CN112308274A - 一种可供应量分配方法和装置 - Google Patents

一种可供应量分配方法和装置 Download PDF

Info

Publication number
CN112308274A
CN112308274A CN201910700954.6A CN201910700954A CN112308274A CN 112308274 A CN112308274 A CN 112308274A CN 201910700954 A CN201910700954 A CN 201910700954A CN 112308274 A CN112308274 A CN 112308274A
Authority
CN
China
Prior art keywords
stock
amount
distribution
bin
distribution amount
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
Application number
CN201910700954.6A
Other languages
English (en)
Other versions
CN112308274B (zh
Inventor
芦婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Wodong Tianjun Information Technology Co Ltd
Priority to CN201910700954.6A priority Critical patent/CN112308274B/zh
Publication of CN112308274A publication Critical patent/CN112308274A/zh
Application granted granted Critical
Publication of CN112308274B publication Critical patent/CN112308274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种可供应量分配方法和装置，所述方法包括：根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；根据确定的各存货仓的分配量向对应存货仓分配该货物；其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与该存货仓的目标库存的比值。该方法能够减少确定各存货仓的分配量的时间，提高可供应量分配的效率。

Description

一种可供应量分配方法和装置
技术领域
本发明涉及语音处理技术领域，特别涉及一种可供应量分配方法和装置。
背景技术
可供应量分配即使用供应商可提供的总量来进行各存货仓的供应量的拆分，以平衡每个分配中心的库存水位。
现有的可供应量虽然可以在分配各存货仓可供应量后，最大程度达到各存货仓的(初始可订购量+分配量)/目标库存的一致性，但是在分配过程中，需要进行针对每件货物进行多次迭代，特别是当系数最小的两个仓的系数一致时，采取为其中一个仓的分配量加一个单位重新刷新新系数排名的方式，这种分配方式在总的可分配量比较大时是非常耗时的。
发明内容
有鉴于此，本申请提供一种可供应量分配方法和装置，能够减少确定各存货仓的分配量的时间，提高可供应量分配的效率。
为解决上述技术问题，本申请的技术方案是这样实现的：
在一个实施例中，提供了一种可供应量分配方法，所述方法包括：
根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；
确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；
根据确定的各存货仓的分配量向对应存货仓分配该货物；
其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与该存货仓的目标库存的比值。
在另一个实施例中，提供了一种可供应量分配装置，所述装置包括：第一确定单元、第二确定单元和分配单元；
所述第一确定单元，用于根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；
所述第二确定单元，用于确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与所述第一确定单元确定的该存货仓的目标库存的比值；
所述分配单元，用于根据所述第二确定单元确定的各存货仓的分配量向对应存货仓分配该货物。
在另一个实施例中，提供了一种电子设备，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，所述处理器执行所述程序时实现如所述可供应量分配方法的步骤。
在另一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述可供应量分配方法的步骤。
由上面的技术方案可见，上述实施例中通过使各存货仓获得分配量后的系数中值最小的系数最大化来确定各存货仓对应的分配量，并根据确定的分配量进行货物分配，在各存货仓获得分配量后的系数一致的情况下，能够减少确定各存货仓的分配量的时间，提高可供应量分配的效率。
附图说明
以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围：
图1为本申请实施例一中可供应量分配流程示意图；
图2为本申请实施例中获得初始化的gbest，以及fit和punish的流程示意图；
图3为本申请实施例二中可供应量分配流程示意图；
图4为本申请实施例中应用于上述技术的装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例，对本发明的技术方案进行详细说明。
本申请实施例中提供一种可供应量分配方法，通过使各存货仓获得分配量后的系数中值最小的系数最大化来确定各存货仓对应的分配量，并根据确定的分配量进行货物分配，在各存货仓获得分配量后的系数一致的情况下，能够减少确定各存货仓的分配量的时间，提高可供应量分配的效率。
下面结合附图，详细说明本申请实施例中可供应量分配过程。
执行可供应量分配的设备可以是一台或多台设备，如PC等，如可以是一台设备确定目标库存，一台设备执行分配量的计算，一台设备执行可分配量的分配；也可以是一台设备执行可供应量分配的全过程，本申请实施例中对此不进行限制。
本申请实施例中在具体实现时，以一台设备实现可供应量分配过程，在下文为了描述方便，称之为分配设备。
实施例一
参见图1，图1为本申请实施例一中可供应量分配流程示意图。具体步骤为：
步骤101，根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存。
获取一货物的历史销量数据的具体实现不进行限制，可以是本设备上存储的，也可以从货物销售情况对应的数据库中获取。
本步骤的具体实现可以按照现有实现，也可以通过但不限于如下实现方式：
第一步，通过对一货物的历史销量数据进行分析，预测预设时间内销售量；这里的预设时间如一天；
第二步，根据预设时间内销售量确定每个存货仓的目标库存。
该步骤的确定过程可以是简单的将预测的销售量直接使用倍数方式来确定每个存货仓的目标库存，如预测的是每个存货仓一天的销售量，根据实际情况将5天的销售量作为该存货仓的目标库存。
步骤102，确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量。
其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与该存货仓的目标库存的比值。
存货仓初始可订购量为该次分配分配量之前，该存货仓中还存有的存货量，即当前客户可从该存货仓中可订购货物的订购量。
本步骤中确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量的实现转化为目标函数求解过程，具体实现如下：
建立目标函数，所述目标函数为目标值的最大化，其中，所述目标值为各存货仓获得分配量后的系数中值最小的系数；
求解目标函数，获得各存货仓对应的分配量。
下面给出本申请实施例中建立的目标函数的数学表达式：
max t；
Figure BDA0002150808010000041
Figure BDA0002150808010000042
其中，TIi为第i个存货仓的目标库存；xi为第i个存货仓的分配量，且为正整数；S为总分配量；Qi为第i个存货仓初始可订购量；k为存货仓的个数。
本实施例中达到目标函数为目标值的最大化时可以使得分配量后的各存货仓总的可订购量站目标库存的比例一致，即在i不同时，
Figure BDA0002150808010000043
趋于相同。
下面给出求解目标函数的过程：
本申请实施例在增加约束函数的前提下使用粒子群优化算法求解目标函数；其中，约束条件使粒子向各分配量之和接近总的分配量，且不大于总的分配量方向游走，所述粒子群为各存货仓对应的分配量的集合。
为了使粒子在符合约束条件的范围内游走，本申请在基础粒子群优化算法中加入约束函数，把目标函数值称为优化型适应度，约束函数值称为约束型适应度，则改进的粒子群优化算法的思想可以总结为(假设优化问题要求取最大值)：首先比较粒子的约束型适应度，约束型适应度值大的粒子靠前；如果约束型适应度的值相等，则再比较其目标函数对应的优化型适应度，优化型适应度值大的粒子排名靠前，使得符合约束条件的粒子的适应度总是优于不符合约束条件的粒子的适应度，从而使得优化过程先得到可行点，最终获得最优可行点。
下面给出约束函数，以及目标函数的数学定义，并给出具体迭代求解目标函数的过程：
设在D维空间中，由m个粒子组成的种群X＝(xi,...,xi,...,xD)，每一轮进化中第i个粒子位置为xi＝(xi1,xi2,...,xiD)，其速度为Vi＝(vi1,vi2,...,vid,...,viD)。它的个体极值为pi＝(pi1,pi2,...,piD)。(个体极值即粒子在截止目前走过的位置中能够使幕布表函数最优的位置)。种群的全局极值为pg＝(pg1,pg2,...,pgD)。(全局极值即全部粒子截止目前走过的位置中能使目标函数最优化的位置)。
在粒子群优化算法中，按照追随当前最有粒子的原理，粒子按照如下两个公式更新：
Figure BDA0002150808010000051
Figure BDA0002150808010000052
其中，j代表粒子的位置的维度，j＝1,2,...,D。i代表粒子的编号，i＝1,2,...,m，m为种群规模，t为当前进化代数,r1，r2为分布于[0,1]之间的随机数，用于增加搜索随机性；c1，c2为加速常数，用于调节学习最大步长，w为惯性权重，非负数，调节对解空间的搜索范围。从(1)式中可知，每个粒子的速度由三部分组成：第一部分为粒子先前的速度；第二部分为“认知”部分，表示粒子间的信息共享与相互合作。当迭代次数达到设置的最大值时输出的pg即使得目标函数达到最优值的模型的解。
下面给出在迭代过程中涉及到的参数的定义：
pN：预设粒子数量；
dim：粒子的维度，与参与分配的存货仓的个数相同；
max-iter：迭代次数；
X:pN×Dim维矩阵，记录每次迭代过程中各粒子的位置；
V:pN×Dim维矩阵，记录每次迭代过程中各粒子的速度；
pbest：每个粒子在所有迭代过程中经历的最佳位置；
gbest：全部粒子在所有迭代过程中经历的最佳位置；
p_fit：每个个体的历史最佳优化型适应度；
p_punish全局最佳约束适应度；
fit：全局最佳优化适应度；
punish：全局最佳约束适应度。
目标值定义如下：
Figure BDA0002150808010000061
定义约束函数如下：
Figure BDA0002150808010000062
其中，
Figure BDA0002150808010000063
Figure BDA0002150808010000064
因为粒子会向约束函数适应度值高的方向游走，因此每次迭代过程中xi小于0(代表的实际意义是第i个存货仓的分配量小于0)和
Figure BDA0002150808010000065
(代表的是给各仓的总的分配量小于实际的总的可供应量S)的粒子会被淘汰，粒子会努力向分配总量之和接近可供应，但不大于可供应量的方向游走，并且找到最优的分配策略。
下面给出具体迭代求解过程：
第一步：定义目标值和约束函数，并初始化各项参数。
粒子的初始位置矩阵X即为每个粒子在目前的迭代中的最优位置矩阵pbest(数据初始化，还没有进入迭代)，通过pbest以及目标值(定义的目标值可以看作粒子群优化算法中的目标函数)和约束函数可以得到P_fit和P_punish。全部粒子在所有迭代过程中经历的最佳位置gbest以及fit、punish的具体计算方式如下：
初始化j＝0，所有粒子历史最优目标适应度fit＝-10000，所有粒子历史最优目标适应度punish＝-10000然后进入图2所示的循环流程图。图2为本申请实施例中获得初始化的gbest，以及fit和punish的流程示意图。具体步骤为：
步骤201，j＝j+1，计算第j个粒子的目标适应度fit_j和约束适应度punish_j。
步骤202，当前粒子的约束适应度punish_j是否大于punish，如果是，执行步骤203；否则，执行步骤204。
步骤203，使fit＝fit_j，punish＝punish_j，gbest＝X[j]，执行步骤201。
步骤204，确定当前是否满足punish_j＝punish，且fit_j>fit，如果是，执行步骤206；否则，执行步骤205。
步骤205，不进行任何处理，结束本流程。
步骤206，fit＝fit_j，punish＝punish_j，gbest＝X[j]。
图2中当j>粒子数目pN时停止迭代，通过图2获得初始化的gbest，以及fit和punish。
第二步、进入迭代过程，初始化t为1，循环如步骤，直到t大于max-iter(最大循环次数参数)，停止迭代。
第一步、定义j为粒子的序号，遍历每一个粒子j，对粒子j做如下操作：
计算第t次迭代粒子j的约束适应度值，如果大于该粒子j历史最优约束适应度值，则更新该粒子历史最优位置、最优约束适应度值、最优目标适应度值；如果约束适应度值等于历史最优约束适应度值，但目标适应度值大于历史最优目标适应度值，则更新该粒子历史最优位置、最优约束适应度值、最优目标适应度值，其他情况则不做任何改变。同时比较粒子j更新后的最优值与全部粒子的历史最优值，根据粒子j更新全部粒子的历史最优值完成。等到所有粒子全部迭代完，各粒子的各项值(pbest、p_fit、p_punish)更新为历史最优值，同时全部粒子的历史最优值(gbest、fit、punish)也得到了更新。
第二步、遍历每个粒子j，根据第t次迭代更新的粒子j历史最优位置和全部粒子的历史最优位置更新粒子j的速度和位置，
具体方式如下公式所示：
Vj＝w×vj+c1×r1×(pbestj-Xj)+c2×r2×(gbestj-Xj)
Xj＝Xj+vj。
第三步、记录下本次迭代所得到的全局最优值的gbest和fit。
第四步、经过max_iter次迭代获得最终的fit，其对应的gbest(最优粒子位置)向量的各个值取整即为最终得到的各个仓的最优分配量。
至此，完成目标函数的求解，获取向各个存货仓分配的存货量。
步骤103，根据确定的各存货仓的分配量向对应存货仓分配该货物。
本申请实施例中基于启发式思想解决可供应量的分配问题，在使用粒子群算法解决可供应量分配问题时，针对带有约束条件的限制来求解目标函数。该方法能够在保持得到分配量后的各仓总的可订购量占目标库存的比例一致的前提下，减少确定各存货仓的分配量的时间，进而提高可供应量分配的效率。
实施例二
参见图3，图3为本申请实施例二中可供应量分配流程示意图。具体步骤为：
步骤301，根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存。
步骤302，确定各存货仓的目标库存的和是否大于总的分配量与各存货仓初始可订购量的和，如果是，执行步骤303；否则，执行步骤304。
步骤303，确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量，执行步骤305。
其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与该存货仓的目标库存的比值。
步骤304，确定各存货仓的目标库存与对应存货仓初始可订购量的差值作为对应存货仓的分配量。
步骤305，根据确定的各存货仓的分配量向对应存货仓分配该货物。
该实施例给出了在可提供的分配量满足目标库存需求和不满足库存需求两种情况下进行可供应量分配的不同实现，极大提高了作业效率。
基于同样的发明构思，本申请实施例中还一种可供应量分配装置。参见图4，图4为本申请实施例中应用于上述技术的装置结构示意图。该装置包括：第一确定单元401、第二确定单元402和分配单元403；
第一确定单元401，用于根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；
第二确定单元402，用于确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与第一确定单元401确定的该存货仓的目标库存的比值；
分配单元403，用于根据第二确定单元402确定的各存货仓的分配量向对应存货仓分配该货物。
优选地，
第二确定单元402，具体用于确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量时，包括：建立目标函数，所述目标函数为目标值的最大化，其中，所述目标值为各存货仓获得分配量后的系数中值最小的系数；求解目标函数，获得各存货仓对应的分配量。
优选地，
第二确定单元402，具体用于求解目标函数时，包括：增加约束函数的前提下使用粒子群优化算法求解目标函数；其中，约束条件使粒子向各分配量之和接近总的分配量，且不大于总的分配量方向游走，所述粒子群为各存货仓对应的分配量的集合。
优选地，所述装置进一步包括：第三确定单元404和第四确定单元405；
第三确定单元404，用于第一确定单元401根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存时，确定各存货仓的目标库存的和是否大于总的分配量与各存货仓初始可订购量的和；
第二确定单元402，进一步用于当第三确定单元404确定各存货仓的目标库存的和大于总的分配量与各存货仓初始可订购量的和时，确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；
第四确定单元405，用于当第三确定单元404确定各存货仓的目标库存的和不大于总的分配量与各存货仓初始可订购量的和时，确定各存货仓的目标库存与对应存货仓初始可订购量的差值作为对应存货仓的分配量；
分配单元403，进一步用于根据第四单元405确定的各存货仓的分配量进行货物分配。
上述实施例的单元可以集成于一体，也可以分离部署；可以合并为一个单元，也可以进一步拆分成多个子单元。
在另一个实施例中，本申请实施例中还提供了一种电子设备，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，所述处理器执行所述程序时实现如所述可供应量分配方法的步骤。
在另一个实施例中，本申请实施例中还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述可供应量分配方法的步骤。
综上所述，本申请实施例中基于启发式思想解决可供应量的分配问题，在使用粒子群算法解决可供应量分配问题时，针对带有约束条件的限制来求解目标函数。该方法能够在保持得到分配量后的各仓总的可订购量占目标库存的比例一致的前提下，减少确定各存货仓的分配量的时间，进而提高可供应量分配的效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种可供应量分配方法，其特征在于，所述方法包括：
根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；
确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；
根据确定的各存货仓的分配量向对应存货仓分配该货物；
其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与该存货仓的目标库存的比值。
2.根据权利要求1所述的方法，其特征在于，所述确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量，包括：
建立目标函数，所述目标函数为目标值的最大化，其中，所述目标值为各存货仓获得分配量后的系数中值最小的系数；
求解目标函数，获得各存货仓对应的分配量。
3.根据权利要求2所述的方法，其特征在于，所述求解目标函数，包括：
增加约束函数的前提下使用粒子群优化算法求解目标函数；其中，约束条件使粒子向各分配量之和接近总的分配量，且不大于总的分配量方向游走，所述粒子群为各存货仓对应的分配量的集合。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存时，所述方法进一步包括：
确定各存货仓的目标库存的和是否大于总的分配量与各存货仓初始可订购量的和，如果是，确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；否则，确定各存货仓的目标库存与对应存货仓初始可订购量的差值作为对应存货仓的分配量。
5.一种可供应量分配装置，其特征在于，所述装置包括：第一确定单元、第二确定单元和分配单元；
所述第一确定单元，用于根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存；
所述第二确定单元，用于确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；其中，每个存货仓获得分配量后的系数为该存货仓初始可订购量与该存货仓对应的分配量的和与所述第一确定单元确定的该存货仓的目标库存的比值；
所述分配单元，用于根据所述第二确定单元确定的各存货仓的分配量向对应存货仓分配该货物。
6.根据权利要求5所述的装置，其特征在于，
所述第二确定单元，具体用于确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量时，包括：建立目标函数，所述目标函数为目标值的最大化，其中，所述目标值为各存货仓获得分配量后的系数中值最小的系数；求解目标函数，获得各存货仓对应的分配量。
7.根据权利要求6所述的装置，其特征在于，
所述第二确定单元，具体用于求解目标函数时，包括：增加约束函数的前提下使用粒子群优化算法求解目标函数；其中，约束条件使粒子向各分配量之和接近总的分配量，且不大于总的分配量方向游走，所述粒子群为各存货仓对应的分配量的集合。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述装置进一步包括：第三确定单元和第四确定单元；
所述第三确定单元，用于所述第一确定单元根据一货物的历史销量数据确定该货物对应的各存货仓的目标库存时，确定各存货仓的目标库存的和是否大于总的分配量与各存货仓初始可订购量的和；
所述第二确定单元，进一步用于当所述第三确定单元确定各存货仓的目标库存的和大于总的分配量与各存货仓初始可订购量的和时，确定各存货仓获得分配量后的系数中值最小的系数最大化时各存货仓对应的分配量；
所述第四确定单元，用于当所述第三确定单元确定各存货仓的目标库存的和不大于总的分配量与各存货仓初始可订购量的和时，确定各存货仓的目标库存与对应存货仓初始可订购量的差值作为对应存货仓的分配量；
所述分配单元，进一步用于根据所述第四单元确定的各存货仓的分配量进行货物分配。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4任一项所述的方法。
CN201910700954.6A 2019-07-31 2019-07-31 一种可供应量分配方法和装置 Active CN112308274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910700954.6A CN112308274B (zh) 2019-07-31 2019-07-31 一种可供应量分配方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910700954.6A CN112308274B (zh) 2019-07-31 2019-07-31 一种可供应量分配方法和装置

Publications (2)

Publication Number Publication Date
CN112308274A true CN112308274A (zh) 2021-02-02
CN112308274B CN112308274B (zh) 2024-07-19

Family

ID=74486133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910700954.6A Active CN112308274B (zh) 2019-07-31 2019-07-31 一种可供应量分配方法和装置

Country Status (1)

Country Link
CN (1) CN112308274B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007200185A (ja) * 2006-01-30 2007-08-09 Accenture Kk 最適在庫量／発注量を指示する発注指示システム
CN106991544A (zh) * 2016-01-20 2017-07-28 阿里巴巴集团控股有限公司 调拨系统及调拨方法
CN107506956A (zh) * 2017-06-12 2017-12-22 合肥工业大学 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN107944616A (zh) * 2017-11-20 2018-04-20 南昌大学 一种鱼骨型立体仓库的货位分配方法
CN109242396A (zh) * 2018-09-30 2019-01-18 合肥工业大学 面向医用耗材库存与补货协同优化过程的调度方法及系统
CN109359905A (zh) * 2018-09-14 2019-02-19 广东飞库科技有限公司 一种自动化无人仓货位分配方法、装置和存储介质
CN110046761A (zh) * 2019-04-11 2019-07-23 北京工业大学 一种基于多目标粒子群优化算法的乙醇库存补货策略

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007200185A (ja) * 2006-01-30 2007-08-09 Accenture Kk 最適在庫量／発注量を指示する発注指示システム
CN106991544A (zh) * 2016-01-20 2017-07-28 阿里巴巴集团控股有限公司 调拨系统及调拨方法
CN107506956A (zh) * 2017-06-12 2017-12-22 合肥工业大学 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN107944616A (zh) * 2017-11-20 2018-04-20 南昌大学 一种鱼骨型立体仓库的货位分配方法
CN109359905A (zh) * 2018-09-14 2019-02-19 广东飞库科技有限公司 一种自动化无人仓货位分配方法、装置和存储介质
CN109242396A (zh) * 2018-09-30 2019-01-18 合肥工业大学 面向医用耗材库存与补货协同优化过程的调度方法及系统
CN110046761A (zh) * 2019-04-11 2019-07-23 北京工业大学 一种基于多目标粒子群优化算法的乙醇库存补货策略

Also Published As

Publication number Publication date
CN112308274B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
WO2022262469A1 (zh) 一种基于博弈论的工业园区物流调度方法及系统
US11829887B2 (en) Progressive objective addition in multi-objective heuristic systems and methods
Ogryczak Multiple criteria linear programming model for portfolio selection
Goodson et al. Rollout policies for dynamic solutions to the multivehicle routing problem with stochastic demand and duration limits
Levi et al. Approximation algorithms for stochastic inventory control models
US10311358B2 (en) Systems and methods for multi-objective evolutionary algorithms with category discovery
Gilli et al. A global optimization heuristic for portfolio choice with VaR and expected shortfall
CN108280538A (zh) 基于云计算环境下分布式物流库存优化方法
CN110119847A (zh) 一种配送时长的预测方法、装置、存储介质和电子设备
CN106815782A (zh) 一种基于神经网络统计学模型的房地产估值方法及系统
Lan et al. Regret in overbooking and fare-class allocation for single leg
CN111178440B (zh) 一种基于高效减小agv总运输成本的路径优化方法
US20140278695A1 (en) Systems and methods for prioritizing funding of projects
CN110046761A (zh) 一种基于多目标粒子群优化算法的乙醇库存补货策略
Bhatnagar et al. The joint transshipment and production control policies for multi-location production/inventory systems
CN110717684B (zh) 一种基于任务分配协调策略与粒子群算法的任务分配方法
CN116137181B (zh) 一种疫苗接种指挥调度方法及系统
Koenig et al. Value-at-risk optimal policies for revenue management problems
CN111160654B (zh) 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法
CN112308274A (zh) 一种可供应量分配方法和装置
CN110633784B (zh) 一种多规则人工蜂群改进算法
CN114862065B (zh) 社工任务规划方法、装置、电子设备及存储介质
Giles et al. Sub-sampling and other considerations for efficient risk estimation in large portfolios
Ryzhov et al. The value of information in multi-armed bandits with exponentially distributed rewards
CN115936184A (zh) 一种适应多用户类型的负荷预测匹配方法

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