CN110097322A - 一种虚拟场景中零件库存节点选址方法 - Google Patents
一种虚拟场景中零件库存节点选址方法 Download PDFInfo
- Publication number
- CN110097322A CN110097322A CN201910395954.XA CN201910395954A CN110097322A CN 110097322 A CN110097322 A CN 110097322A CN 201910395954 A CN201910395954 A CN 201910395954A CN 110097322 A CN110097322 A CN 110097322A
- Authority
- CN
- China
- Prior art keywords
- inventory
- node
- processing unit
- matrix
- distance
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/083—Shipping
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于库存节点选址技术领域,具体的说是一种虚拟场景中零件库存节点选址方法。本发明提供一种将工厂内的加工单元零件需求量和未来加工单元零件需求量作为评价指标,构建模糊评价矩阵后,利用TOPSIS方法建立出GE矩阵计算出工厂内零件物流的差异化指标,再加上库存节点的距离、库存节点成本,通过基于聚类的重心算法求解出虚拟场景中零件库存节点位置。本发明能通过减少工厂内物流量,有效降低厂内的物流部门的工作人员和叉车数量,从而降低物流成本。工厂库存选址领域暂未有相关技术研究,本方法提供一种技术方案填补当前空白。
Description
技术领域
本发明属于库存节点选址技术领域,具体的说是一种虚拟场景中零件库存节点选址方法。
背景技术
设施规划与设计是工业工程学科的重要研究领域之一,它是对系统的各类设施、人员、系统等进行规划和设计,用于优化人流、物流和信息流,从而有效、经济、安全地实现系统的预期目标。
常规的设施选址可以分为单一设施选址、多个设施选址等。通过考虑最低成本、专业化分工协作、分散与集中相结合、重点开发等原则对设置进行选址。常规的选址方法包括优缺点比较法、重心法、线性规划、德尔菲法、费用效果分析法、关联矩阵法、层次分析法、基于遗传算法的选址方法等。
生产库存选址在工厂内更多的是采用SLP等传统方法进行选择,大部分在厂内仅存在1-3个大型零件库存供应区,其它的零件会根据需求,通过物流小车运向指定加工单元。
发明内容
本发明提供一种将工厂内的加工单元零件需求量和未来加工单元零件需求量作为评价指标,构建模糊评价矩阵后,利用TOPSIS方法建立出GE矩阵计算出工厂内零件物流的差异化指标,再加上库存节点的距离、库存节点成本,通过基于聚类的重心算法求解出虚拟场景中零件库存节点位置。
本发明技术方案结合附图说明如下:
一种虚拟场景中零件库存节点选址方法,该方法包括以下步骤:
步骤一、加工单元运输量评价与选择;
为了对库存节点进行选址,将工厂内的加工单元零件需求量和未来加工单元零件需求量作为评价指标;加工单元零件需求量影响因素有加工单元与库存区的总物流量A1、加工零件外协比例A2、加工单元物流水平A3、零件运输速率对加工的影响A4、加工单元的设备利用率A5、加工单元的日生产单元体积A6、加工单元零件装卸率A7、加工单元排程情况A8;未来加工单元零件需求量影响因素有加工单元当前设备利用率B1、当前加工单元零件当前销售情况B2、加工单元与库存区的最短距离B3、加工单元当前所占面积B4、工厂的仓库成本B5、加工单元的运输反应时间B6、加工单元的加工停滞时间B7、加工单元的运输率B8;
需要对加工单元零件需求量和未来加工单元零件需求量的影响因素进行Min-max标准化处理,得到指标矩阵A和指标矩阵B;
a11代表第一行第一列的数据,是加工单元零件需求量影响因素有加工单元与库存区的总物流量的第一个Min-max标准化数据。
b11代表第一行第一列的数据,是未来加工单元零件需求量影响因素有加工单元当前设备利用率的第一个Min-max标准化数据。
首先建立加工单元零件需求量和未来加工单元零件影响关系的网络分析法即ANP结构;建立主要因子的有向图;再经过定位分析得到加工单元零件需求量和未来加工单元零件的主因子P(P1,P2,…,Pm),次因子P(P11,…,P1n,P21,P22,…,P2l,Pm1,…,Pmk)(Pmk是第m个主因子的第k个次因子),其中Pm为建工单元需求量和未来加工单元零件元素组;初步构建ANP结构和准则之间的相互影响有向图;构建关系矩阵后,再建立P1,P2y…,Pm之间的直接影响矩阵Z,并将矩阵Z变换成标准矩阵Y;
Z=[zij]m×mi,j=1,2,…,n (1.3)
其中,zij表示在主因子Pi对主因子Pj的影响程度
Y=k·Z,k>0
其中,
计算最终关系矩阵,构建ANP主要因子结构图;建立总影响矩阵T,经过公式1.4转化得到Ti,i=0,1,2,...,m;根据影响因素实际关系,选取临界值p,经过计算得到最后的关系矩阵G,接着再构建ANP准则间结构;
T=Y·(I-Y)-1 (1.4)
T=[tij]m×m (1.5)
G=[gij]m×m (1.6)
其中(Y为标准矩阵,tij由式1.4换算所得)
根据ANP主因子间新结构,构建Pk主因子下Pk1,Pk2…,Pkm,k∈{1,2,...,m}之间的直接关系矩阵,得到完整ANP结构;
建立ANP判断矩阵;构建决策t(t=1,2,3,...,n)的判断矩阵;主因子P1,P2…,Pm对主因子Pj判断矩阵为At(jl)和主因子P1的元素Pi1,Pi2…,Pm对主因子Pj元素Pjl影响的判断矩阵为
计算加权矩阵,对判断矩阵Ai(jl)求归化特征向量进而得到矩阵
同理求得At(jl)的权重矩阵At;再求超矩阵Wt和加权矩阵
截取Pm与P11,P12…,P1n,P21,P22…,P2l…,P(m-1)1,P(m-1)2…,P(m-1)k之间的加权矩阵Et,规范化后得到Rt;
其中为加权矩阵Et中的第i行第j列数值;
再构建模糊评价矩阵;将全部评分人的规范化评价矩阵进行模糊处理,从而获得模糊评价矩阵R;
其中,
确定理想解和负理想解;根据TOPSIS方法得到理想解向量和负理想解向量;
理想解:
负理想解:
其中J1为效益型指标集,J2为成本型指标集;
计算贴近度C;
C=[c1]1×m;
其中
进而,根据公式1.11-1.14,求解第i部分需求量的贴近度和得到加工单元零件需求量和未来加工单元零件需求量的评价值,再建立“零件需求量和未来零件需求量”的GE矩阵,通过加和得到加工单元的评价值;
步骤二、建立库存节点选址方法;
将从厂内物流成本和各单元的实际生产情况出发,选择库存节点的距离,库存节点成本和加工单元的评价值作为工厂库存节点的评价标准;
参阅图2、图3,库存节点之间的连接关系分为单连通结构和直通式结构;因此构建两种模型如下:
单连通模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中
直通式模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中,
f1(x)为效益型函数,f2(x)为成本型函数,将w1、w2、w3设置成权重,库存节点选址模型的函数就转化为:
单连通模型:
直通式模型:
其中:n:库存建设节点数目;Cbc:库存物流单位长度费用;CbT:库存建设数额;为第k次算得的库存节点l与库存节点m间的长度,Nj:加工单元运输量集,Nj=1,2,...,nc且i,j∈Nj;dlj:库存节点l与加工单元j的距离,dlj=|xl-xj|+|yl-yj|;θj:加工单元j的综合评价值;Il:库存节点l的加工单元运输量集合;L:库存节点集,L=1,2,...,n且l,k∈L;nc:加工单元数目;dmax:库存节点最大服务范围;dmin:加工单元库存最小距离;Mmin:极小值,可取值为标准化的dmin;库存建设投资额;nl:库存节点l输送的加工单元运送量;xl:库存节点l的横坐标;yl:库存节点l的横坐标。dlk:库存节点l与库存节点k的欧式距离;
库存节点成本:nCbT,库存物流费用:不同加工单元综合评价值与物流距离之间的反比函数来反映网络差异化水平:
库存节点选址模型中的n,nj均不确定,并且等变量应随n,nj的变化而变化,为了得到库存节点数目、位置和库存范围等指标,将通过聚类分析的方式通过迭代搜索寻优,找到最优解;
步骤三、算法设计;
1:将n个库存节点坐标进行标准化处理,使其坐标落在[0~1,0~1]坐标系中,它的位置矩阵为Xn×2;建立综合评价矩阵Y1×n,设定w1,w2,w3初始值。
2:将库存节点按照距离进行聚类,建立距离矩阵D(0)=[dij]m×n(i,j=1,2,...,n);如果最小元素为和两类之间的距离,则将和合并成由此构建新类别:进而,转化得到D(b+1);有4种方法可计算得到D(b+1),通过比较聚类效果,采用簇平均距离算法进行聚类;簇平均距离算法:
式中,da,b表示A类中的样本xa和B类中的样本xb之间的距离;na,nb分别表示A类中的样本xa和B类中的样本xb的个数;DA,B表示A类样本与B类样本之间不同聚类算法的距离;
3:令b=b+1,跳转至2,重复计算及合并,可一直将全部区域运输量最终聚为一类;
4:令初始簇数为Ncluster,截取簇,得到Ncluster个库存节点的位置矩阵库存节点和Ncluster个簇;
5:当各簇内区域运输量数量lt不大于2或者时,令Ncluster=Ncluster+1,返回4,否则,计算idu=1到lt的库存节点idu到簇idu各个区域运输量的距离dtij,当dtij<0.01时客户j的综合评价值qj与dtij的商pij变成pij=qj×M,通过反复分析计算dtij的取值范围,M取100;最终得到簇idu内pij的平均值Cd(i)=sum(pij)/It和Ncluster个簇的平均值Cd1(Ncluster)=sum(C')/Ncluster;
6:求Ncluster个库存节点的最短长度Cd2(Ncluster);构建矩阵任意向量g3×1=[i,j,dij],其中i,j为第i,j个库存节点,dij为库存节点i到库存节点j距离;将dij从大到小排列,排序后得到G';
7:从G'的第3行中找到距离最大,且删除之后不影响路径连通的边dij,否则选取另外一边;
8:重复步骤7,直到G'只有n-1条边;求得最小路径长度Cd2(Ncluster),令Cd3(Ncluster)=Ncluster;
9:令搜索向量O最小值,如果最小值为0,需判断是向量O中的空值还是计算值,空值舍去,并在向量O的正元素中寻找最小值;
10:输出库存节点的位置坐标。
本发明的有益效果为:
本发明能对于工厂内库存多级节点选择提供数学求解方法,能通过减少工厂内物流量,有效降低厂内的物流部门的工作人员和叉车数量,从而降低物流成本。工厂库存选址领域暂未有相关技术研究,本方法提供一种技术方案填补当前空白。
附图说明
图1为本发明的布局结构示意图;
图2为本发明的单连通库存之间转换结构图;
图3为本发明的库存之间物流网络结构图。
具体实施方式
1、一种虚拟场景中零件库存节点选址方法,其特征在于,该方法包括以下步骤:
步骤一、加工单元运输量评价与选择;
为了对库存节点进行选址,将工厂内的加工单元零件需求量和未来加工单元零件需求量作为评价指标;加工单元零件需求量影响因素有加工单元与库存区的总物流量A1、加工零件外协比例A2、加工单元物流水平A3、零件运输速率对加工的影响A4、加工单元的设备利用率A5、加工单元的日生产单元体积A6、加工单元零件装卸率A7、加工单元排程情况A8;未来加工单元零件需求量影响因素有加工单元当前设备利用率B1、当前加工单元零件当前销售情况B2、加工单元与库存区的最短距离B3、加工单元当前所占面积B4、工厂的仓库成本B5、加工单元的运输反应时间B6、加工单元的加工停滞时间B7、加工单元的运输率B8;
参阅图1,需要对加工单元零件需求量和未来加工单元零件需求量的影响因素进行处理,得到指标矩阵A和指标矩阵B;
其中,a11代表第一行第一列的数据,是加工单元零件需求量影响因素有加工单元与库存区的总物流量的第一个Min-max标准化数据;
b11代表第一行第一列的数据,是未来加工单元零件需求量影响因素有加工单元当前设备利用率的第一个Min-max标准化数据;
首先建立加工单元零件需求量和未来加工单元零件影响关系的网络分析法即ANP结构;建立主要因子的有向图;再经过定位分析得到加工单元零件需求量和未来加工单元零件的主因子P(P1,P2,…,Pm),次因子P(P11,…,P1n,P21,P22,…,P2l,Pm1,…,Pmk),其中Pm为建工单元需求量和未来加工单元零件元素组;初步构建ANP结构和准则之间的相互影响有向图;构建关系矩阵后,再建立P1,P2y…,Pm之间的直接影响矩阵Z,并将矩阵Z变换成标准矩阵Y;
Z=[zij]m×mi,j=1,2,…,n (1.3)
其中,zij表示在主因子Pi对主因子Pj的影响程度
Y=k·Z,k>0
其中,
计算最终关系矩阵,构建ANP主要因子结构图;建立总影响矩阵T,经过公式1.4转化得到Ti,i=0,1,2,...,m;根据影响因素实际关系,选取临界值p,经过计算得到最后的关系矩阵G,接着再构建ANP准则间结构;
T=Y·(I-Y)-1 (1.4)
T=[tij]m×m (1.5)
G=[gij]m×m (1.6)
其中
根据ANP主因子间新结构,构建Pk主因子下Pk1,Pk2…,Pkm,k∈{1,2,...,m}之间的直接关系矩阵,得到完整ANP结构;
建立ANP判断矩阵;构建决策t(t=1,2,3,...,n)的判断矩阵;主因子P1,P2…,Pm对主因子Pj判断矩阵为At(jl)和主因子P1的元素Pi1,Pi2…,Pm对主因子Pj元素Pjl影响的判断矩阵为
计算加权矩阵,对判断矩阵Ai(jl)求归化特征向量进而得到矩阵
同理求得At(jl)的权重矩阵At;再求超矩阵Wt和加权矩阵
截取Pm与P11,P12…,P1n,P21,P22…,P2l…,P(m-1)1,P(m-1)2…,P(m-1)k之间的加权矩阵Et,规范化后得到Rt;
其中eij为加权矩阵Et中的第i行第j列数值;
再构建模糊评价矩阵;将全部评分人的规范化评价矩阵进行模糊处理,从而获得模糊评价矩阵R;
其中,
确定理想解和负理想解;根据TOPSIS方法得到理想解向量和负理想解向量;TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法是C.L.Hwang和K.Yoon于1981年首次提出,TOPSIS法根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。
理想解:
负理想解:
其中J1为效益型指标集,J2为成本型指标集;
计算贴近度C;
C=[c1]1×m;
其中
进而,根据公式1.11-1.14,求解第i部分需求量的贴近度和得到加工单元零件需求量和未来加工单元零件需求量的评价值,再建立“零件需求量和未来零件需求量”的GE矩阵,通过加和得到加工单元的评价值;
步骤二、建立库存节点选址方法;
将从厂内物流成本和各单元的实际生产情况出发,选择库存节点的距离,库存节点成本和加工单元的评价值作为工厂库存节点的评价标准;
库存节点之间的连接关系分为单连通结构和直通式结构;因此构建两种模型如下:
单连通模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中
直通式模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中,
f1(x)为效益型函数,f2(x)为成本型函数,将w1、w2、w3设置成权重,库存节点选址模型的函数就转化为:
单连通模型:
直通式模型:
其中:n:库存建设节点数目;Cbc:库存物流单位长度费用;CbT:库存建设数额;为第k次算得的库存节点l与库存节点m间的长度,Nj:加工单元运输量集,Nj=1,2,...,nc且i,j∈Nj;dlj:库存节点l与加工单元j的距离,dlj=|xl-xj|+|yl-yj|;θj:加工单元j的综合评价值;Il:库存节点l的加工单元运输量集合;L:库存节点集,L=1,2,...,n且l,k∈L;nc:加工单元数目;dmax:库存节点最大服务范围;dmin:加工单元库存最小距离;Mmin:极小值,可取值为标准化的dmin;库存建设投资额;nl:库存节点l输送的加工单元运送量;xl:库存节点l的横坐标;yl:库存节点l的横坐标。dlk:库存节点l与库存节点k的欧式距离;
库存节点成本:nCbT,库存物流费用:不同加工单元综合评价值与物流距离之间的反比函数来反映网络差异化水平:
库存节点选址模型中的n,nj均不确定,并且等变量应随n,nj的变化而变化,为了得到库存节点数目、位置和库存范围等指标,将通过聚类分析的方式通过迭代搜索寻优,找到最优解;
步骤三、算法设计;
1:将n个库存节点坐标进行标准化处理,使其坐标落在[0~1,0~1]坐标系中,它的位置矩阵为Xn×2;建立综合评价矩阵Y1×n,设定w1,w2,w3初始值。
2:将库存节点按照距离进行聚类,建立距离矩阵D(0)=[dij]m×n(i,j=1,2,...,n);如果最小元素为和两类之间的距离,则将和合并成由此构建新类别:进而,转化得到D(b+1);有4种方法可计算得到D(b+1),通过比较聚类效果,采用簇平均距离算法进行聚类;簇平均距离算法:
式中,da,b表示A类中的样本xa和B类中的样本xb之间的距离;na,nb分别表示A类中的样本xa和B类中的样本xb的个数;DA,B表示A类样本与B类样本之间不同聚类算法的距离;
3:令b=b+1,跳转至2,重复计算及合并,可一直将全部区域运输量最终聚为一类;
4:令初始簇数为Ncluster,截取簇,得到Ncluster个库存节点的位置矩阵库存节点和Ncluster个簇;
5:当各簇内区域运输量数量lt不大于2或者时,令Ncluster=Ncluster+1,返回4,否则,计算idu=1到lt的库存节点idu到簇idu各个区域运输量的距离dtij,当dtij<0.01时客户j的综合评价值qj与dtij的商pij变成pij=qj×M,通过反复分析计算dtij的取值范围,M取100;最终得到簇idu内pij的平均值Cd(i)=sum(pij)/It和Ncluster个簇的平均值Cd1(Ncluster)=sum(C')/Ncluster;
6:求Ncluster个库存节点的最短长度Cd2(Ncluster);构建矩阵任意向量g3×1=[i,j,dij],其中i,j为第i,j个库存节点,dij为库存节点i到库存节点j距离;将dij从大到小排列,排序后得到G';
7:从G'的第3行中找到距离最大,且删除之后不影响路径连通的边dij,否则选取另外一边;
8:重复步骤7,直到G'只有n-1条边;求得最小路径长度Cd2(Ncluster),令Cd3(Ncluster)=Ncluster;
9:令搜索向量O最小值,如果最小值为0,需判断是向量O中的空值还是计算值,空值舍去,并在向量O的正元素中寻找最小值;
10:输出库存节点的位置坐标。
Claims (1)
1.一种虚拟场景中零件库存节点选址方法,其特征在于,该方法包括以下步骤:
步骤一、加工单元运输量评价与选择;
为了对库存节点进行选址,将工厂内的加工单元零件需求量和未来加工单元零件需求量作为评价指标;加工单元零件需求量影响因素有加工单元与库存区的总物流量A1、加工零件外协比例A2、加工单元物流水平A3、零件运输速率对加工的影响A4、加工单元的设备利用率A5、加工单元的日生产单元体积A6、加工单元零件装卸率A7、加工单元排程情况A8;未来加工单元零件需求量影响因素有加工单元当前设备利用率B1、当前加工单元零件当前销售情况B2、加工单元与库存区的最短距离B3、加工单元当前所占面积B4、工厂的仓库成本B5、加工单元的运输反应时间B6、加工单元的加工停滞时间B7、加工单元的运输率B8;
需要对加工单元零件需求量和未来加工单元零件需求量的影响因素进行Min-max标准化处理,得到指标矩阵A和指标矩阵B;
其中,a11代表第一行第一列的数据,是加工单元零件需求量影响因素有加工单元与库存区的总物流量的第一个Min-max标准化数据;
b11代表第一行第一列的数据,是未来加工单元零件需求量影响因素有加工单元当前设备利用率的第一个Min-max标准化数据;
首先建立加工单元零件需求量和未来加工单元零件影响关系的网络分析法即ANP结构;建立主要因子的有向图;再经过定位分析得到加工单元零件需求量和未来加工单元零件的主因子P(P1,P2,…,Pm),次因子P(P11,…,P1n,P21,P22,…,P2l,Pm1,…,Pmk),其中,Pm为建工单元需求量和未来加工单元零件元素组;Pmk是第m个主因子的第k个次因子,初步构建ANP结构和准则之间的相互影响有向图;构建关系矩阵后,再建立P1,P2y…,Pm之间的直接影响矩阵Z,并将矩阵Z变换成标准矩阵Y;
Z=[zij]m×mi,j=1,2,…,n (1.3)
其中,zij表示在主因子Pi对主因子Pj的影响程度
Y=k·Z,k>0
其中,
计算最终关系矩阵,构建ANP主要因子结构图;建立总影响矩阵T,经过公式1.4转化得到Ti,i=0,1,2,...,m;根据影响因素实际关系,选取临界值p,经过计算得到最后的关系矩阵G,接着再构建ANP准则间结构;
T=Y·(I-Y)-1 (1.4)
T=[tij]m×m (1.5)
G=[gij]m×m (1.6)
其中Y为标准矩阵,tij由式1.4换算所得;
根据ANP主因子间新结构,构建Pk主因子下Pk1,Pk2…,Pkm,k∈{1,2,...,m}之间的直接关系矩阵,得到完整ANP结构;
建立ANP判断矩阵;构建决策t(t=1,2,3,...,n)的判断矩阵;主因子P1,P2…,Pm对主因子Pj判断矩阵为At(jl)和主因子P1的元素Pi1,Pi2…,Pm对主因子Pj元素Pjl影响的判断矩阵为
计算加权矩阵,对判断矩阵Ai(jl)求归化特征向量进而得到矩阵
同理求得At(jl)的权重矩阵At;再求超矩阵Wt和加权矩阵
截取Pm与P11,P12…,P1n,P21,P22…,P2l…,P(m-1)1,P(m-1)2…,P(m-1)k之间的加权矩阵Et,规范化后得到Rt;
其中eij为加权矩阵Et中的第i行第j列数值;
再构建模糊评价矩阵;将全部评分人的规范化评价矩阵进行模糊处理,从而获得模糊评价矩阵R;
其中,
确定理想解和负理想解;根据TOPSIS方法得到理想解向量和负理想解向量;
理想解:
负理想解:
其中J1为效益型指标集,J2为成本型指标集;
计算贴近度C;
C=[c1]1×m;
其中
进而,根据公式1.11-1.14,求解第i部分需求量的贴近度和得到加工单元零件需求量和未来加工单元零件需求量的评价值,再建立“零件需求量和未来零件需求量”的GE矩阵,通过加和得到加工单元的评价值;
步骤二、建立库存节点选址方法;
将从厂内物流成本和各单元的实际生产情况出发,选择库存节点的距离,库存节点成本和加工单元的评价值作为工厂库存节点的评价标准;
库存节点之间的连接关系分为单连通结构和直通式结构;因此构建两种模型如下:
单连通模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中
直通式模型:
s.t.
2≤n≤nc
2≤nj≤nc
式中,
f1(x)为效益型函数,f2(x)为成本型函数,将w1、w2、w3设置成权重,库存节点选址模型的函数就转化为:
单连通模型:
直通式模型:
其中:n:库存建设节点数目;Cbc:库存物流单位长度费用;CbT:库存建设数额;为第k次算得的库存节点l与库存节点m间的长度,Nj:加工单元运输量集,Nj=1,2,...,nc且i,j∈Nj;dlj:库存节点l与加工单元j的距离,dlj=|xl-xj|+|yl-yj|;θj:加工单元j的综合评价值;Il:库存节点l的加工单元运输量集合;L:库存节点集,L=1,2,...,n且l,k∈L;nc:加工单元数目;dmax:库存节点最大服务范围;dmin:加工单元库存最小距离;Mmin:极小值,可取值为标准化的dmin;库存建设投资额;nl:库存节点l输送的加工单元运送量;xl:库存节点l的横坐标;yl:库存节点l的横坐标。dlk:库存节点l与库存节点k的欧式距离;
库存节点成本:nCbT,库存物流费用:不同加工单元综合评价值与物流距离之间的反比函数来反映网络差异化水平:
库存节点选址模型中的n,nj均不确定,并且dij,Nj,dij,等变量应随n,nj的变化而变化,为了得到库存节点数目、位置和库存范围等指标,将通过聚类分析的方式通过迭代搜索寻优,找到最优解;
步骤三、算法设计;
1:将n个库存节点坐标进行标准化处理,使其坐标落在[0~1,0~1]坐标系中,它的位置矩阵为Xn×2;建立综合评价矩阵Y1×n,设定w1,w2,w3初始值;
2:将库存节点按照距离进行聚类,建立距离矩阵D(0)=[dij]m×n(i,j=1,2,...,n);如果最小元素为和两类之间的距离,则将和合并成由此构建新类别:进而,转化得到D(b+1);有4种方法可计算得到D(b+1),通过比较聚类效果,采用簇平均距离算法进行聚类;簇平均距离算法:
式中,da,b表示A类中的样本xa和B类中的样本xb之间的距离;na,nb分别表示A类中的样本xa和B类中的样本xb的个数;DA,B表示A类样本与B类样本之间不同聚类算法的距离;
3:令b=b+1,跳转至2,重复计算及合并,可一直将全部区域运输量最终聚为一类;
4:令初始簇数为Ncluster,截取簇,得到Ncluster个库存节点的位置矩阵库存节点和Ncluster个簇;
5:当各簇内区域运输量数量lt不大于2或者时,令Ncluster=Ncluster+1,返回4,否则,计算idu=1到lt的库存节点idu到簇idu各个区域运输量的距离dtij,当dtij<0.01时客户j的综合评价值qj与dtij的商pij变成pij=qj×M,通过反复分析计算dtij的取值范围,M取100;最终得到簇idu内pij的平均值Cd(i)=sum(pij)/It和Ncluster个簇的平均值Cd1(Ncluster)=sum(C')/Ncluster;
6:求Ncluster个库存节点的最短长度Cd2(Ncluster);构建矩阵任意向量g3×1=[i,j,dij],其中i,j为第i,j个库存节点,dij为库存节点i到库存节点j距离;将dij从大到小排列,排序后得到G';
7:从G'的第3行中找到距离最大,且删除之后不影响路径连通的边dij,否则选取另外一边;
8:重复步骤7,直到G'只有n-1条边;求得最小路径长度Cd2(Ncluster),令Cd3(Ncluster)=Ncluster;
9:令搜索向量O最小值,如果最小值为0,需判断是向量O中的空值还是计算值,空值舍去,并在向量O的正元素中寻找最小值;
10:输出库存节点的位置坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395954.XA CN110097322A (zh) | 2019-05-14 | 2019-05-14 | 一种虚拟场景中零件库存节点选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910395954.XA CN110097322A (zh) | 2019-05-14 | 2019-05-14 | 一种虚拟场景中零件库存节点选址方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097322A true CN110097322A (zh) | 2019-08-06 |
Family
ID=67447861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910395954.XA Pending CN110097322A (zh) | 2019-05-14 | 2019-05-14 | 一种虚拟场景中零件库存节点选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110902246A (zh) * | 2019-10-17 | 2020-03-24 | 广州达宝文机电设备有限公司 | 一种虚拟立体存储系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
CN108960474A (zh) * | 2017-11-06 | 2018-12-07 | 杭州览众数据科技有限公司 | 一种考虑交叉的仓库网络中在线零售商的仓库选址方法 |
CN109409730A (zh) * | 2018-10-22 | 2019-03-01 | 西南交通大学 | 一种基于复杂网络特性评估的能源微网选址方法 |
CN109523183A (zh) * | 2018-11-27 | 2019-03-26 | 中铁二院工程集团有限责任公司 | 基于混合多属性决策的铁路建设方案的评价方法 |
-
2019
- 2019-05-14 CN CN201910395954.XA patent/CN110097322A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
CN108960474A (zh) * | 2017-11-06 | 2018-12-07 | 杭州览众数据科技有限公司 | 一种考虑交叉的仓库网络中在线零售商的仓库选址方法 |
CN109409730A (zh) * | 2018-10-22 | 2019-03-01 | 西南交通大学 | 一种基于复杂网络特性评估的能源微网选址方法 |
CN109523183A (zh) * | 2018-11-27 | 2019-03-26 | 中铁二院工程集团有限责任公司 | 基于混合多属性决策的铁路建设方案的评价方法 |
Non-Patent Citations (8)
Title |
---|
GEORGE LOANNOU 等: "Inventory Positioning in Multiple Product Supply Chains", 《ANNALS OF OPERATIONS RESEARCH》 * |
JIANHUA YANG 等: "Research on the Strategy of Spare Parts Supply Network Virtual Inventory under Emergency", 《2014 11TH INTERNATIONAL CONFERENCE ON SERVICE SYSTEMS AND SERVICE MANAGEMENT》 * |
PABLO ARAGONES-BELTRAN 等: "An Analytic Network Process approach for siting a municipal solid waste plant in the Metropolitan Area of Valencia (Spain)", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》 * |
ZAREI MORTEZA 等: "Selection of the optimal tourism site using the ANP and fuzzy TOPSIS in the framework of Integrated Coastal Zone Management:A case of Qeshm Island", 《OCEAN & COASTAL MANAGEMENT》 * |
刘晓峰 等: "基于ANP的物流中心选址", 《工业工程》 * |
方春明 等: "汽车工业供应物流配送中心选址研究", 《公路交通科技》 * |
郭新志 等: "基于改进模糊层次分析法的火电厂选址综合评价方法研究", 《现代电力》 * |
陈宁: "电子商务环境下物流配送中心选址研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110902246A (zh) * | 2019-10-17 | 2020-03-24 | 广州达宝文机电设备有限公司 | 一种虚拟立体存储系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019237440A1 (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN108364143A (zh) | 配送方法和配送系统 | |
Salehi et al. | A novel method to extend SAW for decision-making problems with interval data | |
García‐Hernández et al. | Facility layout design using a multi‐objective interactive genetic algorithm to support the DM | |
CN103763769B (zh) | 基于接入点重选择和自适应簇分裂的室内指纹定位方法 | |
CN107179759A (zh) | 一种多agv调度系统运行效率评价方法 | |
CN108564136A (zh) | 一种基于模糊推理的空域运行态势评估分类方法 | |
CN116401951A (zh) | 集成多agv路径规划与多行设备布局优化方法 | |
CN108921324A (zh) | 基于配变聚类的台区短期负荷预测方法 | |
CN112487281A (zh) | 一种立体车库推荐方法 | |
Guan et al. | A large-scale multi-objective flights conflict avoidance approach supporting 4D trajectory operation | |
CN113657671A (zh) | 一种基于集成学习的航班延误预测方法 | |
Xu et al. | A multi-object decision-making method for location model of manufacturing industry under uncertain environment | |
CN110097322A (zh) | 一种虚拟场景中零件库存节点选址方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN117094460B (zh) | 一种基于od数据的多目标旅行商控制方法、系统及介质 | |
Zheng et al. | The collaborative power inspection task allocation method of “unmanned aerial vehicle and operating vehicle” | |
Xing et al. | Partiele Swarm Optimization Algorithm Based on Different Inertia Weights for Solving the P-Hub Allocation Problem | |
CN116796910A (zh) | 基于货物分配策略的订单分批优化方法 | |
Chen et al. | Warehouses without aisles: Layout design of a multi-deep rack climbing robotic system | |
CN116523221A (zh) | 一种智能仓储拣选任务的优化调度方法及系统 | |
Li | Research on scheduling algorithm of agricultural machinery cooperative operation based on particle swarm neural network | |
CN110852628B (zh) | 考虑发展模式影响的农村中长期负荷预测方法 | |
Jianzhu et al. | Decision-making for location of manufacturing bases in an uncertain demand situation | |
CN108205721A (zh) | 基于聚类的样条插值典型日负荷曲线选取装置 |
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 |
Application publication date: 20190806 |
|
WD01 | Invention patent application deemed withdrawn after publication |