CN111582781B - 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 - Google Patents

Abstract

本发明提供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，方法：确定货到人系统中的业务场景，获取补货订单以及与分配货架相关的参数，所述补货订单中包括需要补货的货品的种类以及数量；基于补货成本、未来的拣货成本和效率确定补货目标和决策变量，建立分配模型的目标函数；根据修复可行性的模拟退火算法求出启发解以及求出所述分配模型的精确解；进行多轮数值实验，将所述启发解与所述精确解对比，进行算法调参，获取补货订单分配货架的补货策略。通过综合考虑补货效率和未来拣货过程的效率，建立模型的目标函数并求解，为补货决策提供精准的数学指导，提高了补货效率和拣货效率的同时降低了工作成本。

Description

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

技术领域

本发明涉及订单分配技术领域，尤其涉及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。

背景技术

近年来科学技术的发展在物流领域中也得到了广泛的应用，在互联网的支撑下实现智慧物流、仓储物流智能化和自动化是该领域工作者的共同目标。目前已有的仓储管理方式都需要人来参与，人甚至在仓储管理中起着绝对的主导作用。传统的仓储管理模式为“人到货”，也就是人走到货物面前完成拣选操作。随着物流机器人的诞生和不断发展，“货到人”的仓储管理方式逐渐成为主导管理模式。货到人系统是由一系列的移动物流机器人、可移动货架、补货，拣货工作站等硬件系统组成，以人工智能算法的软件系统为核心，来完成包括上架、拣选、补货、退货、盘点等流程的完整订单智能履行系统。货到人系统的工作过程是人不动，货物被自动输送到操作人面前，供人操作。它的工作流程可以概括为：物流机器人扛起订单货品所在货架后，自动搬运到工作站操作台，然后由工作人员将指定货位的货品取下或者进行上架等操作，在操作完成后，物流机器人将货架送回。与传统的“人到货”模式相比，“货到人”模式大大提高了工作效率，也基本实现了仓储物流的智能化和自动化。

在货到人系统的整个工作流程中，拣选操作是整个系统的核心操作，补货、上架等其他操作都是为拣货操作服务，提高拣选效率是工作人员的共同目标。为了降低工作成本以及提高补货操作和未来拣货操作的工作效率，需要慎重进行补货决策。有计划的进行补货操作，例如将使用频率高的货品尽量补在离拣选工作站近的位置或者将同种货品尽量补在同一个货架上，能有效地节省时间，进而提高拣选效率。货架层面的补货决策主要是决定哪些货架需要补充库存以及对应的补货数量，然后由物流机器人扛着货架进行移动来完成补货上架操作。进行补货决策时，同时考虑拣选和补货过程，使总成本最小，并且在拣选时货架每一次路程拣选的货物数量最大。目前在进行补货决策时主要是基于一些补货策略，包括随机补货上架策略和推荐补货上架策略。随机补货上架是指根据补货订单的需求，将货品随机补在某一货架的空位上，而推荐补货上架则是遵循一定的补货策略。例如，在随机存储区的指定货位补上商品的全部库存，或者每种商品在随机选择的一对分区补货，又或者将商品按需求率排序，需求率较低的80％商品补在远处货架上，需求率较高的20％商品补货在近处货架上。

在实际场景中，现有的补货策略一般分为两种：直接上架和推荐上架。直接上架就是把需要补货的货品不遵循任何规则，直接往货架上的空位补货；推荐上架时遵循一定的规则，例如按照商品的需求率排序，需求率高的货品放在离工作站近的货架。

但是，现有的补货策略一般不会综合考虑补货距离、补货效率、未来的拣货距离和拣货效率，有可能保证了补货效率但影响了未来的拣货效率。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明为了解决现有的问题，提供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。

为了解决上述问题，本发明采用的技术方案如下所述：

一种根据补货订单分配货架的方法，包括以下步骤：S1：确定货到人系统中的业务场景，获取补货订单以及与分配货架相关的参数，所述补货订单中包括需要补货的货品的种类以及数量；S2：基于补货成本、未来的拣货成本和效率确定补货目标和决策变量，建立分配模型的目标函数；S3：根据修复可行性的模拟退火算法求出启发解以及求出所述分配模型的精确解；S4：进行多轮数值实验，将所述启发解与所述精确解对比，进行算法调参，获取补货订单分配货架的补货策略。

优选地，所述业务场景是所述货到人系统中包括多工作站且所述货品不混放。

优选地，所述参数包括：货品种类编号集合I、工作站编号集合J、货架点位编号集合K、库存区编号集合P；货品参数：货品i需要补货的数量Q_i、单个货品i在一个货位上能存放的数量C_i、货品i的需求率λ_i；距离参数：点位k处货架到补货工作站j的平均距离b_k、库存区p到补货工作区的平均距离d_p、库存区p到拣货工作区的平均距离l_p；货架参数：点位k处货架上的货位数a_k、点位k处货架上货品i已有的库存数量R_ik、关于R_ik的惩罚参数E_ik、点位k是否在库存区p的参数m_kp；库区参数：库存区p存放的货架的周转率的下限a_p、当前库存区p已有空点位数N_p。

优选地，所述补货目标为多目标。

优选地，所述多目标包括：往每种货品库存少的货架上补货、补在距离补货工作站近的货架上、归位到离补货工作站近的库存区、归位到离拣货工作站近的库存区，每一部分目标的权重一致；所述决策变量有5个：货品i是否往点位k处货架上补货u_ik、点位k处货架是否被补货y_k、工作站j往点位k处货架补充货品i的数量x_ijk、补货后点位k处货架上货品i占据的货位数s_ik、点位k处货架补货后是否回到p区域z_kp；约束条件有四类：货品补货需求量约束、满足货架库存容量约束、补货归位库区容量约束以及变量间的关系约束。

优选地，所述分配模型的目标函数为：

其中，往每种所述货品库存少的货架上补货对应∑_i∈I∑_k∈KE_iku_ik；补在距离补货工作站近的货架上对应∑_k∈Kb_ky_k；尽量归位到离补货工作站近的库存区对应∑_p∈P∑_k∈Kd_pz_kp；尽量归位到离拣货工作站近的库存区对应∑_p∈P∑_k∈Kl_pz_kp；

约束条件：所述货品补货需求量约束：

所述货架库存容量约束：

所述补货归位库区容量约束：

变量之间的关系约束：

优选地，修复可行性模拟退火算法包括如下步骤：S31：根据不同的补货策略产生可行解，选取所述分配模型的目标函数的函数值最小的作为初始解；S32：设置模拟退火的初始温度；S33：随机选择补货到货架k上的货品i，将其转移到补了货品i的货架k`上，其中，0/1变量u_ik＝1，0/1变量

若货架上剩余库位不够补完，则进行可行性修复操作，将未补完的部分货品补到有补货任务但没有补过货品i并且有剩余空间的货架上，如果还不能补完，则更新禁忌表，进行回滚操作，重新选择货品i和货架k；S34：更新可行解，计算两次目标函数的差值，如果目标函数值更优则接受可行解，同时以一定的概率接受劣解；S35：达到迭代终止条件则结束；否则降低温度，回到步骤S32。

优选地，所述补货策略包括六种补货策略，分别为：策略1：货品按需求Q_i降序排序，货架按距离b_k由近及远排序，按顺序在货架上补完货品；策略2：货品按需求Q_i降序排序，对货品i，货架按库存E_ik由少到多排序后补货，直到货品i补完；策略3：货品按需求Q_i降序排序，随机选择货架，按顺序在货架上补完货品；策略4：货架按距离b_k由近及远排序，货品按需求Q_i降序排序，按顺序补满货架；策略5：货架按距离b_k由近及远排序，对货架k，货品按库存E_ik由少到多排序后补货，直到货架k补满；策略6：货架按距离b_k由近及远排序，随机选择货品，按顺序补满货架。

优选地，进行多轮数值实验包括：采用改变订单数、商品种类数、货架数来进行多组数值实验，调整初始温度、迭代次数等参数，并且使得所求解与模型精确解的差值控制在5％以内。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。

本发明的有益效果为：提供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，通过综合考虑补货效率和未来拣货过程的效率，建立模型的目标函数并求解，来将每种货品合理地分配到相应的货架上，得出每种货品应该补到哪个货架上以及在相应的货架上该货品补多少量。为补货决策提供精准的数学指导，提高了补货效率和拣货效率的同时降低了工作成本。

进一步的，根据实际问题设计了修复可行性的模拟退火算法，将启发式算法应用到实际业务中，既能降低求解成本，又能提供精确决策。

附图说明

图1是本发明实施例中一种根据补货订单分配货架的方法示意图。

图2是本发明实施例中一种修复可行性模拟退火算法的方法示意图。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，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。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

如图1所示，本发明提供一种根据补货订单分配货架的方法，包括以下步骤：

S1：确定货到人系统中的业务场景，获取补货订单以及与分配货架相关的参数，所述补货订单中包括需要补货的货品的种类以及数量；

S2：基于补货成本、未来的拣货成本和效率确定补货目标和决策变量，建立分配模型的目标函数；

S3：根据修复可行性的模拟退火算法求出启发解以及求出所述分配模型的精确解；

S4：进行多轮数值实验，将所述启发解与所述精确解对比，进行算法调参，获取补货订单分配货架的补货策略。

本发明的方法能充分利用现有数据，将要解决的业务问题抽象成数学问题加以解决，并且所设计的启发式算法能在保证计算的时间效率的同时，为补货决策提供精准的数学依据，提高补货效率的同时也保证了未来拣货操作的效率。

在本发明的一种实施例中，业务场景是货到人系统中包括多工作站且所述货品不混放。根据具体业务场景选择与订单分配货架相关的参数会直接影响到建模的准确性和求解难度。相关参数包括：工作站数量、货品存放方式以及货品、距离、库区、货架方面的一些参数，这些参数数据为模型建立提供了数据支撑。

在本发明的一种实施例中，参数包括：

1.货品种类编号集合I；

工作站编号集合J；

货架点位编号集合K；

库存区编号集合P；

2.货品参数

货品i需要补货的数量Q_i；

单个货品i在一个货位上能存放的数量C_i；

货品i的需求率λ_i；

3.距离参数

点位k处货架到补货工作站j的平均距离b_k；

库存区p到补货工作区的平均距离d_p(出于补货归位距离的考虑)；

库存区p到拣货工作区的平均距离l_p(出于未来拣货距离的考虑)；

4.货架参数

点位k处货架上的货位数a_k；

点位k处货架上货品i已有的库存数量R_ik；

关于R_ik的惩罚参数E_ik；

点位k在库存区p的参数m_kp(0/1参数)；

5.库区参数

库存区p存放的货架的周转率的下限α_p；

当前库存区p已有空点位数N_p(前往拣货工作站的货架数量，未考虑当前离开的货架数量)。

补货的目标需要考虑补货成本和未来的拣货成本以及效率，建立的数学模型是多目标混合整数模型。决策变量有多个，但本发明求的补货订单分配货架问题可理解为求某货品i往某货架k上应该补上的货品数量。

本发明的总的目标是提高补货效率的同时考虑未来的拣货效率，体现在数学模型中是多目标函数。在本发明的一种实施例中，所述多目标包括：往每种货品库存少的货架上补货、补在距离补货工作站近的货架上、归位到离补货工作站近的库存区、归位到离拣货工作站近的库存区，每一部分目标的权重一致；

所述决策变量有5个：货品i是否往点位k处货架上补货u_ik、点位k处货架是否被补货y_k、工作站j往点位k处货架补充货品i的数量x_ijk、补货后点位k处货架上货品i占据的货位数s_ik、点位k处货架补货后是否回到p区域z_kp；

约束条件有四类：货品补货需求量约束、满足货架库存容量约束、补货归位库区容量约束以及变量间的关系约束。

本发明是根据已知的工作场景和已知参数数据，确定补货目标和决策变量，建立线性数学模型。目标函数要同时考虑补货成本和未来的拣货成本以及效率，并且补货决策抽象成具体的数学问题可以理解为求某货品i往某货架k上应该补上的货品数量。

在本发明的一种实施例中，所述分配模型的目标函数为：

其中，往每种所述货品库存少的货架上补货对应∑_i∈I∑_k∈KE_iku_ik；补在距离补货工作站近的货架上对应∑_k∈Kb_ky_k；尽量归位到离补货工作站近的库存区对应∑_p∈P∑_k∈Kd_pz_kp；尽量归位到离拣货工作站近的库存区对应∑_p∈P∑_k∈Kl_pz_kp；

约束条件：所述货品补货需求量约束：

所述货架库存容量约束：

所述补货归位库区容量约束：

变量之间的关系约束：

本发明的模型的目标函数在货到人系统仓库中已知补货订单时的所有情况都适用，模型参数已确定。

在本发明中模型中是多目标函数，并且目标是明确给定的。在不同场景中，目标函数都包含上述问题提到的四部分，只是各部分目标的权重在不同场景中会有所不同，需要具体问题具体分析。正常情况下各部分权重一致，但是在小型仓库中距离不大的情况下，目标函数后两部分的权重比前两部分小一半或者更多，本模型的一个重要点就是目标函数权重在小型仓库中需要稍微调整后两部分目标的权重比例。

在明确了补货目标之后，由于模型精确解求解的时间成本较高，因此需要设计合适的启发式算法，在保证计算精度的同时提高计算的时间效率。本发明根据现有的模拟退火算法的思想，设计适用于本问题的领域变换规则，求出启发解并采用求解器求出模型精确解。

如图2所示，修复可行性模拟退火算法包括如下步骤：

S31：根据不同的补货策略产生可行解，选取所述分配模型的目标函数的函数值最小的作为初始解；

S32：设置模拟退火的初始温度；

S33：随机选择补货到货架k上的货品i，将其转移到补了货品i的货架k`上，其中，0/1变量u_ik＝1，0/1变量u_ik′＝1；

若货架上剩余库位不够补完，则进行可行性修复操作，将未补完的部分货品补到有补货任务但没有补过货品i并且有剩余空间的货架上，如果还不能补完，则更新禁忌表，进行回滚操作，重新选择货品i和货架k；

S34：更新可行解，计算两次目标函数的差值，如果目标函数值更优则接受可行解，同时以一定的概率接受劣解；

S35：达到迭代终止条件则结束；否则降低温度，回到步骤S32。

需要注意的是，初始解的选择会对算法的优化效果起很大的影响作用，需要根据实际场景选择合适的初始解策略。

本问题提出的补货策略，分别考虑了随机补货的思想、货品需求率的大小，同时考虑了归位距离的远近。现有技术中补货策略都只是单一考虑了某一个可能影响补货效率的因素，求得初步可行解，但并不是最优解，所以需要模拟退火算法来优化该解。所述补货策略包括六种补货策略，分别为：

策略1：货品按需求Q_i降序排序，货架按距离b_k由近及远排序，按顺序在货架上补完货品；

策略2：货品按需求Q_i降序排序，对货品i，货架按库存E_ik由少到多排序后补货，直到货品i补完；

策略3：货品按需求Q_i降序排序，随机选择货架，按顺序在货架上补完货品；

策略4：货架按距离b_k由近及远排序，货品按需求Q_i降序排序，按顺序补满货架；

策略5：货架按距离b_k由近及远排序，对货架k，货品按库存E_ik由少到多排序后补货，直到货架k补满；

策略6：货架按距离b_k由近及远排序，随机选择货品，按顺序补满货架。

可以理解的是，需要结合不同的工作场景，选择合适的初始解策略，进行多轮数值实验，来对算法进行调参，以保证算法的优化效果。工作场景的不同以及订单数据规模的不同会影响算法的优化效果，需要根据实际情况对算法参数或者初始解策略选择进行相应的调整。

在本发明的一种实施例中，进行多轮数值实验包括：采用改变订单数、商品种类数、货架数来进行多组数值实验，调整初始温度、迭代次数等参数，并且使得所求解与模型精确解的差值控制在5％以内。例如，将订单规模由小到大分类，进行数值实验，首先是10个订单、100种货品、10个货架作为一组数据，接着是10个订单，100种货品，20个货架，然后是100个订单，1000种货品，100个货架等等。通过更改订单数、货品种类数、货架数量等因素求得目标函数值，并与精确解对比，来调整算法中的参数，当启发解与精确解差值比例小于5％时，可以明确最终算法参数，并取该值作为最终方案。也就是得到决策变量x_ijk的值，知道将某种货品i往某一货架k上具体补货的数量进行补货操作。例如求得x_ijk＝10，则货品i通过工作站j往货架k上补货10件。

同样一批补货订单，订单数量大概在1000个，分别采用传统的随机补货上架和本申请的方法进行补货，对比可知该方案节省了少量的补货时间，同时物流机器人的运动距离也有所减少，这充分证明了该方案的补货效率。

本申请是通过综合考虑补货效率和未来拣货过程的效率，通过建立数学模型求解，来将每种货品合理地分配到相应的货架上，得出每种货品应该补到哪个货架上以及在相应的货架上该货品补多少量。本发明的创新之处首先在于，突破了传统的补货决策方式。以往在进行补货决策时主要是基于一些补货策略，包括随机补货上架策略和推荐补货上架策略。而本发明将补货决策问题抽象成数学问题，并进行建模求解，为补货决策提供精准的数学指导，提高了补货效率和拣货效率的同时降低了工作成本。本发明的创新之处还在于根据实际问题设计了修复可行性的模拟退火算法，将启发式算法应用到实际业务中，既能降低求解成本，又能提供精确决策。

本申请实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。

本申请实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。

本申请实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。

所述存储介质可以由任何类型的易失性或非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，SynchronousStatic Random Access Memory)、动态随机存取存储器(DRAM，DynamicRandom AccessMemory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic RandomAccessMemory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double DataRateSynchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (4)

1.一种根据补货订单分配货架的方法，其特征在于，包括以下步骤：

S1：确定货到人系统中的业务场景，获取补货订单以及与分配货架相关的参数，所述补货订单中包括需要补货的货品的种类以及数量；

S2：基于补货成本、未来的拣货成本和效率确定补货目标和决策变量，建立分配模型的目标函数；

S3：根据修复可行性的模拟退火算法求出启发解以及求出所述分配模型的精确解；

S4：进行多轮数值实验，将所述启发解与所述精确解对比，进行算法调参，获取补货订单分配货架的补货策略，所述业务场景是所述货到人系统中包括多工作站且所述货品不混放；所述参数包括：货品种类编号集合I、工作站编号集合J、货架点位编号集合K、库存区编号集合P；

货品参数：货品i需要补货的数量Q_i、单个货品i在一个货位上能存放的数量C_i、货品i的需求率λ_i；

距离参数：点位k处货架到补货工作站j的平均距离b_k、库存区p到补货工作区的平均距离d_p、库存区p到拣货工作区的平均距离l_p；

货架参数：点位k处货架上的货位数a_k、点位k处货架上货品i已有的库存数量R_ik、关于R_ik的惩罚参数E_ik、点位k是否在库存区p的参数m_kp；

库区参数：库存区p存放的货架的周转率的下限α_p、当前库存区p已有空点位数N_p；

所述补货目标为多目标；

所述多目标包括：往每种货品库存少的货架上补货、补在距离补货工作站近的货架上、归位到离补货工作站近的库存区、归位到离拣货工作站近的库存区，每一部分目标的权重一致；

所述决策变量有5个：货品i是否往点位k处货架上补货u_ik、点位k处货架是否被补货y_k、工作站j往点位k处货架补充货品i的数量x_ijk、补货后点位k处货架上货品i占据的货位数s_ik、点位k处货架补货后是否回到p区域z_kp；

约束条件有四类：货品补货需求量约束、满足货架库存容量约束、补货归位库区容量约束以及变量间的关系约束；

所述分配模型的目标函数为：

其中，往每种所述货品库存少的货架上补货对应∑_i∈I∑_k∈KE_iku_ik；补在距离补货工作站近的货架上对应∑_k∈Kb_ky_k；尽量归位到离补货工作站近的库存区对应∑_p∈P∑_k∈Kd_pz_kp；尽量归位到离拣货工作站近的库存区对应∑_p∈P∑_k∈Kl_pz_kp；

约束条件：所述货品补货需求量约束：

所述货架库存容量约束：

所述补货归位库区容量约束：

变量之间的关系约束：

修复可行性的模拟退火算法包括如下步骤：

S31：根据不同的补货策略产生可行解，选取所述分配模型的目标函数的函数值最小的作为初始解；

S32：设置模拟退火的初始温度；

S33：随机选择补货到货架k上的货品i，将其转移到补了货品i的货架k`上，其中，0/1变量u_ik＝1，0/1变量u_ik′＝1；

若货架上剩余库位不够补完，则进行可行性修复操作，将未补完的部分货品补到有补货任务但没有补过货品i并且有剩余空间的货架上，如果还不能补完，则更新禁忌表，进行回滚操作，重新选择货品i和货架k；

S34：更新可行解，计算两次目标函数的差值，如果目标函数值更优则接受可行解，同时以一定的概率接受劣解；

S35：达到迭代终止条件则结束；否则降低温度，回到步骤S32。

2.如权利要求1所述的根据补货订单分配货架的方法，其特征在于，所述补货策略包括六种补货策略，分别为：

策略1：货品按需求Q_i降序排序，货架按距离b_k由近及远排序，按顺序在货架上补完货品；

策略2：货品按需求Q_i降序排序，对货品i，货架按库存E_ik由少到多排序后补货，直到货品i补完；

策略3：货品按需求Q_i降序排序，随机选择货架，按顺序在货架上补完货品；

策略4：货架按距离b_k由近及远排序，货品按需求Q_i降序排序，按顺序补满货架；

策略5：货架按距离b_k由近及远排序，对货架k，货品按库存E_ik由少到多排序后补货，直到货架k补满；

策略6：货架按距离b_k由近及远排序，随机选择货品，按顺序补满货架。

3.如权利要求1或2所述的根据补货订单分配货架的方法，其特征在于，进行多轮数值实验包括：采用改变订单数、商品种类数、货架数来进行多组数值实验，调整初始温度、迭代次数，并且使得所求解与模型精确解的差值控制在5％以内。

4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一所述方法的步骤。

Images