CN113077070B - 基于属性预测的动态abc分类仓储策略优化方法及实现系统 - Google Patents
基于属性预测的动态abc分类仓储策略优化方法及实现系统 Download PDFInfo
- Publication number
- CN113077070B CN113077070B CN202010008357.XA CN202010008357A CN113077070B CN 113077070 B CN113077070 B CN 113077070B CN 202010008357 A CN202010008357 A CN 202010008357A CN 113077070 B CN113077070 B CN 113077070B
- Authority
- CN
- China
- Prior art keywords
- classification
- products
- abc
- product
- attribute
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 241000531116 Blitum bonus-henricus Species 0.000 claims description 2
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 229910000881 Cu alloy Inorganic materials 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000601 superalloy Inorganic materials 0.000 description 2
- 241000883306 Huso huso Species 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于属性预测的动态ABC分类仓储策略优化方法及实现系统，该方法具体包括以下步骤：构建属性库，该属性库包括历史产品的类别属性，该类别属性包括多个属性值；基于该属性库并结合历史产品的出库数量训练ABC分类预测模型；基于Bender曲线拟合产品ABC需求模型；基于几何规划并结合该产品ABC需求模型求解所有产品的ABC分类的分类数和分类边界；根据该分类数和分类边界实施货物仓储。本发明通过基于属性预测的动态ABC分类仓储策略优化方法及实现系统，从企业的运营数据和生产实际出发，具有很好的实用性和可操作性，并且从理论上首次解决了分类仓储中分类数和分类边界的同时优化问题，可以为企业仓库的存取货活动大大节省人力物力。
Description
技术领域
本发明涉及经济领域，尤其涉及一种基于属性预测的动态ABC分类仓储策略优化方法及实现系统。
背景技术
ABC分类存储是企业生产实践中广泛运用的一种仓储管理策略，仓储环节中成本最高的环节就是货物的存取环节，因此为了节省存取货消耗的人力物力，企业会将需求大、存取频繁的货物放在离仓库出入口近的位置，而不太存取的货物摆放在仓库最里边。但由于管理者无法精准获取待销产品未来的存取货频率，所以根据经验和预测将产品和仓库对应地分为几大类就成为了最受仓库管理者欢迎的做法。自Hausman等(1976)在讨论最佳存储分配策略时对随机存储规则、全周转存储规则和分类存储规则的运作性能进行了比较，给出了使用ABC分类存储策略时仓库中平均单程存取货距离的计算方式后，关于ABC分类存储的研究日益增多。如Eynan和Rosenblatt(1994)通过一维搜索程序发现将仓库分为较少的几类就可以获得与使用全周转策略相当的存取距离的节省效果；Petersen等(2004)在人工拣选仓库中比较了基于分类的存储(CBS)和基于数量的存储(VBS)对仓库存取性能的影响，仿真结果发现CBS可以节省随机存储中的存取距离，并提供接近VBS的性能；Yu等(2015)首次在ABC分类存储中引入空间共享因素，发现传统文献中分类越多平均存取距离越短的结论并不总是正确。随着电商和快销品的快速发展，产品生命周期日渐缩短，需求不确定性逐渐增大，新产品层出不穷，这些都使得传统的将历史产品ABC分类直接视为未来产品ABC分类的静态ABC分类存储策略不再适用。因此企业需要动态调整仓库分类布局(分类数和分类边界)。如Rosenblatt和Eynan(1989)给出了在AS/RS中使用一维搜索步骤获得最优分类边界的方法；T.Le-Duc等(2005)则基于人工拣选仓库提出一个估计平均单程存取货距离的概率模型，并将问题拓展到大型仓库中提出了一个数值模拟表现较好的启发式算法；Rao和Adil(2013)则考虑了一个two-block的仓库，提出了一个迭代分层框架用于同时选取最优的pick list大小、过道数和分类边界。由于求解上的数学难度，目前还没有同时给出分类数和分类边界的最优解的研究。
发明内容
本发明的目的在于提供一种基于属性预测的动态ABC分类仓储策略优化方法及实现系统，以至少部分解决上述技术问题。
本发明一方面提供了一种基于属性预测的动态ABC分类仓储策略优化方法，包括：
构建属性库，该属性库包括历史产品的类别属性，该类别属性包括多个属性值；
基于该属性库并结合历史产品的出库数量训练ABC分类预测模型；
基于Bender曲线并结合该ABC分类预测模型拟合产品ABC需求模型；
基于几何规划并结合该产品ABC需求模型求解所有产品的ABC分类的分类数和分类边界，该所有产品包括历史产品和新产品；
根据该分类数和分类边界实施货物仓储。
其中：
一些实施例中，上述结合历史产品的出库数量训练ABC分类预测模型包括：
将历史产品按出库数量从大到小排列；
计算前k个历史产品累积的出库量占比，k＝1，2，...，K：
根据Gk的值将该历史产品分为c类；
根据该历史产品的分类结果和其类别属性训练预测模型；
其中，Dr表示第r个历史产品的出库数量，K表示历史产品的总数。
进一步的，其中的训练预测模型包括：
将历史产品按时间段分为训练集和测试集，该训练集和测试集均包括历史产品的类别属性和对应的属性值；
根据训练集分类结果和其类别属性训练逻辑回归分类器：
其中，P(Yk＝i)表示第k个历史产品被分到第i类的概率，Ck表示第k个历史产品的属性向量，NC表示属性库的元素个数，βkin(k＝1，...，K；i＝1，...，c；n＝1，..，Nc)通过极大似然估计获得；
根据训练集的类别属性训练随机森林分类器；
利用测试集对逻辑回归分类器和随机森林分类器进行分类测试；
根据分类测试结果选择预测效果更好的分类器作为ABC分类预测模型。
更进一步的，其中的随机森林分类器包括多棵分类树，训练随机森林分类器包括：
多次训练各棵分类树得到训练集中同一个历史产品的多个预测结果；
取最频繁的预测结果作为该历史产品的ABC分类结果。
一些实施例中，上述基于Bender曲线并结合ABC分类预测模型拟合产品ABC需求模型包括：
根据所述Gk的值获取所有产品的ABC分类的分位点及各个分位区间对应的产品的种类及其需求占比；
利用最小二乘法反推Bender曲线G(k/K)＝(1+B)k/K(B+k/K)，B≥0中的B值，得到拟合的产品ABC需求模型，其中，G(k/K)为仓库中产品数占比k/K的所有产品的销量占仓库总销量的比重，k/K为销量从高到低前k种产品总数占仓库总产品数的比重。
一些实施例中，上述基于几何规划并结合产品ABC需求模型求解所有产品的ABC分类的分类数和分类边界包括：
预先指定新产品的原始分类数；
计算一趟取货最远位置在第i类产品的区域的概率及对应的期望来回时间，进一步的为：
其中，Pi为一趟取货最远位置在第i类产品的区域的概率，di为从第i类产品的区域完成一趟取货的期望来回时间，pi为第i类产品被取货的概率，q1为一趟取货个数，Si为第i类产品的平均所需存储空间，所述最远位置在第i类产品的区域包括所有待取货物在区域1～i，且不是都在区域1～i-1；
计算所有产品的需求和其所需存储空间的关系，进一步的为：
Ni＝N(xi-xi-1)，
其中，Si表示第i类所有产品所需平均存储空间，xi表示第i类产品，N表示产品总数，Ni表示第i类产品中的产品个数，AI(x)表示第i类产品中产品x的平均库存，a表示过道数，c表示产品的分类数；
计算在某一过道中的期望取货时间，进一步的包括：
计算在所述过道中横向穿梭的期望时间：
其中，m为第j条过道被取货的概率，q为一趟取货数，Oi为每条过道中第i类产品被取货的频率，wa为两排货架之间的间隔，和/或
计算跨越所述过道的纵向穿梭的期望时间：
其中，wb为两排货架加一条过道的宽度；
基于几何规划最小化该期望取货时间，得到所有产品优化后的分类数和分类边界。
本发明另一方面提供了一种基于属性预测的动态ABC分类仓储策略优化方法的实现系统，用以实现上述的方法，该系统包括：
属性库模块，存储产品的分类属性和对应的属性值；
ABC分类预测模块，内置ABC分类预测模型，输出基于属性库预测的产品的ABC分类；
分类优化模块，内置基于Bender曲线和该ABC分类预测模型拟合的产品ABC需求模型，其输入为不同种类的产品，输出为产品的分类数和分类边界；
其中，分类优化模块通过几何规划问题求解器实现求解输出。
与现有技术相比，本发明提供的该基于属性预测的动态ABC分类仓储策略优化方法及实现系统，具有如下三个明显优点：
(1)新产品由于缺少历史数据作为参考一直是预测的难点，本发明提出基于属性的预测逻辑，将产品拆分为一系列对应的属性，建立产品属性和分类的预测模型；
(2)目前多数情况下为了求解方便使用幂函数作为ABC需求曲线的形式，本发明从实际数据出发比较了不同函数形式的拟合效果，发现Bender的需求曲线是最符合实际情况的，因此后续的分类仓储优化策略都是基于Bender的需求曲线来进行；
(3)本发明通过一系列凸优化转化，将原问题转化为几何规划，能够同时求解最优分类数和分类边界，得到真正最节省成本的分类仓储策略，而不再是近似最优策略。
附图说明
图1是本发明实施例动态ABC分类仓储策略优化方法的流程图；
图2是本发明实施例中使用随机森林分类器训练的分类树预测模型；
图3是本发明实施例实施仓储的仓库排布图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
有鉴于此，本发明的目的是结合可获取的企业实际数据，提供一种基于属性预测的动态ABC分类仓储策略优化方法及实现系统，能够同时优化分类数和分类边界，从而最大程度上的为企业仓储环节节约成本，提高企业整体竞争能力。
本发明采用以下方案实现：
本发明一实施例提供一种基于属性预测的动态ABC分类仓储策略优化方法，包括以下步骤：
首先，构建属性库，所述属性库包括历史产品的类别属性，所述类别属性包括多个属性值；
基于属性库并结合历史产品的出库数量训练ABC分类预测模型(步骤S1)；
基于Bender曲线并结合ABC分类预测模型拟合仓库产品需求模型(步骤S2)；
基于几何规划并结合该仓库产品需求模型求解所有产品(包括历史产品和新产品)的ABC分类的分类数和分类边界(步骤S3)；
最后，根据得到的该分类数和分类边界实施货物仓储。
一些实施例中，上述步骤1还包括：
步骤S11：根据仓库提供的过去一段时期内出入库的产品信息，提取产品的属性及对应的属性值，如成分是机电零部件的类别属性之一，其属性值包含黑色金属、高温合金、铝合金、铜合金等。对于每个类别属性，将其转化为对应的若干个虚拟变量(黑色金属，高温合金，铝合金，铜合金等)后和尺寸等连续属性变量共同构成产品的属性库。令产品k(k＝1，2，...，K)的属性向量记为Ck，所有产品一段时期内的出库数量从大到小依次记为D1，D2，...，DK，则计算前k个产品总数占仓库总产品数的比重为k/K，计算前k个产品累积出库量占比为：
显然Gk取值为0-1之间。根据Gk的不同分位点将产品k(k＝1，2，...，K)分为c类，会发现第1类的产品类别数占比最小，而第c类的产品类别数占比最大，这就是仓库中常见的ABC分类现象，即占比很小的一部分畅销产品占据了所有产品销量的大部分比例。将产品所属的类别记为Yk，属性库元素个数记为Nc。
步骤S12：根据训练集中历史产品的分类结果和其类别属性使用逻辑回归分类器训练预测模型如下：
其中βkin(k＝1，...，K；i＝1，...，I；n＝1，..，Nc)通过极大似然估计获得。
步骤S13：使用训练集中历史产品的类别属性使用随机森林分类器训练预测模型如下：
随机抽取样本，训练分类树如图2所示，对于第k个产品的属性Ck，可以得到在这棵分类树中对应的分类。重复上述步骤，产生多棵分类树，对于同一个产品获得多个分类结果，取其中出现最频繁的分类结果认为是预测的产品分类。
步骤S14：利用测试集中历史产品的类别属性及属性值比较逻辑回归分类器和随机森林分类器对于该历史产品的预测准确度，选择更准确的预测模型去预测下一期仓库中所有产品的分类。
基于以上步骤，对于新产品k′，首先判断属性库中的每个元素其是否成立，构建属性向量Ck′，然后利用选择的预测模型进行分类预测。
一些实施例中，上述步骤S2还包括：
对于下一期产品(含新产品)，根据上述步骤中的ABC分类预测结果可以计算出不同Gk对应的k，例如可以得到三组坐标(kA，0.7)，(kB，0.9)和(kC，1)，其中，kA，kB分别为A类和B类产品以及B类和C类产品的分界线，kC＝1，则根据bender的分类需求曲线结构G(k/K)＝(1+B)k/K(B+k/K)，B≥0，可以反推该曲线中的B值。需要说明的是，其中的G(k/K)为仓库中产品数占比k/K的所有产品的销量占仓库总销量的比重，k/K为销量从高到低前k个产品总数占仓库总产品数的比重。
一些实施例中，上述步骤S3还包括：
步骤S31：考虑如下一个矩形仓库系统。
(1)拣货员可以直接够到最高和最低位置，因此每个货架中取货的垂直距离忽略不计；(2)同一类中的货物随机摆放，具有相同的存取频率；(3)每条过道中的产品分类布局是相同的。仓库中下一期一共有K个产品(包含新产品)要存储，横向一共有a条过道，产品共分为c类，拣货员一趟取q个产品。我们先考虑一条过道j，其中第i类产品被取货的概率为记Pi为一趟取货最远位置在第i类区域的概率，di为这种情况下一趟取货的期望来回时间，则拣货员一趟取q1个货物的期望来回时间为：
步骤S32：考虑一趟取货最远位置在第1类区域的情况。
若一趟取货最远要取的货物在第1类区域，这意味着这趟取货中所有要取的货物都在区域1，所以这种情况发生的概率为：
P1＝p1 q1 (2)
将第i类中产品的平均所需存储空间记为Si，因为q1个[0，1]上连续均匀分布变量的期望最大值为q1/(q1+1)，所以这q1个待取货物在区域1中分布的最远距离的期望值(即这趟取货最远位置在区域1时的期望来回时间)为：
步骤S33：考虑一趟取货最远位置在第2类区域的情况。
若一趟取货最远要取的货物在第2类区域，这意味着所有待取货物都在区域1或区域2，且不是都在区域1，若q1个待取货物中有N2个分布在区域2，则这种情况发生的概率及其对应的期望来回取货时间为：
P2＝(p1+p2)q1-p1 q1 (4)
一般地，认为q1个待取货物在区域1和区域2分布的比例等于区域1和区域2中产品需求的比值，因此：
所以，d2可以被近似计算为：
步骤S34：考虑一趟取货最远位置在第i类区域的情况。
若一趟取货最远要取的货物在第i类区域，这意味着所有待取货物都在区域1～i，且不是都在区域1～i-1，和步骤S33中计算方式类似，这种情况发生的概率及其对应的期望来回取货时间可被计算为：
我们将另记为ψ(pi，q1)，则最终拣货员一趟取q1个货物的平均来回时间为：
步骤S35：考虑上述的产品的需求和该产品所需存储空间的关系。
根据Bender的需求曲线可求导计算产品x的需求为/>则其平均库存水平为/>考虑到空间共享效应(相邻类产品之间会共用部分区间)，一共有K个产品，第i类中产品xi取货的频率(需求)最低，则第i类中产品类别数为Ni＝N(xi-xi-1)，则第i类中产品x的平均库存为/>因此，第i类所有产品所需平均存储空间为：
步骤S36：考虑在某一过道中的期望取货时间。
一些实施例中，该步骤进一步的包括：
步骤S361：计算某一过道(横向)穿梭的期望时间。
考虑在一个仓库的多条过道中，每条过道中第i类产品被取货的频率Oi是一样的：
所以对于每条过道，第i类产品被取货的概率为：
若一趟取1个货物，则过道j被取到的概率为若一趟取q个货物，则过道j被取到的概率为/>将pi归一化得/>则：
最终，拣货员一趟取q个货物的平均过道横向穿梭时间为：
步骤S362：计算跨越过道时(纵向)穿梭的期望时间。
一般地，考虑仓库为左右对称，在该种情况下，过道j和过道(a-j+1)被取到的概率相等，一趟取货中其中之一被取到的概率为将n归一化为则一趟取货最远位置为区域过道j的概率为ψ(n′，q)＝(jn′)q-((j-1)n′)q。因此，一趟取货穿梭的纵向跨过道距离的期望值为：
该部分期望距离为可以根据仓库规格(过道数a，货架宽(具体为两排货架加一条过道的宽度)wb和一趟取货数q)直接计算的常数。
综合以上步骤，以最小化两部分期望取货时间为目标构建规划问题如下：
该问题是一个非凸非凹的规划问题，是无法通过软件自带的求解器求解的。因此，本发明及实施例中结合几何规划的思想将其进行转换。
首先，通过定义辅助变量：
使原问题转化为：
接着，将不等式约束条件转换为等价的等式约束条件，则原问题变为：
该规划问题可以通过MATLAB软件中的cvx插件提供的几何规划问题求解器直接求解，若事先指定产品分类数c为一个较大的整数，则求解出的xi(i＝1，...，c)中的极小值则可以约等于0，最终可以确定最优的分类数和分类边界。
本发明另一实施例提供一种基于属性预测的动态ABC分类仓储策略优化方法的实现系统，包括：
属性库模块，存储历史产品和/或新产品的分类属性和对应的属性值；
几何规划问题求解器，基于ABC分类预测模型实现上述的ABC分类预测。
以下，进一步结合具体实施例对上述的基于属性预测的动态ABC分类仓储策略优化方法做更进一步的说明：
首先，基于属性动态预测产品ABC分类。
一、构建属性库，计算历史产品真实分类。
获取企业历史产品出库数据，根据机电零部件材质、尺码等构建属性库Ck(k＝1，2，...，K)，并根据这些产品对应的出库频率(销量)从大到小排列D1，D2，...，DK，计算产品k对应的然后将Gk在0-0.7范围内对应的产品归为A类，将Gk在0.7-0.9范围内对应的产品归为B类，将Gk在0.9-1范围内对应的产品归为C类。
二、拆分训练集和测试集，训练检测分类预测模型。
用前四个月的产品数据作为训练集，后一个月产品作为测试集。每往后一个月，滚动更新训练集数据，用训练集中产品对应的属性向量Ck和所属的类别Yk训练逻辑回归分类器，估计其中的βkin(k＝1，...，K；i＝1，...，I；n＝1，..，Nc)，同时训练随机森林预测模型。对于测试集中产品i′，判断属性库中的每个元素其是否成立，构建其属性向量Xi′。逻辑回归和随机森林对于训练集中产品的预测准确度如下表所示，显然，在本实施例中，随机森林的分类预测效果更好，且误差非常小，因此选择随机森林分类器构建的预测模型去预测下一期仓库中所有产品(含新产品)的分类Yi′。
然后，根据分类预测结果可以知道下一期A、B、C类产品各有哪些，因此可以计算分类边界根据三个坐标点(xA，0.7)，(xB，0.9)和(xC，1)用最小二乘法反推Bender的分类需求曲线结构G(k/K)＝(1+B)k/K(B+k/K)，B≥0中的B值。
接着，考虑当B＝0.1时，在一个包括a＝4条过道，左右对称的两牌货架之间间隔Wa＝10，两排货架加上一条过道宽为Wb＝15，一排货架长L＝3/4的仓库中存储N＝400种产品，空间共享因子ε＝0.01，拣货员一趟取q＝12个产品。先假设这400种产品分为c＝10类。
考虑一趟取货最远位置在第1类区域的情况。若一趟取货最远要取的货物在第1类区域，这意味着这趟取货中所有要取的货物都在区域1，所以这种情况发生的概率及其对应的期望来回取货时间为：
P1＝p1 3
考虑一趟取货最远位置在第2类区域的情况。若一趟取货最远要取的货物在第2类区域，这意味着所有待取货物都在区域1或区域2，且不是都在区域1，若3个待取货物中有N2个分布在区域2，所以这种情况发生的概率及其对应的期望来回取货时间为：
P2＝(p1+p2)3-p1 3
考虑一趟取货最远位置在第i类区域的情况。若一趟取货最远要取的货物在第i类区域，这意味着所有待取货物都在区域1～i，且不是都在区域1～i-1，和步骤S33中计算方式类似，这种情况发生的概率及其对应的期望来回取货时间可被计算为：
根据Bender的需求曲线可求导计算产品x的需求为/>则其平均库存水平为/>考虑到空间共享效应(相邻类产品之间会共用部分区间)，则第k类中产品x的平均库存为/>因此，第i类所有产品所需平均存储空间为：
考虑在一个仓库的多条过道中，每条过道中第i类产品被取货的频率Oi是一样的：
所以对于每条过道，第i类产品被取货的概率为：
若一趟取1个货物，则过道j被取到的概率为若一趟取12个货物，则过道j被取到的概率为/>将pi归一化得/>则：/>
最终，拣货员一趟取12个货物的平均过道横向穿梭时间为：
一趟取货穿梭的纵向跨过道距离的期望值为：
经过转化，该期望取货时间最小化规划问题如下：
经求解得到x1＝x2＝x3＝x4＝x5＝x6＝x7＝x8＝0，x9＝0.005，x10＝1。至此，我们可以知道最佳的分类存储策略是分为2类，把预测出库频率最大的2种产品分为第1类，其余产品分为第2类。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，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，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于属性预测的动态ABC分类仓储策略优化方法，其特征在于，包括：
构建属性库，所述属性库包括历史产品的类别属性，所述类别属性包括多个属性值；
基于所述属性库并结合历史产品的出库数量训练ABC分类预测模型，包括：
将所述历史产品按出库数量从大到小排列；
计算前k个历史产品累积的出库量占比，k＝1,2，...，K，K表示历史产品的总数；
根据所述出库量占比的值将所述历史产品分为c类；
根据所述历史产品的分类结果和其类别属性训练预测模型，包括：将所述历史产品按时间段分为训练集和测试集，所述训练集和测试集均包括所述历史产品的类别属性和对应的属性值；根据所述训练集分类结果和其类别属性训练逻辑回归分类器，根据所述训练集的类别属性训练随机森林分类器；利用所述测试集对逻辑回归分类器和随机森林分类器进行分类测试；根据分类测试结果选择预测效果更好的分类器作为ABC分类预测模型；
基于Bender曲线并结合所述ABC分类预测模型拟合产品ABC需求模型，包括：
根据所述出库量占比的值获取所有产品的ABC分类的分位点及各个分位区间对应的产品的种类及其需求占比；
利用最小二乘法反推Bender曲线G(k/K)＝(1+B)k/K(B+k/K)，B≥0中的B值，得到拟合的产品ABC需求模型，其中，G(k/K)为仓库中产品数占比k/K的所有产品的销量占仓库总销量的比重，k/K为销量从高到低前k个产品总数占仓库总产品数的比重；
基于几何规划并结合所述产品ABC需求模型求解所有产品的ABC分类的分类数和分类边界包括：
预先指定新产品的原始分类数；
计算一趟取货最远位置在第i类产品的区域的概率及对应的期望来回时间；
计算所有产品的需求和其所需存储空间的关系；
计算在某一过道中的期望取货时间，包括：计算在所述过道中横向穿梭的期望时间，计算跨越所述过道的纵向穿梭的期望时间；
基于几何规划最小化所述期望取货时间，得到所有产品优化后的分类数和分类边界，所述所有产品包括历史产品和新产品；
根据所述分类数和分类边界实施货物仓储。
2.根据权利要求1所述的动态ABC分类仓储策略优化方法，其特征在于，所述
计算前k个历史产品累积的出库量占比包括：
其中，Dr表示第r个历史产品的出库数量。
3.根据权利要求2所述的动态ABC分类仓储策略优化方法，其特征在于，所述根据所述训练集分类结果和其类别属性训练逻辑回归分类器包括：
其中，P(Yk＝i)表示第k个历史产品的被分到第i类的概率，Ck表示第k个历史产品的属性向量，NC表示所述属性库的元素个数，βkin(k＝1，...，K；i＝1，...，c；n＝1，..，Nc)通过极大似然估计获得。
4.根据权利要求3所述的动态ABC分类仓储策略优化方法，其特征在于，所述随机森林分类器包括多棵分类树，所述训练随机森林分类器包括：
多次训练各棵所述分类树得到所述训练集中同一个历史产品的多个预测结果；
取最频繁的预测结果作为该历史产品的ABC分类结果。
5.根据权利要求4所述的动态ABC分类仓储策略优化方法，其特征在于，所述一趟取货最远位置在第i类产品的区域的概率及对应的期望来回时间为：
其中，Pi为一趟取货最远位置在第i类产品的区域的概率，di为从所述第i类产品的区域完成一趟取货的期望来回时间，pi为第i类产品被取货的概率，q1为一趟取货个数，Si为第i类产品的平均所需存储空间，所述最远位置在所述第i类产品的区域包括所有待取货物在区域1～i，且不是都在区域1～i-1。
6.根据权利要求5所述的动态ABC分类仓储策略优化方法，其特征在于，计算所有产品的需求和其所需存储空间的关系为：
Ni＝N（xi-xi-1)
其中，Si表示第i类所有产品所需平均存储空间，xi表示第i类产品，N表示产品总数，Ni表示第i类产品中的产品个数，AI(x)表示第i类产品中产品x的平均库存，a表示过道数，c表示产品的分类数。
7.根据权利要求6所述的动态ABC分类仓储策略优化方法，其特征在于，
所述计算在所述过道中横向穿梭的期望时间包括：
其中，q为一趟取货数，Oi为每条过道中第i类产品被取货的频率，wa为两排货架之间的间隔；
所述计算跨越所述过道的纵向穿梭的期望时间包括：
其中，wb为两排货架加一条过道的宽度。
8.一种基于属性预测的动态ABC分类仓储策略优化方法的实现系统，其特征在于，基于权利要求1至7中任一所述的方法实现，包括：
属性库模块，存储产品的分类属性和对应的属性值；
ABC分类预测模块，内置ABC分类预测模型，输出基于属性库预测的产品的ABC分类；
分类优化模块，内置基于Bender曲线和所述ABC分类预测模型拟合的产品ABC需求模型，其输入为不同种类的产品，输出为产品的分类数和分类边界；
其中，所述分类优化模块通过几何规划问题求解器实现求解输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010008357.XA CN113077070B (zh) | 2020-01-03 | 2020-01-03 | 基于属性预测的动态abc分类仓储策略优化方法及实现系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010008357.XA CN113077070B (zh) | 2020-01-03 | 2020-01-03 | 基于属性预测的动态abc分类仓储策略优化方法及实现系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113077070A CN113077070A (zh) | 2021-07-06 |
| CN113077070B true CN113077070B (zh) | 2024-02-23 |
Family
ID=76609363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010008357.XA Active CN113077070B (zh) | 2020-01-03 | 2020-01-03 | 基于属性预测的动态abc分类仓储策略优化方法及实现系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113077070B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720811B (zh) * | 2023-08-10 | 2023-11-28 | 山东水发大正物联科技有限公司 | 一种基于物联网的仓储库管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009205365A (ja) * | 2008-02-27 | 2009-09-10 | Nec Corp | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム |
| CN103287772A (zh) * | 2012-03-01 | 2013-09-11 | 余玉刚 | 基于传送带的三维智能紧致化仓储系统的最优尺寸设计 |
| CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
| CN109886478A (zh) * | 2019-01-29 | 2019-06-14 | 东南大学 | 一种成品酒自动化立体仓库的货位优化方法 |
| CN110163427A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 一种门店库存优化的方法 |
-
2020
- 2020-01-03 CN CN202010008357.XA patent/CN113077070B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009205365A (ja) * | 2008-02-27 | 2009-09-10 | Nec Corp | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム |
| CN103287772A (zh) * | 2012-03-01 | 2013-09-11 | 余玉刚 | 基于传送带的三维智能紧致化仓储系统的最优尺寸设计 |
| CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
| CN109886478A (zh) * | 2019-01-29 | 2019-06-14 | 东南大学 | 一种成品酒自动化立体仓库的货位优化方法 |
| CN110163427A (zh) * | 2019-05-09 | 2019-08-23 | 杭州览众数据科技有限公司 | 一种门店库存优化的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 仓储配送中ABC管理的优化问题及其实证;田歆;汪寿阳;陈庆洪;;运筹与管理(04);全文 * |
| 供应链管理中库存控制策略及管理绩效评价;孙士雅;《中国优秀硕士学位论文全文数据库》;第2003年卷(第6期);全文 * |
| 基于COI与作业负荷平衡的多巷道仓库储位分配策略;李明琨;张杨平;;工业工程(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113077070A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10956858B2 (en) | Static warehouse area sizing and slotting of a multi-mode forward area | |
| CN108550007B (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
| CN106709692A (zh) | 一种物流中心储位分配方法 | |
| Manzini et al. | Design of a class based storage picker to product order picking system | |
| Park et al. | Modelling of three-dimensional warehouse systems | |
| CN109242184B (zh) | 一种基于层次聚类的订单拣货优化方法 | |
| Revillot-Narváez et al. | Optimising the storage assignment and order-picking for the compact drive-in storage system | |
| CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
| CN115578039B (zh) | 一种仓库货位分配方法、电子设备及计算机存储介质 | |
| CN113077070B (zh) | 基于属性预测的动态abc分类仓储策略优化方法及实现系统 | |
| Scholl et al. | On the quality of simple measures predicting block relocations in container yards | |
| CN109359905B (zh) | 一种自动化无人仓货位分配方法、装置和存储介质 | |
| Wang et al. | Performance evaluation of a robotic mobile fulfillment system with multiple picking stations under zoning policy | |
| Chen et al. | Analysis and design of rack-climbing robotic storage and retrieval systems | |
| CN116796910B (zh) | 基于货物分配策略的订单分批优化方法 | |
| Wu et al. | Optimization of Order‐Picking Problems by Intelligent Optimization Algorithm | |
| CN116664053A (zh) | 一种商品库存管理方法 | |
| CN113435805A (zh) | 物品存储信息确定方法、装置、设备和存储介质 | |
| Zhang et al. | The Optimization of the Location of the Cargo in Three‐Dimension Shelf: Employing the FP‐Tree and the Artificial Fish Swarm Algorithms | |
| CN115689454A (zh) | 确定服务站点的方法、装置、电子设备及存储介质 | |
| CN115713290A (zh) | 一种用于仓库管理的智能补货系统 | |
| Kumar et al. | A multi attribute selection of mobile robot using AHP/M-GRA Technique: A multi attribute selection of mobile robot using AHP/M-GRA technique | |
| CN111598510B (zh) | 一种适用于智能仓储系统的订单分批方法 | |
| Goetschalckx et al. | Development of a design methodology for warehousing systems: hierarchical framework | |
| Sarudin et al. | Mixed integer goal programming model for ABC classification based warehouse storage volume and travel distance optimization |
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 |