CN112836839A - 仓库管理方法和装置以及计算机可读介质 - Google Patents

仓库管理方法和装置以及计算机可读介质 Download PDF

Info

Publication number
CN112836839A
CN112836839A CN201911153648.1A CN201911153648A CN112836839A CN 112836839 A CN112836839 A CN 112836839A CN 201911153648 A CN201911153648 A CN 201911153648A CN 112836839 A CN112836839 A CN 112836839A
Authority
CN
China
Prior art keywords
commodity
bin
bins
clustering center
clustering
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.)
Pending
Application number
CN201911153648.1A
Other languages
English (en)
Inventor
郭伟
赵迎光
刘旭
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 Jingbangda Trade Co Ltd
Beijing Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingbangda Trade Co Ltd
Beijing Jingdong Qianshi 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 Jingbangda Trade Co Ltd, Beijing Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingbangda Trade Co Ltd
Priority to CN201911153648.1A priority Critical patent/CN112836839A/zh
Publication of CN112836839A publication Critical patent/CN112836839A/zh
Pending legal-status Critical Current

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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/08—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

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

Abstract

本发明实施例提供一种仓库管理方法和装置以及计算机可读介质。所述仓库管理方法包括：根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；查询各仓间每种商品在第(M+1)天的实际库存占比；根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量。本实施例能够及时发现仓间商品数量不合理的问题，并及时进行理库操作，以达到降低合流率的目的。

Description

仓库管理方法和装置以及计算机可读介质
技术领域
本发明涉及计算机领域，具体涉及仓库管理方法和装置以及计算机可读介质。
背景技术
目前，电商大件仓库(一个仓库包含几个仓间)的运营中心主要采用按品类分仓间独立进行存储的方法，仓间和商品承运商之间相互绑定，不同的承运商负责配送不同的区域，这样就会导致每天订单中的商品都需要从不同的仓间进行拣货，产生商品合流，从而增加了较多的人力成本和时间成本。
为了优化存储，以某一仓库为试点进行同品类多仓运营(入库时对同种商品进行分仓)，将同一商品在多仓间根据预测模型进行存储，但是发明人在运营过程中发现了一些问题，由于某些原因(促销、仓库空间不足、数据问题、仓库变更等)导致商品在各仓间的存储数量并不合理，例如促销活动导致某种商品销量增加，从而导致该商品在仓间的存储数量减少，则此时该商品的合流率就会上升。此时一种可选的方法是对各个仓间的该商品进行理库操作。但是具体到应用场景，如何执行理货操作依然是个问题。
发明内容
有鉴于此，本发明实施例提供的仓库管理方法，根据预测库存占比和实际库存占比计算分类等级，根据分类等级和预测库存占比确定多种商品的理货操作的执行顺序和每种商品的移仓数量，以达到降低合流率的目的。
根据本发明的第一方面，提供一种仓库管理方法，包括：
根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；
获取各仓间每种商品在第(M+1)天的实际库存占比；
根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及
根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第 (M+1)天的移仓数量所述M为正整数。
优选地，采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。
优选地，对于相同分类等级，先执行销量高的商品的理货操作。
优选地，所述计算各仓间每种商品的分类等级包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及
根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。
优选地，所述计算各仓间每种商品的分类等级包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；
根据所述特征矩阵生成临时的聚类中心集；
根据全局Kmeans聚类算法获取新的聚类中心集；以及
对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类。
优选地，所述构建特征矩阵包括：
构建相似矩阵A∈Rn*n，n为商品种数，其中，
Figure RE-GDA0002400853230000021
Aii＝0
其中xi和xj分别表示商品种类为i和j的商品对应的预测库存占比与真实库存占比的差值，i和j取值为1到n，且i≠j,σ是参数，n是正整数；
构造矩阵L＝D-1/2AD-1/2,
Figure RE-GDA0002400853230000022
计算矩阵L的前k个特征值对应的特征向量X1,X2,…,Xk，构造矩阵 X＝[X1,X2,…,Xk]n*k，规范化矩阵X的行向量，得到特征矩阵
Figure RE-GDA0002400853230000031
Y＝[Y1,Y2,…,Yk]n*k，k是正整数。
优选地，所述根据所述特征矩阵生成临时的聚类中心集包括：
根据Y＝[Y1,Y2,…,Yk]n*k初始化粒子群，生成随机聚类中心集 M＝{m1 *,m2 *,…mt *}，t为人工设定值；
引入适应度函数，计算每个粒子的适应度值；
更新每个粒子搜索到的最优解和整个粒子群搜索到的最优位置，并不断调整随机聚类中心集的每个聚类中心的位置，直到聚类中心的位置足够好或达到最大迭代次数，最终得到的聚类中心集M＝{m1,m2,…mt}，t个聚类中心集。
优选地，所述根据全局Kmeans聚类算法获取新的聚类中心集包括：
以M＝{m1,m2,…mt}为数据集进行全局Kmeans聚类，通过设置聚类参数K＝1对数据集进行聚类得到最佳的聚类中心m1 *(1)；
通过依次将M＝{m1,m2,…mt}中的点mk设定为第k个聚类中心，以此为聚类中心的初始值进行Kmeans聚类，更新聚类中心集，继续添加mk+1到更新后的聚类中心集中，依次类推，得到新的聚类中心集M＝{m1 1,m2 1,…mt 1}。
优选地，所述对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类包括：
使用粒子群算法对新的聚类中心集M＝{m1 1,m2 1,…mt 1}调整得到最终聚类中心M＝{m1 final,m2 final,…mt final}，并据此得到等级分类。
根据本发明实施例的第二方面，提供一种仓库管理装置，包括：
预测占比计算单元，用于根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；
实际占比获取单元，用于查询各仓间每种商品在第(M+1)天的实际库存占比；
分类等级计算单元，用于根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及
移仓数量确定单元，根据各仓间每种商品的分类等级及在(M+1) 天的预测库存占比确定所述第(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在各仓间的移仓数量，所述M为正整数。
优选地，所述预测占比计算单元采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。
优选地，所述分类等级计算单元包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及
根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。
根据本发明的第三方面，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指令，所述计算机指令执行上述任意一项的仓库管理方法。
根据本发明的第四方面，提供一种仓库管理装置，包括：
存储器，用于存储计算机指令；
处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现上述任意一项的仓库管理方法。
本发明一实施例具有以下优点或有益效果：根据预测库存占比和实际库存占比计算分类等级，根据分类等级确定多种商品的理货操作的执行顺序以及每种商品的移仓数量，以此确保理库操作能够解决各仓间商品存储数量的不合理的问题，达到降低合流率的目的。
进一步地，将每种商品在前M天的出库量汇总，得到每种商品的总销量，对于同一个分类等级，优先执行销量高的商品的理货操作。通过计算总销量，使得销量较高的商品的理货操作优先执行，以此确保理库操作能够解决各仓间商品存储数量的不合理的问题，达到降低合流率的目的。
附图说明
通过参照以下附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是现有技术中一个示例性的实行了同品类多仓运营的仓储系统的示意图；
图2是本发明第一实施例的仓库管理方法的流程图；
图3是本发明第二实施例的仓库管理方法的流程图；
图4是本发明第三实施例的仓库管理装置的结构图；
图5是本发明第四实施例的仓库管理装置的结构图。
具体实施方式
以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程没有详细叙述。另外附图不一定是按比例绘制的。
图1是现有技术中一个示例性的同品类多仓运营的仓储系统的示意图。大件仓库100包括仓间101和102，仓间101和102中分别存储有多种商品。具体的，仓间101存储sku为1、2和3的商品，仓间101 存储sku为1、2和3的商品。sku(Stock Keeping Unit)表示库存量单位。每个sku的商品至少对应一个承运商，例如图上sku为2的商品对应承运商1、2和3，sku为4的商品对应承运商3和4。通过将仓间的商品和承运商绑定，从而保证每个仓间的商品供应。但是，施行同品类多仓运营的大件仓库中，商品并不是每天都发生入库操作，同时入库数量也并不是很多。随着时间的推移，由于种种原因，商品在仓库的各仓间内的商品存储数量会出现不合理的情况。例如，对于同品类多仓运营的仓库系统，系统根据商品的预测销量进行分仓入库的。在某段时间内，商品如果发生促销活动，那么可能会造成商品在促销期过后在各仓间分配不合理(促销期间较为合理)的情况，虽然能随着后期的入库逐渐调整回到合适的存放比例，但由于大件商品并不是每天都在入库，同时入库数量也不是很大，这期间会各仓间内的商品存储数量会出现不合理的情况。再例如，由于仓间的限制，某仓间存储空间不足或某个仓间禁止使用时，系统会将商品先放到有存储空间的仓间，后期并没有移动到此仓间，这样也会出现商品在仓间存储不合理的情况。还有一种情况是承运商和仓间的绑定关系的变更导致分仓入库时没有相应的承运商供应商品，导致各仓间存储严重不符合应有的商品合理存储比例。等等。
综上可知，对于实行了同品类多仓运营的仓储系统来说，各仓间内的商品存储数量出现不合理的情况无法完全避免。因此，本发明实施例提出一种仓库管理方法，利用算法确认各仓间商品存储数量的不合理的程度，并据此确定各仓间多种商品的理货操作的执行顺序以及每种商品的移仓数量。
图2是本发明第一实施例的仓库管理方法的流程图。所述仓库管理方法包括以下步骤。
在步骤S101中，根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比。
在本步骤中，设定一个时间段，例如，M天，采集当前日期之前M 天各仓间每种商品的每天的出库量，根据各个商品每天的出库量和预测模型计算各仓间每种商品当天的预测库存占比。M是一个正整数，M的取值和预测模型相关。
在步骤S102中，获取各仓间每种商品在第(M+1)天的实际库存占比。
在本步骤中，查询仓储系统的数据库，得到各仓间每种商品在该日期(即M+1天)的实际库存占比。这里每种商品可以是具有相同SKU的商品，也可以是具有相同品类的商品，本发明对此不作限定。
在步骤S103中，根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级。
在本步骤中，根据分类算法对上述步骤获得的各仓间每种商品在第 (M+1)天的预测库存占比和实际库存占比进行综合计算，并根据计算结果得到各仓间每种商品的分类等级。分类等级反映了预测库存占比与实际库存占比之间的差异程度，也反映了每种商品需要理货操作的迫切程度。
在步骤S104中，根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定第(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在各仓间的移仓数量。
在本步骤中，根据各仓间每种商品的分类等级和在(M+1)天的预测库存占比确定各仓间每种商品在第(M+1)天是否需要进行移仓以及移仓数量。例如，如果某种商品在甲仓间的分类等级特别高，则应该优先执行该商品的理货操作。具体地，如果该商品的预测库存占大于实际库存占比，则应该从其他仓间将该商品移仓到甲仓间，否则，将甲仓间该商品移动到其他仓间，或者不进行任何操作。理货操作可以是将商品从一个仓间移动到另一个仓间，也可以是从其他仓库对仓间内的商品进行补货。
在本发明实施例中，根据每种商品的出库量计算预测库存占比，然后根据预测库存占比和实际库存占比计算分类等级，由此分类等级反映了预测库存占比与实际库存占比之间的差异程度，进而根据分类等级、预测库存占比和实际库存占比确定每种商品的移仓数量，以此达到降低商品合流率的目的。
进一步地，将每种商品在前M天的出库量汇总，得到每种商品的总销量，对于同一个分类等级，优先执行销量高的商品的理货操作。通过计算总销量，使得销量较高的商品的理货操作优先执行，以达到降低合流率的目的。
图3是本发明第二实施例的仓库管理方法的流程图。图3所示的第二实施例在图2所示的第一实施例的基础上，将对一些细节做了更详细的描述。如图3所示，数据源201包括数据仓库2011、数据市场2012 和WMS系统2013。数据源201提供的商品销量数据、卡夫卡调库存数据、库位数据、库房数据等待。从这些数据中整理出各仓间每种商品每天出库量，并提供给预测模型201，得到预测库存占比204。同时将各仓间每种商品每天出库量提供给分类模型203，能够得到分类等级205。在本本实施例中，分类等级205包括5级。分类等级等于类别1的情况下，执步骤206和207，即优先选择商品销量等级为A,B(销量第一和第二)的商品，根据选择商品的预测库存占比计算每个仓间每种商品移仓数量。分类等级等于类别2至4中的之一的情况下，执行步骤209.即根据需要控制选取多少级别的商品进行理库操作。同时对商品销量为A,B的商品优先理货209。分类等级等于类别5的情况下，执行步骤210，即不需要进行理库操作的商品210。
应该指出的是，在上述实施例中根据预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。这个预测模型优先选择灰度预测模型(Gray Forecast Model)。灰度预测模型是通过利用少量的、不完全的信息，建立数学模型并做出预测的一种预测方法，此模型在一定程度上比较适用于出库量较为稀疏的大件仓库。下面将结合数据来讲解该模型。
首先，我们将仓库各仓间某商品前28天每天的商品出库数量在各仓间的出库占比记为非负数据序列x(0)＝{x(0)(1),x(0)(2),…,x(0)(28)}。我们对其进行一次累减和一次累加生成，分别记为：
a(1)x(0)＝{a(1)x(0)(1),a(1)x(0)(2),…,a(1)x(0)(28)}和
x(1)＝{x(1)(1),x(1)(2),…,x(1)(28)}，
其中a(1)x(0)(k)＝x(0)(k)-x(0)(k-1)。
构造背景值序列z(1)＝{z(1)(1),z(1)(2),…,z(1)(28)}
其中z(1)(k)＝(x(1)(k-1)+x(1)(k))/2，则称a(1)x(0)(k)+u1x(0)(k)+u2z(1)(k)＝u3为GM(2,1)模型，其中ui(i＝1,2,3)为待确定的系统参数，其对应的白化微分方程形式为：
Figure RE-GDA0002400853230000081
我们首先要求解上述模型中的未知参数u1,u2,u3，将上述模型的系数表示为矩阵：
Figure RE-GDA0002400853230000082
那么，我们模型中的未知参数Parameter＝[u1,u2,u3]T便可以用最小二乘估计法计算出其值为：Parameter＝[BTB]-1BTY。
下面我们将求解预测库存占比的模型参数值，得到模型预测值，其微分方程的特征方程r2+u1r+u2＝0的根为：
Figure RE-GDA0002400853230000083
求解微分方程(1)得到其解为：
Figure RE-GDA0002400853230000084
同时我们根据最小二乘法原则求解使得残差函数
Figure RE-GDA0002400853230000085
达到最小的参数c1,c2，通过对函数 f(c1,c2)中c1,c2求偏导数为0得到c1,c2的值：
Figure RE-GDA0002400853230000091
至此，我们将参数r1,r2,c1,c2代入(2)式便得到了完整的(2)的表达式，只要将(2)式累减还原，便得到我们需要的根据前28天出库量预测今天仓库各仓间商品的预测库存占比：
Figure RE-GDA0002400853230000092
当k≤28时，
Figure RE-GDA0002400853230000093
为模型的拟合值；当k＞28时，
Figure RE-GDA0002400853230000094
为预测库存占比。
在上述实施例中，可以采用多种方法计算每种商品的分类等级。例如，构建分类模型，通过分类模型计算各仓间每种商品的分类等级。再例如，根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵，然后根据聚类算法计算特征矩阵的聚类中心集，并据此得到各仓间每种商品的等级分类。
下文中将以一种谱聚类算法为示例具体介绍分类等级的计算步骤。当然在此过程中，还涉及了例如PSO算法等其他算法。谱聚类是从图论中演化出来的算法，后来在聚类中得到了广泛的应用。它的主要思想是把所有的数据看作空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。在本例中，具体包括以下步骤。
步骤1，数据预处理，提取商品关系主要特征
1)构造相似矩阵A∈Rn*n，n为商品种数(商品具有不同的sku_id，则认为是不同的商品)，
Figure RE-GDA0002400853230000095
i≠j,Aii＝0。其中xi和xj分别表示商品种类为i和j的商品对应的预测库存占比与真实库存占比的差值，i和j取值为1到n，σ是参数，n是正整数。
2)构造矩阵
Figure RE-GDA0002400853230000101
计算矩阵L的前k个特征值对应的特征向量，构造矩阵X＝[X1,X2,…,Xk]n*k，规范化矩阵X的行向量，得到矩阵
Figure RE-GDA0002400853230000102
Y＝[Y1,Y2,…,Yk]n*k，K为正整数。
步骤2，通过PSO算法生成临时的聚类中心集
1)根据Y＝[Y1,Y2,…,Yk]n*k初始化粒子群，生成随机的聚类中心集 M＝{m1 *,m2 *,…mt *}，t为人工设定值，并初始化粒子速度V，n为商品种数，聚类中心集是聚类中心点的集合。
2)引入适应度函数fit＝1.0/[x*sin(10x*pi)+2.0]，计算每个粒子的适应度值。
3)更新Pid(粒子可以获取自己能够搜索到的最优解)和Pgd(整个粒子群搜索到的最优位置)并不断调整聚类中心的位置，直到找到一个足够好的位置(例如，该聚类中心的位置与每个点的距离为最小)或达到最大迭代次数，生成临时的聚类中心集M＝{m1,m2,…mt}，t个聚类中心点。
步骤3，根据全局Kmeans聚类算法获取新的聚类中心集
1)以M＝{m1,m2,…mt}为数据集进行全局Kmeans聚类，通过设置聚类参数K＝1(聚类中心个数)对数据集进行聚类得到最佳的聚类中心m1 *(1)。
2)通过依次将M＝{m1,m2,…mt}中的点mk设定为第k个聚类中心，即构造聚类中心点的集合{m1 *(k),m2 *(k),…mk-1(k)*,mk}，以此为聚类中心的初始值进行Kmeans聚类，更新聚类中心集，继续添加mk+1到更新后聚类中心点集中，依次类推，得到新的中心点集M＝{m1 1,m2 1,…mt 1}。
步骤4，对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类。
1)与步骤2类似，使用粒子群算法对聚类中心M＝{m1 1,m2 1,…mt 1}调整得到最终聚类中心集M＝{m1 final,m2 final,…mt final}。聚类完成后，会根据前面的相互关系等分为不同类别的商品组合，当一个类别中的商品销量总数最多，那么其作为第一等级，以此类推。最终得到多个分类等级。
图4是本发明第三实施例的仓库管理装置的结构图。所述仓库管理装置包括预测占比计算单元401、实际占比获取单元402、分类等级计算单元403和移仓数据确定单元404。
预测占比计算单元401用于根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比。
实际占比获取单元402用于查询各仓间每种商品在第(M+1)天的实际库存占比。
分类等级计算单元403用于根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级。
移仓数据确定单元404用于根据各仓间每种商品的分类等级及在 (M+1)天的预测库存占比确定第(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在各仓间的移仓数量。
本发明实施例的仓库管理装置根据预测库存占比和实际库存占比构建特征矩阵，根据分类等级和预测库存占比确定每种商品的移仓数量，，以此确保理库操作能够解决各仓间商品存储数量的不合理的问题，达到降低合流率的目的。
在一个实施例中，所述预测占比计算单元采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。
在一个实施例中，所述分类等级计算单元包括以下步骤：根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；根据所述特征矩阵生成聚类中心集；获取所述聚类中心集的聚类中心点；以及调整聚类中心点，得到各仓间每种商品的等级分类。
在一个实施例中，将每种商品在前M天的出库量汇总，得到每种商品的总销量，对于同一个分类等级，优先执行销量高的商品的理货操作。
图5是根据本发明实施例的分布式管理装置的结构图。图5示出的设备仅仅是一个示例，不应对本发明实施例的功能和使用范围构成任何限制。
参考图5，该分布式管理装置包括通过总线连接的处理器501、存储器502和输入输出设备503。存储器502包括只读存储器(ROM)和随机访问存储器(RAM)，存储器502内存储有执行系统功能所需的各种计算机指令和数据，处理器501从存储器502中读取各种计算机指令以执行各种适当的动作和处理。输入输出设备包括键盘、鼠标等的输入部分；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。存储器502还存储有以下的计算机指令以完成本发明实施例的分布式管理方法规定的操作：根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；获取各仓间每种商品在第(M+1)天的实际库存占比；根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定各仓间每种商品在第(M+1)天的移仓数量，所述M为正整数。
相应地，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现上述方法所规定的操作。
附图中的流程图、框图图示了本发明实施例的系统、方法、装置的可能的体系框架、功能和操作，流程图和框图上的方框可以代表一个模块、程序段或仅仅是一段代码，所述模块、程序段和代码都是用来实现规定逻辑功能的可执行指令。也应当注意，所述实现规定逻辑功能的可执行指令可以重新组合，从而生成新的模块和程序段。因此附图的方框以及方框顺序只是用来更好的图示实施例的过程和步骤，而不应以此作为对发明本身的限制。
系统的各个模块或单元可以通过硬件、固件或软件实现。软件例如包括采用JAVA、C/C++/C#、SQL等各种编程语言形成的编码程序。虽然在方法以及方法图例中给出本发明实施例的步骤以及步骤的顺序，但是所述步骤实现规定的逻辑功能的可执行指令可以重新组合，从而生成新的步骤。所述步骤的顺序也不应该仅仅局限于所述方法以及方法图例中的步骤顺序，可以根据功能的需要随时进行调整。例如将其特征在于的某些步骤并行或按照相反顺序执行。
根据本发明的系统和方法可以部署在单个或多个服务器上。例如，可以将不同的模块分别部署在不同的服务器上，形成专用服务器。或者，可以在多个服务器上分布式部署相同的功能单元、模块或系统，以减轻负载压力。所述服务器包括但不限于在同一个局域网以及通过Internet 连接的多个PC机、PC服务器、刀片机、超级计算机等。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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 (14)

1.一种仓库管理方法，其特征在于，包括：
根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；
获取各仓间每种商品在第(M+1)天的实际库存占比；
根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及
根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定在(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在第(M+1)天的移仓数量，所述M为正整数。
2.根据权利要求1所述的仓库管理方法，其特征在于，采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。
3.根据权利要求1所述的仓库管理方法，其特征在于，还包括：对于相同分类等级，先执行销量高的商品的理货操作。
4.根据权利要求1所述的仓库管理方法，其特征在于，所述计算各仓间每种商品的分类等级包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及
根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。
5.根据权利要求4所述的仓库管理方法，其特征在于，所述根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类包括：
根据所述特征矩阵生成临时的聚类中心集；
根据全局Kmeans聚类算法获取新的聚类中心集；以及
对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类。
6.根据权利要求4或5所述的仓库管理方法，其特征在于，所述构建特征矩阵包括：
构建相似矩阵A∈Rn*n，n为商品种数，
Figure RE-FDA0002400853220000021
Aii＝0，
其中xi和xj分别表示商品种类为i和j的商品对应的预测库存占比与真实库存占比的差值，i和j取值为1到n，且i≠j,σ是参数，n是正整数；
构造矩阵L＝D-1/2AD-1/2,
Figure RE-FDA0002400853220000022
计算矩阵L的前k个特征值对应的特征向量X1,X2,…,Xk，构造矩阵X＝[X1,X2,…,Xk]n*k，规范化矩阵X的行向量，得到特征矩阵
Figure RE-FDA0002400853220000023
Y＝[Y1,Y2,…,Yk]n*k，k是正整数。
7.根据权利要求6所述的仓库管理方法，其特征在于，所述根据所述特征矩阵生成临时的聚类中心集包括：
根据Y＝[Y1,Y2,…,Yk]n*k初始化粒子群，生成随机聚类中心集M＝{m1 *,m2 *,…mt *}，t为人工设定值；
引入适应度函数，计算每个粒子的适应度值；
更新每个粒子搜索到的最优解和整个粒子群搜索到的最优位置，并不断调整随机聚类中心集的每个聚类中心的位置，直到聚类中心的位置与每个点的距离为最小或达到最大迭代次数，最终得到的聚类中心集M＝{m1,m2,…mt}，t个聚类中心集。
8.根据权利要求7所述的仓库管理方法，其特征在于，所述根据全局Kmeans聚类算法获取新的聚类中心集包括：
以M＝{m1,m2,…mt}为数据集进行全局Kmeans聚类，通过设置聚类参数K＝1对数据集进行聚类得到最佳的聚类中心m1 *(1)；
通过依次将M＝{m1,m2,…mt}中的点mk设定为第k个聚类中心，以此为聚类中心的初始值进行Kmeans聚类，更新聚类中心集，继续添加mk+1到更新后的聚类中心集中，依次类推，得到新的聚类中心集M＝{m1 1,m2 1,…mt 1}。
9.根据权利要求8所述的仓库管理方法，其特征在于，所述对新的聚类中心集调优得到最终聚类中心集，根据最终聚类中心集得到各仓间每种商品的等级分类包括：
使用粒子群算法对新的聚类中心集M＝{m1 1,m2 1,…mt 1}调整得到最终聚类中心M＝{m1 final,m2 final,…mt final}，并据此得到等级分类。
10.一种仓库管理装置，其特征在于，包括：
预测占比计算单元，用于根据各仓间每种商品在前M天的每天出库量计算各仓间每种商品在第(M+1)天的预测库存占比；
实际占比获取单元，用于查询各仓间每种商品在第(M+1)天的实际库存占比；
分类等级计算单元，用于根据各仓间每种商品的预测库存占比与实际库存占比的差值计算各仓间每种商品的分类等级；以及
移仓数量确定单元，用于根据各仓间每种商品的分类等级及在(M+1)天的预测库存占比确定所述第(M+1)天各仓间多种商品的理货操作的执行顺序以及每种商品在各仓间的移仓数量，所述M为正整数。
11.根据权利要求10所述的仓库管理装置，其特征在于，所述预测占比计算单元采用灰度预测模型计算各仓间每种商品在第(M+1)天的预测库存占比。
12.根据权利要求10所述的仓库管理装置，其特征在于，所述分类等级计算单元包括：
根据各仓间每种商品的预测库存占比与实际库存占比的差值构建特征矩阵；以及
根据聚类算法计算所述特征矩阵的聚类中心集，并根据所述特征矩阵的聚类中心集得到各仓间每种商品的等级分类。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被执行时实现如权利要求1至9任一项所述的仓库管理方法。
14.一种仓库管理装置，其特征在于，包括：
存储器，用于存储计算机指令；
处理器，耦合到所述存储器，所述处理器被配置为基于所述存储器存储的计算机指令执行实现如权利要求1至9中任一项所述的仓库管理方法。
CN201911153648.1A 2019-11-22 2019-11-22 仓库管理方法和装置以及计算机可读介质 Pending CN112836839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911153648.1A CN112836839A (zh) 2019-11-22 2019-11-22 仓库管理方法和装置以及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911153648.1A CN112836839A (zh) 2019-11-22 2019-11-22 仓库管理方法和装置以及计算机可读介质

Publications (1)

Publication Number Publication Date
CN112836839A true CN112836839A (zh) 2021-05-25

Family

ID=75921601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911153648.1A Pending CN112836839A (zh) 2019-11-22 2019-11-22 仓库管理方法和装置以及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112836839A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418484A (zh) * 2021-12-22 2022-04-29 上海联蔚数字科技集团股份有限公司 物联网贸易库存管理的方法与设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418484A (zh) * 2021-12-22 2022-04-29 上海联蔚数字科技集团股份有限公司 物联网贸易库存管理的方法与设备

Similar Documents

Publication Publication Date Title
Tsou Multi-objective inventory planning using MOPSO and TOPSIS
Ramos et al. Performance of state space and ARIMA models for consumer retail sales forecasting
Pan et al. Order batching in a pick-and-pass warehousing system with group genetic algorithm
US10474953B2 (en) Systems and methods for multi-objective optimizations with decision variable perturbations
Lin et al. Joint order batching and picker Manhattan routing problem
Park et al. Cross-evaluation-based weighted linear optimization for multi-criteria ABC inventory classification
Le Ray et al. Online adaptive clustering algorithm for load profiling
CN110392899A (zh) 用于模型生成的动态特征选择
Qu et al. A contrastive study of the stochastic location-inventory problem with joint replenishment and independent replenishment
Yin et al. Cooperative coevolutionary approach for integrated vehicle routing and scheduling using cross-dock buffering
CN114219169A (zh) 颖幡供应链销售和库存预测算法模型和应用系统
Cui et al. Medium-term planning of a multiproduct batch plant under evolving multi-period multi-uncertainty by means of a moving horizon strategy
Tsou Evolutionary Pareto optimizers for continuous review stochastic inventory systems
Scholz-Reiter et al. Prediction of customer demands for production planning–Automated selection and configuration of suitable prediction methods
CN113656691A (zh) 数据预测方法、装置及存储介质
CN113537850A (zh) 仓储优化方法、装置、计算机设备和存储介质
CN113191533A (zh) 仓库用工预测方法、装置、设备及存储介质
CN113780611A (zh) 一种库存管理方法和装置
CN112836839A (zh) 仓库管理方法和装置以及计算机可读介质
Varga et al. Improvement of PSO Algorithm by Memory-Based Gradient Search—Application in Inventory Management
Puspita et al. Clustering-based sales forecasting in a forklift distributor
Lingras et al. Semi-supervised rough cost/benefit decisions
CN114912647A (zh) 用于决定决策的装置、方法和机器可读存储介质
Asrol et al. An Optimize and Adaptive Modeling for Sugarcane Harvesting and Transportation
US20230297948A1 (en) Predicting Supply Chain Policies Using Machine Learning

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