张富强，许锋立，邵树军，杜 超
(1. 长安大学道路施工技术与装备教育部重点实验室，陕西 西安 710064；
2. 长安大学智能制造系统研究所，陕西 西安 710064；
3. 陕西法士特齿轮有限责任公司，陕西 西安 710119；
随着以物联网和大数据为代表的信息技术的发展，智慧物流的出现推动了制造业企业转型与降本增效的速度，对资源优化配置与可持续发展有着重要的现实意义。作为智慧物流货物存储的新形态，共享仓储将逐渐社会化的仓储资源和趋向专业化的物流服务紧密结合，通过将仓储和服务有机结合的方式，为制造企业提供了从采购到配送的一体化服务平台[1，2]。现代企业要求仓储需求可以得到快速的响应，同时在不影响生产的前提下让物流的成本尽可能低，而共享仓储就可以实现这些要求。实时、准确、高效的仓储货物动态盘点是实现共享仓储货位动态分配与智能化管控的关键。
传统的货物盘点由人工进行，消耗大量的时间，并易出现盘点错误，无法获取实时的数据支持，准确掌握物品库存；
扫码枪盘点技术的出现虽然减少了人工盘点出现错误的情况发生，但还需要人工参与[3]。共享仓储总体积庞大，货架与货格布置繁多，货物流通速度快，大大增加了盘点的难度与速度要求，同时共享仓储库存货物种类越来越多，对于盘点的精度要求也大大提高，传统的盘点技术已无法满足要求。因此，将基于物联网的自动定位系统加入到共享仓储动态盘点过程中，具有重要的工程应用价值和理论研究意义。
共享仓储一般为室内环境，而在目前的室内无线定位技术中，RFID(Radio Frequency Identification)定位技术以其成本低、实时性、布置方便、非视距性等优点，使其在制造领域的各个方面得到了成熟的应用和推广[4-8]。目前基于RFID的室内定位技术有测距和非测距两种。非测距技术的定位方法虽然操作简单，但其定位精度难以满足智慧仓储对货物的定位精度要求；
测距定位技术中的TOA、TDOA、AOA等相关定位方法成本比较高，同时需要一系列的硬件设备支撑才能完成定位。RSSI(Received Signal Strength Indication)定位算法不需要添加额外的设备即可完成定位，并且功耗相对于其它方法低[9]，因此本文采用基于RSSI的定位方法。
目前国内外学者对于RSSI定位技术进行了深入的研究，但仍存在一些不足。宋宁佳等提出的GA-GRNN定位算法，在一定程度上提高了空间物体的定位精度，但是模型存在收敛速度慢、得出的解不一定是全局最优解的问题[10]。邓昀等提出的定位算法以BP神经网络为基础，虽然算法受到数据存在较大偏差的限制，同时需要大量的数据进行模型的训练，但定位精度有所提高[11]。文献[12]则提出了融合信号强度与到达角度的定位方法，但这种方法需要提前设置相应的信标节点，定位方法复杂。Byrne等以RSSI定位算法为基础得到优化算法并应用于室内定位，结果表明该算法一定程度上提高了定位精度，但该算法在信号干扰强度大的环境应用不多[13]。Zhang[14]等使用直接路径信号对待定位目标进行定位，但是在多径效应影响下，无法精确定位物体的位置。
为了进一步提高复杂环境下共享仓储货物动态盘点的抗干扰能力与定位精度，本文通过对数路径损耗模型来加强复杂环境下RSSI定位技术的定位稳定性，引入粒子群算法(Particle Swarm Optimization，PSO)对灰狼算法(Grey Wolf Optimization Algorithm，GWO)的位置更新过程进行改进，提高灰狼个体与自身经验的信息交流，得到粒子群优化后的灰狼算法PSO-GWO(Hybrid Algorithm of Particle Swarm Optimization and Grey Wolf Optimization)，通过仿真与标准的灰狼算法进行了比较，验证了改进后定位算法的优越性。
相比于传统的物流仓储，共享仓储可实现社会仓储资源供需匹配，有效提高资源利用率和降低成本，符合物流行业的可持续发展的需求。基于仓储环境复杂、货物种类众多、仓储作业繁重、全信息化管理等特征，本文将基于RSSI与优化灰狼算法融合的三维空间定位技术引入动态盘点作业，从而提高仓储盘点的精度与速度。
2.1 RSSI测距模型
基于RSSI的无线定位技术，可以实现信号强度向距离的转变，然后通过定位模型实现未知节点的定位。能量-距离的转换可以通过自由空间传播模型进行，如式(1)所示。
(1)
式中，Gr为接收信号天线的增益，λ为电磁波的波长，d代表阅读器和标签间的距离，PEIRP代表信号功率。
在实际应用时，尽管信号两端距离是一样的，但是周围的环境存在较大的差别，此时直接应用路径损耗模型会产生较大的差别。可选择对数路径损耗模型来描述室内复杂环境因素影响的无线信号所具备的传输特性，如式(2)所示。
(2)
式中，PL(d)表示传输d米时损耗的能量值，单位为dBm；
d0为参考距离；
PL(d0)表示传输d0米时损耗的能量值；
γ是路径损耗因数；
Xσ为阴影衰落，是服从N(0，σ)的随机变量。
假设d为标签与阅读器间的距离，Pr(d)为接收端信号强度值，Pt为发射端信号强度值，并设RSSI0=Pt-PL(d0)是d0米处的信号强度值时，由此可以得到
(3)
2.2 RSSI定位模型
基于RSSI测距模型的未知节点定位的实现主要是通过空间中布置的RFID阅读器，用于接收贴在货物上的电子标签发出的信号，通过记录信号强度，可以得到一组未知节点关于每个阅读器的信号强度值。假设RFID空间中布置有n个阅读器用于接收电子标签发出的信号同时记录信号强度，阅读器的坐标分别为(Xi，Yi，Zi)，i=1，2，…n阅读器接收到n个信号强度(RSSI1，RSSI2，…，RSSIn)；
经过测距模型将信号强度转换成电子标签到每个阅读器的距离(d1，d2，…，dn)；
这样未知节点的定位问题可以转化为一个优化问题。通过算法不断迭代，计算出目标函数的最小值，可以提高未知节点的定位精度。本文将待定位节点的坐标作为自变量，以估计坐标与实际坐标到个阅读器之间距离误差最小作为优化目标，构建目标函数：
(4)
式中，(x，y，z)为待定位节点的估计坐标，di为节点实际坐标到第i个阅读器之间的距离，通过测距模型换算可以得到，Di为(x，y，z)到第i个阅读器之间的距离，定义为：
(5)
3.1 灰狼优化算法
灰狼优化算法是澳大利亚格里菲斯大学 Mirjalili 等于2014年提出的群体智能优化算法[15]。鉴于该算法参数少、收敛性好和易实现等优势，本文结合上述模型采用该算法进行求解。
1)社会等级分层(Social Hierarchy)
灰狼种群的社会等级分层可以分为α、β、δ、ω四个等级。每次迭代后产生的α、β、δ指导完成灰狼算法的优化过程。
2)包围猎物(Encircling Prey)
狼群首先确定猎物所在位置猎物与灰狼之间的距离可表示为：
D=c*XP(t)-X(t)
(6)
其中D表示灰狼个体和狩猎猎物之间的距离，t表示迭代次数，XP(t)为猎物迭代t次后的位置，X(t)为灰狼迭代t次后的位置，A和C为灰狼优化算法中的系数因子：
A=2a*r1-a
C=2r2
(7)
通过迭代，a由2可以线性降到0；
r1和r2是[0，1]中的随机向量。
3)狩猎(Hunting)
灰狼算法的每次迭代会产生α、β、δ狼，以适应度进行选择。其位置信息对ω狼的位置进行更新。该行为的数学模型可表示如式(8)所示。
(8)
当|A|>1时，灰狼分散在各个区域内搜寻猎物。当|A|<1时，灰狼逐渐接近猎物。
4)攻击猎物(Attacking Prey)
在攻击过程中，A随着a的减小不断变化。A是区间[-a，a]上随a的线性下降而变化的随机向量。当A在[-1，1]区间上时，通过一次迭代之后，搜索代理的位置会变化到灰狼个体与猎物之间的某一位置。
3.2 改进的灰狼优化算法
GWO算法在位置更新时仅通过灰狼个体位置和最优三匹灰狼的位置信息实现个体与种群之间的信息交流，忽略了灰狼个体与自身经验的信息交流。
亳文化译介是从汉语译成英语、日语、韩语等语种，翻译和译介效果的好坏直接关系到亳文化的国际传播效果，为了提高亳文化的译介质量和国际传播实效，应当以国外受众对亳文化译文的感受和反应为准绳构建起译介效果评价体系。
为了加强对GWO算法中灰狼个体的记忆能力的应用，本文引入粒子群算法对灰狼算法位置更新过程进行改进。PSO算法可以对粒子运动过程中自身所携带的历史最优解进行保存，将这一特性融入到GWO算法中，对GWO算法中灰狼个体自身移动过程中的最优解进行记忆保存。
PSO算法中，粒子可以在空间中实现有方向的变速运动，可以通过粒子自身的记忆和粒子种群进行交流，进而找到下一位置，实现最优解的寻找。本文结合PSO算法思想，将灰狼个体位置的更新变为粒子位置的更新，使灰狼算法具有记忆性。位置和速度更新公式如(9)所示。
(9)
式(6)中的第一式变为
Dα=C1*Xα-ωX
Dβ=C2*Xβ-ωX
(10)
Dδ=C3*Xδ-ωX
通过PSO算法对灰狼算法的改进，可以在算法搜索过程中不断协调灰狼种群之间的交流与灰狼个体历史记忆对算法的影响。
本节的PSO-GWO具体实现步骤如下：
Step1：初始化算法参数A，C，a值。
Step2：初始化种群个体，随机产生种群个体。
Step3：根据每个灰狼的适应度值，选出α，β，δ狼，确定位置信息Xα，Xβ，Xδ。
Step4：
根据式(7)更新A、C的值。
Step5：
根据式(9)更新灰狼个体位置，并返回step3重新计算，更新灰狼α，β，δ及其对应的位置信息。
Step6：如果t达到Tmax值则输出最佳解，即a值的适应度值，否则返回Step4继续执行。
PSO-GWO算法流程如图(1)所示
基于PSO-GWO的共享仓储货物定位算法以电子标签的坐标为灰狼的位置，以上式的f(x，y，z)为衡量标准进行优化求解。具体流程如图2所示。
图1 PSO-GWO算法流程图
1)测量并记录处理数据。阅读器发射无线信号，接收并统计有标签信息的RSSI值，通过平均值法对接收到的数据进行处理。
图2 PSO-GWO定位流程图
2)建立信号传播模型。把RSSI值用作输入，距离用作输出，通过能量与距离之间的转换函数关系，估计出待测标签与每个阅读器之间的距离。
3)将m个阅读器与待测标签之间的距离用作公式的参数，求得待测标签的估计坐标。
4)把待测标签的估计坐标与实际坐标作为公式参数构造目标函数的具体形式。
5)经由优化灰狼算法逐步迭代获得最优解，并把该解作为待测标签坐标的最终估计值。
3.3 伪代码
input：
N，Tmax，dim，ub，lb
P=initialization(N，Tmax，dim，ub，lb)
output：
P＿alpha，F
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表示狼群数量，Tmax表示最大迭代次数，dim表示维数，lb表示参数取值下界，ub表示参数取值上界，P表示灰狼当前位置坐标，F表示灰狼的适应度。 首先搭建出一个模拟的共享仓库，如图3所示，其长、宽、高分别为30米，在仓库中放置有5列货架，每列货架分别有3层5列。在仓库中选择20个货柜放入贴有电子标签的货物，然后对货物所放货柜进行编号，然后在房间不同位置放置4个阅读器，其中四个阅读器的位置分别为(0，0，0)，(30，0，0)，(0，30，30)，(30，30，30)最后采用灰狼算法对货物进行定位定盘点。 图3 仿真案例建模 本文主要针对原灰狼算法与粒子群优化灰狼算法进行结果对比。 法与粒子群优化灰狼算法的收敛曲线图分别如图4所示。 实际坐标与测试坐标三维空间中的位置分布如图5所示(中，“o”表示测试节点的实际位置，“+”表示灰狼优化算法的测试节点的位置，“×”表示粒子群优化灰狼算法的测试加点位置) 图4 收敛曲线图 本文采用欧氏距离表示测试点实际坐标和估计坐标的误差 图5 实际坐标与计算坐标 (11) e表示定位误差，xj、yj、zj表示测试点实际坐标，xi、yi、zi表示测试点估计坐标。 经过计算可以得出当算法迭代次数为500次，测试点数目为20个时，两种算法的定位误差如图6所示。 图中实线表示GWO算法定位误差，虚线表示PSO-GWO算法的定位误差。GWO算法的平均误差为2.91m，PSO-GWO算法的平均误差为1.09m。通过上述两种结果的对比，GWO算法的定位误差具有明显的波动，最大误差达到了7.2m，而PSO-GWO的定位误差基本在1m左右变化，说明PSO-GWO具有更高的稳定性与定位精度。 图6 两种算法定位误差 本实验通过对相关参数变化，可以得到不同的优化结果。改变定位参数定位结果变化情况如下： 1)定位测试点数目变化对测试点定位结果的影响 测试点数目分别为10，20，30时定位精度的比较结果如图7所示。 图中白色柱状线表示GWO算法定位误差，虚线表示PSO-GWO算法的定位误差。通过比较，当测试点的数目发生变化时，GWO算法的定位误差出现较大偏差，而PSO-GWO算法定位误差保持在1m以下且基本持平，说明测试点数目的变化对PSO-GWO算法定位结果的影响很小，该定位算法具有较高的稳定性。 图7 测试点数目对定位精度的影响 2)算法迭代次数变化对测试点定位结果的影响 迭代次数分别为100，300，500时定位精度的比较结果如图8所示。 图8 迭代次数对定位精度的影响 图中白色柱状线表示GWO算法定位误差，虚线表示PSO-GWO算法的定位误差。通过比较，在测试点数目相同的条件下，GWO算法的定位随着算法迭代次数的变化而急剧波动，而PSO-GWO算法定位误差没有发生太大变化，迭代次数的变化对算法定位精度影响很小。说明该算法能够在较低的迭代次数下实现定位，即算法定位速度快。同时还具有较高的精度。 针对当前共享仓储货物动态盘点中定位精度与抗干扰能力较低的问题，提出了一种基于RSSI和改进灰狼算法的共享仓储货物动态盘点方法。 1)采用粒子群算法对灰狼算法的位置更新过程进行改进，提高了灰狼个体与自身经验的信息交流，防止求解陷入局部最优。 2)通过定位测试点数目变化和迭代次数变化对定位结果的影响分析可知，PSO-GWO算法定位误差控制在1m以下，具有较好的稳定性和定位精度。 下一步的研究方向：随着共享仓储技术的深入发展，仓储货物的品类会越来越多，周转频率越来越快，基于算法的三维定位技术可以为货位的动态分配和智能管控提供基础，提高共享仓储的实时信息更新，及时掌控仓储货物信息，加快仓储决策优化速度以及自我决策能力，使共享仓储向数字化、网络化和智能化方向发展。4.1 实验布局
4.2 测试结果及对比
