CN108154332A - 一种基于遗传算法的仓库货位分配方法及系统 - Google Patents
一种基于遗传算法的仓库货位分配方法及系统 Download PDFInfo
- Publication number
- CN108154332A CN108154332A CN201810037504.9A CN201810037504A CN108154332A CN 108154332 A CN108154332 A CN 108154332A CN 201810037504 A CN201810037504 A CN 201810037504A CN 108154332 A CN108154332 A CN 108154332A
- Authority
- CN
- China
- Prior art keywords
- goods yard
- product
- allocation plan
- genetic algorithm
- region
- 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
- G06Q10/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明提供了一种基于遗传算法的仓库货位分配方法及系统,所述方法包括:获取已知数据集,并将其保存到数据库中;构建遗传算法的数学模型,获取第一货位分配方案;然后判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案;若第二货位分配方案存在溢流和空缺的货位区域,则将溢流区域最小存储单位的产品移至最大空缺区域,若无区域可以存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,若仍然存在溢流和空缺的货位区域,则设置货位存储上限系数,并重新进行货位调整,从而实现降低仓库拣选线的工作量,提高了拣选系统的工作效率以及仓库的空间利用率。
Description
技术领域
本发明涉及仓储规划领域,更具体地,涉及一种基于遗传算法的仓库货位分配方法及系统。
背景技术
随着全球电子商务的快速发展,高效的仓储系统正在全球电商供应链中起着越来越重要的作用,现代物流技术、装备自动化和控制系统的迅速发展,改变了传统仓储业劳动密集、效率低等问题,使信息处理贯穿流通、加工等整个仓储系统。这样大大地拓展了现代仓储管理的功能,仓储管理系统应运而生。而影响仓储管理系统作业效率的因素中,主要是货位的分配问题,解决仓库货位分配问题是近年来提高仓库运作效率和货位利用率的研究重点,仓储系统的拣选线工作量不平衡以及产品缺货都会导致拣选线闲置,所以,如何合理地对仓库进行布局规划与货位分配,平衡仓库中每个拣选区的工作量,是目前面临的一个问题。
发明内容
本发明的目的在于提供一种基于遗传算法的仓库货位分配方法及系统,实现了有效降低仓库中货物搬运的成本,提高了仓库的作业效率和空间利用率,为仓库的管理带来了方便。
为实现上述目的,本发明提供了一种基于遗传算法的仓库货位分配方法,包括以下步骤:
获取已知数据集,并将所述已知数据集保存到数据库中;
构建遗传算法的数学模型,根据所述已知数据集和所述遗传算法的数学模型,获取第一货位分配方案;
根据所述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作;
判断所述第一货位分配方案或者所述第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。
优选地,所述方法还包括步骤:判断所述第三货位分配方案中是否存在溢流和空缺的货位区域块,若存在,则设置货位存储上限系数,根据所述预设存储空间下限和所述货位存储上限系数,重新进行所述货位调整。
优选地,所述遗传算法的数学模型的目标函数是:
其中,i表示拣选线数量,j表示拣选区域数量,r表示货架数量,k表示各类产品的库存数量,c表示货架容量,t表示拣选时间,L表示工作量,nk表示需拣选产品均值,pk表示拣选产品需求率,w1和w2均表示权重。
优选地,所述已知数据集具体包括:拣选线数量、拣选区域数量、货架数量、各类产品的SKU数量、货架容量、拣选时间、工作量的数据,以及用时间序列法预测生成的需拣选产品均值、拣选产品需求率。
优选地,所述货位存储上限系数的取值范围是位于0.85和0.95之间。
本发明还提供了一种基于遗传算法的仓库货位分配系统,包括:
数据集获取模块,用于获取已知数据集,并将所述已知数据集保存到数据库中;
算法模型构建模块,用于构建遗传算法的数学模型,根据所述已知数据集和所述遗传算法的数学模型,获取第一货位分配方案;
货位指派模块,用于根据所述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作;
货位调整模块,用于判断所述第一货位分配方案或者所述第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。
优选地,所述系统还包括:
货位优化模块,用于判断所述第三货位分配方案中是否存在溢流和空缺的货位区域块,若存在,则设置货位存储上限系数,根据所述预设存储空间下限和所述货位存储上限系数,重新进行所述货位调整。
优选地,所述遗传算法的数学模型的目标函数是:
其中,i表示拣选线数量,j表示拣选区域数量,r表示货架数量,k表示各类产品的库存数量,c表示货架容量,t表示拣选时间,L表示工作量,nk表示需拣选产品均值,pk表示拣选产品需求率,w1和w2均表示权重。
优选地,所述已知数据集具体包括:拣选线数量、拣选区域数量、货架数量、各类产品的SKU数量、货架容量、拣选时间、工作量的数据,以及用时间序列法预测生成的需拣选产品均值、拣选产品需求率。
优选地,所述货位存储上限系数的取值范围是位于0.85和0.95之间。
本发明与现有技术相比,具有以下优点及突出性效果:
本发明所述的一种基于遗传算法的仓库货位分配方法及系统,利用遗传算法进行不断地迭代求解,获得初始的货位分配方案,然后根据货位存储预设的下限,对货位进行调整,保证每一类产品的数量达到货位区域块的下限,接着对存在溢流和空缺的货位区域进行调整,以可接受缺货量为代价,获得整体空间利用率的提高,从而实现了有效减少因拣选工作线不平衡和紧急补货所导致的工作线时间增加的可能性,提高了物流中心的作业效率,为仓库的管理带来方便。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种基于遗传算法的仓库货位分配方法的流程图;
图2为本发明实施例公开的一种基于遗传算法的仓库货位分配系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例公开了一种基于遗传算法的仓库货位分配方法,包括以下步骤:
S101,获取已知数据集,包括:拣选仓库中拣选线数量i、拣选区域数量j、货架数量r、各类产品的SKU数量k、货架容量c、拣选时间t、工作量L,以及根据上述数据用时间序列法预测生成的需拣选产品均值nk,拣选产品需求率pk,并保存到相应的数据库中。
S102,构建遗传算法的数学模型,根据上述已知数据集和该遗传算法的数学模型,该遗传算法的目标函数为:
约束条件为:
xijrk=0或1,i=1,…,I,j=1,…,J,k=1,…,K,r=1,…,R (3)
约束1表示一个货架只能存储一类SKU,约束2表示每类产品只会被分配到一个存储区域。由于对于拣选问题,一个拣选单位在所要拣选的SKU从存储区传递到工作人员所在的拣选区之前,工作人员必须停止拣选工作,并且其他的拣选单位需要等待其完成工作,那么拣选不平衡对拣选线的影响远大于应急补货需求,所以在本实施例中,权重系数w2的值远大于w1的值。
目标函数描述了某类产品的数量和预期被拣选的数量的绝对差及所有拣选者工作量绝对偏差的总和,代表系统的工作量平衡性和拣选成本,本方法是求该目标函数的最小值解,即利用遗传算法进行染色体构建、交叉、变异操作,并设定进化代数,迭代求解,初步确定每一类产品所需的存储空间,进一步确定所需的货架数量,即为第一货位分配方案。
其中,该遗传算法的交叉概率大于0.9,变异概率小于0.1,在本实施例中,交叉概率设为0.95,变异概率设为0.05,进化代数设为100代。
本实施例中,遗传算法的适应度函数为:
表示单一区域的工作量期望值,通过平衡工作量来减少拣选单位的空闲时间,该适应度函数意味着更好的染色体具有着较高的适应度值,也即表示更好的染色体具有更高的概率被选择参与下一代进化。
本实施例中,遗传算法在评价子代个体时,采用的选择概率函数为:
其中M等级染色体表示当代数的最好染色体,等级1表示最差染色体。在求解过程中,当进化到一定的代数时,目标函数的值会趋于收敛,也就会求得最优解。
S103,根据上述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作。具体为:预设存储空间下限为α,遍历遗传算法求解得到的结果,找到占用最小货架数的产品,判断每类产品的数量是否小于预设存储空间下限,即是否成立,若成立,则补充该类产品,以保证每类产品的数量达到预设存储空间下限的要求,这样就获得了第二货位分配方案。在本实施例中,α设置为5。
S104,判断所述第一货位分配方案或者所述第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域可以存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。其中,在货位调整过程中,设定指标进行参考,rk表示在该区域中存储的SKU数量,所以τijk表示当前该区域内的可供拣选的SKU与需要拣选的SKU预期数量之间的比值,那么若θ=(1-τijk)/(nk-rk),则θ表示在该区域内每增加一个SKU数量,空间利用率的单位增量,在进行货位调整时,首先补充θ值大的产品。所以,进行相应的货位调整后,就提升了仓库的空间利用率。
S105,判断所述第三货位分配方案中是否存在溢流和空缺的货位区域块,若存在,则设置货位存储上限系数β,根据所述预设存储空间下限α和所述货位存储上限系数β,重新进行所述货位调整。表示各类产品的调整后的期望储存数量,其中这样就可以实现以可接受缺货量为代价,提高空间利用率。由于货位存储上限系数β的设定会带来一定缺货率,因此β的取值范围为0.85和0.95之间,在本实施例中,β设置为0.9。
如图2所示,本发明实施例还公开了一种基于遗传算法的仓库货位分配方法,包括:
数据集获取模块201,用于获取已知数据集,并将已知数据集保存到数据库中。
算法模型构建模块202,用于构建遗传算法的数学模型,根据上述已知数据集和遗传算法的数学模型,获取第一货位分配方案。
货位调整模块203,用于根据上述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作。
货位指派模块204,用于判断上述第一货位分配方案或者第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域可以存储该最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。
货位优化模块205,用于判断上述第三货位分配方案中是否存在溢流和空缺的货位区域块,若存在,则设置货位存储上限系数,根据预设存储空间下限和货位存储上限系数,重新进行上述货位调整。
本发明实施例所述的基于遗传算法的仓库货位分配方法及系统,将随机性、“先到先得”策略与遗传算法相结合,利用遗传算法确定每一类产品所需的货位存储空间,并使用随机性或“先到先得”策略的补充算法确定每一类产品的货位定位,有效减少了因拣选工作线不平衡和紧急补货所导致的工作线空闲时间增加的可能性,并减少了订单拣选时间和成本,提高了仓库的空间利用率。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法的仓库货位分配方法,其特征在于,包括以下步骤:
获取已知数据集,并将所述已知数据集保存到数据库中;
构建遗传算法的数学模型,根据所述已知数据集和所述遗传算法的数学模型,获取第一货位分配方案;
根据所述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作;
判断所述第一货位分配方案以及所述第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。
2.如权利要求1所述的一种基于遗传算法的仓库货位分配方法,其特征在于,还包括步骤:
判断所述第三货位分配方案中是否存在溢流和空缺的货位区域,若存在,则设置货位存储上限系数,根据所述预设存储空间下限和所述货位存储上限系数,重新进行所述货位调整。
3.如权利要求1所述的一种基于遗传算法的仓库货位分配方法,其特征在于,所述遗传算法的数学模型的目标函数是:
其中,i表示拣选线数量,j表示拣选区域数量,r表示货架数量,k表示各类产品的库存数量,c表示货架容量,t表示拣选时间,L表示工作量,nk表示需拣选产品均值,pk表示拣选产品需求率,w1和w2均表示权重。
4.如权利要求1所述的一种基于遗传算法的仓库货位分配方法,其特征在于,所述已知数据集具体包括:拣选线数量、拣选区域数量、货架数量、各类产品的SKU数量、货架容量、拣选时间、工作量的数据,以及用时间序列法预测生成的需拣选产品均值、拣选产品需求率。
5.如权利要求1所述的一种基于遗传算法的仓库货位分配方法,其特征在于,所述货位存储上限系数的取值范围是位于0.85和0.95之间。
6.一种基于遗传算法的仓库货位分配系统,其特征在于,包括:
数据集获取模块,用于获取已知数据集,并将所述已知数据集保存到数据库中;
算法模型构建模块,用于构建遗传算法的数学模型,根据所述已知数据集和所述遗传算法的数学模型,获取第一货位分配方案;
货位指派模块,用于根据所述第一货位分配方案,判断每类产品的数量是否小于预设存储空间下限,如果是,则补充产品,获得第二货位分配方案,否则不进行操作;
货位调整模块,用于判断所述第一货位分配方案或者所述第二货位分配方案是否存在溢流和空缺的货位区域,若存在,则进行货位调整,即将溢流区域最小存储单位的产品移至最大空缺区域,若无区域存储所述最小存储单位的产品,则将两个区域最大存储单位的产品互换,获得第三货位分配方案,否则不进行操作。
7.如权利要求6所述的一种基于遗传算法的仓库货位分配系统,其特征在于,还包括:
货位优化模块,用于判断所述第三货位分配方案中是否存在溢流和空缺的货位区域,若存在,则设置货位存储上限系数,根据所述预设存储空间下限和所述货位存储上限系数,重新进行所述货位调整。
8.如权利要求6所述的一种基于遗传算法的仓库货位分配系统,其特征在于,所述遗传算法的数学模型的目标函数是:
其中,i表示拣选线数量,j表示拣选区域数量,r表示货架数量,k表示各类产品的库存数量,c表示货架容量,t表示拣选时间,L表示工作量,nk表示需拣选产品均值,pk表示拣选产品需求率,w1和w2均表示权重。
9.如权利要求6所述的一种基于遗传算法的仓库货位分配系统,其特征在于,所述已知数据集具体包括:拣选线数量、拣选区域数量、货架数量、各类产品的SKU数量、货架容量、拣选时间、工作量的数据,以及用时间序列法预测生成的需拣选产品均值、拣选产品需求率。
10.如权利要求6所述的一种基于遗传算法的仓库货位分配系统,其特征在于,所述货位存储上限系数的取值范围是位于0.85和0.95之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037504.9A CN108154332A (zh) | 2018-01-16 | 2018-01-16 | 一种基于遗传算法的仓库货位分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037504.9A CN108154332A (zh) | 2018-01-16 | 2018-01-16 | 一种基于遗传算法的仓库货位分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154332A true CN108154332A (zh) | 2018-06-12 |
Family
ID=62461407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810037504.9A Pending CN108154332A (zh) | 2018-01-16 | 2018-01-16 | 一种基于遗传算法的仓库货位分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154332A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087041A (zh) * | 2018-07-19 | 2018-12-25 | 中电九天智能科技有限公司 | 储物仓内的物流大数据智能采集方法 |
CN109597304A (zh) * | 2018-11-30 | 2019-04-09 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
CN113128813A (zh) * | 2019-12-31 | 2021-07-16 | 杭州海康机器人技术有限公司 | 调度货架的方法、装置、仓库系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094765A1 (en) * | 2006-11-07 | 2010-04-15 | Ebay Inc. | Online fraud prevention using genetic algorithm solution |
CN105160515A (zh) * | 2015-09-23 | 2015-12-16 | 胡卫建 | 地震救援装备物资仓储信息系统及物资仓储配送控制方法 |
CN105260787A (zh) * | 2015-09-15 | 2016-01-20 | 浪潮软件股份有限公司 | 一种基于遗传算法的分拣作业均衡调度方法 |
CN107368984A (zh) * | 2017-06-09 | 2017-11-21 | 意欧斯智能科技股份有限公司 | 一种基于遗传算法的上架货位分配方法 |
-
2018
- 2018-01-16 CN CN201810037504.9A patent/CN108154332A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100094765A1 (en) * | 2006-11-07 | 2010-04-15 | Ebay Inc. | Online fraud prevention using genetic algorithm solution |
CN105260787A (zh) * | 2015-09-15 | 2016-01-20 | 浪潮软件股份有限公司 | 一种基于遗传算法的分拣作业均衡调度方法 |
CN105160515A (zh) * | 2015-09-23 | 2015-12-16 | 胡卫建 | 地震救援装备物资仓储信息系统及物资仓储配送控制方法 |
CN107368984A (zh) * | 2017-06-09 | 2017-11-21 | 意欧斯智能科技股份有限公司 | 一种基于遗传算法的上架货位分配方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087041A (zh) * | 2018-07-19 | 2018-12-25 | 中电九天智能科技有限公司 | 储物仓内的物流大数据智能采集方法 |
CN109087041B (zh) * | 2018-07-19 | 2021-12-07 | 中电九天智能科技有限公司 | 储物仓内的物流大数据智能采集方法 |
CN109597304A (zh) * | 2018-11-30 | 2019-04-09 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
CN109597304B (zh) * | 2018-11-30 | 2022-02-11 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
CN113128813A (zh) * | 2019-12-31 | 2021-07-16 | 杭州海康机器人技术有限公司 | 调度货架的方法、装置、仓库系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480922B (zh) | 两端式同轨双车运行模式下货位分配调度模型建立方法 | |
CN105787595B (zh) | 一种基于改进蚁群算法的应急物流中转站选址方法 | |
Aghezzaf et al. | Modeling inventory routing problems in supply chains of high consumption products | |
CN110046865B (zh) | 分布式库存调度方法 | |
CN107944598A (zh) | 一种物流路径配置方法及系统 | |
CN109255481B (zh) | 一种分布式库存调度系统及改进方法 | |
CN106960301B (zh) | 医药电商镜像拣选方法及系统 | |
CN109886478A (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN106779153A (zh) | 一种智能立体仓库货位分配优化方法 | |
CN108154332A (zh) | 一种基于遗传算法的仓库货位分配方法及系统 | |
CN105752575A (zh) | 一种分层式立体仓库的库位动态分配方法及其仓库系统 | |
CN108846502A (zh) | 车间生产线布局优化方法及装置 | |
CN103473616A (zh) | 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 | |
CN110322066B (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 | |
CN110046761A (zh) | 一种基于多目标粒子群优化算法的乙醇库存补货策略 | |
CN111582781B (zh) | 一种根据补货订单分配货架的方法及计算机可读存储介质 | |
CN104484233A (zh) | 一种资源分配方法 | |
Won et al. | Workload-based yard-planning system in container terminals | |
CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
CN110390497A (zh) | 物品入库方法和装置 | |
Zhihong et al. | Optimization of quay crane dynamic scheduling based on berth schedules in container terminal | |
CN114676875A (zh) | 仓储配送网络优化方法、设备、存储介质及程序产品 | |
Cheong et al. | Multi-objective optimization of large scale berth allocation and quay crane assignment problems | |
CN113762875A (zh) | 物品入库方法、装置以及存储介质 | |
Nekooghadirli et al. | Efficiency of a multi-objective imperialist competitive algorithm: A bi-objective location-routing-inventory problem with probabilistic routes |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |