CN107464013A - 一种应用于v型非传统布局仓库通道优化设计方法 - Google Patents
一种应用于v型非传统布局仓库通道优化设计方法 Download PDFInfo
- Publication number
- CN107464013A CN107464013A CN201710569808.5A CN201710569808A CN107464013A CN 107464013 A CN107464013 A CN 107464013A CN 201710569808 A CN201710569808 A CN 201710569808A CN 107464013 A CN107464013 A CN 107464013A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- type
- picking
- individual
- particle
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
Abstract
一种应用于V型非传统布局仓库通道优化设计的方法,主要步骤有:S1.根据仓库货物EIQ历史数据,按物动量对V型布局仓库货架进行ABC分区;S2.基于存取货物作业概率不相等的非完全随机存储策略,计算各通道的拣货作业概率;S3.将主通道抽象为若干个点连接而成的折线通道,建立最小化平均拣货距离的主通道优化设计模型;S4.应用基于极值扰动的改进粒子群算法求解所对应主通道最佳优化设计位置。其中步骤S4基于极值扰动的改进粒子群算法可解决粒子陷入局部最优、克服“早熟”现象,具有较高性能,能有效地解决V型非传统布局仓库通道优化设计的难题,达到缩短V型非传统布局仓库总拣货距离的目的。
Description
技术领域
本发明是涉及仓库通道优化设计的技术领域,尤其是指一种应用于V型非传统布局仓库通道优化设计的方法。
背景技术
随着德国“工业4.0”项目计划以及我国“智能制造2025”计划的相继提出,智能工厂、智能生产、智能物流以及整个生产制造供应链的智能化已成为科研实践热点。仓储管理环节由原来不受重视的作业性、辅助性角色,上升为企业策略运作的重要环节也是能为企业取得竞争优势、降低成本的利润源泉。
国内配送中心大多属于劳动密集型产业,而且现代的仓储自动化系统需要很高的成本,对于国内大多数配送中心,依靠廉价的人力成本的传统型仓储仍是较好的选择。在仓库设计时,仓库面积利用率和拣货效率往往是两个互相矛盾的优化目标,传统仓库布局通道少,仓库的面积利用率高,捡货效率下降。从仓库主体作业流程分析,仓库作业时间的60%是分拣配货过程。传统的双分区型仓库布局方式,仓库的设计需满足的规则:拣货通道之间相互平行且与主通道垂直。由于传统布局结构性质导致其运作效率不高,盲目的增加拣货通道数量来提高效率的需求在实际仓库管理中也是不可取的,因此合理的设计仓库通道结构和位置,使得在尽可能保证仓库面积利用率的前提下提高货物存取的效率是非常有必要的。
V型仓库布局打破了传统仓库布局设计的规则,对传统型布局中的主通道重新进行设计,由仓库存取点引伸出两条斜向的主通道,再由主通道进入到各条拣货通道,主通道与货架成了一定的角度,并且主通道也不是直线。当仓库的规模相等时,这种仓库布局相对于传统型的仓库布局明显减少平均拣货距离,有效提高运作效率。
现有的V型仓库布局设计,假设货物是随机存储策略,并且每条拣货通道具有连续并且相同的拣货作业,即人工到每个货位点的概率相同。但仓库实际运作过程中,尤其是人工拣货仓库,是按照存储的货物种类、出入库周转频率等差异,进行货位存储分配;并且实际到每个货位点的拣货概率也是不一样的。如果使用随机的存储策略,与实际业务不符,无疑会增加仓库使用的成本。
发明内容
本发明的目的是提出一种符合实际仓储业务场景,考虑货物周转率存储策略的V型非传统布局仓库通道优化设计方法。
本发明是通过以下技术方案实现的。
本发明所述的一种应用于V型非传统布局仓库通道优化设计方法,包括以下步骤:
S1.根据仓库货物EIQ历史数据,按物动量对仓库货架进行ABC分区;
S2.考虑实际存取货物作业概率不相等的非完全随机存储策略,计算各通道的拣货作业概率;
S3.将主通道抽象为若干个点连接而成的折线通道,建立最小化平均拣货距离的主通道优化设计模型;
S4.应用基于极值扰动的改进粒子群算法(EDO-PSO)求解所对应主通道最佳优化设计位置。
所述步骤S1主要是指在仓库布局设计时,从历史数据库里提取货物订单中的E(订单件数:OrderEntry)、I(货品种类:Item)、Q(数量:Quantity)3个物流特性关键信息,从而选择合适的物流作业和布局方式。具体的来说,主要对仓库数据进行品项数量(IQ)分析,即了解各类产品出货量的分布状况,分析出货商品品项与出货量的关系,得到如表1所示的物动量ABC分析表。参照货物的ABC分类结果对仓库货架进行ABC分类,分类的原则主要是货架距离I/O的距离,得到如表2所示的仓库货架ABC分析表。同时考虑到货位分配是基于产品出入库频度原则进行分配,因此可得到如图4所示的V型非传统布局仓库ABC分区。
表1仓库商品物动量ABC分析表
表2V型非传统布局仓库货架ABC分区表
分类 | 距离I/O点距离 | 货架数量比例 | 货架使用率 |
A区 | 近 | RA | PA |
B区 | 较远 | RB | PB |
C区 | 最远 | RC | PC |
所述步骤S2主要是指由于在S1中人为的对仓库进行了分区,每个区域内所存放货物的周转率不同,所以到不同的拣货通道进行存取货物作业的概率是不相等的。由此可以根据每个区域货架使用频率、货架数量比例、货位数等信息计算得到每条拣货通道的作业概率。
所述步骤S3主要是指将待设计的V型仓库布局进行抽象建模如图5所示。单元式货架仓库中仓库通道由竖直的拣货通道、V型主通道和底部横向通道组成,在模型中,V型主通道看成是由多个离散的点连接而成,每一条拣货通道分别对应一个点,模型的优化目标是平均拣货距离最短。
所述步骤S4主要是指应用基于极值扰动的改进粒子群算法求解所对应的主通道最佳优化设计位置。其步骤如下:
S41.输入算法初始参数。
S42.得到初始种群,更新当前全局最优和个体最优值。
S43.计算当前种群各个个体适应度,按适应度优劣将当前种群划分为两个不同的子种群。
S44.进行粒子速度更新操作,并判断当前的更新速度是否超过初始设定的粒子更新速度界限,如果越界则进行速度修正。
S45.按粒子群算法进化规则进行个体位置更新,并计算当前全局最优值和个体最优值。
S46.检查当前全局最优和个体最优,判断全局最优和个体最优值在一定迭代次数后是否停滞。若全局最优和个体最优更新停滞,则通过极值扰动因子同时调整当前的个体极值和全局极值,使粒子转向新的搜索路径和区域来帮助粒子跳出局部最优解。
S47.判断迭代的次数是否满足终止条件,若满足则停止迭代,输出优化结果;反之则继续进行下一次迭代,直至结束,输出最优结果。
本发明的技术效果:利用本发明可解决V型非传统布局仓库通道优化设计问题,有效缩短仓库总拣货距离。主要是因为本发明提出使用一种改进粒子群算法对V型非传统布局仓库通道优化设计问题进行求解。其中:1.改进粒子群算法中的极值扰动算子有效解决克服陷入局部最优解;2.改进粒子群算法中的并行深度搜索策略能够加快求解速度,提高性能;3.改进粒子群算法中的自适应惯性权重策略能在算法早期尽可能拓展搜索区域,寻找全局最优解,同时也能算法晚期加速收敛速度,提高搜索性能;
附图说明
图1是本发明应用于V型非传统布局仓库通道优化设计方法的整体构架示意图。
图2是传统双分区仓库布局示意图。
图3是V型非传统仓库布局示意图。
图4是按货物周转率划分仓库区域示意图。
图5是V型非传统布局仓库设计建模示意图。
图6是实例中方案1(21条通道)布局设计示意图。
图7是实例中方案2(41条通道)布局设计示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,以下结合具体实施案例,参照附图,对本发明进行详细说明。
实施例。
图1是本发明应用于V型非传统布局仓库通道优化设计方法的整体构架示意图。
(1)如图1所示,在本发明应用于V型非传统布局仓库通道优化设计方法中,首先从仓库货物EIQ历史数据中提取到货物订单中的E(订单件数:OrderEntry)、I(货品种类:Item)、Q(数量:Quantity)3个物流特性关键信息,从而根根据物动量ABC分析将货物按周转率由大到小计算累计周转率比率,周转量累计百分数在60%-80%之间的定位A类,周转量累计百分数在20%-30%之间的定位B类,其余定义为C类。将不同的货物进行分类并存储到指定区域,而在相应的区域内货物的存储是遵循随机原则。
针对公司H的仓库订单进行EIQ-ABC分析的结果如表3所示,按照如图4的方式和表3中的数据进行仓库分区,则最靠近P&D点的3/10区域存放A类货物,仓库中间3/10区域存放B类货物,远离P&D点的4/10区域存放C类货物。
表3是实例中V型非传统布局仓库货架ABC分区表
分类 | 距离I/O点距离 | 货架数量比例 | 货架使用率 |
A区 | 近 | 30% | 75% |
B区 | 较远 | 30% | 20% |
C区 | 最远 | 40% | 5% |
(2)如图1所示,根据仓库业务需求,初始化V型非传统布局仓库的设计参数,主要包括:n:拣货通道数量、a:相邻拣货通道间距、h:仓库宽度、w:1/2主通道宽度(说明:在本实例中,①考虑规模相同情况下,给出两种设计方案,方案一是仓库共有21条拣货通道,每一列货架有100个货位;方案二是仓库共有41条拣货通道,每一列货架有50个货位。②a=4.5\w=2.5)。
(3)如图1所示,考虑货物周转率的非完全随机存储策略,计算各通道拣货作业的概率。如图4所示,由于人为的对仓库进行了分区,而且假设pi为人工去到第i条拣货通道进行拣货作业的概率,按前文中A区货架的使用率为PA,B区货架的使用率为PB,C区货架的使用率为PC,A区、B区、C区货架数量比例分别为RA、RB、RC,表示第i条捡货通道上属于A区的货位数,仓库总的货位数为N。则人工去到第i条捡货通道上进行捡货作业的概率Pi为:
并且有:
通过计算得到方案一、二中各条通道的拣货作业概率依次为:
p(1)0~10=[0.0558 0.0558 0.0555 0.0547 0.0531 0.0516 0.0488 0.04620.0423 0.0368 0.0273]
p(2)0~20=[0.0464 0.0464 0.0461 0.0453 0.0439 0.0421 0.0403 0.03740.0334 0.0276 0.0185 0.0141 0.0133 0.0125 0.0112 0.0086 0.0073 0.0073 0.00730.0073 0.0073]
(4)如图1所示,将主通道抽象为若干个点连接而成的折线通道,建立最小化平均拣货距离的主通道优化设计模型。根据图5,仓库的布局是对称的,所以只需要对仓库的半侧进行建模分析。假设仓库的一边有n+1条拣货通道(包括中间的通道0),则根据勾股定理,相邻拣货通道i-1和拣货通道i之间的主通道的长度Di为:
bi并不一定大于bi-1,所以模型能够考虑到主通道所有可能的位置。对于每一条拣货通道i,都有一个临界点qi,使得从底部主通道经拣货通道到该点的行走距离和从V型主通道经拣货通道到该点的行走距离相等,即:
可以得到:
不同货位的拣货距离是不同的,qi与bi并不是相互独立的,qi的值随着bi的值变化,qi可以简化拣货距离公式。用Di(y,b)来表示捡取第i条拣货通道内距离底部横向通道距离为y的货物时拣货距离。
当bi>qi时,对于i≥1的拣货通道,拣货距离Di(y,b)如下:
当bi<qi时,对于i≥1的拣货通道,拣货距离Di(y,b)如下:
Di(y,b)=ia+y
则对于i≥1的拣货通道,对不同位置的货物时要选择主通道使得拣货距离最短,所以i≥1的拣货通道的平均拣货距离如下:
当bi<qi时:
在通道0拣货时不用考虑横向的选择,所以通道0的平均拣货距离如下:
对于b0,当w=0时,假设存在一组最优解bi(i∈0,1,2,3,…n),其中b0>0,则从通道0去到通道1的距离S为但是,在不改变b1,b2,b3,…bn的情况下,当b0=0时有:
即平均拣货距离会比b0>0时小,所以当通道的宽度为2w时,b0的最优解为w。则当考虑随机存储策略时仓库总的平均捡货距离为:
此时的目标函数如下:
(5)如图1所示,应用基于极值扰动的粒子群算法求解V型非传统布局仓库主通道最佳位置。主要是指仓库共有2n+1条拣货通道,每一列货架有h个货位,则问题的维度为n维(b0=w),可行域为(0,h)。问题的解为[b0,b1,b2,b3,…bn],则V型仓库的主通道即为b0,b1,b2,b3,…bn依次连接而成的通道。
粒子群的规模为M(本实例为30),算法迭代次数为eranum(本实例为3000),则粒子i在第t次迭代过程中所达到的位置状态表示为:
Xi(t)={xi1(t),xi2(t),…,xin(t)},i=1,2,…M
粒子的飞行速度定义为:
Vi(t)={vi1(t),vi2(t),…vin(t)},i=1,2,…M
则粒子i在第t时刻的第j(j=1,2,…,n)维的飞行速度调整为下式:
vij(t)=ωvij(t-1)+c1r1[r3pij-xij(t-1)]+c2r2[r4gij-xij(t-1)]
其中,c1和c2为加速因子,通常c1和c2均取2,r1和r2是[0,1]内的随机数,pij为粒子i在t时刻第j维粒子自身所经过的最佳位置,gj为整个种群第j维上的最优值。
在粒子群算法中,当粒子的速度超出了上下极限时,则对粒子的速度进行修正,速度被固定为极限值。即:
ω为惯性权值,ω值较大时,可以增强全局搜索能力;反之,ω值较小时,可以增强算法的局部搜索能力。本发明中对每次迭代后的种群按照适应度值分为两个小种群,种群1(pop1)是适应度较好的个体组成的种群,种群2(pop2)是适应度较差个体组成的种群,种群1与种群2的大小为2:1。
并且为了更好的寻找最优解,种群1采用深度搜索策略,即令c2=0,让粒子从自身最优位置进行学习。此时速度的更新公式为:
vij(t)=ωvij(t-1)+c1r1[r3pij-xij(t-1)]
又由于当种群进化到一定代数时出现进化停滞,陷入局部最优值,粒子出现“早熟”。为了克服这种现象,本发明的方法中采用极值扰动策略,该策略引进了进化扰动代数sg,增加极值扰动算子,当算法进化出现停滞时,则使用极值扰动因子调整pb和pg,使粒子向新p*的对个体极值和全局极值同时进行随机扰动,从而使粒子快速跳出局部极值点。
粒子i在t时刻的位置更新可由下列公式计算所得:
xij(t)=xij(t-1)+vij(t)
基于极值扰动的改进粒子群算法具体实施步骤如图1右部所示,当种群进化到一定代数时,满足算法终止条件,算法终止。
(6)如图1所示,本发明应用于V型非传统布局仓库通道优化设计方法按所述步骤,可得主通道最优设计位置b以及设计布局图6、图7。
对于方案一布局设计,横向通道的节点bi(1)如下:
b0~20=[1.258.28,14.66,20.49,25.83,30.75,35.28,39.48,43.36,46.96,50.31]
对于方案二布局设计,横向通道的节点bi(2)如下:
b0~20=[1.25,5.972,10.12,13.86,17.1,19.89,22.49,24.76,26.69,28.33,29.86,31.05,32.26,33.16,33.8,34.51,34.96,35.44,35.94,36.44,36.6]。
Claims (2)
1.一种应用于V型非传统布局仓库通道优化设计方法,其特征是包括以下步骤:
S1.根据仓库货物EIQ历史数据,按物动量对仓库货架进行ABC分区;
S2.考虑实际存取货物作业概率不相等的非完全随机存储策略,计算各通道的拣货作业概率;
S3.将主通道抽象为若干个点连接而成的折线通道,建立最小化平均拣货距离的主通道优化设计模型;
S4.应用基于极值扰动的改进粒子群算法求解所对应主通道最佳优化设计位置。
2.根据权利要求1所述的一种应用于V型非传统布局仓库通道优化设计方法,其特征是步骤S4所述的步骤包括:
S41.输入算法初始参数;
S42.得到初始种群,更新当前全局最优和个体最优值;
S43.计算当前种群各个个体适应度,按适应度优劣将当前种群划分为两个不同的子种群;
S44.进行粒子速度更新操作,并判断当前的更新速度是否超过初始设定的粒子更新速度界限,如果越界则进行速度修正;
S45.按粒子群算法进化规则进行个体位置更新,并计算当前全局最优值和个体最优值;
S46.检查当前全局最优和个体最优,判断全局最优和个体最优值在一定迭代次数后是否停滞;若全局最优和个体最优更新停滞,则通过极值扰动因子同时调整当前的个体极值和全局极值,使粒子转向新的搜索路径和区域来帮助粒子跳出局部最优解;
S47.判断迭代的次数是否满足终止条件,若满足则停止迭代,输出优化结果;反之则继续进行下一次迭代,直至结束,输出最优结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569808.5A CN107464013A (zh) | 2017-07-13 | 2017-07-13 | 一种应用于v型非传统布局仓库通道优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710569808.5A CN107464013A (zh) | 2017-07-13 | 2017-07-13 | 一种应用于v型非传统布局仓库通道优化设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107464013A true CN107464013A (zh) | 2017-12-12 |
Family
ID=60544225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710569808.5A Pending CN107464013A (zh) | 2017-07-13 | 2017-07-13 | 一种应用于v型非传统布局仓库通道优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464013A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188290A (zh) * | 2019-05-22 | 2019-08-30 | 心怡科技股份有限公司 | 一种基于星型拓扑结构的分布式无人仓库位推荐智能算法 |
CN110940736A (zh) * | 2019-12-11 | 2020-03-31 | 南昌大学 | 岩石边坡爆破开挖损伤区岩体力学参数确定方法及系统 |
CN113516293A (zh) * | 2021-05-25 | 2021-10-19 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN115456523A (zh) * | 2022-09-06 | 2022-12-09 | 上海聚货通电子商务有限公司 | 一种电商仓库拣货通道的规划方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013096739A1 (en) * | 2011-12-22 | 2013-06-27 | Park Plus, Inc. | Automated parking garage/self-storage apparatus |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN205003673U (zh) * | 2015-07-27 | 2016-01-27 | 玉林师范学院 | 基于rfid分布式高校图书馆读者流向大数据自动采集系统 |
CN106447024A (zh) * | 2016-08-31 | 2017-02-22 | 上海电机学院 | 一种基于混沌反向学习的粒子群改进算法 |
-
2017
- 2017-07-13 CN CN201710569808.5A patent/CN107464013A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013096739A1 (en) * | 2011-12-22 | 2013-06-27 | Park Plus, Inc. | Automated parking garage/self-storage apparatus |
CN103559396A (zh) * | 2013-10-31 | 2014-02-05 | 华北水利水电大学 | 基于改进混沌粒子群算法的自动化药房储位分配优化方法 |
CN205003673U (zh) * | 2015-07-27 | 2016-01-27 | 玉林师范学院 | 基于rfid分布式高校图书馆读者流向大数据自动采集系统 |
CN106447024A (zh) * | 2016-08-31 | 2017-02-22 | 上海电机学院 | 一种基于混沌反向学习的粒子群改进算法 |
Non-Patent Citations (2)
Title |
---|
GUE K R等: "Aisle Configurations for Unit-Load Warehouses", 《HTTPS://KEVINGUE.FILES.WORDPRESS.COM/2012/02/AISLES-IIE-V3.PDF》 * |
钟帅 等: "EIQ—ABC分析法在GX公司仓储管理的应用", 《物流工程与管理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188290A (zh) * | 2019-05-22 | 2019-08-30 | 心怡科技股份有限公司 | 一种基于星型拓扑结构的分布式无人仓库位推荐智能算法 |
CN110940736A (zh) * | 2019-12-11 | 2020-03-31 | 南昌大学 | 岩石边坡爆破开挖损伤区岩体力学参数确定方法及系统 |
CN113516293A (zh) * | 2021-05-25 | 2021-10-19 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN113516293B (zh) * | 2021-05-25 | 2022-06-14 | 武汉禾青优化科技有限公司 | 一种考虑拣货距离与库位离散度的库位分配方法 |
CN115456523A (zh) * | 2022-09-06 | 2022-12-09 | 上海聚货通电子商务有限公司 | 一种电商仓库拣货通道的规划方法及系统 |
CN115456523B (zh) * | 2022-09-06 | 2023-06-16 | 上海聚货通电子商务有限公司 | 一种电商仓库拣货通道的规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Operating policies in robotic compact storage and retrieval systems | |
CN107464013A (zh) | 一种应用于v型非传统布局仓库通道优化设计方法 | |
CN108550007A (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
CN113222293B (zh) | 一种智能立体仓库优化调度方法 | |
CN105836356B (zh) | 一种密集仓储系统混合优化调度方法 | |
CN110084545B (zh) | 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法 | |
CN109886478A (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN109597304B (zh) | 基于人工蜂群算法的模具库智能分区存储方法 | |
CN109034468A (zh) | 一种基于布谷鸟算法的带时间窗的物流配送路径规划方法 | |
CN106709692A (zh) | 一种物流中心储位分配方法 | |
CN104036377A (zh) | 基于多色集合理论的智能储配系统优化调度方法 | |
CN105858043B (zh) | 一种升降机与穿梭车结合的仓储系统优化调度方法 | |
CN110322066A (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN113570025A (zh) | 一种基于离散粒子群算法的电商仓储中心货位分配方法 | |
CN113682705B (zh) | 库存分配方法、装置、服务器和存储介质 | |
CN114418707A (zh) | 四向穿梭车路径导航方法及系统 | |
CN117495236A (zh) | 一种电力物资仓库的调度方法及装置 | |
Mirabelli et al. | Adaptation of the multi-layer allocation problem for warehouse layout optimization: A case study | |
Zu et al. | Optimization of order picking work flow at the e-commerce logistics centers | |
Peng et al. | Research on Picking Route Optimization of Multi-zone Warehouse Based on Traveling Salesman Problem and Simulated Annealing Algorithm | |
Agárdi et al. | Optimization of automatized picking process | |
Song et al. | Integrated Optimization of Input/Output Point Assignment and Twin Stackers Scheduling in Multi‐Input/Output Points Automated Storage and Retrieval System by Ant Colony Algorithm | |
Öztürkoğlu et al. | A new layout problem for order-picking warehouses | |
Li et al. | Summary of Research on Distribution Centers | |
CN113467473B (zh) | 一种基于自主移动机器人的物料存储方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171212 |