CN113869831A - 智能仓储的库位分配方法、装置及可读存储介质 - Google Patents
智能仓储的库位分配方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113869831A CN113869831A CN202111184500.1A CN202111184500A CN113869831A CN 113869831 A CN113869831 A CN 113869831A CN 202111184500 A CN202111184500 A CN 202111184500A CN 113869831 A CN113869831 A CN 113869831A
- Authority
- CN
- China
- Prior art keywords
- goods
- type
- cargo
- warehousing
- order
- 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.)
- Pending
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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能仓储的库位分配方法、装置及可读存储介质,本发明会根据两种类型的货物在各自订单中以及共同订单中出现的次数计算两者的关联度,从而确定出两种货物在同一订单中出现的概率,并以此构建货物聚类模型,然后通过构建的货物聚类模型对所有带待入库的货物进行聚类分配,能够将关联度大于阈值的两种或两种以上的货物分配在同一类别中,最后在关联度大于阈值的两种或两种以上的货物体积之和小于目标库位的体积的前提下,将关联度大于阈值的两种或两种以上的货物分配在目标库位中,由此实现了根据订单需求进行库位分配的效果,能够使同一订单的货物尽可能的被分配在同一库位中,从而有效提升了仓库的管理效率和出货效率。
Description
技术领域
本发明涉及物流技术领域,特别是涉及一种智能仓储的库位分配方法、装置及可读存储介质。
背景技术
随着互联网和物联网的飞速发展,物流行业也快速发展。在物流行业中,仓库管理已经成为物流企业竞争的一个关键因素。智能仓储是一种新型的仓储管理技术,其通过信息化、物联网和机电一体化实现智慧物流,从而降低仓储成本、提高运营效率。智能仓储作为物流过程的一个环节,保证了货物仓库管理各个环节数据输入的速度和准确性,确保企业及时准确地掌握库存的真实数据,合理保持和控制企业库存。
目前,在存储货物的过程中,一般是人工为待存储货物指定存储位置。人工为待存储货物指定存储位置时,通常是按照货物到达仓库的时间先后顺序进行库位分配的,但货物的出货通常是根据订单的需求来确定的,与仓库中物料的入库顺序通常无关。当待存储货物的数量较多时,容易出现存储混乱的情况,导致仓库的管理效率和出货效率低。
发明内容
为此,本发明的一个实施例提出一种智能仓储的库位分配方法,以提升仓库的管理效率和出货效率。
根据本发明一实施例的智能仓储的库位分配方法,包括:
获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数;
根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率;
根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和;
根据所述货物聚类模型对所有待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中;
判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积;
若是,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
根据本发明实施例提供的智能仓储的库位分配方法,会根据两种类型的货物在各自订单中以及共同订单中出现的次数计算两者的关联度,从而确定出两种货物在同一订单中出现的概率,并以此构建货物聚类模型;然后通过构建的货物聚类模型对所有待入库的货物进行聚类分配,能够将关联度大于阈值的两种或两种以上的货物分配在同一类别中;最后在关联度大于阈值的两种或两种以上的货物体积之和小于目标库位的体积的前提下,将关联度大于阈值的两种或两种以上的货物分配在目标库位中,由此实现了根据订单需求进行库位分配的效果,能够使同一订单的货物尽可能地被分配在同一库位中,从而有效提升了仓库的管理效率和出货效率。
此外,根据本发明实施例提供的智能仓储的库位分配方法,还具有以下技术特征:
进一步地,根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率的步骤中,采用下式计算所述关联度:
其中,pij表示所述第一类型货物和所述第二类型货物的关联度,i表示所述第一类型货物,j表示所述第二类型货物,mi表示所述第一类型货物出现在订单中的第一次数,mj表示所述第二类型货物出现在订单中的第二次数,mij表示所述第一类型货物和所述第二类型货物共同出现的订单的第三次数。
进一步地,所述根据所述关联度构建货物聚类模型的步骤中,构建的所述货物聚类模型的表达式如下:
其中,N表示所有带待入库的货物的种类总数,G表示聚类后的分类总数,g表示聚类后的第g类,Xig的取值为0或1,当Xig=1时,表示货物i被分到g类中,当Xig=0时,表示货物i未被分到g类中;Xjg的取值为0或1,当Xjg=1时,表示货物j被分到g类中,当Xjg=0时,表示货物j未被分到g类中。
进一步地,将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中的步骤具体包括:
计算关联度大于阈值的两种或两种以上的货物中各个货物的平均订单频率;
根据各个货物的平均订单频率、仓库中各个存储区域到仓库出入口的距离、以及预设的区域分配模型确定各个货物的具体存储区域;
将各个货物分配到相应的存储区域中。
进一步地,所述区域分配模型的表达式如下:
其中,H表示存储区域中的总数,h表示第h个存储区域,Fg表示第g类货物的平均订单频率,dh表示第h个存储区域到仓库出入口的距离,Ygh的取值为0或1,当Ygh=1时,表示第g类货物被分配到第h个存储区域中,当Ygh=0时,表示第g类货物未被分配到第h个存储区域中。
进一步地,所述方法还包括:
获取所述第一类型货物的第一已入库量、以及所述第二类型货物的第二已入库量;
将所述第一已入库量和所述第二已入库量分别输入至经过训练的神经网络模型中进行预测,得到所述第一类型货物对应的未来预设时间内的第一预测入库量,以及所述第二类型货物对应的未来预设时间内的第二预测入库量,所述经过训练的神经网络模型是根据所述第一类型货物和所述第二类型货物的历史入库量训练得到的;
判断所述第一预测入库量是否大于所述第二预测入库量,且所述第一预测入库量是否大于入库阈值;
若所述第一预测入库量大于所述第二预测入库量,且所述第一预测入库量大于入库阈值,则为所述第一类型货物单独分配库位。
本发明的另一实施例提供一种智能仓储的库位分配装置,以提升仓库的管理效率和出货效率。
根据本发明一实施例的智能仓储的库位分配装置,包括:
第一获取模块,用于获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数;
计算模块,用于根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率;
构建模块,用于根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和;
第一分配模块,用于根据所述货物聚类模型对所有带待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中;
第一判断模块,用于判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积;
第二分配模块,用于若关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
根据本发明实施例提供的智能仓储的库位分配装置,会根据两种类型的货物在各自订单中以及共同订单中出现的次数计算两者的关联度,从而确定出两种货物在同一订单中出现的概率,并以此构建货物聚类模型;然后通过构建的货物聚类模型对所有带待入库的货物进行聚类分配,能够将关联度大于阈值的两种或两种以上的货物分配在同一类别中;最后在关联度大于阈值的两种或两种以上的货物体积之和小于目标库位的体积的前提下,将关联度大于阈值的两种或两种以上的货物分配在目标库位中,由此实现了根据订单需求进行库位分配的效果,能够使同一订单的货物尽可能的被分配在同一库位中,从而有效提升了仓库的管理效率和出货效率。
此外,根据本发明实施例提供的智能仓储的库位分配装置,还具有以下技术特征:
进一步地,所述计算模块用于采用下式计算所述关联度:
其中,pij表示所述第一类型货物和所述第二类型货物的关联度,i表示所述第一类型货物,j表示所述第二类型货物,mi表示所述第一类型货物出现在订单中的第一次数,mj表示所述第二类型货物出现在订单中的第二次数,mij表示所述第一类型货物和所述第二类型货物共同出现在同一订单的第三次数。
进一步地,所述构建模块构建的所述货物聚类模型的表达式如下:
其中,N表示所有带待入库的货物的种类总数,G表示聚类后的分类总数,g表示聚类后的第g类,Xig的取值为0或1,当Xig=1时,表示货物i被分到g类中,当Xig=0时,表示货物i未被分到g类中,Xjg的取值为0或1,当Xjg=1时,表示货物j被分到g类中,当Xjg=0时,表示货物j未被分到g类中。
进一步地,所述第二分配模块具体用于:
计算关联度大于阈值的两种或两种以上的货物中各个货物的平均订单频率;
根据各个货物的平均订单频率、仓库中各个存储区域到仓库出入口的距离、以及预设的区域分配模型确定各个货物的具体存储区域;
将各个货物分配到相应的存储区域中。
进一步地,所述区域分配模型的表达式如下:
其中,H表示存储区域中的总数,h表示第h个存储区域,Fg表示第g类货物的平均订单频率,dh表示第h个存储区域到仓库出入口的距离,Ygh的取值为0或1,当Ygh=1时,表示第g类货物被分配到第h个存储区域中,当Ygh=0时,表示第g类货物未被分配到第h个存储区域中。
进一步地,所述装置还包括:
第二获取模块,用于获取所述第一类型货物的第一已入库量、以及所述第二类型货物的第二已入库量;
输入预测模块,用于将所述第一已入库量和所述第二已入库量分别输入至经过训练的神经网络模型中进行预测,得到所述第一类型货物对应的未来预设时间内的第一预测入库量,以及所述第二类型货物对应的未来预设时间内的第二预测入库量,所述经过训练的神经网络模型是根据所述第一类型货物和所述第二类型货物的历史入库量训练得到的;
第二判断模块,用于判断所述第一预测入库量是否大于所述第二预测入库量,且所述第一预测入库量是否大于入库阈值;
第三分配模块,用于若所述第一预测入库量大于所述第二预测入库量,且所述第一预测入库量大于入库阈值,则为所述第一类型货物单独分配库位。
此外,本发明还提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的智能仓储的库位分配方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明第一实施例提出的智能仓储的库位分配方法的流程图;
图2为图1中步骤S106的详细流程图;
图3为本发明第二实施例提出的智能仓储的库位分配方法的流程图;
图4为本发明第三实施例提出的智能仓储的库位分配方法的流程图;
图5为本发明第四实施例提出的智能仓储的库位分配装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域普通技术人员在没有做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。
实施例一:
请参阅图1,本发明第一实施例提出一种智能仓储的库位分配方法,包括步骤S101~S106:
S101,获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数。
其中,货物的类型例如是食品、日用品、工业用品等。具体实施时,还可以根据实际情况进行进一步划分。
第一次数具体是指含有第一类型货物的订单的数量,第二次数具体是指含有第二类型货物的订单的数量,第三次数具体是指同时含有第一类型货物和第二类型货物的订单的数量。
S102,根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率。
其中,具体采用下式计算所述关联度:
其中,pij表示所述第一类型货物和所述第二类型货物的关联度,i表示所述第一类型货物,j表示所述第二类型货物,mi表示所述第一类型货物出现在订单中的第一次数,mj表示所述第二类型货物出现在订单中的第二次数,mij表示所述第一类型货物和所述第二类型货物共同出现的订单的第三次数。
pij的取值范围为[0,1],当pij=0时,表示第一类型货物和第二类型货物不关联,两者没有出现在同一订单中;当pij=1时,表示第一类型货物和第二类型货物完全关联,在有第一类型货物的订单中,也会有第二类型货物。
S103,根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和。
其中,构建的所述货物聚类模型的表达式如下:
其中,N表示所有待入库的货物的种类总数,G表示聚类后的分类总数,g表示聚类后的第g类,Xig的取值为0或1,当Xig=1时,表示货物i被分到g类中,当Xig=0时,表示货物i未被分到g类中;Xjg的取值为0或1,当Xjg=1时,表示货物i被分到g类中,当Xjg=0时,表示货物i未被分到g类中。
S104,根据所述货物聚类模型对所有待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中。
其中,需要对所有待入库的货物采用上述的货物聚类模型进行聚类分配,从而将关联度大于阈值的两种或两种以上的货物分配在同一类别中,这里的同一类别实质反应了两种或两种以上的货物会出现在同一订单中。
S105,判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积。
S106,若是,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
其中,在具体实施时,可以先获取关联度大于阈值的两种或两种以上的货物中每个货物的体积以及目标库位的体积,然后判断体积之和是否小于目标库位的体积,只有在体积之和小于目标库位的体积的情况下,才会将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。如果体积之和大于或等于目标库位的体积,说明该目标库位不能存放这么多货物,因此,可以分配一个体积更大的库位作为目标库位。
请参阅图2,步骤S106具体包括步骤S1061~S1063:
S1061,计算关联度大于阈值的两种或两种以上的货物中各个货物的平均订单频率。
S1062,根据各个货物的平均订单频率、仓库中各个存储区域到仓库出入口的距离、以及预设的区域分配模型确定各个货物的具体存储区域。
其中,所述区域分配模型的表达式如下:
其中,H表示存储区域中的总数,h表示第h个存储区域,Fg表示第g类货物的平均订单频率,dh表示第h个存储区域到仓库出入口的距离,Ygh的取值为0或1,当Ygh=1时,表示第g类货物被分配到第h个存储区域中,当Ygh=0时,表示第g类货物未被分配到第h个存储区域中。
在此需要补充说明的是:
表示每一个储存区域最多只存储一类货物;
表示同一类货物存放在一个储存区域。
S1063,将各个货物分配到相应的存储区域中。
其中,由于即便是同一订单中的货物,不同货物的出货频率也会存在差异。为了进一步提升出货效率,通过步骤S1061~S1063,能够使出货频率高(也即平均订单频率高)的货物存放在靠近仓库出入口的位置,从而使出货频率高的货物出货更快。
综上,根据本发明提供的智能仓储的库位分配方法,会根据两种类型的货物在各自订单中以及共同订单中出现的次数计算两者的关联度,从而确定出两种货物在同一订单中出现的概率,并以此构建货物聚类模型;然后通过构建的货物聚类模型对所有带待入库的货物进行聚类分配,能够将关联度大于阈值的两种或两种以上的货物分配在同一类别中;最后在关联度大于阈值的两种或两种以上的货物体积之和小于目标库位的体积的前提下,将关联度大于阈值的两种或两种以上的货物分配在目标库位中,由此实现了根据订单需求进行库位分配的效果,能够使同一订单的货物尽可能的被分配在同一库位中,从而有效提升了仓库的管理效率和出货效率。
实施例二:
在本发明中,本发明第二实施例提出一种智能仓储的库位分配方法,请参阅图3,该方法包括步骤S201~S204:
S201,获取所述第一类型货物的第一已入库量、以及所述第二类型货物的第二已入库量。
S202,将所述第一已入库量和所述第二已入库量分别输入至经过训练的神经网络模型中进行预测,得到所述第一类型货物对应的未来预设时间内的第一预测入库量,以及所述第二类型货物对应的未来预设时间内的第二预测入库量,所述经过训练的神经网络模型是根据所述第一类型货物和所述第二类型货物的历史入库量训练得到的。
其中,以第一类型货物为例,经过训练的神经网络模型是根据第一类型货物的历史入库量训练得到的。因此,可以根据第一类型货物的第一已入库量预测第一类型货物对应的未来预设时间内(例如未来1个月内或未来3个月内)的第一预测入库量。
同理,可以根据第二类型货物的第二已入库量预测第二类型货物对应的未来预设时间内(例如未来1个月内或未来3个月内。需要指出的是,第二类型货物对应的未来预设时间与第一类型货物对应的未来预设时间相同)的第二预测入库量。
S203,判断所述第一预测入库量是否大于所述第二预测入库量,且所述第一预测入库量是否大于入库阈值。
S204,若所述第一预测入库量大于所述第二预测入库量,且所述第一预测入库量大于入库阈值,则为所述第一类型货物单独分配库位。
其中,如果第一预测入库量大于第二预测入库量,且第一预测入库量大于入库阈值,说明第一类型货物的数量较多。这种情况下,即使第一类型货物和第二类型货物关联度大于阈值,也优先为所述第一类型货物单独分配库位,便于数量较多的第一类型货物的快速出货。
实施例三:
作为一个具体示例,请参阅图4,本发明第三实施例提出一种智能仓储的库位分配方法,该方法包括如下步骤:
S301,获取第一类型货物在预设入库时间对应的第一已入库量,以及第二类型获取在所述预设入库时间对应的第二已入库量。
S302,根据所述第一已入库量与所述预设入库时间计算得到第一入库速率,根据所述第二已入库量与所述预设入库时间计算得到第二入库速率。
可以理解的,在本步骤中,根据已入库量与预设入库时间之间比值可计算得到对应的入库速率。
S303,根据所述第一入库速率与所述第二入库速率计算得到入库速率比值,并判断所述入库速率比值是否大于预设入库速率比值。
在本步骤中,例如,若第一入库速率与第二入库速率之间计算得到的入库速度比值为2.3,则说明第一类型货物的入库速率远高于第二类型货物的入库速率。在本实施例中,预设入库速率比值为1.8。
S304,若所述入库速率比值大于所述预设入库速率比值,且所述第一类型货物与所述第二类型货物之间的关联度大于关联度阈值,则根据所述关联度以及所述入库速率比值计算得到入库量分配系数,并根据所述入库量分配系数将对应类型货物分配至独立库位以及公共库位。
如上所述,例如入库速率比值为2.3,大于预设入库速率比值1.8,说明第一类型货物的入库速率远大于第二类型货物对应的入库速率,因此需要及时调整第二类型货物的入库效率。
在本步骤中,由于第一类型货物与第二类型货物之间的关联度大于关联度阈值,因此说明第一类型货物与第二类型货物在一定程度上可将货物共同存储在公共库位。另一方面,如上所述,又由于二者之间的入库速率差距较大,因此也需要为入库速率较小的货物单独分配库位。
在本实施例中,入库量分配系数的计算公式为:
其中,Qf为所述入库量分配系数,a、β为校正因子,pij为所述第一类型货物与第二类型货物之间的关联度,ws为所述入库速率比值。
在本实施例中,若计算得到的入库量分配系数为0.7,则将第二类型货物的剩余待入库量的70%分配到对应的独立库位,将第二类型货物的剩余待入库量的30%分配到与第一类型货物对应的公共库位。在此需要补充说明的是,独立库位一般都承担较高的入库量,公共库位用于承担剩余的入库量。
实施例四
请参阅图5,本发明第四实施例提出一种智能仓储的库位分配装置,包括:
第一获取模块,用于获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数;
计算模块,用于根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率;
构建模块,用于根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和;
第一分配模块,用于根据所述货物聚类模型对所有带待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中;
第一判断模块,用于判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积;
第二分配模块,用于若关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
本实施例中,所述计算模块用于采用下式计算所述关联度:
其中,pij表示所述第一类型货物和所述第二类型货物的关联度,i表示所述第一类型货物,j表示所述第二类型货物,mi所述第一类型货物出现在订单中的第一次数,mj表示所述第二类型货物出现在订单中的第二次数,mij表示所述第一类型货物和所述第二类型货物共同出现的订单的第三次数。
本实施例中,所述构建模块构建的所述货物聚类模型的表达式如下:
其中,N表示所有带待入库的货物的种类总数,G表示聚类后的分类总数,g表示聚类后的第g类,Xig的取值为0或1,当Xig=1时,表示货物i被分到g类中,当Xig=0时,表示货物i未被分到g类中,Xjg的取值为0或1,当Xjg=1时,表示货物j被分到g类中,当Xjg=0时,表示货物j未被分到g类中。
本实施例中,所述第二分配模块具体用于:
计算关联度大于阈值的两种或两种以上的货物中各个货物的平均订单频率;
根据各个货物的平均订单频率、仓库中各个存储区域到仓库出入口的距离、以及预设的区域分配模型确定各个货物的具体存储区域;
将各个货物分配到相应的存储区域中。
本实施例中,所述区域分配模型的表达式如下:
其中,H表示存储区域中的总数,h表示第h个存储区域,Fg表示第g类货物的平均订单频率,dh表示第h个存储区域到仓库出入口的距离,Ygh的取值为0或1,当Ygh=1时,表示第g类货物被分配到第h个存储区域中,当Ygh=0时,表示第g类货物未被分配到第h个存储区域中。
本实施例中,所述装置还包括:
第二获取模块,用于获取所述第一类型货物的第一已入库量、以及所述第二类型货物的第二已入库量;
输入预测模块,用于将所述第一已入库量和所述第二已入库量分别输入至经过训练的神经网络模型中进行预测,得到所述第一类型货物对应的未来预设时间内的第一预测入库量,以及所述第二类型货物对应的未来预设时间内的第二预测入库量,所述经过训练的神经网络模型是根据所述第一类型货物和所述第二类型货物的历史入库量训练得到的;
第二判断模块,用于判断所述第一预测入库量是否大于所述第二预测入库量,且所述第一预测入库量是否大于入库阈值;
第三分配模块,用于若所述第一预测入库量大于所述第二预测入库量,且所述第一预测入库量大于入库阈值,则为所述第一类型货物单独分配库位。
根据本发明提供的智能仓储的库位分配装置,会根据两种类型的货物在各自订单中以及共同订单中出现的次数计算两者的关联度,从而确定出两种货物在同一订单中出现的概率,并以此构建货物聚类模型,然后通过构建的货物聚类模型对所有带待入库的货物进行聚类分配,能够将关联度大于阈值的两种或两种以上的货物分配在同一类别中,最后在关联度大于阈值的两种或两种以上的货物体积之和小于目标库位的体积的前提下,将关联度大于阈值的两种或两种以上的货物分配在目标库位中,由此实现了根据订单需求进行库位分配的效果,能够使同一订单的货物尽可能的被分配在同一库位中,从而有效提升了仓库的管理效率和出货效率。
此外,本发明的实施例还提供一种可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述实施例的智能仓储的库位分配方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通讯、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种智能仓储的库位分配方法,其特征在于,所述方法包括如下步骤:
获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数;
根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率;
根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和;
根据所述货物聚类模型对所有待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中;
判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积;
若是,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
4.根据权利要求3所述的智能仓储的库位分配方法,其特征在于,将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中的步骤具体包括:
计算关联度大于阈值的两种或两种以上的货物中各个货物的平均订单频率;
根据各个货物的平均订单频率、仓库中各个存储区域到仓库出入口的距离、以及预设的区域分配模型确定各个货物的具体存储区域;
将各个货物分配到相应的存储区域中。
6.根据权利要求1所述的智能仓储的库位分配方法,其特征在于,所述方法还包括:
获取所述第一类型货物的第一已入库量、以及所述第二类型货物的第二已入库量;
将所述第一已入库量和所述第二已入库量分别输入至经过训练的神经网络模型中进行预测,得到所述第一类型货物对应的未来预设时间内的第一预测入库量,以及所述第二类型货物对应的未来预设时间内的第二预测入库量,所述经过训练的神经网络模型是根据所述第一类型货物和所述第二类型货物的历史入库量训练得到的;
判断所述第一预测入库量是否大于所述第二预测入库量,且所述第一预测入库量是否大于入库阈值;
若所述第一预测入库量大于所述第二预测入库量,且所述第一预测入库量大于入库阈值,则为所述第一类型货物单独分配库位。
7.一种智能仓储的库位分配装置,其特征在于,所述装置包括:
第一获取模块,用于获取待入库的第一类型货物出现在订单中的第一次数、待入库的第二类型货物出现在订单中的第二次数、以及所述第一类型货物和所述第二类型货物共同出现的订单的第三次数;
计算模块,用于根据所述第一次数、所述第二次数和所述第三次数计算所述第一类型货物和所述第二类型货物的关联度,所述关联度用于指示所述第一类型货物和所述第二类型货物出现在同一订单中的概率;
构建模块,用于根据所述关联度构建货物聚类模型,所述货物聚类模型用于指示货物聚合到相同类的关联度总和;
第一分配模块,用于根据所述货物聚类模型对所有带待入库的货物进行聚类分配,以将关联度大于阈值的两种或两种以上的货物分配在同一类别中;
第一判断模块,用于判断关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积;
第二分配模块,用于若关联度大于阈值的两种或两种以上的货物体积之和是否小于目标库位的体积,则将关联度大于阈值的两种或两种以上的货物分配在所述目标库位中。
10.一种可读存储介质,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上述权利要求1至6任意一项所述的智能仓储的库位分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184500.1A CN113869831A (zh) | 2021-10-12 | 2021-10-12 | 智能仓储的库位分配方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111184500.1A CN113869831A (zh) | 2021-10-12 | 2021-10-12 | 智能仓储的库位分配方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869831A true CN113869831A (zh) | 2021-12-31 |
Family
ID=78998493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111184500.1A Pending CN113869831A (zh) | 2021-10-12 | 2021-10-12 | 智能仓储的库位分配方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869831A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114602834A (zh) * | 2022-02-23 | 2022-06-10 | 浙江工业大学 | 吊挂分拣系统出入库调度及库位分配方法 |
CN114841642A (zh) * | 2022-04-27 | 2022-08-02 | 红云红河烟草(集团)有限责任公司 | 基于鹰栖息优化的辅料入库货位分配方法 |
CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
CN116934531A (zh) * | 2023-07-28 | 2023-10-24 | 重庆安特布鲁精酿啤酒有限公司 | 一种基于数据分析的酒类信息智能管理方法及系统 |
CN117952522A (zh) * | 2024-03-26 | 2024-04-30 | 瑞熙(苏州)智能科技有限公司 | 一种基于数据处理的仓库入库管理方法及系统 |
CN117952522B (zh) * | 2024-03-26 | 2024-06-07 | 瑞熙(苏州)智能科技有限公司 | 一种基于数据处理的仓库入库管理方法及系统 |
-
2021
- 2021-10-12 CN CN202111184500.1A patent/CN113869831A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114602834A (zh) * | 2022-02-23 | 2022-06-10 | 浙江工业大学 | 吊挂分拣系统出入库调度及库位分配方法 |
CN114602834B (zh) * | 2022-02-23 | 2024-03-26 | 浙江工业大学 | 吊挂分拣系统出入库调度及库位分配方法 |
CN114841642A (zh) * | 2022-04-27 | 2022-08-02 | 红云红河烟草(集团)有限责任公司 | 基于鹰栖息优化的辅料入库货位分配方法 |
CN114841642B (zh) * | 2022-04-27 | 2023-08-15 | 红云红河烟草(集团)有限责任公司 | 基于鹰栖息优化的辅料入库货位分配方法 |
CN115099525A (zh) * | 2022-07-28 | 2022-09-23 | 国连科技(浙江)有限公司 | 一种货物仓储管理方法、系统 |
CN116934531A (zh) * | 2023-07-28 | 2023-10-24 | 重庆安特布鲁精酿啤酒有限公司 | 一种基于数据分析的酒类信息智能管理方法及系统 |
CN117952522A (zh) * | 2024-03-26 | 2024-04-30 | 瑞熙(苏州)智能科技有限公司 | 一种基于数据处理的仓库入库管理方法及系统 |
CN117952522B (zh) * | 2024-03-26 | 2024-06-07 | 瑞熙(苏州)智能科技有限公司 | 一种基于数据处理的仓库入库管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113869831A (zh) | 智能仓储的库位分配方法、装置及可读存储介质 | |
Haijema et al. | Improved ordering of perishables: The value of stock-age information | |
Molavi et al. | Truck scheduling in a cross docking systems with fixed due dates and shipment sorting | |
Hall et al. | Capacity allocation and scheduling in supply chains | |
Song | Characterizing optimal empty container reposition policy in periodic-review shuttle service systems | |
Axsäter et al. | A distribution inventory model with transshipments from a support warehouse | |
CN111091328A (zh) | 一种仓储入库管理方法和管理装置 | |
CN113200275A (zh) | 货箱整理方法、装置、设备、仓储系统及存储介质 | |
CN111126857B (zh) | 密集仓储的任务管理方法、装置及电子设备 | |
Hu et al. | Vehicle routing problem for fashion supply chains with cross-docking | |
Öztürkoğlu | A bi‐objective mathematical model for product allocation in block stacking warehouses | |
CN110705946A (zh) | 货物配装方法及货物配装系统 | |
Cardona et al. | How to determine slot sizes in a unit-load warehouse | |
Tang | Managing finished-goods inventory under capacitated delayed differentiation | |
CN111985862A (zh) | 定位库存物品的方法和装置 | |
CN112990818A (zh) | 一种基于拍卖机制的自动化仓库货位优化方法及系统 | |
CN114626794A (zh) | 基于物联网的仓储立库穿梭车路径规划方法及系统 | |
CN113935528A (zh) | 智能调度方法、装置、计算机设备及存储介质 | |
CN110615226B (zh) | 储位分配方法、装置以及计算机可读存储介质 | |
Tadumadze et al. | Assigning orders and pods to picking stations in a multi-level robotic mobile fulfillment system | |
Andersson et al. | Exact analysis of One-Warehouse-Multiple-Retailer inventory systems with quantity restricted deliveries | |
CN110889599A (zh) | 订单处理方法及装置、仓储系统、计算机设备和存储介质 | |
Yuan et al. | The storage location assignment problem of automated drug dispensing machines | |
CN109359905A (zh) | 一种自动化无人仓货位分配方法、装置和存储介质 | |
CN114240295A (zh) | 一种仓库货物入库的信息处理方法、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 |