当今物流系统越发展越复杂,在智能仓储领域出现了一种新型的基于子母穿梭车的高密度立体库。这种立体仓库在场地空间的利用率上,相较于传统的堆垛机式立体库和叉车式立体库都要高很多。随之而来的问题是这种子母穿梭车式高密度立体库的货位分配问题、出库分配问题以及子母车的任务调度问题。本文就子母穿梭式高密度立体仓库中的货位分配问题和任务调度问题进行研究。货位分配算法为货物在子母穿梭车式的高密度立体库中的分配提供了一种动态分配货位的方式。并且能够通过更改罚分策略这一核心思想,灵活调整入库策略以应对各种业务场景,兼具了可扩展性和灵活性。随后根据货位分配的结果,结合动态概率矩阵和任务序列化的方式,使用本文提出的基于概率矩阵的蒙特卡洛方法的启发式算法,能够得到一组有效的次优解。本文的主要研究工作有:1、货位分配算法研究:本文首先对货位分配问题明确了约束和优化目标。接着提出了栅格地图的可达性扫描算法和货道入口选择策略。随后对货位分配问题进行抽象,并映射为背包问题,使用动态规划的思想,提出了一种基于罚分策略的动态规划算法。最后使用实际案例说明了该算法的可行性。2、入库任务序列化:本文对任务调度问题进行约束简化,使用路由表把一个简单的入库任务具体化成一个带有路径的具体任务。随后对具体任务进行分析、分解、抽象、重组,把任务分为前置任务和后置任务。并针对此类重组任务序列提出了一种时间压缩方式。最后提出了一种产生任务序列的方式,为任务调度算法提供研究基础。3、任务调度算法研究:本文对入库任务调度问题提出了一种基于动态概率矩阵的蒙特卡洛方法的启发式算法。最后使用真实仓储案例对算法进行模拟调度,结果证明了该启发式算法能够快速收敛。并且对比小规模调度问题的最优解,结果表明了本文提出的启发式算法能够得到表现优良的次优解。本文的货位分配算法相对于启发式算法具备能够得到最优解的优势,同时在现实场景规模下,该算法的时间复杂度也能低于表现良好的启发式算法。本文的任务调度算法相较于基因算法、蚁群算法、粒子群优化算法等启发式算法更简单。并且,在通常的问题规模内,具有较高的计算效率,而且不会陷入局部最优,因此能更好地应用到高密度立体仓储系统中。