CN112101850B - 核电站备件的货位推荐方法、装置、设备及介质 - Google Patents
核电站备件的货位推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112101850B CN112101850B CN202010801626.8A CN202010801626A CN112101850B CN 112101850 B CN112101850 B CN 112101850B CN 202010801626 A CN202010801626 A CN 202010801626A CN 112101850 B CN112101850 B CN 112101850B
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- goods
- spare part
- cargo space
- power station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000011176 pooling Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及核电站智能仓储领域,本发明公开了一种核电站备件的货位推荐方法、装置、计算机设备及存储介质,接收货位推荐请求,自备件信息中获取核电站备件的备件标识,根据备件标识判断核电站备件是否满足预设的货位推荐要求;若核电站备件满足预设的货位推荐要求,则根据备件信息确定核电站备件的货品属性;获取核电站仓库的总货位信息熵;将核电站备件的货品属性和总货位信息熵输入预设的货位推荐网络模型中,确定核电站备件的货品属性对总货位信息熵的影响程度值;货位推荐网络模型包括卷积神经网络和互信息响应网络;根据影响程度值确定核电站备件的目标推荐货位。本发明提升了核电站备件的货位推荐效率。
Description
技术领域
本发明涉及核电站智能仓储领域,尤其涉及一种核电站备件的货位推荐方法、装置、设备及介质。
背景技术
随着核电站仓储物流业务的发展,在核电站仓库中储备核电站备件的数量越来越大、类别越来越多,且型号规格也越来越多样化,从而导致核电站仓库的容量需不断增加,一些核电站仓库的货位可能多达几万个或者数十万个。因此,为了提升核电站仓库物资储备规范化水平、库容利用率及物资入库作业效率,如何高效的为核电站备件推荐出一个合理的货位是目前亟需解决的技术问题。
发明内容
本发明实施例提供一种核电站备件的货位推荐方法、装置、计算机设备及存储介质,以解决对核电站备件进行货位推荐的效率低问题。
一种核电站备件的货位推荐方法,包括:
接收货位推荐请求,所述货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;
自所述备件信息中获取所述核电站备件的备件标识,根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求;
若所述核电站备件满足预设的货位推荐要求,则根据所述备件信息确定所述核电站备件的货品属性;
获取所述核电站仓库的总货位信息熵,所述总货位信息熵表征了为入库所述核电站仓库的每一个核电站备件推荐货位所需的信息量;
将所述核电站备件的货品属性和所述总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;其中,所述货位推荐网络模型包括卷积神经网络和互信息响应网络;
根据所述影响程度值确定所述核电站备件的目标推荐货位。
一种核电站备件的货位推荐装置,包括:
接收模块,用于接收货位推荐请求,所述货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;
第一判断模块,用于自所述备件信息中获取所述核电站备件的备件标识,根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求;
第一确定模块,用于在所述核电站备件满足预设的货位推荐要求时,根据所述备件信息确定所述核电站备件的货品属性;
第一获取模块,用于获取所述核电站仓库的总货位信息熵,所述总货位信息熵表征了为入库所述核电站仓库的每一个核电站备件推荐货位所需的信息量;
输入模块,用于将所述核电站备件的货品属性和所述总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;其中,所述货位推荐网络模型包括卷积神经网络和互信息响应网络;
第二确定模块,用于根据所述影响程度值确定所述核电站备件的目标推荐货位。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述核电站备件的货位推荐方法。
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上述核电站备件的货位推荐方法。
上述核电站备件的货位推荐方法、装置、计算机设备及存储介质,接收货位推荐请求,货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;自备件信息中获取核电站备件的备件标识,根据备件标识判断核电站备件是否满足预设的货位推荐要求;若核电站备件满足预设的货位推荐要求,则根据备件信息确定核电站备件的货品属性;获取核电站仓库的总货位信息熵,总货位信息熵表征了为入库核电站仓库的每一个核电站备件推荐货位所需的信息量;将核电站备件的货品属性和总货位信息熵输入预设的货位推荐网络模型中,确定核电站备件的货品属性对总货位信息熵的影响程度值;其中,货位推荐网络模型包括卷积神经网络和互信息响应网络;根据影响程度值确定核电站备件的目标推荐货位;通过根据核电站备件的货品属性对总货位信息熵的影响程度值确定货位推荐链路,然后根据货位推荐链路进行货位推荐,在确定以降低货位推荐的计算量,从而提高了核电站备件的货位推荐效率。另外地,在计算核电站备件的货品属性对总货位信息熵的影响程度值时,结合卷积神经网络和互信息响应网络,从而进一步提高了所确定的货品属性对总货位信息熵的影响程度值的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中核电站备件的货位推荐方法的一应用环境示意图;
图2是本发明一实施例中核电站备件的货位推荐方法的一示例图;
图3是本发明一实施例中核电站备件的货位推荐方法的另一示例图;
图4是本发明一实施例中核电站备件的货位推荐方法的另一示例图;
图5是本发明一实施例中核电站备件的货位推荐方法的另一示例图;
图6是本发明一实施例中核电站备件的货位推荐方法的另一示例图;
图7是本发明一实施例中核电站备件的货位推荐方法的另一示例图;
图8是本发明一实施例中核电站备件的货位推荐装置的一原理框图;
图9是本发明一实施例中核电站备件的货位推荐装置的另一原理框图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的核电站备件的货位推荐方法,该核电站备件的货位推荐方法可应用如图1所示的应用环境中。具体地,该核电站备件的货位推荐方法应用在核电站备件的货位推荐系统中,该核电站备件的货位推荐系统包括如图1所示的客户端和仓库服务器,客户端与仓库服务器通过网络进行通信,用于解决对核电站备件进行货位推荐的效率低问题。其中,客户端又称为用户端,是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。仓库服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种核电站备件的货位推荐方法,以该方法应用在图1中的仓库服务器为例进行说明,包括如下步骤:
S10:接收货位推荐请求,货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息。
其中,货位推荐请求是指用于触发对核电站仓库中的核电站备件进行货位推荐的请求。具体地,仓库服务器接收移动扫描终端发送的货位推荐请求。可选地,货位推荐请求可以通过用户在使用移动扫描终端扫描核电站仓库中需要推荐货位的核电站备件的识别码(比如:核电站备件上贴覆的RFID标签)后触发生成,也可以在用户通过移动扫描终端输入核电站仓库中需要推荐货位的核电站备件的的备件标识号后触发生成,亦可以通过核电站仓库中预设位置设置的按钮进行触发。
需要说明的是,核电站备件的识别码和核电站备件的的备件标识号均具有唯一性,可以唯一确定该核电站备件的备件信息。移动扫描终端将生成的货位推荐请求发送至仓库服务器,仓库服务器即可接收货位推荐请求。货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息。其中,备件信息是指与核电站备件的属性相关的信息。例如:备件信息包括但不限定于为以下一种或多种:核电站备件的货主、备件类别、供应商、备件名称和备件尺寸;比如是否为3C备件、核监管备件、其保养要求、上架要求等。
S20:自备件信息中获取核电站备件的备件标识,根据备件标识判断核电站备件是否满足预设的货位推荐要求。
其中,备件标识是指可用于唯一标识该核电站备件的信息。可选地,备件标识可以为备件信息中的其中一项信息,也可以为另外自定义设定的标识信息。例如:备件标识可以为核电站备件的名称或核电站备件的校验码等。需要说明的是,备件标识具有唯一性,即每一核电站备件所对应的备件标识都是唯一确定的。自备件信息中获取核电站备件的备件标识。在一具体实施例中,已预先将每一核电站备件的备件信息与对应的备件标识进行关联,在确定了核电站备件的备件信息之后,可直接根据备件信息中获取该核电站备件的备件标识。
其中,货位推荐要求为预先设定的用于评估核电站备件是否需要进行货位推荐的要求。具体地,根据备件标识判断核电站备件是否满足预设的货位推荐要求。在一具体实施例中,有些核电站备件在核电站仓库中已预先设有对应的原有货位,因此,为了避免为已设有原有货位的核电站备件又重复推荐货位,造成核电站仓库中核电站备件货位的混乱和资源浪费,在本实施例中,需判断核电站备件是否满足预设的货位推荐要求。判断核电站备件是否满足预设的货位推荐要求可以通过将核电站备件的备件标识在预设的核电站货位数据库中进行查询,若根据备件标识在预设的核电站货位数据库中进行查询到该核电站备件对应的原有货位,则表示该核电站备件在核电站仓库中预先已设有对应的原有货位,该核电站备件不满足预设的货位推荐要求。若根据备件标识在预设的核电站货位数据库中没有进行查询到该核电站备件对应的原有货位,则表示该核电站备件在核电站仓库中还不具有货位,该核电站备件满足预设的货位推荐要求。
S30:若核电站备件满足预设的货位推荐要求,则根据备件信息确定核电站备件的货品属性。
具体地,若根据步骤S20确定到核电站备件满足预设的货位推荐要求,则根据备件信息确定核电站备件的货品属性。其中,货品属性是指对核电站备件性质的描述。更准确的说,是对核电站备件的与货位存放有关的性质的描述。核电站备件的与货位存放有关的性质,可以理解为在仓储管理要求对其有特别限定或要求的核电站备件的性质。例如仓储管理要求限定某些货位只能用来存放设定尺寸大小的核电站备件,显然,这是对核电站备件的尺寸大小属性的要求,因此,入库货品的尺寸大小属性即为一种与货位存放有关的性质,属于核电站备件的货品属性。相反的,如果仓储管理要求中对于核电站备件的颜色没有任何要求,则核电站备件的颜色属性不属于货品属性,以利于减少计算量,提高效率。在一具体实施方式中,核电站备件的货品属性包括至少一个属性。例如可以包括备件货主、备件类别、供应商和备件尺寸。
S40:获取核电站仓库的总货位信息熵,总货位信息熵表征了为入库核电站仓库的每一个核电站备件推荐货位所需的信息量。
其中,总货位信息熵用于表征为入库核电站仓库的每一个核电站备件推荐货位所需的信息量。在信息论中,信息熵可以被认为是对不确定性的量度,而不是确定性的量度。因为越随机的信源,其信息熵越大,确定这个信源所需要的信息量就越大。在本实施例中,可用总货位信息熵表征在为入库核电站仓库的每一个核电站备件推荐货位所需的信息量;即总货位信息熵可以用于衡量入库核电站仓库的每一个核电站备件的货品属性对确定货位所贡献的信息量之和。因此,总货位信息熵越大,表明从中确定一个推荐货位所需要的信息量就越大。在一具体实施例中,核电站仓库的总货位信息熵已预先根据核电站仓库所存储的所有核电站备件的备件属性设定好。
S50:将核电站备件的货品属性和总货位信息熵输入预设的货位推荐网络模型中,确定核电站备件的货品属性对总货位信息熵的影响程度值;其中,货位推荐网络模型包括卷积神经网络和互信息响应网络。
其中,货位推荐网络模型是采用卷积神经网络和互信息响应网络训练得到的,用于确定核电站备件的货品属性对总货位信息熵的影响程度值。其中,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)。卷积神经网络包含输入层、卷积层、池化层和全连接层+Softmax(分类网络)。其中,互信息(Mutual Information)是信息论里一种有用的信息度量,它是指两个事件集合之间的相关性。在本实施例中,互信息响应网络为自定义设定的用于计算核电站备件的货品属性与总货位信息熵之间的互信息响应的网络。在本实施例中,互信息响应网络设定在卷积神经网络的Softmax后面的一层,根据Softmax的输出向量计算出二者之间互信息响应值。
具体地,在将核电站备件的货品属性和总货位信息熵输入预设的货位推荐网络模型中之后,货位推荐网络模型的输出层会输出核电站备件的货品属性与总货位信息熵之间的互信息响应,然后通过核电站备件的货品属性对总货位信息熵之间的互信息响应,确定核电站备件的货品属性对总货位信息熵的影响程度值。可以理解地,计算核电站备件的货品属性和总货位信息熵之间的互信息响应是指计算核电站备件的货品属性中的每一维度属性和总货位信息熵之间的相关性。具体地,核电站备件的货品属性中的每一维度属性和总货位信息熵的互信息为I(A,B)=H(A)+H(B)-H(A,B),当A,B互信息I最大时,该维度属性与总货位信息熵之间的相关性最大时。
在一具体实施例中,由于核电站备件的货品属性中包括有至少一个属性,因此,确定的核电站备件的货品属性对总货位信息熵的影响程度值包括核电站备件的货品属性中每一属性对总货位信息熵的影响程度值。
S60:根据所述影响程度值确定核电站备件的目标推荐货位。
其中,一个属性对总货位信息熵的影响程度值反映了该属性对确定推荐货位所贡献出的信息量的多少。因此,一个属性对确定推荐货位所贡献出的信息量越大,该属性越是优选的属性。
具体地,在确定了核电站备件的货品属性中每一属性对总货位信息熵的影响程度值之后,先根据核电站备件的货品属性中每一属性对总货位信息熵的影响程度值,确定货位推荐链路信息;货位推荐链路信息包括在为任意一个核电站备件推荐货位时,该核电站备件的一个或多个属性被选用的顺序。核电站备件的货品属性中每个属性维度对总货位信息熵的影响程度值反映了该属性维度在确定货位中的信息量贡献,因此,越是对确定推荐货位的信息量贡献大的属性,越是优选的属性。因此,在本实施例中,可根据核电站备件的货品属性中的一个或多个属性对总货位信息熵的影响程度值的大小确定货位推荐链路信息。
示例性地,若核电站备件的货品属性包括三个维度的属性:供应商、备件类别和备件尺寸大小,根据步骤S50得到备件尺寸大小属性的影响程度值最大,备件类别属性的影响程度值其次,供应商属性的影响程度值最小,则根据影响程度值确定该核电站备件的货位推荐链路为:尺寸大小→类别→供应商。可以理解地,核电站备件的货品属性中的属性对总货位信息熵的影响程度值越大,该属性在货位推荐链路中的排位越靠前,从而使得依据这样的货位推荐链路可以更快地确定推荐货位,进而可以提高货位推荐效率。进一步地,在确定了核电站备件的货位推荐链路之后,根据货位推荐链路来合理安排货位推荐的逻辑执行过程,从而为该核电站备件计算出一个合适的目标推荐货位。在另一具体实施例中,若核电站备件的货品属性中一些属性维度对总货位信息熵的影响程度值恰好相同,则在确定货位推荐链路时,这些属性维度之间的顺位可以随机安排。
在本实施例中,接收货位推荐请求,货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;自备件信息中获取核电站备件的备件标识,根据备件标识判断核电站备件是否满足预设的货位推荐要求;若核电站备件满足预设的货位推荐要求,则根据备件信息确定核电站备件的货品属性;获取核电站仓库的总货位信息熵,总货位信息熵表征了为入库核电站仓库的每一个核电站备件推荐货位所需的信息量;将核电站备件的货品属性和总货位信息熵输入预设的货位推荐网络模型中,确定核电站备件的货品属性对总货位信息熵的影响程度值;其中,货位推荐网络模型包括卷积神经网络和互信息响应网络;根据影响程度值确定核电站备件的目标推荐货位;通过根据核电站备件的货品属性对总货位信息熵的影响程度值确定货位推荐链路,然后根据货位推荐链路进行货位推荐,在确定以降低货位推荐的计算量,从而提高了核电站备件的货位推荐效率。另外地,在计算核电站备件的货品属性对总货位信息熵的影响程度值时,结合卷积神经网络和互信息响应网络,从而进一步提高了所确定的货品属性对总货位信息熵的影响程度值的准确性。
在一实施例中,如图3所示,根据备件标识判断核电站备件是否满足预设的货位推荐要求,具体包括如下步骤:
S201:将备件标识在预设的核电站货位数据库中进行查询。
其中,核电站货位数据库是指预先设定用于记录已分配货位的核电站备件的备件标识与对应的货位信息的数据库。在核电站货位数据库中记录有若干已分配货位的核电站备件所对应的样本备件标识和对应的记录货位。每一核电站备件的样本备件标识和对应的记录货位是唯一关联的。具体地,在确定了核电站备件的备件标识之后,将该备件标识在预设的核电站货位数据库中进行查询;即将该备件标识与核电站货位数据库中的每一样本备件标识进行匹配,若在核电站货位数据库中匹配到与该备件标识相匹配的样本备件标识,则将与该样本备件标识相关联的记录货位确定为与该核电站备件的原有记录货位;表示在核电站货位数据库中查询到与备件标识相匹配的原有记录货位。若在核电站货位数据库中匹配到与该备件标识相匹配的样本备件标识,则表示在核电站货位数据库中未查询到与备件标识相匹配的原有记录货位。
S202:若在核电站货位数据库中查询到与备件标识相匹配的原有记录货位,则判断核电站备件不满足预设的货位推荐要求,并将原有记录货位确定为核电站备件的目标推荐货位。
S203:若在核电站货位数据库中未查询到与备件标识相匹配的原有记录货位,则判断核电站备件满足预设的货位推荐要求。
具体地,若在核电站货位数据库中查询到与核电站备件的备件标识相匹配的原有记录货位,则判断该核电站备件不满足预设的货位推荐要求,指示该核电站备件为已分配货位。并将该原有记录货位确定为该核电站备件的目标推荐货位。在另一具体实施例中,若在核电站货位数据库中未查询到与备件标识相匹配的原有记录货位,则判断核电站备件满足预设的货位推荐要求,指示该核电站备件需要进行货位推荐。从而避免为已设有原有货位的核电站备件又重复推荐货位,造成核电站仓库中核电站备件货位的混乱和资源浪费。
在本实施例中,将备件标识在预设的核电站货位数据库中进行查询;若在核电站货位数据库中查询到与备件标识相匹配的原有记录货位,则判断核电站备件不满足预设的货位推荐要求,并将原有记录货位确定为核电站备件的目标推荐货位;若在核电站货位数据库中未查询到与备件标识相匹配的原有记录货位,则判断核电站备件满足预设的货位推荐要求;从而避免为已设有原有货位的核电站备件又重复推荐货位,造成核电站仓库中核电站备件货位的混乱和资源浪费。
在一实施例中,如图4所示,在根据核电站备件的货品属性和影响程度值确定核电站备件的目标推荐货位之后,该核电站备件的货位推荐方法,还具体包括如下步骤:
S70:自核电站仓库的电子地图确定目标推荐货位在核电站仓库中的目标位置点。
具体地,在确定了目标推荐货位之后,获取核电站仓库的电子地图,在该电子地图中输入目标推荐货位。在该电子地图中,根据目标推荐货位即可确定该目标推荐货位在核电站仓库中的目标位置点。
在一具体实施例中,为了便于使用和管理,核电站仓库中的每个货位对应一个唯一的货位标识,用于唯一识别该货位。例如目标推荐货位的货位标识为L2-01-03-05,在电子地图中输入目标推荐货位的货位标识之后,电子地图显示屏上即可显示该该目标推荐货位在核电站仓库中的目标位置点。例如:L2可以表示仓库中的货架行号,01可以表示货架号,03可以表示货架层号,05可以表示货位号;因此,L2-01-03-05即为L2货架行中第1个货架的第7层的第5个货位。上述对于货位的划分的货位标识,均可以被标记并存储在核电站仓库的电子地图中。进而,可以通过该电子地图,迅速准确确定核电站备件的最优运输路线。
S80:根据核电站备件的当前位置点和目标位置点,确定核电站备件的运输路线。
S90:根据运输路线,采用传送设备将核电站备件输送至目标推荐货位上。
具体地,在确定了目标推荐货位在核电站仓库中的目标位置点之后,根据核电站备件的当前位置点和目标位置点确定核电站备件的运输路线。具体地,可以通过获取核电站仓库的电子地图,在电子地图中标记当前位置点与目标位置点;电子地图可根据核电站仓库的实际布局和路线,以及结合核电站备件的尺寸大小规划该核电站备件可以通过的通行路径;该通行路径可以根据核电站备件的尺寸确定,核电站备件的尺寸越大,其可以通过的通行路径将越少;然后再自所有通行路径中,确定出自当前存放位置至目标推荐货位在核电站仓库中的货位信息的最近路径,并将最近路径记录为运输路线。最后将该运输路线发送至传送设备,传送设备即可根据该运输路线将核电站备件输送至目标推荐货位上。该实施例中,可以精准确定出最近且可行的运输路线,避免了确定了错误的(比如无法通过)或者绕行的运输路线使得传送设备的行走路径过多,导致的效率底下或者成本增加。
在本实施例中,采用核电站仓库的电子地图确定目标推荐货位在核电站仓库中的目标位置点;根据核电站备件的当前位置点和所述目标位置点,确定核电站备件的运输路线;根据运输路线,采用传送设备将核电站备件输送至目标推荐货位上;可以精准确定出最近且可行的运输路线,避免了确定了错误的(比如无法通过)或者绕行的运输路线使得传送设备的行走路径过多,导致的效率底下或者成本增加。
在一实施例中,如图5所示,将核电站备件的货品属性和预设的总货位信息熵输入预设的货位推荐网络模型中,确定核电站备件的货品属性对总货位信息熵的影响程度值,具体包括如下步骤:
S501:将核电站备件的货品属性和预设的总货位信息熵输入货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,其中,第一特征属性值为核电站备件的货品属性的特征值,第二特征值为总货位信息熵的特征值。
具体地,将核电站备件的货品属性和总货位信息熵分别输入至货位推荐网络模型的卷积神经网络中,核电站备件的货品属性和总货位信息熵从输入层到卷积层进行卷积操作,通过卷积操作可得到核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征,再将核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征输入池化层进行池化操作,得到池化层输出特征;最后将核电站备件的货品属性的池化层输出特征,和总货位信息熵的池化层输出特征输入到全连接层,全连接层通过对核电站备件的货品属性的池化层输出特征和总货位信息熵的池化层输出特征加权求和得到核电站备件的货品属性中每个属性的分数和总货位信息熵中每个属性的分数,最后经过Softmax映射为概率;得到第一特征值和第二特征值,其中,第一特征属性值为核电站备件的货品属性的特征值,第二特征值为总货位信息熵的特征值。
S502:将第一特征值和第二特征值输入货位推荐网络模型的互信息响应网络中,计算第一特征值和第二特征值之间的互信息响应。
具体地,在经过卷积神经网络对核电站备件的货品属性和总货位信息熵进行特征提取,得到第一特征值和第二特征值之后,将第一特征值和第二特征值输入到互信息响应网络中,计算第一特征值和第二特征值之间的互信息响应,从而得到第一特征值和所述第二特征值之间的互信息响应。可以理解地,计算第一特征值和第二特征值之间的互信息响应是指计算第一特征值和第二特征值之间的相关性。需要说明的是,在本实施例中,由于核电站备件的货品属性中包括有至少一个维度的属性,因此,第一特征值中可能包括多个维度的特征值,每一个属性对应一个维度的的特征值。计算第一特征值和第二特征值之间的互信息响应实际是计算第一特征值中每一维度的特征值和第二特征值之间的相关性。具体地,若第一特征值中某一维度的特征值和第二特征值的互信息为I(A,B)=H(A)+H(B)-H(A,B),当A,B互信息I最大时,即该维度特征值所对应的属性与总货位信息熵的相关性最大。
S503:根据第一特征值和第二特征值之间的互信息响应,确定核电站备件的货品属性对总货位信息熵的影响程度值。
具体地,在确定了第一特征值和第二特征值之间的互信息响应之后,根据第一特征值中每一维度的特征值与第二特征值之间的互信息响应,确定核电站备件的货品属性中每一维度属性对总货位信息熵的影响程度值。可以理解地,若核电站备件的货品属性中某一属性对总货位信息熵的影响程度值最小,则说明该属性对确定推荐货位所贡献出的信息量就最小,因此在推荐货位时,其只能作为最后被选用的属性。
在本实施例中,将核电站备件的货品属性和预设的总货位信息熵输入货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,其中,第一特征属性值为核电站备件的货品属性的特征值,第二特征值为总货位信息熵的特征值;将第一特征值和第二特征值输入货位推荐网络模型的互信息响应网络中,计算第一特征值和第二特征值之间的互信息响应;根据第一特征值和第二特征值之间的互信息响应,确定核电站备件的货品属性对总货位信息熵的影响程度值;通过结合卷积神经网络和互信息响应网络确定核电站备件的货品属性和预设的总货位信息熵之间的影响程度值,从而进一步提高了所确定的货品属性对总货位信息熵的影响程度值的准确性。
在一实施例中,如图6所示,根据影响程度值确定核电站备件的目标推荐货位,具体包括如下步骤:
S601:根据影响程度值确定核电站备件的货位推荐链路信息。
S602:根据货位推荐链路信息确定核电站备件的目标推荐货位。
具体地,在确定了核电站备件的货品属性中每一属性对总货位信息熵的影响程度值之后,先根据核电站备件的货品属性中每一属性对总货位信息熵的影响程度值的大小,确定货位推荐链路信息。核电站备件的货品属性中的属性对总货位信息熵的影响程度值越大,该属性在货位推荐链路中的排位越靠前,对总货位信息熵的影响程度值越小,该属性在货位推荐链路中的排位越靠后。进一步地,在确定了核电站备件的货位推荐链路之后,根据货位推荐链路来合理安排货位推荐的逻辑执行过程,从而为该核电站备件计算出一个合适的目标推荐货位。在本实施例中,通过货位推荐链路信息进行货位推荐,可以降低货位推荐的计算量,从而提高了货位推荐效率。
在一具体实施例中,核电站仓库的存放规则要求通常是与核电站备件的货品属性相关的。比如:按照核电站备件的供应商维度来限定其放置的货位,根据核电站备件的尺寸维度来限定其放置的库区,依据核电站备件的批次维度来限定货位地点等。因此,可以考虑根据核电站仓库中约定存放核电站备件(即允许存放于该核电站仓库中的核电站备件)的货品属性信息配置一个货位推荐链路,然后每收到一个货品入库请求,根据货位推荐链路来合理安排货位推荐的逻辑执行过程,从而为该核电站备件计算出一个合适的货位。其中,所述货位推荐链路信息包括在为任意一个核电站备件推荐货位时,该核电站备件的一个或多个属性被选用的顺序。例如货品有三个属性维度:供应商、类别和供应商,则其货位推荐链路可以配置为:货主→类别→供应商。
在本实施例中,根据影响程度值确定核电站备件的货位推荐链路信息;根据货位推荐链路信息确定核电站备件的目标推荐货位;通过货位推荐链路信息进行货位推荐,可以降低货位推荐的计算量,从而提高了货位推荐效率。
在一实施例中,如图7所示,在获取预设的总货位信息熵之前,核电站备件的货位推荐方法还具体包括如下步骤:
S401:获取入库核电站仓库的每一个核电站备件的特征集,特征集包括每一核电站备件的一个或多个备件属性与准放货位之间的对应关系集合。
具体地,获取入库核电站仓库的每一个核电站备件的特征集,特征集包括每一核电站备件的一个或多个备件属性与准放货位之间的对应关系集合。即特征集中所包含的核电站备件的备件属性以及准放货位,都与货位推荐链路密切相关的数据信息。
其中,核电站备件的备件属性是指对核电站备件性质的描述。准放货位体现了核电站仓储管理要求,指示了货位的可选择范围;因此准放货位可依据需要预先指定。例如,在本申请一些具体实施方式中,核电站备件的某一属性或某些属性所对应的准放货位可以是一个核电站仓库范围内某一库区的所有或指定货位、一个核电站仓库范围内某一货架的所有或指定货位等。在一具体实施例中,为了更好体现属性与货位之间的对应关系,所述特征集具体可以为数据信息表。
S402:计算在特征集内一个或多个准放货位被确定为推荐货位的概率与对应自信息量的乘积和,得到总货位信息熵。
具体地,首先,在特征集内获取其内每个准放货位被确定为推荐货位的概率及对应自信息量。在特征集内,每个准放货位被确定为推荐货位的概率是指:特征集内每个货位被指定为推荐货位的次数,与特征集内所有货位被指定为推荐货位的总次数之比。根据信息论:消息x出现的概率p越小,其一旦出现所获得的信息量就越大;因此,可以定义为消息x的自信息量。
在一具体实施方式中,可以根据该公式来获取每个准放货位被确定为推荐货位时所对应的自信息量。然后,在特征集内,计算其内一个或多个个准放货位被确定为推荐货位的概率及对应自信息量的乘积和,得到总货位信息熵。由此可见,所述总货位信息熵可定义为:其中,f(D)为总货位信息熵,p代表在特征集内,第i个货位被确定为推荐货位的概率;m为所述特征集内的货位数量,D为特征集。
在本实施例中,获取入库核电站仓库的每一个核电站备件的特征集,特征集包括每一核电站备件的一个或多个备件属性与准放货位之间的对应关系集合;计算在特征集内一个或多个准放货位被确定为推荐货位的概率与对应自信息量的乘积和,得到总货位信息熵;从而保证了获取的总货位信息熵的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种核电站备件的货位推荐装置,该核电站备件的货位推荐装置与上述实施例中核电站备件的货位推荐方法一一对应。如图8所示,该核电站备件的货位推荐装置包括:接收模块10、第一判断模块20、第一确定模块30、第一获取模块40、输入模块50和第二确定模块60。各功能模块详细说明如下:
接收模块10,用于接收货位推荐请求,所述货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;
第一判断模块20,用于自所述备件信息中获取所述核电站备件的备件标识,根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求;
第一确定模块30,用于在所述核电站备件满足预设的货位推荐要求时,根据所述备件信息确定所述核电站备件的货品属性;
第一获取模块40,用于获取所述核电站仓库的总货位信息熵,所述总货位信息熵表征了为入库所述核电站仓库的每一个核电站备件推荐货位所需的信息量;
输入模块50,用于将所述核电站备件的货品属性和所述总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;其中,所述货位推荐网络模型包括卷积神经网络和互信息响应网络;
第二确定模块60,用于根据所述影响程度值确定所述核电站备件的目标推荐货位。
优选地,如图9所示,该第一判断模块20包括:
查询单元201,用于将所述备件标识在预设的核电站货位数据库中进行查询;
第一确定单元202,用于在所述核电站货位数据库中查询到与所述备件标识相匹配的原有记录货位时,判断所述核电站备件不满足预设的货位推荐要求,并将所述原有记录货位确定为所述核电站备件的目标推荐货位;
第二确定单元203,用于在所述核电站货位数据库中未查询到与所述备件标识相匹配的原有记录货位,判断所述核电站备件满足预设的货位推荐要求。
优选地,该核电站备件的货位推荐装置还包括:
第三确定模块,用于自核电站仓库的电子地图确定目标推荐货位在核电站仓库中的目标位置点;
第四确定模块,用于根据所述核电站备件的当前位置点和所述目标位置点,确定所述核电站备件的运输路线;
输送模块,用于根据所述运输路线,采用传送设备将所述核电站备件输送至所述目标推荐货位上。
优选地,输入模块50包括:
输入单元,用于将所述核电站备件的货品属性和预设的总货位信息熵输入所述货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,其中,所述第一特征属性值为所述核电站备件的货品属性的特征值,所述第二特征值为所述总货位信息熵的特征值;
计算单元,用于将所述第一特征值和第二特征值输入所述货位推荐网络模型的互信息响应网络中,计算所述第一特征值和所述第二特征值之间的互信息响应;
第三确定单元,用于根据所述第一特征值和所述第二特征值之间的互信息响应,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值。
优选地,第二确定模块60包括:
第四确定单元,用于根据所述影响程度值确定所述核电站备件的货位推荐链路信息;
第五确定单元,用于根据所述货位推荐链路信息确定所述核电站备件的目标推荐货位。
优选地,该核电站备件的货位推荐装置还包括:
第二获取模块,用于获取入库所述核电站仓库的每一个核电站备件的特征集,所述特征集包括每一所述核电站备件的一个或多个备件属性与准放货位之间的对应关系集合;
计算模块,用于计算在所述特征集内一个或多个准放货位被确定为推荐货位的概率与对应自信息量的乘积和,得到总货位信息熵。
关于核电站备件的货位推荐装置的具体限定可以参见上文中对于核电站备件的货位推荐方法的限定,在此不再赘述。上述核电站备件的货位推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例中核电站备件的货位推荐方法所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种核电站备件的货位推荐方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中的核电站备件的货位推荐方法。在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的核电站备件的货位推荐方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种核电站备件的货位推荐方法,其特征在于,包括:
接收货位推荐请求,所述货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;
自所述备件信息中获取所述核电站备件的备件标识,根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求;
若所述核电站备件满足预设的货位推荐要求,则根据所述备件信息确定所述核电站备件的货品属性;
获取所述核电站仓库的总货位信息熵,所述总货位信息熵表征了为入库所述核电站仓库的每一个核电站备件推荐货位所需的信息量;
将所述核电站备件的货品属性和所述总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;其中,所述货位推荐网络模型包括卷积神经网络和互信息响应网络;
根据所述影响程度值确定所述核电站备件的目标推荐货位;
其中,所述将所述核电站备件的货品属性和预设的总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值,包括:
将所述核电站备件的货品属性和预设的总货位信息熵输入所述货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,其中,第一特征属性值为所述核电站备件的货品属性的特征值,所述第二特征值为所述总货位信息熵的特征值;
将所述第一特征值和第二特征值输入所述货位推荐网络模型的互信息响应网络中,计算所述第一特征值和所述第二特征值之间的互信息响应;
根据所述第一特征值和所述第二特征值之间的互信息响应,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;
所述将所述核电站备件的货品属性和预设的总货位信息熵输入所述货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,包括:
将核电站备件的货品属性和总货位信息熵分别输入至货位推荐网络模型的卷积神经网络中,核电站备件的货品属性和总货位信息熵从输入层到卷积层进行卷积操作,通过卷积操作可得到核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征,再将核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征输入池化层进行池化操作,得到池化层输出特征;最后将核电站备件的货品属性的池化层输出特征,和总货位信息熵的池化层输出特征输入到全连接层,全连接层通过对核电站备件的货品属性的池化层输出特征和总货位信息熵的池化层输出特征加权求和得到核电站备件的货品属性中每个属性的分数和总货位信息熵中每个属性的分数,最后经过Softmax映射为概率;得到第一特征值和第二特征值。
2.如权利要求1所述的核电站备件的货位推荐方法,其特征在于,所述根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求,包括:
将所述备件标识在预设的核电站货位数据库中进行查询;
若在所述核电站货位数据库中查询到与所述备件标识相匹配的原有记录货位,则判断所述核电站备件不满足预设的货位推荐要求,并将所述原有记录货位确定为所述核电站备件的目标推荐货位;
若在所述核电站货位数据库中未查询到与所述备件标识相匹配的原有记录货位,则判断所述核电站备件满足预设的货位推荐要求。
3.如权利要求1所述的核电站备件的货位推荐方法,其特征在于,所述根据所述核电站备件的货品属性和所述影响程度值确定所述核电站备件的目标推荐货位之后,所述核电站备件的货位推荐方法还包括:
自所述核电站仓库的电子地图确定所述目标推荐货位在所述核电站仓库中的目标位置点;
根据所述核电站备件的当前位置点和所述目标位置点,确定所述核电站备件的运输路线;
根据所述运输路线,采用传送设备将所述核电站备件输送至所述目标推荐货位上。
4.如权利要求1所述的核电站备件的货位推荐方法,其特征在于,所述根据所述影响程度值确定所述核电站备件的目标推荐货位,包括:
根据所述影响程度值确定所述核电站备件的货位推荐链路信息;
根据所述货位推荐链路信息确定所述核电站备件的目标推荐货位。
5.如权利要求1所述的核电站备件的货位推荐方法,其特征在于,获取预设的总货位信息熵之前,所述核电站备件的货位推荐方法还包括:
获取入库所述核电站仓库的每一个核电站备件的特征集,所述特征集包括每一所述核电站备件的一个或多个备件属性与准放货位之间的对应关系集合;
计算在所述特征集内一个或多个准放货位被确定为推荐货位的概率与对应自信息量的乘积和,得到总货位信息熵。
6.一种核电站备件的货位推荐装置,其特征在于,包括:
接收模块,用于接收货位推荐请求,所述货位推荐请求包括需要在核电站仓库中推荐货位的核电站备件的备件信息;
第一判断模块,用于自所述备件信息中获取所述核电站备件的备件标识,根据所述备件标识判断所述核电站备件是否满足预设的货位推荐要求;
第一确定模块,用于在所述核电站备件满足预设的货位推荐要求时,根据所述备件信息确定所述核电站备件的货品属性;
第一获取模块,用于获取所述核电站仓库的总货位信息熵,所述总货位信息熵表征了为入库所述核电站仓库的每一个核电站备件推荐货位所需的信息量;
输入模块,用于将所述核电站备件的货品属性和所述总货位信息熵输入预设的货位推荐网络模型中,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;其中,所述货位推荐网络模型包括卷积神经网络和互信息响应网络;
第二确定模块,用于根据所述影响程度值确定所述核电站备件的目标推荐货位;
所述输入模块包括:
输入单元,用于将所述核电站备件的货品属性和预设的总货位信息熵输入所述货位推荐网络模型的卷积神经网络中,得到第一特征值和第二特征值,其中,第一特征属性值为所述核电站备件的货品属性的特征值,所述第二特征值为所述总货位信息熵的特征值;
计算单元,用于将所述第一特征值和第二特征值输入所述货位推荐网络模型的互信息响应网络中,计算所述第一特征值和所述第二特征值之间的互信息响应;
第三确定单元,用于根据所述第一特征值和所述第二特征值之间的互信息响应,确定所述核电站备件的货品属性对所述总货位信息熵的影响程度值;
所述输入单元还用于将核电站备件的货品属性和总货位信息熵分别输入至货位推荐网络模型的卷积神经网络中,核电站备件的货品属性和总货位信息熵从输入层到卷积层进行卷积操作,通过卷积操作可得到核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征,再将核电站备件的货品属性的卷积层输出特征,和总货位信息熵的卷积层输出特征输入池化层进行池化操作,得到池化层输出特征;最后将核电站备件的货品属性的池化层输出特征,和总货位信息熵的池化层输出特征输入到全连接层,全连接层通过对核电站备件的货品属性的池化层输出特征和总货位信息熵的池化层输出特征加权求和得到核电站备件的货品属性中每个属性的分数和总货位信息熵中每个属性的分数,最后经过Softmax映射为概率;得到第一特征值和第二特征值。
7.如权利要求6所述的核电站备件的货位推荐装置,其特征在于,所述第一判断模块包括:
查询单元,用于将所述备件标识在预设的核电站货位数据库中进行查询;
第一确定单元,用于在所述核电站货位数据库中查询到与所述备件标识相匹配的原有记录货位时,判断所述核电站备件不满足预设的货位推荐要求,并将所述原有记录货位确定为所述核电站备件的目标推荐货位;
第二确定单元,用于在所述核电站货位数据库中未查询到与所述备件标识相匹配的原有记录货位,判断所述核电站备件满足预设的货位推荐要求。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述核电站备件的货位推荐方法。
9.一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至5任一项所述核电站备件的货位推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801626.8A CN112101850B (zh) | 2020-08-11 | 2020-08-11 | 核电站备件的货位推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010801626.8A CN112101850B (zh) | 2020-08-11 | 2020-08-11 | 核电站备件的货位推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101850A CN112101850A (zh) | 2020-12-18 |
CN112101850B true CN112101850B (zh) | 2024-06-07 |
Family
ID=73753517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010801626.8A Active CN112101850B (zh) | 2020-08-11 | 2020-08-11 | 核电站备件的货位推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101850B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003012A (zh) * | 2017-06-06 | 2018-12-14 | 菜鸟智能物流控股有限公司 | 货位推荐链路信息获取方法、货位推荐方法、装置及系统 |
CN110188449A (zh) * | 2019-05-27 | 2019-08-30 | 山东大学 | 基于属性的可解释的服装信息推荐方法、系统、介质及设备 |
CN111242550A (zh) * | 2020-01-15 | 2020-06-05 | 大亚湾核电运营管理有限责任公司 | 核电站备件包装方法、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10565551B2 (en) * | 2018-05-09 | 2020-02-18 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method of determining item storage strategy |
-
2020
- 2020-08-11 CN CN202010801626.8A patent/CN112101850B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003012A (zh) * | 2017-06-06 | 2018-12-14 | 菜鸟智能物流控股有限公司 | 货位推荐链路信息获取方法、货位推荐方法、装置及系统 |
CN110188449A (zh) * | 2019-05-27 | 2019-08-30 | 山东大学 | 基于属性的可解释的服装信息推荐方法、系统、介质及设备 |
CN111242550A (zh) * | 2020-01-15 | 2020-06-05 | 大亚湾核电运营管理有限责任公司 | 核电站备件包装方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112101850A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10875712B2 (en) | Method and device for warehouse storage space planning and electronic device | |
CN110852668A (zh) | 货品入库的处理方法及装置、仓储系统、计算机设备 | |
CN111782646B (zh) | 库位分配的方法、系统、计算机设备和可读存储介质 | |
Bozer et al. | Performance evaluation of small-batch container delivery systems used in lean manufacturing–Part 1: system stability and distribution of container starts | |
CN111626443A (zh) | 电力设备的运维方法、系统、装置、设备和存储介质 | |
CN110264133B (zh) | 车辆调配方法、装置、计算机设备和存储介质 | |
CN111382974B (zh) | 货架位置的确定方法及装置、仓储系统、计算机设备 | |
Hu et al. | Vehicle Routing Problem for Fashion Supply Chains with Cross‐Docking | |
KR20160044320A (ko) | 적치 작업 관리 방법 및 그 장치 | |
Ballesteros-Riveros et al. | Storage allocation optimization model in a Colombian company | |
CN114254845A (zh) | 仓库选址方法、装置、计算机设备和存储介质 | |
CN111369196A (zh) | 一种基于区块链的目标对象盘点方法和系统 | |
CN111178830B (zh) | 成本的核算方法、装置、计算机设备和存储介质 | |
CN109003012B (zh) | 货位推荐链路信息获取方法、货位推荐方法、装置及系统 | |
CN114462952A (zh) | 智能仓储管理方法、装置、设备及介质 | |
Pascual et al. | Joint optimization of fleet size and maintenance capacity in a fork-join cyclical transportation system | |
Huang et al. | A dynamic system model for proactive control of dynamic events in full-load states of manufacturing chains | |
CN115081997A (zh) | 设备备件库存诊断系统 | |
CN113177766B (zh) | 储藏物料的方法、装置及终端设备 | |
CN112101850B (zh) | 核电站备件的货位推荐方法、装置、设备及介质 | |
CN111325611A (zh) | 订单分配方法和装置 | |
CN115545602A (zh) | 一种基于超高频rfid电子标签的仓储管理方法及系统 | |
Poon et al. | An efficient production material demand order management system for a mould manufacturing company | |
CN113259154B (zh) | 中台数据校验通知方法、装置、计算机设备和存储介质 | |
US20230128417A1 (en) | Systems and methods for regional demand estimation |
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 |