CN111815040B - 一种用于智能仓库的订单处理和货架指派方法 - Google Patents
一种用于智能仓库的订单处理和货架指派方法 Download PDFInfo
- Publication number
- CN111815040B CN111815040B CN202010597864.1A CN202010597864A CN111815040B CN 111815040 B CN111815040 B CN 111815040B CN 202010597864 A CN202010597864 A CN 202010597864A CN 111815040 B CN111815040 B CN 111815040B
- Authority
- CN
- China
- Prior art keywords
- goods
- order
- matrix
- shelf
- orders
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
Abstract
本发明公开了一种用于智能仓库的订单处理和货架指派方法,采用订单聚合策略和货架指派策略结合的方式,综合考虑每种策略的最优性和两种策略的耦合性,为智能仓库的拣选作业做出了合理且快速的调度方案,打破了单一策略的局限,有效提高了拣选作业的效率,本发明能够在实际的仓储环境条件下,面向订单数量多、包含货物种类广、仓内货架规模大且货架存储货物数量有限的情况,合理地聚合订单和分配货架,保证货架进站次数尽可能少,提高拣选效率。
Description
技术领域
本发明属于智能仓库技术领域,具体涉及一种用于智能仓库的订单处理和货架指派方法。
背景技术
随着中国物流业的蓬勃发展,用户订单数量飞速增长,订单类型呈多样化。这导致了仓储物流领域中自建仓库的体积也越来越大,仓库内存储的货物种类和数量规模日益增长。在此复杂多变的场景下,传统通过人工对订单中货物进行拣选的模式已经不再适用,智能仓库分拣日趋流行。目前一种常见的货物智能拣选方式是,在仓库拣选区内设置多个订单拣选站,通过仓储搬运机器人将载有货物的货架搬运至指定的拣选站,再由站内拣选人员根据已经被发送到拣选站的订单需求进行货物拣选,作业完成后仓储机器人再将货架搬运离开拣选台。这种拣选方式涉及两种调度策略,订单聚合策略和货架指派策略,其中订单聚合策略是指在订单池中通过结合货架存储货物分布信息对订单进行分批组合并发送到拣选站的策略,货架指派策略是指在货架区内根据拣选站的订单需求信息选择部分货架到拣选站提供货物的策略。在拣选作业任务中,两种策略相互耦合。
相关已有技术中,一些方法将上述两种策略分开独立考虑,如订单只依据到达时间的顺序进行聚合,货架采用就近原则进行指派,由于策略的耦合性,实际中会导致较低的拣选效率和极大的时间成本。另外的方法虽有将两种策略联合考虑,但需要增加额外的约束,如限制货架的移动区域,或者假设货架存储无限多的货物等,导致难以应用于实际生产中。
发明内容
有鉴于此,本发明提供了一种用于智能仓库的订单处理和货架指派方法,能够在实际的仓储环境条件下,面向订单数量多、包含货物种类广、仓内货架规模大且货架存储货物数量有限的情况,合理地聚合订单和分配货架,保证货架进站次数尽可能少,提高拣选效率。
实现本发明的技术方案如下:
一种用于智能仓库的订单处理和货架指派方法,包括以下步骤:
步骤一、将全部订单所需求的货物种类集合与全部货架所存储的货物种类集合执行并集操作,得到货物种类全集S;对订单池内具有的全部待拣选的N个订单的需求货物信息进行编码,建立订单编码矩阵,对货架区内具有的M个储物货架的存储货物信息进行编码,建立货架编码矩阵;
步骤二、定义货物全集中货物的编号为s1,s2,...sS,则货物关系矩阵为GCS×S;所述货物关系矩阵中每个元素的取值GCsl,sc为所有货架中同时存储第sl种货物和第sc种货物的货架总个数(sl,sc∈1,2,...S);
步骤三、定义订单编号为o1,o2,…oN,则订单间的货物得分矩阵为OGN×N;所述货物得分矩阵中每个元素的取值OGol,oc为第ol个订单和第oc个订单间的货物得分,具体为第ol个订单的内货物得分、第oc个订单的内货物得分以及两订单ol和oc间的外货物得分的三者之和(ol,oc∈1,2,...N);
所述内货物得分的计算方法为:给定任意一个订单,初始时内货物得分为0,然后将该订单所需求的货物种类进行两两无重复匹配后,得到内货物匹配对,在步骤二所述的货物关系矩阵中查找这些配对所对应的值并求和,和值即为该订单的内货物得分;
所述外货物得分的计算方法为:给定任意两个订单,初始时订单间的外货物得分为0,然后将两个订单所需求的货物种类分别进行订单间两两交叉无重复匹配后,得到外货物匹配对,在步骤二所述的货物关系矩阵中查找这些货物配对所对应的值并求和,和值即为订单间的外货物得分。
步骤四、基于所述步骤三中订单间的货物得分矩阵,对所述订单池内全部订单采用谱聚类算法分批聚合处理,形成K个拣选站订单组,其中K为拣选站数量;
步骤五、对步骤四得到的每个拣选站内的全部订单,基于步骤一中所述的各订单货物输入信息,将各拣选站内订单中相同的货物进行种类合并数量相加,不同货物种类数量保持不变,生成了各拣选站订单货物总需求;
步骤六、基于步骤五的各拣选站订单货物总需求,指派货架区内货架与拣选站绑定,形成货架指派矩阵并计算货架进站总次数;
步骤七、执行订单交换操作,计算并存储交换后得到的最小货架进站总次数Rwcop、拣选站订单组和货架指派矩阵RW;
步骤八、设置最大迭代次数Itermax,重复执行步骤四-七,每执行一轮,Itermax=Itermax-1,直至Itermax等于0停止,选择Rwcop最小的一轮,输出该轮中各拣选站订单组和RW指派矩阵,形成包含订单编号、拣选站编号和货架编号的调度方案。
进一步地,步骤一中,建立订单编码矩阵,矩阵行表示订单编号,矩阵列表示货物编号,每一个矩阵元素的取值为该元素行坐标所对应的订单需求列坐标所对应的货物种类的数量;同样,建立货架编码矩阵,矩阵行表示货架编号,矩阵列表示货物,每一个矩阵元素的取值为该元素行坐标所对应的货架存储列坐标所对应的货物种类的数量。
进一步地,步骤四具体为:
S401、初始化全零矩阵ODN×N,记为度矩阵;将所述订单间的货物得分矩阵OGN×N通过高斯核函数转换为相似矩阵OAN×N,对OA每一列求和并将和值按列标号依次排列置于度矩阵OD的主对角线上;
S402、构造拉普拉斯矩阵Lap并标准化Lap=I-OD-1/2×OA×OD-1/2,求出Lap矩阵最小Lk个特征值和对应的特征向量V,对特征向量V采用Kmeans算法进行聚类,类别数等于拣选站数量K;
S403、基于聚类结果将全部订单分类,得到类别t1,t2,…tK,定义拣选站编号w1,w2,…wK,随机将所得各订单类别与拣选站进行绑定,并对各订单类别内订单数量执行增删操作,使其与绑定拣选站存放订单容量相等;
将订单类别内包含的订单数量与各拣选站存放订单容量相比,若订单类别内包含的订单数量多于绑定拣选站存放订单容量,执行贪婪删除操作;若订单类别内包含的订单数量少于绑定拣选站存放订单容量,执行贪婪补充操作;若得到订单类别内包含的订单数量等于绑定拣选站存放订单容量,不执行操作。
进一步地,步骤S403中,各订单类别内订单数量增删操作中,贪婪删除和贪婪补充操作的具体步骤如下:
a.假设需要执行贪婪删除的类别为td1,td2,…tdP,这些类别分别于与拣选站wd1,wd2,...wdP绑定,tdp(p=1,2,...,P)内具有的订单数量为拣选站wdp的存放订单容量为则计算tdp类别内待删除的订单数量假设需要执行贪婪补充的类别为ta1,ta2,...taQ,这些类别分别于与拣选站wa1,wa2,...waQ绑定,taq(q=1,2,...,Q)内具有的订单数量为拣选站waq的存放订单容量为则计算taq类别内待补充的订单数量
b.执行贪婪删除操作,初始时p=1,基于步骤三中所述订单间货物得分矩阵OG,计算待删除订单类别tdp内每个订单与其它订单间的货物得分,并对所有货物得分求和;
c.将tdp内各订单的货物得分总和按照升序排列,从头向尾依次取出数量为的订单进行移除,移除候剩余的订单即为所述拣选站订单组;移除的订单存放于订单缓存区;若此时p=P,则进入步骤d,否则执行p=p+1,重复步骤b~c;
d.执行贪婪补充操作,初始时q=1;基于步骤三中所述订单间货物得分矩阵OG,计算订单缓存区中每个订单与待补充订单类别taq内所有订单的货物得分并求和,取出得分最高的订单补充至订单类别taq中,然后将该订单从订单缓存区中移除;
f.若此时已经满足q>Q,则结束,否则重复步骤d~e。
进一步地,所述步骤六具体为:
S601、定义货架编号为r1,r2,...rM,建立货架指派矩阵RWM×K,若货架rl被指派到拣选站wk提供货物,所述货架指派矩阵中元素RWrl,wk取值为1,否则取值为0,其中rl∈1,2,...M,wk∈1,2,...K;初始化时RW为全零矩阵;
S602、建立分配方案矩阵ARMK×2,其中分配方案矩阵AR共有M×K行,2列;在所述分配方案矩阵中每一行都存储一个(货架编号,拣选站编号)指派分配组合(rl,wk),其中rl∈1,2,...M,wk∈1,2,...K;
S603、对所述分配方案矩阵AR进行可行性分析:初始时令count_rw=1,若AR中第count_rw行所表示的分配组合(rl,wk)满足RWrl,wk=1,则从AR中删除该行所对应的分配组合,执行count_rw=count_rw+1,重复上述操作,否则进入S604;
S604、基于步骤一中所述各货架货物输入信息和步骤四中所述各拣选站订单货物总需求,求取货架rl存储的货物种类集合与拣选站wk需求的货物种类集合的交集,若交集为空,则在AR中删除该行所对应的分配组合,否则将该组合存入可行分配方案矩阵FAR中;执行count_rw=count_rw+1,若满足count_rw>M×K,则进入步骤S605;重复步骤S603~S604;
S605、记得到的可行分配方案矩阵FAR中共有F组可行分配方案。对FAR中的每一组可行分配组合,首先计算该组合的货物满足得分Gscore,所述Gscore是指可行分配组合中的货架能够为可行分配组合中的拣选站货物需求提供的货物总数量,然后根据各组货物满足得分选出当前最佳分配方案,并更新货架存储货物和各拣选站订单货物总需求信息;
S606、计算当前各拣选站订单货物总需求中所有货物的数量和,判断是否为0,若为0则计算所述货架指派矩阵RW中全部元素之和,记为货架进站总次数Rwc,否则继续重复步骤S602-S605。
进一步地,所述S605中所述的可行分配组合的货物满足得分计算、最佳分配方案选择以及货物信息更新操作的具体步骤如下:
a.初始时令count_f=1,对可行分配方案矩阵FAR中第count_f行所表示的可行分配组合(rlf,wkf),初始化货物满足得分Gscore=0,对所述S604中货架rlf存储的货物种类集合与拣选站wkf需求的货物种类集合的交集中的每一种货物s,记s在货架rlf和拣选站wkf中的数量分别为rlfs和wkfs,均执行Gscore=Gscore+min(rlfs,wkfs);
b.执行count_f=count_f+1,若满足count_f>F,则进入步骤c,否则重复执行步骤a;
d.基于当前选出的最佳分配方案(rlfbest,wkfbest),对所述S604货架rlfbest存储的货物种类集合与拣选站wkfbest需求的货物种类集合的交集中的每一种货物s,若货物数量则货架rlfbest存储的s货物数量减去拣选站wkfbest需求的s货物数量,同时将拣选站wkfbest中需求的s货物数量置零;若货物数量则将货架rlfbest存储的s货物数量置零,同时拣选站wkfbest需求的s货物数量减去货架rlfbest存储的s货物数量。
进一步地,所述S605最佳分配方案选择操作步骤c中,若降序排列后,货物满足得分最高的分配组合数超过一个,则进一步比较这些可行分配组合中,货架rlf存储的货物种类集合与拣选站wkf需求的货物种类集合的交集中的元素个数,货物种类交集个数最多者被选出作为最佳分配方案,若此时被选中的可行分配组合数量仍超过一个,则在其中随机选择一个可行分配组合作为当前最佳分配方案。
进一步地,所述步骤七的具体步骤如下:
a、设置最大交换次数Swapmax,初始化计数器iterswap=1;
b、对于全部拣选站w1,w2,…wK,首先分别在每个拣选站中随机选出1个订单,然后初始化k=1,循环执行以下操作wk→wk+1直到k=K-1时停止,再执行操作wK→w1;其中所述的wk→wk+1操作是指将拣选站wk中随机选出的1个订单放入拣选站wk+1中,然后将这1个订单从拣选站wk中删除;
c、采用步骤五中的方法,计算交换后各拣选站的订单货物总需求,并采用步骤六中的方法计算货架进站总次数Rwcswap;判断Rwcswap<Rwcop是否成立,若成立则将Rwcswap的值赋给Rwcop,并存储交换后的各拣选站订单组和RW指派矩阵,然后重复步骤b;否则执行iterswap=iterswap+1,并进入步骤d;
d、判断iterswap>Swapmax是否成立,若成立则进入步骤八,否则重复步骤b~c。
有益效果:
第一、本发明从实际出发,采用订单聚合策略和货架指派策略结合的方式,综合考虑每种策略的最优性和两种策略的耦合性,为智能仓库的拣选作业做出了合理且快速的调度方案,打破了单一策略的局限,有效提高了拣选作业的效率。
第二、本发明订单聚合策略中,采用订单间货物得分矩阵和谱聚类算法相结合的方式,既考虑了货架存储货物的信息,又能提高聚类效果,降低聚类算法产生的计算量,特别地,即使在订单编码矩阵非常稀疏时,仍有很好的聚类效果。
第三、本发明订单聚合策略中,采用订单循环交换策略对聚类结果进一步优化,有效地提高了解的质量。
第四、本发明中的货架指派策略整体考虑站内订单需求与全部货架的组合情况,能在在多拣选站中选择最佳指派组合,减少货架进站次数;本发明采用订单循环交换策略对聚类结果进一步优化。
第五、本发明提供的订单处理和货架调度方法,不仅适用于仓储行业内各类仓库的拣选作业,还适用于可抽象为集合覆盖问题的各类复杂场景,如移动云计算资源分配、作战火力分配等,在军事和民用领域有着广泛的应用。
附图说明
图1为订单处理和货架调度完整算法流程图。
图2为订单信息示意图。
图3为货架信息示意图。
图4为拣选站信息示意图。
图5为订单进行分批聚合处理算法流程图。
图6为订单类别归类算法流程图。
图7为删除操作算法流程图。
图8为补充操作算法流程图。
图9为货架指派策略算法流程图。
图10为订单交换策略算法流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种用于智能仓库的订单处理和货架指派方法,如图1所示,本发明包括以下步骤:
步骤1:输入智能仓储各类对象的数据信息,具体包括:订单信息、货架信息和拣选站信息;如图2所示,所述订单信息是指订单池内具有的待拣选的订单数量N和每个订单的需求货物信息,定义订单池内全部订单编号为o1,o2,…oN,第i个订单需求ni种货物,定义为所需每种货物的数量为如图3所示,所述货架信息是指货架区内具有的储物货架数量M和每个货架上的存储货物信息,定义货架区内全部货架编号为r1,r2,…rM,第j个货架具有mj种货物,定义为所储每种货物的数量为如图4所示,所述拣选站信息是指在智能仓库拣选区内设置拣选站的数量K和拣选站的存放订单容量;所述的拣选站存放订单容量是指拣选作业时,每个拣选站能够存放的最大订单数量,定义全部拣选站编号为w1,w2,…wK,第k个货架存放订单容量为
步骤2:建立货物信息编码,具体为:
将全部订单所需求的货物种类集合与全部货架所存储的货物种类集合执行并集操作,得到货物种类全集G。
为方便表示,记全部货物编号为s1,s2,...sS。建立订单编码矩阵O,其中行表示订单编号,列表示货物编号,每一个矩阵元素O(i,ni)的取值为表示该元素行坐标所对应的订单oi需求列坐标所对应的货物种类的数量;同样,建立货架编码矩阵R,其中行表示货架编号,列表示货物编号,每一个矩阵元素R(j,mj)的取值为表示该元素行坐标所对应的货架rj存储列坐标所对应的货物种类的数量。
步骤3:计算货物关系矩阵,具体为:
定义货物关系矩阵为GCS×S,初始化时矩阵中每个元素都为零。对于矩阵中的每个元素GC(sf,sl),计算方法如下,
步骤4:计算订单间的货物得分矩阵OGN×N,具体方法为:
步骤5:基于订单间货物得分矩阵OGN×N,对步骤1中所述订单池内全部订单采用谱聚类算法分批聚合,形成数量等于拣选站数量K的拣选站订单组,如图5所示,具体为:
S501、初始化全零矩阵ODN×N,记为度矩阵。将所述订单间的货物得分矩阵OGN×N通过高斯核函数转换为相似矩阵OAN×N,对OA每一列求和并将和值按列标号依次排列置于度矩阵OD的主对角线上;
S502、构造拉普拉斯矩阵Lap并标准化Lap=I-OD-1/2×OA×OD-1/2,求出Lap矩阵最小Lk个特征值和对应的特征向量V,对特征向量V采用Kmeans算法进行聚类,类别数等于拣选站数量K。
S503、基于聚类结果将全部订单分类,得到类别t1,t2,…tK,定义拣选站编号w1,w2,…wK,随机将所得各订单类别与拣选站进行绑定,并对各订单类别内订单数量执行增删操作,使其与绑定拣选站存放订单容量相等。对于每个订单类别tk,假设该类别与拣选站wk绑定,tk内具有的订单数量为Ct,拣选站wk的存放订单容量为
S504、如图6所示,比较每一个与对应的若两者相等,则不执行数量操作,tk类别内订单即为分配给拣选站wk的订单组若则存入待删除类别组Tmore中;若则存入待补充类别组Tlittle中;然后继续判断下一类别,直至遍历全部类别。
S505、如图7所示,对于待删除类别组Tmore中的类别,定义各类别编号为为td1,td2,...tdP,这些类别分别于与拣选站wd1,wd2,...wdP绑定,tdp(p=1,2,...,P)内具有的订单数量为拣选站wdp的存放订单容量为则计算tdp类别内待删除的订单数量
S507、将tdp内各订单的货物得分总和按照升序排列,从头向尾依次取出数量为的订单进行移除,移除候剩余的订单即为所述拣选站订单组;移除的订单存放于订单缓存区;若此时p=P,则进入步骤S508,否则执行p=p+1,重复步骤S506~S507;
S508、如图8所示,对于待补充类别组Tlittle中的类别,定义各类别编号为ta1,ta2,...taQ,这些类别分别于与拣选站wa1,wa2,...waQ绑定,taq(q=1,2,...,Q)内具有的订单数量为拣选站waq的存放订单容量为则计算taq类别内待补充的订单数量定义一维已补充数量向量hcAdd=[hcaq]1×Q,其中hcaq表示taq类别内已经补充的订单数量,初始化时hcAdd为全零向量。
S511、若此时已经满足q>Q,则进入步骤6,否则重复步骤S509~S510。
步骤6:计算各拣选站订单货物总需求:对每个拣选站wk的全部站内订单基于步骤1中所述的各订单货物输入信息,将订单具有的相同货物种类合并数量相加,不同货物种类数量保持不变,生成拣选站订单货物总需求记中包含需求货物编号对应的货物数量为
步骤7:基于各拣选站订单货物总需求,指派货架区内货架与拣选站绑定,形成货架指派矩阵,如图9所示,具体包括以下步骤:
S701、建立货架指派矩阵RWM×K,建立货架指派矩阵RWM×K,若货架rl被指派到拣选站wk提供货物,所述货架指派矩阵中元素RWrl,wk取值为1,否则取值为0,其中rl∈1,2,…M,wk∈1,2,…K;初始化时RW为全零矩阵;
S702、建立分配方案矩阵ARMK×2,其中分配方案矩阵AR共有M×K行,2列;在所述分配方案矩阵中每一行都存储一个(货架编号,拣选站编号)指派分配组合(rl,wk),其中rl∈1,2,…M,wk∈1,2,…K;
S703、对所述分配方案矩阵AR进行可行性分析:初始时令count_rw=1,若AR中第count_rw行所表示的分配组合(rl,wk)满足RWrl,wk=1,则从AR中删除该行所对应的分配组合,执行count_rw=count_rw+1,重复上述操作,否则进入S704。
S704、基于步骤1中所述各货架货物输入信息和步骤6中所述各拣选站订单货物总需求,求取货架rl存储的货物种类集合与拣选站wk需求的货物种类集合的交集,
若则在AR中删除该行所对应的分配组合,否则将该组合存入可行分配方案矩阵FAR中;执行count_rw=count_rw+1,若满足count_rw>M×K,则进入步骤S705;重复步骤S703~S704;
S705、记得到的可行分配方案矩阵FAR中共有F组可行分配方案。初始时令count_f=1,对可行分配方案矩阵FAR中第count_f行所表示的可行分配组合(rlf,wkf),初始化货物满足得分Gscore=0,对所述S704中货架rlf存储的货物种类集合与拣选站wkf需求的货物种类集合的交集中的每一种货物s,记s在货架rlf和拣选站wkf中的数量分别为rlfs和wkfs,均执行Gscore=Gscore+min(rlfs,wkfs);
S706、执行count_f=count_f+1,若满足count_f>F,则进入步骤S707,否则重复执行步骤S705;
S707、将各可行分配组合货物满足得分按照降序排列;选出当前得分最高的(rlf,wkf)分配组合作为当前最佳分配方案(rlfbest,wkfbest),并在所述货架指派矩阵RW中将对应的元素值置为1,即
S708、基于当前选出的最佳分配方案(rlfbest,wkfbest),对所述S704货架rlfbest存储的货物种类集合与拣选站wkfbest需求的货物种类集合的交集中的每一种货物s,若货物数量则货架rlfbest存储的s货物数量减去拣选站wkfbest需求的s货物数量,同时将拣选站wkfbest中需求的s货物数量置零;若货物数量则将货架rlfbest存储的s货物数量置零,同时拣选站wkfbest需求的s货物数量减去货架rlfbest存储的s货物数量。
S709、计算当前各拣选站订单货物总需求中所有货物的数量和,判断是否为0,若为0,则计算RW矩阵全部元素之和,记为货架进站次数Countrw,否则重复步骤S702-S708。
步骤8:执行订单交换操作,对拣选站内的订单进行随机交换,并计算交换后订单组对应的最小货架进站总次数,如图10所示,具体步骤如下:
S801、设置最大交换次数Swapmax,初始化计数器iterswap=1;
S802、对于全部拣选站w1,w2,…wK,首先分别在每个拣选站中随机选出1个订单,然后初始化k=1,循环执行以下操作wk→wk+1直到k=K-1时停止,再执行操作wK→w1;其中所述的wk→wk+1操作是指将拣选站wk中随机选出的1个订单放入拣选站wk+1中,然后将这1个订单从拣选站wk中删除;
S803、采用步骤6中的方法,计算交换后各拣选站订单货物总需求,并采用步骤7中的方法计算货架进站总次数Rwcswap;判断Rwcswap<Rwcop是否成立,若成立则将Rwcswap的值赋给Rwcop,并存储交换后的各拣选站订单组和RW指派矩阵,然后重复步骤S802;否则执行iterswap=iterswap+1,并进入步骤S804;
S804、判断iterswap≤Swapmax是否成立,若成立重复步骤S802~S803,否则记Countrw为Countop,存储当前得到的Countop和对应的各拣选站订单组以及RW指派矩阵,进入步骤9。
步骤9:设置最大迭代次数Itermax,重复执行步骤4-8,每执行一轮,Itermax=Itermax-1,直至Itermax等于0停止,选择Rwcop最小的一轮,输出该轮中各拣选站订单组和RW指派矩阵,形成包含订单编号、拣选站编号和货架编号的调度方案。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (8)
1.一种用于智能仓库的订单处理和货架指派方法,其特征在于,包括以下步骤:
步骤一、将全部订单所需求的货物种类集合与全部货架所存储的货物种类集合执行并集操作,得到货物种类全集S;对订单池内具有的全部待拣选的N个订单的需求货物信息进行编码,得到各订单编码后的需求货物信息,建立订单编码矩阵,对货架区内具有的M个储物货架的存储货物信息进行编码,建立货架编码矩阵;
步骤二、定义货物种类全集S中货物的编号为s1,s2,...sS,则货物关系矩阵为GCS×S;所述货物关系矩阵中每个元素的取值GCsl,sc为所有货架中同时存储第sl种货物和第sc种货物的货架总个数(sl,sc∈1,2,...S);
步骤三、定义订单编号为o1,o2,…oN,则订单间的货物得分矩阵为OGN×N;所述货物得分矩阵中每个元素的取值OGol,oc为第ol个订单和第oc个订单间的货物得分,具体为第ol个订单的内货物得分、第oc个订单的内货物得分以及两订单ol和oc间的外货物得分的三者之和(ol,oc∈1,2,...N);
所述内货物得分的计算方法为:给定任意一个订单,初始时内货物得分为0,然后将该订单所需求的货物种类进行两两无重复匹配后,得到内货物匹配对,在步骤二所述的货物关系矩阵中查找这些内货物匹配对所对应的值并求和,和值即为该订单的内货物得分;
所述外货物得分的计算方法为:给定任意两个订单,初始时订单间的外货物得分为0,然后将两个订单所需求的货物种类分别进行订单间两两交叉无重复匹配后,得到外货物匹配对,在步骤二所述的货物关系矩阵中查找这些外货物匹配对所对应的值并求和,和值即为订单间的外货物得分;
步骤四、基于所述步骤三中订单间的货物得分矩阵,对所述订单池内全部订单采用谱聚类算法分批聚合处理,形成K个拣选站订单组,其中K为拣选站数量;
步骤五、对步骤四得到的每个拣选站内的全部订单,基于步骤一中所述的各订单编码后的需求货物信息,将各拣选站内订单中相同的货物进行种类合并数量相加,不同货物种类数量保持不变,生成各拣选站订单货物总需求;
步骤六、基于步骤五的各拣选站订单货物总需求,指派货架区内货架与拣选站绑定,形成货架指派矩阵并计算货架进站总次数;
步骤七、执行订单交换操作,计算并存储交换后得到的最小货架进站总次数Rwcop、拣选站订单组和货架指派矩阵;
步骤八、设置最大迭代次数Itermax,重复执行步骤四-七,每执行一轮,Itermax=Itermax-1,直至Itermax等于0停止,选择Rwcop最小的一轮,输出该轮中各拣选站订单组和货架指派矩阵,形成包含订单编号、拣选站编号和货架编号的调度方案。
2.如权利要求1所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,步骤一中,建立订单编码矩阵,矩阵行表示订单编号,矩阵列表示货物种类编号,每一个矩阵元素的取值为该元素行坐标所对应的订单需求列坐标所对应的货物种类的数量;同样,建立货架编码矩阵,矩阵行表示货架编号,矩阵列表示货物种类编号,每一个矩阵元素的取值为该元素行坐标所对应的货架存储列坐标所对应的货物种类的数量。
3.如权利要求1所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,步骤四具体为:
S401、初始化全零矩阵ODN×N,记为度矩阵;将所述订单间的货物得分矩阵OGN×N通过高斯核函数转换为相似矩阵OAN×N,对OAN×N每一列求和并将和值按列标号依次排列置于度矩阵OD的主对角线上;
S402、构造拉普拉斯矩阵Lap并标准化Lap=I-OD-1/2×OA×OD-1/2,求出Lap矩阵最小Lk个特征值和对应的特征向量V,对特征向量V采用Kmeans算法进行聚类,类别数等于拣选站数量K;
S403、基于聚类结果将全部订单分类,得到类别t1,t2,…tK,定义拣选站编号w1,w2,…wK,随机将所得各订单类别与拣选站进行绑定,并对各订单类别内订单数量执行增删操作,使其与绑定拣选站存放订单容量相等;
将订单类别内包含的订单数量与各拣选站存放订单容量相比,若订单类别内包含的订单数量多于绑定拣选站存放订单容量,执行贪婪删除操作;若订单类别内包含的订单数量少于绑定拣选站存放订单容量,执行贪婪补充操作;若得到订单类别内包含的订单数量等于绑定拣选站存放订单容量,不执行操作。
4.如权利要求3所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,步骤S403中,各订单类别内订单数量增删操作中,贪婪删除和贪婪补充操作的具体步骤如下:
a.假设需要执行贪婪删除的类别为td1,td2,...tdP,这些类别分别与拣选站wd1,wd2,...wdP绑定,tdp(p=1,2,...,P)内具有的订单数量为拣选站wdp的存放订单容量为则计算tdp类别内待删除的订单数量假设需要执行贪婪补充的类别为ta1,ta2,...taQ,这些类别分别于与拣选站wa1,wa2,...waQ绑定,taq(q=1,2,...,Q)内具有的订单数量为拣选站waq的存放订单容量为则计算taq类别内待补充的订单数量
b.执行贪婪删除操作,初始时p=1,基于步骤三中所述订单间货物得分矩阵OG,计算待删除订单类别tdp内每个订单与其它订单间的货物得分,并对所有货物得分求和;
c.将tdp内各订单的货物得分总和按照升序排列,从头向尾依次取出数量为的订单进行移除,移除后剩余的订单即为所述拣选站订单组;移除的订单存放于订单缓存区;若此时p=P,则进入步骤d,否则执行p=p+1,重复步骤b~c;
d.执行贪婪补充操作,初始时q=1;基于步骤三中所述订单间货物得分矩阵OG,计算订单缓存区中每个订单与待补充订单类别taq内所有订单的货物得分并求和,取出得分最高的订单补充至订单类别taq中,然后将该订单从订单缓存区中移除;
f.若此时已经满足q>Q,则结束,否则重复步骤d~e。
5.如权利要求1所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,所述步骤六具体为:
S601、定义货架编号为r1,r2,...rM,建立货架指派矩阵RWM×K,若货架rl被指派到拣选站wk提供货物,所述货架指派矩阵中元素RWrl,wk取值为1,否则取值为0,其中rl∈1,2,...M,wk∈1,2,...K;初始化时RWM×K为全零矩阵;
S602、建立分配方案矩阵ARMK×2,其中分配方案矩阵ARMK×2共有M×K行,2列;在所述分配方案矩阵中每一行都存储一个(货架编号,拣选站编号)指派分配组合(rl,wk),其中rl∈1,2,...M,wk∈1,2,...K;
S603、对所述分配方案矩阵ARMK×2进行可行性分析:初始时令count_rw=1,若ARMK×2中第count_rw行所表示的分配组合(rl,wk)满足RWrl,wk=1,则从ARMK×2中删除该行所对应的分配组合,执行count_rw=count_rw+1,重复上述操作,否则进入S604;
S604、基于步骤一中所述各货架货物输入信息和步骤四中所述各拣选站订单货物总需求,求取货架rl存储的货物种类集合与拣选站wk需求的货物种类集合的交集,若交集为空,则在ARMK×2中删除该行所对应的分配组合,否则将该组合存入可行分配方案矩阵FAR中;执行count_rw=count_rw+1,若满足count_rw>M×K,则进入步骤S605;重复步骤S603~S604;
S605、记得到的可行分配方案矩阵FAR中共有F组可行分配方案,对FAR中的每一组可行分配组合,首先计算该组合的货物满足得分Gscore,所述Gscore是指可行分配组合中的货架能够为可行分配组合中的拣选站货物需求提供的货物总数量,然后根据各组货物满足得分选出当前最佳分配方案,并更新货架存储货物和各拣选站订单货物总需求信息;
S606、计算当前各拣选站订单货物总需求中所有货物的数量和,判断是否为0,若为0则计算所述货架指派矩阵RWM×K中全部元素之和,记为货架进站总次数Rwc,否则继续重复步骤S602-S605。
6.如权利要求5所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,所述S605中所述的可行分配组合的货物满足得分计算、最佳分配方案选择以及货物信息更新操作的具体步骤如下:
a.初始时令count_f=1,对可行分配方案矩阵FAR中第count_f行所表示的可行分配组合(rlf,wkf),初始化货物满足得分Gscore=0,对所述S604中货架rlf存储的货物种类集合与拣选站wkf需求的货物种类集合的交集中的每一种货物s,记s在货架rlf和拣选站wkf中的数量分别为rlfs和wkfs,均执行Gscore=Gscore+min(rlfs,wkfs);
b.执行count_f=count_f+1,若满足count_f>F,则进入步骤c,否则重复执行步骤a;
c.将各可行分配组合货物满足得分按照降序排列;选出当前得分最高的(rlf,wkf)分配组合作为当前最佳分配方案(rlfbest,wkfbest),并在所述货架指派矩阵RWM×K中将对应的元素值置为1,即
7.如权利要求6所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,所述S605最佳分配方案选择操作步骤c中,若降序排列后,货物满足得分最高的分配组合数超过一个,则进一步比较这些可行分配组合中,货架rlf存储的货物种类集合与拣选站wkf需求的货物种类集合的交集中的元素个数,货物种类交集个数最多者被选出作为最佳分配方案,若此时被选中的可行分配组合数量仍超过一个,则在其中随机选择一个可行分配组合作为当前最佳分配方案。
8.如权利要求1所述的一种用于智能仓库的订单处理和货架指派方法,其特征在于,所述步骤七的具体步骤如下:
a、设置最大交换次数Swapmax,初始化计数器iterswap=1;
b、对于全部拣选站w1,w2,…wK,首先分别在每个拣选站中随机选出1个订单,然后初始化k=1,循环执行以下操作wk→wk+1直到k=K-1时停止,再执行操作wK→w1;其中所述的wk→wk+1操作是指将拣选站wk中随机选出的1个订单放入拣选站wk+1中,然后将这1个订单从拣选站wk中删除;
c、采用步骤五中的方法,计算交换后各拣选站的订单货物总需求,并采用步骤六中的方法计算货架进站总次数Rwcswap;判断Rwcswap<Rwcop是否成立,若成立则将Rwcswap的值赋给Rwcop,并存储交换后的各拣选站订单组和货架指派矩阵RWM×K,然后重复步骤b;否则执行iterswap=iterswap+1,并进入步骤d;
d、判断iterswap>Swapmax是否成立,若成立则进入步骤八,否则重复步骤b~c。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597864.1A CN111815040B (zh) | 2020-06-28 | 2020-06-28 | 一种用于智能仓库的订单处理和货架指派方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597864.1A CN111815040B (zh) | 2020-06-28 | 2020-06-28 | 一种用于智能仓库的订单处理和货架指派方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815040A CN111815040A (zh) | 2020-10-23 |
CN111815040B true CN111815040B (zh) | 2023-04-18 |
Family
ID=72856631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597864.1A Active CN111815040B (zh) | 2020-06-28 | 2020-06-28 | 一种用于智能仓库的订单处理和货架指派方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815040B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130858B (zh) * | 2022-06-27 | 2024-01-26 | 上海聚水潭网络科技有限公司 | 一种基于多目标启发式的订单聚合方法及系统 |
CN116757611B (zh) * | 2023-08-18 | 2023-10-31 | 成都秦川物联网科技股份有限公司 | 智能仓储工业物联网系统及控制方法 |
CN117094648B (zh) * | 2023-10-19 | 2024-01-09 | 安徽领云物联科技有限公司 | 一种基于物联网的仓库可视化管理系统 |
CN117699318B (zh) * | 2024-02-05 | 2024-04-16 | 四川嘉智生态科技有限公司 | 一种货物智能入库装置及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118137A (zh) * | 2018-08-01 | 2019-01-01 | 北京极智嘉科技有限公司 | 一种订单处理方法、装置、服务器及存储介质 |
CN110619471A (zh) * | 2019-09-18 | 2019-12-27 | 北京旷视机器人技术有限公司 | 货架调度方法、装置、电子设备和仓库管理系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3166058A1 (en) * | 2015-11-09 | 2017-05-10 | Dematic Systems GmbH | Method of fulfilling orders in a warehouse with an order fulfillment area |
EP3309725A1 (en) * | 2016-10-15 | 2018-04-18 | The Hi-Tech Robotic Systemz Ltd | Automated warehouse management system |
-
2020
- 2020-06-28 CN CN202010597864.1A patent/CN111815040B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118137A (zh) * | 2018-08-01 | 2019-01-01 | 北京极智嘉科技有限公司 | 一种订单处理方法、装置、服务器及存储介质 |
CN110619471A (zh) * | 2019-09-18 | 2019-12-27 | 北京旷视机器人技术有限公司 | 货架调度方法、装置、电子设备和仓库管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111815040A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815040B (zh) | 一种用于智能仓库的订单处理和货架指派方法 | |
CN105469201B (zh) | 一种物流配送中心作业任务处理与调度的方法 | |
Gupta et al. | Minimizing flow time variance in a single machine system using genetic algorithms | |
Dantzig | Origins of the simplex method | |
US11681982B2 (en) | Automated guided vehicle control and organizing inventory items using stock keeping unit clusters | |
CN108550007A (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
CN108875955A (zh) | 基于参数服务器的梯度提升决策树的实现方法及相关设备 | |
Jiang et al. | Picking-replenishment synchronization for robotic forward-reserve warehouses | |
CN108921464A (zh) | 一种拣货路径生成方法、存储介质及终端设备 | |
CN106372838A (zh) | 一种基于背包算法的库存分拣方法 | |
CN112785132B (zh) | 一种用于智能仓库的多机器人移动货架任务分配方法 | |
CN110457514A (zh) | 一种基于深度哈希的多标签图像检索方法 | |
CN113516293B (zh) | 一种考虑拣货距离与库位离散度的库位分配方法 | |
CN116203959A (zh) | 基于hac算法的机器人路径规划方法及系统 | |
CN113570025A (zh) | 一种基于离散粒子群算法的电商仓储中心货位分配方法 | |
Mutingi et al. | Optimizing order batching in order picking systems: Hybrid grouping genetic algorithm | |
Jia et al. | Weak-restriction bi-objective optimization algorithm for scheduling with rejection on non-identical batch processing machines | |
CN111598510B (zh) | 一种适用于智能仓储系统的订单分批方法 | |
CN116523221A (zh) | 一种智能仓储拣选任务的优化调度方法及系统 | |
KR102009131B1 (ko) | 다중 레이어 가상 물류 공간 관리 시스템 | |
CN112862212B (zh) | 基于改进麻雀搜索算法的多agv调度方法、装置及设备 | |
CN115796411A (zh) | 基于自定义循点聚簇的仓库拣货路径优化方法及系统 | |
CN115112137A (zh) | 路径规划方法、装置、电子设备及可读存储介质 | |
CN115439064B (zh) | 面向订单聚合的拣货路径动态优化方法及系统 | |
CN117875676A (zh) | 订单处理与机器人任务编排的联合调度方法 |
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 |