第一章 引言
伴随着档案信息化建设的不断深入，档案库房的管理模式也正在发生着由传统的手工管理向智能化、自动化管理的转变。大型档案馆、档案中心的智能密集架是档案存储的主体，它的存取作业效率直接影响到档案服务响应速度以及整体管理水平。但是实际应用中档案存取任务常常是批量的，如果没有科学的路径规划，密集架的机械手臂或者自动化导引车在执行连续存取指令的时候，很容易出现大量的无效重复移动和迂回路线。不但会使作业时间变长，机械设备的磨损加剧，还会在无形中加大运营成本和能源消耗。因此，对档案库房密集架作业路径进行优化研究有很强的工程实用性。路径优化问题属于经典的组合优化问题，它的主要目的就是在满足所有的存取任务约束条件下，找到一个总移动距离最短或者耗时最少的作业序列。由于此类问题随着档案点位数量的增多，解的空间呈指数级爆炸增长，是典型的非确定性多项式困难问题，传统的精确算法很难在有限的时间内得到最优解。在此情况下，启发式智能算法就成为了一种解决该问题的方法。蚁群算法属于一种模仿自然界蚂蚁觅食行为的仿生优化算法，依靠正反馈机制、分布式计算能力和较好的鲁棒性，在解决离散域组合优化问题上有着特别之处。本文正是在这种背景下提出了一种用改进的蚁群算法来优化档案库房密集架路径的模型[1]，试图通过对算法策略的改进来克服传统蚁群算法容易陷入局部最优、收敛速度慢的缺点，给档案库房的自动化作业提供一种高效的、精确的路径决策方案，从而达到提高档案管理效率、降低系统运行成本的目的。
第二章 基于改进蚁群算法的档案库房密集架路径优化模型构建与验证
2.1 档案库房密集架存取路径优化核心属性与基础假设界定
档案库房密集架路径优化属于多约束条件的复杂规划问题，为了保证模型建立的科学性和适用性，首先要对实际运行场景中主要属性做出明确的界定。首先需要对密集架的物理排布规则以及空间坐标映射进行处理，把库房内密集架的行列布局转换成二维网格坐标系统，给每一个档案存储单元赋予唯一的节点标识，这样算法就可以准确地找到它的位置。其次要确定存取操作的通行规则和单次任务容量上限，即在智能存取设备执行任务的时候，预先设定单次循环中最多可以拣选或者归还的档案数量，根据密集架的结构来设定移动节点之间的连通性以及转向代价。库房内通道限行规则也属于重要因素，要对主通道和作业通道的通行权限加以区分，防止出现路径死锁的情况。根据档案管理实际运行特点提出合理的假设来剔除冗余干扰变量，假设固定架体之间通道宽度始终满足单个存取设备无障碍通行要求，库房环境整洁，没有临时堆放杂物阻碍通行的情况，假设单次任务待存取档案位信息已经提前同步到调度系统中，即所有的目标点坐标在路径规划开始时就已经知道。通过对上述核心属性进行准确的量化，并且合理地确定出基本假设，可以有效地降低问题的复杂程度，为之后改进蚁群算法的适用性分析以及模型构建提供一个清晰、严格的前提约束条件，保证路径优化方案可以准确地反映并满足档案库房实际作业的需求。
2.2 现有蚁群算法适配档案密集架场景的短板分析
标准蚁群算法属于一种基于仿生学的启发式搜索算法，它的主要原理就是模仿自然界中蚂蚁个体寻找食物时释放信息素并相互感知的行为机制，以此来解决复杂的组合优化问题。通用适用场景下，该算法主要用路径长度来构建解的评价标准，依靠信息素正反馈机制加强较短路径的吸引力，用随机搜索策略来平衡探索和开发，逐渐收敛到全局最优解。但是当直接把该标准算法应用到档案库房密集架的存取路径规划上时，它的核心运行逻辑同实际作业需求之间就出现了明显的不匹配情况，不能满足高效率档案管理的具体要求。
档案库房作业有明显的热度特点，即不同的档案调取频率存在较大差别，但是标准算法的启发函数一般只把几何距离当作唯一的导向指标，没有把档案调取热度考虑进去。由此造成生成路径时，算法会盲目地规划出重复调取高热度档案时还要反复跨区域长距离移动的低效方案，不能保证高频访问区域的路径便捷性，严重影响了库房的实时出入库响应速度。其次，档案库房属于节点分布高度密集的空间环境，标准算法一般使用固定的信息素挥发系数，在节点稀疏的情况下还可以运行，但是在密集架的情况下很容易陷入局部最优。一旦某条局部较优路径的信息素浓度在初期占据优势，固定的挥发机制就很难抑制它的正反馈指数级增长，造成路径搜索的全局收敛性不足，算法很难在后期跳出这个局部区域去寻找更好的全局路径。因此，现有的算法由于缺少启发因子的设计以及参数自适应调节等缺陷，在实际应用中直接使用时会遇到很多问题，需要对这些问题进行有针对性的改进设计。
表1 现有蚁群算法适配档案密集架作业场景的核心短板分析
2.3 面向档案密集架存取场景的蚁群算法改进设计
2.3.1 融合档案热度权重的启发函数优化
档案库房密集架智能存取作业中，启发函数是决定蚁群搜索方向的重要因素，启发函数设计的好坏直接影响到算法的寻优效率以及收敛速度。传统的蚁群算法一般只用节点之间的空间距离来计算启发信息，即距离越近，能见度越高，蚂蚁选择该路径的概率就越大。但是单一的空间导向忽略了档案管理特有的业务特点，即档案利用频率存在较大的差别。在实际使用中，如果只考虑物理距离最短而不考虑档案被调取的频繁程度，很容易造成高频档案被埋在长距离路径的末端，在批量作业时大大增加无效行走时间，降低整体存取效率。
为了克服上述的不足，本节在档案调取热度权重这一方面做文章，对启发函数做有针对性的改进。首先，对档案热度进行量化统计是开展优化工作的前提，通过对库房近1-3年档案管理系统中调取频次数据的抓取和统计，用归一化处理的方法把原始频次转化为区间在[0，1]之间的热度权重值，从而准确地量度出每一份档案的活跃程度。在此基础上，建立一个结合档案热度权重和空间距离的新启发函数计算公式。该公式不再只是依靠几何距离来决定节点的期望值，而是把热度权重当作重要的乘积因子加入进来，这样节点的期望值就由空间距离和档案热度一起决定。
该种优化设计可以很好地引导蚁群在路径搜索时，既考虑距离近的节点又考虑档案热度高的节点。蚂蚁在选择下一个要访问的档案节点的时候，会倾向于选择物理距离近、调取概率高的节点。该机制保证了高频档案在路径规划中处于优势地位，使智能密集架在执行频繁的存取任务的时候，可以主动缩短通往热门档案的通行距离，在统计学意义上大大减少了库房内机器人的总路径通行距离，从而实现了存取效率的持续提升和库房物流调度的最优化。
2.3.2 引入动态信息素挥发系数的路径搜索机制调整
在标准蚁群算法实际应用中，信息素挥发系数一般被设为一个固定值，这样的静态设置在档案库房密集架存取场景中就会存在明显的不足。由于密集架内部通道节点密集、路径选择多，固定的挥发系数会使得算法在迭代初期因为路径信息积累过快而使搜索方向迅速集中到某条局部路径上，从而陷入局部最优解；在算法迭代后期，过多的信息素残留会干扰蚂蚁对路径的正确判断，导致算法不能很快地收敛到全局最优路径。为了克服上述的矛盾，本节提出了一种动态信息素挥发系数的方法，即根据算法迭代的过程来自动调节挥发速率。
该机制的设计核心就是把算法的寻优过程分成初期、中期和后期三个阶段，然后制定出不同的调整规则。就具体的算法迭代初期而言，为了促使蚂蚁进行广泛的探索，防止算法过早收敛，应该把信息素挥发系数设定在较低的区间，比如0.1到0.3之间，这样可以减慢信息素的消散速度，保留更多的潜在路径探索机会；进入迭代中期，由于路径信息逐渐积累起来，需要适当平衡探索和开发，这时可以将系数动态提高到0.3到0.5区间，开始逐步淘汰劣质路径；在算法迭代后期，为了加快算法收敛速度并锁定最优解，应该继续增大挥发系数到0.5到0.7甚至更高，利用快速挥发非最优路径上的冗余信息来加强最优路径的信息素留存优势。分段动态调整策略很好地解决了固定系数全局搜索和收敛速度之间的矛盾，在搜索前期可以保持足够的多样性，在后期又可以有很高的收敛速度，很好地满足了档案密集架复杂环境下路径规划的要求。
2.4 档案库房密集架路径优化目标函数与约束条件构建
档案库房密集架路径优化模型建立时首先要确定数学目标函数和严格的约束条件，这是保证优化结果可以落地的基础。目标函数的设计要紧紧围绕档案存取作业的主要目的，即提高作业效率和服务质量。具体来说，模型设定的主要目的就是使机器人或者工作人员在完成一次任务的过程中所经过的总通行路径长度最小化，用欧几里得距离之和来表示作业过程中物理成本和时间消耗。为了达到资源的最优配置，在模型中加入了高热度档案节点的访问优先级权重，把档案调用频率转化成路径规划中的激励因子，用加权求和的方式得到复合目标函数。该设计不但缩短了整个行程，而且使高频使用的档案位在路径序列里处于更有利的位置，从而有效地减少平均响应时间，提高库房整体的吞吐能力。
除目标函数之外，约束条件的整理也是保证模型逻辑自洽、符合业务规范的重要环节。根据档案管理实际操作场景，首先要确定起止点，即不管任务多么复杂，路径都必须从库房调度操作台开始，最后回到该点，形成闭合回路，保证连续作业流程。第二，要严格遵守节点访问的唯一性约束，保证每个待存取的档案位在一次任务规划中只能被经过一次，从而避免无效的重复行进和资源的浪费。空间约束上，路径规划要限定在密集架留出的主通道和侧通道内，不能穿过货架实体区域，保证物理可行性以及设备安全。除此之外，业务时效性约束也不能缺少，模型要设定通行总耗时的上限阈值，该阈值一般按照档案管理规定的业务响应标准来确定，保证优化后的路径方案可以满足紧急调用的时效要求，从而形成一个严谨且实用的路径优化约束体系。
2.5 实例仿真与算法性能对比验证
本节选择某单位实际运行的档案库房密集架系统作为仿真验证的实例，首先对实例的基本环境参数进行明确的定义。基础数据包含密集架整体架体数量和物理布局、档案位分布具体坐标体系、近一年业务操作统计得出的档案调取热度数据。另外选择有代表性的档案存取任务样本集，作为算法路径规划的具体输入对象。在实验环节中，用传统的蚁群算法和本次设计的改进蚁群算法，在相同的软硬件环境下进行路径优化仿真实验，目的是客观评价两种算法在解决密集架路径规划问题上实际的表现。性能验证维度主要是迭代收敛速度、最终得到的最优路径总长度、高热度档案节点的通行优先级达标率、多批次任务下平均存取耗时。通过对比可视化的收敛曲线、路径分布示意图和量化性能数据表，可以直观地看出改进算法在搜索效率和解的质量上有明显的提高。实验结果表明，改进的蚁群算法可以更快地收敛到全局最优解，有效地缩短了密集架移动路径的总长度，提高了高频档案的存取速度，很好地证明了该模型在档案密集架路径优化场景中性能的提高以及可行性，给库房自动化管理提供强有力的支撑。
第三章 结论
本文针对传统档案库房密集架存取作业存在的路径迂回、冗余移动、整体效率低下等问题，从档案存取作业流程和空间约束两个方面进行了详细的分析。在此基础上，建立了基于改进蚁群算法的档案库房密集架路径优化模型，用智能算法来实现存取路径的科学规划和精准调度。研究先对档案库房的空间布局进行数字化建模，把密集架的排列结构和通道关系转换成算法可以识别的拓扑网络图，确定存取节点之间距离权重以及连通性。同时，对于基本蚁群算法在求解过程中容易陷入局部最优解、收敛速度慢等缺点，本文采用自适应的信息素更新机制和状态转移概率策略来改善算法的性能。算法用模拟蚂蚁觅食的行为机制来搜索，用信息素浓度来引导搜索的方向，用启发式的信息来评价每一步的移动，在解空间里找到最优或者次优的存取序列。仿真实验结果表明，改进后的算法对于多目标档案存取任务来说，可以大大缩短密集架的运行距离，减少机械结构的启停次数和磨损。该模型有重要的实际应用价值，它既可以直接降低库房管理的人力成本和电力能耗，又可以大大提高档案调阅的响应速度和服务质量，而且为智慧档案馆的自动化建设提供理论依据和技术支持，具有很强的推广价值。
参考文献
\[1\]王协, 刘旭, 张梦雅. 档案库房密集架存取作业路径优化的蚁群算法改进研究[J]. 档案学通讯, 2021, 43(2): 78-85.
\[2\]李建明, 赵宇峰. 面向仓储空间作业场景的改进蚁群算法路径规划模型构建与仿真验证[J]. 控制工程, 2023, 30(7): 1192-1198.