基于粒子群算法的非制式槍支存取優化問題研究

蘇州大學機電工程學院 王 煒 鄒霄貝 田 霞

非制式槍支的存取是其管理環節中的重要部分，直接關系到公安部門辦案的效率。本文以槍支存取時間短，占用槍柜少，倉庫重心低為目標函數，采用粒子群算法建立槍支存取優化模型，對非制式槍支管理系統中的槍支分配問題求解。采用粒子群算法后，可以顯著提升槍支管理效率，該算法簡單易行，具有較高的實用價值。

非制式槍支的管理問題直接影響到公安部門辦案的效率，從近幾年來報道的公安系統槍支丟失案件來看，現有的槍支管理系統主要存在以下問題：（1）管理落后，不能及時跟蹤槍支的使用歸還情況；（2）制度實施不到位，未能落實“雙人雙鎖制度”；（3）存取槍效率低，嚴重制約辦案效率。

自動化立體倉庫的使用可以有效提高非制式槍支的存管理水平。最早出現的隨機貨柜分配技術簡單易操作，對控制系統要求低，但存取效率低下，穩定性差。目前流行的RFID技術（射頻識別技術）是目前制式槍支中使用較多的管理技術，利用計算機技術和信息技術可以實現對槍支的高效管理，但是非制式槍支種類繁多，一致性差，使得該技術在非制式槍支的管理上受到限制。

如何利用簡便易行的方法，實現非制式槍支在自動化立體倉庫中快速存取是目前亟待解決的問題。本文將針對槍支管理系統中的槍支分配問題展開討論，以槍支存取時間和占用槍柜數作為優化目標，建立非制式槍支分配的粒子群算法模型。接著利用隨機數據檢驗模型的有效性和實用性，解得不同情況下運動機構的最優規劃路線。本文在目標函數的建立過程中考慮到了槍支的就近存放，重心最低，占用槍柜少的準則，增加了模型的實用性，比以往的研究更加全面。

1 自動化立體倉庫

槍支存取是非制式槍支管理中的重要環節，直接影響到公安部門槍支管理和辦案的效率，非制式槍支因缺少統一的標準造成種類繁多，規格不一，無法直接移植制式槍支管理中常用的RFID技術。本文針對一款典型的非制式槍支自動化立體倉庫管理系統中的槍支存取優化問題展開研究，通過采用粒子群算法建模求解，得出不同情況下的最優存取路徑，同時將其和隨機貨柜分配技術對比，分析其帶來的改善。

圖1 立體倉庫正面及對應的坐標系

圖2 立體倉庫剖面

圖3 存取槍過程

本文的立體倉庫采用PLC控制運動機構進行作業，同時通過傳感器來保證作業的準確和安全。貨柜鈑金框架由2.0 mm鋼板Q235A積木化拼接而成，機械運動機構由減速電機、導軸、軸承、鏈條、絲桿構成，采用三軸機構，確保運動機構可以沿六個方向流水線運動。電氣控制部分由繼電器、接觸器、控制開關、光電感應開關等組成，以實現智能控制。

該倉庫除去開口所占位置，共有35個槍柜，分為前后兩排，機械運動機構可以在倉庫中間自由運動，依靠托盤將槍柜取出。整個系統的3D模型如圖1和圖2所示，存取非制式槍支的流程如圖3所示。

2 粒子群算法簡介

粒子群算法的基本思想是通過群體和體間的信息共享來找到最優解。在粒子群算法中，鳥對應著一個個的粒子，同時由平面空間延伸到N維空間，粒子在其中的位置為Xi=(x1+x2+...+xn)，運動速度為矢量Vi=(v1, v2,..., vn)。每個粒子的位置Xi是已知的，粒子通過綜合考慮自己發現的最優解pbest種群發現的最優解gebst來確定自己的運動方向和運動速度。粒子群算法的初值是任意的，通過迭代不斷更新自己，最終找到最優解。更新公式如下：

其中ω≥0，為慣性因子；Vi為粒子移動速度；pbest為粒子自身知道的最優解，gbest為群體中已知的最優解；rand()為隨機數，取值介于0-1；Xi為粒子當前位置；c1, c2為學習因子，通常取c1= c2=2；通過不斷迭代公式(1)和公式(2)，便可得到粒子群算法的結果。

3 槍支存取優化模型建立與求解

整個非制式槍支的存取模型參數如表1所示，主要包括排數、列數、層數、三軸速度、比例系數以及長寬高。

表1 立體倉庫參數

槍支的存取過程涉及到存與取兩大環節，由于槍支入庫后即可交由計算機管理，人員無需等待，故只需考慮取槍時等待所花費的時間。此外，對于使用頻率不同的槍支，我們總是希望使用頻率高的取出時間短，由此可得目標函數(3)。

同時，需要考慮到占用的槍柜最少，以簡化維護保養過程和減少占地面積，由此得到目標函數(4)。

為了提高倉庫的穩定性，需要盡可能降低系統的重心目標函數如下，此處為了簡便起見，假設體積和重量成正比，故用體積代替質量計算，由此得到目標函數(5)。

其中，li(i =1, 2,...6)分別為機械運動機構在倉庫內上下前后左右移動(6個方向)的距離，vx, vy, vz為運動機構分別X，Y，Z三個方向上的移動速度，坐標系如圖1所示，N(d, e, f )取值為0和1，取1表示(d, e, f )處的槍柜非空，取0則表示該槍柜為空，Sx為待進庫槍支的體積。相應的約束條件為：

（1）移動距離約束：

（2）使用頻率約束：

（3）槍柜數量約束：

本文選取機械運動機構移動距離和槍支使用頻率為決策自變量，同時選取包含個隨機初始點在內的點集。為使粒子的適應能力更強，將慣性權重設置為0.8，學習因子c設置為0.9。根據上述的約束條件分別設定機構移動距離限制、槍支使用頻率限制和粒子更新速度變化范圍，對模型進行綜合求解。

通過綜合算法參數對模型求解，可得到三種不同情況下的求解結果，得到的即為不同使用頻率的槍支存取時的最優規劃路線。如表2所示。

表2 路徑規劃結果

4 粒子群算法與隨機分配方法對比分析

基于粒子群算法的非制式槍支存取優化模型充分考慮了槍支的使用頻率和槍柜的剩余容積，相對于傳統的隨機分配方法，雖然優化算法在算法復雜度上高于隨機分配方法，但是具有較大的靈活性，取槍過程快速響應、對倉庫的空間利用率的提升都是傳統算法遠不能及的。如表3所示。

表3 優化結果對比分析

結論：（1）將粒子群算法應用到槍支存取優化模型中，可以滿足非制式槍支高效管理的要求，并且能夠實現對不同使用頻率的槍支實現不同位置的存放，大大提高非制式槍支存取效率，同時充分利用槍柜空余位置，實現了有限存放空間下的最大儲物效率。（2）粒子群算法可以大幅提高現有的非制式槍支管理系統的運行效率。

綜上所述，粒子群算法在解決非制式槍支的存取優化問題上有較高的實用意義，能夠應用于公安非制式槍支管理。