CN111062674B - 一种物流订单高维稀疏聚类分拣方法 - Google Patents
一种物流订单高维稀疏聚类分拣方法 Download PDFInfo
- Publication number
- CN111062674B CN111062674B CN202010012377.4A CN202010012377A CN111062674B CN 111062674 B CN111062674 B CN 111062674B CN 202010012377 A CN202010012377 A CN 202010012377A CN 111062674 B CN111062674 B CN 111062674B
- Authority
- CN
- China
- Prior art keywords
- order
- orders
- time
- sorting
- clustering
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Warehouses Or Storage Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物流订单高维稀疏聚类分拣方法,该方法包括步骤1、将实时物流订单按配送时间的时限要求排序;步骤2、将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单;步骤3、将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。本发明的有益效果为:可以有效地减少分拣搬运距离,减少订单分拣时间,提高订单分拣效率;分拣方法的订单处理较现有分拣方法更为灵活;可根据实际应用中的聚类需求加入更多的商品特征信息,以此得到更具目标化的聚类;可应用于多场景的物流分拣系统,在市场中具有广阔前景。
Description
技术领域
本发明涉及物流订单分拣领域,具体而言,涉及一种物流订单高维稀疏聚类分拣方法。
背景技术
现有的物流订单的分拣方法有:(1)按单拣货,即订单在拣货时便将商品按照订单分置在不同的物品篮里,然后送至打包处;(2)汇总拣货,即在拣货时将商品按照订单分置在不同的物品篮里,然后送至打包处;(3)固定组批,即订单在拣货时将商品订单按固定批量为一组,将所有订单的商品集中拣选再按订单分配。现有的物流订单分拣方法在实际应用中极不灵活,会造成搬运人员或搬运机器人在分拣过程中走重复路径或多余路径,在订单处理时间上也会造成很大浪费,会影响具有时限要求的物流订单的分拣和配送。
发明内容
为解决上述问题,本发明的目的在于提供一种物流订单高维稀疏聚类分拣方法,减少分拣过程中人员或机器人的搬运距离,减少订单分拣时间。
本发明提供了一种物流订单高维稀疏聚类分拣方法,该方法包括:
步骤1、将实时物流订单按配送时间的时限要求排序;
步骤2、将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单;
步骤3、将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
作为本发明的进一步改进,所述步骤1中排序的具体方法为:
步骤101、定义实时订单函数为F(t)=Xi,i∈{1,2,3…K};
步骤102、将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
作为本发明的进一步改进,所述实时物流订单的订单信息包括商品仓储区域信息、包装类别信息和产品编号信息。
作为本发明的进一步改进,所述步骤2中寻找相似订单的方法为:
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类。
作为本发明的进一步改进,寻找相似订单的具体方法为:
步骤201、将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2…K,i≠j},将上述三个订单属性信息集合两两计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为为不同包装类别的编号集合,S3为相同包装类别的编号集合;
步骤202、计算订单差异度,其具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),
i,j∈{1,2…K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
步骤203、合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,重复步骤201-202将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限;
步骤204、计算W(Sij),并对物流订单进行进一步聚类:
若W(Sij)≤Wthr,则重复步骤201-203,若Wthr≤W(Sij)≤Wmax,则算法终结,S'最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,Wmax为机器人载重上限,Wthr为机器人载重阈值。
本发明还提供了一种物流订单高维稀疏聚类分拣系统,该系统包括:
时限排序模块,其用于将实时物流订单按配送时间的时限要求排序;
相似订单模块,其用于将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单;
订单聚类模块,其用于将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
作为本发明的进一步改进,所述时限排序模块包括:
订单函数模块,其用于定义实时订单函数为F(t)=Xi,i∈{1,2,3…K};
订单排序模块,其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
作为本发明的进一步改进,所述相似订单模块寻找相似订单的方法为:
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类。
作为本发明的进一步改进,所述相似订单模块具体包括:
订单信息集合模块,其用于将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2…K,i≠j},将两两订单之间的上述三个订单属性信息集合计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为不同包装类别的编号集合,S3为相同包装类别的编号集合;
订单差异度计算模块,其用于计算订单差异度,采用的具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),
i,j∈{1,2…K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
订单聚类寻找模块,其用于合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,重复步骤201-202将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限;
再次聚类模块,其用于将订单聚类寻找模块中无法聚类的订单进行再次聚类,具体方法为:计算W(Sij),若W(Sij)≤Wthr,则重复步骤201-203,若Wthr≤W(Sij)≤Wmax,则算法终结,S'最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,Wmax为机器人载重上限,Wthr为机器人载重阈值。
作为本发明的进一步改进,所述相似订单模块建立的订单属性信息集合包括商品仓储区域信息、包装类别信息和产品编号信息。
本发明的有益效果为:1、高维稀疏聚类方法可以有效地减少分拣搬运距离,减少订单分拣时间,提高订单分拣效率;2、分拣方法的订单处理较现有分拣方法更为灵活;3、在订单聚类的相似特征上,可根据实际应用中的聚类需求加入更多的商品特征信息,以此得到更具目标化的聚类;4、可应用于多场景的物流分拣系统,在市场中具有广阔前景。
附图说明
图1为本发明实施例所述的一种物流订单高维稀疏聚类分拣方法流程示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
实施例1
如图1所示,本发明实施例1所述的是一种物流订单高维稀疏聚类分拣方法,该方法包括:
步骤1、将实时物流订单按配送时间的时限要求排序。按照订单的配送时间的时限要求排序即可首先保证着急配送的订单能够有限配送。
步骤2、将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单。
步骤3、将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
根据物流订单信息对聚类订单进行差异度分析,从而可以找出订单属性信息相似的物流订单,将相似订单汇总为一个大的订单聚类,从而有效减少了订单分拣的次数,进而减少了分拣人员或者机器人的搬运距离,最终提高了订单分拣效率。
进一步的,步骤1中排序的具体方法为:
步骤101、定义实时订单函数为F(t)=Xi,i∈{1,2,3…K};
步骤102、将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
进一步的,实时物流订单的订单信息包括商品仓储区域信息、包装类别信息和产品编号信息。
在实际应用过程中,在订单聚类的相似特征上,我们可以根据实际的聚类需求加入更多的订单特征信息,因此得到更具目标化的聚类,而不仅限于商品仓储区域信息、包装类别信息和产品编号信息这三种订单信息,可以使高维稀疏聚类分拣方法应用于更多场景的物流分拣中。
进一步的,步骤2中寻找相似订单的方法为:
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类。
进一步的,寻找相似订单的具体方法为:
步骤201、将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2…K,i≠j},将两两订单之间的上述三个订单属性信息集合计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为不同包装类别的编号集合,S3为相同包装类别的编号集合;
步骤202、计算订单差异度,其具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),
i,j∈{1,2…K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
步骤203、合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,重复步骤201-202将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限;
步骤204、计算W(Sij),并对物流订单进行进一步聚类:
若W(Sij)≤Wthr,则重复步骤201-203,若Wthr≤W(Sij)≤Wmax,则算法终结,S'最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,其具体计算方法为将最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj的重量进行加和,Wmax为机器人载重上限,Wthr为机器人载重阈值。
实施例2
本发明实施例2所述的是一种物流订单高维稀疏聚类分拣系统,该系统包括:
时限排序模块,其用于将实时物流订单按配送时间的时限要求排序;
相似订单模块,其用于将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单;
订单聚类模块,其用于将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
进一步的,时限排序模块包括:
订单函数模块,其用于定义实时订单函数为F(t)=Xi,i∈{1,2,3…K};
订单排序模块,其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
进一步的,相似订单模块寻找相似订单的方法为:
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类。
进一步的,相似订单模块具体包括:
订单信息集合模块,其用于将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2…K,i≠j},将两两订单之间的上述三个订单属性信息集合计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为为不同包装类别的编号集合,S3为相同包装类别的编号集合;
订单差异度计算模块,其用于计算订单差异度,采用的具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),
i,j∈{1,2…K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
订单聚类寻找模块,其用于合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,重复步骤201-202将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限,差异度上限是区分两个订单之间是否相似的判断条件,如两个订单之间的差异度超过b,则认为这两个订单不相似。
再次聚类模块,其用于将订单聚类寻找模块中无法聚类的订单进行再次聚类,具体方法为:计算W(Sij),若W(Sij)≤Wthr,则重复步骤201-203,若Wthr≤W(Sij)≤Wmax,则算法终结,S'最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,其具体计算方法为将最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj的重量进行加和,Wmax为机器人载重上限,Wthr为机器人载重阈值。
进一步的,相似订单模块建立的订单属性信息集合包括商品仓储区域信息、包装类别信息和产品编号信息。
在实际应用过程中,在订单聚类的相似特征上,我们可以根据实际的聚类需求加入更多的订单特征信息,因此得到更具目标化的聚类,而不仅限于商品仓储区域信息、包装类别信息和产品编号信息这三种订单信息,可以使高维稀疏聚类分拣方法应用于更多场景的物流分拣系统。
下面以某电商配送中心的物流配送为例具体说明本发明所述物流订单高维稀疏聚类分拣系统的具体聚类分拣方法:
某电商配送中心,仓储区种类为5类,分别为A类食品库、B类日用品库、C类图书库、D类服装鞋饰库和E类其他用品库;货品种类为48种;订单属性为5种,分别为产品编号、仓储区域、包装类别、重量、订单到达时间和交货时间5种信息。某时刻配送中心实时订单F(t)为18个,设决策订单数k=15,F(t)=18>k,则按照时间紧迫度函数Sldck(Xi)=ddi-rdi升序选取前15个订单进入调度窗口,记为窗口订单K(t)=X1,X2,L X15,订单数据如表1所示:
表1订单产品信息Table.1 Order information
综合本实施例,三种差异度在实际分拣的影响不同,分配权重如下,设WTSFD=0.5,WRSFD=0.3,WPFSD=0.2;设差异度上限b=1.0,Wmax=100kg,考虑分拣机器人的搬运效率,设Wthr=60kg。
订单聚类的具体过程为:
(1)由步骤201-203可得各订单间差异度如表2所示,由表可得min{CSFD(X5,X15)}=0.18<b=1.0,则合并订单生成X5,15=X5+X15={1,3,4,11,26,28},记为初始集合S5,15,W(S5,15)=29.76kg,Wthr=60kg,W(S5,15)≤Wthr,重复步骤201-203将X5,15与K(t)'中订单重新聚类。
表2订单差异度
Table.2 Order difference
(2)W(S5,15)≤Wthr=50kg,重复重复步骤201-203将X5,15与K(t)'中订单重新聚类。以上算法得到的最终聚类结果为S5,7,8,15={X5,X7,X9,X15},W(S5,7,9,15)=72kg,满足分拣机器人的载重要求。算法终止后该订单聚类交由分拣机器人进行作业,此外,该时窗下的剩余子集归入下一周期的滚动窗口重新聚类。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种物流订单高维稀疏聚类分拣方法,其特征在于,包括:
步骤1、将实时物流订单按配送时间的时限要求排序;
步骤2、将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单,所述实时物流订单的订单信息包括商品仓储区域信息、包装类别信息和产品编号信息;
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类,具体方法为:
步骤201、将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合,分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2K,i≠j},将两两订单之间的上述三个订单属性信息集合计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为不同包装类别的编号集合,S3为相同包装类别的编号集合;
步骤202、计算订单差异度,其具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),i,j∈{1,2K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
步骤203、合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,重复步骤201-202将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限;
步骤204、计算W(Sij),并对物流订单进行进一步聚类:
若W(Sij)≤Wthr,则重复步骤201-203,若Wthr≤W(Sij)≤Wmax,则算法终结,S'为最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,Wmax为机器人载重上限,Wthr为机器人载重阈值;
步骤3、将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
2.根据权利要求1所述的物流订单高维稀疏聚类分拣方法,其特征在于,所述步骤1中排序的具体方法为:
步骤101、定义实时订单函数为F(t)=Xi,i∈{1,2,3K};
步骤102、将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
3.一种物流订单高维稀疏聚类分拣系统,其特征在于,包括:
时限排序模块,其用于将实时物流订单按配送时间的时限要求排序;
相似订单模块,其用于将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单;
建立K个订单的订单属性信息集合,对订单属性信息集合中两两订单分别计算稀疏差异度,根据稀疏差异度计算订单差异度,并根据订单差异度对订单进行聚类,具体包括:
订单信息集合模块,其用于将K个订单建立订单产品编号信息集合、仓储区域信息集合和包装类别信息集合分别为{Nxi}、{Wxi}、{Pxi},i,j∈{1,2K,i≠j},将两两订单之间的上述三个订单属性信息集合计算差异度:
其中,TSFD为种类稀疏差异度,RSFD为距离稀疏差异度,PSFD为包装稀疏差异度,N为订单数,NS1为不同存储区域的编号集合,S1为相同存储区域的编号集合,NS2为不同包装类别的编号集合,S2为相同包装类别的编号集合,NS3为不同包装类别的编号集合,S3为相同包装类别的编号集合;
订单差异度计算模块,其用于计算订单差异度,采用的具体公式为:
CSFD(Xi,Xj)=CTSFD·TSFD(Xi,Xj)+CRSFD·RSFD(Xi,Xj)+CPSFD·PSFD(Xi,Xj),i,j∈{1,2K,i≠j}
其中,CTSFD为种类稀疏差异度的权重,CRSFD为仓储稀疏差异度的权重,CPSFD为包装稀疏差异度的权重,CSFD(Xi,Xj)为订单差异度;
订单聚类寻找模块,其用于合并最小差异度min{CSFD(Xi,Xj)}对应的两个订单Xi和Xj,生成新订单Sij={Xi,Xj},并对物流订单进行聚类:
若min{CSFD(Xi,Xj)}<b,则(Xi,Xj)记为初始集合Sij,滚动窗口K(t)中剩余订单集合K(t)'=K(t)-Sij,调用所述订单信息集合模块和所述订单差异度计算模块将Sij与K(t)'中订单重新聚类,聚类集合记为S',转至下一步;
若min{CSFD(Xi,Xj)}≥b,则算法终结,滚动窗口K(t)中订单无法聚类,将K(t)中订单归入下一滚动窗口重新聚类;
其中,b为差异度上限;
再次聚类模块,其用于将订单聚类寻找模块中无法聚类的订单进行再次聚类,具体方法为:计算W(Sij),若W(Sij)≤Wthr,则调用所述订单信息集合模块、所述订单差异度计算模块和所述订单聚类寻找模块进行再次聚类,若Wthr≤W(Sij)≤Wmax,则算法终结,S'为最终聚类结果;
其中,W(Sij)为由订单Xi和Xj合并得到的新订单的重量,Wmax为机器人载重上限,Wthr为机器人载重阈值;
订单聚类模块,其用于将找到的所有相似订单合并汇总为一个订单聚类,统计订单聚类中的全部商品交由分拣人员或分拣机器人一次拣选,并在商品全部拣选完毕之后按订单聚类中的各个订单分别配送。
4.根据权利要求3所述的物流订单高维稀疏聚类分拣系统,其特征在于,所述时限排序模块包括:
订单函数模块,其用于定义实时订单函数为F(t)=Xi,i∈{1,2,3K};
订单排序模块,其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列,即将Slack(Xi)计算为Slack(Xi)=ddi-rdi;
其中,F(t)为实时订单集,t为时间,Xi为订单,i为自然数,K为实时订单个数,rdi为订单Xi的到达时间,ddi为订单Xi的交货时间。
5.根据权利要求3所述的物流订单高维稀疏聚类分拣系统,其特征在于,所述相似订单模块建立的订单属性信息集合包括商品仓储区域信息、包装类别信息和产品编号信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012377.4A CN111062674B (zh) | 2020-01-07 | 2020-01-07 | 一种物流订单高维稀疏聚类分拣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010012377.4A CN111062674B (zh) | 2020-01-07 | 2020-01-07 | 一种物流订单高维稀疏聚类分拣方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062674A CN111062674A (zh) | 2020-04-24 |
CN111062674B true CN111062674B (zh) | 2023-07-25 |
Family
ID=70306432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010012377.4A Active CN111062674B (zh) | 2020-01-07 | 2020-01-07 | 一种物流订单高维稀疏聚类分拣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062674B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695732B (zh) * | 2020-06-09 | 2022-07-26 | 武汉问道信息技术有限公司 | 一种烟草成品物流的订单分批与路径规划方法 |
CN111445197B (zh) * | 2020-06-17 | 2020-09-08 | 北京每日优鲜电子商务有限公司 | 一种生鲜食品配送方法 |
CN112811063B (zh) * | 2020-12-31 | 2022-09-23 | 北京极智嘉科技股份有限公司 | 仓储系统、仓储任务处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077228A (zh) * | 2013-01-02 | 2013-05-01 | 北京科技大学 | 一种基于集合特征向量的快速聚类方法和装置 |
CN103927643A (zh) * | 2014-04-30 | 2014-07-16 | 洪剑 | 一种大规模订单处理与配送路径优化的方法 |
CN109242184A (zh) * | 2018-09-06 | 2019-01-18 | 泉州装备制造研究所 | 一种基于层次聚类的订单拣货优化方法 |
-
2020
- 2020-01-07 CN CN202010012377.4A patent/CN111062674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077228A (zh) * | 2013-01-02 | 2013-05-01 | 北京科技大学 | 一种基于集合特征向量的快速聚类方法和装置 |
CN103927643A (zh) * | 2014-04-30 | 2014-07-16 | 洪剑 | 一种大规模订单处理与配送路径优化的方法 |
CN109242184A (zh) * | 2018-09-06 | 2019-01-18 | 泉州装备制造研究所 | 一种基于层次聚类的订单拣货优化方法 |
Non-Patent Citations (2)
Title |
---|
基于聚类分析的订单分批拣货模型及启发式算法;李诗珍 等;统计与决策(第12期);53-56 * |
数据挖掘中CABOSFV聚类算法的实现与应用;武森 等;全国第八届工业工程与企业信息化学术会议;258-263 * |
Also Published As
Publication number | Publication date |
---|---|
CN111062674A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062674B (zh) | 一种物流订单高维稀疏聚类分拣方法 | |
CN110111048A (zh) | 仓储系统中的订单任务调度方法 | |
Elsayed et al. | Computerized algorithms for order processing in automated warehousing systems | |
US7885859B2 (en) | Assigning into one set of categories information that has been assigned to other sets of categories | |
CN111429049A (zh) | 物品订单的配送方法、系统、电子设备及可读存储介质 | |
CN106372838A (zh) | 一种基于背包算法的库存分拣方法 | |
CN113019959B (zh) | 物品分拣方法、装置、电子设备和计算机可读介质 | |
CN102663571A (zh) | 一种电子商务智能分储系统的储位优化筛选方法 | |
CN109872107A (zh) | 拣货路径优化方法及系统 | |
CN111815040B (zh) | 一种用于智能仓库的订单处理和货架指派方法 | |
CN111507657B (zh) | 一种基于半自动拣选系统的订单分波方法 | |
CN107516185A (zh) | 一种仓储货运管理子模块 | |
CN106845894A (zh) | 一种快递包裹分拣方法及其装置 | |
CN108364137A (zh) | 高新技术企业的监测方法、装置、计算机设备及存储介质 | |
CN109656540B (zh) | 一种基于Apriori算法的补货库位推荐方法 | |
CN115115256A (zh) | 一种医药仓库货位分配方法 | |
CN115759634A (zh) | 一种矩形板材组批排样高效协同方法 | |
CN111582787A (zh) | 一种冻库规模型拣货系统及其方法 | |
CN115660380A (zh) | 货到人拣选的订单处理方法及装置 | |
CN111598510B (zh) | 一种适用于智能仓储系统的订单分批方法 | |
CN110020918B (zh) | 一种推荐信息生成方法和系统 | |
CN116151931B (zh) | 基于人工智能的跨境电商销产一体化数据处理系统 | |
CN110969378B (zh) | 一种仓库物品配置方法和装置 | |
CN109657726A (zh) | 一种图片多标签分类方法 | |
CN116167692A (zh) | 一种结合货单信息的自动优化方法与系统 |
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 |