所在层所用时间
图 3.7 仿真程序流程图
将穿梭车数量 V 分别设置为 2 辆、4 辆、6 辆、8 辆，在订单到达率  分别为
80 个/小时、100 个/小时、120 个/小时的情况下运用本文提出的 MGM 对系统进行
求解，得出各种参数设置下的系统性能参数。接下来分别在相同系统设置下通过仿
真模拟程序模拟实际系统运行，由于系统仿真有随机性，因此各个场景下分别模拟
运行 100 次，取平均值作为最终结果。将基于 MGM 求解得到的结果与仿真结果
进行比较，两种方法的对比结果如表 3.4 至表 3.6 所示。其中 S 代表系统仿真结果，
MAPE 为平均绝对误差百分比，计算方式如式 3.41 所示。
25
S  MGM
MAPE  100% ··························(3.41)
S
通过表 3.4 至表 3.6 中数据可知，系统仿真数据与 MGM 求解结果误差在穿梭
车数量不超过 6 时，可以控制在 5%以下。随着穿梭车数量增大，以及订单到达率
的增加，误差略有增加，达到 8%左右。由于实际系统运行中每个提升机匹配的穿
梭车数量很少达到 8 个及以上，并且四向穿梭车系统的到达率一般维持在较低水
平，因此本文所采用的方法是合理有效的。
表 3.4   80 时 MGM 结果与仿真结果对比
Leq Ln Wmst
V MGM S MAPE MGM S MAPE MGM S MAPE
2 1.20 1.23 2.7% 1.34 1.40 4.0% 114.2 114.8 0.5%
4 0.25 0.24 3.4% 1.71 1.77 3.3% 88.1 90.6 2.8%
6 0.07 0.07 1.8% 1.84 1.77 3.8% 86.1 88.1 2.3%
8 0.02 0.02 4.1% 1.89 1.84 2.6% 85.8 87.5 1.9%
Leq Ln Wmst
2 6.69 6.79 1.4% 1.77 1.69 4.7% 304.7 294.7 3.4%
4 1.08 1.05 2.6% 2.47 2.40 3.1% 127.7 134.0 4.7%
6 0.42 0.41 2.8% 2.83 2.98 5.0% 116.8 121.6 3.9%
8 0.18 0.17 4.3% 3.00 3.22 6.8% 114.8 110.0 4.4%
Leq Ln Wmst
2 Inf Inf 0.0% 2.00 2.00 0.0% Inf Inf 0.0%
4 6.63 6.41 3.4% 3.40 3.55 4.2% 301.0 289.1 4.1%
6 2.49 2.60 4.1% 4.19 4.01 4.5% 200.5 210.4 4.7%
8 1.35 1.26 7.5% 4.73 4.45 6.2% 182.5 169.1 7.9%
3.6 系统最优配置研究
四向穿梭车系统的柔性源于其可以根据吞吐量需求灵活配置系统中穿梭车的
数量。另一方面，系统的规模对于穿梭车数量的选择同样有着较大影响。为获得系
统在各种参数设置下最优的穿梭车数量，指导企业仓储系统的初期设计，本文对影
响穿梭车数量因素中的订单达到率  、仓储货架的层数 N 、仓储货架的列数 C 分
别进行了实验，给出了不同穿梭车数量下的系统性能，包括外部队列的平均顾客数
Leq 、系统中正在接受服务的平均顾客数 Ln 、顾客在系统中的平均服务时间 Wmst 。
26
3.6.1 订单到达率对穿梭车数量选择的影响
首先探究不同穿梭车数目下系统性能随订单到达率  变化情况。这里将货架
层数固定为 11 层，货架列数为 50 列，订单到达率从 50 个/小时逐渐增加到 150 个
/小时，调整穿梭车数量从 2 辆到 7 辆，得出的系统性能变化部分数据如表 3.7 至
表 3.12 所示，其中 Leq 与 Ln 的单位为个，Wmst 的单位为秒，Inf 表示数值为无穷大。
表 3.7 N  11， C  50 ， V  2 时系统性能随  变化数据
 50 60 70 80 90 100 110 120 130 140 150
Leq 0.16 0.32 0.62 1.20 2.49 6.69 Inf Inf Inf Inf Inf
Ln 0.76 0.94 1.14 1.34 1.55 1.77 2.00 2.00 2.00 2.00 2.00
Wmst 66.3 76.0 90.4 114.2 161.7 304.7 Inf Inf Inf Inf Inf
表 3.8 N  11， C  50 ， V  3 时系统性能随  变化数据

 50 60 70 80 90 100 110 120 130 140 150
Leq 0.05 0.12 0.25 0.50 0.98 2.04 5.00 27.5 Inf Inf Inf
Ln 0.83 1.05 1.30 1.57 1.86 2.17 2.51 2.88 3.00 3.00 3.00
Wmst 63.4 70.4 79.7 93.0 113.7 151.7 245.9 912.2 Inf Inf Inf
表 3.9 N  11， C  50 ， V  4 时系统性能随  变化数据

 50 60 70 80 90 100 110 120 130 140 150
Leq 0.02 0.05 0.11 0.25 0.52 1.08 2.40 6.63 95.98 Inf Inf
Ln 0.85 1.11 1.39 1.71 2.01 2.47 2.91 3.40 3.94 4.00 4.00
Wmst 62.9 69.2 77.3 88.1 103.4 127.7 173.9 301.0 2767.0 Inf Inf
表 3.10 N  11， C  50 ， V  5 时系统性能随  变化数据

 50 60 70 80 90 100 110 120 130 140 150
Leq 0.01 0.02 0.05 0.13 0.30 0.66 1.48 3.72 14.6 Inf Inf
Ln 0.87 1.13 1.44 1.79 2.20 2.67 3.21 3.83 4.53 5.00 5.00
Wmst 62.8 67.0 76.7 86.6 100.0 119.9 153.6 226.5 530.7 Inf Inf
表 3.11 N  11， C  50 ， V  6 时系统性能随  变化数据

 50 60 70 80 90 100 110 120 130 140 150
Leq 0.00 0.00 0.03 0.07 0.18 0.42 0.99 2.49 8.11 Inf Inf
Ln 0.87 1.14 1.46 1.84 2.29 2.83 3.45 4.19 5.05 6.00 6.00
Wmst 62.8 68.9 76.5 86.1 98.8 116.8 145.4 200.5 364.3 Inf Inf
27
表 3.12 N  11， C  50 ， V  7 时系统性能随  变化数据

 50 60 70 80 90 100 110 120 130 140 150
Leq 0.00 0.00 0.01 0.04 0.11 0.27 0.69 1.80 5.59 52.8 Inf
Ln 0.87 1.14 1.47 1.87 2.35 2.93 3.64 4.49 5.50 6.72 7.00
Wmst 62.7 68.9 76.4 85.9 98.3 115.5 141.6 188.6 307.3 1530.4 Inf
为更加直观的分析系统性能与订单到达率以及穿梭车数量关系，根据表 3.7 至
表 3.12 中数据绘制图 3.8 至图 3.10。
20
V=2
15 V=3
Leq（个）
V=4
10 V=5
V=6
V=7
5
0
50 60 70 80 90 100 110 120 130 140
（个/小时）
图 3.8 Leq 在不同穿梭车数量下随订单到达率变化情况
8
V=2
6 V=3
V=4
Ln（个）
4 V=5
V=6
V=7
2
0
50 60 70 80 90 100 110 120 130 140 150
（个/小时）
图 3.9 Ln 在不同穿梭车数量下随订单到达率变化情况
300
250 V=2
V=3
V=4
Wmst(s)
200
V=5
150 V=6
V=7
100
50
50 60 70 80 90 100 110 120 130
（个/小时）
图 3.10 Wmst 在不同穿梭车数量下随订单到达率变化情况
28
从表 3.7 至表 3.12 以及图 3.8 至图 3.10 可以看出，系统外部队列的平均顾客

数 Leq 与顾客在系统中的平均服务时间 Wmst 在订单到达率一定时，随穿梭车数量增
加而减少，但是减少的数值随穿梭车数量增加而下降，这反应了当穿梭车数量达到
一定程度后，提升机的空闲时间越来越少，此时一味的增加穿梭车数量并不能大幅
提升系统性能，需要企业在成本和性能之间做出最优的选择。
同时也可以看出，当穿梭车数量一定时， Leq 与 Wmst 的数值随着订单到达率 
的增加而增加，且增长速度逐渐加快，当增加到一定程度时就会超出系统的服务能
力，两者的数据将会趋于无穷大。因此不同的穿梭车数量对应着不同的系统最大吞
吐能力，企业可以根据吞吐量的要求选择合适的穿梭车数量。
系统中正在接受服务的平均顾客数 Ln 在订单到达率  一定时，会随着穿梭车
数量的增加而增加，带来的结果是更小的 Leq 与 Wmst 。当穿梭车数量一定时， Ln 会
随着  的增加而增加，当  增加到超出系统服务能力时， Ln 会趋近于穿梭车的数
量，此时系统的所有穿梭车将一直处于忙碌状态。
3.6.2 货架层数对穿梭车数量选择的影响
接下来本文对不同穿梭车数目下系统性能随货架层数 N 的变化情况进行了探
究，以指导企业选择合适的货架层数。这里将订单达到率  固定为 110 个/小时，
货架的列数固定为 50 列，穿梭车的数量从 3 辆逐渐增加到 7 辆，调整货架的层数
从 9 层到 19 层，得出的系统性能变化部分数据如表 3.13 至表 3.17 所示，其中 Leq
与 Ln 的单位为个， Wmst 的单位为秒。
表 3.13   110 ， C  50 ， V  3 时系统性能随 N 变化数据

N 9 11 13 15 17 19
Leq 4.43 5.65 7.28 9.58 13.12 19.29
Ln 2.47 2.55 2.62 2.69 2.76 2.83
Wmst 226.0 268.4 324.1 401.8 519.6 723.9
表 3.14   110 ， C  50 ， V  4 时系统性能随 N 变化数据

N 9 11 13 15 17 19
Leq 2.17 2.67 3.27 4.01 4.95 6.18
Ln 2.85 2.96 3.06 3.16 3.26 3.35
Wmst 164.3 184.1 207.2 234.6 268.5 312.0
29
表 3.15   110 ， C  50 ， V  5 时系统性能随 N 变化数据

N 9 11 13 15 17 19
Leq 1.33 1.64 2.01 2.47 3.02 3.72
Ln 3.15 3.28 3.42 3.54 3.67 3.80
Wmst 146.4 161.2 177.7 196.7 219.0 246.0
表 3.16   110 ， C  50 ， V  6 时系统性能随 N 变化数据

N 9 11 13 15 17 19
Leq 0.88 1.11 1.38 1.71 2.11 2.62
Ln 3.37 3.54 3.70 3.86 4.01 4.18
Wmst 139.2 152.0 166.1 182.1 200.5 222.4
表 3.17   110 ， C  50 ， V  7 时系统性能随 N 变化数据

N 9 11 13 15 17 19
Leq 0.61 0.78 0.99 1.25 1.57 1.97
Ln 3.54 3.73 3.92 4.10 4.30 4.49
Wmst 135.8 147.7 160.8 175.4 192.1 211.7
根据表 3.13 至表 3.17 数据，绘制系统性能参数变化图如图 3.11 至图 3.13 所

示。
通过表 3.13 至表 3.17 以及图 3.11 至图 3.13 可以看出，随着货架层数的增加，
穿梭车数量的变化对系统性能变化量的影响逐渐增加。当穿梭车数量一定时，货架
层数的增加会导致 Leq 与 Wmst 的增加，特别是当穿梭车数量较少时会导致系统服务
能力大幅下降的情况出现。
10
N=9
8 N=11
N=13
Leq（个）
6 N=15
N=17
4 N=19
0
3 4 5 6 7
穿梭车数量
图 3.11 Leq 在不同货架层数下随穿梭车数量变化情况
30
4.5
N=9
4 N=11
N=13
Ln（个） 3.5 N=15
N=17
3 N=19
2.5
2
3 4 5 6 7
穿梭车数量
图 3.12 Ln 在不同货架层数下随穿梭车数量变化情况
500
N=9
400 N=11
N=13
Wmst(s)
N=15
300 N=17
N=19
200
100
3 4 5 6 7
穿梭车数量
图 3.13 Wmst 在不同货架层数下随穿梭车数量变化情况
3.6.3 货架列数对穿梭车数量选择的影响
最后本文对不同穿梭车数目下系统性能随货架的列数 C 的变化情况进行了探
究，以指导企业选择合适的货架列数。这里将订单达到率  固定为 120 个/小时，
货架的层数固定为 11 层，货架的列数从 50 逐渐增加到 100，调整穿梭车的数量从
4 辆逐渐增加到 7 辆，得出的系统性能变化部分数据如表 3.18 至表 3.21 所示，其
中 Leq 与 Ln 的单位为个， Wmst 的单位为秒，Inf 表示数据为无穷大。
表 3.18 N  11，   120 ， V  4 时系统性能随 C 变化数据

C 50 55 60 65 70 75 80 85 90 95 100
Leq 6.63 7.97 9.86 12.74 17.57 27.26 55.92 Inf Inf Inf Inf
Ln 3.40 3.47 3.55 3.63 3.72 3.81 3.90 4.00 4.00 4.00 4.00
Wmst 301.0 343.2 402.4 491.2 638.8 932.1 1794.5 Inf Inf Inf Inf
31
表 3.19 N  11，   120 ， V  5 时系统性能随 C 变化数据

C 50 55 60 65 70 75 80 85 90 95 100
Leq 3.72 4.25 4.94 5.85 7.10 8.89 11.63 16.26 25.60 53.5 Inf
Ln 3.83 3.92 4.02 4.12 4.22 4.34 4.45 4.58 4.71 4.85 5.00
Wmst 226.5 245.2 268.7 299.1 339.7 396.7 482.4 625.0 909.3 1750.9 Inf
表 3.20 N  11，   120 ， V  6 时系统性能随 C 变化数据

C 50 55 60 65 70 75 80 85 90 95 100
Leq 2.49 2.80 3.19 3.68 4.32 5.19 6.39 8.14 10.85 15.53 25.27
Ln 4.19 4.29 4.40 4.52 4.65 4.78 4.93 5.08 5.24 5.42 5.61
Wmst 200.5 212.8 227.6 246.0 269.2 299.2 339.5 369.5 482.8 628.5 926.2
表 3.21 N  11，   120 ， V  7 时系统性能随 C 变化数据

C 50 55 60 65 70 75 80 85 90 95 100
Leq 1.80 2.00 2.26 2.58 2.99 3.54 4.27 5.29 6.77 9.04 12.86
Ln 4.49 4.60 4.73 4.86 5.00 5.16 5.33 5.51 5.71 5.92 6.15
Wmst 188.6 198.1 209.5 223.1 239.9 261.0 288.1 324.1 374.3 448.7 570.2
根据表 3.18 至表 3.21 数据，绘制系统性能参数变化图如图 3.14 至图 3.16 所

示。
通过表 3.18 至表 3.21 以及图 3.14 至图 3.16 可以看出，随着货架列数的增加，
Leq 与 Wmst 逐渐增加，且增加速度逐渐加快。穿梭车数量为 5，当货架层数小于 80
时，Leq 与 Wmst 增加速度比较缓慢，当货架层数大于 80 时，Leq 与 Wmst 增加速度明显
上升，当列数增加到超出系统服务能力的时候， Ln 的数量便会趋近于系统中穿梭
车的数量。
25
20 V=4
V=5
Leq（个）
15 V=6
V=7
10
0
50 55 60 65 70 75 80 85 90 95 100
C（列）
图 3.14 Leq 在不同穿梭车数量下随货架列数变化情况
32
7
V=4
6 V=5
Ln（个）
V=6
5 V=7
3
50 55 60 65 70 75 80 85 90 95 100
C（层）
图 3.15 Ln 在不同穿梭车数量下随货架列数变化情况
1000
V=4
800
V=5
V=6
Wmst(s)
600 V=7
400
200
50 55 60 65 70 75 80 85 90 95 100
C（列）
图 3.16 Ln 在不同穿梭车数量下随货架列数变化情况
3.7 本章小结
本章针对四向穿梭车系统如何在不同系统参数下合理的选择穿梭车数量的问
题进行了研究。首先对任务的出库作业时间进行了分析，得到了出库任务平均作业
时间模型，在此基础上构建了半开环排队网络模型，并依据出库作业时间模型计算
出了排队网络中的节点服务率。接下来介绍了求解该排队网络的 MGM 算法，给
出了外部队列的平均顾客数 Leq 、系统中正在接受服务的平均顾客数 Ln 、顾客在系
统中的平均服务时间 Wmst 等排队网络性能指标的计算公式。为验证本文提出的模型
的正确性和 MGM 求解算法的准确性，本文构建了一个模拟实际系统运行流程的
仿真程序，通过将相同参数下 MGM 求解结果与仿真结果进行对比，证明了本文
所提出的方法是有效的。
最后采用本文所提出的 MGM 算法对影响穿梭车数量因素中的订单达到率  、
仓储货架的层数 N 、仓储货架的列数 C 分别进行了实验，给出了部分相关的实验
数据，以指导企业进行仓储系统的初期选择规划和运行过程中的灵活调整。
33
第 4 章四向穿梭车系统任务调度研究
4.1 引言
通过本文第 3 章的分析求解，得到了四向穿梭车系统性能的分析工具，并依
此可以为系统配置合适的穿梭车数量。在穿梭车数量已知的情况下，合理的任务调
度可以进一步提升系统效率。因此本章将对四向穿梭车系统的任务调度进行研究。
四向穿梭车系统执行出库任务时，货物的垂直运动都需要通过提升机的运输，
因此出库任务的总执行时间便取决于提升机执行运输任务的作业时间以及提升机
任务之间的等待时间。根据本文 2.2 节所描述的系统出库作业流程可知，提升机执
行运输任务的运动时间分为四种类型，第一种类型为提升机从当前所在层运动至
第一层取空闲穿梭车；第二种类型为运输空闲穿梭车至货物所在层；第三种类型为
提升机从当前所在层运动至货物所在层取载货穿梭车；第四种类型为运输载货穿
梭车至第一层。其中类型二与类型四所用时间取决于出库货物所在层，类型一与类
型三所用时间取决于任务的调度，由于系统采用的是先到先服务的原则，因此该时
间便取决于任务的执行顺序。可见良好的任务调度能够在一定程度上减少提升机
的作业时间，提升系统的效率。
另一方面，提升机任务之间的等待时间也与任务的调度息息相关。良好的任务
调度能够合理的分配各穿梭车的取货时间，防止出现穿梭车申请调度的时刻过于
集中的情况，减少提升机的等待时间，同时也能减少穿梭车的等待时间，提高穿梭
车的利用率。
在仓储系统的实际运行过程中，系统执行出库作业时会综合考虑订单货物周
转率、订单货物之间相关性、拣选过程方便性等因素，通常采取对订单进行分批处
理的策略。首先根据订单分拣优化算法生成一批出库订单，然后对该批次订单进行
调度优化，最终得到一个批次的出库订单的执行方案。
为方便企业管理，四向穿梭车系统运行时通常将距离提升机较近的巷道作为
提升机的主要服务区域，如图 4.1 所示。为充分利用系统中提升机的运载能力，四
向穿梭车系统中穿梭车可以实现跨区域运动。通过本文 2.2 节四向穿梭车系统作业
流程中的分析我们可以知道任务的出库需要提升机两次运输穿梭车，第一次是为
出库任务运输空闲穿梭车，第二次是为出库任务运输载货穿梭车。由于系统遵循的
是 POSC 策略，为避免穿梭车在第一层频繁跨区域运动带来的时间消耗，以及为
避免跨区域运动带来的穿梭车冲突问题，为出库任务运输空闲穿梭车所用的提升
机限定为该穿梭车上一任务执行完毕时所用的提升机。为出库任务运输载货穿梭
车所用的提升机则由系统指定，以达到提高系统运行效率的目的。
因此对一批固定任务的出库订单，四向穿梭车系统的任务调度目的就是优化
34
该批次订单的出库顺序，以及每个出库任务运输载货穿梭车所使用的提升机号，进
而使得该批次订单总的出库时间最短。
本章将对四向穿梭车系统的任务调度进行研究，首先构建系统的任务调度模
型，并对穿梭车运动过程中的冲突提出分析解决方案，最后采用结合了遗传算法的
离散粒子群算法对任务调度模型进行求解，并通过实例验证该算法的有效性。
提升机1主要服务区域提升机2主要服务区域
Y 提升机1 提升机2
图 4.1 穿梭车取货过程示意图
4.2 任务调度建模
对于四向穿梭车系统的出库作业来说，出库任务开始时刻为提升机开始执行
第一个运输任务的时刻，结束时刻为提升机执行完最后一个运输任务的时刻。因此
本文以各个提升机的作业时间轴为基础，构建系统的出库作业时间模型，即任务调
度模型。
根据前文的叙述，本文将提升机的运输作业任务分为两种类型：
A、提升机任务类型为运输空闲穿梭车：空闲穿梭车和出库任务匹配成功之后
会向提升机提交运输空闲穿梭车至出库任务所在层的申请。若此时提升机处在第
一层则提升机首先需要在穿梭车缓存区装载空闲穿梭车，然后从第一层运动至出
库任务所在层卸载空闲穿梭车；若提升机处在除第一层之外的其它层则提升机需
要先运动至第一层装载空载穿梭车，再运动至货物所在层卸载空闲穿梭车。
B、提升机任务类型为运输载货穿梭车：穿梭车取货完成之后会提交运输载货
35
穿梭车至第一层的申请。提升机需要从当前所在层运动到货物所在层取载货穿梭
车，再运动到第一层卸货。
考虑一种提升机运行情况：提升机运输载货穿梭车 X 至第一层卸货之后提升
机与穿梭车都完成了当前任务，穿梭车 X 与下一运输任务匹配成功之后向提升机
发出了运输空闲穿梭车的申请。穿梭车 Y 在穿梭车 X 向提升机发出运输空闲穿梭
车申请之前向提升机发出了运输载货穿梭车的申请。若此时提升机按照先到先服
务原则响应穿梭车 Y 的申请，则需要先卸载穿梭车 X 至穿梭车缓存区，再运输载
货穿梭车 Y 至第一层卸货，之后卸载穿梭车 Y 并装载穿梭车 X，最后运输穿梭车
X 至目的地。若提升机先响应穿梭车 X 的运输空闲穿梭车申请，在该任务完成之
后响应穿梭车 Y 的运输申请，则减少了提升机装载和卸载穿梭车的次数，提升了
总体效率。
因此四向穿梭车系统中提升机将运输空闲穿梭车作为第一等级运输任务，将
运输载货穿梭车作为第二等级运输任务。执行任务时采取第一等级优先，同等级先
到先服务的策略。
接下来为研究方便又不失一般性，特提出如下假设：
1）一个批次中所有出库任务的位置是随机分布的。
2）初始状态下，提升机位于第一层，穿梭车均匀分布于各提升机所在巷道的
缓存区中，任务执行过程中各提升机依次调用各自缓存区中的提升机。
3）当某一巷道中有穿梭车时，为避免发生冲突，不允许其他穿梭车再进入。
4）穿梭车和提升机默认停留在当前任务结束时的位置，即 Point Of Service
Completion（POSC）。
5）忽略穿梭车在穿梭车交接缓存区的运行时间。
为系统出库作业时间模型表述方便，将用到的参数和变量进行定义：
表 4.1 出库作业时间模型所用参数和变量
参数符号符号定义
L 提升机数量
V 穿梭车数量
O 出库订单数量
M 所有提升机执行的运输任务总数，为 2O
MK 提升机 K 执行的任务总数
t S ,i 穿梭车从第一列运行至第 i 列所用时间
tnw,c 第 n 号出库任务因为避免冲突等待的时间
t S ,c 穿梭车在穿梭车横向导轨上所用的时间
tS ,c,i 穿梭车跨 i 个巷道运行所用时间
36
续表
参数符号符号定义
tL,i 提升机从第一层运行至第 i 层所用时间
t L ,i , j 提升机从第 i 层运行至第 j 层所用时间
提升机 K 的第 m 个任务是否为从第一层出发运输空闲穿梭车至第 i
yKe ,m,i
层，如果是，取 1，否则，取 0
提升机 K 的第 m 个任务是否为从当前所在第 i 层运行至第一层装载
e
y K , m ,i , j 空闲穿梭车，并运输空闲穿梭车至第 j 层，如果是，取 1，否则，取
0
提升机 K 的第 m 个任务是否为从第一层运行至第 i 层装载载货穿梭
yKf ,m,i
车，并运行至第一层卸货，如果是，取 1，否则，取 0
提升机 K 的第 m 个任务是否为从当前所在第 i 层运行至第 j 层装载
yKf ,m ,i , j
载货穿梭车，并运行至第一层卸货，如果是，取 1，否则，取 0
TKb,m 提升机 K 开始执行第 m 个任务的时刻
t Kw,m 提升机 K 第 m 个任务执行之前的等待时间
tK ,m 提升机 K 第 m 个任务执行所用时间
TK ,( m) 提升机 K 第 m 个任务执行完毕的时刻
提升机 K 当前运输空闲穿梭车任务是否完成，如果是，取 1，否则，
y K , e ,t , a
取0
提升机 K 第 m 个任务是否为第 n 号出库任务运输空闲穿梭车，如果
y K , m , n ,t , e
是，取 1，否则，取 0
TKb,n, p 使用提升机 K 运输载货穿梭车的第 n 号任务穿梭车开始取货的时刻
使用提升机 K 运输载货穿梭车的第 n 号任务穿梭车取货完成并运行
TKa,n, p
到提升机 K 处的时刻
根据图 3.1 所描述的穿梭车和提升机运行特征我们可以知道，令 S S 为穿梭车

运行距离，对于穿梭车运行时间有

2vS / aS  ( S S  vS / aS ) / vS , S S  vS / aS
2 2
t SS   ················(4.1)

 2 S S / aS , S S  vS
2
/ aS
同理，令 S L 为提升机运行距离，对于提升机运行时间则有

2vL / aL  ( S L  vL / aL ) / vL , S L  vL / aL
2 2
tSL   ················(4.2)

 2 S L / a L , S L  vL
2
/ a L
穿梭车从第一列运动至第 i 列的运行距离为
S S  i W ·······································(4.3)
37
由图 4.1 可知，穿梭车在取货过程中会经历两次跨巷道运行，第一次为从运输
空闲穿梭车提升机所在巷道运行至出库任务所在巷道，第二次为从出库任务所在
巷道运行至运输载货穿梭车提升机所在巷道。穿梭车跨 i 个巷道运行距离为
S S  i (2l  WSD ) ···································(4.4)
设穿梭车两次跨巷道数量分别为 i 和 j ，则穿梭车在穿梭车横向导轨上所用的
时间为
tS ,c  tS ,c,i  tS ,c, j  2 x  tCA ······························(4.5)
其中 tCA 为穿梭车换道时间， x 为 i 和 j 大于 0 的总个数，取值范围为 0,1,2。
提升机从第一层运动至第 i 层运行距离为
S L  h  (i  1) ·····································(4.6)
提升机从第 i 层运动至第 j 层运行距离为
S L  h  i  j ·····································(4.7)
任务序列
A1 B1
A2 B2
B3
w
t1,1 t1,2 t1,3 t1,3 t1,4
T0 T1 T3 T6 T8 T9 T10 T11 提升机1作业时间轴
A3 B3
A4 B4
B2
w w
t2,1 t2,2 t2,3 t2,3 t2,4 t2,4
T0 T2 T4 T5 T6 T7 T10 T12 提升机2作业时间轴
图 4.2 提升机出库作业时序图
为说明任务调度模型构建思想，根据本文提升机运行特点绘制了当系统中有
两个提升机，四辆穿梭车，四个出库任务时的提升机出库作业时序图如图 4.2 所示。
第 1、2、3、4 号出库任务分别依次与第 1、2、3、4 辆穿梭车进行任务匹配，其中
1 号任务与 3 号任务使用提升机 1 运输其各自载货穿梭车，2 号任务与 4 号任务使
38
用提升机 2 运输其各自载货穿梭车。 A1 、 A2 、 A3 、 A4 分别依次代表提升机运输第

1、2、3、4 号任务的空闲穿梭车至各自任务所在层的过程； B1 、 B2 、 B3 、 B4 分别
依次代表提升机运输第 1、2、3、4 号任务的载货穿梭车至第一层卸货的过程。
提升机 1 在 T0 、 T1 时刻依次分别开始执行 A1 、 A2 任务，任务执行用时分别为
t1,1 ， t1,2 ，分别在 T1 、T3 时刻执行完毕，1 号、2 号两辆穿梭车分别在 T1 、T3 时刻开
始取货， T8 、 T10 时刻取货完成，其中 2 号穿梭车取货完成之后加入提升机 2 的运
输队列。提升机 2 的任务执行过程与提升机 1 类似，在 T6 时刻 3 号穿梭车取货完
成并加入提升机 1 的运输队列。提升机 1 分别于 T6 、T9 时刻开始执行 B3 、B1 任务，
并于 T9 、 T11 时刻执行完毕。提升机 2 执行完最后一个运输任务结束时刻 T12 为本次
任务执行的总用时。
参考图 4.2，可以得到提升机 K 第 m 个提升机任务的执行时间 tK ,m 为
t L ,i  t L , yKe ,m,i  1

t L ,i  t L , j  2t L , yKe ,m,i , j  1
tK ,m  ·······················(4.8)
2t L ,i  tS  2t L , yKf ,m ,i  1
t L ,i , j  t L, j  tS  t L , yKf ,m,i , j  1

在图 4.2 中，提升机 1 在 A2 任务执行完毕之后，下一任务 B3 开始时间小于 A2
w w w
任务的结束时间，因此在 B3 之前产生了等待，任务等待时间为 t1,3 。t2,3 与 t2,4 的产生
w
原因与 t1,3 相同。我们可以得到提升机 K 第 m 个任务执行之前的等待时间 t Kw, m

TK ,m  TK ,( m1) , TK ,m  TK ,( m 1)
b b
t w
 ·······················(4.9)
K ,m

0, TKb,m  TK ,( m 1)
提升机 K 第 m 个任务执行完毕的时刻 TK ,( m) 计算方式为

T  t  tw , m 1
TK ,( m )   K ,( m1) K ,m K ,m ······················(4.10)

t K , m , m  1
由于系统采用优先执行运输空闲穿梭车的策略，因此当提升机有待执行的运
输空闲穿梭车任务时，提升机下一任务的开始时间就等于当前任务的结束时间，当
系统中无待执行的运输空闲穿梭车任务时，提升机按照先到先服务原则处理运输
载货穿梭车申请，因此提升机任务开始时间可通过式 4.11 计算。
TK ,( m 1) , y K , e ,t , a  0
TKb,m   ················(4.11)
min(TK ,n , p n  1, 2, , O), yK ,e,t ,a  1
a
其中 n 1, 2,..., O ，为待执行的使用提升机 K 运输载货穿梭车的出库订单任务号。

分析穿梭车取货过程，可以得到
TKa,n, p  TKb,n, p  2tS ,i  tS ,c  tnw,c ·························(4.12)
39
其中出库任务因为避免冲突等待的时间 tnw,c 的计算方式将在 4.3 节给出。
结合图 4.2， TKb,n, p 可通过式 4.13 计算。
TKb,n, p  TK ,( m) , yK ,m,n,t ,e  1 ···························(4.13)

令 Ttotal 表示出库任务总用时，则有
Ttotal  max(TK ,( M K ) |K 1,2, ,L ) ··························(4.14)
4.3 系统冲突解决策略
4.3.1 冲突类型的判断
由于四向穿梭车系统中允许穿梭车跨巷道、跨区域取货，因此当系统某一层有
多辆穿梭车同时运行时，穿梭车之间便可能出现冲突与碰撞问题。根据穿梭车运输
货物过程的特征可以将其运动过程分为两个阶段。一是取货阶段，即空闲穿梭车从
提升机处出发运动至货物所在位置；二是送货阶段，即穿梭车取货完成之后回到提
升机处。本文所研究的四向穿梭车系统可能出现的冲突可以归结为四种情况，如图
4.3 所示：
相向冲突节点冲突
同向冲突追及冲突
图 4.3 穿梭车冲突类型
相向冲突：当两辆穿梭车在穿梭车横向导轨上相向行驶时，会导致相向冲突发
生。
节点冲突：当两辆穿梭车会在穿梭车纵向导轨与穿梭车横向导轨交接处发生
碰撞时，被称为节点冲突。
同向冲突：当两辆穿梭车同一时段运行路径方向相同，且相互之间有部分路段
重合时，会产生同向冲突。
追及冲突：当两辆穿梭车同向行驶，由于速度的差异，其中一辆穿梭车会逐渐
追上另一辆穿梭车时，这种冲突被称为追及冲突。
40
4.3.2 基于路径时间窗的冲突类型判断
首先对路径进行编码。通过分析图 4.1 所示的穿梭车取货过程我们可以知道，

本文所研究的四向穿梭车系统的冲突地点位于穿梭车横向导轨上，因此本文将穿
梭车横向导轨上的节点和路径进行了编码。以拥有两个提升机的货架为例，编码结
果如图 4.4 所示。
1 2 3 4 5 6 7 8 9 10 11
图 4.4 冲突路径编号示意图
对有多辆穿梭车同时工作的某一层，可以将处于该层的穿梭车取货送货所经
过的冲突路径和对应的时间构建为该层的路径时间窗，通过分析时间窗特点便可
知道冲突的类型。各个类型冲突的时间窗如图 4.5 所示。
从图 4.5 中的（a）可以看出，穿梭车 1 沿路径 9、8、7、6、5、4、3 从右至
左运动，穿梭车 2 沿路径 7、8、9 从左至右运动，在路径 8 处产生了相向冲突。
路径编号
3
4
5
6
7
8
9
t/s
穿梭车1 穿梭车2 冲突部分
（a）相向冲突
路径编号
3
4
5
t/s
（b）节点冲突
41
路径编号
3
4
5
6
7
8
9
t/s
（c）同向冲突
路径编号
3
4
5
6
7
8
9
t/s
（d）追及冲突
图 4.5 基于路径时间窗的冲突判断
从图 4.5 中的（b）可以看出，穿梭车 3 沿路径 5、4、3 进行运动，穿梭车 4
跨越节点 3 进行运动，穿梭车 3 与穿梭车 4 在节点 3 产生了节点冲突。
从图 4.5 中的（c）可以看出，穿梭车 5 与穿梭车 6 先后沿路径 3、4、5 运动，
如果继续按此运行方式会在路径 3、4、5 处产生同向冲突。
从图 4.5 中的（d）可以看出，穿梭车 7 在运动过程中会逐渐追上穿梭车 8，并
在路径 8 处产生冲突。
穿梭车2 穿梭车4
节点冲突死锁相向冲突死锁
Y 穿梭车1 穿梭车3
图 4.6 穿梭车死锁示意图
42
当冲突类型为相向冲突和节点冲突时，系统可能出现死锁的情况，如图 4.6 所
示。图中穿梭车 1 和穿梭车 3 处于取货阶段，穿梭车 2 和穿梭车 4 处于送货阶段。
若穿梭车 2 和穿梭车 4 进入穿梭车交接缓存区时穿梭车 1 和穿梭车 3 尚未离开穿
梭车交接缓存区，穿梭车 1 与穿梭车 2 便可能出现节点冲突死锁；穿梭车 3 与穿
梭车 4 可能出现相向冲突死锁。
为防止穿梭车出现死锁的情况，本文将穿梭车取货阶段设定为第一等级任务；
将穿梭车送货阶段设定为第二等级任务。
4.3.3 基于迭代时间窗的冲突消除
对于冲突的消除，本文采用基于迭代时间窗的消除策略，通过将穿梭车的时间
窗整体移位的方式消除冲突。对于穿梭车而言，就是采用冲突一方等待的策略。
对于相向冲突和节点冲突，首先判断冲突双方的任务等级，同任务等级时采取
先到先服务的思想，对于后续到达冲突节点的穿梭车整体时间窗进行移位。移位步
骤如下：
1）寻找移位穿梭车抵达穿梭车横向移动导轨上的第一个节点。
2）计算移位穿梭车抵达该路径的时刻 T1 ，优先通行的穿梭车通过该节点的时
刻 T2 ，则移位时长 t m 可通过式 4.15 计算。
tm  T2  T1  t0 ··································(4.15)
其中 t0 为穿梭车安全缓冲时长，根据系统中穿梭车性能以及运行需求进行设定。
3）将移位穿梭车的时间窗从当前时刻整体后移 t m 。
对于同向冲突和追及冲突，由于不会出现穿梭车死锁现象，因此按照先到先服
务原则进行处理，对于后续抵达冲突节点的穿梭车执行移位操作。移位步骤如下：
1）寻找所有出现冲突的路径和节点。
2）计算所有冲突的时长，取最大值为 tc,max ，则移位时长 tm  tc,max  t0 。
3）将移位穿梭车的时间窗从当前时刻整体后移 t m 。
由于相向冲突和节点冲突的冲突消除策略相同，因此本文以图 4.5（a）中的相
向冲突为例，当穿梭车 1 与穿梭车 2 任务处于不同任务等级时，冲突消除结果如
图 4.7 所示。
43
路径编号
3
4
5
6
7
8
9
t/s
穿梭车1 穿梭车2移位前穿梭车2移位后冲突部分
（a）穿梭车 1 等级为一，穿梭车 2 等级为二
路径编号
3
4
5
6
7
8
9
t/s
穿梭车1移位前穿梭车1移位后穿梭车2 冲突部分
（b）穿梭车 1 与穿梭车 2 等级都为二
图 4.7 相向冲突消除示意图
以同向冲突为例说明同向冲突和追及冲突的消除结果如图 4.8 所示。
路径编号
3
4
5
6
7
8
9
t/s
穿梭车5 穿梭车6移位前穿梭车6移位后冲突部分
图 4.8 同向冲突消除示意图
4.3.4 出库任务避免冲突等待时间计算
当穿梭车作业方案确定之后，需要对当前运行的穿梭车冲突情况进行检测和
消除，并计算各任务匹配的穿梭车为避免冲突而产生的等待时间 tnw,c 。具体流程如
图 4.9 所示。
算法步骤如下：
44
1）根据任务执行方案计算各穿梭车所在层，判断是否有同层运行的穿梭车，
没有则退出程序，如果有则生成各层运行的穿梭车初始节点、路径的时间窗。
2）判断生成的时间窗是否有冲突，没有则退出程序，有则判断冲突的类型。
3）根据冲突的类型按照冲突消除规则进行迭代消除，计算各穿梭车为避免冲
突的等待时间，并回到步骤 2 判断是否有冲突。
开始
当前运行的穿梭车任务信
息，调度方案
是否有穿梭车在同一层执行任务否
是
生成各可能冲突层的各穿梭车初
始节点、路段时间窗
否
时间窗是否重叠
是
判断冲突类型
按规则更新时间窗
计算各穿梭车时间窗移位时长，更新穿
梭车对应任务因为避免冲突等待的时间
结束
图 4.9 出库任务避免冲突等待时间计算策略流程图
4.4 任务调度模型求解算法
四向穿梭车系统的任务调度目的为优化批次订单的出库顺序，并为出库任务
选择合理的运输载货穿梭车所使用的提升机。由本文 4.2 节所述的出库作业时间模
型可知，当已知出库任务运输载货穿梭车所使用的提升机时，系统的出库任务总执
行时间由出库任务的执行顺序决定。因此该问题的求解类似于组合优化问题中的
旅行商问题（Traveling Salesman Problem，TSP）。TSP 问题已经被证明是一个 NP-
45
hard 问题，即找不到一个多项式时间算法来求其最优解。 [48]
自 TSP 问题提出以来，出现了多种求解方法，如线型规划法、动态规划法等
求解 TSP 问题的精确算法。由于线型规划法在寻找割平面时常常凭借经验，因此
很少作为一般方法使用；对于动态规划算法，当求解规模增加到一定数量后，空间
和时间复杂度会急剧上升，因此主要用于较小规模的问题中。 [49]
随着科学技术的发展，越来越多的进化算法被用于求解 TSP 问题。如模拟物

理学固体物质退火过程的模拟退火算法（Simulated Annealing，SA） [50~51]
；受自然界
优胜劣汰规则启发的遗传算法（Genetic Algorithms，GA） [52~53]
；源于蚂蚁寻找食物
路径方式的蚁群算法（Ant Colony Optimization Algorithms，ACO） [54~55]
；以及模拟
鸟类觅食行为的粒子群算法（Particle Swarm Optimization，PSO）。其中粒子群 [56]
算法因为其算式简单、易于仿真实现、对于 TSP 求解的结果不需要解码、搜索速

度较快的特点被越来越多的应用于 TSP 问题的求解中。因此本文使用粒子群算法
对四向穿梭车系统的任务调度模型进行求解。
4.4.1 基本粒子群算法
粒子群算法于 1995 年由 Kennedy 和 Eberhart 提出，是一种利用群体之间信 [57]
息共享的方式来寻找最优解的算法。设想这样一个场景：一群鸟在一片固定的区域
搜索食物，在这个区域中只有一块食物，所有的鸟都不知道食物在哪，但是它们知
道自己当前的位置距离食物还有多远，那么最有效的方法就是搜寻目前离食物最
近的鸟的周围的区域，鸟的移动受到两个方面的影响：一是自身最优位置，二是群
体最优位置。在这两个因素的共同作用下，鸟朝着最优的方向不断搜索，最终找到
食物的位置。
粒子群算法通过对鸟群觅食行为进行模拟，将鸟群中的每一个鸟抽象成一个
粒子，将食物区域抽象为优化问题的 D 维解空间。粒子拥有自己的位置矢量和速
度矢量，粒子在当前最优粒子位置和自身历史最优位置的指引下在 D 维解空间内
飞行，经过多代搜索后得到问题的最优解。
粒子群算法的数学描述如下： [58]
设粒子的解空间为 D 维，粒子的种群由 n 个粒子组成 X  X1 , X2 , , Xn  。其
中第 i ， 1  i  n 个粒子在 t 时刻 D 维空间中的位置矢量表示为 Xti  {xit1 , xit1 , t

, xiD }，
速度矢量表示为 Vit  {vit1 , vit1 , t
, viD } ，粒子 i 历史最优位置为 Pi   pi1 , pi 2 , , piD  ，
群体历史最优位置为 Pg   pg1 , pg 2 , , pgD  。粒子 i 在 t  1 时刻的速度和位置按照如
下公式进行变化：
vidt 1  vidt  c1r1 ( pidt  xidt )  c2 r2 ( pgd
t
 xgd
t
) ·················(4.16)
xidt 1  xidt  vidt 1 ··································(4.17)
46
其中 i  1, 2, , n ，d  1, 2, , D ， 为惯性权值，c1 和 c2 为学习系数，r1 和 r2 为 [0,1]

之间的随机数。
基本粒子群算法的实现步骤如下：
1）初始化 n 个粒子组成的种群，包括每个粒子的位置矢量和速度矢量。
2）设定算法迭代过程中所需参数，包括惯性权值  ，学习系数 c1 和 c2 ，算法
最大迭代次数 t max 。初始化第一次迭代前的各粒子个体极值 Pi 和全局极值 Pg 。
3）根据优化问题的适应度函数计算各粒子的适应值 f ( Xi ) ，得到当前的个体
极值和全局极值。
4）对计算得到的个体极值和全局极值与上一代进行比较更新，优秀的保留。
5）根据式 4.16 与式 4.17 对各粒子的速度矢量和位置矢量进行更新。
6）判断终止条件。如果算法达到了最大迭代次数 t max ，则算法结束，输出全局
最优解。否则跳转到步骤 3，继续下一次迭代操作。
4.4.2 离散粒子群算法
基本粒子群算法适用于求解解空间为连续域的优化问题。粒子群算法求解 TSP
问题时每个粒子位置为商人拜访城市的顺序，因此 TSP 问题的解空间为离散域。
为满足 TSP 问题的求解条件，需要对基本粒子群算法进行离散化。
下面对本文所使用的离散粒子群算法（Discrete Particle Swarm Optimization，
DPSO）中运算基本量和运算法则进行介绍。
定义 4.1 对于一个拥有 D 个城市节点的 TSP 问题，设第 k 个粒子位置序列为
Xk   xk1 , xk 2 , , xkD  。定义速度算子 vki  j ， i  j ， i  1, , D 。当 j  0 时为交换
X k 中 xki 和 xkj ，当 j  0 时不进行操作。 Xk  Xk  vki 为 X k 经速度算子 vki 作用后的

新解。
例 4.1 设一个 TSP 问题拥有 5 个节点，其中一个解序列为 Xk  5, 2, 4,3,1 ，
速度算子为 vk 3  5 ，则有
Xk   Xk  vk 3  5, 2,1,3, 4 ·························(4.18)

定义 4.2 粒子的速度包含多个速度算子，速度改变粒子位置的方式为将每个
速度算子依次作用于粒子上。即
Xk  Xk  Vk  [(Xk  vk1 )  vk 2 ]   vkD ················(4.19)
对定义 4.2 进行延伸可以得到 Vk  Xk   Xk 。

定义 4.3 速度的数乘表示为每个速度算子以一定概率进行保留。
例 4.3 Vk   c  Vk ， c  [0,1] 。表示每个速度算子以概率 c 保留，计算过程中对
47
速度中的每一个速度算子产生一个 0 到 1 之间的随机数 rand ，如果 rand 小于等于

c ，则该算子保留，否则不保留。即
v , rand  c
vki   ki ·······························(4.20)
0, rand  c
式 4.16 与式 4.17 所示的速度与位置公式不再适合 TSP 问题，新的位置更新公
式如下：
X1i  Xi  Vi ··································(4.21)
Xi2  X1i  c1 (Pi  Xi ) ······························(4.22)
X3i  Xi2  c2 (Pg  Xi ) ·····························(4.23)
其中 X3i 为本次迭代的最终位置。
4.5 四向穿梭车系统任务调度优化
应用离散粒子群算法对 TSP 问题求解时，粒子的位置为商人拜访城市的顺序。
由于四向穿梭车系统任务调度的目的包含优化批次订单的出库顺序以及为订单指
定运输载货穿梭车所使用的提升机，因此需要对离散粒子群算法做出一些适应性
的改变，下面将对本文所使用的算法进行说明。
4.5.1 DPSO 算法在四向穿梭车系统任务调度中的应用
巷道1 巷道2 巷道3 巷道4 巷道5 巷道6
2 4 5 6
8 1
Y
提升机1 提升机2
X
图 4.10 出库任务所在巷道分布图
本文所研究的四向穿梭车系统出库任务的位置信息包含四个元素，分别为任
48
务号、任务所在巷道数、任务所在层数、任务所在列数。根据式 4.14 可知，系统

出库任务总用时为各提升机最后任务完成时间的最大值，因此本文采取提升机任
务均分的策略，即各提升机执行运输载货穿梭车任务的数量相等，以达到平衡各提
升机的任务执行量的目的。按照路径最短原则，出库任务默认使用的提升机为距离
出库任务最近的提升机，以系统中有两个提升机，8 个出库任务的批次为例，货物
位置分布如图 4.10 所示。
为表示订单任务运输载货穿梭车所使用的提升记号，本文采用对各个提升机
分别编码的策略。对图 4.10 所示的出库任务编码如图 4.11 所示。
提升机1 1-2 2-4 3-5 4-3
提升机2 1-8 2-7 3-1 4-6
图 4.11 粒子编码示意图
图 4.11 所示粒子编码中首位数字代表粒子的维度，第二位数字代表出库任务
号。如编码 1-2 代表 2 号出库任务为第 1 维度。维度的排列顺序代表提升机的服务
顺序，如图 4.11 表示提升机 1 依次执行第 2、4、5、3 号出库任务运输载货穿梭车
任务，提升机 2 依次执行 8、7、1、6 号出库任务运输载货穿梭车任务。特殊说明：
维度号不一定等同于提升机的任务执行顺序号，例如图 4.12 所示编码也是允许的。
提升机1 3-5 2-4 1-2 4-3
提升机2 3-1 2-7 1-8 4-6
图 4.12 维度号不等于提升机任务执行顺序号的编码示意图
粒子速度作用方式采取定义 4.1 中所示方法。为了运用式 4.18 与式 4.19 所示
的速度公式，在这里我们引入了同维度粒子位置块的概念。即各提升机中维度相同
的粒子位置为一个整体，如图 4.11 中 3-5 与 3-1 为同一维度粒子位置，且维度号为
3。粒子速度作用采取改变同维度粒子位置块的方式。如速度算子 V  {0, 0, 2, 0} 作
用于图 4.11 所示粒子位置之后粒子位置结果如图 4.13 所示。
提升机1 1-2 2-4 3-5 4-3

提升机2 1-8 2-7 3-1 4-6
速度作用
提升机1 1-2 3-5 2-4 4-3
提升机2 1-8 3-1 2-7 4-6
图 4.13 粒子速度作用示意图
按照图 4.13 所示的速度作用方式可通过改变同维度粒子位置块的方式解决各
提升机负责的出库任务执行顺序的优化问题。由于速度作用时同维度粒子位置块
为整体移动，因此粒子编码中同维度粒子位置块的任务号组成对系统任务调度的
结果影响较大，不合理的组成方式会导致算法求解过程中各提升机无法同时收敛
49
的问题。因此需要对粒子编码中同维度粒子位置块的任务号组成方式进行探讨。
四向穿梭车系统任务调度的意义在于安排合理的出库订单执行顺序使得提升
机的空闲时间最小化，以提高系统效率。实际的仓储系统中，货架的列数通常远大
于货架的层数，出库任务所在的列数对系统任务调度的影响远大于出库任务所在
层数对系统任务调度的影响。因此本文采取以货物所在列数排序的方式进行匹配
的编码方式，当列数相同时，采取任务号小的优先原则。以 20 个出库任务为例，
各提升机所需要服务的任务如表 4.2 所示。
表 4.2 20 个出库任务各提升机任务
提升机 1 任务
任务号 16 3 18 13 2 14 6 17 5 12
列数 22 41 25 49 25 19 46 17 6 36
提升机 2 任务
任务号 8 9 1 20 4 11 10 15 7 19
列数 14 37 23 12 20 45 14 37 39 17
对于表 4.2 所示出库任务，按照本文编码规则编码结果如图 4.14 所示，此时

产生的为粒子初始编码，这里粒子的维度号在数字上等于提升机任务执行顺序号，
下一步对粒子的维度号进行随机排序之后的结果为粒子的正式编码。正式编码效
果如图 4.15 所示。
提升机1 1-5 2-17 3-14 4-16 5-2 6-18 7-12 8-3 9-6 10-13
提升机2 1-20 2-8 3-10 4-19 5-4 6-1 7-9 8-15 9-7 10-11
图 4.14 采取出库任务列数排序原则产生的初始编码结果
提升机1 6-18 3-14 7-12 8-3 5-2 1-5 2-17 4-16 9-6 10-13
提升机2 6-1 3-10 7-9 8-15 5-4 1-20 2-8 4-19 9-7 10-11
图 4.15 采取出库任务列数排序原则产生的正式编码结果
上述操作解决了粒子同维度粒子位置块的编排，通过粒子的速度作用便可实
现任务顺序的优化，对于出库任务运输载货穿梭车所使用提升机的改变则通过粒
子同维度粒子位置块位置互换来实现。同维度粒子位置块位置互换的概率为 Pe 。互
换操作如图 4.16 所示。
提升机1 6-18 3-14 7-12 8-3 5-2 1-5 2-17 4-16 9-6 10-13
提升机2 6-1 3-10 7-9 8-15 5-4 1-20 2-8 4-19 9-7 10-11
同维度粒子位置块位置互换
提升机1 6-1 3-14 7-12 8-15 5-2 1-5 2-17 4-16 9-6 10-13
提升机2 6-18 3-10 7-9 8-3 5-4 1-20 2-8 4-19 9-7 10-11
图 4.16 同维度粒子位置块位置互换操作示意图
50
4.5.2 DPSO 算法的改进
DPSO 算法在求解过程中粒子的位置移动和速度更新依赖于自身最优值与全
体最优值，缺少个体之间的交流共享，因此 DPSO 算法容易出现“早熟”现象，即
容易在迭代过程中陷入局部最优解。此外，DPSO 算法在迭代后期容易出现搜索步
幅过大，局部搜索能力较弱的缺点。
针对上诉缺点，本文采用在 DPSO 算法中加入遗传算法（Genetic Algorithm，
GA）的选择交叉和变异的操作的方式。通过引入交叉操作，可以加强粒子之间的
信息交流和共享，加快种群向最优区域的移动速度，同时交叉操作在粒子迭代后期
可以增强粒子的局部搜索能力，可以提高 DPSO 算法的收敛速度。当 DPSO 算法
在迭代过程中逐渐丧失种群多样性时，算法便失去了全局搜索能力，容易陷入局部
最优解。因此可运用 GA 中的变异操作增加粒子群的种群多样性，恢复算法的全局
搜索能力，避免算法陷入局部最优解。
下面对本文所使用的基于遗传算法的离散粒子群算法（GA-DPSO）在 DPSO
算法中的改进操作进行介绍。
1）选择操作。在算法迭代过程中，以轮盘赌的方式从粒子群体中选择部分优
秀的个体，放入杂交池中。粒子 i 被选择的概率 Ps ,i 计算方式为：
fi
Ps ,i  n
····································(4.24)
f
j 1
j
其中 f i 为粒子 i 的适应值。
2）交叉操作。杂交池中的粒子采取随机配对的方式两两配对，按照概率 Pc 进
行交叉，交叉点的选择为随机选择交叉起始点和交叉终结点，对子代粒子和父代粒
子采取适应值高的保留的策略。交叉操作方式如图 4.17 所示。
提升机1 6-18 3-14 7-12 8-3 5-2 1-5 2-17 4-16 9-6 10-13
粒子1
提升机2 6-1 3-10 7-9 8-15 5-4 1-20 2-8 4-19 9-7 10-11
提升机1 1-5 6-1 7-12 4-16 9-6 5-2 8-3 3-14 10-13 2-17
粒子2
提升机2 1-20 6-18 7-9 4-19 9-7 5-4 8-15 3-10 10-11 2-8
交叉操作
提升机1 6-18 3-14 7-12 4-16 9-6 1-5 2-17 8-3 5-2 10-13
粒子1
提升机2 6-1 3-10 7-9 4-19 9-7 1-20 2-8 8-15 5-4 10-11
提升机1 1-5 6-1 7-12 8-3 5-2 9-6 4-16 3-14 10-13 2-17
粒子2
提升机2 1-20 6-18 7-9 8-15 5-4 9-7 4-19 3-10 10-11 2-8
图 4.17 粒子交叉操作示意图
51
粒子交叉时采取粒子同维度粒子位置块整体交叉的方式，维度号相同的粒子
位置块不需要交叉，维度号不同的粒子位置块参与交叉。为保证粒子交叉之后仍为
有效的粒子，需要对位置发生变化的粒子位置块进行替换。
3）变异操作。通过对全局极值进行检测，当粒子群的全局极值连续多代无法
改善时，认为该粒子群丧失搜索能力，对该粒子群所有粒子以概率 Pv 进行随机初始
化。
4.5.3 GA-DPSO 算法求解四向穿梭车系统任务调度步骤
根据上述的 GA-DPSO 算法原理，应用该算法求解本文所研究的四向穿梭车系

统任务调度的流程图如图 4.18 所示。
开始
读取任务信息
初始化粒子群和算法参数，t=0
t>tmax 是
否
计算各粒子个体的适应度，记录
个体极值pbest和全局极值gbest
更新个体极值和全局极值
根据公式更新粒子的速度和位置
以概率Pe对各粒子进行同维度
粒子位置块位置互换
选取部分优秀粒子进入杂交池
根据概率Pc对杂交池中粒子进行交叉操作
否
算法收敛处于停滞状态
是
以概率Pv对粒子进行变异操作
t=t+1
输出全局最优解
结束
图 4.18 GA-DPSO 算法的流程图
具体实现步骤如下：
1）读取任务信息，设定本文 GA-DPSO 算法的适应度函数。系统任务调度的
52
目的为最小化任务总执行时间，根据式 4.14，算法适应度函数为 f ( X)  1/ Ttotal 。

2）初始化粒子种群。按照本文 4.5.1 节所描述的粒子位置编码方式对粒子进
行初始化。粒子的个体极值为当前粒子，初始化粒子中的最优粒子为全局极值。
3）初始化算法参数。包括算法最大迭代次数 t max ，学习系数 c1 和 c2 ，交叉概率
Pc ，变异概率 Pv ，同维度粒子位置块位置互换的概率 Pe ，惯性权值的初始值 start
和最终值 end ，迭代过程中的惯性权值按照式 4.25 计算。
t  start  (start  end )  t / tmax ························(4.25)
4）计算各粒子适应度，记录个体极值 pbest 和全局极值 gbest。
5）更新个体极值和全局极值。
6）以式 4.18 至式 4.23 所示公式结合本文 4.5.1 节所介节绍的速度作用效果对
粒子的速度和位置进行更新计算。
7）以概率 Pe 对各粒子进行同维度粒子位置块位置互换，保留父代和子代中适
应值更高的粒子。
8）根据轮盘赌选择法计算出各粒子的选择概率 Ps ,i ，以此概率选取粒子进入杂
交池中。
9）对杂交池中的粒子采取两两随机配对的方式，按照交叉概率 Pc 进行图 4.17
所示的交叉操作，保留子代和父代中适应值更高的粒子。
10）计算粒子群全局极值变化情况，当粒子群的全局极值连续多代无法改善时，
认为该粒子群丧失搜索能力，对该粒子群所有粒子以概率 Pv 进行随机初始化。
11）判断终止条件。如果算法循环迭代次数达到了最大循环迭代次数，算法结
束，输出全局最优解。否则，跳转到步骤 4，继续下一次迭代操作。
4.6 实例分析
实验对象为某医药公司仓库，该仓库各项性能参数见表 3.3。根据企业运行经
验，四向穿梭车系统任务调度求解时系统中拥有越多提升机，碰撞问题的发生概率
便会越大，为避免碰撞所等待的时间就会越长。因此目前企业多以两个提升机为单
位求解任务调度，同时也是本文采取的参数设置。根据本文 3.6.1 节所研究的仓储
性能在不同订单到达率下随穿梭车数量变化的结果，本文求解任务调度时选择每
个提升机匹配 4 辆穿梭车，总的穿梭车数量为 8。
本文出库任务的位置为随机分布，因此系统仿真采取随机生成批次订单的方
式，以 50 个任务组成的批次订单为例，每个任务的出库货位见表 4.3。
本文所采用的 GA-DPSO 算法的具体参数设置为：种群数 n  50 ，tmax  2000 ，
c1  0.2 ， c2  0.3 ， Pc  0.8 ， Pv  0.1 ， Pe  0.2 ， start  0.9 ， end  0.4 。
53
表 4.3 50 个出库任务货位列表
任务编号巷道数层数列数任务编号巷道数层数列数
1 4 5 24 26 2 10 44
2 2 11 30 27 4 11 16
3 2 8 37 28 5 3 11
4 6 7 10 29 1 3 44
5 4 2 15 30 2 3 7
6 2 2 47 31 3 9 4
7 2 10 11 32 3 2 6
8 4 5 23 33 4 11 17
9 1 4 29 34 4 10 10
10 2 8 25 35 5 2 27
11 6 8 24 36 2 11 29
12 2 11 27 37 1 8 5
13 2 10 12 38 3 11 39
14 5 2 9 39 4 2 23
15 4 5 7 40 4 7 39
16 1 3 32 41 5 5 45
17 6 3 9 42 1 3 10
18 6 11 15 43 5 6 39
19 4 10 4 44 2 8 2
20 1 8 15 45 2 5 3
21 4 11 27 46 5 2 43
22 3 11 50 47 2 6 7
23 2 6 11 48 5 10 18
24 3 9 30 49 6 3 38
25 5 4 7 50 6 9 26
运用本文算法对表 4.3 所示 50 个出库任务求解得到的各提升机任务执行顺序

见表 4.4 所示，该结果的出库任务总用时为 406.7s，并将结果与企业目前采用的随
机结果进行对比。其中随机程序采取各出库任务使用距离最近的提升机运输载货
穿梭车的策略，每次随机生成 50 种提升机任务序列，随机 30 次取最优值，随机结
果见表 4.4，随机结果出库任务总同时为 475.3s。
通过表 4.4 结果可以看出，本文所提出的 GA-DPSO 算法一方面优化了各提升
机任务的执行顺序，另一方面通过引入同维度粒子位置块位置互换机制，优化了出
库任务的运输载货穿梭车提升机选择，如表 4.4 结果中的任务 41 和任务 22、任务
17 和任务 32、任务 40 和任务 26、任务 18 和任务 7、任务 33 和任务 20，进而提
升了系统的出库效率。
54
表 4.4 50 个出库任务 GA-DPSO 算法结果和随机结果

GA-DPSO 算法初始编码随机结果 GA-DPSO 算法求解结果
提升机 1 提升机 2 提升机 1 提升机 2 提升机 1 提升机 2
44 19 30 4 41 22
45 15 12 39 31 25
31 25 6 46 17 32
37 14 29 43 9 1
32 17 9 1 30 4
30 4 10 48 2 50
47 34 16 21 44 19
42 28 45 15 16 21
7 18 22 41 6 46
23 5 47 34 42 28
13 27 20 33 40 26
20 33 42 28 37 14
10 48 24 11 13 27
12 39 38 49 12 39
36 8 2 50 38 49
9 1 23 5 45 15
24 11 3 35 18 7
2 50 7 18 36 8
16 21 31 25 33 20
3 35 44 19 10 48
38 49 36 8 29 43
29 43 26 40 47 34
26 40 13 27 3 35
6 46 32 17 24 11
22 41 37 14 23 5
为进一步验证本文所提出的 GA-DPSO 算法效果，本文设置了 GA-DPSO 算法

与 DPSO 算法以及 GA 的对比实验。其中 DPSO 算法参数与 GA-DPSO 算法相同，
去除了选择交叉和变异的操作；GA 算法参数为种群数 n  50 ， tmax  2000 ，选择
操作采用轮盘赌，Pc  0.8 ，Pv  0.1 。将三种算法在批次订单任务数分别为 50、100、
150 的情况下进行求解，每个算法运行 30 次，取平均值作为最终结果，并与随机
结果进行对比。所得数据见表 4.5 所示。
55
表 4.5 三种算法在不同批次订单规模下的结果
算法均值标准差优化效率
订单数量随机结果算法
（s）（s）（%）
DPSO 430.1 3.87 8.64
50 470.8 GA 415.7 3.15 11.70
GA-DPSO 407.3 1.54 13.48
DPSO 882.3 12.78 9.65
100 976.5 GA 850.8 8.64 12.87
GA-DPSO 834.6 6.13 14.53
DPSO 1298.1 20.83 12.72
150 1487.3 GA 1267.0 14.1 14.68
GA-DPSO 1229.8 8.75 17.31
从表 4.5 结果中可以看出，本文所采用的 GA-DPSO 算法与 DPSO 算法和 GA

相比拥有更强的全局搜索能力，优化效率较 DPSO 算法和 GA 更高。同时 GA-DPSO
算法在多次运行中的标准差比另外两种算法更小，因此算法稳定性也更强。
不同批次订单规模下三种算法的迭代曲线如图 4.19 所示。
480
DPSO
作业时间（s）
460 GA
GA-DPSO
440
420
400
0 200 400 600 800 1000 1200 1400 1600 1800 2000
迭代次数（次）
（a）50 个出库任务下三种算法迭代曲线
1000
DPSO
作业时间（s）
950 GA
GA-DPSO
900
850
0 200 400 600 800 1000 1200 1400 1600 1800 2000
（b）100 个出库任务下三种算法迭代曲线
56
1500
DPSO
作业时间（s）
GA
1400 GA-DPSO
1300
1200
0 200 400 600 800 1000 1200 1400 1600 1800 2000
（c）150 个出库任务下三种算法迭代曲线
图 4.19 不同批次订单规模下三种算法的迭代曲线
从图 4.19 不同批次订单规模下三种算法的迭代曲线可以看出，本文采用的 GA-
DPSO 算法拥有更快的收敛速度，同时由于交叉变异操作的引入提升了算法的全局
搜索能力，使得算法能够不断的跳出局部最优解。
综上所述，本文所采用的 GA-DPSO 算法能够有效的解决四向穿梭车系统任务
调度的问题，提升系统的运行效率。
4.7 本章小结
本章针对四向穿梭车系统任务调度的问题进行了研究，首先构建了以提升机
作业时间为基础的任务调度模型，通过该模型可以得出批次订单的总出库时间。对
于任务调度中可能出现的碰撞问题，提出了基于路径时间窗的冲突类型判断和解
决方案。接下来应用基于遗传算法的离散粒子群算法对任务调度模型进行了求解，
设计了对各提升机分别编码的个体编码方案，并对算法的速度和位置更新方式进
行了改进。通过将遗传算法的选择交叉和变异操作引入离散粒子群算法中，提升了
离散粒子群算法的全局搜索能力。实验结果表明本文所提出的算法在收敛速度、全
局搜索能力、算法稳定性方面都有很大的提升。
57
第 5 章总结与展望
5.1 本文工作总结
本文对拥有较强柔性的四向穿梭车系统进行了研究。针对四向穿梭车系统设
计建造过程中穿梭车数量的配置优化问题和使用过程中的调度优化问题进行了研
究。本文主要工作和创新点如下：
1）对四向穿梭车系统的作业流程进行了介绍，在此基础上将订单的出库过程
分解为三个组成部分：提升机为订单运输空闲穿梭车、穿梭车取货并返回提升机处、
提升机运输载货穿梭车至第一层卸货，并对每个部分的平均服务时间进行了建模，
得到了出库任务的平均作业时间模型。并考虑了四向穿梭车系统实际运行过程中
穿梭车和出库任务之间的相互等待，构建了系统的半开环排队网络模型，根据出库
任务的平均作业时间模型计算出了排队网络中的节点服务率。
2）运用矩阵几何法对排队网络进行了求解，通过与仓库仿真程序运行结果进
行对比，验证了模型的正确性和所使用的矩阵几何法求解结果的准确性。接下来进
行了多组实验，对系统参数设置中的订单达到率、仓储货架的层数、仓储货架的列
数等影响穿梭车数量选择的因素分别进行了实验。给出了外部队列的平均顾客数、
系统中正在接受服务的平均顾客数、顾客在系统中的平均服务时间等系统性能在
不同系统参数设置下随穿梭车数量变化的结果，以指导企业在设计初期选择合适
的系统配置。
3）针对四向穿梭车系统的调度优化问题，构建了以提升机作业时间轴为基础
的系统批次订单的出库作业时间模型，即系统的任务调度模型。对系统任务调度中
可能出现的穿梭车路径冲突问题，提出了基于路径时间窗的冲突类型判断和冲突
消除方案。
4）使用基于遗传算法的离散粒子群算法对四向穿梭车系统的任务调度模型进
行了求解，提出了适用于四向穿梭车系统求解的个体编码方式，对算法的速度和位
置更新方式进行了改进。通过将遗传算法的选择交叉和变异操作引入到算法中，提
升了算法的全局搜索能力。最后运用具体实例证明了本文所提出的算法相较于离
散粒子群算法和遗传算法，在算法收敛速度、算法全局搜索能力、算法稳定性方面
都有很大的提升。
5.2 后续研究展望
虽然本文在四向穿梭车系统的配置优化和调度优化取得了一些研究成果，但
是由于四向穿梭车系统的复杂性，该系统仍然存在一些值得研究的问题：
1）本文所研究的四向穿梭车系统采取的是随机存储策略，但是对于一些货物
58
第 5 章总结与展望
类别较少的企业来说，可能更适合于采用分类存储策略或者基于周转率的存储策
略。存储策略的不同会对系统的配置优化及任务调度带来一定的影响，因此需要对
不同存储策略的系统进行研究。
2）本文提升机对穿梭车的任务响应采取的是串行处理策略，即穿梭车到达指
定位置后先申请，提升机再响应。在并行处理策略中提升机可以实现提前向目标位
置移动的方式，以进一步提升系统效率。因此对采取并行处理策略的四向穿梭车系
统值得进一步研究。
3）本文在四向穿梭车系统的配置优化和调度优化过程中没有考虑穿梭车电池
管理问题。当穿梭车使用过程中，特别是穿梭车利用率较高时，穿梭车充电所带来
的时间消耗会对系统性能造成一定的影响。因此需要对穿梭车电量对系统配置优
化和任务调度的影响加以考虑，并对充电策略进行研究。
59
参考文献
[1] Malmborg C J. Conceptualizing tools for autonomous vehicle storage and retrieval
systems[J]. International journal of production research, 2002, 40(8): 1807-1822.
[2] Malmborg C J. Interleaving dynamics in autonomous vehicle storage and retrieval
systems[J]. International Journal of Production Research, 2003, 41(5): 1057-1069.
[3] Marchet G, Melacini M, Perotti S, et al. Development of a framework for the design
of autonomous vehicle storage and retrieval systems[J]. International Journal of
Production Research, 2013, 51(14): 4365-4387.
[4] Kumar A, Roy D, Tiwari M K. Optimal partitioning of vertical zones in vehicle-
based warehouse systems[J]. International Journal of Production Research, 2014,
52(5): 1285-1305.
[5] Manzini R, Accorsi R, Baruffaldi G, et al. Travel time models for deep-lane unit-
load autonomous vehicle storage and retrieval system (AVS/RS)[J]. International
Journal of Production Research, 2016, 54(14): 4286-4304.
[6] Kuo P H, Krishnamurthy A, Malmborg C J. Design models for unit load storage and
retrieval systems using autonomous vehicle technology and resource conserving
storage and dwell point policies[J]. Applied Mathematical Modelling, 2007, 31(10):
2332-2346.
[7] Kuo P H, Krishnamurthy A, Malmborg C J. Performance modelling of autonomous
vehicle storage and retrieval systems using class-based storage policies[J].
International Journal of Computer Applications in Technology, 2008, 31(3-4): 238-
248.
[8] Fukunari M, Malmborg C J. An efficient cycle time model for autonomous vehicle
storage and retrieval systems[J]. International Journal of Production Research, 2008,
46(12): 3167-3184.
[9] Fukunari M, Malmborg C J. A network queuing approach for evaluation of
performance measures in autonomous vehicle storage and retrieval systems[J].
European Journal of Operational Research, 2009, 193(1): 152-167.
[10] Zhang L, Krishnamurthy A, Malmborg C J, et al. Variance-based approximations of
transaction waiting times in autonomous vehicle storage and retrieval systems[J].
European Journal of Industrial Engineering, 2009, 3(2): 146-169.
[11] Heragu S S, Cai X, Krishnamurthy A, et al. Analytical models for analysis of
automated warehouse material handling systems[J]. International Journal of
60
参考文献
Production Research, 2011, 49(22): 6833-6861.

[12] Ekren, Banu Y., et al. An approximate solution for semi-open queueing network
model of an autonomous vehicle storage and retrieval system[J]. IEEE Transactions
on Automation Science and Engineering ,2012,10(1) : 205-215.
[13] Roy D, Krishnamurthy A, Heragu S S, et al. Performance analysis and design trade-
offs in warehouses with autonomous vehicle technology[J]. IIE Transactions, 2012,
44(12): 1045-1060.
[14] Ekren, Banu Yetkin, et al. Matrix-geometric solution for semi-open queuing network
model of autonomous vehicle storage and retrieval system[J]. Computers &
Industrial Engineering, 2014,68: 78-86.
[15] Roy D, Krishnamurthy A, Heragu S, et al. Queuing models to analyze dwell-point
and cross-aisle location in autonomous vehicle-based warehouse systems[J].
European Journal of Operational Research, 2015, 242(1): 72-87.
[16] Roy D, Krishnamurthy A, Heragu S, et al. Stochastic models for unit-load operations
in warehouse systems with autonomous vehicles[J]. Annals of Operations Research,
2015, 231(1): 129-155.
[17] 方彦军, 唐猛. AVS/RS 系统动态分析及决策模型[J]. 自动化仪表, 2015, 36(1):
18-22.
[18] Roy D, Krishnamurthy A, Heragu S S, et al. A multi-tier linking approach to analyze
performance of autonomous vehicle-based storage and retrieval systems[J].
Computers & Operations Research, 2017, 83: 173-188.
[19] Heragu S S, Cai X, Krishnamurthy A, et al. Analysis of autonomous vehicle storage
and retrieval system by open queueing network[C]. IEEE International Conference
on Automation Science and Engineering. IEEE, 2009, 455-459.
[20] Marchet G, Melacini M, Perotti S, et al. Analytical model to estimate performances
of autonomous vehicle storage and retrieval systems for product totes[J].
International Journal of Production Research, 2012, 50(24): 7134-7148.
[21] Zou B, Xu X, De Koster R. Modeling parallel movement of lifts and vehicles in tier-
captive vehicle-based warehousing systems[J]. European Journal of Operational
Research, 2016, 254(1): 51-67.
[22] Epp M, Wiedemann S, Furmans K. A discrete-time queueing network approach to
performance evaluation of autonomous vehicle storage and retrieval systems[J].
[23] 方彦军, 唐猛. AVS/RS 系统冲突与死锁控制策略[J]. 自动化与仪表, 2014,
61
29(12): 1-4.
[24] 方彦军, 唐猛. 自动小车存取系统复合作业三维空间路径优化[J]. 计算机集成
制造系统, 2015, 21(3): 702-708.
[25] Lerher T, Ekren B Y, Dukic G, et al. Travel time model for shuttle-based storage and
retrieval systems[J]. The International Journal of Advanced Manufacturing
Technology, 2015, 78(9-12): 1705-1725.
[26] Lerher T. Travel time model for double-deep shuttle-based storage and retrieval
[27] Lerher T, Ekren B, Sari Z, et al. Method for evaluating the throughput performance
of shuttle based storage and retrieval systems[J]. Tehnički vjesnik, 2016, 23(3): 715-
723.
[28] Xu X, Shen G, Yu Y, et al. Travel time analysis for the double-deep dual-shuttle
AS/RS[J]. International journal of production research, 2015, 53(3): 757-773.
[29] Ning Z, Lei L, Saipeng Z, et al. An efficient simulation model for rack design in
multi-elevator shuttle-based storage and retrieval system[J]. Simulation Modelling
Practice and Theory, 2016, 67: 100-116.
[30] Borovinšek M, Ekren B Y, Burinskienė A, et al. Multi-objective optimisation model
of shuttle-based storage and retrieval system[J]. Transport, 2017, 32(2): 120-137.
[31] Tappia E, Roy D, De Koster R, et al. Modeling, analysis, and design insights for
shuttle-based compact storage systems[J]. Transportation Science, 2017, 51(1): 269-
295.
[32] Wang Y, Huang K, Zhang N. A model to estimate performances of multi-tier shuttle
warehousing system[C]. Chinese Automation Congress (CAC). IEEE, 2017, 4891-
4895.
[33] Lerher T. Aisle changing shuttle carriers in autonomous vehicle storage and retrieval
[34] Ha Y, Chae J. A decision model to determine the number of shuttles in a tier-to-tier
SBS/RS[J]. International Journal of Production Research, 2019, 57(4): 963-984.
[35] Ma Y, Wang J. Travel time analysis for shuttle-based storage and retrieval system
with middle input/output location[C]. International Conference on Service Systems
and Service Management (ICSSSM). IEEE, 2019, 1-6.
[36] Carlo H J, Vis I F A. Sequencing dynamic storage systems with multiple lifts and
shuttles[J]. International Journal of Production Economics, 2012, 140(2): 844-853.
[37] Wang Y, Mou S, Wu Y. Task scheduling for multi-tier shuttle warehousing systems[J].
62
参考文献

[38] 陈国真. 多层穿梭车仓储系统配置优化[D]. 山东大学, 2016.
[39] Cao W, Zhang M. The optimization and scheduling research of shuttle combined
vehicles in automated automatic three-dimensional warehouse[J]. Procedia
engineering, 2017, 174: 579-587.
[40] 张娜. 跨层穿梭车系统建模与优化[D].山东大学, 2018.
[41] 杨玮, 岳婷, 刘江, 等. 双载式多层穿梭车仓储系统复合作业路径优化[J]. 计
算机集成制造系统, 2018, 24(12): 3178-3188.
[42] 杨玮, 岳婷, 李国栋, 等. 子母式穿梭车仓储系统复合作业路径优化[J]. 计算
机集成制造系统, 2018, 24(9): 2349-2356.
[43] Lerher T , Sraml M , Kramberger J , et al. Analytical travel time models for multi
aisle automated storage and retrieval systems[J]. The International Journal of
Advanced Manufacturing Technology, 2006, 30(3-4):340-356.
[44] Jia J , Heragu S S . Solving Semi-Open Queuing Networks[J]. Operations Research,
2009, 57(2):391-401.
[45] Neuts M F . Matrix-geometric solutions in stochastic models : an algorithmic
approach[M]. Johns Hopkins University Press, 1981.
[46] Roy D . Semi-open queuing networks: a review of stochastic models, solution
methods and new research areas[J]. International Journal of Production Research,
2016, 54(6):1735-1752.
[47] 胡运权. 运筹学教程(第二版)[M]. 清华大学出版社, 2003.
[48] Garey M R,Johnson D S. Computers and Intractability: A Guide to the Theory of
NP-Completeness[M],San Francisco:Freeman WH,1979.
[49] 卢险峰. 最优化方法应用基础[M]. 同济大学出版社, 2003.
[50] S. Kirkpatrick, C. D. Gelatt, M. P. Vecchi. Optimization by Simulated Annealing[J].
Science,1983, 220:671-680.
[51] 李阳 , 李文芳 , 马骊 , 樊锁海 . 混合退火算法求解旅行商问题 [J]. 计算机应
用,2014,34(S1):110-113.
[52] Holland J H . Adaptation in Natural and Artificial System[M]. MIT Press, 1992.
[53] Deep K , Mebrahtu H , Nagar A K . Novel GA for metropolitan stations of Indian
railways when modelled as a TSP[J]. International Journal of System Assurance
Engineering and Management, 2018,9(3),639-645.
[54] Dorigo M , Maniezzo V , Colorni A . Ant system: optimization by a colony of
cooperating agents[J]. IEEE transactions on systems ,man and cybernetics part b
63
cybernetics a publication of the IEEE systems man and cybernetics society, 1996,
26(1):29-41.
[55] T. Srinivas Rao. An Evaluation of ACO and GA TSP in a Supply Chain Network[J].
Materials Today: Proceedings,2018,5(11).
[56] 钟一文, 杨建刚, 宁正元. 求解 TSP 问题的离散粒子群优化算法[J]. 系统工程
理论与实践, 2006(06):90-96.
[57] Kennedy J , Eberhart R . Particle swarm optimization[C]. Proceedings of ICNN'95
- International Conference on Neural Networks. IEEE, 1995, 1942-1948.
[58] Eberhart, Shi Y . Particle swarm optimization: developments, applications and
resources[C]. Proceedings of the IEEE Conference on Evolutionary Computation.
IEEE, 2001, 81-86.
64
附录出库任务货位列表
1、100 个出库任务货位列表

1 6 11 39 51 2 9 22
2 6 5 38 52 2 6 13
3 1 3 10 53 2 8 8
4 2 6 20 54 6 10 25
5 5 6 50 55 3 6 50
6 2 9 8 56 5 5 47
7 3 11 23 57 1 10 32
8 6 7 28 58 2 3 11
9 6 7 45 59 1 11 40
10 6 11 4 60 6 8 1
11 4 8 47 61 4 3 42
12 1 11 36 62 4 11 41
13 3 4 4 63 5 6 31
14 1 9 19 64 6 3 20
15 3 9 6 65 2 5 9
16 5 7 5 66 2 5 21
17 4 7 46 67 1 10 36
18 3 7 34 68 1 5 33
19 4 5 37 69 6 5 45
20 1 7 42 70 5 6 11
21 4 7 39 71 4 7 22
22 2 5 15 72 4 4 23
23 4 7 5 73 2 11 9
24 2 11 23 74 6 11 36
25 4 2 25 75 6 11 6
26 1 8 10 76 1 10 38
27 3 4 19 77 5 5 32
28 5 3 20 78 6 5 42
29 3 8 36 79 6 11 18
30 1 2 22 80 4 3 17
31 6 5 28 81 2 8 20
32 1 5 11 82 3 9 29
33 6 7 17 83 5 7 27
34 2 3 2 84 1 8 45
65
续表
35 6 8 50 85 4 5 36
36 4 10 50 86 4 9 18
37 4 4 35 87 6 8 7
38 3 5 41 88 1 4 2
39 6 2 35 89 2 6 18
40 4 10 5 90 1 11 14
41 2 3 32 91 3 10 26
42 1 5 4 92 6 6 32
43 5 5 38 93 6 4 14
44 4 3 3 94 6 5 34
45 1 9 38 95 3 5 35
46 2 11 12 96 1 3 5
47 2 3 38 97 6 10 20
48 1 10 9 98 1 7 17
49 3 6 11 99 4 9 33
50 3 8 47 100 5 6 35
2、150 个出库任务货位列表

1 2 7 9 76 4 8 29
2 2 6 15 77 4 10 30
3 1 10 1 78 6 5 4
4 3 5 31 79 1 6 42
5 5 11 36 80 2 9 33
6 3 8 28 81 5 8 9
7 5 9 44 82 5 6 9
8 2 3 1 83 6 9 28
9 3 9 9 84 5 9 1
10 2 6 49 85 5 5 7
11 2 8 37 86 5 2 31
12 2 10 37 87 6 10 49
13 4 7 40 88 1 4 45
14 2 5 8 89 4 7 27
15 4 6 26 90 1 5 21
16 6 7 38 91 2 7 31
17 6 6 17 92 6 2 30
18 3 6 35 93 1 8 30
66
续表
19 3 8 23 94 2 4 29
20 3 7 28 95 4 6 33
21 6 11 3 96 1 2 22
22 4 10 23 97 1 3 7
23 3 2 35 98 1 10 23
24 1 7 18 99 3 2 27
25 5 11 5 100 2 5 31
26 4 4 10 101 6 7 14
27 2 7 44 102 1 11 6
28 4 3 14 103 1 9 43
29 5 4 8 104 2 6 20
30 1 11 47 105 1 3 8
31 6 3 3 106 5 9 19
32 3 11 30 107 1 6 16
33 2 3 28 108 6 8 13
34 4 7 41 109 4 6 38
35 4 4 43 110 4 11 41
36 2 4 4 111 5 9 25
37 4 8 49 112 1 9 4
38 5 2 2 113 2 2 12
39 5 7 16 114 1 11 46
40 2 6 3 115 2 11 47
41 3 5 12 116 5 11 10
42 3 10 47 117 4 4 38
43 4 10 49 118 4 5 47
44 3 11 40 119 1 4 22
45 3 3 17 120 4 7 4
46 6 11 27 121 2 10 21
47 4 11 15 122 2 9 39
48 1 9 12 123 2 10 43
49 2 9 5 124 5 7 35
50 1 8 32 125 5 2 46
51 5 5 44 126 4 3 24
52 3 3 20 127 5 9 48
53 1 3 10 128 2 10 21
54 6 6 47 129 2 2 34
55 3 7 11 130 2 7 28
67
续表
56 6 10 40 131 6 7 2
57 5 11 36 132 4 6 29
58 1 6 36 133 5 4 20
59 3 2 34 134 4 3 5
60 6 7 27 135 4 5 45
61 4 5 34 136 2 2 28
62 6 4 48 137 3 2 22
63 6 3 24 138 6 8 37
64 3 11 26 139 1 3 26
65 6 4 16 140 3 7 23
66 3 6 49 141 1 6 19
67 1 4 13 142 3 9 22
68 1 2 8 143 4 10 10
69 6 3 40 144 5 5 42
70 6 8 37 145 5 7 6
71 4 4 43 146 2 3 2
72 4 7 21 147 5 9 2
73 1 7 35 148 5 11 10
74 6 6 43 149 6 6 41
75 1 2 27 150 6 7 22
68
作者简介及研究成果
作者简介及研究成果
作者简介：
段绿辉，男，1994 年 2 月 28 日出生于河南省驻马店市，汉族。2017 年 7 月
毕业于吉林大学通信工程学院自动化专业，并获得学士学位。2017 年 9 月于吉林
大学通信工程学院攻读控制理论与控制工程专业工学硕士学位。硕士期间主要的
研究方向为复杂系统建模、优化与控制。联系电话：
参与项目：
长春北方化工灌装设备有限公司项目：四向穿梭车系统开发
研究成果：
1、Zhen Sui, Luhui Duan, Tianchen Hou,Tianxing Zhang. Modeling and Scheduling of
tier-to-tier shuttle-based storage and retrieval systems[C]. The 38th Chinese Control
Conference, 2019. p2247-2253.
69
致谢
欢乐的时光总是过得很快，不知不觉间三年的研究生生活已经走到了尾声。往
前追溯，七年的吉大学习生涯也即将结束。回忆这七年的学习生涯，每天都过得充
实而且快乐。求知的路上并非一帆风顺，感谢良师益友一路上的帮助，值此毕业之
际，真诚的向他们说一声谢谢！
首先感谢我的研究生导师隋振老师。在这三年的研究生学习过程中，隋振老师
在学习上和生活上都给予了我很大的帮助。课堂上，隋振老师总是能将晦涩难懂的
理论知识描述的生动形象，能以清晰明了的实例问题来阐述问题的由来和发展，再
加上老师的诙谐幽默，隋振老师的课总是座无虚席。在论文的写作过程中，隋老师
不仅能够针对我所遇到的问题予以指导，而且教会了我从多角度思考问题，找到问
题之间的共通性，以一个更高的角度去分析解决问题。在隋振老师的悉心指导下，
我的科研能力、独立思考能力与解决问题的能力均得到了明显的提升。在日常生活
中，老师注重我们综合能力的培养，在为人处世、待人接物上予以我们指导。在老
师的谆谆教诲下，我的人际交往能力得到了很大的提升。在此再次感谢隋振老师，
祝您身体健康，万事如意！
其次，感谢实验室的同学以及师兄师弟们陪伴与帮助。感谢徐峰师兄、苏振东
师兄、梁硕师兄、姜源师兄在我研究生学习过程中的帮助，为我解答学习中遇到的
一些问题，引导我逐渐适应研究生的学习生活，并且在人生道路的选择上给予我的
帮助。感谢吴涛师弟、张天星师弟、陈华锐师弟在科研和生活中提供的帮助，有了
你们，生活中总是充满了乐趣。尤其感谢侯天晨一直以来的陪伴，很荣幸能够和你
一起学习生活，一起思考问题，一起为项目加班加点，一起面对生活中的困难，一
起为成功而欢呼。感谢你们，让我能够有机会加入到一个温暖和谐、勤奋向上的实
验室。
同时还要感谢我的室友胡航玮、郭洋洋、侯天晨、朱超杰。很庆幸人生的道路
上遇到你们，怀念与你们一起战斗的日子，一起碰运气的时光。非常开心能够和你
们做朋友，这份友情将会是我人生宝贵的财富，祝你们前程似锦。
最后，特别感谢我的父母和家人。感谢我的父母，感谢你们含辛茹苦的抚养，
感谢你们身教胜于言传的教育方式，感谢你们在我人生道路上的支持与帮助。感谢
关心我的哥哥们，你们是我成长的榜样。
再次衷心地感谢帮助过我的每一个人，你们是我生命中宝贵的财富。
70

四向穿梭车系统配置优化与调度算法研究 段绿辉

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

四向穿梭车系统配置优化与调度算法研究 段绿辉

Uploaded by

Copyright:

Available Formats

分 类 号：TP278 单位代码：10183

Research on Configuration Optimization and Scheduling

Research on Configuration Optimization and Scheduling

Research on Configuration Optimization and Scheduling Algorithm

首次构建了有区域限制的 AVS/RS 仿真模型，分析了垂直区域的数量对系统性能

为了对比 AS/RS 和 AVS/RS 两种系统，Heragu（2011）使用开环排队网络（Open

根据 Ekren（2012）的研究，将 AVS/RS 建模为 OQN 默认系统中有无数的小

CQN 都与实际情况有一定的偏差，因此一些学者将 AVS/RS 建模为半开环排队网

（2014）对多层的 AVS/RS 构建了拥有三个节点的 SOQN 模型，通过合并最后两

型对系统的小车驻留点的选取原则进行了分析，并使用 MGM 进行求解，结果表

明系统采取默认停留任务结束时的位置的策略更适合 AVS/RS 系统 。Roy（2015b） [15]

将 AVS/RS 系统层之间的运输建模为具有确定性服务时间的 FCFS 串联节点，将各

SOQN 中任务在各站点的服务时间，并运用迭代算法进行了求解 。 [18]

2）基于层的 AVS/RS 研究现状

Marchet（2012）运用开环排队网络对基于层的 AVS/RS 进行建模，用于分析货物

将分叉-汇合排队网络模型应用于基于层的 AVS/RS 中，并提出了小车和提升机并

上述研究主要针对系统的性能分析，忽略了 AVS/RS 系统中小车的冲突和死锁

（2016a）提出了计算 SBS/RS 系统吞吐量性能的计算方法 。进一步的，Lerher [26]

（2016b）对使用双深位货架的 SBS/RS 系统构建了解析的旅行时间模型 。考虑 [27]

系统性能的影响 。Borovinšek 提出了一种多目标优化设计方法，优化目标为最小

穿梭车系统进行了旅行时间的建模，用于分析系统的吞吐性能 。Ha 考虑了货架 [33]

的时间模型，结果表明该系统与 I/O 点位于巷道末端相比拥有更好的性能 。 [35]

对跨层穿梭车系统调度优化进行了求解 。杨玮（2018a）对双载式多层穿梭车系 [40]

穿梭车系统 提升机 四向穿梭车系统

四向穿梭车系统出库作业流程图如图 2.5 所示。

Heragu（2011）使用开环排队网络网络对系统性能进行估计 。根据 Ekren（2012）

的研究，将 AVS/RS 建模为开环排队网络默认系统中有无数的小车，将 AVS/RS 建

4）穿梭车和提升机默认停留在当前任务结束时的位置，即 Point Of Service

其中 l 为单个货位沿 X 轴的长度，W 为单个货位沿 Y 轴的长度，h 为单个货位

综合 3.2 节以及图 3.4，可以得到穿梭车服务节点的服务率 1 如式 3.22 所示。

图 3.4 所示排队网络的状态转移过程如图 3.5 所示

S0 S1 Sj(j+1)/2 S(V-1)V/2 S(V+1)V/2 S(V+1)(V+2)/2 Si(V+1)+V(V+1)/2

令  m 为状态 sm 的稳态概率。定义稳态概率向量如式 3.25 所示。

πi 为 neq  i, i  1 时稳态概率向量，如式 3.27 所示。

其中， B 00 为状态向量 π 0 到 π 0 的转移矩阵

B10 为状态向量 π1 到 π 0 的转移矩阵

A 为状态向量 πi 到 πi1 ， i  1 的转移矩阵

C 为状态向量 πi1 到 πi ， i  1 的转移矩阵

由稳态条件可知状态向量与状态转移矩阵满足式 3.30 所示关系。

由式 3.30 可以得到 π 0 和 π1 满足式 3.35 所示关系

根据 Little 法则 ，顾客在系统中的平均服务时间可通过式 3.40 计算。

穿梭车纵向导轨宽度（m） WSD 0.76

本文通过采用 MATLAB 编程模拟仓库运行的方式进行仿真，编写的仿真程序

表 3.8 N  11， C  50 ， V  3 时系统性能随  变化数据

表 3.9 N  11， C  50 ， V  4 时系统性能随  变化数据

表 3.10 N  11， C  50 ， V  5 时系统性能随  变化数据

表 3.11 N  11， C  50 ， V  6 时系统性能随  变化数据

表 3.12 N  11， C  50 ， V  7 时系统性能随  变化数据

从表 3.7 至表 3.12 以及图 3.8 至图 3.10 可以看出，系统外部队列的平均顾客

表 3.13   110 ， C  50 ， V  3 时系统性能随 N 变化数据

表 3.14   110 ， C  50 ， V  4 时系统性能随 N 变化数据

表 3.15   110 ， C  50 ， V  5 时系统性能随 N 变化数据

表 3.16   110 ， C  50 ， V  6 时系统性能随 N 变化数据

表 3.17   110 ， C  50 ， V  7 时系统性能随 N 变化数据

根据表 3.13 至表 3.17 数据，绘制系统性能参数变化图如图 3.11 至图 3.13 所

表 3.18 N  11，   120 ， V  4 时系统性能随 C 变化数据

表 3.19 N  11，   120 ， V  5 时系统性能随 C 变化数据

表 3.20 N  11，   120 ， V  6 时系统性能随 C 变化数据

表 3.21 N  11，   120 ， V  7 时系统性能随 C 变化数据

根据表 3.18 至表 3.21 数据，绘制系统性能参数变化图如图 3.14 至图 3.16 所

根据图 3.1 所描述的穿梭车和提升机运行特征我们可以知道，令 S S 为穿梭车

用提升机 2 运输其各自载货穿梭车。 A1 、 A2 、 A3 、 A4 分别依次代表提升机运输第

其中 n 1, 2,..., O ，为待执行的使用提升机 K 运输载货穿梭车的出库订单任务号。

四向穿梭车系统配置优化与调度算法研究段绿辉

四向穿梭车系统配置优化与调度算法研究段绿辉

分类号：TP278 单位代码：10183

明系统采取默认停留任务结束时的位置的策略更适合 AVS/RS 系统。Roy（2015b） [15]

SOQN 中任务在各站点的服务时间，并运用迭代算法进行了求解。 [18]

（2016a）提出了计算 SBS/RS 系统吞吐量性能的计算方法。进一步的，Lerher [26]

（2016b）对使用双深位货架的 SBS/RS 系统构建了解析的旅行时间模型。考虑 [27]

系统性能的影响。Borovinšek 提出了一种多目标优化设计方法，优化目标为最小

穿梭车系统进行了旅行时间的建模，用于分析系统的吞吐性能。Ha 考虑了货架 [33]

的时间模型，结果表明该系统与 I/O 点位于巷道末端相比拥有更好的性能。 [35]

对跨层穿梭车系统调度优化进行了求解。杨玮（2018a）对双载式多层穿梭车系 [40]

穿梭车系统提升机四向穿梭车系统

Heragu（2011）使用开环排队网络网络对系统性能进行估计。根据 Ekren（2012）

根据 Little 法则，顾客在系统中的平均服务时间可通过式 3.40 计算。

hard 问题，即找不到一个多项式时间算法来求其最优解。 [48]

粒子群算法于 1995 年由 Kennedy 和 Eberhart 提出，是一种利用群体之间信 [57]

任务编号巷道数层数列数任务编号巷道数层数列数

任务编号巷道数层数列数任务编号巷道数层数列数