CN112862385B - 集散货分拣方法、装置及存储介质 - Google Patents

集散货分拣方法、装置及存储介质 Download PDF

Info

Publication number
CN112862385B
CN112862385B CN201911185434.2A CN201911185434A CN112862385B CN 112862385 B CN112862385 B CN 112862385B CN 201911185434 A CN201911185434 A CN 201911185434A CN 112862385 B CN112862385 B CN 112862385B
Authority
CN
China
Prior art keywords
sorting
bulk
shift
cargo
collection
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
Application number
CN201911185434.2A
Other languages
English (en)
Other versions
CN112862385A (zh
Inventor
魏源
陀斌
何炜立
潘柳颖
陶斯佳
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.)
SF Technology Co Ltd
Original Assignee
SF 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 SF Technology Co Ltd filed Critical SF Technology Co Ltd
Priority to CN201911185434.2A priority Critical patent/CN112862385B/zh
Publication of CN112862385A publication Critical patent/CN112862385A/zh
Application granted granted Critical
Publication of CN112862385B publication Critical patent/CN112862385B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种集散货分拣方法、装置及存储介质。所述集散货分拣方法，包含：根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择可以调用的分拣模型，所述分拣模型包括集货分拣模型、散货分拣模型和集散货同步分拣模型；当所述集货班次及所述散货班次重叠时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次的两者的流向个数，将多个分拣格口的一第一部分指派为集货分拣格口、所述分拣多个分拣格口的一第二部分指派为散货分拣格口。本发明通过判断集散班次是否重合，智能分配集货和散货分拣格口个数，将集货和散货同时分拣，最大化利用分拣设备，提升人员效率。

Description

集散货分拣方法、装置及存储介质
技术领域
本发明涉及一种集散货分拣方法、装置及存储介质，具体涉及一种物流集散货分拣方法、装置及存储介质。
背景技术
集货分拣是指在某个中转场分拣由本城市发往其它城市的快件，散货分拣是指在某个中转场分拣来自其它城市，目的地为本城市，需散到本城市的快件。现有的中转场分拣将集货和散货分开，分别制订集货分拣方案和散货分拣方案，将集货和散货放在不同分拣机上进行分拣。现有的中转场分拣计划是集货和散货分开，制作分拣计划的时候集货和散货所用分拣格口数量已知，集散模型是两个分开的模型。现有技术无法充分利用分拣设备分拣格口，及考虑各分拣格口件量均衡，限制了人员的效率。
故，有必要提供一种集散货分拣方法、装置及存储介质，以解决现有技术所存在的问题。
发明内容
有鉴于此，本发明提供一种集散货分拣方法、装置及存储介质，以解决现有技术集货和散货在不同分拣机上进行分拣，无法充分利用分拣设备分拣格口，及考虑各分拣格口件量均衡，限制了人员的效率的问题。
本发明的主要目的在于提供一种集散货分拣方法、装置及存储介质，其可以改善无法充分利用分拣设备分拣格口，及考虑各分拣格口件量均衡，限制了人员的效率的问题。
本发明的次要目的在于提供一种集散货分拣方法、装置及存储介质，其可以通过生成集散同步分拣计划，判断集散班次是否重合，智能分配集货和散货分拣格口个数，达到充分利用分拣设备分拣格口，及业务上考虑各分拣格口件量均衡，提升人员效率的效果。
为达成本发明的前述目的，本发明一实施例提供一种集散货分拣方法，包含：
根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择可以调用的分拣模型，所述分拣模型包括集货分拣模型、散货分拣模型和集散货同步分拣模型；
当所述集货班次及所述散货班次重叠时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次的两者的流向个数，将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。
在本申请一些实施例中，所述集散货同步分拣模型包含分拣格口指派优化函数，所述分拣格口指派优化函数为min(∑kzk+g_max_t+s_max_t-g_min_t-s_min_t；其中，zk为混分分拣格口判断变量、g_max_t为所述集货分拣格口中的各自分拣格口件量中的最大值、g_min_t为所述集货分拣格口中的各自分拣格口件量中的最小值、s_max_t为所述散货分拣格口中的各自分拣格口件量中的最大值、s_min_t为所述散货分拣格口中的各自分拣格口件量中的最小值。
在本申请一些实施例中，对所述分拣格口指派优化函数进行约束，以当所述多个分拣格口的一分拣格口的流向个数大于一时，将所述分拣格口定义为混分分拣格口；及当所述多个分拣格口的另一分拣格口的流向个数等于一时，将所述另一分拣格口定义为直分分拣格口。
在本申请一些实施例中，对所述分拣格口指派优化函数进行约束，约束条件包括如下：
以限定每个流向只能被分配到一个分拣格口；
对所述分拣格口指派优化函数进行约束，使得每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口；以及
使得每个分拣格口的流向个数不超过分拣柜的分拣格口数。
在本申请一些实施例中，对所述分拣格口指派优化函数进行约束，使得在所述时间区段内，所述集货分拣格口的每个分拣格口的件量不大于所述集货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值；所述散货分拣格口的每个分拣格口的件量不大于所述散货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值。
在本申请一些实施例中，当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有集货班次时，调用所述集货分拣模型以将所有的所述多个分拣格口指派为集货分拣格口；及
当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有散货班次时，调用所述散货分拣模型以将所有的所述多个分拣格口指派为散货分拣格口。
在本申请一些实施例中，所述集散货数据包含货物流向、到件日期、到件时间、到件数量、集货班次到达时间、集货班次出发时间、散货班次到达时间、散货班次出发时间。
在本申请一些实施例中，当所述集货班次及所述散货班次的流向个数大于分拣格口数时，将所述集货分拣格口的一部分或所述散货分拣格口的一部分指派为混分分拣格口。
另一方面，本申请提供一种集散货分拣装置，包含：
获取单元，用于获取一时间区段的集散货数据；
分析单元，用于根据所述集散货数据分析集货班次及散货班次是否重叠；以及
分拣格口指派单元，依据所述集货班次及所述散货班次的流向个数，通过集散货同步分拣模型将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。
在本申请一些实施例中，当所述分析单元分析所述时间区段内的所述集货班次及所述散货班次被判断为仅具有集货班次时，所述分拣格口指派单元调用所述集货分拣模型以将多个分拣格口指派为集货分拣格口；及
当所述分析单元分析所述时间区段内的所述集货班次及所述散货班次被判断为仅具有散货班次时，所述分拣格口指派单元调用所述散货分拣模型以将所述多个分拣格口指派为散货分拣格口；
在本申请一些实施例中，所述集散货数据包含货物流向、到件日期、到件时间、到件数量、集货班次到达时间、集货班次出发时间、散货班次到达时间、散货班次出发时间。
在本申请一些实施例中，当所述分析单元分析所述集货班次及所述散货班次的流向个数大于所述分拣格口数时，所述分拣格口指派单元将所述集货分拣格口的一部分或所述散货分拣格口的一部分指派为混分分拣格口。
在本申请一些实施例中，所述集散货同步分拣模型包含分拣格口指派优化函数，所述分拣格口指派优化函数由混分分拣格口判断变量、所述集货分拣格口中的各自分拣格口件量中的最大值、所述集货分拣格口中的各自分拣格口件量中的最小值、所述散货分拣格口中的各自分拣格口件量中的最大值、所述散货分拣格口中的各自分拣格口件量中的最小值组成，所述分拣格口指派优化函数为混分分拣格口判断变量的总和及所述集货分拣格口中的各自分拣格口件量中的最大值与最小值的差值加上所述散货分拣格口的各自分拣格口件量中的最大值与最小值的差值的总和的最小值。
在本申请一些实施例中，所述分析单元对所述分拣格口指派优化函数进行约束，以当所述多个分拣格口的一分拣格口的流向个数大于一时，所述分拣格口指派单元将所述分拣格口定义为混分分拣格口；及当所述多个分拣格口的另一分拣格口的流向个数等于一时，所述分拣格口指派单元将所述另一分拣格口定义为直分分拣格口。
在本申请一些实施例中，所述分析单元对所述分拣格口指派优化函数进行约束，以限定所述分拣格口指派单元对每个流向只能被分配到一个分拣格口。
在本申请一些实施例中，所述分析单元对所述分拣格口指派优化函数进行约束，使得所述分拣格口指派单元对每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口。
在本申请一些实施例中，所述分析单元对所述分拣格口指派优化函数进行约束，使得每个分拣格口的流向个数不超过分拣柜的分拣格口数。
在本申请一些实施例中，所述分析单元对所述分拣格口指派优化函数进行约束，使得在所述时间区段内，所述集货分拣格口的每个分拣格口的件量不大于所述集货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值；所述散货分拣格口的每个分拣格口的件量不大于所述散货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值。
另一方面，本申请还提供一种服务器，包含：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现前述的集散货分拣方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权前述的集散货分拣方法中的步骤。
与现有技术相比较，本发明的集散货分拣方法、装置及存储介质，可以通过判断集散班次是否重合，在集货和散货所用分拣格口未知的情况下，制作集散货同步分拣计划，同时结合和考虑了集散货计划的需求，智能分配集散流向，同时考虑集散分拣计划个性化需求和约束，同时分配集散流向，智能分配集货和散货分拣格口个数，达到充分利用分拣设备分拣格口，及业务上考虑各分拣格口件量均衡，提升人员效率的效果。
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图说明
图1是本发明实施例中提供的集散货分拣系统的场景示意图；
图2是本发明实施例中提供的集散货分拣方法的一个实施例流程示意图；
图3是本发明实施例中提供的建构集散货同步分拣模型流程示意图；
图4是本发明实施例中提供的集散货分拣装置的一个实施例结构示意图；
图5是本发明实施例中提供的服务器的一个实施例结构示意图。
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，所描述的实施例仅仅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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包含一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
术语“集货分拣模型”是指在单独的集货班次中，用于配置分拣机将所有分拣格口配置以用于集货作业的分拣作业。
术语“散货分拣模型”是指在单独的散货班次中，用于配置分拣机将所有分拣格口配置以用于散货作业的分拣作业。
术语“集散货同步分拣模型”是指在集货班次及散货班次重叠的班次中，依据所述集货班次及所述散货班次两者的流向个数，此时用于集货班次的流向个数与用于散货班次的流向个数的分拣格口未知，所述集散货同步分拣模型将多个分拣格口的一部分指派为集货分拣格口、所述多个分拣格口的另一部分指派为散货分拣格口。
术语“分拣格口”是指分拣时承载货物的单位，表示一个货物存储或放置的地方，包括物流领域中，分拣货物时所用到的各类分拣格口及其他满足该分拣格口条件的空间。
术语“流向个数”是指在一时间区段内的货件流向不同目的地的个数。例如，一时间区段内具有流向北京、上海、武汉、及深圳等四个城市，则此时间区段内的所述流向个数为4。所述流向个数可细分为集货班次的流向个数散货班次的流向个数。
术语“集货分拣”是指在某个中转场分拣由本城市发往其它城市的快件。
术语“散货分拣”是指在某个中转场分拣来自其它城市，目的地为本城市，需散到本城市的快件。
术语“集货分拣格口”是指一分拣格口仅能是用于集货分拣的分拣格口，可以具有一个或一个以上的集货班次的流向个数。例如，将某个分拣格口定义为集货分拣格口时，该分拣格口一时间区段内定义流入的货物中仅能为集货货物。
术语“散货分拣格口”是指一分拣格口仅能是用于散货分拣的分拣格口，可以具有一个或一个以上的散货班次的流向个数。例如，将某个分拣格口定义为散货分拣格口时，该分拣格口一时间区段内定义流入的货物中仅能为散货货物。
术语“混分分拣格口”是指一个分拣格口流入的货物中，具有两个以上的流向个数。例如，一时间区段内流入某个分拣格口的货物中，具有流向北京、上海的货物。
术语“直分分拣格口”是指一个分拣格口流入的货物中，仅具有一个流向个数。例如，一时间区段内流入某分拣格口的货物中，仅具有流向深圳的货物。当流向数小于分拣格口数时，可以将所有分拣格口指派为直分分拣格口。
术语“混分分拣格口判断变量”是指当流向数大于分拣格口数时，需将部分的分拣格口指派混分分拣格口。所述混分分拣格口判断变量为0或1变量，当所述混分分拣格口判断变量的计算结果为0时，将该分拣格口指派为直分分拣格口，当所述混分分拣格口判断变量的计算结果为1时，将该分拣格口指派为混分分拣格口。例如，当第1个分拣格口的混分分拣格口判断变量的计算结果为1时，将该分拣格口指派为混分分拣格口；当第2个分拣格口的混分分拣格口判断变量的计算结果为0时，将该分拣格口指派为直分分拣格口。
术语“时间颗粒度”是指中转站中管理一个或多个设备的时间的基本单位，其可以为5分钟、10分钟、20分钟、30分钟或1小时等，具体可以根据实际使用情况进行设置。
本发明实施例提供一种集散货分拣方法、装置及存储介质，以下分别进行详细说明。
所述集散货分拣方法运行于集散货分拣系统的设备中，请参阅图1，图1为本发明实施例所提供的集散货分拣系统的场景示意图，所述集散货分拣系统的设备100可以是服务器，也可以是终端，如手机、Pad、台式电脑等设备。所述设备100根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，根据存储在该设备100中的集散货同步分拣模型制订的集散货同步分拣计划，控制分拣机200中的第一部分分拣格口指派为集货分拣格口、第二部分分拣格口指派为散货分拣格口，以将货件分配至特定分拣格口中。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包含比图1中所示更多或更少的设备，例如图1中仅示出1个设备，可以理解的，该集散货分拣系统还可以包含一个或多个其他服务，具体此处不作限定。
需要说明的是，图1所示的集散货分拣系统的场景示意图仅仅是一个示例，本发明实施例描述的集散货分拣系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着集散货分拣系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
如图2所示，为本发明实施例中集散货分拣方法的一个实施例流程示意图，该集散货分拣方法的具体流程如下：
步骤S201、根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择调用集货分拣模型、散货分拣模型或集散货同步分拣模型。
本发明实施例中，集散货分拣方法不限制具体应用领域，例如集散货分拣方法可以是物流平台对应的集散货分拣方法，邮局对应的集散货分拣方法，电商平台对应的集散货分拣方法等，具体此处不作限定。
其中，所述时间区段为一个集货班次或一个散货班次的到达时间到出发时间的一个时间区段，也可设定为中转站中分拣设备的时间颗粒度，可以是10分钟、20分钟、30分钟或1小时等，具体可以根据实际使用情况进行设置，此处不作具体限定。
本发明实施例中，所述集散货数据包含货物流向、到件日期、到件时间、到件数量、集货班次到达时间、集货班次出发时间、散货班次到达时间、散货班次出发时间等。例如由北京寄至上海(货物流向)、10/20寄出、10/22下午18：00必须到件(到件日期、到件时间)、到件数量3件(到件数量)、该货品的集货班次到达时间为10/21中午12：00，该货品的集货班次出发时间为10/21下午14：00。
步骤202、当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有集货班次时(即，根据所述集散货数据判断所述时间区段内仅具有集货班次时)，调用所述集货分拣模型以将分拣机的多个分拣格口指派为集货分拣格口。例如，当所述集货班次的流向数小于所述分拣机的所有分拣格口时，将所述分拣机的所有分拣格口均指派为集货直分分拣格口。
步骤203、当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有散货班次时(即，根据所述集散货数据判断所述时间区段内仅具有散货班次时)，调用所述散货分拣模型以将所述分拣机的所述多个分拣格口指派为散货分拣格口。例如，当所述散货班次的流向数小于所述分拣机的所有分拣格口时，将所述分拣机的所有分拣格口均指派为散货直分分拣格口。
步骤204、当所述集货班次及所述散货班次重叠(例如，当所述集货班次的到达时间为上午十点，出发时间为中午十二点，所述散货班次的到达时间为上午十一点，出发时间为下午十三点，即可判断为所述集货班次及所述散货班次重叠，所述集货班次及所述散货班次重叠可以为所述集货班次与所述散货班次部分重叠或完全重叠)时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次两者的流向个数，将所述分拣机的所述多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。上述分拣格口的指派根据所述集散货数据输入所述集散货同步分拣模型后由所述服务器制订集散货同步分拣计划来进行。例如，当此集散货重叠的班次的所有货物中集货货物具有60个流向、散货货物具有40个流向，总共具有100个流向，中转站中可用的分拣格口数为80个，所述集散货同步分拣模型根据所述集散货数据制订集散货同步分拣计划，可将所有可用的分拣格口最优化配置。例如，根据所述集散货同步分拣模型制订集散货同步分拣计划结果，中转站中可用的80个分拣格口中，其中50个分拣格口用于处理集货货物的流向、30个分拣格口用于处理散货货物的流向。上述的50个集货分拣格口中，45个集货分拣格口被配置为集货直分分拣格口，用于处理集货货物中单个流向的货物；5个集货分拣格口被配置为集货混分分拣格口，用于处理集货货物中多个流向的货物。上述的30个散货分拣格口中，27个散货分拣格口被配置为散货直分分拣格口，用于处理散货货物中单个流向的货物；3个散货分拣格口被配置为散货混分分拣格口，用于处理散货货物中多个流向的货物。如此，相较于人为分派分拣格口，根据所述集散货同步分拣模型可以使中转站中每个分拣格口所处理的件量尽量平均，混分分拣格口被指派的数量最小，如此可以减少第二次分拣的工作量，达到场内设备利用的最优化。
优选地，当所述集货班次及所述散货班次的流向个数大于所述分拣机的分拣格口数时，将所述集货分拣格口的一部分或所述散货分拣格口的一部分指派为混分分拣格口。
具体的，如图3所示，根据所述时间区段的所述集散货数据，以时间颗粒度构建所述集散货同步分拣模型，所述集散货同步分拣模型包含以下步骤：
步骤301、设置分拣格口指派优化函数，所述分拣格口指派优化函数可由下式表示：min(∑kzk+g_max_t+s_max_t-g_min_t-s_min_t)，其中，g_max_t是指所述集货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最大件量(例如，所有集货分拣格口中，第80个格口具有最大件量88件，此时g_max_t为88)。g_min_t是指所述集货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最小件量(例如，所有集货分拣格口中，第10个格口具有最小件量50件，此时g_min_t为50)。s_max_t是指所述散货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最大件量(例如，所有散货分拣格口中，第5个格口具有最大件量150件，此时s_max_t为150)。s_min_t是指所述散货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最小件量(例如，所有散货分拣格口中，第15个格口具有最大件量20件，此时s_min_t为20)。zk是指混分分拣格口判断变量，其为0-1变量，用于指定分拣格口k是否为混分分拣格口。例如，通过集散货同步分拣模型计算结果，Z1为1表示第1个分拣格口指定为混分分拣格口；Z2为0表示第2个分拣格口指定为混分分拣格口。通过所述集散货同步分拣模型的计算结果可将所述集货分拣格口和所述散货分拣格口中的所述混分分拣格口的数量最小化及将各个分拣格口的件量差异到最小。
具体的，所述分拣机具有分拣机分拣格口集合G＝(1,2,...,k)。集货班次集合J,对应的开始时间集合S1，集货班次对应的结束时间集合E1。散货班次集合S,对应的开始时间集合S1，集货班次对应的结束时间集合E1。以20分钟为一个时间颗粒度，时间颗粒度集合T。集货流向i在每个时间颗粒度t的件量(Jqty)it，散货流向j在每个时间颗粒度t的件量(Sqty)jt。
具体的，所述集散货同步分拣模型使用python语言实现，使用的集成开发环境(IDE)是PyCharm。
步骤302、对所述分拣格口指派优化函数进行约束，以当所述分拣机的所述多个分拣格口的一分拣格口的流向个数大于1时，将所述分拣格口定义为混分分拣格口；及当所述分拣机的所述多个分拣格口的另一分拣格口的流向个数等于1时，将所述另一分拣格口定义为直分分拣格口。
具体的，对所述分拣格口指派优化函数进行约束以分派所述多个分拣格口的一分拣格口为混分分拣格口或直分分拣格口可以下式表示：
Figure BDA0002292286810000131
Figure BDA0002292286810000132
Figure BDA0002292286810000133
Figure BDA0002292286810000134
其中，xik是0-1变量，表示集货流向i是否被分配到分拣格口k；yjk是0-1变量，表示散货流向j是否被分配到分拣格口k；zk是指混分分拣格口判断变量，其为0-1变量，用于指定分拣格口k是否为混分分拣格口；M为一个极大值(例如∞)。例如X21＝1，zk＝0表示集货流向2是否被分配到分拣格口1且分拣格口1为直分分拣格口，不为混分分拣格口。
步骤303、对所述分拣格口指派优化函数进行约束，以限定每个流向只能被分配到一个分拣格口。
具体的，对所述分拣格口指派优化函数进行约束，以限定每个流向只能被分配到一个分拣格口可以下式表示：
Figure BDA0002292286810000141
Figure BDA0002292286810000142
步骤304、对所述分拣格口指派优化函数进行约束，使得每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口。
具体的，对所述分拣格口指派优化函数进行约束，使得每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口可以下式表示：
Figure BDA0002292286810000143
Figure BDA0002292286810000144
其中dk为集货分拣格口或散货分拣格口判断变量，其为0-1变量，例如，根据所述集散货同步分拣模型计算结果，当d1＝0时，分拣格口1是集货分拣格口，当d2＝0时，分拣格口2为散货分拣格口；M为一个极大值(例如∞)。
步骤305、对所述分拣格口指派优化函数进行约束，使得每个分拣格口的流向个数不超过分拣柜的分拣格口数。
具体的，对所述分拣格口指派优化函数进行约束，使得每个分拣格口的流向个数不超过分拣柜的分拣格口数可以下式表示：
Figure BDA0002292286810000145
Figure BDA0002292286810000146
其中，C为分拣柜的分拣格口数。
步骤306、对所述分拣格口指派优化函数进行约束，使得在所述时间区段内，所述集货分拣格口的每个分拣格口的件量不大于所述集货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值；所述散货分拣格口的每个分拣格口的件量不大于所述散货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值。优选地，所述时间区段为一个时间颗粒度。
具体的，上述的约束条件以下式表示：
Figure BDA0002292286810000151
Figure BDA0002292286810000152
Figure BDA0002292286810000153
Figure BDA0002292286810000154
其中，(Jqty)it是指集货流向集中第i个流向在第t个时间段的到件量，(Sqty)jt是指散货流向集中第j个流向在第t个时间段的到件量。g_max_t是指所述集货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最大件量。g_min_t是指所述集货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最小件量。s_max_t是指所述散货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最大件量。s_min_t是指所述散货分拣格口在一个时间颗粒度(20分钟)内的各自分拣格口件量中的最小件量。
根据上述的约束条件，本发明中的一个分拣格口限制成仅能是集货分拣格口或散货分拣格口，不能在一个分拣格口中同时处理集货及散货。一个混分分拣格口限制成仅能是集货分拣格口或散货分拣格口，及一个直分分拣格口限制成仅能是集货分拣格口或散货分拣格口。
本发明实施例通过上述的约束条件，使得集货和散货同时分拣，最大化利用分拣设备，提升人员效率，只有一个设备也能将集货和散货同时分拣，达成时效要求。
为了更好实施本发明实施例中集散货分拣方法，在集散货分拣方法基础之上，本发明实施例中还提供一种集散货分拣装置，如图4所示，为本发明实施例中集散货分拣装置的一个实施例结构示意图，该集散货分拣装置400包含：
获取单元401，用于获取一时间区段的集散货数据；
分析单元402，用于根据所述集散货数据分析集货班次及散货班次是否重叠；以及
分拣格口指派单元403，依据所述集货班次及所述散货班次的流向个数，通过集散货同步分拣模型将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。
在本申请一些实施例中，当所述分析单元402分析所述时间区段内的所述集货班次及所述散货班次被判断为仅具有集货班次时，所述分拣格口指派单元403调用所述集货分拣模型以将多个分拣格口指派为集货分拣格口；及
当所述分析单元402分析所述时间区段内的所述集货班次及所述散货班次被判断为仅具有散货班次时，所述分拣格口指派单元403调用所述散货分拣模型以将所述多个分拣格口指派为散货分拣格口；
在本申请一些实施例中，所述集散货数据包含货物流向、到件日期、到件时间、到件数量、集货班次到达时间、集货班次出发时间、散货班次到达时间、散货班次出发时间等。
在本申请一些实施例中，当所述分析单元402分析所述集货班次及所述散货班次的流向个数大于分拣格口数时，所述分拣格口指派单元403将所述集货分拣格口的一部分或所述散货分拣格口的一部分指派为混分分拣格口。
在本申请一些实施例中，所述集散货同步分拣模型包含分拣格口指派优化函数，所述分拣格口指派优化函数由混分分拣格口判断变量、所述集货分拣格口中的各自分拣格口件量中的最大值、所述集货分拣格口中的各自分拣格口件量中的最小值、所述散货分拣格口中的各自分拣格口件量中的最大值、所述散货分拣格口中的各自分拣格口件量中的最小值组成，所述分拣格口指派优化函数为混分分拣格口判断变量的总和及所述集货分拣格口中的各自分拣格口件量中的最大值与最小值的差值加上所述散货分拣格口的各自分拣格口件量中的最大值与最小值的差值的总和的最小值。
在本申请一些实施例中，所述分析单元402对所述分拣格口指派优化函数进行约束，以当所述多个分拣格口的一分拣格口的流向个数大于一时，所述分拣格口指派单元403将所述分拣格口定义为混分分拣格口；及当所述多个分拣格口的另一分拣格口的流向个数等于一时，所述分拣格口指派单元403将所述另一分拣格口定义为直分分拣格口。
在本申请一些实施例中，所述分析单元402对所述分拣格口指派优化函数进行约束，以限定所述分拣格口指派单元403对每个流向只能被分配到一个分拣格口。
在本申请一些实施例中，所述分析单元402对所述分拣格口指派优化函数进行约束，使得所述分拣格口指派单元403对每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口。
在本申请一些实施例中，所述分析单元402对所述分拣格口指派优化函数进行约束，使得每个分拣格口的流向个数不超过分拣柜的分拣格口数。
在本申请一些实施例中，所述分析单元402对所述分拣格口指派优化函数进行约束，使得在所述时间区段内，所述集货分拣格口的每个分拣格口的件量不大于所述集货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值；所述散货分拣格口的每个分拣格口的件量不大于所述散货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值。
本申请实施例通过获取单元401获取一时间区段的集散货数据；分析单元402，用于根据所述集散货数据分析集货班次及散货班次是否重叠；分拣格口指派单元403，依据所述集货班次及所述散货班次的流向个数，通过集散货同步分拣模型将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。在现有技术中，集货和散货在不同分拣机上进行分拣，无法充分利用分拣设备分拣格口。本申请将集货和散货同时分拣，智能分配集货和散货分拣格口个数，达到充分利用分拣设备分拣格口，及业务上考虑各分拣格口件量均衡最大化利用分拣设备，提升人员效率，达成时效要求。
本发明实施例还提供一种服务器，其集成了本发明实施例所提供的任一种集散货分拣装置，所述服务器包含：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述集散货分拣方法实施例中任一实施例中所述的集散货分拣方法中的步骤。
本发明实施例中，所述服务器可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包含但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
如图5所示，其示出了本发明实施例所涉及的服务器的结构示意图，具体来讲：
该服务器可以包含一个或者一个以上处理核心的处理器501、一个或一个以上计算机可读存储介质的存储器502、电源503和输入单元504等部件。本领域技术人员可以理解，图5中示出的服务器结构并不构成对服务器的限定，可以包含比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器501是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。可选的，处理器501可包含一个或多个处理核心；优选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包含存储程序区和存储数据区，其中，存储程序区可存储操作系统、所述用于实现所述集散货分拣方法的一个或多个应用程序以及其他功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器502可以包含高速随机存取存储器，还可以包含非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包含存储器控制器，以提供处理器501对存储器502的访问。
服务器还包含给各个部件供电的电源503，优选的，电源503可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源503还可以包含一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包含输入单元504，该输入单元504可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，服务器还可以包含显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能，如下：
根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择调用集货分拣模型、散货分拣模型或集散货同步分拣模型；
当所述集货班次及所述散货班次重叠时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次的流向个数，将所述多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，该存储介质可以包含：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行本发明实施例所提供的任一种集散货分拣方法中的步骤。例如，所述计算机程序被处理器进行加载可以执行如下步骤：
根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择调用集货分拣模型、散货分拣模型或集散货同步分拣模型；
当所述集货班次及所述散货班次重叠时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次的流向个数，将所述多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。
具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种集散货分拣方法、装置及存储介质进行了详细介绍，本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种集散货分拣方法，其特征在于，所述集散货分拣方法包含：
根据一时间区段的集散货数据，判断集货班次及散货班次是否重叠，以选择可以调用的分拣模型，所述分拣模型包括集货分拣模型、散货分拣模型和集散货同步分拣模型；
当所述集货班次及所述散货班次重叠时，调用所述集散货同步分拣模型，依据所述集货班次及所述散货班次的两者的流向个数，将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口；所述集货班次及所述散货班次重叠是指所述集货班次的时间与所述散货班次的时间部分重叠或完全重叠；
其中，所述集散货同步分拣模型包含分拣格口指派优化函数，所述分拣格口指派优化函数为：
Figure 305017DEST_PATH_IMAGE001
其中，
Figure 469283DEST_PATH_IMAGE002
为混分分拣格口判断变量、
Figure 445329DEST_PATH_IMAGE003
为所述集货分拣格口中的各自分拣格口件量中的最大值、
Figure 454873DEST_PATH_IMAGE004
为所述集货分拣格口中的各自分拣格口件量中的最小值、
Figure 82032DEST_PATH_IMAGE005
为所述散货分拣格口中的各自分拣格口件量中的最大值、
Figure 151620DEST_PATH_IMAGE006
为所述散货分拣格口中的各自分拣格口件量中的最小值。
2.根据权利要求1所述的集散货分拣方法，其特征在于，对所述分拣格口指派优化函数进行约束，以当所述多个分拣格口的一分拣格口的流向个数大于一时，将所述分拣格口定义为混分分拣格口；及当所述多个分拣格口的另一分拣格口的流向个数等于一时，将所述另一分拣格口定义为直分分拣格口。
3.根据权利要求1或2所述的集散货分拣方法，其特征在于，对所述分拣格口指派优化函数进行约束，约束条件包括如下：
以限定每个流向只能被分配到一个分拣格口；
对所述分拣格口指派优化函数进行约束，使得每个分拣格口只能分配为所述集货分拣格口或所述散货分拣格口；以及
使得每个分拣格口的流向个数不超过分拣柜的分拣格口数。
4.根据权利要求2或3所述的集散货分拣方法，其特征在于，对所述分拣格口指派优化函数进行约束，使得在所述时间区段内，所述集货分拣格口的每个分拣格口的件量不大于所述集货分拣格口的各自分拣格口件量中的最大值；所述集货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值；所述散货分拣格口的每个分拣格口的件量不大于所述散货分拣格口的各自分拣格口件量中的最大值；所述散货分拣格口的每个分拣格口的件量不小于所述集货分拣格口的各自分拣格口件量中的最小值。
5.根据权利要求1所述的集散货分拣方法，其特征在于，当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有集货班次时，调用所述集货分拣模型以将所有的所述多个分拣格口指派为集货分拣格口；及
当所述时间区段内的所述集货班次及所述散货班次被判断为仅具有散货班次时，调用所述散货分拣模型以将所有的所述多个分拣格口指派为散货分拣格口。
6.根据权利要求1所述的集散货分拣方法，其特征在于，所述集散货数据包含货物流向、到件日期、到件时间、到件数量、集货班次到达时间、集货班次出发时间、散货班次到达时间、散货班次出发时间。
7.根据权利要求1所述的集散货分拣方法，其特征在于，当所述集货班次及所述散货班次的流向个数大于分拣格口数时，将所述集货分拣格口的一部分或所述散货分拣格口的一部分指派为混分分拣格口。
8.一种集散货分拣装置，其特征在于，所述集散货分拣装置包含：
获取单元，用于获取一时间区段的集散货数据；
分析单元，用于根据所述集散货数据分析集货班次及散货班次是否重叠；所述集货班次及所述散货班次重叠是指所述集货班次的时间与所述散货班次的时间部分重叠或完全重叠，以及
分拣格口指派单元，依据所述集货班次及所述散货班次的流向个数，通过集散货同步分拣模型将多个分拣格口的一第一部分指派为集货分拣格口、所述多个分拣格口的一第二部分指派为散货分拣格口；
其中，所述集散货同步分拣模型包含分拣格口指派优化函数，所述分拣格口指派优化函数为：
Figure 880541DEST_PATH_IMAGE001
其中，
Figure 693776DEST_PATH_IMAGE002
为混分分拣格口判断变量、
Figure 660595DEST_PATH_IMAGE003
为所述集货分拣格口中的各自分拣格口件量中的最大值、
Figure 166663DEST_PATH_IMAGE004
为所述集货分拣格口中的各自分拣格口件量中的最小值、
Figure 851722DEST_PATH_IMAGE005
为所述散货分拣格口中的各自分拣格口件量中的最大值、
Figure 468648DEST_PATH_IMAGE006
为所述散货分拣格口中的各自分拣格口件量中的最小值。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的集散货分拣方法中的步骤。
CN201911185434.2A 2019-11-27 2019-11-27 集散货分拣方法、装置及存储介质 Active CN112862385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911185434.2A CN112862385B (zh) 2019-11-27 2019-11-27 集散货分拣方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911185434.2A CN112862385B (zh) 2019-11-27 2019-11-27 集散货分拣方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112862385A CN112862385A (zh) 2021-05-28
CN112862385B true CN112862385B (zh) 2023-04-11

Family

ID=75985066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911185434.2A Active CN112862385B (zh) 2019-11-27 2019-11-27 集散货分拣方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112862385B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114345714B (zh) * 2021-12-29 2023-11-03 北京京东振世信息技术有限公司 一种物品分拣方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8156013B2 (en) * 2010-06-28 2012-04-10 Amazon Technologies, Inc. Methods and apparatus for fulfilling tote deliveries
CN104907259B (zh) * 2015-05-20 2017-12-05 深圳深若科技有限公司 一种基于统一编码的快递分拣方法及系统
CN206343396U (zh) * 2016-09-29 2017-07-21 顺丰科技有限公司 分拣系统
CN108855953A (zh) * 2018-04-19 2018-11-23 顺丰科技有限公司 一种波次快件分拣方法、装置及设备、存储介质
CN109377124A (zh) * 2018-09-25 2019-02-22 顺丰科技有限公司 快件分拣方法、装置、服务器及计算机可读存储介质
CN109604171A (zh) * 2018-10-22 2019-04-12 顺丰科技有限公司 快件分拣方法、装置、设备及其存储介质
CN109570038A (zh) * 2018-11-02 2019-04-05 顺丰科技有限公司 分拣方法和分拣系统

Also Published As

Publication number Publication date
CN112862385A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
US9542223B2 (en) Scheduling jobs in a cluster by constructing multiple subclusters based on entry and exit rules
CN104252390B (zh) 资源调度方法、装置和系统
CN104657220A (zh) 混合云中基于截止时间和费用约束的调度模型及方法
Tan et al. A cooperative coevolution genetic programming hyper-heuristics approach for on-line resource allocation in container-based clouds
CN103885831B (zh) 虚拟机宿主机的选择方法与装置
CN109471705A (zh) 任务调度的方法、设备及系统、计算机设备
Wen et al. Energy and cost aware scheduling with batch processing for instance-intensive IoT workflows in clouds
CN105892996A (zh) 一种批量数据处理的流水线作业方法及装置
CN110162388A (zh) 一种任务调度方法、系统及终端设备
CN108549583A (zh) 大数据处理方法、装置、服务器及可读存储介质
Zhang et al. Energy-efficient tasks scheduling heuristics with multi-constraints in virtualized clouds
CN110221915A (zh) 节点调度方法和装置
CN106506670A (zh) 一种云平台虚拟资源高速调度方法与系统
Quadt et al. Capacitated lot‐sizing and scheduling with parallel machines, back‐orders, and setup carry‐over
Armant et al. Semi-online task assignment policies for workload consolidation in cloud computing systems
CN111832855A (zh) 格口分配方法、装置、分拣机及存储介质
CN104917839A (zh) 一种用于云计算环境下的负载均衡方法
CN112862385B (zh) 集散货分拣方法、装置及存储介质
CN108769105A (zh) 一种云环境下的知识服务多任务调度优化方法及其构建的调度系统
Ye et al. SHWS: Stochastic hybrid workflows dynamic scheduling in cloud container services
CN113112107A (zh) 中转场规划方法、装置、服务器及存储介质
CN105045667A (zh) 一种用于虚拟机vCPU调度的资源池管理方法
CN109189548A (zh) 资源调度方法、装置、计算机设备及计算机可读存储介质
Awada et al. Air-to-air collaborative learning: A multi-task orchestration in federated aerial computing
CN115952054A (zh) 一种仿真任务资源管理方法、装置、设备及介质

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