CN110046865B - 分布式库存调度方法 - Google Patents
分布式库存调度方法 Download PDFInfo
- Publication number
- CN110046865B CN110046865B CN201910419405.1A CN201910419405A CN110046865B CN 110046865 B CN110046865 B CN 110046865B CN 201910419405 A CN201910419405 A CN 201910419405A CN 110046865 B CN110046865 B CN 110046865B
- Authority
- CN
- China
- Prior art keywords
- inventory
- node
- stock
- transfer
- allocation
- 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.)
- Active
Links
Images
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
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种分布式库存调度方法,包括步骤:S1:采集各自的初始库存量;S2:计算各自的库存订货点;S3:各库存节点判定各自的库存状态;S4:各库存节点上报初始库存量、库存订货点和库存状态;S5:调度协调中心计算总库存量和总库存订货点;S6:判断总库存量<总库存订货点是否成立,若成立,则进入步骤S7;若不成立,则进入步骤S8;S7:获取最优的订货量;S8:获取最优的调拨量,并根据最优调拨量,控制各库存节点相互调拨库存货物;本发明通过建立调拨成本最小化模型和订货成本最小化模型,优化调拨或订货方案,节约库存调度成本,增加了仓储周转率和库存灵活性、增加了物料故障追溯能力、降低了库存成本。
Description
技术领域
本发明涉及仓储技术领域,具体涉及一种分布式库存调度方法。
背景技术
现有的库存管理系统对仓库容量的需求非常大,单个仓库往往很难满足其需求,在这种情况下,分布式库存调度系统既能够很好地满足企业的需求,提升企业的竞争力。而传统的分布式库存调度技术一般是各仓库建有独立的管理系统,并通过网络和中央服务器连接,中央服务器汇聚个管理系统内人工分析和录入的数据,统计仓储信息,实现分布式仓储的货物调度。
这种方式存在较多问题:一、各仓库库存情况需要人工分析,货物管理效率低,仓位由人工分配,导致仓位分配不合理,仓库的利用率低,增加时间成本、货物的运输成本以及管理成本;二、基于一个协调中心,也就是中央服务器对各个仓库进行协调,对计算机算力、性能的要求高,且庞大的数据量导致管理中心化臃肿,使得整个分布式仓储管理过分依赖协调中心,一旦协调中心发生故障会导致整个分布式仓储调度发生瘫痪。
因此,需要提出一种新的分布式库存调度方法。
发明内容
有鉴于此,本发明的目的是提供一种分布式库存调度方法,通过建立调拨成本最小化模型和订货成本最小化模型,优化调拨或订货方案,节约库存调度成本,提高仓库的利用率,增加了仓储周转率和库存灵活性、提升了客户服务水平、增加了物料故障时追溯能力、降低了库存成本。
本发明提供一种分布式库存调度方法,包括步骤:
S1:各库存节点采集各自的初始库存量;
S2:各库存节点根据各自的初始库存量、需求量、订货提前期和客户服务水平,计算各自的库存订货点;
S3:各库存节点根据各自的初始库存量和库存订货点,判定各自的库存状态;
S4:各库存节点向调度协调中心上报各自的初始库存量、库存订货点和库存状态;
S5:调度协调中心根据各库存节点的初始库存量和库存订货点,计算得到总库存量和总库存订货点;
S6:调度协调中心判断总库存量<总库存订货点是否成立,若成立,则进入步骤S7;若不成立,则进入步骤S8;
S7:调度协调中心建立订货成本最小化模型,获取最优的订货量,并根据最优订货量发出集中订货的指令;
S8:调度协调中心建立调拨成本最小化模型,获取最优的调拨量,并根据最优调拨量,并控制各库存节点相互调拨库存货物。
进一步,所述步骤S3具体包括:
将库存节点的初始库存量与库存订货点进行大小比较,若库存节点的初始库存量≤该库存节点的库存订货点,则判定该库存节点的库存状态为缺货;若库存节点的初始库存量>该库存节点的库存订货点,则判定该库存节点的库存状态为存在余量。
进一步,所述步骤S7中建立订货成本最小化模型包括:以订货量为设计变量,以减小订货成本为目标函数F1,建立订货成本最小化模型,所述订货成本最小化模型的目标函数为:
其中,Qkt表示第t个时间周期第i个库存节点的订货量,Cbt表示第t个时间周期的订货单价;Ikt表示第t个时间周期第k个库存节点的初始库存量;Cskt表示第k个库存节点在第t个时间周期内的存储费用;Dkt表示第t个时间周期第k个库存节点的需求量;σk表示单位时间内第k个库存节点的需求量的标准差;μk表示单位时间内第k个库存节点的需求量的均值;Cdk表示第k个库存节点的单位距离运输费用;dk表示第k个库存节点与供应商之间的物理距离;C1ck表示第k个库存节点每次订货相关杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述订货成本最小化模型还包括约束条件,所述约束条件为:
其中,Vk表示第k个库存节点的最大库存量;Rk表示第k个库存节点的库存订货点。
进一步,所述步骤S8具体包括:
S81:将库存状态为存在余量的库存节点作为调拨起始库存节点;将库存状态为缺货作为调拨目标库存节点;
S82:调度协调中心建立调拨成本最小化模型,获取各个调拨起始库存节点向各个调拨目标库存节点的最优调拨量;
S83:判断所有的调拨起始库存节点的库存余量之和是否大于或等于所有的调拨目标库存节点的缺货量之和,若是,则进入步骤S84;若否,则进返回步骤S7;
S84:各个调拨起始库存节点根据步骤S82获取的调拨起始库存节点向各个调拨目标库存节点的调拨量,再次判断自身库存量是否满足要求,若是,则执行调拨任务;若否,则返回S82。
进一步,所述步骤S2具体包括:由于第t个时间周期第k个库存节点的需求量Dkt服从N(μk,σk 2)的正态分布,则库存订货点Ri的计算公式为:
Rk=(Lk×μk)+ssk (2)
进一步,所述步骤S5中总库存量为各库存节点的初始库存量之和,总库存订货点为各库存节点的库存订货点之和。
进一步,所述步骤S82中建立调拨成本最小化模型包括:以调拨量为设计变量,以减小订货成本为目标函数F2,建立调拨成本最小化模型,所述调拨成本最小化模型的目标函数为:
其中,Qijt表示第t个时间周期第i个调拨起始库存节点向第j个调拨目标库存节点调拨的调拨量;Cdi表示第i个调拨起始库存节点的单位距离运输费用;dij表示第i个调拨起始库存节点与第j个调拨目标库存节点的物理距离;Iit表示第t个时间周期第i个调拨起始库存节点的初始库存量;Csit表示第i个调拨起始库存节点在第t个时间周期内的存储费用;Dit表示第t个时间周期第i个调拨起始库存节点的需求量;σi表示单位时间内第i个调拨起始库存节点的需求量的标准差;μi表示单位时间内第i个调拨起始库存节点的需求量的均值;C2cij表示第i个调拨起始库存节点每次向第j个调拨目标库存节点调拨的杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述调拨成本最小化模型还包括约束条件,所述约束条件为:
其中,Ijt表示第t个时间周期第j个调拨目标库存节点的初始库存量;Vj表示第j个调拨目标库存节点的最大库存量,Ri表示第i个调拨起始库存节点的库存订货点。
进一步,所述步骤S83中,调拨起始库存节点的库存余量为调拨起始库存节点的初始库存量与库存订货点的差值;调拨目标库存节点的缺货量为调拨目标库存节点的库存订货点与初始库存量的差值。
进一步,所述步骤S4还包括各库存节点向调度协调中心上报各自的存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用。
本发明的有益效果:本发明通过建立调拨成本最小化模型和订货成本最小化模型,优化调拨或订货方案,节约库存调度成本,提高了仓库利用率,增加了仓储周转率和库存灵活性,提升了客户服务水平,增加了物料故障时追溯能力,最大限度地降低时间成本、货物的运输成本以及管理成本。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程示意图。
具体实施方式
如图1所示,本发明提供的一种分布式库存调度方法,包括步骤:
S1:各库存节点采集各自的初始库存量;库存节点表示各个仓库。各库存节点设置有无线射频识别模块,可对范围内库存信息(当前各品类物料库存量)进行实时采集。利用无线射频识别方式采集范围内库存信息(当前各品类物料库存量)是现有技术,在此不赘述。
S2:各库存节点根据各自的初始库存量、需求量、订货提前期和客户服务水平,计算各自的库存订货点;所述库存节点的需求量、订货提前期和客户服务水平为已知量。
S3:各库存节点根据各自的初始库存量和库存订货点,判定各自的库存状态;各库存节点还设置有子处理模块,用于接收无线射频识别模块采集到的初始库存量,计算库存订货点,并判定库存状态。所述子处理模块可采用电脑主机、单片机和控制器芯片等,优选AVR系列的单片机。所述库存节点的需求量、订货提前期和客户服务水平为已知量,通过人工录入的方式预先设置并存储在库存节点的处理模块中。
S4:各库存节点向调度协调中心上报各自的初始库存量、库存订货点和库存状态;本实施例中,所述调度协调中心是库存控制中心的云平台,各库存节点的子处理模块通过无线或有线的方式与云平台连接(优选通过无线的方式与云平台远程连接),用于接收各子处理模块上传的各库存节点的初始库存量、库存订货点库存状态、存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用等信息。其中,库存节点的存储费用、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用等信息为已知量,通过人工录入的方式预先设置并存储在库存节点的处理模块中。
S5:调度协调中心根据各库存节点的初始库存量和库存订货点,计算得到总库存量和总库存订货点;库存控制中心的云平台根据各库存节点的初始库存量、库存订货点库存状态、存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用等信息计算总库存量和总库存订货点。
S6:调度协调中心判断总库存量<总库存订货点是否成立,若成立,则进入步骤S7;若不成立,则进入步骤S8;此步骤由云平台执行。
S7:调度协调中心建立订货成本最小化模型,以获取最优的订货量为优化目标,并根据最优订货量发出集中订货的指令;此步骤由云平台执行。
S8:调度协调中心建立调拨成本最小化模型,获取最优的调拨量,并根据最优调拨量,并控制各库存节点相互调拨库存货物。通过上述方法,通过建立调拨成本最小化模型和订货成本最小化模型,优化调拨或订货方案,节约库存调度成本,提高了仓库利用率,增加了仓储周转率和库存灵活性,提升了客户服务水平,增加了物料故障时追溯能力,最大限度地降低时间成本、货物的运输成本以及管理成本。
进一步,所述步骤S3具体包括:
将库存节点的初始库存量与库存订货点进行大小比较,若库存节点的初始库存量≤该库存节点的库存订货点,则判定该库存节点的库存状态为缺货;若库存节点的初始库存量>该库存节点的库存订货点,则判定该库存节点的库存状态为存在余量。各库存节点的子处理模块相互独立,在执行步骤S3时,库存节点各自独立执行,可以同时开始执行,也可以相互错开时间执行,为了保证调度协调中心后续的数据处理过程,优选各库存节点同时开始执行步骤S3。通过上述步骤,能够快速获取各个库存节点的库存状态,方便后续根据各库存节点的库存状态来获取最优的订货方案或者调拨方案。
进一步,所述步骤S7中建立订货成本最小化模型包括:以订货量为设计变量,以减小订货成本为目标函数F1,建立订货成本最小化模型,所述订货成本最小化模型的目标函数为:
其中,Qkt表示第t个时间周期第i个库存节点的订货量,Cbt表示第t个时间周期的订货单价;Ikt表示第t个时间周期第k个库存节点的初始库存量;Cskt表示第k个库存节点在第t个时间周期内的存储费用;Dkt表示第t个时间周期第k个库存节点的需求量;σk表示单位时间内第k个库存节点的需求量的标准差;μk表示单位时间内第k个库存节点的需求量的均值;Cdk表示第k个库存节点的单位距离运输费用;dk表示第k个库存节点与供应商之间的物理距离;C1ck表示第k个库存节点每次订货相关杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述订货成本最小化模型还包括约束条件,所述约束条件为:
其中,Vk表示第k个库存节点的最大库存量;Rk表示第k个库存节点的库存订货点。通过上述订货量的优化数学模型,可以充分考虑到整个分布式库存系统的各个库存信息(例如:初始库存量、需求量、订货提前期和客户服务水平、库存订货点、存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用)快速精确地计算订货任务的最优方案,提高仓库的利用率和库存灵活性,增加了物料故障时追溯能力,最大限度地降低时间成本、货物的运输成本以及管理成本。最优订货量可以通过遗传算法、粒子群算法和人工鱼群算法等方法获取,优选人工鱼群算法,在此不对具体获取最优订货量的方法进行限定。采用人工鱼群算法的具体步骤包括:
S71:初始化人工鱼群算法的参数;其中,人工鱼群算法的参数包括最大迭代次数,鱼群规模,人工鱼的感知范围,最大移动步长和拥挤度因子;
S72:鱼群初始化,在参数区间内随机产生m条人工鱼个体,作为人工鱼群算法的初始鱼群;其中,每条人工鱼个体包括时间周期T,第t个时间周期各个库存节点的需求Dkt,单位时间内各个库存节点的需求的均值μk,单位时间内各个库存节点的需求的标准差σk件,各个库存节点的初始库存量Ik件,各个库存节点的最大库存容量Vk件,各个库存节点的订货提前期Lk,客户服务水平Z,各库存节点与供应商之间的物理距离dk,订货单价Cbt,各库存节点的单位存储费用Cskt,各库存节点的单位距离运输费用Cdk,各库存节点的每次订货相关杂项费用C1ck和各库存节点的库存订货点Rk。
S73:计算每条鱼的食物浓度函数,也就是目标函数(1-1)式,把最优值放入公告板中;
S74:对于每条人工鱼执行以下操作:
计算出追尾行为、聚群行为的值,采用行为选择策略,选择最优的行为作为鱼的移动方向,缺省行为是觅食行为。
计算出每条鱼的食物浓度函数(目标函数)其最优值与公告板中的值进行比较最终公告板中始终保持最优的值;
S75:重复步骤S74,直到满足终止条件(达到最大迭代次数),最终公告板中的值就是最优值,输出最优解的优化结果(需要订货时各个库存节点的订货量),优化结果使得订货策略成本最低。
进一步,所述步骤S8具体包括:
S81:将库存状态为存在余量的库存节点作为调拨起始库存节点;将库存状态为缺货作为调拨目标库存节点;
S82:调度协调中心建立调拨成本最小化模型,获取各个调拨起始库存节点向各个调拨目标库存节点的最优调拨量;
S83:判断所有的调拨起始库存节点的库存余量之和是否大于或等于所有的调拨目标库存节点的缺货量之和,若是,则进入步骤S84;若否,则进返回步骤S7;
S84:各个调拨起始库存节点根据步骤S82获取的调拨起始库存节点向各个调拨目标库存节点的调拨量,再次判断自身库存量是否满足要求,若是,则执行调拨任务;若否,则返回S82。通过上述方法,能够快速获取调拨成本最优的调拨策略方案,避免了无规律的相互调拨,效率低,且造成大量的调拨成本。进一步,本文方法采用区块链的方式审核和记录执行的调拨任务,具体如下:
S841:各调拨起始库存节点在当前时间周期内分别执行调拨任务,具体为:
S8411:将未执行调拨的任一调拨起始库存节点,作为当前调拨起始库存节点;当前调拨起始库存节点创建调拨交易单,并根据调拨交易单向各个调拨目标库存节点调拨库存货物;其中,调拨交易单包括执行调拨的时间周期和当前调拨起始库存节点向各个调拨目标库存节点调拨的调拨量;
S8412:当前调拨起始库存节点对调拨交易单执行哈希运算,得到固定长度的初始字符串;
S8413:当前调拨起始库存节点使用当前调拨起始库存节点的私钥对初始字符串进行加密,生成作为数字签名的固定长度的加密字符串;
S8414:调度协调中心使用当前调拨起始库存节点的公钥对当前调拨起始库存节点的加密字符串进行解密验证,验证通过后将当前调拨交易记录广播给所有库存节点;其中,所述当前调拨交易记录包括执行调拨的时间周期、当前调拨起始库存节点向各个调拨目标库存节点调拨的调拨量、当前调拨起始库存节点地址和被调拨的调拨目标库存节点地址;
S8415:调度协调中心分配区块,用于记录当前调拨交易记录;
S8416:所有库存节点对当前调拨交易记录执行共识算法,所有库存节点认同(审核调度任务)和备份当前调拨交易记录;
S842:重复步骤S841,直到调拨时间周期内所有调拨目标库存节点的需求量被满足;
S843:调度协调中心对所有调拨交易记录标记上时间戳、版本号、Merkel树根,完成对区块的封装;其中,若记录调拨交易记录的区块之前还存在区块,则还需对对应的调拨交易记录标记上上一区块的哈希值;
S844:所有库存节点查验此区块交易信息的合法性,若合法,则将合法区块纳入自己的区块链顶端;
S845:重复步骤S844,直到所有区块交易信息的合法性均被查验。和传统以中心库系统进行决策规划相比,本文采用采用区块链的方式审核和记录执行的调拨任务,将各个库存节点连成了一个有机的整体,进而对企业进行全局优化。而且在这个系统中,信息决定物流,决策指导作业,有效的数据采集、交流、记录保障了频繁库存调度的效率及准确性,使处在分布式库存系统中各个库存节点之间无需建立信任关系就可以有效沟通进而决策调度方案。
进一步,所述步骤S2具体包括:由于第t个时间周期第k个库存节点的需求量Dkt服从N(μk,σk 2)的正态分布,则库存订货点Ri的计算公式为:
Rk=(Lk×μk)+ssk (2)
进一步,所述步骤S5中总库存量为各库存节点的初始库存量之和,总库存订货点为各库存节点的库存订货点之和。
进一步,所述步骤S82中建立调拨成本最小化模型包括:以调拨量为设计变量,以减小订货成本为目标函数F2,建立调拨成本最小化模型,所述调拨成本最小化模型的目标函数为:
其中,Qijt表示第t个时间周期第i个调拨起始库存节点向第j个调拨目标库存节点调拨的调拨量;Cdi表示第i个调拨起始库存节点的单位距离运输费用;dij表示第i个调拨起始库存节点与第j个调拨目标库存节点的物理距离;Iit表示第t个时间周期第i个调拨起始库存节点的初始库存量;Csit表示第i个调拨起始库存节点在第t个时间周期内的存储费用;Dit表示第t个时间周期第i个调拨起始库存节点的需求量;σi表示单位时间内第i个调拨起始库存节点的需求量的标准差;μi表示单位时间内第i个调拨起始库存节点的需求量的均值;C2cij表示第i个调拨起始库存节点每次向第j个调拨目标库存节点调拨的杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述调拨成本最小化模型还包括约束条件,所述约束条件为:
其中,Ijt表示第t个时间周期第j个调拨目标库存节点的初始库存量;Vj表示第j个调拨目标库存节点的最大库存量,Ri表示第i个调拨起始库存节点的库存订货点。通过上述调拨量的优化数学模型,可以充分考虑到整个分布式库存系统的各个库存信息(例如:初始库存量、需求量、订货提前期和客户服务水平、库存订货点、存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用)快速精确地计算调拨任务的最优方案,提高仓库的利用率和库存灵活性,增加了物料故障时追溯能力,最大限度地降低时间成本、货物的运输成本以及管理成本。最优调拨量可以通过遗传算法、粒子群算法和人工鱼群算法等方法获取,优选人工鱼群算法,在此不对具体获取最优调拨量的方法进行限定。采用人工鱼群算法的具体步骤包括:
S71:初始化人工鱼群算法的参数;其中,人工鱼群算法的参数包括最大迭代次数,鱼群规模,人工鱼的感知范围,最大移动步长和拥挤度因子;
S72:鱼群初始化,在参数区间内随机产生m’条人工鱼个体,作为人工鱼群算法的初始鱼群;其中,每条人工鱼个体包括时间周期T,第t个时间周期调拨起始库存节点的需求Dit,单位时间内各调拨起始库存节点的需求的均值μi,单位时间内各调拨起始库存节点的需求的标准差σi件,各调拨起始库存节点的初始库存量Ii件,各调拨目标库存节点的最大库存容量Vj件,各调拨起始库存节点的订货提前期Li,客户服务水平Z,各调拨起始库存节点与各调拨目标库存节点之间的物理距离dij,各调拨起始库存节点的单位存储费用Csit,各调拨起始库存节点的单位距离运输费用Cdi,各调拨起始库存节点每次向各调拨目标库存节点调拨的杂项费用C2cij,各调拨起始库存节点的库存订货点Ri。
S73:计算每条鱼的食物浓度函数,也就是目标函数(3-1)式,把最优值放入公告板中;
S74:对于每条人工鱼执行以下操作:
计算出追尾行为、聚群行为的值,采用行为选择策略,选择最优的行为作为鱼的移动方向,缺省行为是觅食行为。
计算出每条鱼的食物浓度函数(目标函数)其最优值与公告板中的值进行比较最终公告板中始终保持最优的值;
S75:重复步骤S74,直到满足终止条件(达到最大迭代次数),最终公告板中的值就是最优值,输出最优解的优化结果(需要订货时各个库存节点的调拨量),优化结果使得调拨策略成本最低。
进一步,所述步骤S83中,调拨起始库存节点的库存余量为调拨起始库存节点的初始库存量与库存订货点的差值;调拨目标库存节点的缺货量为调拨目标库存节点的库存订货点与初始库存量的差值。
进一步,所述步骤S4还包括各库存节点向调度协调中心上报各自的存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用。
分布式库存系统由存储同种货物多个供应链同级库存节点组成,各节点之间通过对库存的协调去平衡需求与库存的矛盾,并以降低库存成本、提高客户服务水平为目标的库存系统。
区块链技术是分布式数据存储、点对点传输、共识机制、加密算法等技术的应用。利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。此技术拥有去中心化、开放性、公平性、永久性、不可逆性、安全性等特点。面对分布式库存系统可能存在的频繁的库存调度,区块链技术的这些特点很适合应用于这样的场景中。显然,和传统以中心库系统进行决策规划相比,基于区块链技术的分布式库存系统将各个节点连成了一个有机的整体,进而对企业进行全局优化。而且在这个系统中,信息决定物流,决策指导作业,有效的数据采集、交流、记录保障了频繁库存调度的效率及准确性,使处在分布式库存系统中各个库存节点之间无需建立信任关系就可以有效沟通进而决策调度方案。因此,采用区块链的数据存储通信方式,来执行调度任务,具体如下:
所述步骤S4包括:
S841:各调拨起始库存节点在当前时间周期内分别执行调拨任务,具体为:
S8411:将未执行调拨的任一调拨起始库存节点,作为当前调拨起始库存节点;当前调拨起始库存节点创建调拨交易单,并根据调拨交易单向各个调拨目标库存节点调拨库存货物;其中,调拨交易单包括执行调拨的时间周期和当前调拨起始库存节点向各个调拨目标库存节点调拨的调拨量;
S8412:当前调拨起始库存节点对调拨交易单执行哈希运算,得到固定长度的初始字符串;
S8413:当前调拨起始库存节点使用当前调拨起始库存节点的私钥对初始字符串进行加密,生成作为数字签名的固定长度的加密字符串;
S8414:调度协调中心使用当前调拨起始库存节点的公钥对当前调拨起始库存节点的加密字符串进行解密验证,验证通过后将当前调拨交易记录广播给所有库存节点;其中,所述当前调拨交易记录包括执行调拨的时间周期、当前调拨起始库存节点向各个调拨目标库存节点调拨的调拨量、当前调拨起始库存节点地址和被调拨的调拨目标库存节点地址;
S8415:调度协调中心分配区块,用于记录当前调拨交易记录;其中,区块是储存数据的单位,可分为主体和头,主体包括交易内容(当前调拨交易记录),“区块头”内包含了除交易信息(当前调拨交易记录)以外的所有信息,主要包括上一区块头哈希值:用于保证区块的连续性。
S8416:所有库存节点对当前调拨交易记录执行共识算法(工作量证明、权益证明等),所有库存节点认同和备份当前调拨交易记录;
S842:重复步骤S841,直到调拨时间周期内所有调拨目标库存节点的需求被满足;
S843:调度协调中心对所有调拨交易记录标记上时间戳、版本号、Merkel树根,完成对区块的封装;其中,若记录调拨交易记录的区块之前还存在区块,则还需对对应的调拨交易记录标记上上一区块的哈希值;
S844:所有库存节点查验此区块交易信息的合法性,若合法,则将合法区块纳入自己的区块链顶端;
S845:重复步骤S844,直到所有区块交易信息的合法性均被查验。通过上述方法,在一个周期内所有的调拨记录和订货记录被考虑放入一个区块,待下一个周期产生新的包含调拨记录和订货记录的区块加入已有的区块链当中,多次之后保证之前的调拨记录是可以被追溯、不可篡改的,保证了数据的安全性,在调拨过程中引入区块链技术以处理和记录调拨信息,增加了仓储周转率和库存灵活性、提升了客户客户服务水平、增加了物料故障时追溯能力、降低了库存成本。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种分布式库存调度方法,其特征在于:包括步骤:
S1:各库存节点采集各自的初始库存量;
S2:各库存节点根据各自的初始库存量、需求量、订货提前期和客户服务水平,计算各自的库存订货点;
S3:各库存节点根据各自的初始库存量和库存订货点,判定各自的库存状态;
S4:各库存节点向调度协调中心上报各自的初始库存量、库存订货点和库存状态;
S5:调度协调中心根据各库存节点的初始库存量和库存订货点,计算得到总库存量和总库存订货点;
S6:调度协调中心判断总库存量<总库存订货点是否成立,若成立,则进入步骤S7;若不成立,则进入步骤S8;
S7:调度协调中心建立订货成本最小化模型,获取最优的订货量,并根据最优订货量发出集中订货的指令;
S8:调度协调中心建立调拨成本最小化模型,获取最优的调拨量,并根据最优调拨量,并控制各库存节点相互调拨库存货物;
所述步骤S7中建立订货成本最小化模型包括:以订货量为设计变量,以减小订货成本为目标函数F1,建立订货成本最小化模型,所述订货成本最小化模型的目标函数为:
其中,Qkt表示第t个时间周期第i个库存节点的订货量,Cbt表示第t个时间周期的订货单价;Ikt表示第t个时间周期第k个库存节点的初始库存量;Cskt表示第k个库存节点在第t个时间周期内的存储费用;Dkt表示第t个时间周期第k个库存节点的需求量;σk表示单位时间内第k个库存节点的需求量的标准差;μk表示单位时间内第k个库存节点的需求量的均值;Cdk表示第k个库存节点的单位距离运输费用;dk表示第k个库存节点与供应商之间的物理距离;C1ck表示第k个库存节点每次订货相关杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述订货成本最小化模型还包括约束条件,所述约束条件为:
其中,Vk表示第k个库存节点的最大库存量;Rk表示第k个库存节点的库存订货点。
2.根据权利要求1所述分布式库存调度方法,其特征在于:所述步骤S3具体包括:
将库存节点的初始库存量与库存订货点进行大小比较,若库存节点的初始库存量≤该库存节点的库存订货点,则判定该库存节点的库存状态为缺货;若库存节点的初始库存量>该库存节点的库存订货点,则判定该库存节点的库存状态为存在余量。
3.根据权利要求2所述分布式库存调度方法,其特征在于:所述步骤S8具体包括:
S81:将库存状态为存在余量的库存节点作为调拨起始库存节点;将库存状态为缺货作为调拨目标库存节点;
S82:调度协调中心建立调拨成本最小化模型,获取各个调拨起始库存节点向各个调拨目标库存节点的最优调拨量;
S83:判断所有的调拨起始库存节点的库存余量之和是否大于或等于所有的调拨目标库存节点的缺货量之和,若是,则进入步骤S84;若否,则进返回步骤S7;
S84:各个调拨起始库存节点根据步骤S82获取的调拨起始库存节点向各个调拨目标库存节点的调拨量,再次判断自身库存量是否满足要求,若是,则执行调拨任务;若否,则返回S82。
5.根据权利要求1所述分布式库存调度方法,其特征在于:所述步骤S5中总库存量为各库存节点的初始库存量之和,总库存订货点为各库存节点的库存订货点之和。
6.根据权利要求3所述分布式库存调度方法,其特征在于:所述步骤S82中建立调拨成本最小化模型包括:以调拨量为设计变量,以减小订货成本为目标函数F2,建立调拨成本最小化模型,所述调拨成本最小化模型的目标函数为:
其中,Qijt表示第t个时间周期第i个调拨起始库存节点向第j个调拨目标库存节点调拨的调拨量;Cdi表示第i个调拨起始库存节点的单位距离运输费用;dij表示第i个调拨起始库存节点与第j个调拨目标库存节点的物理距离;Iit表示第t个时间周期第i个调拨起始库存节点的初始库存量;Csit表示第i个调拨起始库存节点在第t个时间周期内的存储费用;Dit表示第t个时间周期第i个调拨起始库存节点的需求量;σi表示单位时间内第i个调拨起始库存节点的需求量的标准差;μi表示单位时间内第i个调拨起始库存节点的需求量的均值;C2cij表示第i个调拨起始库存节点每次向第j个调拨目标库存节点调拨的杂项费用;x为库存量的变量,dx表示对库存量进行积分;
所述调拨成本最小化模型还包括约束条件,所述约束条件为:
其中,Ijt表示第t个时间周期第j个调拨目标库存节点的初始库存量;Vj表示第j个调拨目标库存节点的最大库存量,Ri表示第i个调拨起始库存节点的库存订货点。
7.根据权利要求3所述分布式库存调度方法,其特征在于:所述步骤S83中,调拨起始库存节点的库存余量为调拨起始库存节点的初始库存量与库存订货点的差值;调拨目标库存节点的缺货量为调拨目标库存节点的库存订货点与初始库存量的差值。
8.根据权利要求1至7中任意一项所述分布式库存调度方法,其特征在于:所述步骤S4还包括各库存节点向调度协调中心上报各自的存储费用、需求量、单位距离运输费用、与供应商之间的物理距离、每次订货相关杂项费用、最大库存量、库存订货点、与其它库存节点的物理距离和向其它库存节点调拨的杂项费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419405.1A CN110046865B (zh) | 2019-05-20 | 2019-05-20 | 分布式库存调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419405.1A CN110046865B (zh) | 2019-05-20 | 2019-05-20 | 分布式库存调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046865A CN110046865A (zh) | 2019-07-23 |
CN110046865B true CN110046865B (zh) | 2023-04-18 |
Family
ID=67282688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910419405.1A Active CN110046865B (zh) | 2019-05-20 | 2019-05-20 | 分布式库存调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046865B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784223A (zh) * | 2019-11-18 | 2020-10-16 | 北京京东乾石科技有限公司 | 货物调拨数据的处理方法、装置和存储介质 |
CN112907159A (zh) * | 2019-11-19 | 2021-06-04 | 北京京东乾石科技有限公司 | 一种库存物品的调拨方法和装置 |
CN113360540A (zh) * | 2020-03-04 | 2021-09-07 | 上海分泽时代软件技术有限公司 | 一种实时查询和分配户外分时广告库存的方法 |
CN113869811A (zh) * | 2020-06-30 | 2021-12-31 | 上海顺如丰来技术有限公司 | 仓储模式的确定方法、装置、计算机设备和存储介质 |
CN111815157B (zh) * | 2020-07-07 | 2023-07-25 | 南通大学 | 一种基于鱼群算法的生产调度成本优化方法 |
CN113762859A (zh) * | 2020-11-25 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 库存分仓方法、装置、系统和存储介质 |
CN113762576A (zh) * | 2020-12-10 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种物品调拨方法、装置、电子设备以及介质 |
CN112990590B (zh) * | 2021-03-26 | 2023-06-20 | 中国科学技术大学 | 一种网络货运平台背景下的电商物流中转优化方法及系统 |
CN113449906A (zh) * | 2021-06-04 | 2021-09-28 | 北京迈格威科技有限公司 | 一种库位优化方法、装置、库存管理设备及系统 |
CN115345554B (zh) * | 2022-08-15 | 2024-05-14 | 上海韵达高新技术有限公司 | 基于存储模型的收发管控方法、装置、设备及存储介质 |
CN117114577B (zh) * | 2023-09-08 | 2024-05-24 | 深圳市元亿通科技有限公司 | 一种自适应库存成本管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9779381B1 (en) * | 2011-12-15 | 2017-10-03 | Jda Software Group, Inc. | System and method of simultaneous computation of optimal order point and optimal order quantity |
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011213713B2 (en) * | 2002-01-23 | 2013-12-19 | Sensormatic Electronics Llc | Inventory management system |
US20080065500A1 (en) * | 2006-08-11 | 2008-03-13 | Pitney Bowes Incorporated | Virtual inventory with use of a delivery stream |
CN104463354A (zh) * | 2014-11-21 | 2015-03-25 | 山东航天信息有限公司 | 一种分布式库存调度的改进方法 |
CN105913206A (zh) * | 2016-04-01 | 2016-08-31 | 广州唯品会网络技术有限公司 | 一种分布式仓储货物调度系统及方法 |
CN108280538A (zh) * | 2018-01-05 | 2018-07-13 | 广西师范学院 | 基于云计算环境下分布式物流库存优化方法 |
CN109426920A (zh) * | 2018-01-19 | 2019-03-05 | 武汉十傅科技有限公司 | 一种考虑预测订单和实际订单的企业生产计划优化方法 |
CN108364099B (zh) * | 2018-02-11 | 2021-07-27 | 武汉科技大学 | 一种基于仿真的物流配送系统及配送方法 |
CN109255481B (zh) * | 2018-08-31 | 2021-09-24 | 重庆大学 | 一种分布式库存调度系统及改进方法 |
-
2019
- 2019-05-20 CN CN201910419405.1A patent/CN110046865B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9779381B1 (en) * | 2011-12-15 | 2017-10-03 | Jda Software Group, Inc. | System and method of simultaneous computation of optimal order point and optimal order quantity |
CN109740793A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于概率需求分布的库存优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110046865A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046865B (zh) | 分布式库存调度方法 | |
CN109034468B (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 | |
CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
US11053076B1 (en) | Carton induction optimization in order fulfillment picking system | |
CN109658027A (zh) | 一种订单任务的处理方法、装置、服务器和介质 | |
CN110807236A (zh) | 一种基于多机器人的仓储物流仿真系统 | |
Peng et al. | Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty | |
CN108647914A (zh) | 生产排程方法、装置、计算机设备和存储介质 | |
CN104463354A (zh) | 一种分布式库存调度的改进方法 | |
CN110162388A (zh) | 一种任务调度方法、系统及终端设备 | |
CN109255481A (zh) | 一种分布式库存调度系统及改进方法 | |
CN111738619B (zh) | 任务调度方法、装置、设备及存储介质 | |
CN111738409B (zh) | 一种资源调度的方法及其相关设备 | |
CN108428114A (zh) | 项目的信息处理方法及装置、存储介质、电子装置 | |
CN102650880A (zh) | 智能柔性制造系统 | |
CN107506937B (zh) | 一种基于关联规则的水电站发电能力评估方法 | |
CN115543624A (zh) | 异构算力编排调度方法、系统、设备及存储介质 | |
CN110610331A (zh) | 订单打包方法、装置、计算机设备和存储介质 | |
CN116151723B (zh) | 一种粮食综合储备基地多重计量方法及系统 | |
CN110889599B (zh) | 订单处理方法及装置、仓储系统、计算机设备和存储介质 | |
CN109784593A (zh) | 用于多层仓库的产能均衡处理方法和装置 | |
Lorente-Leyva et al. | Optimization of the master production scheduling in a textile industry using genetic algorithm | |
WO2023071374A1 (zh) | 货物的数据处理方法及装置 | |
CN111489005A (zh) | 一种库存路径优化方法、装置 | |
CN115099759A (zh) | 适用于通信产品柔性立体仓库的管理方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |