CN113256027A - 基于货物量的人力资源配置方法 - Google Patents

基于货物量的人力资源配置方法 Download PDF

Info

Publication number
CN113256027A
CN113256027A CN202110689595.6A CN202110689595A CN113256027A CN 113256027 A CN113256027 A CN 113256027A CN 202110689595 A CN202110689595 A CN 202110689595A CN 113256027 A CN113256027 A CN 113256027A
Authority
CN
China
Prior art keywords
individual
time
population
staff
employee
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
CN202110689595.6A
Other languages
English (en)
Other versions
CN113256027B (zh
Inventor
孙哲
田真龙
孙知信
赵文哲
郑新夏
赵学健
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110689595.6A priority Critical patent/CN113256027B/zh
Publication of CN113256027A publication Critical patent/CN113256027A/zh
Application granted granted Critical
Publication of CN113256027B publication Critical patent/CN113256027B/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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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

Abstract

本发明提供了一种基于货物量的人力资源配置方法，用于仓库调度，主要包括以下步骤：通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测，得到预测数据；利用排队论模型计算所需员工人数；根据仓库对排班的要求，通过整数规划建立约束模型；利用改进的差分进化算法求解约束模型，对员工进行排班。相较于现有技术，本发明采用ARIMA算法进行货物量预测，准确率高并可有效避免出现用工波峰波谷的问题，同时利用改进后的差分进化算法，可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响，最大限度的提高人员利用率，降低生产成本。

Description

基于货物量的人力资源配置方法
技术领域
本发明涉及一种基于货物量的人力资源配置方法，属于资源配置领域。
背景技术
精细化的仓库排班可以提升仓库物流的工作效率并减少成本，对仓库的调度优化具有重要意义。特别是近年来，随着电商的不断发展，春节、“618”、“双十一”、“双十二”等时间段都成为了物流行业寄递包裹的高峰期，物流仓储行业在获得发展机遇的同时也承受了更多的压力，如仓储库房内订单挤压导致无法出库、快递公司的爆仓等情况经常发生，物流运营对人力资源的配置提出了更高的要求，优化人员排班成为亟待解决的问题。
目前，国内外在当地服务业的基础上，所提出的解决方案不尽相同。由于国外的服务业在业务繁忙阶段都采用兼职员工与正式员工共同工作的手段，而国内的员工大多是长期公用，更需要考虑员工的休息时间调整和工作任务分配。仓库员工排班问题也与护士排班、银行柜员排班等问题存在不同，仓库的业务量大小根据时间段不同存在明显的不同，由于仓库工作人员的工作时间具有特殊性，人员需求量通常会受当日的业务量影响；用人波峰波谷与购物节、网购热潮有关，仓库中的操作主要分为卸货和上货，操作差异较小，不同业务员可认为进行相同的操作，可互补性更大。
有鉴于此，确有必要提出一种基于货物量的人力资源配置方法，以解决上述问题。
发明内容
本发明的目的在于提供一种基于货物量的人力资源配置方法，可解决仓库员工排班的不合理、不人性化等问题，并克服传统差分进化算法收敛速度慢、易陷入局部最优解等缺陷，可以有效避免用工波峰波谷的问题。
为实现上述目的，本发明提供了一种基于货物量的人力资源配置方法，用于仓库调度，主要包括以下步骤：
步骤1、通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测，得到预测数据；
步骤2、利用排队论模型计算所需员工人数；
步骤3、根据仓库对排班的要求，通过整数规划建立约束模型；
步骤4、利用改进的差分进化算法求解约束模型，对员工进行排班。
作为本发明的进一步改进，步骤1的具体步骤为：
步骤11、对所述预测数据进行预处理；
步骤12、检验预测数据的时间序列，若所述预测数据的波动较大，则对所述预测数据进行平稳化处理并得到新的时间序列，否则直接转到步骤13；
步骤13、对时间序列进行ADF单位根验证；
步骤14、利用自相关函数和偏自相关函数对步骤12所得到的时间序列进行定阶；
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性，并对ARIMA数据预测模型进行训练。
作为本发明的进一步改进，所述步骤12中平稳化处理具体为：通过差分法计算时间序列中t时刻与t-1时刻的差值，以得到新的时间序列。
作为本发明的进一步改进，步骤2的具体步骤为：
步骤21、在排队论模型中，由于排队过程存在稳态，则存在
Figure 301037DEST_PATH_IMAGE001
，其中，
Figure 405128DEST_PATH_IMAGE002
为 员工人数，
Figure 184865DEST_PATH_IMAGE003
为平均每小时货物的入库量，
Figure 517758DEST_PATH_IMAGE004
平均每位员工每小时可以完成的工作量；
步骤22、将员工人数c的值代入至排队论模型，计算货物周转时间，若货物周转时间小于或等于货物平均周转时间，则结束运算，若货物周转时间大于货物平均周转时间，则转到步骤23；
步骤23、令
Figure 332130DEST_PATH_IMAGE005
，转到步骤22。
作为本发明的进一步改进，所述货物周转时间的计算公式为：
Figure 154592DEST_PATH_IMAGE006
，
其中，
Figure 421626DEST_PATH_IMAGE007
为工作强度。
作为本发明的进一步改进，步骤3的具体步骤为：
步骤31、设变量
Figure 807477DEST_PATH_IMAGE008
表示第
Figure 476355DEST_PATH_IMAGE009
个员工在第
Figure 469719DEST_PATH_IMAGE010
天选择第
Figure 161732DEST_PATH_IMAGE011
工作模式，变量
Figure 898743DEST_PATH_IMAGE008
的值 为1代表选择，为0代表不选择；每位员工的每天的工作状态有四种，包括上午班、下午班、晚 班和休息；
步骤32、每位员工每天必须且只能选择1种工作模式，即：
Figure 422129DEST_PATH_IMAGE012
步骤33、每位员工一周至少休息一天，即：
Figure 851973DEST_PATH_IMAGE013
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数，即：
Figure 280549DEST_PATH_IMAGE014
其中，n表示员工的总人数，
Figure 555673DEST_PATH_IMAGE015
表示不同时段需要的最少员工人 数；
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班，即：
Figure 199144DEST_PATH_IMAGE016
步骤36、每位员工一周内不得被安排晚班超过两次，即 ：
Figure 471993DEST_PATH_IMAGE017
步骤37、每位员工不得连续3天被安排同一工作模式，即：
Figure 200915DEST_PATH_IMAGE018
，
其中，m表示一周内的星期数；
步骤38、在满足货物对于排队时间要求的基础上，以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标，得到目标函数：
Figure 279729DEST_PATH_IMAGE019
。
作为本发明的进一步改进，步骤4的具体步骤为：
步骤41、对差分进化算法的各参数进行初始化，定义一个矩阵，其中，该矩阵的每一列代表种群中的一个个体，对种群进行初始化；
步骤42、初始化种群后，进行变异操作；
步骤43、变异操作完成后，进行交叉操作；
步骤44、交叉操作完成后，进行选择操作，并搜寻种群中每个个体的一定范围内的其他目标，以发现更好的个体；
步骤45、评估种群中每个个体的适应度函数值，并计算每个个体的选择概率；
步骤46、采用一对一选择算子，比较经过变异操作和交叉操作得到的实验个体与相应的副本个体的适应值，将较优者保存到下一代种群中。
作为本发明的进一步改进，步骤41中，所述矩阵为NP行D列，所述初始化为生成NP*D个满足条件且服从均匀分布的随机数作为种群的初始值，具体为：
Figure 777707DEST_PATH_IMAGE020
，
其中，i=1，2，...，NP，j=1，2，...D，且rand(0,1)是一个服从均匀分布的随机数，而high[j]和low[j]分别是自变量的第j维的上界和下界。
作为本发明的进一步改进，步骤42中，所述变异操作具体为：
从父代种群中随机地选择两个不同的个体向量相减产生差分向量，然后将该差分向量赋予一定的权值与另一个父代种群随机产生的个体向量进行相加，从而产生新的变异个体；
对于父代种群中的任意一个个体向量
Figure 736304DEST_PATH_IMAGE021
的变异向量的生成公式为：
Figure 686943DEST_PATH_IMAGE022
，
其中，
Figure 569448DEST_PATH_IMAGE023
是父代种群中随机三个不同个体向量，且
Figure 921932DEST_PATH_IMAGE024
，
Figure 802163DEST_PATH_IMAGE025
表示自适应比例缩放因子，
Figure 240098DEST_PATH_IMAGE025
的数学表达式为：
Figure 660715DEST_PATH_IMAGE026
，
其中，
Figure 133285DEST_PATH_IMAGE027
表示最大迭代次数，t表示第t代，
Figure 439544DEST_PATH_IMAGE028
和
Figure 364775DEST_PATH_IMAGE029
为自适应比例缩放因子 的最大值和最小值，r为[0，1]中的一个均匀分布的随机数。
作为本发明的进一步改进，步骤45中，每个个体的选择概率的计算公式为：
Figure 589083DEST_PATH_IMAGE030
其中，
Figure 650580DEST_PATH_IMAGE031
为第i个个体的选择概率，
Figure 872614DEST_PATH_IMAGE032
为第i个个体的适应度函数 值。
本发明的有益效果是：本发明采用ARIMA算法进行货物量预测，准确率高并可有效避免出现用工波峰波谷的问题，同时利用改进后的差分进化算法，可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响，最大限度的提高人员利用率，降低生产成本。
附图说明
图1为本发明基于货物量的人力资源配置方法的方法流程图。
图2为ARIMA数据预测模型的算法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1至图2所示，本发明揭示了一种基于货物量的人力资源配置方法，用于仓库调度，主要包括以下步骤：
步骤1、通过ARIMA数据预测模型，根据过去一段时间内货物每天的入库量和出库量，对未来一段时间内货物每天的入库量和出库量进行预测，得到预测数据；
步骤2、利用排队论模型计算所需员工人数；
步骤3、根据仓库对排班的要求，通过整数规划建立约束模型；
步骤4、利用改进的差分进化算法求解约束模型，对员工进行排班。
以下将对步骤1-4进行详细说明。
步骤1中，还包括以下步骤：
步骤11、对所述预测数据进行预处理，通过绘制数据图来观察预测数据的平稳性；
步骤12、检验预测数据的时间序列，若所述预测数据的波动较大，即处于不平稳状态，则对所述预测数据进行平稳化处理并得到新的时间序列，否则直接转到步骤13；具体地，针对平稳化处理，本发明采用差分法计算时间序列中t时刻与t-1时刻的差值，以得到新的时间序列，新的时间序列更加平稳；
步骤13、对时间序列进行ADF单位根验证，以保证输入ARIMA数据预测模型的预测数据是平稳的；具体地，ADF单位根验证的H0假设就是存在单位根，如果得到的显著性检验统计量小于三个置信度(10%，5%，1%)，则对应有(90%，95%，99%)的把握来拒绝原假设；
步骤14、利用自相关函数（ACF）和偏自相关函数（PACF）对步骤12所得到的时间序列进行定阶；若预测数据的波动较大，则对经过平稳化处理后的新的时间序列进行定阶，若预测数据的波动较小，则无需经过平稳化处理，可直接对经过检验后的时间序列进行定阶；
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性，并对ARIMA数据预测模型进行训练。ARIMA数据预测模型的相关参数确定好后，需要检验ARIMA数据预测模型的有效性。本发明主要通过ARIMA数据预测模型的残差和相关性来判断ARIMA数据预测模型型的有效性。
对于残差，本发明采用图像检验，通过绘制模型残差qq图检验残差是否接近正态分布。
对于相关性，本发明采用DW（Durbin-Watson）检验，假设残差为et，各残差的相关 性方程用
Figure 285140DEST_PATH_IMAGE033
表示，则检验的原假设为ρ= 0（残差不存在一阶相关性），备选假设 为ρ≠ 0（残差存在一阶相关性），检验统计量为：
Figure 313139DEST_PATH_IMAGE034
由于DW的值近似等于2(1−ρ)，所以DW的值越接近2越好，DW的值处于1~3之间是为正常范围，若DW的值小于1表明残差存在自相关性。若未通过DW检验，则需要修改ARIMA数据预测模型或对预测数据进行处理。
由上述操作处理得到的数据作为ARIMA数据预测模型的建模数据，即模型的训练集和验证集，通过训练可得到不断更新后的ARIMA数据预测模型。
步骤2中，还包括以下步骤：
步骤21、在排队论模型中，由于排队过程存在稳态，则存在
Figure 494722DEST_PATH_IMAGE001
，其中，
Figure 871345DEST_PATH_IMAGE002
为员工人数，
Figure 771168DEST_PATH_IMAGE003
为平均每小时货物的入库量，
Figure 337279DEST_PATH_IMAGE004
平均每位员工每小时可以完成的工作量。
步骤22、将员工人数c的值代入至排队论模型，计算货物周转时间
Figure 638947DEST_PATH_IMAGE036
，货物周转时间
Figure 937204DEST_PATH_IMAGE036
的计算公式为：
Figure 324323DEST_PATH_IMAGE006
，
其中，
Figure 694125DEST_PATH_IMAGE007
为工作强度，若货物周转时间
Figure 584721DEST_PATH_IMAGE037
小于或等于货物平均周转时间
Figure 568726DEST_PATH_IMAGE038
，即
Figure 177562DEST_PATH_IMAGE039
，则结束运算，此时的
Figure 351054DEST_PATH_IMAGE040
即为所需的最少员工数；若货物周转时间
Figure 361736DEST_PATH_IMAGE041
大于货物平 均周转时间
Figure 267375DEST_PATH_IMAGE042
，即
Figure 363507DEST_PATH_IMAGE043
，则转到步骤23。
步骤23、令
Figure 75111DEST_PATH_IMAGE005
，转到步骤22。
步骤3中，还包括以下步骤：
步骤31、由于不同仓库对排班的要求略有不同，本发明仅讨论最基本的约束条件， 同时，对模型作出如下假设：假设该仓库采用三班倒机制（上午、下午和晚班），因此每位员 工的每天的工作状态有四种：上午班、下午班、晚班和休息。设变量
Figure 127249DEST_PATH_IMAGE008
表示第
Figure 266106DEST_PATH_IMAGE009
个员工在 第
Figure 849535DEST_PATH_IMAGE010
天选择第
Figure 99250DEST_PATH_IMAGE011
工作模式，变量
Figure 22207DEST_PATH_IMAGE008
的值为1代表选择，为0代表不选择；每位员工的每天的 工作状态有四种，包括上午班、下午班、晚班和休息。
步骤32、每位员工每天必须且只能选择1种工作模式，即：
Figure 331966DEST_PATH_IMAGE012
步骤33、每位员工一周至少休息一天，即：
Figure 402690DEST_PATH_IMAGE013
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数，即：
Figure 456096DEST_PATH_IMAGE014
其中，n表示员工的总人数，
Figure 482827DEST_PATH_IMAGE015
表示不同时段需要的最少员工人 数；
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班，即：
Figure 963487DEST_PATH_IMAGE016
步骤36、每位员工一周内不得被安排晚班超过两次，即 ：
Figure 255928DEST_PATH_IMAGE017
步骤37、每位员工不得连续3天被安排同一工作模式，即：
Figure 113026DEST_PATH_IMAGE018
，
其中，m表示一周内的星期数；
步骤38、在满足货物对于排队时间要求的基础上，以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标，得到目标函数：
Figure 744995DEST_PATH_IMAGE019
。
步骤4中，还包括以下步骤：
步骤41、为了减少传统固定的参数限制算法搜索性能，进而导致过早收敛并陷入局部最优，在差分进化算法研究基础上，分别引入了自适应比例缩放因子和自适应个体交叉概率，以进一步增强算法的动态及全局搜索性能。对差分进化算法的各参数进行初始化，声明一个NP行D列的矩阵，其中，该矩阵的每一列代表种群中的一个个体，NP的值代表员工具体的人数，D的值代表员工在排班期的所有工作状态，对种群进行初始化，以生成NP*D个满足条件且服从均匀分布的随机数作为种群的初始值，具体为：
Figure 396556DEST_PATH_IMAGE044
，
其中，i=1，2，...，NP，j=1，2，...D，且rand(0,1)是一个服从均匀分布的随机数，而high[j]和low[j]分别是自变量的第j维的上界和下界，需要初始化的参数包括：种群大小NP、变异缩放因子F、迭代次数最大值Nmax、杂交概率Pc。
步骤42、初始化种群后，进行变异操作；所述变异操作具体为：
从父代种群中随机地选择两个不同的个体向量相减产生差分向量，然后将该差分向量赋予一定的权值与另一个父代种群随机产生的个体向量进行相加，从而产生新的变异个体；
对于父代种群中的任意一个个体向量
Figure 566507DEST_PATH_IMAGE046
的变异向量的生成公式为：
Figure 961716DEST_PATH_IMAGE047
，
其中，
Figure 510509DEST_PATH_IMAGE023
是父代种群中随机三个不同个体向量，且
Figure 598551DEST_PATH_IMAGE024
，
Figure 52535DEST_PATH_IMAGE025
表示自适应比例缩放因子，
Figure 251435DEST_PATH_IMAGE025
的数学表达式为：
Figure 654734DEST_PATH_IMAGE026
，
其中，
Figure 913677DEST_PATH_IMAGE027
表示最大迭代次数，t表示第t代，
Figure 605690DEST_PATH_IMAGE028
和
Figure 342702DEST_PATH_IMAGE029
为自适应比例缩放因子 的最大值和最小值，本实施例中
Figure 866087DEST_PATH_IMAGE028
和
Figure 295931DEST_PATH_IMAGE029
分别取0.9和0.1，r为[0，1]中的一个均匀分布 的随机数。
步骤43、变异操作完成后，进行交叉操作；根据每个个体情况，本发明引入了自适应个体交叉概率，相应的公式为：
Figure 458928DEST_PATH_IMAGE048
，
其中，
Figure 999631DEST_PATH_IMAGE049
分别为优势种群与劣势种群的变异因子，
Figure 643102DEST_PATH_IMAGE050
为中间种群第
Figure 978268DEST_PATH_IMAGE052
个个 体的适应值，
Figure 644873DEST_PATH_IMAGE054
为中间种群的进化个体，
Figure 723687DEST_PATH_IMAGE055
、
Figure 221665DEST_PATH_IMAGE056
分别为中间种群的最 大适应值与最小适应值，通过下列公式：
Figure 727733DEST_PATH_IMAGE057
，
利用自适应个体交叉概率因子便产生了新的交叉个体，其中，
Figure 148479DEST_PATH_IMAGE058
[0，1] 为随机 数，
Figure 30984DEST_PATH_IMAGE059
[1， D]为随机整数。
步骤44、交叉操作完成后，进行选择操作，并搜寻种群中每个个体的一定范围内的其他目标，以发现优良个体，具体为：
Figure 383468DEST_PATH_IMAGE060
，
其中，
Figure 326017DEST_PATH_IMAGE061
为产生的新的个体，
Figure 701634DEST_PATH_IMAGE062
为种群中的某个个体，
Figure 122251DEST_PATH_IMAGE063
为(0，2)之间的一个 随机数，
Figure 594821DEST_PATH_IMAGE064
且
Figure 442691DEST_PATH_IMAGE065
。
步骤45、为了进一步提供对优良个体的搜索概率，需要评估种群中每个个体的适应度函数值，并计算每个个体的选择概率，即优良个体会获得更高的搜索概率，相反差的个体被搜索到概率就会降低，每个个体的选择概率的计算公式为：
Figure 554873DEST_PATH_IMAGE066
，
其中，
Figure 779181DEST_PATH_IMAGE067
为第i个个体的选择概率，
Figure 106257DEST_PATH_IMAGE068
为第i个个体的适应度函数 值。
步骤46、采用一对一选择算子，比较经过变异操作和交叉操作得到的实验个体与 相应的副本个体的适应值，将较优者保存到下一代种群中。其中，实验个体为经过一系列变 异、交叉操作得到的个体，副本个体为未经过任何操作处理的原始个体。在本实施例中，采 用“贪婪”选择模式，以
Figure 390607DEST_PATH_IMAGE069
最优化问题为为例，则该操作可有如下公式表述：
Figure 740817DEST_PATH_IMAGE070
，
其中，
Figure DEST_PATH_IMAGE071
分别表示第t代中第i个实验个体与其相对应的副本个体。
综上所述，本发明采用ARIMA算法进行货物量预测，准确率高，提前精准预测货物量为排班打好基础；采用排队论模型建立仓库员工和货物量关系模型，有效地衡量员工工作量和货物到达周转情况 ，避免了用工波谷波峰的出现，提高了人员利用率；在差分进化算法的基础上，分别引入了自适应比例缩放因子和自适应个体交叉概率，进一步增强算法的动态及全局搜索性能，提高了算法搜索性能，避免了导致过早收敛并陷入局部最优，可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响，降低生产成本。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于货物量的人力资源配置方法，用于仓库调度，其特征在于，主要包括以下步骤：
步骤1、通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测，得到预测数据；
步骤2、利用排队论模型计算所需员工人数；
步骤3、根据仓库对排班的要求，通过整数规划建立约束模型；
步骤4、利用改进的差分进化算法求解约束模型，对员工进行排班。
2.根据权利要求1所述的基于货物量的人力资源配置方法，其特征在于，步骤1与步骤2之间还存在以下步骤：
步骤11、对所述预测数据进行预处理；
步骤12、检验预测数据的时间序列，若所述预测数据的波动较大，则对所述预测数据进行平稳化处理并得到新的时间序列，否则直接转到步骤13；
步骤13、对时间序列进行ADF单位根验证；
步骤14、利用自相关函数和偏自相关函数对步骤12所得到的时间序列进行定阶；
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性，并对ARIMA数据预测模型进行训练。
3.根据权利要求2所述的基于货物量的人力资源配置方法，其特征在于，所述步骤12中平稳化处理具体为：通过差分法计算时间序列中t时刻与t-1时刻的差值，以得到新的时间序列。
4.根据权利要求1所述的基于货物量的人力资源配置方法，其特征在于，步骤2的具体步骤为：
步骤21、在排队论模型中，由于排队过程存在稳态，则存在
Figure 921515DEST_PATH_IMAGE001
，其中，
Figure 163140DEST_PATH_IMAGE002
为员工 人数，
Figure 641526DEST_PATH_IMAGE003
为平均每小时货物的入库量，
Figure 19418DEST_PATH_IMAGE004
平均每位员工每小时可以完成的工作量；
步骤22、将员工人数c的值代入至排队论模型，计算货物周转时间，若货物周转时间小于或等于货物平均周转时间，则结束运算，若货物周转时间大于货物平均周转时间，则转到步骤23；
步骤23、令
Figure 620164DEST_PATH_IMAGE005
，转到步骤22。
5.根据权利要求4所述的基于货物量的人力资源配置方法，其特征在于，所述货物周转时间的计算公式为：
Figure 83506DEST_PATH_IMAGE006
，
其中，
Figure 614850DEST_PATH_IMAGE007
为工作强度。
6.根据权利要求1所述的基于货物量的人力资源配置方法，其特征在于，步骤3的具体步骤为：
步骤31、设变量
Figure 112828DEST_PATH_IMAGE008
表示第
Figure 618895DEST_PATH_IMAGE009
个员工在第
Figure 835113DEST_PATH_IMAGE010
天选择第
Figure 655302DEST_PATH_IMAGE011
工作模式，变量
Figure 7785DEST_PATH_IMAGE008
的值为1代 表选择，为0代表不选择；每位员工的每天的工作状态有四种，包括上午班、下午班、晚班和 休息；
步骤32、每位员工每天必须且只能选择1种工作模式，即：
Figure 684754DEST_PATH_IMAGE012
步骤33、每位员工一周至少休息一天，即：
Figure 122689DEST_PATH_IMAGE013
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数，即：
Figure 995836DEST_PATH_IMAGE014
其中，n表示员工的总人数，
Figure 202826DEST_PATH_IMAGE015
表示不同时段需要的最少员工人数；
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班，即：
Figure 316276DEST_PATH_IMAGE016
步骤36、每位员工一周内不得被安排晚班超过两次，即 ：
Figure 241507DEST_PATH_IMAGE017
步骤37、每位员工不得连续3天被安排同一工作模式，即：
Figure 403498DEST_PATH_IMAGE018
，
其中，m表示一周内的星期数；
步骤38、在满足货物对于排队时间要求的基础上，以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标，得到目标函数：
Figure 730574DEST_PATH_IMAGE019
。
7.根据权利要求1所述的基于货物量的人力资源配置方法，其特征在于，步骤4的具体步骤为：
步骤41、对差分进化算法的各参数进行初始化，定义一个矩阵，其中，该矩阵的每一列代表种群中的一个个体，对种群进行初始化；
步骤42、初始化种群后，进行变异操作；
步骤43、变异操作完成后，进行交叉操作；
步骤44、交叉操作完成后，进行选择操作，并搜寻种群中每个个体的一定范围内的其他目标，以发现更好的个体；
步骤45、评估种群中每个个体的适应度函数值，并计算每个个体的选择概率；
步骤46、采用一对一选择算子，比较经过变异操作和交叉操作得到的实验个体与相应的副本个体的适应值，将较优者保存到下一代种群中。
8.根据权利要求7所述的基于货物量的人力资源配置方法，其特征在于，步骤41中，所述矩阵为NP行D列，所述初始化为生成NP*D个满足条件且服从均匀分布的随机数作为种群的初始值，具体为：
Figure 14925DEST_PATH_IMAGE020
，
其中，i=1，2，...，NP，j=1，2，...D，且rand(0,1)是一个服从均匀分布的随机数，而high[j]和low[j]分别是自变量的第j维的上界和下界。
9.根据权利要求7所述的基于货物量的人力资源配置方法，其特征在于，步骤42中，所述变异操作具体为：
从父代种群中随机地选择两个不同的个体向量相减产生差分向量，然后将该差分向量赋予一定的权值与另一个父代种群随机产生的个体向量进行相加，从而产生新的变异个体；
对于父代种群中的任意一个个体向量
Figure 161872DEST_PATH_IMAGE022
的变异向量的生成公式为：
Figure 376822DEST_PATH_IMAGE023
，
其中，
Figure 558404DEST_PATH_IMAGE024
是父代种群中随机三个不同个体向量，且
Figure 13656DEST_PATH_IMAGE025
，
Figure 913479DEST_PATH_IMAGE026
表 示自适应比例缩放因子，
Figure 417273DEST_PATH_IMAGE026
的数学表达式为：
Figure 453362DEST_PATH_IMAGE027
，
其中，
Figure 79516DEST_PATH_IMAGE028
表示最大迭代次数，t表示第t代，
Figure 201055DEST_PATH_IMAGE029
和
Figure 760737DEST_PATH_IMAGE030
为自适应比例缩放因子的最 大值和最小值，r为[0，1]中的一个均匀分布的随机数。
10.根据权利要求7所述的基于货物量的人力资源配置方法，其特征在于，步骤45中，每个个体的选择概率的计算公式为：
Figure 916912DEST_PATH_IMAGE031
其中，
Figure 713967DEST_PATH_IMAGE032
为第i个个体的选择概率，
Figure 260486DEST_PATH_IMAGE033
为第i个个体的适应度函数值。
CN202110689595.6A 2021-06-22 2021-06-22 基于货物量的人力资源配置方法 Active CN113256027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110689595.6A CN113256027B (zh) 2021-06-22 2021-06-22 基于货物量的人力资源配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110689595.6A CN113256027B (zh) 2021-06-22 2021-06-22 基于货物量的人力资源配置方法

Publications (2)

Publication Number Publication Date
CN113256027A true CN113256027A (zh) 2021-08-13
CN113256027B CN113256027B (zh) 2021-10-29

Family

ID=77189132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110689595.6A Active CN113256027B (zh) 2021-06-22 2021-06-22 基于货物量的人力资源配置方法

Country Status (1)

Country Link
CN (1) CN113256027B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116231624A (zh) * 2022-12-07 2023-06-06 中国电建集团贵阳勘测设计研究院有限公司 用于评估光伏电站经济效益的光伏组件输出功率预测方法
CN116280850A (zh) * 2023-03-20 2023-06-23 北京易酒批电子商务有限公司 货物自动拣选系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868840A (zh) * 2016-03-12 2016-08-17 丽水学院 可实时调整窗口开放数目的弹性服务制排班系统和方法
CN106611298A (zh) * 2016-07-25 2017-05-03 李平 一种基于排队论模型的医院人力资源量化配置方法
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN108256755A (zh) * 2018-01-09 2018-07-06 信雅达系统工程股份有限公司 一种基于单个员工同时胜任多岗位要求的排班方法
CN112542238A (zh) * 2020-12-24 2021-03-23 南方科技大学 医院门诊规划方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868840A (zh) * 2016-03-12 2016-08-17 丽水学院 可实时调整窗口开放数目的弹性服务制排班系统和方法
CN106611298A (zh) * 2016-07-25 2017-05-03 李平 一种基于排队论模型的医院人力资源量化配置方法
CN107844915A (zh) * 2017-11-29 2018-03-27 信雅达系统工程股份有限公司 一种基于话务预测的呼叫中心的自动排班方法
CN108256755A (zh) * 2018-01-09 2018-07-06 信雅达系统工程股份有限公司 一种基于单个员工同时胜任多岗位要求的排班方法
CN112542238A (zh) * 2020-12-24 2021-03-23 南方科技大学 医院门诊规划方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周亚云: "密集仓储作业优化与调度方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
杨凯等: "基于整数规划的排班模型对降低病房护理人员职业倦怠的研究", 《现代医院管理》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116231624A (zh) * 2022-12-07 2023-06-06 中国电建集团贵阳勘测设计研究院有限公司 用于评估光伏电站经济效益的光伏组件输出功率预测方法
CN116280850A (zh) * 2023-03-20 2023-06-23 北京易酒批电子商务有限公司 货物自动拣选系统
CN116280850B (zh) * 2023-03-20 2024-02-23 武汉易久数科智能机器人有限公司 货物自动拣选系统

Also Published As

Publication number Publication date
CN113256027B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Zhang et al. An effective two-stage algorithm based on convolutional neural network for the bi-objective flexible job shop scheduling problem with machine breakdown
He et al. Integrated predictive maintenance strategy for manufacturing systems by combining quality control and mission reliability analysis
CN113256027B (zh) 基于货物量的人力资源配置方法
Yang et al. Robust scheduling based on extreme learning machine for bi-objective flexible job-shop problems with machine breakdowns
US7885848B2 (en) Resource optimization system, method and computer program for business transformation outsourcing with reoptimization on demand
Zhou et al. Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times
Tosun et al. A literature review on hybrid flow shop scheduling
Fan et al. Data-centric or algorithm-centric: Exploiting the performance of transfer learning for improving building energy predictions in data-scarce context
CN108009667A (zh) 一种能源需求总量及结构预测系统
Jiang et al. Two-stage robust optimization approach for flexible oxygen distribution under uncertainty in integrated iron and steel plants
CN109272276A (zh) 一种库存补货管理方法以及装置
Zhou et al. Research on intelligent solution of service industry supply chain network optimization based on genetic algorithm
Guo et al. Multi-objective fuzzy partial disassembly line balancing considering preventive maintenance scenarios using enhanced hybrid artificial bee colony algorithm
CN114581141A (zh) 基于特征选择与lssvr的短期负荷预测方法
Shi et al. A no-tardiness job shop scheduling problem with overtime consideration and the solution approaches
Guo et al. An effective fruit fly optimization algorithm for the distributed permutation flowshop scheduling problem with total flowtime
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
Li et al. Dynamic Response Analysis Among Environmental Regulation, Technological Progress and Water Resource Consumption in China's Textile Industry.
CN115689201A (zh) 面向企业资源供需调配的多准则智能决策优化方法及系统
Sun et al. A method for constructing the composite indicator of business cycles based on information granulation and dynamic time warping
Xiong et al. Supplier selection model based on D numbers and transformation function
Cardo-Miota et al. Deep learning-based forecasting of the automatic frequency reserve restoration band price in the iberian electricity market
Tanhaie et al. Solving product mix problem in multiple constraints environment using goal programming
Xu et al. Parallel Machine Scheduling with Due Date-to-Deadline Window, Order Sharing and Time Value of Money
Kianfar et al. A mathematical model and NSGA-II algorithm for bi-objective grid scheduling problem with quality of service satisfaction

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