CN106067102A - 仓储布局的优化方法和优化装置 - Google Patents
仓储布局的优化方法和优化装置 Download PDFInfo
- Publication number
- CN106067102A CN106067102A CN201610349427.1A CN201610349427A CN106067102A CN 106067102 A CN106067102 A CN 106067102A CN 201610349427 A CN201610349427 A CN 201610349427A CN 106067102 A CN106067102 A CN 106067102A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- layout
- optimized
- original
- total
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 23
- 238000012384 transportation and delivery Methods 0.000 claims description 18
- 238000009396 hybridization Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 abstract 2
- 108090000623 proteins and genes Proteins 0.000 description 17
- 238000009826 distribution Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 238000012800 visualization Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种仓储布局的优化方法和优化装置,以改进仓储管理的相关客观评价指标。本发明的仓储布局的优化方法包括:将当前待优化仓储布局构造为原始个体,原始个体中的位置表示单品,与原始个体中的位置一一对应的数值表示单品当前对应的仓库;根据原始个体构造原始群体;利用遗传算法对原始群体进行迭代处理以得到适应群体,遗传算法中的适应函数是针对仓储布局预先设置的指标;将适应群体中的适应个体解构为优化后仓储布局输出,适应个体中的位置表示单品,与适应个体中的位置一一对应的数值表示单品优化后对应的仓库。
Description
技术领域
本发明涉及计算机网络以及计算机软件技术领域,特别地涉及一种仓储布局的优化方法和优化装置。
背景技术
电商在发展过程中,随着销售品类的不断丰富、仓储规模的不断拓展,产生了一些技术问题,给电商运营带来了挑战,具体介绍如下。
目前电商在规划仓储布局时,常规做法是尽可能将相同品类的商品放在同一个仓库。商品品类举例如下:母婴用品、户外用品、食品饮料、个人护理、3C电子、图书音像、服装鞋帽等等。只涉及少量仓库时,单一仓库生产中按品类存放商品是一种可行的库存管理模式。但随着电商规模的增长,仓库的数量越来越多,单仓中存储的商品品类越来越少。而消费者通常同时购买多个品类的商品,例如:某客户购买足球(属于户外用品)和啤酒(属于食品饮料)。这时候同一个客户订单可能会被拆分成多个发货订单,即发生拆单现象。由于客户仅支付一笔运费而电商需要承担多个发货成本,因此拆单现象对电商运营不利。
另外,由于早期设计不够合理,设计参数与实际运营数据不符合,仓库中还可能出现仓库产能(指单位时间仓库处理订单的数量)不匹配的问题,或者库容压力(指当前库容与最大设计库容之商)过大的问题。
综上所述,拆单率高、产能不匹配、库容压力大等等技术问题均导致仓储管理运营成本较高,亟需对现有仓储布局进行改进。
发明内容
有鉴于此,本发明提供一种仓储布局的优化方法和优化装置,以解决现有技术中的上述技术问题,改进仓储管理的相关客观评价指标。
为实现上述目的,根据本发明的一个方面,提供了一种仓储布局的优化方法。
本发明的仓储布局的优化方法包括:将当前待优化仓储布局构造为原始个体,所述原始个体中的位置表示单品,与所述原始个体中的位置一一对应的数值表示所述单品当前对应的仓库;根据所述原始个体构造原始群体;利用遗传算法对所述原始群体进行迭代处理以得到适应群体,所述遗传算法中的适应函数是针对仓储布局预先设置的指标;将所述适应群体中的适应个体解构为优化后仓储布局输出,所述适应个体中的位置表示单品,与所述适应个体中的位置一一对应的数值表示所述单品优化后对应的仓库。
可选地,所述指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。
可选地,在所述将当前待优化仓储布局构造为原始个体的步骤之前,还包括:获取预设时间段内的出售商品的集合以得到单品总集合;根据当前总仓储布局和所述单品总集合得到仓库总集合;根据所述仓库总集合确定待优化仓库集合;根据所述当前总仓储布局和所述待优化仓库集合得到待优化单品集合;根据所述待优化单品集合和所述当前总仓储布局得到所述当前待优化仓储布局。
可选地,所述获取预设时间段内的出售商品的集合以得到单品总集合的步骤包括:获取所述预设时间段内的所有客户订单,将该所有客户订单汇总得到所述单品总集合;或者,所述获取预设时间段内的出售商品的集合以得到单品总集合的步骤包括:获取所述预设时间段内的所有发货订单,将该所有发货订单汇总得到所述单品总集合。
可选地,所述根据所述原始个体构造原始群体的步骤包括:根据所述原始个体进行突变操作或者杂交操作生成衍生个体;将所述原始个体和所述衍生个体汇总,得到所述原始群体。
根据本发明的另一方面,提供了一种仓储布局的优化装置。
本发明的仓储布局的优化装置包括:个体构造模块,用于将当前待优化仓储布局构造为原始个体,所述原始个体中的位置表示单品,与所述原始个体中的位置一一对应的数值表示所述单品当前对应的仓库;群体构建模块,用于根据所述原始个体构造原始群体;遗传算法模块,用于利用遗传算法对所述原始群体进行迭代处理以得到适应群体,所述遗传算法中的适应函数是针对仓储布局预先设置的指标;个体解构模块,用于将所述适应群体中的适应个体解构为优化后仓储布局输出,所述适应个体中的位置表示单品,与所述适应个体中的位置一一对应的数值表示所述单品优化后对应的仓库。
可选地,所述指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。
可选地,还包括获取模块,所述获取模块用于:获取预设时间段内的出售商品的集合以得到单品总集合;根据当前总仓储布局和所述单品总集合得到仓库总集合;根据所述仓库总集合确定待优化仓库集合;根据所述当前总仓储布局和所述待优化仓库集合得到待优化单品集合;根据所述待优化单品集合和所述当前总仓储布局得到所述当前待优化仓储布局。
可选地,所述获取模块还用于:获取所述预设时间段内的所有客户订单,将该所有客户订单汇总得到所述单品总集合;或者,获取所述预设时间段内的所有发货订单,将该所有发货订单汇总得到所述单品总集合。
可选地,所述群体构建模块还用于:根据所述原始个体进行突变操作或者杂交操作生成衍生个体;将所述原始个体和所述衍生个体汇总,得到所述原始群体。
根据本发明的技术方案,利用以客观的仓库管理指标为适应函数的遗传算法来优化商品在仓库间的布局,能够使仓储布局更加符合客户的购买习惯,从而能够改进仓库的仓储结构及性能(例如降低拆单率、提高产能匹配度、降低库容压力等等),继而降低运营成本和提高运营效率。本发明的技术方案避免了人工经验决策,具有简便易行、自动化程度高等优点。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是遗传算法的过程示意图;
图2是根据本发明实施方式的仓储布局的优化方法的主要步骤的示意图;
图3是根据本发明实施方式的仓储布局的优化装置的主要模块的示意图;
图4是根据本发明实施方式的仓储库存分布优化系统的架构示意图。
具体实施方式
以下结合附图对本发明的示范性实施方式做出说明,其中包括本发明实施方式的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施方式做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为使本领域技术人员更好地理解,先对相关名词术语做进行解释。
单品:英文为item或者product,是商品仓储管理学的一个基本概念。通常指有别于其他商品的一种商品就叫做单品。单品指的是包含特定自然属性与社会属性的商品种类。对一种商品而言,当其品牌、型号、配置、等级、花色、包装容量、单位、生产日期、保质期、用途、价格、产地、存放仓库等属性与其他商品都不相同时才可称为一个单品。
库存量单位:英文为Stock Keeping Unit(简称SKU)。意为库存进出计量的基本单元,可以是以件,盒,托盘等为单位。SKU现在已经被引申为单品统一编号的简称,每种单品均对应有唯一的SKU号。
仓储布局:是指单品与仓库之间的数据映射关系。在现有的SKU管理体系中,每一个单品对应的属性信息中都包含有“本单品属于哪个仓库”的仓库属性信息。这便是上述映射关系的基础。
客户订单和发货订单:客户订单即客户表达购买需求时提交的清单;发货订单即仓库打包发货时参照的清单。有时候一个客户订单中的所有单品均属于同一个仓库,该客户订单无需拆分,直接对应一个发货订单。有时候一个客户订单需要拆分,它对应多个发货订单。
拆单率:发生拆单现象的客户订单数量占所有客户订单数量的百分比。
仓库产能:仓库单位时间内处理订单的数量。
仓库库容率:当前仓库库容占仓库设计库容的百分比。
遗传算法:遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个群体(population)开始的,而一个群体则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体是遗传物质的主要载体,即多个基因的集合,其内部表现(即基因型)是某种基因组合,它决定了个体的形状的外部表现,如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此,在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂,我们往往进行简化,如二进制编码。初代群体产生之后,按照适者生存和优胜劣汰的原理,逐代(generation)演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度(fitness)大小选择(selection)个体,并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation),产生出代表新的解集的群体。这个过程将导致群体像自然进化一样的后生代群体比前代更加适应于环境,末代群体中的最优个体经过解码(decoding),可以作为问题近似最优解。遗传算法的过程可以参考图1中的内容。
本发明的技术方案旨在对商品的仓储布局进行优化,达到改进仓储管理的相关评价指标的目的。有时候电商的仓库数量太多、地理分布太广,所以不宜直接对所有仓库内的所有单品进行全局的优化调整,而是进行局部的仓储布局优化。在这种情况下,本发明首先需要准确获取优化对象——当前待优化仓储布局。
本发明的实施方式的仓储布局的优化方法可以按照如下的步骤S01至步骤S05来获取当前待优化仓储布局。需要说明的是,这里的步骤S01至步骤S05并不是必要步骤,而是可选步骤。
步骤S01:获取预设时间段内的出售商品的集合以得到单品总集合。
可以获取预设时间段内(例如2016年3月期间)的所有客户订单,将该所有客户订单汇总得到单品总集合。也可以获取预设时间段内的所有发货订单,将该所有发货订单汇总得到单品总集合。单品总集合可以记为I。需要解释的是,在预设的时间段内,无论是将多个客户订单汇总,还是将多个发货订单汇总,最终得到的单品总集合I都是完全一样的。
具体地,可以通过数据仓库技术ETL(Extract-Transform-Load)模块从hadoop集群中抽取预设时间段内的订单数据信息,然后进行数据预处理(根据订单标识进行清洗、排除无效订单,根据维度信息进行分类)。然后将预处理结果进行汇总得到单品总集合。
步骤S02:根据当前总仓储布局和单品总集合得到仓库总集合。当前总仓储布局即所有单品的“单品-仓库”映射关系的汇总。仓库总集合可以记做W。
具体地,由于已知单品总集合以及该单品总集合中的各个元素(即各个单品)与仓库的映射关系,那么可以导出仓库总集合。例如:单品总集合I=(单品a,单品b,单品c,单品d,单品e),其中单品a、单品b对应仓库x,单品c和单品d均对应仓库y,单品e均对应仓库z。那么可以推导出仓库总集合W=(仓库x,仓库y,仓库z)。
步骤S03:根据仓库总集合确定待优化仓库集合。记待优化仓库集合为V,其中V中至少包括两个元素并且V是W的子集。
例如:仓库总集合为W(仓库x,仓库y,仓库z),计划优化W中的x仓库和y仓库,那么待优化仓库集合V(仓库x,仓库y)。
步骤S04:根据当前总仓储布局和待优化仓库集合得到待优化单品集合。待优化单品集合可以记为P。
本步骤与步骤S02原理类似。例如:根据当前总仓储布局和待优化仓库集合为V(仓库x,仓库y),得到待优化单品集合P(单品a,单品b,单品c,单品d)。
步骤S05:根据待优化单品集合和当前总仓储布局得到当前待优化仓储布局。
例如:已知待优化仓库集合V(仓库x,仓库y)和待优化单品集合P(单品a,单品b,单品c,单品d),得到当前待优化仓库布局为“单品a对应仓库x,单品b对应仓库x,单品c对应仓库y、单品d对应仓库y”的映射关系表。
需要说明的是步骤S04和步骤S05也可以合并为如下步骤:根据当前总仓储布局和待优化仓库集合,得到当前待优化仓储布局。当前待优化仓储布局可以视为当前总仓储布局的一个删减版本。
图2是根据本发明实施方式的仓储布局的优化方法的主要步骤的示意图。如图2所示,该仓储布局的优化方法的主要包括如下的步骤A至步骤D。需要说明的是,本发明实施方式的仓储布局的优化算法中,在遗传算法中将每一个单品视为一个个体,它是基因序列中的一个基因。
步骤A:将当前待优化仓储布局构造为原始个体,原始个体中的位置表示单品,与原始个体中的位置一一对应的数值表示单品当前对应的仓库。例如:当前待优化仓储布局为“单品a对应仓库a,单品b对应仓库x,单品c对应仓库y,单品d对应仓库y”的映射关系表。将仓库x用数字“1”表示、仓库y用数字“2”表示,那么原始个体可以记为<1,1,2,2>。原始个体<1,1,2,2>的第一个位置对应单品a,第一个位置上的数值“1”表示单品a对应的仓库x,其他位置以此类推。需要说明的是,在实际应用中单品和仓库的数量都很多,如遇复杂情况可以使用hash值。
步骤B:根据原始个体构造原始群体。
可选地,先根据原始个体进行突变操作或者杂交操作生成衍生个体;然后将原始个体和衍生个体汇总,得到原始群体。
原始个体<1,1,2,2>中每一个位置上的值均有机会获得突变,但突变后的值仍属于优化仓库集合V。例如:<1,1,2,2>第一个位置上的基因“1”突变为“2”,得到衍生个体<2,1,2,2>,这个过程叫做突变操作。
杂交操作是对两个个体而言的。杂交操作发生在两个个体相同位置上,表现为两个个体相同位置上的基因交换。例如:个体c1=<1,2,2,2>和个体c2=<2,1,1,2>在第一位置上发生杂交,则杂交后的新个体为c1’=<2,2,2,2>和c2’=<1,1,1,2>。
基于原始个体进行突变操作和杂交操作得到衍生个体,这样可以扩充个体的数量。将原始个体和衍生个体这些多个个体汇总,可以得到了初始群体。
另外,也可以由仓储管理人员根据经验在原始个体上尝试进行人工优化调整(例如指定某个特定单品放入某个特定仓库)得到衍生个体,然后再将原始个体和衍生个体汇总得到原始群体。
步骤C:利用遗传算法对原始群体进行迭代处理以得到适应群体,遗传算法中的适应函数是针对仓储布局预先设置的指标。
需要说明的是,针对仓储布局预先设置的指标是指非主观性的、可以被客观衡量的指标。遗传算法中是以衡量仓储布局的客观指标为适应函数来评判每个个体的优越性,从而决定哪种个体被保留下来,如此迭代若干轮,逐渐搜索到全局最优解。
可选地,指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。组合的形式可以是三个指标评分进行加权求和。这意味着最终得到的适应群体将具备拆单率低、产能匹配度高或者库容压力小的优点。
需要说明的是,若适应群体中包含的适应个体数量太多,还可以对多个适应个体按照调整指数进行排名。换言之,考虑优化后仓库布局对当前待优化仓库布局的影响,调整幅度越小、影响程度越少则排名越靠前。
步骤D:将适应群体中的适应个体解构为优化后仓储布局输出,适应个体中的位置表示单品,与适应个体中的位置一一对应的数值表示单品优化后对应的仓库。
关于步骤D的内容,本领域技术人员可以参考上文中步骤A的内容进行理解。
例如:假若适应个体为<2,2,1,1>。第一个位置对应单品a,第一个位置上的数值“2”,表示单品a优化后应该放入仓库y。其他位置以此类推。最终得到“单品a对应仓库y;单品b对应仓库y;单品c对应仓库x;单品d对应仓库x”的优化后仓储布局。
可选地,本发明实施方式的仓储布局的优化方法,在步骤D之后还包括如下步骤:将优化后仓储布局进行可视化,然后将可视化结果输出。可视化结果可以是供用户使用的分析报告,该分析报告包括商品优化方案,对仓储及供应商的影响,分析可带来的收益。此可视化结果可以设置成在线数据形式,用户可通过网络访问。
图3是根据本发明实施方式的仓储布局的优化装置的主要模块的示意图。如图3所示,该仓储布局的优化装置3包括:个体构造模块100、群体构建模块200、遗传算法模块300和个体解构模块400。
个体构造模块100用于将当前待优化仓储布局构造为原始个体,原始个体中的位置表示单品,与原始个体中的位置一一对应的数值表示单品当前对应的仓库。
群体构建模块200用于根据原始个体构造原始群体。
可选地,群体构建模块200还用于:根据原始个体进行突变操作或者杂交操作生成衍生个体;将原始个体和衍生个体汇总,得到原始群体。
遗传算法模块300用于利用遗传算法对原始群体进行迭代处理以得到适应群体,遗传算法中的适应函数是针对仓储布局预先设置的指标。可选地,指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。
个体解构模块400用于将适应群体中的适应个体解构为优化后仓储布局输出,适应个体中的位置表示单品,与适应个体中的位置一一对应的数值表示单品优化后对应的仓库。
可选地,仓储布局的优化装置还包括获取模块。该获取模块用于:获取预设时间段内的出售商品的集合以得到单品总集合;根据当前总仓储布局和单品总集合得到仓库总集合;根据仓库总集合确定待优化仓库集合;根据当前总仓储布局和待优化仓库集合得到待优化单品集合;根据待优化单品集合和当前总仓储布局得到当前待优化仓储布局。
可选地,获取模块还用于:获取预设时间段内的所有客户订单,将该所有客户订单汇总得到单品总集合;或者,获取预设时间段内的所有发货订单,将该所有发货订单汇总得到单品总集合。
可选的,仓储布局的优化装置还包括可视化模块。该可视化模块用于将适应待优化仓储布局进行可视化,然后将可视化结果输出。可视化结果可以是供用户使用的分析报告,该分析报告包括商品优化方案,对仓储及供应商的影响,分析可带来的收益。此可视化结果可以设置成在线数据形式,用户可通过网络访问。
根据本发明实施方式的仓储布局的优化方法和优化装置,利用以客观的仓库管理指标为适应函数的遗传算法来优化商品在仓库间的布局,能够使仓储布局更加符合客户的购买习惯,从而能够改进仓库的仓储结构及性能(例如降低拆单率、提高产能匹配度、降低库容压力等等),继而降低运营成本和提高运营效率。本发明的技术方案避免了人工经验决策,具有简便易行、自动化程度高等优点。
为使本领域技术人员更好地理解本发明的技术方案,下面结合图4来进一步说明。
图4为根据本发明实施方式的仓储库存分布优化系统的架构示意图。该仓储库存分布优化系统40包括订单数据抽取装置41、仓储布局的优化装置42以及用户在线查询装置43。其中,订单数据抽取装置41可以包括抽取订单信息模块411和订单信息清洗模块412。
订单数据抽取装置41(可通过ETL完成)中,用于实现以下过程。
(a)抽取订单信息。从hadoop集群中获取一段时间内的订单信息。
(b)订单信息清洗。根据订单类型表示进行清洗。根据维度信息进行分类。例如:发货地在北京的订单,会归到北京这类里。
(c)订单信息整合。对订单信息进行整合,同父单的子单需合并,生成原始的客户订单信息。如父订单A包括子订单A1和子订单A2,其中A1订单包括单品(a,b,c),A2订单包括单品(d,e),即A{A1{a,b,c},A2{d,e}}。整合后父订单A={a,b,c,d,e}。其中a,b,c,d,e为单品(可以为sku或品类,包含仓库信息)。
(d)提取库存分布信息。根据订单信息,可以整理出当前的库存分布信息。W{w1{a,b,c},w2{d,e},w3{f,g}}。如在库存分布集合W中有仓库w1、w2、w3。其中仓库w1中包含单品a、b、c,仓库w2中包含d、e,仓库w3中包含f、g。同上a、b、c、d、e、f、g可以是sku或品类。
仓储布局的优化装置42可以是本文中记述的任一种实施方式的仓储布局的优化装置。该仓储布局的优化装置42可以是基于SPARK或python的,用于从订单数据抽取模块41中获得订单信息和当前库存分布之后,通遗传算法进行最优商品分布的计算。
用户在线查询装置43用于根据仓储布局的优化装置42得到的商品分布优化方案,产生分析报告供用户在线查询使用。该报告可以包括商品优化方案、涉及的单品列表、对仓储及供应商的影响、可带来的收益预估值等等。用户可通过网络访问该用户在线查询装置43。
另外,为使本领域技术人员更好地理解本文中的遗传算法,发明人结合下面的具体实施例做详细介绍。为了更好地阐述问题,先解释一下下文中的标记:
itemi∈I(T),I(T)(如,一个月)为一段时间内出现的单品集合,item为单品(粒度可以是sku或品类),item中应包括商品信息和所属仓库信息。
order={item1,item2,...,itemn|itemi∈I(T)},order∈O(T)itemi∈I(T),其中order为顾客购买时产生的订单信息,O(T)为一段时间周期T内的订单集合。
wj={item1,item2,...,itemn|itemi∈I(T)},wj∈W,W为仓库集合。wj为一段时间T内,仓库wj中存放的单品为{item1,item2,...,itemn}
以当前商品分布为基础数据,进行以下操作:
A.选取欲优化的仓库集合V={wi},wi∈W
注意,此处|V|>1,即参加计算的仓库至少为两个。
B.构造原始个体
a)首先个体由基因构成,一串基因可以唯一表达一个个体。在本例中需要使用个体来表达商品分布。因此,每一个商品即为个体中基因序列中的一个基因。
b)根据集合V建立索引集合G,如集合V包含两个仓库w1,w2。可用1代表w1,用2代表w2。即G={1,2}。如情况复杂可使用hash值。
c)根据V拼接个体。如w1={a,b,c},w1={e,f}。则拼接出来的原始个体即为<a,b,c,e,f>。
d)对原始个体进行索引值替换。即用G中的索引值代替b)原始个体中的单品。<a,b,c,e,f>转化为<g1,g2,g3,g4,g5>,g∈G。在本例中<a,b,c,e,f>可转化为<1,1,1,2,2>,<1,1,1,2,2>即为个体。该个体可以代表仓储布局。首先个体的位置代表了单品,在此例中<1,1,1,2,2>第一个位置(斜体1)代表了单品a在仓库w1中。可类比<1,1,1,2,2>第4个位置(斜体2)代表单品e在仓库w2中。
C.进行遗传算法的迭代计算
首先解释遗传算法中突变和杂交两个操作如何应用在仓储布局优化中。根据上边的处理,原始个体<1,1,1,2,2>可以代表一种仓储布局。
a)突变
个体<1,1,1,2,2>中每一个位置上的值均有机会获得突变,但突变后的值g∈G。如<1,1,1,2,2>第一个位置上的基因1突变为2,这个过程叫做突变。
b)杂交
杂交是对两个个体而言。如c1=<1,1,1,2,2>,c2=<1,1,2,2,1>。c1和c2可发生杂交。杂交发生在两个个体相同位置上,表现为两个个体相同位置上的基因交换。如c1和c2在2,3位置上发生杂交。杂交后的新个体为c1'=<1,1,2,2,2>和c2'=<1,1,1,2,1>。
c)适应函数
适应函数用来评价每个个体的好坏。适应函数可以通过拆单率或者其他客观指标来评价一个个体的好坏。其中,拆单率=拆单订单数量/总订单数量。
遗传算法通过突变和杂交引进新的个体,从而增加了种群中的多样性。随后通过适应函数来评判每个个体的优越性,从而决定哪种个体留下。从而逐渐搜索到全局最优解。
D.解构适应个体
经过遗传算法的迭代计算之后,可以得到包含一个或多个适应个体的适应群体。其中每一个适应个体都相当于一个比较推荐的优化后仓储布局。例如:假如得到包括两个优化个体<1,1,2,2,2>和<1,1,1,2,1>的优化群体。这意味着推荐“单品a,b放入仓库w1中,单品c,e,f放入仓库w2中”和“单品a,b,c,f放入仓库w1中,单品e放入仓库w2中”这两种仓储布局。
用户在线查询装置43用于实现用户与机器的交互。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种仓储布局的优化方法,其特征在于,包括:
将当前待优化仓储布局构造为原始个体,所述原始个体中的位置表示单品,与所述原始个体中的位置一一对应的数值表示所述单品当前对应的仓库;
根据所述原始个体构造原始群体;
利用遗传算法对所述原始群体进行迭代处理以得到适应群体,所述遗传算法中的适应函数是针对仓储布局预先设置的指标;
将所述适应群体中的适应个体解构为优化后仓储布局输出,所述适应个体中的位置表示单品,与所述适应个体中的位置一一对应的数值表示所述单品优化后对应的仓库。
2.根据权利要求1所述的仓储布局的优化方法,其特征在于,所述指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。
3.根据权利要求1所述的仓储布局的优化方法,其特征在于,在所述将当前待优化仓储布局构造为原始个体的步骤之前,还包括:
获取预设时间段内的出售商品的集合以得到单品总集合;
根据当前总仓储布局和所述单品总集合得到仓库总集合;
根据所述仓库总集合确定待优化仓库集合;
根据所述当前总仓储布局和所述待优化仓库集合得到待优化单品集合;
根据所述待优化单品集合和所述当前总仓储布局得到所述当前待优化仓储布局。
4.根据权利要求3所述的仓储布局的优化方法,其特征在于,
所述获取预设时间段内的出售商品的集合以得到单品总集合的步骤包括:获取所述预设时间段内的所有客户订单,将该所有客户订单汇总得到所述单品总集合;或者,
所述获取预设时间段内的出售商品的集合以得到单品总集合的步骤包括:获取所述预设时间段内的所有发货订单,将该所有发货订单汇总得到所述单品总集合。
5.根据权利要求1所述的仓储布局的优化方法,其特征在于,所述根据所述原始个体构造原始群体的步骤包括:
根据所述原始个体进行突变操作或者杂交操作生成衍生个体;
将所述原始个体和所述衍生个体汇总,得到所述原始群体。
6.一种仓储布局的优化装置,其特征在于,包括:
个体构造模块,用于将当前待优化仓储布局构造为原始个体,所述原始个体中的位置表示单品,与所述原始个体中的位置一一对应的数值表示所述单品当前对应的仓库;
群体构建模块,用于根据所述原始个体构造原始群体;
遗传算法模块,用于利用遗传算法对所述原始群体进行迭代处理以得到适应群体,所述遗传算法中的适应函数是针对仓储布局预先设置的指标;
个体解构模块,用于将所述适应群体中的适应个体解构为优化后仓储布局输出,所述适应个体中的位置表示单品,与所述适应个体中的位置一一对应的数值表示所述单品优化后对应的仓库。
7.根据权利要求6所述的仓储布局的优化装置,其特征在于,所述指标为拆单率、产能匹配度或者库容压力指数中的一种或多种的组合。
8.根据权利要求6所述的仓储布局的优化装置,其特征在于,还包括获取模块,所述获取模块用于:
获取预设时间段内的出售商品的集合以得到单品总集合;
根据当前总仓储布局和所述单品总集合得到仓库总集合;
根据所述仓库总集合确定待优化仓库集合;
根据所述当前总仓储布局和所述待优化仓库集合得到待优化单品集合;
根据所述待优化单品集合和所述当前总仓储布局得到所述当前待优化仓储布局。
9.根据权利要求8所述的仓储布局的优化装置,其特征在于,所述获取模块还用于:
获取所述预设时间段内的所有客户订单,将该所有客户订单汇总得到所述单品总集合;或者,
获取所述预设时间段内的所有发货订单,将该所有发货订单汇总得到所述单品总集合。
10.根据权利要求6所述的仓储布局的优化装置,其特征在于,所述群体构建模块还用于:
根据所述原始个体进行突变操作或者杂交操作生成衍生个体;
将所述原始个体和所述衍生个体汇总,得到所述原始群体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610349427.1A CN106067102A (zh) | 2016-05-24 | 2016-05-24 | 仓储布局的优化方法和优化装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610349427.1A CN106067102A (zh) | 2016-05-24 | 2016-05-24 | 仓储布局的优化方法和优化装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106067102A true CN106067102A (zh) | 2016-11-02 |
Family
ID=57420830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610349427.1A Pending CN106067102A (zh) | 2016-05-24 | 2016-05-24 | 仓储布局的优化方法和优化装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106067102A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169668A (zh) * | 2017-05-31 | 2017-09-15 | 成都掌上风暴科技有限公司 | 一种数据处理方法、装置及系统 |
CN108629531A (zh) * | 2017-03-21 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 货物运输方法和用于货物运输的装置 |
CN109325721A (zh) * | 2018-10-10 | 2019-02-12 | 江苏电力信息技术有限公司 | 一种基于智能分析算法的物资上下架方法 |
CN110309963A (zh) * | 2019-06-24 | 2019-10-08 | 心怡科技股份有限公司 | 一种基于动态分区的分布式库位优化算法 |
CN110348126A (zh) * | 2019-07-12 | 2019-10-18 | 中冶赛迪重庆信息技术有限公司 | 钢厂原料堆位布局优化方法、系统、设备及存储介质 |
CN110969378A (zh) * | 2018-09-28 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 一种仓库物品配置方法和装置 |
CN111738657A (zh) * | 2020-06-19 | 2020-10-02 | 合肥工业大学 | 基于替代品推荐的物流拆单优化方法和系统 |
CN111768144A (zh) * | 2019-10-22 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于人机混合仓库的选品方法及装置 |
CN112330235A (zh) * | 2020-03-04 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 用于库存管理的数据处理方法、装置、电子设备及介质 |
CN113837694A (zh) * | 2021-09-24 | 2021-12-24 | 多点生活(成都)科技有限公司 | 物品陈列方法、装置、电子设备和可读介质 |
CN114186903A (zh) * | 2020-09-14 | 2022-03-15 | 上海顺如丰来技术有限公司 | 仓库选品方法、装置、计算机设备和存储介质 |
CN116402444A (zh) * | 2023-06-02 | 2023-07-07 | 酒仙网络科技股份有限公司 | 基于环境精细化分区的酒类仓储管理系统 |
CN116976484A (zh) * | 2022-12-21 | 2023-10-31 | 上海朗晖慧科技术有限公司 | 一种大数据分析的仓储布局优化方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441738A (zh) * | 2007-12-24 | 2009-05-27 | 北京奥腾讯达科技有限公司 | 分区仓储管理系统 |
CN103473616A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 用于处理多品种物资仓储的动态货位分配规划方法与系统 |
CN103942617A (zh) * | 2014-04-17 | 2014-07-23 | 江苏物联网研究发展中心 | 智能仓储货位分配优化方法 |
CN104574013A (zh) * | 2014-12-22 | 2015-04-29 | 北京京东尚科信息技术有限公司 | 确定仓储库存分布的方法和装置 |
-
2016
- 2016-05-24 CN CN201610349427.1A patent/CN106067102A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441738A (zh) * | 2007-12-24 | 2009-05-27 | 北京奥腾讯达科技有限公司 | 分区仓储管理系统 |
CN103473616A (zh) * | 2013-09-17 | 2013-12-25 | 四川航天系统工程研究所 | 用于处理多品种物资仓储的动态货位分配规划方法与系统 |
CN103942617A (zh) * | 2014-04-17 | 2014-07-23 | 江苏物联网研究发展中心 | 智能仓储货位分配优化方法 |
CN104574013A (zh) * | 2014-12-22 | 2015-04-29 | 北京京东尚科信息技术有限公司 | 确定仓储库存分布的方法和装置 |
Non-Patent Citations (3)
Title |
---|
宛剑业等: "基于微遗传算法的仓储布局优化方法研究", 《物流工程与管理》 * |
罗明: "遗传算法在物流仓储优化中的应用研究", 《兰州大学硕士论文》 * |
赵建文: "遗传算法在仓储物流系统中的应用研究", 《信息与电脑(理论版)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629531A (zh) * | 2017-03-21 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 货物运输方法和用于货物运输的装置 |
CN107169668A (zh) * | 2017-05-31 | 2017-09-15 | 成都掌上风暴科技有限公司 | 一种数据处理方法、装置及系统 |
CN110969378B (zh) * | 2018-09-28 | 2024-05-21 | 北京京东尚科信息技术有限公司 | 一种仓库物品配置方法和装置 |
CN110969378A (zh) * | 2018-09-28 | 2020-04-07 | 北京京东尚科信息技术有限公司 | 一种仓库物品配置方法和装置 |
CN109325721A (zh) * | 2018-10-10 | 2019-02-12 | 江苏电力信息技术有限公司 | 一种基于智能分析算法的物资上下架方法 |
CN110309963A (zh) * | 2019-06-24 | 2019-10-08 | 心怡科技股份有限公司 | 一种基于动态分区的分布式库位优化算法 |
CN110348126B (zh) * | 2019-07-12 | 2023-10-24 | 中冶赛迪信息技术(重庆)有限公司 | 钢厂原料堆位布局优化方法、系统、设备及存储介质 |
CN110348126A (zh) * | 2019-07-12 | 2019-10-18 | 中冶赛迪重庆信息技术有限公司 | 钢厂原料堆位布局优化方法、系统、设备及存储介质 |
CN111768144A (zh) * | 2019-10-22 | 2020-10-13 | 北京京东尚科信息技术有限公司 | 用于人机混合仓库的选品方法及装置 |
CN111768144B (zh) * | 2019-10-22 | 2024-07-19 | 北京京东乾石科技有限公司 | 用于人机混合仓库的选品方法及装置 |
CN112330235A (zh) * | 2020-03-04 | 2021-02-05 | 北京沃东天骏信息技术有限公司 | 用于库存管理的数据处理方法、装置、电子设备及介质 |
CN111738657B (zh) * | 2020-06-19 | 2022-11-04 | 合肥工业大学 | 基于替代品推荐的物流拆单优化方法和系统 |
CN111738657A (zh) * | 2020-06-19 | 2020-10-02 | 合肥工业大学 | 基于替代品推荐的物流拆单优化方法和系统 |
CN114186903A (zh) * | 2020-09-14 | 2022-03-15 | 上海顺如丰来技术有限公司 | 仓库选品方法、装置、计算机设备和存储介质 |
CN113837694A (zh) * | 2021-09-24 | 2021-12-24 | 多点生活(成都)科技有限公司 | 物品陈列方法、装置、电子设备和可读介质 |
CN113837694B (zh) * | 2021-09-24 | 2023-06-30 | 多点生活(成都)科技有限公司 | 物品陈列方法、装置、电子设备和可读介质 |
CN116976484A (zh) * | 2022-12-21 | 2023-10-31 | 上海朗晖慧科技术有限公司 | 一种大数据分析的仓储布局优化方法及系统 |
CN116976484B (zh) * | 2022-12-21 | 2024-03-26 | 上海朗晖慧科技术有限公司 | 一种大数据分析的仓储布局优化方法及系统 |
CN116402444B (zh) * | 2023-06-02 | 2023-08-11 | 酒仙网络科技股份有限公司 | 基于环境精细化分区的酒类仓储管理系统 |
CN116402444A (zh) * | 2023-06-02 | 2023-07-07 | 酒仙网络科技股份有限公司 | 基于环境精细化分区的酒类仓储管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106067102A (zh) | 仓储布局的优化方法和优化装置 | |
CN109840730B (zh) | 用于数据预测的方法及装置 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
Rodrigues et al. | Product recommendation based on shared customer's behaviour | |
Hemalatha | Market basket analysis–a data mining application in Indian retailing | |
CN116433339B (zh) | 订单数据的处理方法、装置、设备及存储介质 | |
Akhyani et al. | New approach based on proximity/remoteness measurement for customer classification | |
Alizadeh et al. | Suitable delivery system in small e-commerce companies | |
CN114723535A (zh) | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 | |
Apichottanakul et al. | Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach | |
CN111967927A (zh) | 一种多准则计算满意度的商业采购方法 | |
CN102231158B (zh) | 一种数据集推荐方法和系统 | |
CN113554455A (zh) | 基于人工智能的店铺商品分析方法、装置及存储介质 | |
CN113592539A (zh) | 基于人工智能的店铺订单趋势预测方法、装置及存储介质 | |
Ganhewa et al. | Sales Optimization Solution for Fashion Retail | |
JP2010277571A (ja) | 商品選択システムとその方法、及び、商品選択コンピュータプログラム | |
WO2020014379A1 (en) | Systems and methods for generating a two-dimensional planogram based on intermediate data structures | |
CN115937341A (zh) | 一种基于ai技术的电商海报生成系统及其生成方法 | |
Ray et al. | AHP Based Data Mining for customer segmentation based on customer lifetime value | |
CN111768139B (zh) | 备货处理方法、装置、设备及存储介质 | |
CN107341161A (zh) | 一种信息查询方法及装置 | |
Chen et al. | Retail analytics: Market segmentation through transaction data | |
Malik et al. | Applying data mining for clustering shoppers based on store loyalty | |
CN110751180A (zh) | 一种基于谱聚类的虚假评论群组划分方法 | |
Ye | Analysis on e-commerce order cancellations using market segmentation approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161102 |
|
RJ01 | Rejection of invention patent application after publication |