1.1 目的及意义

件杂货又叫件杂货物，简称件货或者杂货，是可以以件计量的货物，英文叫general cargo，也就是普通货物。件杂货物又可以分为包装货和裸装货，包装货就是可以用包、袋、箱等包装起来运输的货物，裸装货就是没有包装或者无法包装的货物。现在钢铁堆场存在着运输车辆排队问题和货物堆存方式不合理等影响比较大的问题，运输车辆较多，货物堆存位置的影响使得物流园区内的作业秩序受到较大的影响，各堆场的设备和空间利用率差别较大，因此对此类钢铁堆场重新进行适当的优化调整显得十分必要，对于这类问题我们提出不同的货物分配优化策略进行相应的设计和仿真，进而在不同的货物分配策略下找到适合此堆场的货物分配策略来解决当前最主要的矛盾和问题。所以在遵循货物存取基本原则下，对堆场内部各设施进行规划使堆场容纳量进一步优化，使各作业单元效能均衡化，使运输设备在堆场内停留时间尽可能减少。通过借鉴相关研究人员对件杂货堆场和集装箱堆场货物堆存方式的研究，我们提出不同的堆存策略，研究在不同的堆存策略下各类货物存放比例的不同，从而找到适合当前堆场存取方式的最佳方案。

1.2 国内外研究现状

本文针对钢铁物流园区货物分配优化为目标，分析和研究现阶段国内外件杂货堆场和集装箱堆场货物分配策略及研究阶段；同时，随着件杂货堆场货物及货位优化逐渐被重视起来，从而使得这方面的研究更具有实际意义和更大的现实价值。

1.2.1 国外研究现状

针对当前订单履行操作严重影响供应链的性能这一问题， Ehsan Ardjmand^[3]等提出了对基于put wall的拣选系统中的订单拣选和拣选机路由进行建模，并提出了两种遗传算法，一种基于列表的模拟退火算法、一种遗传算法与基于列表的模拟退火的混合算法。通过比较遗传算法、模拟退火算法和混合算法对不同问题的解决效率从而找出适应不同问题的合适算法，将各项算法与Gurobi算法进行比较，可以更为直观地找到优化效率最高的算法。

针对传统粒子群算法的局限性， Jang-Ho Seo^[12]等提出了一种基于粒子群算法的多模态函数优化算法，一种新的粒子群优化算法(MGPSO)，它保留了粒子群优化算法的基本概念，与传统的混合算法相比具有更直接的收敛性。此外，MGPSO具有一个独特的优势，当群的数目为N时，可以搜索多模态函数的N个优势峰。应用多个案例研究，本文中包括一个实际应用来验证该算法的有效性。

针对传统的粒子群算法过早收敛的问题，为了避免陷入算法陷入局部最优，Mana Anantathanavit^[13]等提出了半径粒子群优化算法(R-PSO)，该算法通过对给定半径内的agent粒子进行重新分组来扩展粒子群优化算法。它初始化粒子组，计算适应度函数，并找到该组中最好的粒子。R-PSO采用群体-群体的方法，通过共享代理粒子的信息来保持种群的多样性和进化，从而成功地保持了全球探索和局部开发之间的平衡。因此，agent粒子引导相邻粒子跳出局部最优，达到全局最优。该方法在已知的基准数据集上进行了测试。结果表明，在求解多模态复杂问题时，R-PSO算法比传统的PSO算法有更好的性能。

Meiling Feng^[17]等研究了集装箱码头堆场空间分配问题。首先建立了一个用于进出口集装箱堆场空间分配的混合整数模型。该模型的目的是确定到达集装箱的库区，以最大限度地减小卡车的移动距离，平衡前/后货场不同区域龙门起重机的工作负荷。为方便堆场的实际运行，在前场和后场分别设置缓冲区，以加快船舶装卸作业，提高存储空间的利用率。然后利用优化软件lingo对该问题的一个模拟数据案例进行了求解。结果表明，本文提出的方法不仅能使货柜车在码头的总行驶距离最小，而且能保证龙门起重机在前/后货柜车不同堆场区域的工作负荷平衡。