CN113379173A - 为仓库商品标记标签的方法和装置 - Google Patents
为仓库商品标记标签的方法和装置 Download PDFInfo
- Publication number
- CN113379173A CN113379173A CN202010157329.4A CN202010157329A CN113379173A CN 113379173 A CN113379173 A CN 113379173A CN 202010157329 A CN202010157329 A CN 202010157329A CN 113379173 A CN113379173 A CN 113379173A
- Authority
- CN
- China
- Prior art keywords
- commodity
- commodities
- tuple
- good
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000002372 labelling Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000009191 jumping Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了为仓库商品标记标签的方法和装置,涉及仓储物流技术领域。该方法的一具体实施方式包括:获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。该实施方式能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。
Description
技术领域
本发明涉及仓储物流技术领域,尤其涉及一种为仓库商品标记标签的方法和装置。
背景技术
在现代化仓库,智能化程度越来越高,人力搬运商品困难,但是拣取商品方便,而机器恰恰相反。通过机器和人力同时拣货,即人机混合方式,可以大幅提高拣货效率。采用人机混合方式进行拣货前,需要将畅销品放入人工拣货区、非畅销品放入机器人区进行拣货。同时合理分配作业任务比例,以稳定人力负荷与机器负荷。现有技术中一般通过人工进行畅销品和非畅销品的划分。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
仅能得到一个近似解,无法保证划分效果。
发明内容
有鉴于此,本发明实施例提供一种为仓库商品标记标签的方法和装置,能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。
为实现上述目的,根据本发明实施例的一个方面,提供了一种为仓库商品标记标签的方法,包括:
获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;
根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
可选地,建立规划模型之前,还包括:将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。
可选地,所述规划模型为:
目标函数:
约束条件:
Xj∈{0,1},Yi∈{0,1} (4)
式中,tpi表示第i个商品元组中的商品集;Li表示第i个商品元组的商品件数;Xj表示第j个商品是否是畅销品,Xj=1时表示第j个商品是畅销品,Xj=0时表示第j个商品不是畅销品;Yi表示第i个商品元组中的订单是否全部是畅销品订单,Yi=1时表示第i个商品元组是畅销品订单,Yi=0时表示第i个商品元组不是畅销品订单;α表示畅销品订单的商品件数与历史订单的总商品件数的目标比值;D表示历史订单的总商品件数。
可选地,获取预设时段内历史订单的订单信息之后,还包括:基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,基于所述候选非畅销品集和所述历史商品集求解所述规划模型,得到所述规划模型的解。
可选地,基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,包括:
步骤A、确定所有商品元组中每个单品商品元组的商品件数,根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;
步骤B、以所述单品商品元组列表中第i个单品商品元组的商品件数作为畅销品件数阈值sum;i=1;
步骤C、判断所述畅销品件数阈值sum是否大于等于目标阈值;若是,则跳转至步骤E;否则跳转至步骤D;
步骤D、以所述畅销品件数阈值sum和第i个单品商品元组的商品件数之和作为新的畅销品件数阈值,i+1,跳转至步骤C;
步骤E、遍历所有单品商品元组列表,对于所述单品商品元组列表中的任一单品商品元组,若所述任一单品商品元组的商品件数小于所述畅销品件数阈值,则将所述任一单品商品元组中的商品加入所述候选非畅销品集;初始条件下所述候选非畅销品集为空。
可选地,所述预设时段内历史订单的订单信息采用字典树方式存储,所述字典树中的每个叶子节点代表数值,余下各个节点分别代表一个物品;所述字典树的根节点与所述根节点到每个叶子节点的路径所经过的节点形成一个商品元组,所述路径对应的叶子结点的数值代表对应商品元组的商品件数。
可选地,所述预设时段内历史订单的订单信息按照预设统计单位存储。
根据本发明实施例的第二方面,提供一种为仓库商品标记标签的装置,包括:
数据模块,获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
算法模块,以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;
输出模块,根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
可选地,所述数据模块还用于:在所述算法模块建立规划模型之前,将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。
可选地,所述规划模型为:
目标函数:
约束条件:
Xj∈{0,1},Yi∈{0,1} (4)
式中,tpi表示第i个商品元组中的商品集;Li表示第i个商品元组的商品件数;Xj表示第j个商品是否是畅销品,Xj=1时表示第j个商品是畅销品,Xj=0时表示第j个商品不是畅销品;Yi表示第i个商品元组中的订单是否全部是畅销品订单,Yi=1时表示第i个商品元组是畅销品订单,Yi=0时表示第i个商品元组不是畅销品订单;α表示畅销品订单的商品件数与历史订单的总商品件数的目标比值;D表示历史订单的总商品件数。
可选地,所述算法模块还用于:在所述数据模块获取预设时段内历史订单的订单信息之后,基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,基于所述候选非畅销品集和所述历史商品集求解所述规划模型,得到所述规划模型的解。
可选地,所述算法模块基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,包括:
步骤A、确定所有商品元组中每个单品商品元组的商品件数,根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;
步骤B、以所述单品商品元组列表中第i个单品商品元组的商品件数作为畅销品件数阈值sum;i=1;
步骤C、判断所述畅销品件数阈值sum是否大于等于目标阈值;若是,则跳转至步骤E;否则跳转至步骤D;
步骤D、以所述畅销品件数阈值sum和第i个单品商品元组的商品件数之和作为新的畅销品件数阈值,i+1,跳转至步骤C;
步骤E、遍历所有单品商品元组列表,对于所述单品商品元组列表中的任一单品商品元组,若所述任一单品商品元组的商品件数小于所述畅销品件数阈值,则将所述任一单品商品元组中的商品加入所述候选非畅销品集;初始条件下所述候选非畅销品集为空。
可选地,所述预设时段内历史订单的订单信息采用字典树方式存储,所述字典树中的每个叶子节点代表数值,余下各个节点分别代表一个物品;所述字典树的根节点与所述根节点到每个叶子节点的路径所经过的节点形成一个商品元组,所述路径对应的叶子结点的数值代表对应商品元组的商品件数。
可选地,所述预设时段内历史订单的订单信息按照预设统计单位存储。
根据本发明实施例的第三方面,提供一种为仓库商品标记标签的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
上述发明中的一个实施例具有如下优点或有益效果:以历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件、以畅销品的商品数量最小化作为目标函数建立规划模型,根据所述规划模型的解为仓库内的商品标记标签,能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。通过将历史订单中具有相同商品标识的订单划分为一个商品元组并基于商品元组建立规划模型,能够大大降低规划模型求解的计算量,提高规划模型求解速度。通过基于贪心算法从历史订单的历史商品集合中筛选候选非畅销品集、基于候选非畅销品集和历史商品集求解规划模型,能够使得候选集尽可能小,从而大幅减少规划模型的变量规模,降低规划模型求解的计算量,提高规划模型求解速度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是本发明实施例的为仓库商品标记标签的方法的主要流程的示意图;
图2是本发明可选实施例的为仓库商品标记标签的方法的流程示意图;
图3是本发明可选实施例中基于贪心算法筛选候选非畅销品集的主要流程的示意图;
图4是本发明可选实施例中历史订单存储方式的示意图;
图5是根据本发明实施例的为仓库商品标记标签的装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
根据本发明实施例的一个方面,提供了一种为仓库商品标记的方法。
图1是本发明实施例的为仓库商品标记标签的方法的主要流程的示意图,如图1所示,为仓库商品标记标签的方法,包括:步骤S101、步骤S102、步骤S103。
步骤S101、获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数。
预设时段可以根据实际情况仅选择性设定,例如最近2天、最近一个月等。
商品标识唯一代表一种商品,例如以sku(Stock Keeping Unit)作为商品标识,不同sku代表不同商品。对于任一商品,该商品的商品件数是指具有该商品的商品标识的商品的数量。示例性地,历史订单中包括2件商品1和3件商品2,则历史订单1中包括2种商品,即商品1和商品2;其中,商品1的商品件数为2件、商品2的商品件数为3件。
步骤S102、以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型。
畅销品订单是指订单中的所有商品均为畅销品。畅销品订单的商品件数是指畅销品订单中所有商品的商品件数的总和。畅销品的商品数量是指作为畅销品的商品的数量。示例性地,历史订单中包括2件商品1和3件商品2,商品1和商品2均为畅销品,则该历史订单为畅销订单,该历史订单的商品件数为:2件+3件=5件,畅销品的商品数量为2。
步骤S103、根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
通过求解规划模型得到畅销品集,为仓库内畅销品集中的商品标记畅销品标签、余下商品标记非畅销品标签。
本发明以历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件、以畅销品的商品数量最小化作为目标函数建立规划模型,根据所述规划模型的解为仓库内的商品标记畅销品标签和非畅销品标签,能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。
可选地,建立规划模型之前,还包括:将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。一个商品三元组视为一个类别,同一类别中各个订单包含的商品相同,同一类别中各个订单包含的各个商品的商品件数可能相同或不同。
示例性地,订单1为(sku1:1,sku2:2,sku3:4),订单2为(sku1:2,sku2:10),订单3为(sku1:3,sku2:1,sku3:1),订单4为(sku1:3)。这时可以将订单1和订单3可以归为一类,记为(sku1,sku2,sku3):12,其中最后一项为前面sku的商品件数之和。
通过将历史订单中具有相同商品标识的订单划分为一个商品元组并基于商品元组建立规划模型,可以大大减少输入数据规模和规划模型的变量规模,降低规划模型求解的计算量,提高规划模型求解速度。
可选地,所述规划模型为:
目标函数:
约束条件:
Xj∈{0,1},Yi∈{0,1} (4)
式中,tpi表示第i个商品元组中的商品集;Li表示第i个商品元组的商品件数;Xj为模型变量,表示第j个商品是否是畅销品,Xj=1时表示第j个商品是畅销品,Xj=0时表示第j个商品不是畅销品;Yi为模型变量,表示第i个商品元组中的订单是否全部是畅销品订单,Yi=1时表示第i个商品元组是畅销品订单,Yi=0时表示第i个商品元组不是畅销品订单;α表示畅销品订单的商品件数与历史订单的总商品件数的目标比值;D表示历史订单的总商品件数。
可选地,获取预设时段内历史订单的订单信息之后,还包括:基于贪心算法(Greedy algorithm,又称贪婪算法)从所述历史订单的历史商品集合中筛选候选非畅销品集,基于所述候选非畅销品集和所述历史商品集求解所述规划模型,得到所述规划模型的解。
以前述公式(1)-(4)示出的规划模型为例,基于所述候选非畅销品集和所述历史商品集求解所述规划模型时,将模型中候选非畅销品集中商品对应的变量删除,例如使模型中候选非畅销品集中商品对应的Xj=0、Yi=0。
图2是本发明可选实施例的为仓库商品标记标签的方法的流程示意图。如图2所示,仓库商品分类的方法包括:
步骤S201、获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
步骤S202、将所述历史订单中具有相同商品标识的订单划分为一个商品元组,建立规划模型;
步骤S203、基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集;
步骤S204、基于所述候选非畅销品集调整规划模型的变量;
步骤S205、对调整后的规划模型求解,得到畅销品集;
步骤S206、为仓库中所述畅销品集中的商品标记畅销品标签,为余下商品标记非畅销品标签。
通过基于贪心算法从历史订单的历史商品集合中筛选候选非畅销品集、基于候选非畅销品集和历史商品集求解规划模型,能够使得候选集尽可能小,从而大幅减少规划模型的变量规模,降低规划模型求解的计算量,提高规划模型求解速度。
可选地,基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,包括:
步骤A、确定所有商品元组中每个单品商品元组(单品商品元组是指其中每个订单均为单品订单的商品元组,单品订单是指仅包括一种商品的订单)的商品件数,根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;
步骤B、以所述单品商品元组列表中第i个单品商品元组的商品件数作为畅销品件数阈值sum;i=1;
步骤C、判断所述畅销品件数阈值sum是否大于等于目标阈值;若是,则跳转至步骤E;否则跳转至步骤D;
步骤D、以所述畅销品件数阈值sum和第i个单品商品元组的商品件数之和作为新的畅销品件数阈值,i+1,跳转至步骤C;
步骤E、遍历所有单品商品元组列表,对于所述单品商品元组列表中的任一单品商品元组,若所述任一单品商品元组的商品件数小于所述畅销品件数阈值,则将所述任一单品商品元组中的商品加入所述候选非畅销品集;初始条件下所述候选非畅销品集为空。
图3是本发明可选实施例中基于贪心算法筛选候选非畅销品集的主要流程的示意图,如图3所示,筛选候选非畅销品集的主要流程包括:
步骤S301、确定所有商品元组中每个单品商品元组的商品件数;
步骤S302、根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;单品商品元组列表中每个单品商品元组的商品件数记为Li,i表示整数,1≤i≤M,M表示单品商品元组列表中单品商品元组的数量;
步骤S303、令i=1,初始条件下畅销品件数阈值sum=0;
步骤S304、以畅销品件数阈值与表示第i个单品商品元组的商品件数Li之和作为新的sum,即sum=sum+Li;
步骤S305、判断sum≥目标阈值是否成立;若是,令i=1,跳转至步骤S306,通过执行步骤S306-S308循环遍历单品商品元组列表中每个单品商品元组;否则,i+1,跳转至步骤S304;
步骤S306、判断Li<sum是否成立;若成立,跳转至步骤S307;否则跳转至步骤S308;
步骤S308、判断i=M是否成立;若成立,表明遍历结束,跳转至步骤S309;否则,i+1,跳转至步骤S306;
步骤S309、得到候选非畅销品集P。
示例性地,历史订单如下表1所示,畅销品订单的商品件数与历史订单的总商品件数的目标比值α=0.3。
表1历史订单
表1的历史订单中包括五个商品,sku分别为:01、02、03、04、05。订单1为订单1为(01:3,:10)。商品元组有如下几种(01,02),(02,04),(01),(02),(05)。
对于每个sku计算单品订单(即仅包括一种商品的订单)的商品件数。根据商品元组进行计算,从而得到:01:1,02:20,03:0,04:0,05:4。从大到小排序为:20,4,1,0,0。
初始化畅销品件数阈值sum=0,D=41。将sum=sum+20,sum与D的比值超过0.3,从而输出sum=20。
可选地,所述预设时段内历史订单的订单信息采用字典树方式存储,所述字典树中的每个叶子节点代表数值,余下各个节点分别代表一个物品;所述字典树的根节点与所述根节点到每个叶子节点的路径所经过的节点形成一个商品元组,所述路径对应的叶子结点的数值代表对应商品元组的商品件数。
假设历史订单包括三个订单:订单1为(sku1:12),订单2为(sku1:2,sku2:10,sku3:18),订单3为(sku1:3,sku3:17)。每个订单中“:”前面为商品标识、后面为商品件数。该历史订单的存储方式如图4所示。
采用字典树方式存储,能够减少数据存储规模和加快计算速度。
可选地,所述预设时段内历史订单的订单信息按照预设统计单位存储。预设统计单位可以根据实际情况进行选择性设定,例如天、周等。按照预设统计单位存储预设时段内历史订单的订单信息,便于滚动使用历史数据。
本发明能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。通过将历史订单中具有相同商品标识的订单划分为一个商品元组并基于商品元组建立规划模型,能够大大降低规划模型求解的计算量,提高规划模型求解速度。通过基于贪心算法从历史订单的历史商品集合中筛选候选非畅销品集、基于候选非畅销品集和历史商品集求解规划模型,能够使得候选集尽可能小,从而大幅减少规划模型的变量规模,降低规划模型求解的计算量,提高规划模型求解速度。
根据本发明实施例的第二方面,提供一种实现上述方法的装置。
图5是根据本发明实施例的为仓库商品标记标签的装置的主要模块的示意图,如图5所示,为仓库商品标记标签的装置500包括:
数据模块501,获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
算法模块502,以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;
输出模块503,根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
可选地,所述数据模块还用于:在所述算法模块建立规划模型之前,将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。
可选地,所述规划模型为:
目标函数:
约束条件:
Xj∈{0,1},Yi∈{0,1} (4)
式中,tpi表示第i个商品元组中的商品集;Li表示第i个商品元组的商品件数;Xj表示第j个商品是否是畅销品,Xj=1时表示第j个商品是畅销品,Xj=0时表示第j个商品不是畅销品;Yi表示第i个商品元组中的订单是否全部是畅销品订单,Yi=1时表示第i个商品元组是畅销品订单,Yi=0时表示第i个商品元组不是畅销品订单;α表示畅销品订单的商品件数与历史订单的总商品件数的目标比值;D表示历史订单的总商品件数。
可选地,所述算法模块还用于:在所述数据模块获取预设时段内历史订单的订单信息之后,基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,基于所述候选非畅销品集和所述历史商品集求解所述规划模型,得到所述规划模型的解。
可选地,所述算法模块基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,包括:
步骤A、确定所有商品元组中每个单品商品元组的商品件数,根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;
步骤B、以所述单品商品元组列表中第i个单品商品元组的商品件数作为畅销品件数阈值sum;i=1;
步骤C、判断所述畅销品件数阈值sum是否大于等于目标阈值;若是,则跳转至步骤E;否则跳转至步骤D;
步骤D、以所述畅销品件数阈值sum和第i个单品商品元组的商品件数之和作为新的畅销品件数阈值,i+1,跳转至步骤C;
步骤E、遍历所有单品商品元组列表,对于所述单品商品元组列表中的任一单品商品元组,若所述任一单品商品元组的商品件数小于所述畅销品件数阈值,则将所述任一单品商品元组中的商品加入所述候选非畅销品集;初始条件下所述候选非畅销品集为空。
可选地,所述预设时段内历史订单的订单信息采用字典树方式存储,所述字典树中的每个叶子节点代表数值,余下各个节点分别代表一个物品;所述字典树的根节点与所述根节点到每个叶子节点的路径所经过的节点形成一个商品元组,所述路径对应的叶子结点的数值代表对应商品元组的商品件数。
可选地,所述预设时段内历史订单的订单信息按照预设统计单位存储。
根据本发明实施例的第三方面,提供一种为仓库商品标记标签的电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
根据本发明实施例的第四方面,提供一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
图6示出了可以应用本发明实施例的为仓库商品标记标签的方法或为仓库商品标记标签的装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所发送的仓库商品分类请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的分类请求等数据进行分析等处理,并将处理结果(例如畅销品集--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的为仓库商品标记标签的方法一般由服务器605执行,相应地,为仓库商品标记标签的装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端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带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;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707;包括硬盘等的存储部分708;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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括:数据模块,获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;算法模块,以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;输出模块,根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,数据模块还可以被描述为“根据所述规划模型的解为仓库内的商品标记标签的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
根据本发明实施例的技术方案,以历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件、以畅销品的商品数量最小化作为目标函数建立规划模型,根据所述规划模型的解为仓库内的商品标记标签,能够在保证畅销品订单的商品件数满足目标比例的同时提高畅销品和非畅销品的划分效果。通过将历史订单中具有相同商品标识的订单划分为一个商品元组并基于商品元组建立规划模型,能够大大降低规划模型求解的计算量,提高规划模型求解速度。通过基于贪心算法从历史订单的历史商品集合中筛选候选非畅销品集、基于候选非畅销品集和历史商品集求解规划模型,能够使得候选集尽可能小,从而大幅减少规划模型的变量规模,降低规划模型求解的计算量,提高规划模型求解速度。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种为仓库商品标记标签的方法,其特征在于,包括:
获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;
根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
2.如权利要求1所述的方法,其特征在于,建立规划模型之前,还包括:将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。
4.如权利要求2所述的方法,其特征在于,获取预设时段内历史订单的订单信息之后,还包括:基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,基于所述候选非畅销品集和所述历史商品集求解所述规划模型,得到所述规划模型的解。
5.如权利要求4所述的方法,其特征在于,基于贪心算法从所述历史订单的历史商品集合中筛选候选非畅销品集,包括:
步骤A、确定所有商品元组中每个单品商品元组的商品件数,根据每个单品商品元组的商品件数从大到小的顺序对所有单品商品元组进行排序,得到单品商品元组列表;
步骤B、以所述单品商品元组列表中第i个单品商品元组的商品件数作为畅销品件数阈值sum;i=1;
步骤C、判断所述畅销品件数阈值sum是否大于等于目标阈值;若是,则跳转至步骤E;否则跳转至步骤D;
步骤D、以所述畅销品件数阈值sum和第i个单品商品元组的商品件数之和作为新的畅销品件数阈值,i+1,跳转至步骤C;
步骤E、遍历所有单品商品元组列表,对于所述单品商品元组列表中的任一单品商品元组,若所述任一单品商品元组的商品件数小于所述畅销品件数阈值,则将所述任一单品商品元组中的商品加入所述候选非畅销品集;初始条件下所述候选非畅销品集为空。
6.如权利要求2所述的方法,其特征在于,所述预设时段内历史订单的订单信息采用字典树方式存储,所述字典树中的每个叶子节点代表数值,余下各个节点分别代表一个物品;所述字典树的根节点与所述根节点到每个叶子节点的路径所经过的节点形成一个商品元组,所述路径对应的叶子结点的数值代表对应商品元组的商品件数。
7.如权利要求2所述的方法,其特征在于,所述预设时段内历史订单的订单信息按照预设统计单位存储。
8.一种为仓库商品标记标签的装置,其特征在于,包括:
数据模块,获取预设时段内历史订单的订单信息,所述订单信息包括:各个商品的商品标识和商品件数;
算法模块,以所述历史订单中畅销品订单的商品件数不小于设定目标阈值作为约束条件,以畅销品的商品数量最小化作为目标函数,建立规划模型;
输出模块,根据所述规划模型的解为仓库内的商品标记标签,所述标签包括畅销品标签和非畅销品标签。
9.如权利要求8所述的装置,其特征在于,所述数据模块还用于:在所述算法模块建立规划模型之前,将所述历史订单中具有相同商品标识的订单划分为一个商品元组;所述规划模型是基于所述商品元组建立的。
10.一种为仓库商品标记标签的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157329.4A CN113379173B (zh) | 2020-03-09 | 2020-03-09 | 为仓库商品标记标签的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157329.4A CN113379173B (zh) | 2020-03-09 | 2020-03-09 | 为仓库商品标记标签的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379173A true CN113379173A (zh) | 2021-09-10 |
CN113379173B CN113379173B (zh) | 2023-11-07 |
Family
ID=77568410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010157329.4A Active CN113379173B (zh) | 2020-03-09 | 2020-03-09 | 为仓库商品标记标签的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379173B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330299A (zh) * | 2022-07-22 | 2022-11-11 | 上海聚水潭网络科技有限公司 | 一种基于整数规划的热区规划方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110145237A1 (en) * | 2009-12-11 | 2011-06-16 | International Business Machines Corporation | Method and system for merchandise hierarchy refinement by incorporation of product correlation |
CN102419779A (zh) * | 2012-01-13 | 2012-04-18 | 青岛理工大学 | 一种基于属性排序的商品个性化搜索方法及装置 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN109840730A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于数据预测的方法及装置 |
US20190188630A1 (en) * | 2017-12-20 | 2019-06-20 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method of order processing with smart cool-down |
-
2020
- 2020-03-09 CN CN202010157329.4A patent/CN113379173B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110145237A1 (en) * | 2009-12-11 | 2011-06-16 | International Business Machines Corporation | Method and system for merchandise hierarchy refinement by incorporation of product correlation |
CN102419779A (zh) * | 2012-01-13 | 2012-04-18 | 青岛理工大学 | 一种基于属性排序的商品个性化搜索方法及装置 |
CN108320171A (zh) * | 2017-01-17 | 2018-07-24 | 北京京东尚科信息技术有限公司 | 热销商品预测方法、系统及装置 |
CN109840730A (zh) * | 2017-11-29 | 2019-06-04 | 北京京东尚科信息技术有限公司 | 用于数据预测的方法及装置 |
US20190188630A1 (en) * | 2017-12-20 | 2019-06-20 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method of order processing with smart cool-down |
Non-Patent Citations (3)
Title |
---|
ALI ABBASI MOLAI: "Fuzzy linear objective function optimization with fuzzy-valued max-product fuzzy relation inequality constraints", 《MATHEMATICAL AND COMPUTER MODELLING》, pages 9 - 10 * |
廖自理: "库存空间有限条件下Q电子商务企业库存空间分配研究", 《中国优秀硕士学位论文全文数据库(经济与管理科学辑)》, pages 157 - 526 * |
徐寅峰 等: "有阈值约束的占线订单加工策略及竞争分析", 《系统管理学报》, pages 571 - 576 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330299A (zh) * | 2022-07-22 | 2022-11-11 | 上海聚水潭网络科技有限公司 | 一种基于整数规划的热区规划方法、系统及电子设备 |
CN115330299B (zh) * | 2022-07-22 | 2023-09-01 | 上海聚水潭网络科技有限公司 | 一种基于整数规划的热区规划方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113379173B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109647719B (zh) | 用于分拣货物的方法和装置 | |
CN109840648B (zh) | 用于输出储位信息的方法和装置 | |
CN110751497A (zh) | 一种商品补货方法和装置 | |
CN110472899B (zh) | 一种物品的出库分配方法和装置 | |
CN111523977B (zh) | 波次订单集合的创建方法、装置、计算设备和介质 | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN113627846A (zh) | 一种库存调整方法、装置、电子设备及计算机可读介质 | |
CN114118888A (zh) | 订单出库的方法和装置 | |
CN109345166B (zh) | 用于生成信息的方法和装置 | |
CN110659760A (zh) | 用于仓库储位的配置方法和系统 | |
CN110650170A (zh) | 用于推送信息的方法和装置 | |
CN110871980B (zh) | 储位分类方法和装置 | |
CN113379173B (zh) | 为仓库商品标记标签的方法和装置 | |
CN109255563B (zh) | 物品的储位区域的确定方法和装置 | |
CN110135772B (zh) | 用于生成信息的方法和装置 | |
CN112783468A (zh) | 目标对象的排序方法和排序装置 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN110766431A (zh) | 判断用户对优惠券是否敏感的方法和装置 | |
CN114677174A (zh) | 一种计算未上架物品销量的方法和装置 | |
CN111275476B (zh) | 一种物流仓储服务的报价方法和装置 | |
CN113554380A (zh) | 一种物品出库定位方法和装置 | |
CN112950240A (zh) | 一种分发方法和装置 | |
CN113538080A (zh) | 一种任务单拆分方法和装置 | |
CN112418898A (zh) | 基于多时间窗口融合的物品需求数据分析方法和装置 | |
CN110858363A (zh) | 一种识别季节性商品的方法和装置 |
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 |