0 引 言

现有大多数电能表智能仓储大多采用PLC程序设置的方式实现釆购、入库、出库、结算的节拍控制，这种方式在实际的生产过程中解决了很多人工无法解决的难题，但是仍旧存在电能表器具识别慢、信息化程度差的问题[1,2]。

针对上述技术的不足，相关学者对仓储信息化管理系统进行大量研究和多次试验。参考文献[2]公开了一种传统的RFID(射频识别)手持机管理，该技术方案使用手持机进行单据确认、盘点、查询统计，在识别电子编码上精确率较高，但不具有灵活性，监测扫描效率比较低。参考文献[5]采用了人工智能中K-means聚类算法，来解决智能仓储管理中的电能表计量器具的分类问题。该方案利用结合ABC分析法对不同的商品进行聚类存储，提高了仓储空间的使用率，但是在出库入库时容易导致路径堵塞，增加了货品出入库时间[3]。

1 总体方案设计

本研究具有以下创新点：①将无人机与射频识别技术相结合并引进帧时隙ALOHA算法(PLAFS高速移动通信数据传输协议)来进行电子编码的识别，该技术在读写设备与电子标签之间能够实现无碰撞，对货品信息读取率和精确度可达到95%以上，保证了射频识别的有效性，使仓储管理更便捷，同时无人机比人工更容易达到仓储的角落和高处，提高了管理的效率[4]。②在输送系统结构利用货位路径协同优化算法，对相似度高的货品计算最佳路径，在传输过程中以免造成拥堵，该技术能够使出货速率更快、出库入库时间更短，实现了智能化仓储的管理[5]。整体构架如图1所示。

图1 智能仓储管理整体构架图 

在图1的智能化仓储设计中，包括输送模块层、智能技术层、信息处理层以及后台监测层4个结构层面。其中输送模块层主要从外界输送进仓储，然后由输送机器放入对应的货架上，监测货品的信息是否满足入库要求，然后根据货品的编码信息实行分类，并将货物的信息通过无线通信传输到数据中心。期间无需工人进行管理操作，实现了自动化仓储信息管理[6]。信息处理层主要接收来自无人机单元传输的货品信息并进行数据处理，然后将信息发送到后台监测系统。后台监测层接收来自信息处理层的信息，通过计算机显示器进行后台货品信息的监测[7]。所以近年来无人机技术在智能仓储信息化管理上得到了广泛的应用，自动化是未来各行各业的发展趋势。在工业领域引进无人机技术，通过计算机软件编程，以满足企业各方面的需求[8]。

2 优化方案关键技术设计

2.1 无人机用改进型射频识别技术

为了更好地发挥射频识别过程的性能，在原有的基础上需要引进帧时隙ALOHA算法来提高系统的性能[8,9]。该技术为区别于其他射频识别技术的重要技术要点。在智能化仓储管理系统中，系统的识别效率标示为：

η=m(1M)(1−1M)m−1$\text{η}=\text{m}\left(\frac{1}{\text{Μ}}\right)\left(1-\frac{1}{\text{Μ}}\right){}^{\text{m}-1}$ (1)

式中，m为未识别的信息标签总和，M为每帧的帧长，要使系统的效率达到最高，就要使M的值降到最小，可以得到：

dηdM=[m(1M)(1−1M)]m−1$\frac{\text{d}\text{η}}{\text{d}\text{Μ}}=\left[\text{m}\left(\frac{1}{\text{Μ}}\right)\left(1-\frac{1}{\text{Μ}}\right)\right]{}^{\text{m}-1}$ (2)

由上式可知，当M值很大时候，式(2)化简成为M≈m, 假如在某个时隙中出现的信息标签个数的几率为：

P(X=r)=Crm(1M)r(1−1M)m−r$\text{Ρ}\left(\text{X}=\text{r}\right)=\text{C}{}_{\text{m}}^{\text{r}}\left(\frac{1}{\text{Μ}}\right){}^{\text{r}}\left(1-\frac{1}{\text{Μ}}\right){}^{\text{m}-\text{r}}$ (3)

当一个帧内的时隙数小于没有识别的标签总数量时，发生标签碰撞的几率就会增大，所以在M时隙的选择上要与没有辨别的电子标签数量要相对应，估算出没有辨别的电子标签数量与最大M时隙进行对比以确定分组。在每一个识别周期内，读写设备能够识别帧长信息和分组信息，电子标签会接收到该信息，依据自身的状况形成识别码。表1为未读标签的数目数量、帧长L与分组数的情况。

表1 未读标签数与帧长及分组数之间的关系 

由表1可知，给定的最大帧长为256,当未识别的标签数目达到并超出256时，需要将读写设备作用领域之内的标签分为休眠组和待命组，将未读标签的待命组的数量定位于帧长相近的数，以方便匹配设定的最大帧长。当一轮读取识别结束以后，读写器会计算空的时隙数和成功识别的标签数量等。在数据传输阶段，射频识别的读写识别设备与电子标签之间能够实现无碰撞，在标签识别过程中，提高了识别货品信息的正确率，保证了射频识别的有效性[10]。

2.2 货位路径协同优化算法

本研究将货物最佳出库路径和货品的相关性结合起来，提出货位路径协同优化算法，有效缓解AGV路径拥堵，提高出货效率。图2为货位规划和路径规划同优化算法流程图。

首先计算货品间的相似度，以货架承受数量最大化对货品聚集分类；然后再计算聚集类的货品相似度；之后再计算各个货架的最佳出货路径。

使用余弦相似度算法将数据相似度计算出来并统计出库次数，结合相似度按照货架的种类对当前货品进行分类，分类出库频率为当前货品中出库频率最高的物品，分类的出库次数批次为当前分类物品中出库频率数前20%的货品出库批次总和。计算货物间余弦值算法如下：

cos(x,y)=∑ni=1xi*yi∑ni=1x2i√*∑ni=1y2i√   (4)$\cos \left(\text{x},\text{y}\right)=\frac{{\displaystyle {\sum }_{\text{i}=1}^{\text{n}}\text{x}}{}_{\text{i}}*\text{y}{}_{\text{i}}}{\sqrt{{\displaystyle {\sum }_{\text{i}=1}^{\text{n}}\text{x}}{}_{\text{i}}^2}*\sqrt{{\displaystyle {\sum }_{\text{i}=1}^{\text{n}}\text{y}}{}_{\text{i}}^2}}(4)$

图2 货位规划和路径规划同优化算法流程图 

货品余弦值减去1再取绝对值，绝对值越小就证明货品越相似。设定一个阀值η,计算出的相似度小于η的货架则认为是高度相似的货架，那么算法就会难以选出最优解，η过小时会导致选择不出足够相似度的货架，最终选取η=0.25为协同优化算法的值。

货位路径协同优化的第二步计算每个摆放货架位置，根据路径规划算法计算出单独出货的最佳路线，即最快的出库方式。在获得并记录各个货架位置最佳出货路径后，开始对货架位置综合计算。

货位路径协同优化算法具体步骤为：

① 获取所有没有入库的货架号放入集合A,随机生成一个数，将放入的个体记为集合B。因此，为防止再次选中，货架要从之前的集合A除去，经过不断生成除去，直至取完集合A里的所有数。完成初始种群生成后，计算该种群的适应值。计算适应值fit:

fit=f×(α×Bestpath+β×∑i=1NRelatpathi)   (5)$\text{f}\text{i}\text{t}=\text{f}\times \left(\text{α}\times \text{B}\text{e}\text{s}\text{t}\text{p}\text{a}\text{t}\text{h}+\text{β}\times {\displaystyle \sum _{\text{i}=1}^{\text{Ν}}\text{R}}\text{e}\text{l}\text{a}\text{t}\text{p}\text{a}\text{t}\text{h}{}_{\text{i}}\right)(5)$

其中，f为货架的出入货频率，此参数可以放大整体的适应度，使出货频率影响到货架摆放位置；Bestpath为当前货架最佳出库路径；∑i=1NRelatpathi${\displaystyle \sum _{\text{i}=1}^{\text{Ν}}\text{R}}\text{e}\text{l}\text{a}\text{t}\text{p}\text{a}\text{t}\text{h}{}_{\text{i}}$是所有相似度较高的货架出库路径重合量的和，可用来降低冲突发生；α和β为权重系数，满足α+β=1下，调节参数之间的权重比。按照适应度函数分析看，它与未入库货架的出库频率、最佳路线长度成正比。

② 在完成适应度计算后，算法开始代数迭送，使用锦标赛法选取算子，在算子群中随机挑选一个个体并比较算子的适应度，选择优质的个体进行交叉生成下一代。交叉操作时，选取集合B中任意两个个体，将其中一个个体某一段截取出来留给下一代，再将另一个在保证完整下按其顺序依次放入下一代中。在个体变异的情况下选择离散变异方式，变异率P取0.7/chrom_lengtg(编码长度),在个体变异的过程中会产生随机值，当随机值小于异变值时执行异变。如果货位数大于货架数，异变数位取奇数；如果等于时取偶数，新的个体将重新放入种群中。算法判断是迭送代数是否满足迭代终止要求，若满足，则选最优个体为终解。

3 实验与分析

本次实验中，实验参数为：选用Ubuntu9.04作为操作系统平台，Matlab6.0为仿真软件，设置CPU为4*Intel Atom处理器，内存DDR2 1 GB,Java虚拟机Sun JDK1.5.09。

3.1 无人机技术验证

应用电能表智能仓储管理的电子标签信息通常采用SGTIN-96编码结构，如表2所列。

表2 仓储管理系统电子标签编码结构 

在本研究中心利用射频识别的中间件通过网络连接到RFID阅读器，通过自身的串口与阅读器相连。图3为本文研究技术方法与参考文献[2]技术进行信息识别时间的比较。

图3 出库总耗时对比图  

由图3所示实验结果可以看出，在进行货品标签信息识别的过程中，在读取25个标签数时，参考文献[2]需要时间为2分钟，而无人机射频识别方法需要的时间则需要1分钟，那么本文方法对仓储管理的效率上是参考文献[2]方法的2倍之余。

3.2 货位路径协同优化算法

本研究对比了两种算法在所有批次出库总耗时方面，利用最优值、平均值和方差来作为算法稳定性的评价指标，最优值为以上协同优化算法，计算平均值和方差指标：

平均值:X¯¯¯=∑ni=1Xin   (6)方差:S2=∑ni=1(Xi−X¯¯¯)2n−1   (7)$\begin{array}{l}\text{平}\text{均}\text{值}:\overline{\text{X}}=\frac{{\displaystyle {\sum }_{\text{i}=1}^{\text{n}}\text{X}}{}_{\text{i}}}{\text{n}}(6)\\ \text{方}\text{差}:\text{S}{}^2=\frac{{\displaystyle {\sum }_{\text{i}=1}^{\text{n}}\left(\text{X}{}_{\text{i}}-\overline{\text{X}}\right)}{}^2}{\text{n}-1}(7)\end{array}$

其中，n为给定的相似货品的样本集合，Xi表示各个货品的信息。式(6)平均值描述的是相似货品集合的中间点，式(7)方差是各个数据分别与平均数之差的平方和的平均数。由此本研究得出如表3所列数据。

表3 算法数据分析表 

从表3中的结果可以看出，协同优化算法最优值低于遗传算法1.5%;在平均值方面，协同优化算法低于遗传算法18.8%;由方差数据可知，本文仓储管理协同优化算法的系统稳定性远远高于遗传算法。

图4为不同算法出库总耗时对比图。

图4 出库总耗时对比图   

由图4可知，遗传算法出入库耗时不稳定，说明路径容易形成拥堵，而协同优化算法的出库任务总耗时比较稳定，不易发生拥堵，且货品出入库所消耗的时间也更短。

4 结 语

本研究应用无人机技术实现电能表智能仓储信息化管理系统，该研究采用无人机射频识别技术和货位路径协同优化算法，使仓储走向自动化管理，而无人机比工人更容易达到仓储的角落和高处，利用货位路径协同优化算法计算出最优路线和最佳放置位置，缩短货品出库入库的时间，提高了仓储空间的管理能力。本研究测试使用这两种技术，在无人机电能表仓储信息化管理上得到了使用。