CN113743733B - 一种补货方法及系统 - Google Patents

Abstract

本发明公开了一种补货方法及系统，将上述问题分为两部分进行，先基于补货相关变量使各门店未来不缺货的概率最大化，然后再基于物流成本的约束对各门店在各大仓的补货量进行调整，进而规避了补货量和物流成本的量纲存在区别的问题，能够得到准确的补货量，使确定出的门店大仓补货量最接近给货物未来需求预测结果。

Description

一种补货方法及系统

技术领域

本申请涉及智能分货技术领域，尤其涉及一种补货方法及系统。

背景技术

在常见的零售供应链场景中，工厂生产出的产品往往不会直接送往末端门店，而是首先通过物流网络运输到区域大仓，再由区域大仓分配发货到所对应的销售门店。销售门店在缺货时也是直接联系大仓补货。

面对各门店提出的补货要求，就需要考虑在给定日期，将给定货物总量合理得分配给若干个门店使得总的补货量尽可能大，同时周转天数和物流成本尽可能低。

而在给定预测结果的前提下，补货决策中的目标主要考虑补货量和物流成本两个方面，但是一般来说，商品的价格一般来说比较敏感，物流成本也比较难以估算，补货量只能用数量来评价，物流成本使用到货时长来评估，两者的量纲存在区别。这就导致我们无法直接使用收益-成本的方式来设置目标函数进行求解，故，存在由于补货量和物流成本的量纲存在区别导致得到的门店的补货量难以确定的问题。

发明内容

本发明提供了一种补货方法及系统，以解决或者部分解决由于补货量和物流成本的量纲存在区别导致得到的门店的补货量难以确定的问题的技术问题。

为解决上述技术问题，本发明提供了一种补货方法，所述方法包括：

确定补货相关变量；

基于所述补货相关变量创建第一目标函数及第一约束条件，所述第一目标函数为max·∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为当货物未来需求预测结果数据分布已知得到的累积概率函数，s_j为调拨之前各门店库存水平，y_j为门店补货量；

基于所述第一目标函数及所述第一约束条件确定门店最大补货量；

基于所述补货相关变量创建第二目标函数及第二约束条件，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；

基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

优选的，所述第一约束条件为：

∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货总量不能超过所有大仓可分配总量，其中，c_i为各大仓可分配容量。

优选的，所述第二约束条件为：

∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量；

∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量。

优选的，所述基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量，具体包括：

将所述门店最大补货量固定到所述第二约束条件中；

基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

本发明公开了一种补货系统，包括：

第一确定模块，用于确定补货相关变量；

第一创建模块，用于基于所述补货相关变量创建第一目标函数及第一约束条件，所述第一目标函数为max·∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为当货物未来需求预测结果数据分布已知得到的累积概率函数，s_j为调拨之前各门店库存水平，y_j为门店补货量；

第二确定模块，用于基于所述第一目标函数及所述第一约束条件确定门店最大补货量；

第二创建模块，用于基于所述补货相关变量创建第二目标函数及第二约束条件，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；

第三确定模块，用于基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

优选的，所述第一约束条件为：

∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货量之和不能超过所有大仓可分配容量之和，其中，c_i为各大仓可分配容量。

优选的，所述第二约束条件为：

∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量；

∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量。

优选的，所述第三确定模块，具体用于：

将所述门店最大补货量固定到所述第二约束条件中；

基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

本发明公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

通过本发明的一个或者多个技术方案，本发明具有以下有益效果或者优点：

本发明公开了一种补货方法及系统，将上述问题分为两部分进行，先基于补货相关变量使各门店未来不缺货的概率最大化，然后再基于物流成本的约束对各门店在各大仓的补货量进行调整，进而规避了补货量和物流成本的量纲存在区别的问题，能够得到准确的补货量，使确定出的门店大仓补货量最接近给货物未来需求预测结果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种补货方法的流程图；

图2示出了根据本发明一个实施例的一种补货系统的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

由于当前存在由于补货量和物流成本的量纲存在区别，无法直接使用收益-成本的方式来设置目标函数进行求解，故导致得到的门店的补货量难以确定的问题，故本发明实施例一种补货方法及系统，将上述问题分为两部分进行，先基于补货相关变量使各门店未来不缺货的概率最大化，然后再基于物流成本的约束对各门店在各大仓的补货量进行调整，进而规避了补货量和物流成本的量纲存在区别的问题，能够得到准确的补货量，使确定出的门店大仓补货量最接近给货物未来需求预测结果。

下面请参看图1，该方法包括如下步骤：

步骤101，确定补货相关变量。

本实施例综合考虑到影响补货的全局因素，来确定补货变量。补货变量包括：收集货物未来需求预测结果数据、各门店的库存数据、大仓货物总量数据(也即：可分配容量)、大仓-门店对应关系数据等等。

步骤102，基于所述补货相关变量创建第一目标函数及第一约束条件。

其中，所述第一目标函数为max·∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为假设货物未来需求预测结果数据分布已知得到的累积概率函数，第一目标函数的含义就是最大化各门店未来不缺货的概率，而不同的分布对应有不同的累计概率函数，可以取不同的表达式。例如未来的需求假设为正态分布，那么

其中，μ，σ分别为平均值和方差，可以由预测来确定。再例如未来的需求假设为对数正态分布，那么

其中，μ，σ分别为平均值和方差，可以由预测来确定。

s_j为调拨之前各门店库存水平，y_j为门店补货量。s_j+y_j为调拨之后各门店库存水平，y_j＝∑_i∈Ix_ij。

第一约束条件为：∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货总量不能超过所有大仓可分配总量，其中，c_i为各大仓可分配容量。

具体来说，基于所述补货相关变量创建第一目标函数及第一约束条件，以能在第一约束条件的约束下确定出第一目标函数的最优解，该最优解即出最大补货量。也即：以使各门店未来不缺货的概率最大化为目标，以所有门店补货总量不能超过所有大仓可分配总量为约束条件来调整各门店补货量的最优解。

步骤103，基于所述第一目标函数及所述第一约束条件确定门店最大补货量。

具体来说，通过第一约束条件的约束来调整第一目标函数进行解优化模型，能够确定出门店最大补货量。

步骤104，基于所述补货相关变量创建第二目标函数及第二约束条件。

其中，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；

所述第二约束条件为：

∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量。也即门店j从所有大仓的补货总量不低于该门店的补货量。

∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量，表示所有门店向大仓i的补货总量不能超过该大仓的可分配容量。

步骤105，基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

在具体的实施过程中，先将所述门店最大补货量固定到所述第二约束条件中；再基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

具体来说，将y_j的值带入第二约束条件中进行固定，通过约束单个门店从所有大仓的补货量和所有门店向单个大仓的补货量来调整第二目标函数，并在物流成本的约束下来确定出确定x_ij的最小值，使确定出的门店大仓补货量最接近给货物未来需求预测结果。

可见，在本发明实施例中，在给定货物未来需求预测结果的前提下，先基于补货相关变量使各门店未来不缺货的概率最大化，然后再基于物流成本的约束对各门店在各大仓的补货量进行调整，进而规避了补货量和物流成本的量纲存在区别的问题，能够得到准确的补货量，使确定出的门店大仓补货量最接近给货物未来需求预测结果。

基于与前述实施例中同样的发明构思，本发明实施例还提供一种补货系统，参看图2，包括：

第一确定模块201，用于确定补货相关变量；

第一创建模块202，用于基于所述补货相关变量创建第一目标函数及第一约束条件，所述第一目标函数为max·∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为当货物未来需求预测结果数据分布已知得到的累积概率函数，s_j为调拨之前各门店库存水平，y_j为门店补货量；

第二确定模块203，用于基于所述第一目标函数及所述第一约束条件确定门店最大补货量；

第二创建模块204，用于基于所述补货相关变量创建第二目标函数及第二约束条件，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；

第三确定模块205，用于基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

作为一种可选的实施例，所述第一约束条件为：

∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货量之和不能超过所有大仓可分配容量之和，其中，c_i为各大仓可分配容量。

作为一种可选的实施例，所述第二约束条件为：

∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量；

∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量。

作为一种可选的实施例，所述第三确定模块205，具体用于：

将所述门店最大补货量固定到所述第二约束条件中；

基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。

基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (6)

1.一种补货方法，其特征在于，所述方法包括：

确定补货相关变量；

基于所述补货相关变量创建第一目标函数及第一约束条件，在所述第一约束条件的约束下确定出所述第一目标函数的最优解，所述最优解为最大补货量；其中，以各门店未来不缺货的概率最大化为目标，以所有门店补货总量不能超过所有大仓可分配总量为所述第一约束条件来确定各门店补货量的最优解；所述第一目标函数为max.∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为当货物未来需求预测结果数据分布已知得到的累积概率函数，s_j为调拨之前各门店库存水平，y_j为门店补货量；所述第一约束条件为：∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货总量不能超过所有大仓可分配总量，其中，c_i为各大仓可分配容量；

基于所述第一目标函数及所述第一约束条件确定门店最大补货量；

基于所述补货相关变量创建第二目标函数及第二约束条件，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；所述第二约束条件为：∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量；∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量；

基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

2.如权利要求1所述的方法，其特征在于，所述基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量，具体包括：

将所述门店最大补货量固定到所述第二约束条件中；

基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

3.一种补货系统，其特征在于，包括：

第一确定模块，用于确定补货相关变量；

第一创建模块，用于基于所述补货相关变量创建第一目标函数及第一约束条件，在所述第一约束条件的约束下确定出所述第一目标函数的最优解，所述最优解为最大补货量；其中，以各门店未来不缺货的概率最大化为目标，以所有门店补货总量不能超过所有大仓可分配总量为所述第一约束条件来确定各门店补货量的最优解；所述第一目标函数为max.∑_j∈JF_j(s_j+y_j)；其中，j为任一门店，J为所有门店，F_j(s_j+y_j)为当货物未来需求预测结果数据分布已知得到的累积概率函数，s_j为调拨之前各门店库存水平，y_j为门店补货量；所述第一约束条件为：∑_j∈Jy_j≤∑_i∈Ic_i，表示所有门店补货量之和不能超过所有大仓可分配容量之和，其中，c_i为各大仓可分配容量；

第二确定模块，用于基于所述第一目标函数及所述第一约束条件确定门店最大补货量；

第二创建模块，用于基于所述补货相关变量创建第二目标函数及第二约束条件，所述第二目标函数为min∑_i∈I∑_j∈Jd_ijx_ij；其中，i为任一大仓，I为所有大仓，d_ij为门店j从大仓i的单位订货成本，x_ij为门店j从大仓i的补货量；所述第二约束条件为：∑_i∈Ix_ij≥y_j，j∈J；表示门店向大仓的补货总量不低于门店需要的量；∑_j∈Jx_ij≤c_i，i∈I；表示门店的补货总量不超过大仓的分货总量；

第三确定模块，用于基于所述第二目标函数、所述第二约束条件和所述门店最大补货量确定门店大仓补货量。

4.如权利要求3所述的系统，其特征在于，所述第三确定模块，具体用于：

将所述门店最大补货量固定到所述第二约束条件中；

基于所述第二目标函数和固定后的所述第二约束条件，确定所述门店大仓补货量。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-2任一项所述方法的步骤。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-2任一项所述方法的步骤。

Images