CN105469201B - 一种物流配送中心作业任务处理与调度的方法 - Google Patents

Abstract

一种物流配送中心作业任务处理与调度的方法，包括以下步骤：步骤一，根据历史订单中品项的相关性，对入库品项进行上架货位指派；步骤二，对订单池内的出库订单进行分批；步骤三，将分批的出库订单对拣货员进行指派；步骤四，设计拣货员最佳行走路径。本发明根据历史订单的出货趋势对新订单的品项进行上架优化，同时对拣货员指派拣选任务，优化拣货员的行走路径，使得复杂的拣选作业简单化，降低作业的劳动量，规范作业流程、提高作业效率。

Description

一种物流配送中心作业任务处理与调度的方法

技术领域

本发明涉及物流工程领域，特别涉及一种物流配送中心作业任务处理与调度的方法。

背景技术

目前，随着信息技术和网络通信的飞速发展，电子商务作为一种新型的商业运作模式正逐渐渗透到人们生活的各个方面，而客户购买也向多品种、小批量的方向发展。作为物流系统中重要节点的配送中心，由于缺乏优化调度，随着订单量逐步增加而且订单要求不一，致使物流系统内部频频出现爆仓、作业效率低下、作业人员工作劳动强度大、包件发货时间延长、包件破损等问题。与电子商务的迅速发展严重不匹配，阻碍了电商业的发展和服务质量的提升。

在中小件物流中心里，作业人员要频繁地进行进货、上架、理货、补货、复核等复杂作业，还需要根据实时变化的订单在数以万计的商品中进行复杂的拣选作业，作业的劳动量非常大，同时作业不规范、作业效率低下，亟需改进。

发明内容

为解决现有技术物流系统配送中心任务调度作业效率低下的问题，提供一种物流配送中心作业任务处理与调度的方法，这种系统与方法能优化作业任务，提高作业效率和准确性。

为实现上述目的，本发明采用以下技术方案：

一种物流配送中心作业任务处理与调度的方法，对某一时段内的订单池内的订单进行任务处理与调度，包括以下步骤：

步骤一，入库时对品项进行上架的货位指派，货位指派时根据历史出库订单得出各品项间的相关性，根据相关性对品项进行货位变换，以使拣选历史出库订单时长最大的拣货员的拣选时间最小化作为品项储位；

步骤二，对订单池内的出库订单进行分批；

步骤三，将分批的出库订单对拣货员进行指派；

步骤四，设计拣货员最佳行走路径。

上述的一种物流配送中心作业任务处理与调度的方法，拣货时，同一个订单的品项都装到一辆拣选车的一个箱子中，订单池中的品项装到同一个箱子的次数越多，所谓的品项相关性就越强；并且设定每种品项只能被指派到一个货位；

对于任意拣货员m，在一个拣货波次内的总拣货时间为：

当H_j为偶数时：

当H_j为奇数时：

目标函数：Min Max(P_m)＝Min T

约束条件：

x_kzn,D_jm,G_jz∈{0,1}

p_t,U_j,v'≥0,C_jk为整数，H_j,z'j≥1

参数与变量说明：

J为一批订单需要的箱子数量，箱子编号为j；

Z为巷道总量，巷道编号为z；

N为每个巷道内的货位数，巷道的货位编号为n；

K为一批订单需要拣取的SKUs总量，SKUs编号为k；

M为一个班次的拣货员人数，拣货员编号为m；

R_c为货架列数；

U_j为对箱子j进行检查、扫描、确认初始化操作的时间；

p_t为拣取单件SKU的平均时间；

C_jk为放到第j个箱子里的SKU _k的件数；

G_jz，如果箱子j需要访问巷道z，其值为1，否则为0；

D_jm，如果将箱子j指派给第m个拣货员，其值为1，否则为0；

H_j为箱子j需要访问的巷道总数，

z’j为箱子j需要拣取的最后一个SKU所在的巷道编号；

N_jRc为箱子j需要拣取的最后一个SKU所在的货架列号；

P_m为第m个拣货员的总拣货时间；

T为耗时最长的拣货员的拣货时间；

v'为拣货员平均行走速度；

a为从一条巷道的出入口横向走到相邻巷道的出入口需要的时间；

x_kzn为决策变量，表示如果SKU_k被指派到第z巷道的第n个货位，其值为1，否则值为0；

对订单池内的品项采用如下方法进行货位的指派：

步骤1.1，根据历史订单信息，得出品项相关性列表，并设定初始参数：

参数ε：判断系统是否达到平衡的阈值；

参数N_s：连续不再产生新解的步数；

参数α：退火速率；

参数Q：算法最大运行时间；

步骤1.2，利用COI方法生成初始货位向量S⁰，令当前货位向量S＝S⁰，计算初始货位向量的目标函数值T(S⁰)，令当前最优的货位向量的目标函数值T(S^*)＝T(S⁰)；初始化初始温度y₀＝T(S⁰)/T_c，其中初温控制参数T_c>0，冷却进度表中其他温度y₁＝y₀α，初始时冷却进度表中的温度个数i'＝1，同时i'也是总迭代次数，每个温度y_i’下的迭代次数e＝0；

步骤1.3，随机生成[1,K_p]之间的整数w，利用位置变化策略对L(w)中的两个SKUs进行位置变换，其中位置变换策略为根据品项间的相关性，将相关性强的品项就近存储，其具体步骤为当品项b和品项j’的相关性大于品项b和品项y’的相关性时，品项j’与品项y’的位置互换，直至完成所有SKU对的位置交换为止；从而产生候选货位向量S^c，计算候选货位向量的目标函数值T(S^c)，令e＝e+1；

步骤1.4，计算ΔT＝T(S)-T(S^c)；如果ΔT>0，转步骤1.6；如果ΔT＝0，转步骤1.5；

步骤1.5，生成(0,1)之间的随机数r，如果r<exp(ΔT/y_i’)，转步骤1.6；

否则，转步骤1.3；

步骤1.6，接受S^c为当前解S，令S＝S^c,T(S)＝T(S^c)，如果T(S)<T(S^*)，接受S为当前最优解S^*，令S＝S^*，T(S)＝T(S^*)，如果e<E，转步骤1.3，否则转步骤1.7，其中内循环参数E为每个温度y_i’下的迭代总数，也就是温度y_i’下候选解S^c的数目；

步骤1.7：如果

系统在y_i’下未达到平衡，令e＝0，转步骤1.3，其中

为一个迭代周期内目标函数的均值，

为前一次和当前迭代周期内目标函数值的均值；否则，令e＝0，i'＝i'+1，y_i’＝y₀α^i’，如果i'<N_s，转步骤1.8；否则，算法结束，输出各品项的存储位置；

步骤1.8：如果运行时间小于算法最大运行时间Q，转步骤1.3；如果运行时间不小于Q，计算过程结束，得出各品项的存储位置；

上述的一种物流配送中心作业任务处理与调度的方法，对订单池内的订单采用如下方法进行分批。

步骤2.1：首先依据订单中品项所在的巷道建立订单包络Q_k[N_min,N_max],[N_min,N_max]为品项存储范围的最小巷道和最大巷道；

步骤2.2：根据公式

当最大通道号N_max为偶数时：

当最大通道号N_min为奇数时：

计算出每个订单包络对应的订单包络编号k，并且按从大到小的降序排列，相同编号的订单按其品项数从大到小降序排列；

步骤2.3：将排序第一个的订单作为第一批订单，按编号顺序将下一个订单加入，直至满足约束条件即不大于拣货车的容量为止，从而完成所有订单的分批。

上述的一种物流配送中心作业任务处理与调度的方法，对分批的订单进行指派，并且将每个批次中的订单指派给一个拣货员，以拣货完成时间最小为目标，为各拣货员指派拣选任务，优化模型为：

目标函数min(max O_i)

约束条件

a'_ik＝{0，1},g_ik＝{0，1},

o_i,S'_i,t'_ik,a'_ik,g_ik≥0

参数与变量说明：

n’为拣选任务数量，任务的集合为B_i＝{B₁，B₂，B₃…B_n’}，任务序号i＝1，2….n’；

m’为拣选员人数，拣选人员的集合为E’＝{E’₁…，E’_k，…E’_m’}，拣选人员序号k＝1，2，…，m’；

O_i是任务B_i的完成时刻；

S’_i表示任务B_i的开始执行时刻；

p为分配给员工E’_K的任务数量；

t’_ik为拣选人员E’_k执行任务B_i所用时间；

g_ik表示员工E’_k能否胜任任务B_i的状态，如果能胜任则g_ik＝1，否则g_ik＝0；

a’_ik表示任务B_i是否被指派给员工E’_k的状态，如果是则a’_ik＝1，否则a’_ik＝0；指派步骤如下：

步骤3.1：根据当前拣选人员任务指派及调度优化问题的规模，构造解的构析图G＝(N’，A)，其中N'是节点集合，A是连接N’中节点的边的集合；

步骤3.2：初始化参数，主要包括信息启发式参数α，期望启发式参数β，信息素挥发系数ρ，蚁群规模N_ant，最大迭代次数t_max，最优解保持不变的连续迭代次数W_max，令迭代次数t＝0，算法迭代时，迭代次数t→t+1；令图上每条边(u，v)的初始化信息素

其中C表示常数，且初始状态时蚂蚁r未在各边释放信息素，即Δτ^r(0)＝0；

步骤3.3：构造可行解：蚂蚁r(r＝1，2，…，N_ant)从源点出发，按公式3.1计算每一相邻节点的能见因数，η_uv ^r(t)是边(u,v)长度d_uv的倒数，代表了第t次迭代时蚂蚁r在节点u选择节点v的期望程度；并按公式3.2确定下一游历节点N_uv，最终构造出可行解；式中

表示在第t次迭代时，处于节点u上的蚂蚁r选择节点v作为下一个点的概率，N_u ^r是节点u上蚂蚁r下一步允许选择的节点的集合，各节点用l表示，其中任意一个节点v∈N_u ^r，

步骤3.4：信息素更新，每次迭代结束，蚂蚁r根据下式

进行全局信息素更新，其中τ_uv(t)是第t次迭代时边(u,v)上的信息素浓度,h是第t次迭代时走过边(u,v)的蚂蚁总数，ρ是信息素挥发系数，ρ∈{0，1}；

是第t次迭代时蚂蚁r经过边(u,v)后释放的信息素浓度，路径越短蚂蚁所释放的信息素就越多,L^r(t)是蚂蚁r在第t次迭代时所走过的总路径长度；

步骤3.5：精英解保留，每次迭代结束后，评价出精英解，将其保留；

步骤3.6：如果算法迭代达到稳态，即蚂蚁数量以线性规律减少，则转到步骤3.7；如果没有达到稳态，则转至步骤3.3；

步骤3.7：终止条件检查，若t>t_max或连续W_max代最优解保持不变，则记录当前最优解，否则转至步骤3.3；

步骤3.8：输出各拣货员的拣选任务。

上述的一种物流配送中心作业任务处理与调度的方法，计算拣货员最佳行走路径，在拣选时间最小化的目标下设计拣选人员的拣选路径，

其中，x_i,x_j是拣选品的距离，v'是拣选车的速度

其中f为拣选时间；

F是货位间运行所需的时间矩阵；

X是所进行拣选路径形成的01矩阵，|X|≠0表示矩阵满秩，即所有货位都能够被访问，0l矩阵中，1表示拣选路径通过两货位点，0则表示未通过；

n'为待拣货位总数；

按如下步骤确定作业人员的最优拣货路径：

步骤4.1：对算法的相关参数进行设定：人工鱼的群体规模Fishnum，最大迭代次数Max-gen、拥挤度因子Delta、人工鱼的感知距离Visual和觅食最多试探次数Trynum；

步骤4.2：生成初始鱼群并计算其适应值，在搜索区域即仓库的拣选区域内找到每条人工鱼的初始位置并计算其当前位置和当前状态的食物浓度并带入目标函数得到人工鱼的初始位置的状态；

步骤4.3：公告板赋初值，将随机设置的一条鱼群状态值放到公告板上作为初始值，然后将浓度值作为评价指标，经过数值比较后将较优状态记录并保留；

步骤4.4：移动策略，通过自身信息与环境信息的交互作为行为选择的依据来进行鱼群算法基本操作并计算新状态下的食物浓度，通过不断更新鱼群自身位置状态，始终向着较优方向前进，直到找到全局最优解；

步骤4.5：公告板更新，比较人工鱼每次移动后的状态和公告板状态，若人工鱼状态优于公告板，则更新公告板，否则保持公告板状态不变；

步骤4.6：终止条件判断，通过判断是否达到最大迭代次数来决定循环是否终止，若循环终止则按公告板状态输出最优计算结果，否则继续步骤4.4；

步骤4.7：结束，当满足终止条件时会将最优拣选路径输出，运行结束，此时公告板中所记载的数据就是这次优化的最终结果，输出公告板记录作为最优解。

本发明根据历史订单的出货趋势对新订单的品项进行上架优化，同时对拣货员指派拣选任务，优化拣货员的行走路径，使得复杂的拣选作业简单化，降低作业的劳动量，规范作业流程、提高作业效率。

当作业人员按照系统指示的最优路径到达指定位置后，可以根据交互设备上显示的任务相关信息，如拣选任务的相关数量、位置信息并点亮电子标签，或以3D模式显示拣选品项所在货架位置，作业人员从货架取下对应数量的货品，按照电子标签指示完成播种作业。

可以搭载高效任务处理系统的可视化智能作业车，使物流中心内的工作更加人性化，解放了双手、减少了行走路线的随意性、减少了寻找时间、简化了作业动作，智能化引导作业人员进行作业，有效提高工作效率，降低作业成本。

附图说明

图1智能任务调度系统的结构框图。

图2智能任务调度系统数据交互界面。

图3智能任务调度系统流程图。

图4仓库平面示意图。

图5初始货位下拣货员m的拣选路径。

图6候选货位下拣货员m的拣选路径。

图7最优货位下拣货员m的拣选路径。

图8上架任务货品信息界面。

图9上架任务执行系统界面。

图10品项的存储范围。

图11构析图。

图12拣选任务货品信息界面。

图13最优拣选路径。

图14最优拣选路径的直观图。

图15最优拣选路径的系统界面。

图16可视化智能作业车的侧视图。

图中标记为：1-10为品项。

具体实施方式

实施例

参照附图，一种物流配送中心作业任务处理与调度方法的结构体系，本实施例以中间留有一条过道的双区型仓库为例，仓库平面图如图4所示，仓库中有10条纵向巷道，宽2m；3条横向通道，宽2m；巷道左右两边的货架分为2排，每排货架有20个货格，货格宽2m，深2m。

步骤一，调度系统根据历史出库订单信息将各品项进行储位分配：

此算法根据历史出库订单的相关信息，将相关性强的品项指派到尽可能近的货位；在本领域，品项即称为SKU；向作业人员发送上架作业指令。旨在通过本步骤进行上架指派优化，以提高拣选效率。

货位指派-上架算法运算过程中的约束条件有：

即每种SKU只能被指派到一个货位；

即每个货位最多容纳一种SKU；

即每个箱子至少访问一个巷道；

即拣货员的拣选时间不能大于最长拣货员的拣选时间；

x_kzn,D_jm,G_jz∈{0,1}和p_t,U_j,v'≥0,C_jk为整数，H_j,z'j≥1为参数和变量的取值范围。

其中决策变量x_kzn为SKU k如果被指派到第z巷道的第n个货位，其值为1，否则为0；

Z为巷道总量，编号为z＝1,2,3……Z；

N为每个巷道内的货位数，编号为n＝1,2,3……N；

K为一批订单需要拣取的SKU总量，编号为k＝1,2,3……K；

J为一批订单需要的箱子数量，编号为j＝1,2,3……J；

G_jz为如果箱子j需要访问巷道z，其值为1，否则为0；

P_m为第m个拣货员的总拣货时间；

T为耗时最长的拣货员的拣货时间；

M为一个班次的拣货员人数，编号为m＝1,2,3……M；

D_jm为如果将箱子j指派给第m个拣货员，其值为1，否则为0；

p_t为拣取单件SKU的平均时间；

U_j为对箱子j进行检查、扫描、确认等初始化操作的时间；

v'为拣货员平均行走速度；

C_jk为放到第j个箱子里的SKU k的件数；

H_j为箱子j需要访问的巷道总数，

z’_j为箱子j需要拣取的最后一个SKU所在的巷道编号；

a为从一条巷道的出入口横向走到相邻巷道的出入口需要的时间；

N_jRc为箱子j需要拣取的最后一个SKU所在的货架列号；

R_c为货架列数。

通过物流配送中心的物品信息管理系统与出库订单中的品项信息进行对比盘点后，发现货架中缺少品项编号为1、2、3、5、7、10的品项，且空货位有(1，9)、(14，9)、(2，14)、(6，17)、(10，17)、(20，6)，因此需要将这些品项进行货位分配从而补货上架。

图4所示黑色区域为空缺货位，空缺货位两头的数字编号为仓库中已存放的临近空货位的品项编码，由于相邻品项将影响后续货位分配时的拣选路径与品项的位置交换，故在图中列出。

物流配送中心的历史出库订单众多，本实施例只拣选了6份作为参考，其订单数据如表1所示。

表1历史出库订单数据

储位分配的步骤如下：

由于订单1中的品项数量最多，因此假设拣选订单1的拣货员m为拣选时间最长的人。由表1知拣选员m需要拣选品项2、4、5、7、9、10，一个订单由一名拣选员完成拣选工作，因此本实施例的货位指派问题具体为将品项1、2、3、5、7、10指派到合适的货位从而使拣选员m拣选历史出库订单1中的品项2、4、5、7、9、10时的拣选时间最短。

步骤1.1：根据表1的历史订单信息，产生关于品项相关性的排名表2。品项的相关性，通常指两个品项的相关性，如果是三个及以上的品项来计相关性的话，会引起信息爆炸，计算会十分烦琐。本实施例中以两个品项的相关性进行相应的计算。

表2“SKU_S对”排名表

注：本表格只标注了出现次数大于等于2的SKU_S对

表中共有K_P＝19个“SKU_S”对，货位安排时要尽可能将同时出现在一个箱子里次数多的SKU临近存放，如表中品项2和5的相关性强，因此货位指派时尽可能将品项2和5指派到同一巷道且尽可能近的货位。

初始化参数：判断系统是否达到平衡的阈值ε＝10^-2，连续不再产生新解的步数N_s＝10步，退火速率α＝0.997，算法最大运行时间Q＝0.3h；

步骤1.2：利用COI方法产生初始货位向量S^O：COI方法是根据SKU拣取次数的多少进行货位指派，即拣取次数越多的SKU被指派的巷道距离起点越近，同一巷道内，拣取次数越多的SKU的货位距离巷道入口越近。

根据表1的订单信息统计出品项1、2、3、5、7、10的拣取次数分别为7、14、8、7、9、6，因此品项2、7安排在距离起点近的巷道，且品项2靠近巷道口存放，即品项2、7的货位为(1，9)、(2，14)，其中横坐标是货架列数，纵坐标为货架排数。

依照此方法品项1、3、5、10的货位为(10，17)、(6，17)、(14，9)、(20，6)。因此根据COI方法品项1、2、3、5、7、10的初始货位S⁰为(10，17)、(1，9)、(6，17)、(14，9)、(2，14)、(20，6)；

令当前货位向量S＝S⁰，计算初始货位向量的目标函数值T(S⁰)：货位向量的目标函数值计算公式为，当H_j为偶数时

当H_j为奇数时

计算出拣选人员m在一个拣货波次内的总拣货时间P_m，然后以最小化耗时最长的拣货员的拣货时间T为目标，即目标函数Min Max(P_m)＝Min T。

根据品项的初始位置以及空缺货位旁的已存放品项得出拣货员m的拣选路径如图5所示，拣选路线从出入口I/O处出发并回到该处，箭头为拣货员的行动方向，即拣选方向，数字编码为拣货员需拣选品项的编号，由图知拣选订单1的拣货员m在应用COI方法产生的初始货位下拣取品项2、4、5、7、9、10的箱子需要访问的巷道总数H_j＝8，其为偶数故应用公式

计算T(S⁰)，其中D_jm＝1，U_j＝10s,v’＝2s/列，R_C＝20,z'j＝10，a＝3s,P_t＝3s,C_1,2＝3,C_1,4＝3,C_1,5＝4,C_1,7＝1,C_1,9＝3,C_1,10＝2,X_kzn＝1，算得T(S⁰)＝432s，令当前最优的货位向量的目标函数值T(S^*)＝T(S⁰)＝432s；

初始化初始温度y₀＝T(S⁰)/T_c＝432/3500＝0.123，冷却进度表中其他温度y₁＝y₀α＝0.123*0.997＝0.1226,初始时冷却进度表中的温度个数’＝1，每个温度y_i’下的迭代次数e＝0；

步骤1.3：利用位置变化策略对表2中同时出现在一个箱子里次数多的SKU采取就近存放策略，即随机生成整数w＝1，则需将品项2尽量靠近品项5存放，根据图4中货位(1，9)临近货位有品项2，又品项2与5的相关性大于品项3与5的相关性，因此变换品项2和5的位置，从而产生品项1、2、3、5、7、10的候选货位向量S^C：(10，17)、(14，9)、(6，17)、(1，9)、(2，14)、(20，6),根据候选货位指派和空缺货位旁的已存放品项得出拣货员m的拣选路径如图6所示，拣选路线从出入口I/O处出发并回到该处，箭头为拣选方向，数字编码为拣选员m需拣选品项的编号，由拣选路径知H_j＝6为偶数故应用公式

计算候选货位向量的目标函数值T(S^c)，其中D_jm＝1，U_j＝10s,v’＝2s/列，

R_C＝20,z'j＝10,a＝3s,P_t＝3s,C_1,2＝3,C_1,4＝3,C_1,5＝4,C_1,7＝1,C_1,9＝3,C_1,10＝2,X_kzn＝1，算得T(S^c)＝352s，同时令e＝e+1＝1；

步骤1.4：计算ΔT＝T(S)-T(S^c)＝80>0，转步骤1.6；

步骤1.6：接受S^c为当前解S，令S＝S^c,T(S)＝T(S^c),因为T(S)<T(S^*)，所以接受S为当前最优解S^*,并令S＝S^*，T(S)＝T(S^*)，又e<E＝6，其中内循环参数E为每个温度y_i’下的迭代总数，也就是温度y_i’下候选解S^c的数目，转步骤1.3；

多次迭代都未满足e<E的要求，因此在重复了5次步骤1.3至1.6后又转至步骤1.3，在第7次迭代中T(S)＝326s。

步骤1.3：应用位置变换策略最后得到品项1、2、3、5、7、10的候选货位向量S^C为：(14，9)、(20，6)、(10，17)、(1，9)、(2，14)、(6，17)，根据该货位指派与空缺货位旁的已存品项得出拣货员m的拣选路线如图7所示，拣选路线从出入口I/O处出发并回到该处，箭头为拣选方向，数字编码为待拣选品项的编号，由图知H_j＝6，D_jm＝1，U_j＝10s,v’＝2s/列，R_C＝20,U_j＝5,a＝3s,P_t＝3s,C_1,2＝3,C_1,4＝3,C_1,5＝4,C_1,7＝1,C_1,9＝3,C_1,10＝2,X_kzn＝1，算得T(S^c)＝322s，令e＝6+1＝7，转至步骤1.4；

步骤1.4：计算ΔT＝T(S)-T(S^c)＝4>0，转至步骤1.6；

步骤1.6：接受S^c为当前解S，令S＝S^c,T(S)＝T(S^c),因为T(S)<T(S^*)，所以接受S为当前最优解S^*,并令S＝S^*，T(S)＝T(S^*)，又e>E，转至步骤1.7；

步骤1.7：计算

的值，其中

为一个迭代周期内目标函数的均值,

为前一次和当前迭代周期内目标函数值的均值，计算得

即系统在y_i’下达到平衡，然后令e＝0，i'＝2,y_i’＝y₀α^i’＝0.123*0.997²＝0.1223，又i'＝2<N_s＝10步，转至步骤1.8；

步骤1.8：该过程运行时间大于最大运行时间Q＝0.3h,因此算法结束，得出品项1、2、3、5、7、10的存储货位为：(14，9)、(20，6)、(10，17)、(1，9)、(2，14)、(6，17)。

实验证明采用基于SKU_S相关性的算法比不考虑相关性关系的算法拣货效率提高14.6％左右。

货位指派完毕后，智能拣选车通过无线网络接受后台优化调度系统下发的作业任务和相关信息进行上架作业，工作人员通过如图8所示的上架任务货品信息界面知晓上架任务，并通过如图9所示的上架任务执行系统界面进行上架作业。

步骤二，上架作业完成后，对出库订单进行分批：

订单包络是指订单品项的存储范围，由品项所在储位的最小巷道号和最大巷道号表示，即为[N_min,N_max]。订单包络算法是根据仓库的实际情况，将每个订单包络用唯一编号表示出来，通过编号进行比较计算，得出分批结果。此法在考虑了品项相关性的货位安排基础上，对出库订单进行合并及分批，旨在减少拣选人员的拣选时间，从而提高拣选效率。

某时段物流配送中心接到如表3所示的8张出库订单。

表3出库订单数据

现将仓库中的品项存储范围标注如图10所示，其中数字表示该货位存储着某订单的品项，如1表示订单1可进行拣选的货位。

应用订单包络算法对8张订单进行分批，其运算步骤如下：

步骤2.1：根据订单品项所在的巷道建立订单包络Q_k[N_min,N_max]，每个订单为一个订单包络，因此看图得8张订单的订单包络为Q₁(1，10)、Q₂(1,9)、Q₃(1，10)、Q₄(2，8)、Q₅(2，6)、Q₆(1，9)、Q₇(10，10)、Q₈(1，5)；

步骤2.2：根据公式

(当Q_k[N_min,N_max]中的N_max为偶数时)和

(当Q_k[N_min,N_max]中的N_max为奇数时)算得订单B₁至订单B₈所对应的订单包络编号分别为55、35、55、35、20、35、46、6，将该值从大到小排序后对应的订单为1、3、7、6、2、4、5、8，其中相同编号的订单按其品项数从大到小降序排列；

步骤2.3：根据各订单的拣选数量，又拣选车的容量为30，且一个订单只能完整地放在一辆拣选车里，最后分批结果为{B₁}{B₃，B₇}{B₆，B₂}{B₄，B₅，B₈}，订单分批完成。

分批结束后物流配送中心按照分批结果依次对订单进行拣选作业。

将分批前后的拣选路程进行对比，不分批时的拣选路程为1142m，采用包络算法后的拣选路程为802m，因此应用包络算法对订单进行分批后拣选行走距离短，时间少，提高了拣选效率。

步骤三，在分批结果的基础上，将分批后的出库订单指派给拣货员：

此算法在订单分批的基础上，通过智能拣选车对不同的拣选人员分配拣选任务，使拣选人员更加高效地完成任务的同时降低成本。

以{4，5，8}这批订单为研究对象，即现有3个订单(B₄、B₅、B₈)，2名拣货员(E'₁、E'₂)，拣货员承担任务的时间如表4所示。

表4各拣货员承担任务的时间(单位/s)

运算过程中的约束条件有：

即每个订单只能分配给一个拣选人员；

即拣货员完成订单拣选任务所花费的时间；

a'_ik＝{0，1},g_ik＝{0，1},o_i,S_i,t'_ik,a'_ik,g_ik≥0是参数和变量的取值范围；

其中a'_ik为任务B_i是否被指派给员工E'_k的状态，如果是则a'_ik＝1，否则a'_ik＝0

n’为拣选任务数量，任务的集合为B_i＝{B₁，B₂，B₃…B_n’}，任务序号i＝1，2….n’；

m’为拣选员人数，拣选人员的集合为E'＝{E'₁…，E'_k，…E'_m’}，拣选人员序号k＝1，2，…，m’；

O_i为任务B_i的完成时刻；

S'_i为任务B_i的开始执行时刻；

p为分配给员工E'_K的任务数量；

t'_ik为拣选人员E'_k执行任务B_i所用时间；

g_ik为员工E'_k能否胜任任务B_i的状态，能够胜任取值为1，否则为0；

将分批后的订单指派给拣货员的运算步骤如下：

步骤3.1：根据该问题建立解的构析图G(N’,A)，其中N’是节点集合，A是连接N’中节点的边的集合。本例中N’＝{a,4,5,8,b},A＝{a,4}、{a,8}、{4,5}、{4,8}、{5,8}、{5,b}、{8,b},从而构造构析图如图11所示。图11中带箭头的边为单向边,蚂蚁只能从箭头尾端走向箭头顶端,不带箭头的边为双向边，蚂蚁的行走方向不受限制，节点数字4、5、8为订单号，节点a、b是虚拟点，路径长度表示员工承担任务时间；

步骤3.2：初始化参数。信息启发式参数α＝1，期望启发式参数β＝4，信息素挥发系数ρ＝0.001，最大迭代次数t_max＝25，最优解保持不变的连续迭代次数W_max＝10，蚂蚁个数m＝300，图上每条边(u，v)的初始化信息素

且初始状态时蚂蚁r未在各边释放信息素即Δτ^r(0)＝0；

步骤3.3：构造可行解。蚂蚁r(r＝1，2，…,N_ant)从源点出发，结合公式

计算构析图中每一相邻节点的能见因数，其中η_uv ^r(t)是两节点边(u,v)的长度d_uv的倒数，代表了第t次迭代时蚂蚁r在节点u选择节点v的期望程度,根据上式算得对于员工E₁的每一相邻节点的能见度因数为

按式

确定下一游历节点N_uv，其中

表示在第t次迭代时，处于节点u上的蚂蚁r选择节点v作为下一个点的概率，N_u ^r是节点u上蚂蚁r下一步允许选择的节点的集合，各点用l表示，其中任意一个节点v∈N_u ^r,根据上式算得各节点的概率为

从而构造出可行解即拣货员E'₁拣选订单4和订单8或者拣选订单4和5或者拣选订单4、5、8，则拣货员E'₂拣选订单5或者拣选订单8或者不安排任务；

步骤3.4：信息素更新。应用公式

其中

是第t次迭代时蚂蚁r经过边(u,v)后释放的信息素浓度，路径越短蚂蚁所释放的信息素就越多,L^r(t)是蚂蚁r在第t次迭代时所走过的总路径长度，代入算得第0次迭代时蚁群释放的信息浓度为

应用公式

将全局信息素更新，其中τ_uv(t)是第t次迭代时边(u,v)上的信息素浓度,h是第t次迭代时走过边(u,v)的蚂蚁总数，ρ是信息素挥发系数，ρ∈{0，1}，算得第1次迭代时各边的信息素浓度为τ_a,4(1)＝20.3，τ_a,8(1)＝11，τ_4，5(1)＝6.2，τ_4，8(1)＝16.1；

步骤3.5：精英解保留。精英解的标准为耗时最长的拣货员的订单拣选时间减少，即目标函数min(max O_i)，其中

即任务完成时刻等于开始时刻与员工E'_K执行任务B_i所用时间之和，算得拣货员E'₁拣选订单4和订单8的拣选时间为11s，拣选订单4和5的时间为13s，拣选订单4、5、8的时间为19，因此精英解为a至4至8再至b；

步骤3.6：在迭代过程中蚂蚁数量以线性规律减少，因此转至步骤3.7；

步骤3.7：终止条件检查。发现连续10代可行解保持不变，且拣选的完成时间最小化，因此记录当前解为最优解，转至步骤3.8；

步骤3.8：输出最优解。即任务指派结果为订单4和8指派给拣货员E'₁，订单5指派给拣货员E'₂。

用上述计算方法，对分批后的订单{B₁}{B₃，B₇}{B₂，B₆}进行指派，结果为第一批订单B₁指派给E'₁；第二批订单中的B₃分配给E'₁，B₇分配给E'₂；第三批订单中的B₆分配给E'₁，B₂分配给E'₂。

调度优化系统将拣选任务通过智能拣选车分配给各拣货员，如图12所示，智能拣选车的前端系统接收任务后可显示拣选品项名称、拣选数量、货位编码等信息。

步骤四，拣货员接收到拣选任务后，计算拣选人员最优的拣选路径：

此算法用于解决给定任务后，为不同的拣货人员在拣货区域内设计不同的最佳行走路线，目的是通过制定最佳拣货行走路径，提升单位行走距离的拣选量，提高作业效率。针对拣货员E'₁拣选订单B₄和B₈，E'₂拣选订单B₅进行最优路径设计。

应用人工鱼群算法设计最优的拣选路径的运算步骤如下：

步骤4.1：参数设定。人工鱼的群体规模Fishnum＝50，最大迭代次数Max-gen＝10，拥挤度因子Delta＝0.8，人工鱼的感知距离Visual＝10，觅食最多试探次数Trynum＝20，拣货员E'₁和拣货员E'₂待拣选货位数分别为N₁＝6，N₂＝4，包括原点。

步骤4.2：生成初始鱼群并计算其适应值，案例中订单B₄和B₈中需拣选5个货位，订单B₅需拣选3个货位。而由图14知拣货员E'₁需拣选的货位坐标即人工鱼的初始位置分别是(0，0)、(11，8)、(4，8)、(2，7)、(16，14)、(10，13)，拣货员E'₂需拣选的货位坐标分别是(0，0)、(6，9)、(12，6)、(4，12)。拣货员E'₁应用公式

(x_i,x_j是拣选品的距离，v'是拣选车的速度)计算货位i至货位j的拣选时间F_i,j，其中v'＝1.8s/列，所以算得F_1,2＝26.7s，F_2,3＝18.9s，F_3,4＝20s，F_4,5＝32.2s，F_5,6＝14.4s，F_6,1＝28.9s；再将结果代入目标函数

即在拣选时间最小化的目标下设计拣选人员的拣选路径，算得人工鱼群的初始状态。

其中f为拣选时间；

K为货位号；

F是货位间运行所需的时间矩阵；

X是所进行拣选路径形成的01矩阵；|X|≠0表示矩阵满秩，即所有货位都可以被访问。0l矩阵中，1表示拣选路径通过两货位点，0则表示未通过；

n'为待拣货位总数。

又拣选路径通过货位1、2、3、4、5，因此

所以根据公式算得该拣选路径的拣选时间为141.1s

步骤4.3：公告板赋初值。公告板是记录最优人工鱼个体状态的数组，将步骤4.2中的人工鱼群的状态记录并保留为公告板初值，即(0，0)→(11，8)→(4，8)→(2，7)→(16，14)→(10，13)；

步骤4.4：移动策略。通过鱼群自身位置更新，移动后的拣选路径为(0，0)、(4，8)、(2，7)、(11，8)、(16，14)、(10，13)，计算该路径下的拣选时间，算得F_1,2＝13.3s，F_2,3＝20s，F_3,4＝33.3s，F_4,5＝14.4s，F_5,6＝24.4s，F_6,1＝30s，又

根据公式

算得该拣选路径的拣选时间为135.4s；

步骤4.5：公告板更新。移动后的人工鱼群状态相较于公告板状态，拣选时间缩短了4.04％，因此公告板更新为(0，0)→(4，8)→(2，7)→(11，8)→(16，14)→(10，13)；

步骤4.6：终止条件判断。计算过程中迭代次数未达到最大迭代次数Max-gen＝10，因此转至步骤4.4；

由于迭代过程中迭代次数始终小于10，因此在重复了8次步骤4.4至4.5后，最后又转至步骤4.4。

步骤4.4：通过鱼群自身位置更新，移动后的拣选路径为(0，0)、(2，7)、(4，8)、(10，13)、(16，14)、(11，8)，计算该路径下的拣选时间，算得F_1,2＝8.9s，F_2,3＝10s，F_3,4＝34.4s，F_4,5＝25.6s，F_5,6＝14.4s，F_6,1＝27.8s，又

根据公式

算得该拣选路径的拣选时间为121.1s；

步骤4.5：此时公告板更新为(0，0)→(2，7)→(4，8)→(10，13)→(16，14)→(11，8)；

步骤4.6：终止条件判断。计算过程中迭代次数达到最大迭代次数Max-gen＝10，因此转至步骤4.7；

步骤4.7：算法结束，输出E₁的最优拣选路径为(0，0)→(2，7)→(4，8)→(10，13)→(16，14)→(11，8)。

根据上述方法得到E'₂的最优拣选路径为：(0，0)→(4，12)→(6，9)→(12，6)。则拣货员E'₁、E'₂的最优拣选路径如图13所示，实线为拣货员E'₁的最优拣选路径，虚线为拣货员E'₂的最优拣选路径。

最优拣选路径在物流配送中心的直观图如图14所示，实线为拣货员E'₁的最优拣选路径，虚线为拣货员E'₂的最优拣选路径，拣选路径从出入口I/O处出发并回到该处，箭头为拣选方向，数字编码为订单的编号，即拣货员E'₁需拣选订单4和8，拣货员E'₂需拣选订单5。

Claims (1)

1.一种物流配送中心作业任务处理与调度的方法，对某一时段内的订单池内的订单进行任务处理与调度，包括以下步骤：

步骤一，入库时对品项进行上架的货位指派，货位指派时根据历史出库订单得出各品项间的相关性，根据相关性对品项进行货位变换，以使拣选历史出库订单时长最大的拣货员的拣选时间最小化作为品项储位；

步骤二，对订单池内的出库订单进行分批；

步骤三，将分批的出库订单对拣货员进行指派；

步骤四，设计拣货员最佳行走路径；

拣货时，同一个订单的品项都装到一辆拣选车的一个箱子中，订单池中的品项装到同一个箱子的次数越多，所谓的品项相关性就越强；并且设定每种品项只能被指派到一个货位；

对于任意拣货员m，在一个拣货波次内的总拣货时间为：

当H_j为偶数时：

当H_j为奇数时：

目标函数：Min Max(P_m)＝Min T

约束条件：

x_kzn,D_jm,G_jz∈{0,1}

p_t,U_j,v'≥0,C_jk为整数，H_j,z'j≥1

参数与变量说明：

J为一批订单需要的箱子数量，箱子编号为j；

Z为巷道总量，巷道编号为z；

N为每个巷道内的货位数，巷道的货位编号为n；

K为一批订单需要拣取的SKUs总量，SKUs编号为k；

M为一个班次的拣货员人数，拣货员编号为m；

R_c为货架列数；

U_j为对箱子j进行检查、扫描、确认初始化操作的时间；

p_t为拣取单件SKU的平均时间；

C_jk为放到第j个箱子里的SKU_k的件数；

G_jz，如果箱子j需要访问巷道z，其值为1，否则为0；

D_jm，如果将箱子j指派给第m个拣货员，其值为1，否则为0；

H_j为箱子j需要访问的巷道总数，

z’j为箱子j需要拣取的最后一个SKU所在的巷道编号；

N_jRc为箱子j需要拣取的最后一个SKU所在的货架列号；

P_m为第m个拣货员的总拣货时间；

T为耗时最长的拣货员的拣货时间；

v'为拣货员平均行走速度；

a为从一条巷道的出入口横向走到相邻巷道的出入口需要的时间；

x_kzn为决策变量，表示如果SKU_k被指派到第z巷道的第n个货位，

其值为1，否则值为0；

对订单池内的品项采用如下方法进行货位的指派：

步骤1.1，根据历史订单信息，得出品项相关性列表，并设定初始参数：

参数ε：判断系统是否达到平衡的阈值；

参数N_s：连续不再产生新解的步数；

参数α：退火速率；

参数Q：算法最大运行时间；

步骤1.2，利用COI方法生成初始货位向量S⁰，令当前货位向量S＝S⁰，计算初始货位向量的目标函数值T(S⁰)，令当前最优的货位向量的目标函数值T(S^*)＝T(S⁰)；初始化初始温度y₀＝T(S⁰)/T_c，其中初温控制参数T_c>0，冷却进度表中其他温度y₁＝y₀α，初始时冷却进度表中的温度个数i'＝1，同时i'也是总迭代次数，每个温度y_i’下的迭代次数e＝0；

步骤1.3，随机生成[1,K_p]之间的整数w，利用位置变化策略对L(w)中的两个SKUs进行位置变换，其中位置变换策略为根据品项间的相关性，将相关性强的品项就近存储，其具体步骤为当品项b和品项j’的相关性大于品项b和品项y’的相关性时，品项j’与品项y’的位置互换，直至完成所有SKU对的位置交换为止；从而产生候选货位向量S^c，计算候选货位向量的目标函数值T(S^c)，令e＝e+1；

步骤1.4，计算ΔT＝T(S)-T(S^c)；如果ΔT>0，转步骤1.6；如果ΔT＝0，转步骤1.5；

步骤1.5，生成(0,1)之间的随机数r，如果r<exp(ΔT/y_i’)，转步骤1.6；否则，转步骤1.3；

步骤1.6，接受S^c为当前解S，令S＝S^c,T(S)＝T(S^c)，如果T(S)<T(S^*)，接受S为当前最优解S^*，令S＝S^*，T(S)＝T(S^*)，如果e<E，转步骤1.3，否则转步骤1.7，其中内循环参数E为每个温度y_i’下的迭代总数，也就是温度y_i’下候选解S^c的数目；

步骤1.7：如果

系统在y_i’下未达到平衡，令e＝0，转步骤1.3，其中

为一个迭代周期内目标函数的均值，

为前一次和当前迭代周期内目标函数值的均值；否则，令e＝0，i'＝i'+1，y_i’＝y₀α^i’，如果i'<N_s，转步骤1.8；否则，算法结束，输出各品项的存储位置；

步骤1.8：如果运行时间小于算法最大运行时间Q，转步骤1.3；如果运行时间不小于Q，计算过程结束，得出各品项的存储位置；对订单池内的订单采用如下方法进行分批：

步骤2.1：首先依据订单中品项所在的巷道建立订单包络Q_k[N_min,N_max],[N_min,N_max]为品项存储范围的最小巷道和最大巷道；

步骤2.2：根据公式

当最大通道号N_max为偶数时：

当最大通道号N_min为奇数时：

计算出每个订单包络对应的订单包络编号k，并且按从大到小的降序排列，相同编号的订单按其品项数从大到小降序排列；

步骤2.3：将排序第一个的订单作为第一批订单，按编号顺序将下一个订单加入，直至满足约束条件即不大于拣货车的容量为止，

从而完成所有订单的分批；

对分批的订单进行指派，并且将每个批次中的订单指派给一个拣货员，以拣货完成时间最小为目标，为各拣货员指派拣选任务，优化模型为：

目标函数min(max O_i)

约束条件

a'_ik＝{0，1},g_ik＝{0，1},

o_i,S'_i,t'_ik,a'_ik,g_ik≥0

参数与变量说明：

n’为拣选任务数量，任务的集合为B_i＝{B₁，B₂，B₃…B_n’}，任务序号i＝1，2....n’；

m’为拣选员人数，拣选人员的集合为E’＝{E’₁…，E’_k，…E’_m’}，拣选人员序号k＝1，2，…，m’；

O_i是任务B_i的完成时刻；

S’_i表示任务B_i的开始执行时刻；

p为分配给员工E’_K的任务数量；

t’_ik为拣选人员E’_k执行任务B_i所用时间；

g_ik表示员工E’_k能否胜任任务B_i的状态，如果能胜任则g_ik＝1，否则g_ik＝0；

a’_ik表示任务B_i是否被指派给员工E’_k的状态，如果是则a’_ik＝1，否则a’_ik＝0；

指派步骤如下：

步骤3.1：根据当前拣选人员任务指派及调度优化问题的规模，构造解的构析图G＝(N'，A)，其中N'是节点集合，A是连接N'中节点的边的集合；

步骤3.2：初始化参数，包括信息启发式参数α'，期望启发式参数β，信息素挥发系数ρ，蚁群规模N_ant，最大迭代次数t_max，最优解保持不变的连续迭代次数W_max，令迭代次数t＝0，算法迭代时，迭代次数t→t+1；令图上每条边(u，v)的初始化信息素

其中C表示常数，且初始状态时蚂蚁r未在各边释放信息素，即Δτ^r(0)＝0；

步骤3.3：构造可行解：蚂蚁r，r＝1，2，…，N_ant，从源点出发，按公式3.1计算每一相邻节点的能见因数，η_uv ^r(t)是边(u,v)长度d_uv的倒数，代表了第t次迭代时蚂蚁r在节点u选择节点v的期望程度；并按公式3.2确定下一游历节点N_uv，最终构造出可行解；式中

表示在第t次迭代时，处于节点u上的蚂蚁r选择节点v作为下一个点的概率，N_u ^r是节点u上蚂蚁r下一步允许选择的节点的集合，各节点用l表示，其中任意一个节点v∈N_u ^r，

步骤3.4：信息素更新，每次迭代结束，蚂蚁r根据下式

进行全局信息素更新，其中τ_uv(t)是第t次迭代时边(u,v)上的信息素浓度,h是第t次迭代时走过边(u,v)的蚂蚁总数，ρ是信息素挥发系数，ρ∈{0，1}；

是第t次迭代时蚂蚁r经过边(u,v)后释放的信息素浓度，路径越短蚂蚁所释放的信息素就越多,L^r(t)是蚂蚁r在第t次迭代时所走过的总路径长度；

步骤3.5：精英解保留，每次迭代结束后，评价出精英解，将其保留；

步骤3.6：如果算法迭代达到稳态，即蚂蚁数量以线性规律减少，则转到步骤3.7；如果没有达到稳态，则转至步骤3.3；

步骤3.7：终止条件检查，若t>t_max或连续W_max代最优解保持不变，则记录当前最优解，否则转至步骤3.3；

步骤3.8：输出各拣货员的拣选任务；

计算拣货员最佳行走路径，在拣选时间最小化的目标下设计拣选人员的拣选路径：

其中，x_i,x_j是拣选品的距离，v'是拣选车的速度

其中f为拣选时间；

F是货位间运行所需的时间矩阵；

X是所进行拣选路径形成的01矩阵，|X|≠0表示矩阵满秩，即所有货位都能够被访问，0l矩阵中，1表示拣选路径通过两货位点，0则表示未通过；

n'为待拣货位总数；

按如下步骤确定作业人员的最优拣货路径：

步骤4.1：对算法的相关参数进行设定：人工鱼的群体规模Fishnum，最大迭代次数Max-gen、拥挤度因子Delta、人工鱼的感知距离Visual和觅食最多试探次数Trynum；

步骤4.2：生成初始鱼群并计算其适应值，在搜索区域即仓库的拣选区域内找到每条人工鱼的初始位置并计算其当前位置和当前状态的食物浓度并带入目标函数得到人工鱼的初始位置的状态；

步骤4.3：公告板赋初值，将随机设置的一条鱼群状态值放到公告板上作为初始值，然后将浓度值作为评价指标，经过数值比较后将较优状态记录并保留；

步骤4.4：移动策略，通过自身信息与环境信息的交互作为行为选择的依据来进行鱼群算法基本操作并计算新状态下的食物浓度，通过不断更新鱼群自身位置状态，始终向着较优方向前进，直到找到全局最优解；

步骤4.5：公告板更新，比较人工鱼每次移动后的状态和公告板状态，若人工鱼状态优于公告板，则更新公告板，否则保持公告板状态不变；

步骤4.6：终止条件判断，通过判断是否达到最大迭代次数来决定循环是否终止，若循环终止则按公告板状态输出最优计算结果，否则继续步骤4.4；

步骤4.7：结束，当满足终止条件时会将最优拣选路径输出，此时公告板中所记载的数据就是这次优化的最终结果，输出公告板记录作为最优解。

Images