張富強(qiáng)，許鋒立，邵樹軍，杜 超

(1. 長安大學(xué)道路施工技術(shù)與裝備教育部重點實驗室，陜西 西安 710064；2. 長安大學(xué)智能制造系統(tǒng)研究所，陜西 西安 710064；3. 陜西法士特齒輪有限責(zé)任公司，陜西 西安 710119；

1 引言

隨著以物聯(lián)網(wǎng)和大數(shù)據(jù)為代表的信息技術(shù)的發(fā)展，智慧物流的出現(xiàn)推動了制造業(yè)企業(yè)轉(zhuǎn)型與降本增效的速度，對資源優(yōu)化配置與可持續(xù)發(fā)展有著重要的現(xiàn)實意義。作為智慧物流貨物存儲的新形態(tài)，共享倉儲將逐漸社會化的倉儲資源和趨向?qū)I(yè)化的物流服務(wù)緊密結(jié)合，通過將倉儲和服務(wù)有機(jī)結(jié)合的方式，為制造企業(yè)提供了從采購到配送的一體化服務(wù)平臺[1，2]?，F(xiàn)代企業(yè)要求倉儲需求可以得到快速的響應(yīng)，同時在不影響生產(chǎn)的前提下讓物流的成本盡可能低，而共享倉儲就可以實現(xiàn)這些要求。實時、準(zhǔn)確、高效的倉儲貨物動態(tài)盤點是實現(xiàn)共享倉儲貨位動態(tài)分配與智能化管控的關(guān)鍵。

傳統(tǒng)的貨物盤點由人工進(jìn)行，消耗大量的時間，并易出現(xiàn)盤點錯誤，無法獲取實時的數(shù)據(jù)支持，準(zhǔn)確掌握物品庫存；掃碼槍盤點技術(shù)的出現(xiàn)雖然減少了人工盤點出現(xiàn)錯誤的情況發(fā)生，但還需要人工參與[3]。共享倉儲總體積龐大，貨架與貨格布置繁多，貨物流通速度快，大大增加了盤點的難度與速度要求，同時共享倉儲庫存貨物種類越來越多，對于盤點的精度要求也大大提高，傳統(tǒng)的盤點技術(shù)已無法滿足要求。因此，將基于物聯(lián)網(wǎng)的自動定位系統(tǒng)加入到共享倉儲動態(tài)盤點過程中，具有重要的工程應(yīng)用價值和理論研究意義。

共享倉儲一般為室內(nèi)環(huán)境，而在目前的室內(nèi)無線定位技術(shù)中，RFID(Radio Frequency Identification)定位技術(shù)以其成本低、實時性、布置方便、非視距性等優(yōu)點，使其在制造領(lǐng)域的各個方面得到了成熟的應(yīng)用和推廣[4-8]。目前基于RFID的室內(nèi)定位技術(shù)有測距和非測距兩種。非測距技術(shù)的定位方法雖然操作簡單，但其定位精度難以滿足智慧倉儲對貨物的定位精度要求；測距定位技術(shù)中的TOA、TDOA、AOA等相關(guān)定位方法成本比較高，同時需要一系列的硬件設(shè)備支撐才能完成定位。RSSI(Received Signal Strength Indication)定位算法不需要添加額外的設(shè)備即可完成定位，并且功耗相對于其它方法低[9]，因此本文采用基于RSSI的定位方法。

目前國內(nèi)外學(xué)者對于RSSI定位技術(shù)進(jìn)行了深入的研究，但仍存在一些不足。宋寧佳等提出的GA-GRNN定位算法，在一定程度上提高了空間物體的定位精度，但是模型存在收斂速度慢、得出的解不一定是全局最優(yōu)解的問題[10]。鄧昀等提出的定位算法以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，雖然算法受到數(shù)據(jù)存在較大偏差的限制，同時需要大量的數(shù)據(jù)進(jìn)行模型的訓(xùn)練，但定位精度有所提高[11]。文獻(xiàn)[12]則提出了融合信號強(qiáng)度與到達(dá)角度的定位方法，但這種方法需要提前設(shè)置相應(yīng)的信標(biāo)節(jié)點，定位方法復(fù)雜。Byrne等以RSSI定位算法為基礎(chǔ)得到優(yōu)化算法并應(yīng)用于室內(nèi)定位，結(jié)果表明該算法一定程度上提高了定位精度，但該算法在信號干擾強(qiáng)度大的環(huán)境應(yīng)用不多[13]。Zhang[14]等使用直接路徑信號對待定位目標(biāo)進(jìn)行定位，但是在多徑效應(yīng)影響下，無法精確定位物體的位置。

為了進(jìn)一步提高復(fù)雜環(huán)境下共享倉儲貨物動態(tài)盤點的抗干擾能力與定位精度，本文通過對數(shù)路徑損耗模型來加強(qiáng)復(fù)雜環(huán)境下RSSI定位技術(shù)的定位穩(wěn)定性，引入粒子群算法(Particle Swarm Optimization，PSO)對灰狼算法(Grey Wolf Optimization Algorithm，GWO)的位置更新過程進(jìn)行改進(jìn)，提高灰狼個體與自身經(jīng)驗的信息交流，得到粒子群優(yōu)化后的灰狼算法PSO-GWO(Hybrid Algorithm of Particle Swarm Optimization and Grey Wolf Optimization)，通過仿真與標(biāo)準(zhǔn)的灰狼算法進(jìn)行了比較，驗證了改進(jìn)后定位算法的優(yōu)越性。

2 共享倉儲貨物的空間定位模型

相比于傳統(tǒng)的物流倉儲，共享倉儲可實現(xiàn)社會倉儲資源供需匹配，有效提高資源利用率和降低成本，符合物流行業(yè)的可持續(xù)發(fā)展的需求?；趥}儲環(huán)境復(fù)雜、貨物種類眾多、倉儲作業(yè)繁重、全信息化管理等特征，本文將基于RSSI與優(yōu)化灰狼算法融合的三維空間定位技術(shù)引入動態(tài)盤點作業(yè)，從而提高倉儲盤點的精度與速度。

2.1 RSSI測距模型

基于RSSI的無線定位技術(shù)，可以實現(xiàn)信號強(qiáng)度向距離的轉(zhuǎn)變，然后通過定位模型實現(xiàn)未知節(jié)點的定位。能量-距離的轉(zhuǎn)換可以通過自由空間傳播模型進(jìn)行，如式(1)所示。

(1)

式中，Gr為接收信號天線的增益，λ為電磁波的波長，d代表閱讀器和標(biāo)簽間的距離，PEIRP代表信號功率。

在實際應(yīng)用時，盡管信號兩端距離是一樣的，但是周圍的環(huán)境存在較大的差別，此時直接應(yīng)用路徑損耗模型會產(chǎn)生較大的差別。可選擇對數(shù)路徑損耗模型來描述室內(nèi)復(fù)雜環(huán)境因素影響的無線信號所具備的傳輸特性，如式(2)所示。

(2)

式中，PL(d)表示傳輸d米時損耗的能量值，單位為dBm；d0為參考距離；PL(d0)表示傳輸d0米時損耗的能量值；γ是路徑損耗因數(shù)；Xσ為陰影衰落，是服從N(0，σ)的隨機(jī)變量。

假設(shè)d為標(biāo)簽與閱讀器間的距離，Pr(d)為接收端信號強(qiáng)度值，Pt為發(fā)射端信號強(qiáng)度值，并設(shè)RSSI0=Pt-PL(d0)是d0米處的信號強(qiáng)度值時，由此可以得到

(3)

2.2 RSSI定位模型

基于RSSI測距模型的未知節(jié)點定位的實現(xiàn)主要是通過空間中布置的RFID閱讀器，用于接收貼在貨物上的電子標(biāo)簽發(fā)出的信號，通過記錄信號強(qiáng)度，可以得到一組未知節(jié)點關(guān)于每個閱讀器的信號強(qiáng)度值。假設(shè)RFID空間中布置有n個閱讀器用于接收電子標(biāo)簽發(fā)出的信號同時記錄信號強(qiáng)度，閱讀器的坐標(biāo)分別為(Xi，Yi，Zi)，i=1，2，…n閱讀器接收到n個信號強(qiáng)度(RSSI1，RSSI2，…，RSSIn)；經(jīng)過測距模型將信號強(qiáng)度轉(zhuǎn)換成電子標(biāo)簽到每個閱讀器的距離(d1，d2，…，dn)；這樣未知節(jié)點的定位問題可以轉(zhuǎn)化為一個優(yōu)化問題。通過算法不斷迭代，計算出目標(biāo)函數(shù)的最小值，可以提高未知節(jié)點的定位精度。本文將待定位節(jié)點的坐標(biāo)作為自變量，以估計坐標(biāo)與實際坐標(biāo)到個閱讀器之間距離誤差最小作為優(yōu)化目標(biāo)，構(gòu)建目標(biāo)函數(shù)：

(4)

式中，(x，y，z)為待定位節(jié)點的估計坐標(biāo)，di為節(jié)點實際坐標(biāo)到第i個閱讀器之間的距離，通過測距模型換算可以得到，Di為(x，y，z)到第i個閱讀器之間的距離，定義為：

(5)

3 粒子群改進(jìn)灰狼算法

3.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法是澳大利亞格里菲斯大學(xué) Mirjalili 等于2014年提出的群體智能優(yōu)化算法[15]。鑒于該算法參數(shù)少、收斂性好和易實現(xiàn)等優(yōu)勢，本文結(jié)合上述模型采用該算法進(jìn)行求解。

1)社會等級分層(Social Hierarchy)

灰狼種群的社會等級分層可以分為α、β、δ、ω四個等級。每次迭代后產(chǎn)生的α、β、δ指導(dǎo)完成灰狼算法的優(yōu)化過程。

2)包圍獵物(Encircling Prey)

狼群首先確定獵物所在位置獵物與灰狼之間的距離可表示為：

D=c*XP(t)-X(t)

(6)

其中D表示灰狼個體和狩獵獵物之間的距離，t表示迭代次數(shù)，XP(t)為獵物迭代t次后的位置，X(t)為灰狼迭代t次后的位置，A和C為灰狼優(yōu)化算法中的系數(shù)因子：

A=2a*r1-a

C=2r2

(7)

通過迭代，a由2可以線性降到0；r1和r2是[0，1]中的隨機(jī)向量。

3)狩獵(Hunting)

灰狼算法的每次迭代會產(chǎn)生α、β、δ狼，以適應(yīng)度進(jìn)行選擇。其位置信息對ω狼的位置進(jìn)行更新。該行為的數(shù)學(xué)模型可表示如式(8)所示。

(8)

當(dāng)|A|>1時，灰狼分散在各個區(qū)域內(nèi)搜尋獵物。當(dāng)|A|<1時，灰狼逐漸接近獵物。

4)攻擊獵物(Attacking Prey)

在攻擊過程中，A隨著a的減小不斷變化。A是區(qū)間[-a，a]上隨a的線性下降而變化的隨機(jī)向量。當(dāng)A在[-1，1]區(qū)間上時，通過一次迭代之后，搜索代理的位置會變化到灰狼個體與獵物之間的某一位置。

3.2 改進(jìn)的灰狼優(yōu)化算法

GWO算法在位置更新時僅通過灰狼個體位置和最優(yōu)三匹灰狼的位置信息實現(xiàn)個體與種群之間的信息交流，忽略了灰狼個體與自身經(jīng)驗的信息交流。

亳文化譯介是從漢語譯成英語、日語、韓語等語種，翻譯和譯介效果的好壞直接關(guān)系到亳文化的國際傳播效果，為了提高亳文化的譯介質(zhì)量和國際傳播實效，應(yīng)當(dāng)以國外受眾對亳文化譯文的感受和反應(yīng)為準(zhǔn)繩構(gòu)建起譯介效果評價體系。

為了加強(qiáng)對GWO算法中灰狼個體的記憶能力的應(yīng)用，本文引入粒子群算法對灰狼算法位置更新過程進(jìn)行改進(jìn)。PSO算法可以對粒子運(yùn)動過程中自身所攜帶的歷史最優(yōu)解進(jìn)行保存，將這一特性融入到GWO算法中，對GWO算法中灰狼個體自身移動過程中的最優(yōu)解進(jìn)行記憶保存。

PSO算法中，粒子可以在空間中實現(xiàn)有方向的變速運(yùn)動，可以通過粒子自身的記憶和粒子種群進(jìn)行交流，進(jìn)而找到下一位置，實現(xiàn)最優(yōu)解的尋找。本文結(jié)合PSO算法思想，將灰狼個體位置的更新變?yōu)榱Ｗ游恢玫母拢够依撬惴ň哂杏洃浶?。位置和速度更新公式?9)所示。

(9)

式(6)中的第一式變?yōu)?/p>

Dα=C1*Xα-ωX

Dβ=C2*Xβ-ωX

(10)

Dδ=C3*Xδ-ωX

通過PSO算法對灰狼算法的改進(jìn)，可以在算法搜索過程中不斷協(xié)調(diào)灰狼種群之間的交流與灰狼個體歷史記憶對算法的影響。

本節(jié)的PSO-GWO具體實現(xiàn)步驟如下：

Step1：初始化算法參數(shù)A，C，a值。

Step2：初始化種群個體，隨機(jī)產(chǎn)生種群個體。

Step3：根據(jù)每個灰狼的適應(yīng)度值，選出α，β，δ狼，確定位置信息Xα，Xβ，Xδ。

Step4： 根據(jù)式(7)更新A、C的值。

Step5： 根據(jù)式(9)更新灰狼個體位置，并返回step3重新計算，更新灰狼α，β，δ及其對應(yīng)的位置信息。

Step6：如果t達(dá)到Tmax值則輸出最佳解，即a值的適應(yīng)度值，否則返回Step4繼續(xù)執(zhí)行。

PSO-GWO算法流程如圖(1)所示

基于PSO-GWO的共享倉儲貨物定位算法以電子標(biāo)簽的坐標(biāo)為灰狼的位置，以上式的f(x，y，z)為衡量標(biāo)準(zhǔn)進(jìn)行優(yōu)化求解。具體流程如圖2所示。

圖1 PSO-GWO算法流程圖

1)測量并記錄處理數(shù)據(jù)。閱讀器發(fā)射無線信號，接收并統(tǒng)計有標(biāo)簽信息的RSSI值，通過平均值法對接收到的數(shù)據(jù)進(jìn)行處理。

圖2 PSO-GWO定位流程圖

2)建立信號傳播模型。把RSSI值用作輸入，距離用作輸出，通過能量與距離之間的轉(zhuǎn)換函數(shù)關(guān)系，估計出待測標(biāo)簽與每個閱讀器之間的距離。

3)將m個閱讀器與待測標(biāo)簽之間的距離用作公式的參數(shù)，求得待測標(biāo)簽的估計坐標(biāo)。

4)把待測標(biāo)簽的估計坐標(biāo)與實際坐標(biāo)作為公式參數(shù)構(gòu)造目標(biāo)函數(shù)的具體形式。

5)經(jīng)由優(yōu)化灰狼算法逐步迭代獲得最優(yōu)解，并把該解作為待測標(biāo)簽坐標(biāo)的最終估計值。

3.3 偽代碼

input：

N，Tmax，dim，ub，lb

P=initialization(N，Tmax，dim，ub，lb)

output：

P＿alpha，F(xiàn)

while l

for i=1：size(P，1)

if F

S＿alpha=F；

P＿alpha=P(i，：)；

end

if F>S＿alpha && F

S＿beta=F；

P＿beta=P(i，：)；

end

if F>S＿alpha && F>S＿beta && F

S＿delta=F；

P＿delta=P(i，：)；

end

end

其中，N表示狼群數(shù)量，Tmax表示最大迭代次數(shù)，dim表示維數(shù)，lb表示參數(shù)取值下界，ub表示參數(shù)取值上界，P表示灰狼當(dāng)前位置坐標(biāo)，F(xiàn)表示灰狼的適應(yīng)度。

4 案例仿真

4.1 實驗布局

首先搭建出一個模擬的共享倉庫，如圖3所示，其長、寬、高分別為30米，在倉庫中放置有5列貨架，每列貨架分別有3層5列。在倉庫中選擇20個貨柜放入貼有電子標(biāo)簽的貨物，然后對貨物所放貨柜進(jìn)行編號，然后在房間不同位置放置4個閱讀器，其中四個閱讀器的位置分別為(0，0，0)，(30，0，0)，(0，30，30)，(30，30，30)最后采用灰狼算法對貨物進(jìn)行定位定盤點。

圖3 仿真案例建模

4.2 測試結(jié)果及對比

本文主要針對原灰狼算法與粒子群優(yōu)化灰狼算法進(jìn)行結(jié)果對比。

法與粒子群優(yōu)化灰狼算法的收斂曲線圖分別如圖4所示。

實際坐標(biāo)與測試坐標(biāo)三維空間中的位置分布如圖5所示(中，“o”表示測試節(jié)點的實際位置，“+”表示灰狼優(yōu)化算法的測試節(jié)點的位置，“×”表示粒子群優(yōu)化灰狼算法的測試加點位置)

圖4 收斂曲線圖

本文采用歐氏距離表示測試點實際坐標(biāo)和估計坐標(biāo)的誤差

圖5 實際坐標(biāo)與計算坐標(biāo)

(11)

e表示定位誤差，xj、yj、zj表示測試點實際坐標(biāo)，xi、yi、zi表示測試點估計坐標(biāo)。

經(jīng)過計算可以得出當(dāng)算法迭代次數(shù)為500次，測試點數(shù)目為20個時，兩種算法的定位誤差如圖6所示。

圖中實線表示GWO算法定位誤差，虛線表示PSO-GWO算法的定位誤差。GWO算法的平均誤差為2.91m，PSO-GWO算法的平均誤差為1.09m。通過上述兩種結(jié)果的對比，GWO算法的定位誤差具有明顯的波動，最大誤差達(dá)到了7.2m，而PSO-GWO的定位誤差基本在1m左右變化，說明PSO-GWO具有更高的穩(wěn)定性與定位精度。

圖6 兩種算法定位誤差

本實驗通過對相關(guān)參數(shù)變化，可以得到不同的優(yōu)化結(jié)果。改變定位參數(shù)定位結(jié)果變化情況如下：

1)定位測試點數(shù)目變化對測試點定位結(jié)果的影響

測試點數(shù)目分別為10，20，30時定位精度的比較結(jié)果如圖7所示。

圖中白色柱狀線表示GWO算法定位誤差，虛線表示PSO-GWO算法的定位誤差。通過比較，當(dāng)測試點的數(shù)目發(fā)生變化時，GWO算法的定位誤差出現(xiàn)較大偏差，而PSO-GWO算法定位誤差保持在1m以下且基本持平，說明測試點數(shù)目的變化對PSO-GWO算法定位結(jié)果的影響很小，該定位算法具有較高的穩(wěn)定性。

圖7 測試點數(shù)目對定位精度的影響

2)算法迭代次數(shù)變化對測試點定位結(jié)果的影響

迭代次數(shù)分別為100，300，500時定位精度的比較結(jié)果如圖8所示。

圖8 迭代次數(shù)對定位精度的影響

圖中白色柱狀線表示GWO算法定位誤差，虛線表示PSO-GWO算法的定位誤差。通過比較，在測試點數(shù)目相同的條件下，GWO算法的定位隨著算法迭代次數(shù)的變化而急劇波動，而PSO-GWO算法定位誤差沒有發(fā)生太大變化，迭代次數(shù)的變化對算法定位精度影響很小。說明該算法能夠在較低的迭代次數(shù)下實現(xiàn)定位，即算法定位速度快。同時還具有較高的精度。

5 結(jié)論

針對當(dāng)前共享倉儲貨物動態(tài)盤點中定位精度與抗干擾能力較低的問題，提出了一種基于RSSI和改進(jìn)灰狼算法的共享倉儲貨物動態(tài)盤點方法。

1)采用粒子群算法對灰狼算法的位置更新過程進(jìn)行改進(jìn)，提高了灰狼個體與自身經(jīng)驗的信息交流，防止求解陷入局部最優(yōu)。

2)通過定位測試點數(shù)目變化和迭代次數(shù)變化對定位結(jié)果的影響分析可知，PSO-GWO算法定位誤差控制在1m以下，具有較好的穩(wěn)定性和定位精度。

下一步的研究方向：隨著共享倉儲技術(shù)的深入發(fā)展，倉儲貨物的品類會越來越多，周轉(zhuǎn)頻率越來越快，基于算法的三維定位技術(shù)可以為貨位的動態(tài)分配和智能管控提供基礎(chǔ)，提高共享倉儲的實時信息更新，及時掌控倉儲貨物信息，加快倉儲決策優(yōu)化速度以及自我決策能力，使共享倉儲向數(shù)字化、網(wǎng)絡(luò)化和智能化方向發(fā)展。