CN110516895B - 人机仓的选品决策方法和装置、计算机可读存储介质 - Google Patents

人机仓的选品决策方法和装置、计算机可读存储介质 Download PDF

Info

Publication number
CN110516895B
CN110516895B CN201810634132.8A CN201810634132A CN110516895B CN 110516895 B CN110516895 B CN 110516895B CN 201810634132 A CN201810634132 A CN 201810634132A CN 110516895 B CN110516895 B CN 110516895B
Authority
CN
China
Prior art keywords
ratio
category
picking
robot
sku
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
Application number
CN201810634132.8A
Other languages
English (en)
Other versions
CN110516895A (zh
Inventor
董红宇
陈以衡
武海龙
郭震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810634132.8A priority Critical patent/CN110516895B/zh
Publication of CN110516895A publication Critical patent/CN110516895A/zh
Application granted granted Critical
Publication of CN110516895B publication Critical patent/CN110516895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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

Abstract

本公开涉及一种人机仓的选品决策方法和装置、计算机可读存储介质，涉及物流技术领域。选品决策方法包括：基于人机仓的产能，建立基于拣选比的选品决策模型，所述拣选比表示对于每个品类的商品，放在机器人区域内的数量与该品类的商品总量的比值；获取每个品类的库存数据和销售数据；基于所述库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。

Description

人机仓的选品决策方法和装置、计算机可读存储介质
技术领域
本公开涉及物流技术领域，特别涉及一种人机仓的选品决策方法和装置、计算机可读存储介质。
背景技术
人机仓是物流技术领域的重要发展方向。人机仓中机器人区域的产能利用效率，对人机仓生产效率的影响较大。在既定的出库拣选任务下，如何科学配置拣选任务是一个重要问题。
相关技术基于人工来控制将哪些品类的商品放在机器人区域内，由机器人来执行拣选任务。
发明内容
本发明人研究发现：基于人工来控制将哪些品类的商品放在机器人区域内，无法充分利用机器人区域的产能，生产效率的提高非常有限。
鉴于此，本公开提出了一种决策方案，能够充分利用机器人区域的产能，显著提高生产效率。
根据本公开的一些实施例，提供了一种人机仓的选品决策方法，包括：基于人机仓的产能，建立基于拣选比的选品决策模型，所述拣选比表示对于每个品类的商品，放在机器人区域内的数量与该品类的商品总量的比值；获取每个品类的库存数据和销售数据；基于所述库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
在一些实施例中，所述偏差是各个品类的实际拣存比与目标拣存比之差的绝对值之和。
在一些实施例中，不同品类的目标拣存比相同。
在一些实施例中，所述品类通过库存量单位SKU的编号表示。
在一些实施例中，所述决策模型表示为
Figure BDA0001700959070000021
且
Figure BDA0001700959070000022
Figure BDA0001700959070000023
i和n为正整数，xi表示第i个SKU的拣选比，满足xi∈[0，1]；
「xi]表示对xi向上取整，
Figure BDA0001700959070000024
表示品类总量即机器人区域内SKU总量，满足
Figure BDA0001700959070000025
K表示机器人区域内SKU总量阈值；
Wi表示第i个SKU的单位时间总出库数量，满足
Figure BDA0001700959070000026
W表示机器人区域内商品总量阈值；
Vi表示第i个SKU的总库存体积，满足
Figure BDA0001700959070000027
V表示机器人区域内所有SKU的总库存体积阈值；
Figure BDA0001700959070000028
表示第i个SKU的实际拣存比，6表示目标拣存比。
在一些实施例中，所述选品决策方法还包括对获取的库存数据和销售数据进行排序。
在一些实施例中，所述销售数据包括每个品类的畅销程度。
在一些实施例中，所述库存数据包括下列至少一个：每个品类的最大库存体积、每个品类在单位时间内的出库量。
在一些实施例中，所述人机仓的产能与所述目标拣存比正相关。
根据本公开的另一些实施例，提供一种人机仓的选品决策装置，包括：建模单元，用于基于人机仓的产能，建立基于拣选比的选品决策模型，所述拣选比表示对于每个品类的商品，放在机器人区域内的数量与该品类的商品总量的比值；获取单元，用于获取每个品类的库存数据和销售数据；选择单元，用于基于所述库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
根据本公开的又一些实施例，提供一种人机仓的选品决策装置，包括：存储器以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行上述任一个实施例所述的选品决策方法。
根据本公开的另一些实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例所述的决策方法。
在上述实施例中，通过基于人机仓的产能建立基于拣选比的选品决策模型，利用获取的不同品类商品的库存数据和销售数据，进行选品决策，使得能够充分利用机器人区域的产能，显著提高了生产效率。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1示出根据本公开的选品决策方法的一些实施例的流程图；
图2示出根据本公开的选品决策方法的另一些实施例的流程图；
图3示出根据本公开的启发式算法的一些实施例的流程图；
图4示出根据本公开的选品决策装置的一些实施例的框图；
图5示出根据本公开的选品决策装置的另一些实施例的框图；
图6是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本公开的选品决策方法的一些实施例的流程图。
如图1所示，人机仓的选品决策方法包括：步骤110，建立基于拣选比的选品决策模型；步骤120，获取数据；和步骤130，选择拣选比。
人机仓包括机器人区域和人工区域。放在机器人区域的商品由机器人执行拣选任务，而放在人工区域的商品由人执行拣选任务。
在步骤110中，基于人机仓的产能，建立拣选比的决策模型。拣选比表示对于每个品类的商品，机器人区域内的数量与该品类的商品总量的比值。
在步骤120中，获取每个品类的库存数据和销售数据。
库存数据可以包括下列至少一个：每个品类的最大库存体积、每个品类在单位时间内的出库量。库存数据可以通过测量、统计等方式来获取。例如，可以测量每个SKU的最大库存体积。又例如，可以统计每个SKU每小时的出库量。销售数据可以包括每个品类的畅销程度。畅销程度可以通过统计分析获得。
应当明白，步骤120也可以在步骤110之前执行，或者与步骤110同时执行。两者的执行顺序对于实现本公开的决策方案没有影响。
在步骤130中，基于库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
人机仓的产能与目标拣存比δ正相关。δ是反映产能平衡水平的指标，可以根据产线能力测算统计。不同品类的目标拣存比可以相同，也可以不同。偏差可以用各个品类的实际拣存比与目标拣存比之差的绝对值之加权和来体现。
为了简化说明，下面将以品类通过库存量单位(SKU)的编号表示，偏差用各个品类的实际拣存比与目标拣存比之差的绝对值之和表示，且不同品类的目标拣存比相同为例，来说明本公开的实施例。
在一些实施例中，可以将基于拣选比的选品决策模型表示为下面的表达式：
Figure BDA0001700959070000051
Figure BDA0001700959070000052
在上述表达式中，i和n为正整数。i表示第i个SKU，n表示机器人区域内SKU数量。
对于表达式(1)，δ表示目标拣存比，
Figure BDA0001700959070000053
表示第i个SKU的实际拣存比，其中，xi表示第i个SKU的拣选比，即第i个SKU在机器人区域的占比，Wi表示第i个SKU的单位时间总出库数量，Vi表示第i个SKU的总库存体积。上述参数中，xi为决策变量；而Wi和Vi是库存数据，可以通过测量、统计等方式获取。
对于表达式(2)，「xi]表示对xi向上取整，
Figure BDA0001700959070000054
表示品类总量。品类总量可以用SKU数量来表征。即，
Figure BDA0001700959070000055
表示机器人区域内SKU种类数。
在一些实施例中，xi、Wi、Vi分别满足如下约束，如表达式(3)-(6)所示：
xi∈[0，1] (3)，
Figure BDA0001700959070000056
Figure BDA0001700959070000057
Figure BDA0001700959070000058
xi等于1表示商品全部放在机器人区域，而xi等于0表示商品全部放在人工区域。Wixi表示对于第i个SKU，放在机器人区域的商品数量。
K表示机器人区域内SKU种类数阈值。W表示机器人区域内商品总量阈值。商品数量可以用件数来表征。V表示机器人区域内所有SKU的总库存体积阈值。
通过步骤120获取的库存数据和销售数据可用于求解所建立的选品决策模型。
在另一些实施例中，选品决策方法还包括：对获取的库存数据和销售数据进行排序。图2示出根据本公开的选品决策方法的另一些实施例的流程图。图2与图1的不同就在于，还包括步骤122，对获取的库存数据和销售数据进行排序。
下面以销售数据为每个品类的畅销程度，库存数据包括每个品类的最大库存体积Vi、每个品类在单位时间内的出库量Wi为例，结合表1和表2说明步骤122的一些实施例。
表1示出获取的库存数据和销售数据。表1除了示出不同SKU的库存数据Wi和Vi，还示出了不同SKU的销售数据，例如畅销程度A、B、C。畅销程度从A到C依次递减。
表2示出排序后的库存数据和销售数据。排序方法为按畅销程度降序排列，同等畅销程度的按单位时间内的出库量降序排列。ID为排序标记。
品类 SKU W<sub>i</sub> V<sub>i</sub> 畅销程度
香水1 001 2 0.5 C
香水2 002 3 0.6 B
护肤1 003 4 0.7 A
护肤2 004 5 0.7 A
表1：获取的库存数据和销售数据
品类 SKU ID W<sub>i</sub> V<sub>i</sub> 畅销程度
护肤2 004 1 5 0.7 A
护肤1 003 2 4 0.7 A
香水2 002 3 3 0.6 B
香水1 001 4 2 0.5 C
表2：排序后的库存数据和销售数据
利用上述排序后的库存数据和销售数据，基于启发式算法，可以求解所建立的选品决策模型，从而选择合适的拣选比。图3示出根据本公开的启发式算法的一些实施例的流程图。
如图3所示，启发式算法可以包括步骤S1-S11中的部分步骤或全部步骤。
在步骤S1中，对获取的库存数据和销售数据进行初始化。
在步骤S2中，对所获取的数据进行排序。例如，可以按照图2所示的步骤122的方式对获取的库存数据和销售数据进行排序，得到如表2所示的排序结果。
在步骤S3中，确定有效范围。在步骤S3中，可以确定各个参数的有效范围。例如，可以确定表达式(4)中
Figure BDA0001700959070000071
的有效范围。令
Figure BDA0001700959070000072
则Count的最小值为Countmin，最大值为K。即，Count∈[Countmin，K]。Countmin可以根据经验获取。K可以根据实际情况设定。还可以根据实际情况确定V、W。
另外，还可以将Wi确定为Wi＝min{Wi，W}。
应当明白，步骤S3也可以在步骤S2之前执行，或者与步骤S2同时执行。两者的执行顺序对于实现本公开的决策方法没有影响。
下面将基于表2的排序结果，以K＝3、V＝1.8、W＝6为例，执行启发式算法中的相应步骤。
在步骤S4中，从ID＝1开始计算。例如，从第1个SKU(编号为004)的库存数据和销售数据开始计算，其中，Wi＝5，Vi＝0.7。
在步骤S5中，确定count个SKU是否满足约束。即，计算从ID到count+ID-1个SKU是否满足约束。从count＝Countmin＝1开始计算，在满足约束(即“是”)的情形下，记录数据，流程进入步骤S6；而在不满足约束(即“否”)的情形下，流程进入步骤S9。
针对Countmin＝1的情形，即在步骤S5中确定1个SKU是否满足约束。基于最大化机器人区域内品类总量的考虑，即
Figure BDA0001700959070000073
可以选择xi＝1。
在该情形下，满足约束xi∈[0，1]，
Figure BDA0001700959070000074
满足约束
Figure BDA0001700959070000081
满足约束
Figure BDA0001700959070000082
满足约束
Figure BDA0001700959070000083
基于上述，可以确定1个SKU满足所有约束。因此，记录数据，并进入步骤S6。
在步骤S6中，将count加1，即count＝Countmin+1＝2。接下来，在步骤S7中，确定count是否小于K，即是否满足count＜K。在“是”的情形下，流程返回步骤S4；而在“否”的情形下，记录数据，流程进入步骤S8。可以看出count＝2仍然小于K(即3)。因此，流程返回步骤S4。
在步骤S4中，仍然从SKU编号为004的库存数据和销售数据开始计算。在步骤S5中，确定2个SKU是否满足约束。为了简化计算，可以选择相同的xi。仍然基于最大化机器人区域内品类总量的考虑，选择xi＝1。
在该情形下，满足约束xi∈[0，1]，
Figure BDA0001700959070000084
满足约束
Figure BDA0001700959070000085
不满足约束
Figure BDA0001700959070000086
Figure BDA0001700959070000087
满足约束
Figure BDA0001700959070000088
基于上述，可以确定2个SKU不能满足所有约束。因此，进入步骤S9。
在步骤S9中，将ID加1。接着在步骤S10中，确定Imax与ID的差值是否小于count，即是否满足Imax-ID＜count。在“是”的情形下，流程进入步骤S6；而在“否”的情形下，记录数据，流程进入步骤S11。
Imax表示参与排序的品类数量。根据表2，Imax＝4。由于ID+1＝2，count＝2，因此Imax-ID＝2。可以看出，不满足Imax-ID＜count。因此，流程进入步骤S11。
在步骤S11中，调整xi，并对Wixi求整。在一些实施例中，可以一定的步长减小xi，例如减小5％，即xi＝0.95。对Wixi求整可以按照四舍五入取整。调整之后，流程返回步骤S4。
在步骤S4中，从ID＝2开始计算，即从第2个SKU(编号为003)的库存数据和销售数据开始计算。在步骤S5中，计算从第2个SKU到第3个SKU(编号为002)是否满足约束。此时，xi＝0.95。
在该情形下，满足约束xi∈[0，1]，
Figure BDA0001700959070000089
满足约束
Figure BDA0001700959070000091
不满足约束
Figure BDA0001700959070000092
Figure BDA0001700959070000093
满足约束
Figure BDA0001700959070000094
基于上述，可以确定2个SKU不能满足所有约束。因此，进入步骤S9。
在步骤S9中，将ID加1。接着，在步骤S10中，确定Imax与ID的差值是否小于count，即是否满足Imax-ID＜count。由于ID+1＝3，count＝2，因此Imax-ID＝1。可以看出，满足Imax-ID＜count。因此，流程进入步骤S6。
在步骤S6中，将count加1，即count＝2+1＝3。接下来，在步骤S7中，确定是否满足count＜K。可以看出，count＝3，不满足小于K。因此，记录相应的数据，并且流程进入步骤S8。
在步骤S8中，输出方案。在此步骤中，计算
Figure BDA0001700959070000095
并输出相应的数据。可以看出，对于记录的count＝1，count＝2、count＝3，可以分别得到表3、表4和表5所示的选品决策方案。
品类 SKU W<sub>i</sub> V<sub>i</sub> 畅销程度 x<sub>i</sub> W<sub>i</sub>x<sub>i</sub>求整
护肤2 004 5 0.7 A 1 5
表3：Countmin＝1的决策方案
品类 SKU W<sub>i</sub> V<sub>i</sub> 畅销程度 x<sub>i</sub> W<sub>i</sub>x<sub>i</sub>求整
香水2 002 3 0.6 B 1 2
香水1 001 2 0.5 C 1 1
表4：count＝2的决策方案
品类 SKU W<sub>i</sub> V<sub>i</sub> 畅销程度 x<sub>i</sub> W<sub>i</sub>x<sub>i</sub>求整
护肤1 003 4 0.7 A 0.7 3
香水2 002 3 0.6 B 0.7 2
香水1 001 2 0.5 C 0.7 1
表5：count＝3的决策方案
在上述实施例中，通过基于人机仓的产能建立基于拣选比的选品决策模型，利用获取的不同品类商品的库存数据和销售数据，进行帕累托选品决策，使得能够充分利用机器人区域的产能，显著提高了生产效率。
图4示出根据本公开的选品决策装置的一些实施例的框图。
如图2所示，选品决策装置4包括建模单元41、获取单元42和选择单元43。
建模单元41用于基于人机仓的产能，建立基于拣选比的选品决策模型。在一些实施例中，通过关联人机仓的产能与目标拣存比来建立选品决策模型。可以认为，人机仓的产能与目标拣存比δ正相关。例如，可将选品决策模型表示为上文所述的表达式(1)和(2)。选品决策模型中的参数需满足一定的约束，如上文所述的表达式(3)-(6)所示。
获取单元22用于获取每个品类的库存数据和销售数据。在一些实施例中，可以通过测量、统计等方式来获取库存数据，例如，每个品类的最大库存体积、每个品类在单位时间内的出库量。可以通过统计分析获得畅销程度，例如每个品类的畅销程度。
选择单元43用于基于库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
在一些实施例中，选品决策装置还可以包括排序单元(图中未示出)，用于对获取的库存数据和销售数据进行排序。
选择单元43利用排序后的库存数据和销售数据，基于如图3所示的启发式算法，求解所建立的选品决策模型，从而选择合适的拣选比。
在上述实施例中，通过基于人机仓的产能建立基于拣选比的选品决策模型，利用获取的不同品类商品的库存数据和销售数据，进行选品决策，使得能够充分利用机器人区域的产能，显著提高了生产效率。
图5示出根据本公开的选品决策装置的另一些实施例的框图。
如图5所示，该实施例的选品决策装置5包括：存储器51以及耦接至该存储器51的处理器52。存储器51用于存储执行决策方法对应实施例的指令。处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一些实施例中的选品决策方法。
除了决策方法、装置之外，本公开实施例还可采用在一个或多个包含有计算机程序指令的非易失性存储介质上实施的计算机程序产品的形式。因此，本公开实施例还包括一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述任意实施例中的选品决策方法。
图6是示出用于实现本公开一些实施例的计算机系统的框图。
如图6所示，计算机系统60可以通用计算设备的形式表现。计算机系统60包括存储器610、处理器620和连接不同系统组件的总线600。
存储器610例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质，例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行决策方法的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器620可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地，诸如判断模块和确定模块的每个模块，可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现，也可以通过执行相应步骤的专用电路来实现。
总线600可以使用多种总线结构中的任意总线结构。例如，总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统60还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间可以通过总线600连接。输入输出接口630可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口640为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里，参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个框以及各框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程决策装置的处理器，以产生一个机器，使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中，这些指令使得计算机以特定方式工作，从而产生一个制造品，包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
至此，已经通过示例对本公开的一些实施例进行了详细说明。应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员可以对以上实施例进行变化、修改、替换、变型、组合，而不脱离本公开的范围。

Claims (12)

1.一种人机仓的选品决策方法，包括：
基于人机仓的产能，建立基于拣选比的选品决策模型，所述拣选比表示对于每个品类的商品，放在机器人区域内的数量与该品类的商品总量的比值；
获取每个品类的库存数据和销售数据；
基于所述库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
2.根据权利要求1所述的选品决策方法，其中，所述偏差是各个品类的实际拣存比与目标拣存比之差的绝对值之和。
3.根据权利要求2所述的选品决策方法，其中，不同品类的目标拣存比相同。
4.根据权利要求3所述的选品决策方法，其中，所述品类通过库存量单位SKU的编号表示。
5.根据权利要求4所述的选品决策方法，其中：
所述决策模型表示为
Figure FDA0001700959060000011
且
Figure FDA0001700959060000012
i和n为正整数，xi表示第i个SKU的拣存比，满足xi∈[0,1]；
Figure FDA0001700959060000013
表示对xi向上取整，
Figure FDA0001700959060000014
表示品类总量即机器人区域内SKU总量，满足
Figure FDA0001700959060000015
K表示机器人区域内SKU总量阈值；
Wi表示第i个SKU的单位时间总出库数量，满足
Figure FDA0001700959060000016
W表示机器人区域内商品总量阈值；
Vi表示第i个SKU的总库存体积，满足
Figure FDA0001700959060000017
V表示机器人区域内所有SKU的总库存体积阈值；
Figure FDA0001700959060000021
表示第i个SKU的实际拣存比，δ表示目标拣存比。
6.根据权利要求1所述的选品决策方法，还包括：对获取的库存数据和销售数据进行排序。
7.根据权利要求1所述的选品决策方法，其中，所述销售数据包括每个品类的畅销程度。
8.根据权利要求1所述的选品决策方法，其中，所述库存数据包括下列至少一个：每个品类的最大库存体积、每个品类在单位时间内的出库量。
9.根据权利要求1-8中任一项所述的选品决策方法，其中，所述人机仓的产能与所述目标拣存比正相关。
10.一种人机仓的选品决策装置，包括：
建模单元，用于基于人机仓的产能，建立基于拣选比的选品决策模型，所述拣选比表示对于每个品类的商品，放在机器人区域内的数量与该品类的商品总量的比值；
获取单元，用于获取每个品类的库存数据和销售数据；
选择单元，用于基于所述库存数据和销售数据，选择每个品类的拣选比，使得人机仓的实际拣存比与目标拣存比的偏差最小，并且使得机器人区域的品类总量最大。
11.一种人机仓的选品决策装置，包括：
存储器；和
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1-9中任一项所述的选品决策方法。
12.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-9中任一项所述的选品决策方法。
CN201810634132.8A 2018-06-20 2018-06-20 人机仓的选品决策方法和装置、计算机可读存储介质 Active CN110516895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810634132.8A CN110516895B (zh) 2018-06-20 2018-06-20 人机仓的选品决策方法和装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810634132.8A CN110516895B (zh) 2018-06-20 2018-06-20 人机仓的选品决策方法和装置、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110516895A CN110516895A (zh) 2019-11-29
CN110516895B true CN110516895B (zh) 2021-09-03

Family

ID=68621474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810634132.8A Active CN110516895B (zh) 2018-06-20 2018-06-20 人机仓的选品决策方法和装置、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110516895B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563857B2 (en) * 2013-09-11 2017-02-07 National Tsing Hua University Multi-objective semiconductor product capacity planning system and method thereof
CN107025533A (zh) * 2017-03-29 2017-08-08 上海极络智能科技有限公司 货物拣选方法、货物拣选系统、计算装置和计算机可读存储介质
CN107963385A (zh) * 2016-10-18 2018-04-27 苏宁云商集团股份有限公司 一种物流仓储领域中货物的处理方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1741053A (zh) * 2005-09-22 2006-03-01 上海交通大学 物流仓储决策支持系统
CN107123004A (zh) * 2017-06-29 2017-09-01 北京京东尚科信息技术有限公司 商品动态定价数据处理方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9563857B2 (en) * 2013-09-11 2017-02-07 National Tsing Hua University Multi-objective semiconductor product capacity planning system and method thereof
CN107963385A (zh) * 2016-10-18 2018-04-27 苏宁云商集团股份有限公司 一种物流仓储领域中货物的处理方法及系统
CN107025533A (zh) * 2017-03-29 2017-08-08 上海极络智能科技有限公司 货物拣选方法、货物拣选系统、计算装置和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Spark技术在京东智能供应链预测的应用;郭景瞻;《石山园：https://www.cnblogs.com/shishanyuan/p/6629342.html》;20171231;全文 *

Also Published As

Publication number Publication date
CN110516895A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
Jiang et al. Two-phase clustering process for outliers detection
JP5165033B2 (ja) 通信テキスト分類方法及び装置
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN109242002A (zh) 高维数据分类方法、装置及终端设备
CN109242184B (zh) 一种基于层次聚类的订单拣货优化方法
CN106372838A (zh) 一种基于背包算法的库存分拣方法
CN113469631B (zh) 拣选调度方法、设备及矩阵分拣系统
Hu et al. ScCAEs: deep clustering of single-cell RNA-seq via convolutional autoencoder embedding and soft K-means
CN112007865A (zh) 入库分拣方法、入库分拣装置、电子设备及存储介质
CN110569915B (zh) 基于直觉模糊c均值的汽车数据聚类方法及系统
CN110516895B (zh) 人机仓的选品决策方法和装置、计算机可读存储介质
CN101853507B (zh) 一种仿射传播聚类的细胞分类方法
CN111159481A (zh) 图数据的边预测方法、装置及终端设备
CN112950328A (zh) 一种组合对象推荐方法、装置、系统和存储介质
CN113111182A (zh) 信息推荐方法及装置、计算机可存储介质
CN106682011A (zh) 利用图形展示数据的方法和装置
JPWO2021039314A5 (zh)
CN111126912A (zh) 一种货车运货类型识别方法、装置、存储介质及终端
CN114418489B (zh) 物流分拣机器人的智能监测预警方法、装置、设备及介质
CN113360839B (zh) 商品分配方法、装置、电子设备和计算机存储介质
CN107943982A (zh) 内置约束规则的k‑means文本聚类方法及装置
CN103793504A (zh) 一种基于用户偏好与项目属性的聚类初始点选择方法
Kiriş et al. Performance comparison of different clustering methods for manufacturing cell formation
Ebrahimpour et al. Proposing a novel feature selection algorithm based on hesitant fuzzy sets and correlation concepts
CN113392086A (zh) 基于物联网的医疗数据库构建方法、装置及设备

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