CN111860953A - 一种智能仓库库位分配系统及方法 - Google Patents
一种智能仓库库位分配系统及方法 Download PDFInfo
- Publication number
- CN111860953A CN111860953A CN202010551735.9A CN202010551735A CN111860953A CN 111860953 A CN111860953 A CN 111860953A CN 202010551735 A CN202010551735 A CN 202010551735A CN 111860953 A CN111860953 A CN 111860953A
- Authority
- CN
- China
- Prior art keywords
- article
- warehouse
- articles
- information
- adjacent
- 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.)
- Granted
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
- 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
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种智能仓库库位分配系统及方法,其包括物流成本影响因子计算单元、物品备货预测单元以及库位分配单元,其中,物流成本影响因子计算单元基于物品信息和仓库信息计算得到若干个物流成本影响因子,物品备货预测单元基于神经网络算法预测各个物品的备货量数据,库位分配单元基于各个物品的备货量数据、若干个物流成本影响因子以及演化算法迭代计算寻找不同库位分配方案下的综合成本,得到最优成本下的库位分配信息;本发明通过研究库位分配方案与物流成本之间的关系,以物流成本的最优化作为研究目的,将多个影响物流成本的因素作为库位分配方案的影响因子,可以在不同的企业中进行推广,在降低企业物流成本方面,具有显著的推广意义。
Description
技术领域
本发明属于智能仓储技术领域,尤其涉及一种智能仓库库位分配系统及方法。
背景技术
近年来随着科学技术的发展,智能仓储、智能物流得到了广泛的研究,传统的仓库“快进快出”的管理模式,已经不适应现代企业的快速发展需求,在追求人员配置的科学化、物流成本的最优化的发展需求下,现有的智能仓储管理模式,依然存在如下几个技术问题:
(1)仓库整体的库位配置依然依赖于人工经验进行规划和调整,且随着仓库物品种类的更新,库位配置的动态调整缺乏科学的考量;现有的库位配置,大部分的分配方案还是仅基于物品周转率的考量,忽略了不同的物品在出货时的内在相关性,影响了出货效率,也不考虑错检作业下给企业带来一定的物流成本损失,通常,错检存在的原因在于相邻库位存放的物品外观相似度较高,考虑到错捡一般是批量发生,如果相邻库位的物品价格差异很大的话,因为错检造成的物流成本损失将不可忽视。
(2)仓库整体的库位配置,与企业的物流成本核算联系不大,一方面,企业的物流成本影响因素是多方面的,仓库库位配置带来的物流成本变化计算繁复且专业,不利于快速推广,另一方面,目前针对库位配置的研究相对较少,不同的企业规模,库位配置优化的研究内容也不同,相关的技术指标没有形成标准化,不同的企业研究侧重点也相应不同;
(3)大部分企业在进行备货时,仅仅考虑企业内部的状况或短期内的订单情况,而忽略对外部环境反馈信息的研究,有时盲目的备货不仅影响仓库的周转效率,也会影响企业的经营利润。
基于以上三点,如何对现有的智能仓储技术进行科学化、标准化的研究,成为了一个不容忽视的技术问题。
发明内容
有鉴于此,本发明提出一种智能仓库库位分配系统及方法,研究库位分配方案与物流成本之间的关系,以物流成本的最优化作为研究目的,将多个影响物流成本的因素作为库位分配方案的影响因子,同时考虑外部环境反馈信息对企业备货量的影响,最终通过现有的演化算法,迭代计算出最优的库位分配方案,相应的技术方案,可以在不同的企业中进行推广,在降低企业物流成本方面,具有显著的推广意义。
本发明提供的一种智能仓库库位分配系统,其特征在于,包括物流成本影响因子计算单元、物品备货预测单元以及库位分配单元,其中,物流成本影响因子计算单元基于物品信息和仓库信息计算得到若干个物流成本影响因子,物品备货预测单元基于神经网络算法预测各个物品的备货量数据,库位分配单元基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的所述若干个物流成本影响因子,并代入物流综合成本的计算公式,取其最小值即得到最优成本下的库位分配方案。
优选地,所述若干个物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,并具体通过仓库管理系统中的物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库计算获得,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息。
优选地,所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据。
优选地,所述物品备货预测单元包括互联网信息搜索与分析模块,所述互联网信息搜索与分析模块搜索各个物品相关的网页信息,计算获得各个物品的互联网评价指数;所述物品备货预测单元基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量。
优选地,所述互联网信息搜索与分析模块包括信息搜索子模块、信息分析子模块以及评分词库,所述信息搜索子模块在互联网中搜索与物品信息数据库中的各个物品相关的网页信息,所述评分词库包括常见的反应客户对物品印象评分的形容词和副词,所述信息分析子模块基于所述评分词库,对所述网页信息进行语义分析,并基于公式计算获得各个物品的互联网评价指数,其中表示第i个形容词的印象评分,表示第i个形容词前的副词的印象评分,参数n表示评分词库中的形容词出现的次数。
进一步地,本发明还提出一种基于上述智能仓库库位分配系统的仓位分配方法,其特征在于,包括如下步骤:
步骤1:从仓库管理系统中获取物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息;
步骤2:在互联网中搜索与物品信息数据库中的各个物品相关的网页信息,基于预设的评分词库,对所述网页信息进行语义分析,并基于公式计算获得各个物品的互联网评价指数,其中表示第i个形容词的印象评分,表示第i个形容词前的副词的印象评分,参数n表示评分词库中的形容词出现的次数;
步骤3:基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量数据;
步骤4:基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的物品在仓库中的物流成本影响因子,所述物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,其中,
所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据。
本发明的有益效果是:
(1)本发明将物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子作为评价库位分配方案合理性的技术指标,以物流成本为优化基础,将不同物品在出库时的内在联系体现其中,考虑了错检作业队物流成本的不利影响,不仅可以提高智能仓库的进出货效率,还可以避免不必要的物流成本,经济效益十分显著。
(2)本发明通过设置互联网信息搜索与分析模块,对不同物品在互联网络上的用户印象评分进行科学分析,将各个物品的互联网评价指数作为预测各个物品备货量的特征参数,使得预测出的物品备货量能够实现智能仓库的高效运转,减小智能仓库管理对企业工作人员的高度依赖,使得企业的物流管理更加科学化。
(3)本发明将现有的多个算法,如神经网络预测算法、演化算法、聚类分群算法应用于库位分配方案的研究中,降低了智能仓储的研究难度,提高了本发明的库位分配方案在不同规模企业的推广价值,具有较为实际的研究价值。
附图说明
图1为本发明的智能仓库库位分配系统的构架图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
图1示出了根据本发明的实施例的智能仓库库位分配系统的构架图。
如图1所示,本发明提供的一种智能仓库库位分配系统,其包括物流成本影响因子计算单元、物品备货预测单元以及库位分配单元,其中,物流成本影响因子计算单元基于物品信息和仓库信息计算得到若干个物流成本影响因子,物品备货预测单元基于神经网络算法预测各个物品的备货量数据,库位分配单元基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的所述若干个物流成本影响因子,并代入物流综合成本的计算公式,取其最小值即得到最优成本下的库位分配方案。
需要指出的是,上述神经网络算法和演化算法,都是现有技术中成熟且应用广泛的数学算法,本发明为了降低上述技术方案在不同企业之间的推广难度,并不对具体的神经网络算法和演化算法作进一步限定,采用常规的算法结构,即可实现上述技术方案,并取得相应的技术效果。
优选的,所述若干个物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,并具体通过仓库管理系统中的物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库计算获得,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息。
需要说明的是,上述物品信息数据库、物品历史消耗数据库、仓库信息数据库,都是常规的仓库管理系统中的数据库,记录的也是常规的仓库管理信息。
优选的,所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据。
同上述神经网络算法、演化算法一样,为了降低上述技术方案在不同企业之间的推广难度,并不对具体的聚类分群算法作进一步限定,采用常规的算法结构,即可实现上述技术方案,并取得相应的技术效果。
优选地,所述物品备货预测单元包括互联网信息搜索与分析模块,所述互联网信息搜索与分析模块搜索各个物品相关的网页信息,计算获得各个物品的互联网评价指数;所述物品备货预测单元基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量。
优选地,所述互联网信息搜索与分析模块包括信息搜索子模块、信息分析子模块以及评分词库,所述信息搜索子模块在互联网中搜索与物品信息数据库中的各个物品相关的网页信息,所述评分词库包括常见的反应客户对物品印象评分的形容词和副词,所述信息分析子模块基于所述评分词库,对所述网页信息进行语义分析,并基于公式计算获得各个物品的互联网评价指数,其中表示第i个形容词的印象评分,表示第i个形容词前的副词的印象评分,参数n表示评分词库中的形容词出现的次数。
需要解释的是,上述评分词库中的形容词或副词,可以如下设计:形容词“好”分值为+5,形容词“不”分值为-1,副词“很”分值为+2等,通过对网页信息进行简单的语义分析,即可得到客户对物品的外部反馈数据。
进一步地,本发明还提供一种基于上述的智能仓库库位分配系统的仓位分配方法,并包括如下步骤:
步骤1:从仓库管理系统中获取物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息;
步骤2:在互联网中搜索与物品信息数据库中的各个物品相关的网页信息,基于预设的评分词库,对所述网页信息进行语义分析,并基于公式计算获得各个物品的互联网评价指数,其中表示第i个形容词的印象评分,表示第i个形容词前的副词的印象评分,参数n表示评分词库中的形容词出现的次数;
步骤3:基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量数据;
步骤4:基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的物品在仓库中的物流成本影响因子,所述物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,其中,
所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据。
上述公式中,参数i和j均表示物品i和j,参数n表示物品的总数。
本领域的技术人员应理解,上述描述及附图中的本发明的实施例只作为举例而不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离原理下,本发明的实施方法可以有任何形式或修改。
Claims (6)
1.一种智能仓库库位分配系统,其特征在于,包括物流成本影响因子计算单元、物品备货预测单元以及库位分配单元,其中,物流成本影响因子计算单元基于物品信息和仓库信息计算得到若干个物流成本影响因子,物品备货预测单元基于神经网络算法预测各个物品的备货量数据,库位分配单元基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的所述若干个物流成本影响因子,并代入物流综合成本的计算公式,取其最小值即得到最优成本下的库位分配方案。
2.根据权利要求1所述的智能仓库库位分配系统,其特征在于,所述若干个物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,并具体通过仓库管理系统中的物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库计算获得,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息。
3.根据权利要求2所述的智能仓库库位分配系统,其特征在于,
所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
基于演化算法产生一组库位分配方案,在某一库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据。
4.根据权利要求1所述的智能仓库库位分配系统,其特征在于,所述物品备货预测单元包括互联网信息搜索与分析模块,所述互联网信息搜索与分析模块搜索各个物品相关的网页信息,计算获得各个物品的互联网评价指数;所述物品备货预测单元基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量。
6.一种基于权利要求1-5任一项所述的智能仓库库位分配系统的仓位分配方法,其特征在于,包括如下步骤:
步骤1:从仓库管理系统中获取物品信息数据库、物品历史消耗数据库、仓库信息数据库三个数据库,其中,
物品信息数据库包括物品名称、编号、存货、售价及文字描述;
物品历史消耗数据库记录物品的历史订单信息;
仓库信息数据库包括库位编号、库位位置、库位容量、库位物品,用以指示物品在不同库位上的分配信息;
步骤2:在互联网中搜索与物品信息数据库中的各个物品相关的网页信息,基于预设的评分词库,对所述网页信息进行语义分析,并基于公式计算获得各个物品的互联网评价指数,其中表示第i个形容词的印象评分,表示第i个形容词前的副词的印象评分,参数n表示评分词库中的形容词出现的次数;
步骤3:基于神经网络算法,结合物品信息数据库以及各个物品的互联网评价指数,预测出各个物品的备货量数据;
步骤4:基于各个物品的备货量数据,利用演化算法获得一组可迭代分析的仓库分配方案,计算不同仓库分配方案下的物品在仓库中的物流成本影响因子,所述物流成本影响因子包括物品周转率、物品间出货相关度、相邻物品外观相似度和相邻物品价格差因子,其中,
所述物品周转率v i 由物品信息数据库和物品历史消耗数据库计算获得,计算公式为物品月消耗量除以物品月平均存货量,其中参数i表示物品i;
所述物品间出货相关度由R i,j 表示,其中参数i,j分别表示物品i和j,根据物品历史消耗数据库中的物品订单信息,找出物品i和j在同一订单中出现的次数,除以所有物品中出现次数最多的次数值,即可获得R i,j 值;
所述相邻物品外观相似度p i 的计算过程如下:
基于聚类分群算法,结合物品信息数据库中各个物品的文字描述,获得各个物品的相邻物品外观相似度指数;
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品,计算各个物品与其相邻库位的物品的相邻物品外观相似度指数插值,即获得该库位分配方案下的相邻物品外观相似度数据;
所述相邻物品价格差因子f i 的计算过程如下:
在当前库位分配方案下,根据仓库信息数据库得到各个库位对应的物品及其建议销售价,计算各个物品的(建议销售价-最小建议销售价)/(最大建议销售价-最小建议销售价),获得各个物品的归一化价格,再计算每个库位的物品与其相邻库位的物品的归一化价格差,即获得所述相邻物品价格差因子f i 数据;
其中,参数i和j均表示物品i和j,参数n表示物品的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551735.9A CN111860953B (zh) | 2020-06-17 | 2020-06-17 | 一种智能仓库库位分配系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010551735.9A CN111860953B (zh) | 2020-06-17 | 2020-06-17 | 一种智能仓库库位分配系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860953A true CN111860953A (zh) | 2020-10-30 |
CN111860953B CN111860953B (zh) | 2022-01-25 |
Family
ID=72986770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010551735.9A Active CN111860953B (zh) | 2020-06-17 | 2020-06-17 | 一种智能仓库库位分配系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860953B (zh) |
Citations (5)
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 |
US20090082902A1 (en) * | 2007-09-24 | 2009-03-26 | International Business Machines Corporation | Warehouse Management System Based on Pick Velocity |
CN107545381A (zh) * | 2016-06-24 | 2018-01-05 | 北京京东尚科信息技术有限公司 | 管理仓库库存的方法和仓库管理系统 |
CN110390501A (zh) * | 2018-04-18 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统及计算机可读介质 |
CN110874670A (zh) * | 2018-08-31 | 2020-03-10 | 财团法人工业技术研究院 | 仓储储位配置系统 |
-
2020
- 2020-06-17 CN CN202010551735.9A patent/CN111860953B/zh active Active
Patent Citations (5)
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 |
US20090082902A1 (en) * | 2007-09-24 | 2009-03-26 | International Business Machines Corporation | Warehouse Management System Based on Pick Velocity |
CN107545381A (zh) * | 2016-06-24 | 2018-01-05 | 北京京东尚科信息技术有限公司 | 管理仓库库存的方法和仓库管理系统 |
CN110390501A (zh) * | 2018-04-18 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 数据处理方法及其系统、计算机系统及计算机可读介质 |
CN110874670A (zh) * | 2018-08-31 | 2020-03-10 | 财团法人工业技术研究院 | 仓储储位配置系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111860953B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chow et al. | Design of a knowledge-based logistics strategy system | |
US7685084B2 (en) | Term expansion using associative matching of labeled term pairs | |
US6078922A (en) | Market research database having historical control designator | |
CN106600302A (zh) | 基于Hadoop的商品推荐系统 | |
Wang et al. | A strategy-oriented operation module for recommender systems in E-commerce | |
CN101477522A (zh) | 收集与分析商业智能数据的系统 | |
CN110874670B (zh) | 仓储储位配置系统 | |
Rezaeinia et al. | Recommender system based on customer segmentation (RSCS) | |
CN114254201A (zh) | 一种科技项目评审专家的推荐方法 | |
KR20210033294A (ko) | 자동보고서생성장치 및 그 동작 방법 | |
Ivanov | The digital marketing with the application of cloud technologies | |
CN111860953B (zh) | 一种智能仓库库位分配系统及方法 | |
CN111275371B (zh) | 数据处理方法、数据处理设备和计算机可读存储介质 | |
CN112183037A (zh) | 一种平行企业财税SaaS系统中数据分类汇总方法及系统 | |
Wu et al. | [Retracted] Using the Mathematical Model on Precision Marketing with Online Transaction Data Computing | |
Yoshida et al. | Extracting attributes and their values from web pages | |
Hung | Using Cloud Services to Develop Marketing Information System Applications | |
Trummer | BABOONS: Black-box optimization of data summaries in natural language | |
Xiao et al. | Analysis of influencing factors and enterprise strategy of online consumer behavior decision based on association rules and mobile computing | |
Mohan et al. | Recommendation system in business intelligence solutions for grocery shops: Challenges and perspective | |
Kunasekaran | Research on E-commerce Customer Loyalty under Big Data | |
US11995110B2 (en) | Systems and methods for candidate database querying | |
TWI828426B (zh) | 利用多面向商品情蒐資訊進行銷售預測之電商輔助系統 | |
US11947551B2 (en) | Automated sampling of query results for training of a query engine | |
CN111695040B (zh) | 一种基于情感标签的时尚品推荐方法、系统及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |