CN113919764A - 仓内补货量确定方法、装置、计算机设备及存储介质 - Google Patents
仓内补货量确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113919764A CN113919764A CN202010643850.9A CN202010643850A CN113919764A CN 113919764 A CN113919764 A CN 113919764A CN 202010643850 A CN202010643850 A CN 202010643850A CN 113919764 A CN113919764 A CN 113919764A
- Authority
- CN
- China
- Prior art keywords
- information
- replenishment
- warehouse
- replenishment quantity
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000006870 function Effects 0.000 claims description 120
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000009795 derivation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000047 product Substances 0.000 description 87
- 238000005315 distribution function Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/08—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)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种仓内补货量确定方法、装置、计算机设备及存储介质。所述方法包括：获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；获取所述待补货仓库内所述目标单品的当前库存量信息；根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。采用本方法，可得到具有仓库存储空间限制的仓内补货量，利用该仓内补货量进行补货，不仅可提高仓内补货准确率，还可确保仓内补货的稳定性。
Description
技术领域
本申请涉及物流信息处理技术领域，具体涉及一种仓内补货量确定方法、装置、计算机设备及存储介质。
背景技术
物流是链接供应端和消费者之间的重要纽带，物流的发展改变了传统的生活和消费方式。随着现代物流的快速发展，越来越多的物品逐渐采用物流方式进行运输，但仓内货物不足无疑会严重影响物流的正常运转，因而各类各样的补货策略逐步被提出。
现有技术中的补货策略，通常采用历史销量数据训练得到的销量模型来预测当前补货量，虽然能够解决仓内缺货问题，但因其考虑因素单一，且忽略了用于存放货物的仓内环境，导致补货数量不够精确而致使补货效率低下。
因此，现有技术中的补货策略存在仓内补货准确率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高仓内补货准确率的仓内补货量确定方法、装置、计算机设备及存储介质。
一方面，本申请提供一种仓内补货量确定方法，所述方法包括：
获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；
根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；
获取所述待补货仓库内所述目标单品的当前库存量信息；
根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
在本申请一种可能的实现方式中，所述单品信息包括单品成本信息和单品体积信息，所述根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息，包括：确定所述单品成本信息中的持货成本信息、缺货成本信息和购买成本信息；根据所述持货成本信息、所述缺货成本信息和所述购买成本信息，确定所述目标单品的单品总成本信息；根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息。
在本申请一种可能的实现方式中，所述根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息，包括：确定针对于所述单品总成本信息对应预设的总成本函数式，以及，确定针对所述单品体积信息与所述仓内存储体积信息之间对应预设的体积不等式；基于拉格朗日乘子算法，建立所述体积不等式与所述总成本函数式的拉格朗日函数式，所述拉格朗日乘子算法的拉格朗日乘子系数λ≥0；分别对所述拉格朗日函数式进行针对于所述补货数量信息以及所述再补货点信息的求导处理，得到所述补货数量信息的函数式和所述再补货点信息的函数式；根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息。
在本申请一种可能的实现方式中，所述拉格朗日乘子系数λ＝0、所述缺货成本信息的数值为零；所述根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息，包括：基于所述拉格朗日乘子系数，对所述补货数量信息的函数式进行简化处理，得到简化后的补货数量函数式；确定所述单品信息中的单品短缺量期望值，并根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，确定标准损失函数式，以通过所述标准损失函数式获取所述目标单品的再补货点信息；根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
在本申请一种可能的实现方式中，所述根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息，包括：根据所述再补货点信息的函数式，获取所述缺货成本信息的函数式；根据所述缺货成本信息的函数式，以及求导处理后所述补货数量信息的求导函数式，确定所述补货数量信息的更新函数式；根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
在本申请一种可能的实现方式中，在所述根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息之后，所述方法还包括：获取所述单品体积信息与所述仓内存储体积信息的体积比较结果；若所述体积比较结果满足所述体积不等式对应的体积限制条件，则执行所述确定仓内补货量的步骤；若所述体积比较结果不满足所述体积限制条件，则基于预设的拉格朗日乘子更新策略，重复执行所述根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，获取所述目标单品的再补货点信息的步骤，直至所述补货数量信息和再补货点信息满足预设的收敛条件，并满足所述体积限制条件。
在本申请一种可能的实现方式中，所述根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量，包括：若所述当前库存量信息小于等于所述再补货点信息，则确定所述目标单品的仓内补货量与所述补货数量信息一致；若所述当前库存量信息大于所述再补货点信息，则确定所述目标单品的仓内补货量为零。
另一方面，本申请提供一种仓内补货装置，所述装置包括：
信息获取模块，用于获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；
信息分析模块，用于根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；
库存获取模块，用于获取所述待补货仓库内所述目标单品的当前库存量信息；
补货量确定模块，用于根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
另一方面，本申请还提供一种服务器，所述服务器包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现所述的仓内补货量确定方法。
另一方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行所述的仓内补货量确定方法中的步骤。
上述仓内补货量确定方法、装置、计算机设备及存储介质，通过分析目标单品的单品信息和待补货仓库的仓内存储体积信息，可得到具有仓库存储空间限制的补货数量信息和再补货点信息，进而再根据待补货仓库内目标单品的当前库存量信息确定目标单品的仓内补货量，使得最终得到的仓内补货量不仅能够满足针对于目标单品的补货需求，还能满足仓库存储空间的限制，进而提高仓内补货准确率、确保仓内补货的稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例中的仓内补货量确定方法的场景示意图；
图2是本申请实施例中的仓内补货量确定方法的流程示意图；
图3是本申请实施例中的信息获取步骤的流程示意图；
图4是本申请实施例中的另一个信息获取步骤的流程示意图；
图5是本申请实施例中的又一个信息获取步骤的流程示意图；
图6是本申请实施例中的补货数量信息获取步骤的流程示意图；
图7是本申请实施例中的体积分析步骤的流程示意图；
图8是本申请实施例中的仓内补货步骤的流程示意图；
图9是本申请实施例中的仓内补货量确定方法的具体流程示意图；
图10是本申请实施例中的仓内补货量确定装置的结构示意图；
图11是本申请实施例中的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域技术人员在没有作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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
需要说明的是，本申请提供的仓内补货量确定方法实际可应用于仓内补货场景，然而，仓库补货一般分为两类：一类是从主仓库调往分仓的操作，这类补货往往与整体供应链的调整有关，比如某地仓库的某类货品不足需要补货，这时就需要从主仓往分仓调货；另一种是属于库内的补货操作，属于仓库内的操作业务，通常是拣货人员或人工智能设备从存储区向拣货区补货的操作场景。发生这类补货的原因有很多种，也是值得分析探讨的部分，做好库内的补货策略并优化相关操作有助于提升仓库管理效率，本申请所提出的仓内补货量确定方法就是用于执行此类补货操作，以规范仓内运行，提升仓内补货准确率和补货效率。
本申请实施例提供一种仓内补货量确定方法、装置、服务器及存储介质，以下分别进行详细说明。
参阅图1，图1为本申请实施例所提供的仓内补货量确定方法的场景示意图，该仓内补货量确定方法可应用于仓内补货系统中。其中，仓内补货系统包括终端102和服务器104。具体地，该服务器104可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器104，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。终端102可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端具体可以是台式终端或移动终端，终端具体还可以是手机、平板电脑、笔记本电脑等中的一种。
另外，该仓内补货系统还可以包括存储器，用于存储数据，如存储物流数据，例如物流平台的各种数据，如中转场等物流网点的物流运输信息，具体的，如快件信息，配送车辆信息和物流网点信息等。
本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本申请方案一种应用场景，并不构成对本申请方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器104，可以理解的，该仓内补货系统还可以包括一个或多个其他服务器，具体此处不作限定。
需要说明的是，图1所示的仓内补货系统的场景示意图仅仅是一个示例，本发明实施例描述的仓内补货系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着仓内补货系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
如图2所示，在一个实施例中，提供了一种仓内补货量确定方法。本实施例主要以该方法应用于上述图1中的服务器104来举例说明。参照图2，该仓内补货量确定方法具体包括步骤S201～步骤S203，具体如下：
S201，获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息。
其中，单品就是商品，任何商品在单独提及的时候都可以称为单品，目标单品可以是指当前待补货仓库内所需补充的SKU(Stock Keeping Unit)商品。
其中，单品信息可以是指包括SKU信息、仓内运营成本信息和历史需求数据在内的单品信息。
其中，仓库库位信息可以是指存储于WMS(warehouse management system，仓库管理系统)内，且包括有仓内存储体积信息(V，即仓储总允许存储体积)的仓库管理信息，单位：m3。
具体地，服务器104在确定待补货仓库内目标单品的仓内补货量之前，需首先获取预存于WMS系统中的目标单品的单品信息，以及当前待补货仓库的仓库库位信息，进而利用该单品信息和仓内存储体积信息作为后续处理依据，执行后续获取目标单品所属补货数量信息和再补货点信息的任务操作。
更具体地，本实施例中所指的目标单品可以是特指某一个SKU商品，也可以是指多类型SKU商品的集合，关键在于判定待补货仓库当前需要对哪些SKU商品进行补货，即由业务需求确定。
S202，根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息。
其中，仓内补货分析模型可以是基于机器学习或深度学习的神经网络模型，如卷积神经网络模型(Convolutional Neural Networks，CNN)、循环神经网络模型(RecurrentNeural Network，RNN)、深度神经网络模型(Deep Neural Networks，DNN)等。
具体地，本实施例中获取补货数量信息和再补货点信息的操作可以是由已训练的仓内补货分析模型执行完成，该仓内补货分析模型可以是在确定仓内补货量之前由服务器104预先建立并训练完成的，即可以是基于机器学习或深度学习的神经网络模型，如卷积神经网络模型(CNN)、循环神经网络模型(RNN)、深度神经网络模型(DNN)等。
更具体地，服务器104获取到单品信息和仓内存储体积信息，并将单品信息和仓库库位信息输入至仓内补货分析模型之前，可先建立仓内补货分析模型，如设置目标函数以及分析机制进行模型建立，进而利用目标单品的历史需求数据进行模拟分析计算，以获取输出结果符合预期的仓内补货分析模型，最终将单品信息和仓内存储体积信息输入至该模型以获取其模型输出结果，得到补货数量和再补货点。
S203，获取所述待补货仓库内所述目标单品的当前库存量信息。
其中，当前库存量信息(P)可以是指当前时刻下目标单品的库存数量，例如50。
具体地，服务器104分析得到目标单品的补货数量和再补货点之后，可进一步获取目标单品的当前库存量，以便利用当前获取到的当前库存量作为后续补货判定依据。其中，当前库存量的获取方式可以是通过连接服务器104的预置传感器检测得到，也可以是人工盘点上传得到。
S204，根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
其中，补货数量信息(Qi)可以是指经济订货批量(Economic Order Quantity，EOQ)，即通过平衡采购进货成本和保管仓储成本核算，以实现总库存成本最低的最佳订货量。进一步地，经济订货批量是固定订货批量模型的一种，可以用来确定企业一次订货(外购或自制)的数量，当企业按照经济订货批量来订货时，可实现订货成本和储存成本之和最小化。
其中，再补货点信息(Ri)又称再订货点，可以是指启动补货机制的单品数量阈值，即一旦库存降到预设的水位(Reorder point，ROP)，就启动订货机制，驱动供应链补充一定数量的货(Reorder Quantity，ROQ)。在货来到之前(补货周期，也叫提前期)，库存继续下降，直到订的货到达，然后开始下一个循环。
其中，仓内补货量可以是指确定执行仓内补货的单品数量，例如100。
具体地，服务器104在获取到当前库存量信息之后，可将其与再补货点进行比较，分析比较结果确定最终的仓内补货量。
例如，若当天盘点发现该产品(目标单品)在拣货区的剩余数量(当前库存量)小于等于再补货点R，则确定其仓内补货量与前序步骤中得到的补货数量一致，即给该产品补货Q个；若盘点发现该产品在拣货区的剩余数量大于再补货点R，则不需要补货。
本实施例中，通过分析目标单品的单品信息和待补货仓库的仓内存储体积信息，可得到具有仓库存储空间限制的补货数量信息和再补货点信息，进而再根据待补货仓库内目标单品的当前库存量信息确定目标单品的仓内补货量，使得最终得到的仓内补货量不仅能够满足针对于目标单品的补货需求，还能满足仓库存储空间的限制，进而提高仓内补货准确率、确保仓内补货的稳定性。
如图3所示，在一个实施例中，所述单品信息包括单品成本信息和单品体积信息，步骤S202具体包括如下步骤：
S301，确定所述单品成本信息中的持货成本信息、缺货成本信息和购买成本信息；
S302，根据所述持货成本信息、所述缺货成本信息和所述购买成本信息，确定所述目标单品的单品总成本信息；
S303，根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息。
其中，单品成本信息包括目标单品的持货成本(hi)，缺货成本(pi)和购买成本(Ki),单位：元/个。
其中，持货成本信息可以是指物资存放在仓库经过一定时期后所发生的全部成本，几位保持存货而发生的成本，持货成本和缺货成本成反比关系。
其中，缺货成本信息又称亏空成本信息，是由于外部或内部中断供应所产生的，其包括停工损失、拖欠发货损失、丧失销售机会的损失、商誉损失等。不同物品的缺货成本随用户或组织内部策略的不同而不同。
其中，购买成本信息可以是再订货成本的相关信息。
其中，单品体积信息(vi)可以是指目标单品中第i个SKU的体积，来源于SKU信息数据，一般预存于WMS系统中，单位：m3。
具体地，实际应用场景中为了实现利润最大化的仓内补货，通常需要考虑到待补货单品(目标单品)的总成本，而最小化总成本是获取优选补货数量以及再补货点的最佳途径之一，即在控制总成本的基础上完成补货任务，不仅可解决单品缺货无法供应的问题，还能节省企业运营成本，实现利润最大化，因而本申请提出对补货周期内所产生的总成本做最小化处理，再在此基础上限制单品体积，使之能够符合实际应用场景中对仓储空间的限制，采用该方案不仅能提升仓内补货准确率，同时还能避免因体积不匹配而导致的补货效率降低。
更具体地，为了控制仓内补货总成本，服务器104需首先确定目标单品的持货成本(hi)，缺货成本(pi)和购买成本(Ki)之和，得到单品总成本C，由于其暂时未知，故此表示为函数式C(Q,R)，进而再根据单品体积与仓内存储体积之间预设的体积限制条件，获取补货数量和再补货点。
进一步地，虽然在本实施例中仅说明了可用单品成本信息、单品体积信息和仓内存储体积信息分析确定仓内补货量，但不排除再利用单品信息中的需求期望值(Di)、补货提前期(li)、SKU总数量(N)、目标SKU订单满足率(βi，范围是[0，1])等数据，辅助分析确定仓内补货量，具体的辅助分析方式将在后续实施例中具体说明，本实施例中仅提出服务器104得到的补货数量信息和再补货点信息，其来源不仅取决于单品成本信息(hi、pi、Ki)、单品体积信息(vi)和仓内存储体积信息(V)，还取决于需求期望值(Di)、补货提前期(li)、SKU总数量(N)、目标SKU订单满足率(βi)等数据。
更进一步地，基于上述实施例中提及的仓内补货分析模型，本实施例所提方案同样可通过该仓内补货分析模型分析获取，即服务器104将单品信息和仓库库位信息输入至仓内补货分析模型之后，仓内补货分析模型可针对单品信息中的单品成本信息、单品体积信息以及仓内存储体积信息进行分析。然而，由于仓内补货分析模型是基于预建立的目标函数分析确定补货数量和再补货点的，因此仓内补货分析模型在获取到单品成本信息、单品体积信息以及仓内存储体积信息之后，可分别将这类数据对应输入至预建立的目标函数中，进行求解目标函数、输出分析结果。
例如，本实施例中的第一目标函数是针对目标单品在补货周期内的总成本函数，目标操作是最小化总成本；第二目标函数是针对单品体积满足仓内存储体积限制的函数，目标操作是单品体积不大于仓内存储体积。可以理解的是，本申请所提及的目标单品可以包括至少一个，因此当目标单品存在N≥1个时，每个目标单品均需通过上述目标函数分析出其所属补货数量和再补货点。
本实施例中，通过分析目标单品的单品成本信息和单品体积信息，来获取目标单品的补货数量信息和再补货点信息，既考虑单品成本又考虑仓储空间，可确保仓内补货的稳定性，还可提高仓内补货准确率。
如图4所示，在一个实施例中，步骤S303具体包括如下步骤：
S401，确定针对于所述单品总成本信息对应预设的总成本函数式，以及，确定针对所述单品体积信息与所述仓内存储体积信息之间对应预设的体积不等式；
S402，基于拉格朗日乘子算法，建立所述体积不等式与所述总成本函数式的拉格朗日函数式，所述拉格朗日乘子算法的拉格朗日乘子系数λ≥0；
S403，分别对所述拉格朗日函数式进行针对于所述补货数量信息以及所述再补货点信息的求导处理，得到所述补货数量信息的函数式和所述再补货点信息的函数式；
S404，根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息。
其中，拉格朗日乘子算法是一种优化算法，主要用于解决带约束条件下的优化问题。其基本思想是引入一个新的参数λ(即拉格朗日乘子)，将约束条件函数与原函数联系到一起，使能配成与变量数量相等的等式方程，从而求出得到原函数极值的各个变量的解。而拉格朗日乘子λ是数学分析中同一名词的推广。
具体地，总成本函数式和体积不等式分别表示为：
其中，
表示第i个SKU补货周期内期望的总持货成本，
表示为第i个SKU的平均订货数量，Ri-Dili表示为第i个SKU的补货周期内安全库存；
表示为第i个SKU补货周期内期望的再订货成本(购买成本)；
表示为第i个SKU补货周期内的缺货成本；(Qi+Ri)表示为第i个SKU的最大存储数量；(s.t.)表示为受限含义。
更具体地，由体积不等式和总成本函数式构成的拉格朗日函数式可表示为：
其中，拉格朗日乘子系数λ≥0。
进一步地，针对上述拉格朗日函数式，分别对补货数量Qi和再订货点Ri进行求导处理，得到补货数量Qi的函数式和再补货点Ri的函数式之后即可再分析输出目标单品的补货数量和再补货点，Qi和Ri的函数式分别表示为：
其中，F(Ri)是需求经验分布函数，而其他参数含义已在上述实施例中详述，在此不再赘述。
更进一步地，基于上述实施例中提及的仓内补货分析模型，本实施例中确定单品体积(vi)与仓内存储体积(V)之间预设的体积限制关系，得到vi(Qi+Ri)≤V后，结合总成本函数式的最小化操作minC(Q,R)，可使仓内补货分析模型输出补货数量Q和再补货点R。
本实施例中，基于拉格朗日乘子算法分析获取目标单品的补货数量信息和再补货点信息，不仅可简化仓内补货量确定算法、节省优化成本，还可确保仓内补货的稳定性、提高仓内补货准确率。
如图5所示，在一个实施例中，所述拉格朗日乘子系数λ＝0、所述缺货成本信息的数值为零，步骤S404具体包括如下步骤：
S501，基于所述拉格朗日乘子系数，对所述补货数量信息的函数式进行简化处理，得到简化后的补货数量函数式；
S502，确定所述单品信息中的单品短缺量期望值，并根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，确定标准损失函数式，以通过所述标准损失函数式获取所述目标单品的再补货点信息；
S503，根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
其中，单品短缺量期望值n(Ri)，可以是指第i个SKU短缺数量的期望值。
具体地，由于传统的仓内补货量确定方法通常采用的是alpha算法确定仓内补货量，而采用alpha算法需要输入缺货成本等数据，但缺货成本在实际业务中并不便于量化，反而影响仓内补货效率。因此本申请提出采用beta算法，使得模型输入数据由缺货成本pi替换为目标订单满足率βi，即在本实施例中，设置补货数量的输出条件是：拉格朗日乘子系数λ＝0、缺货成本pi＝0，则基于上述求导后的补货数量函数式Qi，简化后可得：
其中，Ki表示为第i个SKU的再订货成本(购买成本)，Di表示为第i个SKU每天的需求期望值，hi表示为第i个SKU的持货成本。而单品短缺量期望值n(Ri)的预设函数式通常又表示为：
其中，Ri表示为第i个SKU的再订货点，μ表示为补货前置期的需求平均值，σ表示为补货前置期的需求标准差，L表示为标准损失函数，βi表示为第i个SKU的目标订单满足率，Qi表示为第i个SKU的补货数量。因此，结合上述简化后的补货数量函数式以及单品短缺量期望值的预设函数式，可进一步得到标准损失函数式，用于输出再补货点Ri，该标准损失函数式表示为：
进一步地，根据标准损失函数L来计算逆标准损失函数，即可得到高斯分布统计
由于F是需求经验分布函数，所以
其中，CDF(cumulative distribution function)是指累积分布函数，表示根据Z-score计算小于等于Z-score范围内的标准正态分布函数所对应的面积大小，而逆标准损失函数可通过函数拟合计算得到。
更进一步地，分析得到
之后，即可根据预设的标准安全库存计算公式：
计算再补货点Ri。需要理解的是，安全库存是指当不确定因素(订货期间需求增长、到货延期等)已导致更高的预期需求，或导致完全周期更长时的缓冲存货，安全库存用于满足提前期需求。
更具体地，根据再补货点的函数式1-F(Ri)确定补货数量的更新函数式，进而根据补货数量的更新函数式和已得到的再补货点，输出补货数量的详细方案，将在下述实施例中详细说明，本实施例重点说明如何根据补货数量的函数式求解再补货点，以及再补货点针对补货数量输出的决定性作用。
本实施例中，通过确定目标单品的单品短缺量期望值和简化后的补货数量函数式，来获取目标单品的再补货点信息和补货数量信息，不仅可简化算法、节省仓内补货量的优化成本，还可确保仓内补货的稳定性，进而提高仓内补货准确率。
如图6所示，在一个实施例中，步骤S503具体包括如下步骤：
S601，根据所述再补货点信息的函数式，获取所述缺货成本信息的函数式；
S602，根据所述缺货成本信息的函数式，以及求导处理后所述补货数量信息的求导函数式，确定所述补货数量信息的更新函数式；
S603，根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
具体地，基于上述实施例中所提及的求导处理，可得到再补货点的函数式1-F(Ri)，而同样由于在上述实施例中提到缺货成本不便于量化、不方便获取，因此本申请提出利用目标订单满足率βi分析获取仓内补货量，故在本实施例获取补货数量Qi的过程中，假设缺货成本pi未知，则由公式1-F(Ri)变化可得缺货成本的函数式：
将上述公式pi带入至经过求导处理后补货数量Qi的求导函数式
即可得到补货数量的更新函数式：
此时，由于再补货点Ri已在上述实施例中详细说明了求解方式，因此服务器104可直接利用已知的再补货点Ri和其他已知参数求解该更新函数式，即可得到补货数量Qi的具体数值。
本实施例中，在解决了存储空间问题的同时，降低了获取输入数据的难度，增加了可操作性，更提高了仓内补货准确率。
如图7所示，在一个实施例中，在步骤S503之后，仓内补货量确定方法具体还包括如下步骤：
S504，获取所述单品体积信息与所述仓内存储体积信息的体积比较结果；
S505，若所述体积比较结果满足所述体积不等式对应的体积限制条件，则执行所述确定仓内补货量的步骤；
S506，若所述体积比较结果不满足所述体积限制条件，则基于预设的拉格朗日乘子更新策略，重复执行所述根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，获取所述目标单品的再补货点信息的步骤，直至所述补货数量信息和再补货点信息满足预设的收敛条件，并满足所述体积限制条件。
其中，体积限制条件可以是指目标单品的单品体积不大于仓内存储体积的体积限制关系，例如，vi≤V。
其中，拉格朗日乘子更新策略可以是调整更新拉格朗日乘子的算法策略，表示为：
具体地，服务器104检测到仓内补货分析模型输出再补货点Ri和补货数量Qi之后，还需进一步识别其输出结果是否满足预设的体积限制条件，即在上述实施例中所提及的vi(Qi+Ri)≤V，若当前体积比较结果不满足该体积限制条件，则需重复执行上述步骤S504的操作，直至仓内补货分析模型输出的补货数量Qi和再补货点Ri收敛，且满足当前所设的体积限制条件。
本实施例中，通过分析体积比较结果和体积限制条件获取满足要求的仓内补货量，不仅可简化算法来节省仓内补货量的优化成本，还可确保仓内补货的稳定性、提高仓内补货准确率。
如图8所示，在一个实施例中，步骤S204具体包括如下步骤：
S801，若所述当前库存量信息小于等于所述再补货点信息，则确定所述目标单品的仓内补货量与所述补货数量信息一致；
S802，若所述当前库存量信息大于所述再补货点信息，则确定所述目标单品的仓内补货量为零。
具体地，仓内补货量可由目标单品的当前库存量与再补货点之间的比对结果确定。例如，若目标单品的当前库存量Pi≤再补货点Ri，则仓内补货量等于前序步骤求解得到的补货数量Qi；若目标单品的当前库存量Pi>再补货点Ri，则仓内补货量为零，此时无需补货。
本实施例中，通过分析目标单品的当前库存量信息确定仓内补货量，不仅可确保仓内补货的稳定性、提高仓内补货效率，还可提高仓内补货准确率。
应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
为了使本领域技术人员充分理解本申请提出的仓内补货定方案，本申请还提供一种应用场景，该应用场景应用上述的仓内补货量确定方法。具体地，该仓内补货量确定方法在该应用场景的应用将结合图9进行如下说明：
如图9所示，本申请提出通过建立有空间限制的仓内补货算法模型，目标是最小化成本，计算目标单品的补货数量和再补货点，若当天盘点发现该产品在拣货区的剩余数量小于等于再补货点R，则给该产品补货Q；若盘点发现该产品在拣货区的剩余数量大于再补货点R，则不需要补货。
本实施例中，仅需输入期望的目标订单满足率即可在实际需要补货的时候进行仓内补货，在解决了仓库存储空间的问题同时，降低了获取输入数据的难度，不仅可确保仓内补货的稳定性，还可提高仓内补货准确率。
为了更好实施本申请实施例中仓内补货量确定方法，在仓内补货量确定方法基础之上，本申请实施例中还提供一种仓内补货装置，如图10所示，所述仓内补货装置1000包括：
信息获取模块1002，用于获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；
信息分析模块1004，用于根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；
库存获取模块1006，用于获取所述待补货仓库内所述目标单品的当前库存量信息；
补货量确定模块1008，用于根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
在本申请一些实施例中，所述单品信息包括单品成本信息和单品体积信息，信息分析模块1004还用于确定所述单品成本信息中的持货成本信息、缺货成本信息和购买成本信息；根据所述持货成本信息、所述缺货成本信息和所述购买成本信息，确定所述目标单品的单品总成本信息；根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息。
在本申请一些实施例中，信息分析模块1004还用于确定针对于所述单品总成本信息对应预设的总成本函数式，以及，确定针对所述单品体积信息与所述仓内存储体积信息之间对应预设的体积不等式；基于拉格朗日乘子算法，建立所述体积不等式与所述总成本函数式的拉格朗日函数式，所述拉格朗日乘子算法的拉格朗日乘子系数λ≥0；分别对所述拉格朗日函数式进行针对于所述补货数量信息以及所述再补货点信息的求导处理，得到所述补货数量信息的函数式和所述再补货点信息的函数式；根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息。
在本申请一些实施例中，所述拉格朗日乘子系数λ＝0、所述缺货成本信息的数值为零，信息分析模块1004还用于基于所述拉格朗日乘子系数，对所述补货数量信息的函数式进行简化处理，得到简化后的补货数量函数式；确定所述单品信息中的单品短缺量期望值，并根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，确定标准损失函数式，以通过所述标准损失函数式获取所述目标单品的再补货点信息；根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
在本申请一些实施例中，信息分析模块1004还用于根据所述再补货点信息的函数式，获取所述缺货成本信息的函数式；根据所述缺货成本信息的函数式，以及求导处理后所述补货数量信息的求导函数式，确定所述补货数量信息的更新函数式；根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
在本申请一些实施例中，信息分析模块1004还用于获取所述单品体积信息与所述仓内存储体积信息的体积比较结果；若所述体积比较结果满足所述体积不等式对应的体积限制条件，则执行所述确定仓内补货量的步骤；若所述体积比较结果不满足所述体积限制条件，则基于预设的拉格朗日乘子更新策略，重复执行所述根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，获取所述目标单品的再补货点信息的步骤，直至所述补货数量信息和再补货点信息满足预设的收敛条件，并满足所述体积限制条件。
在本申请一些实施例中，结果获取模块1006还用于若所述当前库存量信息小于等于所述再补货点信息，则确定所述目标单品的仓内补货量与所述补货数量信息一致；若所述当前库存量信息大于所述再补货点信息，则确定所述目标单品的仓内补货量为零。
本实施例中，通过获取目标单品的单品信息和仓库库位信息，并将其输入至仓内补货分析模型，可得到仓内补货分析模型根据仓内存储体积、单品成本和单品体积，输出的补货数量和再补货点，进而根据该补货数量、再补货点以及当前获取到的当前库存量，可确定用于支持执行仓内补货任务的仓内补货量。采用本方案，不仅可提高仓内补货准确率，还可确保仓内补货的稳定性。
在本申请一些实施例中，仓内补货量确定装置1000可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该仓内补货量确定装置1000的各个程序模块，比如，图10所示的信息获取模块1002、信息分析模块1004、库存获取模块1006以及补货量确定模块1008。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的仓内补货量确定方法中的步骤。
例如，图11所示的计算机设备可以通过如图10所示的仓内补货量确定装置1000中的信息获取模块1002执行步骤S202。计算机设备可通过信息分析模块1004执行步骤S204。计算机设备可通过库存获取模块1006执行步骤S206。计算机设备可通过补货量确定模块1008执行步骤S208。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种仓内补货量确定方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述仓内补货量确定方法的步骤。此处仓内补货量确定方法的步骤可以是上述各个实施例的仓内补货量确定方法中的步骤。
在本申请一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述仓内补货量确定方法的步骤。此处仓内补货量确定方法的步骤可以是上述各个实施例的仓内补货量确定方法中的步骤。
需要说明的是，本申请实施例方法由于是在电子设备(根据硬件设备不同注意调整)中执行，各电子设备的处理对象均以数据或信息的形式存在，例如时间，实质为时间信息，可以理解的是，后续实施例中若提及尺寸、数量、位置等，均为对应的数据存在，以便电子设备进行处理，具体此处不作赘述。
以上对本申请实施例所提供的一种仓内补货量确定方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种仓内补货量确定方法，其特征在于，所述方法包括：
获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；
根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；
获取所述待补货仓库内所述目标单品的当前库存量信息；
根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
2.如权利要求1所述的仓内补货量确定方法，其特征在于，所述单品信息包括单品成本信息和单品体积信息，所述根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息，包括：
确定所述单品成本信息中的持货成本信息、缺货成本信息和购买成本信息；
根据所述持货成本信息、所述缺货成本信息和所述购买成本信息，确定所述目标单品的单品总成本信息；
根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息。
3.如权利要求2所述的仓内补货量确定方法，其特征在于，所述根据所述单品总成本信息、所述单品体积信息以及所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息，包括：
确定针对于所述单品总成本信息对应预设的总成本函数式，以及，确定针对所述单品体积信息与所述仓内存储体积信息之间对应预设的体积不等式；
基于拉格朗日乘子算法，建立所述体积不等式与所述总成本函数式的拉格朗日函数式，所述拉格朗日乘子算法的拉格朗日乘子系数λ≥0；
分别对所述拉格朗日函数式进行针对于所述补货数量信息以及所述再补货点信息的求导处理，得到所述补货数量信息的函数式和所述再补货点信息的函数式；
根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息。
4.如权利要求3所述的仓内补货量确定方法，其特征在于，所述拉格朗日乘子系数λ＝0、所述缺货成本信息的数值为零，所述根据所述补货数量信息的函数式和所述再补货点信息的函数式，获取所述目标单品的补货数量信息和再补货点信息，包括：
基于所述拉格朗日乘子系数，对所述补货数量信息的函数式进行简化处理，得到简化后的补货数量函数式；
确定所述单品信息中的单品短缺量期望值，并根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，确定标准损失函数式，以通过所述标准损失函数式获取所述目标单品的再补货点信息；
根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
5.如权利要求4所述的仓内补货量确定方法，其特征在于，所述根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息，包括：
根据所述再补货点信息的函数式，获取所述缺货成本信息的函数式；
根据所述缺货成本信息的函数式，以及求导处理后所述补货数量信息的求导函数式，确定所述补货数量信息的更新函数式；
根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息。
6.如权利要求4所述的仓内补货量确定方法，其特征在于，在所述根据所述再补货点信息的函数式确定所述补货数量信息的更新函数式，并根据所述补货数量信息的更新函数式和所述再补货点信息，获取所述目标单品的补货数量信息之后，所述方法还包括：
获取所述单品体积信息与所述仓内存储体积信息的体积比较结果；
若所述体积比较结果满足所述体积不等式对应的体积限制条件，则执行所述确定仓内补货量的步骤；
若所述体积比较结果不满足所述体积限制条件，则基于预设的拉格朗日乘子更新策略，重复执行所述根据所述单品短缺量期望值的预设函数式与所述简化后的补货数量函数式，获取所述目标单品的再补货点信息的步骤，直至所述补货数量信息和再补货点信息满足预设的收敛条件，并满足所述体积限制条件。
7.如权利要求1所述的仓内补货量确定方法，其特征在于，所述根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量，包括：
若所述当前库存量信息小于等于所述再补货点信息，则确定所述目标单品的仓内补货量与所述补货数量信息一致；
若所述当前库存量信息大于所述再补货点信息，则确定所述目标单品的仓内补货量为零。
8.一种仓内补货量确定装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标单品的单品信息以及待补货仓库的仓库库位信息，所述仓库库位信息包括仓内存储体积信息；
信息分析模块，用于根据所述单品信息和所述仓内存储体积信息，获取所述目标单品的补货数量信息和再补货点信息；
库存获取模块，用于获取所述待补货仓库内所述目标单品的当前库存量信息；
补货量确定模块，用于根据所述当前库存量信息、所述补货数量信息以及所述再补货点信息，确定所述待补货仓库内所述目标单品的仓内补货量。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器；以及
一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行以实现权利要求1至7中任一项所述的仓内补货量确定方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的仓内补货量确定方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010643850.9A CN113919764A (zh) | 2020-07-07 | 2020-07-07 | 仓内补货量确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010643850.9A CN113919764A (zh) | 2020-07-07 | 2020-07-07 | 仓内补货量确定方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919764A true CN113919764A (zh) | 2022-01-11 |
Family
ID=79231361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010643850.9A Pending CN113919764A (zh) | 2020-07-07 | 2020-07-07 | 仓内补货量确定方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919764A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048931A (zh) * | 2022-01-13 | 2022-02-15 | 北京京东振世信息技术有限公司 | 补货信息生成方法、装置、电子设备和计算机可读介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009070016A (ja) * | 2007-09-12 | 2009-04-02 | Hitachi Consulting Co Ltd | 在庫計画システム |
| CN107657410A (zh) * | 2017-10-17 | 2018-02-02 | 九州通医疗信息科技（武汉）有限公司 | 补货判断方法及装置 |
| US20180068255A1 (en) * | 2016-09-02 | 2018-03-08 | X Development Llc | Optimization of Warehouse Layout Based on Customizable Goals |
| CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
| CN109754207A (zh) * | 2018-12-26 | 2019-05-14 | 秒针信息技术有限公司 | 库存补充信息的确定方法及装置、存储介质、电子装置 |
| CN109993469A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 货物调度信息生成方法与装置 |
| CN110046761A (zh) * | 2019-04-11 | 2019-07-23 | 北京工业大学 | 一种基于多目标粒子群优化算法的乙醇库存补货策略 |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN110390449A (zh) * | 2018-04-17 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 仓库补货方法和装置 |
| CN110633928A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种商品逆配决策方法和装置 |
| CN110648099A (zh) * | 2019-09-20 | 2020-01-03 | 北京三快在线科技有限公司 | 仓储资源的分配方法、装置、电子设备及存储介质 |
| CN110852668A (zh) * | 2019-09-23 | 2020-02-28 | 北京旷视机器人技术有限公司 | 货品入库的处理方法及装置、仓储系统、计算机设备 |
| CN110874751A (zh) * | 2018-08-29 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 一种超市补货的方法和系统 |
| CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
| CN111126903A (zh) * | 2019-12-13 | 2020-05-08 | 江苏苏宁物流有限公司 | 一种补货方法、装置及系统 |
| CN111222815A (zh) * | 2018-11-27 | 2020-06-02 | 顺丰科技有限公司 | 确定单品补货量方法、装置、设备及存储介质 |
| CN111242524A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种确定单品补货量的方法、系统、设备及存储介质 |
| CN111325490A (zh) * | 2018-12-14 | 2020-06-23 | 顺丰科技有限公司 | 一种补货方法及装置 |
-
2020
- 2020-07-07 CN CN202010643850.9A patent/CN113919764A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009070016A (ja) * | 2007-09-12 | 2009-04-02 | Hitachi Consulting Co Ltd | 在庫計画システム |
| US20180068255A1 (en) * | 2016-09-02 | 2018-03-08 | X Development Llc | Optimization of Warehouse Layout Based on Customizable Goals |
| CN107657410A (zh) * | 2017-10-17 | 2018-02-02 | 九州通医疗信息科技（武汉）有限公司 | 补货判断方法及装置 |
| CN109993469A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 货物调度信息生成方法与装置 |
| CN110363454A (zh) * | 2018-04-09 | 2019-10-22 | 杉数科技(北京)有限公司 | 用于确定商品补货量的方法及装置 |
| CN110390449A (zh) * | 2018-04-17 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 仓库补货方法和装置 |
| CN110633928A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种商品逆配决策方法和装置 |
| CN110874751A (zh) * | 2018-08-29 | 2020-03-10 | 北京京东尚科信息技术有限公司 | 一种超市补货的方法和系统 |
| CN110880084A (zh) * | 2018-09-06 | 2020-03-13 | 北京京东振世信息技术有限公司 | 一种仓库补货的方法和装置 |
| CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
| CN111222815A (zh) * | 2018-11-27 | 2020-06-02 | 顺丰科技有限公司 | 确定单品补货量方法、装置、设备及存储介质 |
| CN111242524A (zh) * | 2018-11-29 | 2020-06-05 | 顺丰科技有限公司 | 一种确定单品补货量的方法、系统、设备及存储介质 |
| CN111325490A (zh) * | 2018-12-14 | 2020-06-23 | 顺丰科技有限公司 | 一种补货方法及装置 |
| CN109754207A (zh) * | 2018-12-26 | 2019-05-14 | 秒针信息技术有限公司 | 库存补充信息的确定方法及装置、存储介质、电子装置 |
| CN110046761A (zh) * | 2019-04-11 | 2019-07-23 | 北京工业大学 | 一种基于多目标粒子群优化算法的乙醇库存补货策略 |
| CN110648099A (zh) * | 2019-09-20 | 2020-01-03 | 北京三快在线科技有限公司 | 仓储资源的分配方法、装置、电子设备及存储介质 |
| CN110852668A (zh) * | 2019-09-23 | 2020-02-28 | 北京旷视机器人技术有限公司 | 货品入库的处理方法及装置、仓储系统、计算机设备 |
| CN111126903A (zh) * | 2019-12-13 | 2020-05-08 | 江苏苏宁物流有限公司 | 一种补货方法、装置及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 刘诚, 陈治亚: "随机需求下仓库容量有限的物流库存管理问题的研究", 数学理论与应用, vol. 25, no. 03, 30 July 2005 (2005-07-30), pages 53 - 55 * |
| 姚红光;: "可修复型航材库存优化", 上海第二工业大学学报, vol. 23, no. 04, 30 December 2006 (2006-12-30), pages 293 - 296 * |
| 时兵兵 等: "焊管厂成品库库存优化研究", 北京石油化工学院学报, vol. 24, no. 03, 15 September 2016 (2016-09-15), pages 52 - 56 * |
| 赵菊 等: "货架空间分配和库存控制联合优化策略研究", 系统工程学报, vol. 26, no. 6, 31 December 2011 (2011-12-31), pages 825 - 833 * |
| 魏轶华;李向军;: "考虑仓库容量扩张的多周期随机存贮模型――折扣准则", 纯粹数学与应用数学, no. 04, 30 December 2006 (2006-12-30), pages 487 - 491 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048931A (zh) * | 2022-01-13 | 2022-02-15 | 北京京东振世信息技术有限公司 | 补货信息生成方法、装置、电子设备和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106960301B (zh) | 医药电商镜像拣选方法及系统 | |
| CN111242524B (zh) | 一种确定单品补货量的方法、系统、设备及存储介质 | |
| CN112561414B (zh) | 库存管理方法、装置及计算机可读存储介质 | |
| CN109993484A (zh) | 数据处理方法及系统、介质和计算设备 | |
| CN110046761A (zh) | 一种基于多目标粒子群优化算法的乙醇库存补货策略 | |
| CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
| Noordhoek et al. | A simulation–optimization approach for a service-constrained multi-echelon distribution network | |
| CN111222815A (zh) | 确定单品补货量方法、装置、设备及存储介质 | |
| CN110390449A (zh) | 仓库补货方法和装置 | |
| CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
| CN111126903A (zh) | 一种补货方法、装置及系统 | |
| CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
| CN111985862A (zh) | 定位库存物品的方法和装置 | |
| CN115456494A (zh) | 自动补货方法、装置、计算机设备及计算机可读存储介质 | |
| CN111401636B (zh) | 实现连锁商家智能补货的方法及系统 | |
| CN104866988A (zh) | 一种电商分布式智能配送自助取货系统技术设置方法 | |
| CN113919764A (zh) | 仓内补货量确定方法、装置、计算机设备及存储介质 | |
| CN107679783A (zh) | 库存管理方法、装置及设备 | |
| CN113537861A (zh) | 补货方法和补货装置 | |
| CN117236824B (zh) | 一种用于农产品在线交易平台的物流调度方法 | |
| CN115271574A (zh) | 一种货品补货方法、装置、电子设备及存储介质 | |
| CN112150056B (zh) | 一种确定补货周期的方法、装置和存储介质 | |
| Minner et al. | Replenishment policies for multiple products with compound-Poisson demand that share a common warehouse | |
| CN114169557A (zh) | 库存补货方法、计算机可读存储介质以及终端设备 | |
| CN108269045A (zh) | 一种基于大数据的仓库补货系统 |
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 |