立体仓库结合AGV小车已在物流公司和制造企业广泛应用。立体仓库货位优化是最近一年来学者的研究热点。文献[1]和文献[2]都考虑货架稳定性和出入库效率的多目标优化，并各自提出了基于模拟退火遗传算法进行求解。文献[4]以出入库效率为调度目标，采用匈牙利法进行求解。文献[5]构建了以提高货架稳定性和减少订单挑选距离为目标的货位优化模型，并运用FP-tree算法挖掘货物间的关联规则存储货物。文献[6]以产品出入库效率、货架重心和产品聚集度为目标，并分别提出了改进混合跳蛙算法和带有精英保留策略的快速非支配多目标优化算法。

目前针对货位优化的研究主要以货架稳定性和出入库效率为优化目标。虽然可以自动计算得到可行货位，然而往往与操作员习惯上的理想货位还存在差距。利用基于机器学习的人工智能方法，可以自动选取得到比较符合操作员要求的货位。另外，在货物的出入库过程中，往往会存在很多突发状况，例如紧急优先出入库任务的出现，预先分配给AGV小车的运输计划将会被打扰，需要建立一套柔性鲁棒性强的调度方法来应对紧急任务。

基于目前立体仓库广泛采用的货架和AGV小车配置方式。立体仓库的特点和功能需求可以总结为以下五方面：(1)仓库中有多排多层货架，每层有多个货位，货位有多种长宽高各不相同的规格，每个货位只能存放一个栈板；(2)有多种不同长宽的栈板，栈板的高度由栈板存放的货物决定；(3)只要货位空间足够容纳栈板，每个货位可以存放的货物类型没有限制，然而各种货物通常有习惯存放位置；(4)车间有多辆AGV小车，AGV小车自带导航系统，能自动搬运货物栈板到指定货位；(5)仓库存在紧急出入库任务，AGV小车需要优先响应紧急任务。

当出现需要新增入库的栈板，将自动分配货位并放入运输任务池堆栈中。新增入库任务流程如图1所示，通过传感器自动检测栈板的长宽高，作为新增入库参数，也可以通过手动添加该参数，并输入货物类型。当前所有货位的使用状态可以从数据库读取获得，将这些参数一起输入到决策模型中，能自动获得推荐货位。

图1 新增入库任务流程图   下载原图

首先，采集记录每次选仓时所有仓位的状态，作为机器学习的特征参数。

在数据库中增设一个储存当前所有货位状态的字段，每次选取货位时，当前各个货位的状态分别以0表示可用和1表示已占用，所有货位的状态组成二进制编码储存到该字段中，并保存当前栈板的长宽高、货物类型信息和被选中的货位位置信息。经过上万次货位选取，即在数据库中保存上万条记录作为历史基础数据。

其次，选取特征参数和标签并作预处理。

因为机器学习的支持向量机和随机森林算法只能识别二进制基础数据参数，因此读取数据库的数据后需要对数据进行预处理。对栈板的长宽高数据和货物类型进行one-hot编码，将长宽高的数值和货物类型转换为二进制参数向量。同时将货位状态的二进制编码转换为参数向量，并将被选中的货位信息作为标签量。

最后，训练对比预测准确率，得到决策模型。

对历史基础数据经过上述预处理之后，将数据平均分成五等份，其中四等份作为训练数据，剩下一等份作为测试数据，这五等份分别轮流作为训练和测试数据，分别输入到典型的支持向量机和随机森林算法中，经过五轮训练运算求准确率的平均值。将平均准确率最高的预测模型作为自动选取货位的决策模型。

通过机器学习决策模型得到推荐货位之后，操作员可以根据偏好将存放位置进行修改并选择每条出入库任务的优先级。确定栈板存放的货位之后，不需要立即主动呼叫AGV小车前来搬运，而是先将栈板放进出入库输运任务池堆栈中，系统按优先级将出入库任务进行排序。

AGV小车执行任务流程如图2所示，AGV小车在每次执行完当前任务后，将主动读取运输任务池堆栈中的信息。如果堆栈中信息为空，则AGV小车转到待机状态；否则，读取并执行任务池堆栈中排在最前面的优先任务，同时删除任务池中该条任务。

当任务池有了新任务，而AGV小车处于待机状态，此时操作员可主动呼叫唤醒AGV小车。与每次选定货位后就指派AGV小车搬运的方式相比，在有紧急件插入等突发状况时，本文所提的柔性鲁棒运输调度机制能显示出巨大优越性。

经过机器学习得到决策模型，将决策模型嵌入到立体仓库管理软件中，结合当前仓库的状态信息，可以自动获得符合货物存放习惯的货位。将出入库任务按优先级排序放在堆栈中，让AGV小车主动提取运输任务，可以使多辆AGV小车协调工作，快速响应优先运输任务并使计划与执行完全一致。

图2 AGV小车执行任务流程图