CN114254981A - 一种融合k-clique结构及权重衰减的货位分配方法 - Google Patents

一种融合k-clique结构及权重衰减的货位分配方法 Download PDF

Info

Publication number
CN114254981A
CN114254981A CN202111597769.2A CN202111597769A CN114254981A CN 114254981 A CN114254981 A CN 114254981A CN 202111597769 A CN202111597769 A CN 202111597769A CN 114254981 A CN114254981 A CN 114254981A
Authority
CN
China
Prior art keywords
commodity
weight
clustering
purchase
commodities
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
Application number
CN202111597769.2A
Other languages
English (en)
Inventor
任卓明
温兴漳
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.)
Hangzhou Normal University
Original Assignee
Hangzhou Normal University
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 Hangzhou Normal University filed Critical Hangzhou Normal University
Priority to CN202111597769.2A priority Critical patent/CN114254981A/zh
Publication of CN114254981A publication Critical patent/CN114254981A/zh
Pending legal-status Critical Current

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合k‑clique结构及权重衰减的货位分配方法。首先获取历史订单数据，并对历史订单数据进行整理，然后利用预处理后的订单数据，构建共购网络，再结合权重衰减公式设置共购网络权重阈值，进行部分连边的剔除；获得共购网络中，不同k值对应的k‑clique结构；最后进行聚类组合给出货位分配方案；本发明针的结合商品关联购买的间属性提出了权重衰减系数，以此更加准确地分析商品的相关性。同时重点考虑使用共购网络中k‑clique结构针对商品关联性进行聚类，最终给出货位分配方案。该方法有效的减少了可移动机器人拣货系统中的货架搬运次数，降低了可移动机器人的工作量，进而提高了仓库的运作效率。

Description

一种融合k-clique结构及权重衰减的货位分配方法
技术领域
本发明属于仓储管理领域，涉及一种融合k-clique结构及权重衰减的货位分配方法。
背景技术
目前，电子商务快速发展，其订单呈现商品种类繁多且订单数量大的特征。时间紧迫的订单拣货任务对于电子商务仓储来说是一个巨大的挑战。同时，拣货任务属于劳动密集型作业，其占仓储运作总成本的60％～70％。订单拣货环节是影响O2O(线上到线下)系统发展和终端消费者购买体验的主要瓶颈，电子商务企业正在努力解决仓储中订单处理效率低下的问题。传统的仓库难以满足电子商务仓库的需求，为了提高客户满意度、运营效率及降低运营成本等，越来越多的大型电子商务企业采用仓库自动化技术。例如，亚马逊为了运营中心的存储和检索自动化，其在2012年斥资7.75亿美元收购了Kiva机器人系统。Kiva系统通过记录和跟踪仓库内的物品以及将产品直接交给员工进行拣选、包装和运输来提高生产力。
类似于Kiva机器人参与仓库订单拣选工作的仓库自动化技术，被称为可移动机器人履行系统(Mobile Robotic Fulfilment System,RMFS)。在这种模式下，货物存放在可移动的货架上，并使用AGV(Automated GuidedVehicle,AGV)来运输货架，实现了“货到人”的自动化。AGV和货架是RMFS系统中关键的组成部分，货位分配正是涉及到这两者的关键问题。仓库的运营效率高低与否与商品货位分配存在紧密的联系，合理的货位分配能够使关联性高的商品存放在同一货架上，AGV搬运更少的货架完成订单拣选所需要的商品。同时，RMFS中AGV工作是需要电量消耗的。减少货架搬运次数，不仅能够提高订单的拣选效率，也能够减少资源的浪费。由此可见，合理的货位分配是十分必要的，是一个具有实际意义的问题。
发明内容
本发明的目的在于通过发现商品关联性，提供一种融合k-clique结构及权重衰减的货位分配方法，优化订单拣选作业环节和减少不必要的能源消耗，提高仓储的运作效率。
本发明的技术方案如下：
一种融合k-clique结构及权重衰减的货位分配方法，包括以下步骤：
步骤1、获取历史订单数据，并对历史订单数据进行整理。
历史订单数据中每条购买记录仅包含一种商品的信息，针对某笔含有n个商品的订单，其在记录中便有n条记录。
对历史订单数据进行预处理，预处理的过程包括从原始历史订单数据转为订单商品关联模式表。在订单商品关联模式表中，每条记录能直接体现每笔订单的商品关联信息。订单商品关联模式表包含购买日期、订单号及商品三列。
步骤2、利用预处理后的订单数据，构建共购网络，共购网络反映了商品的关联购买信息，包含每种商品与何种商品曾发生过关联购买及关联购买次数。
为所有的商品一一添加节点，根据步骤1所述的商品关联模式表中关联模式，为相应节点之间添加连边，同时，根据关联购买次数，设置相应的连边权重。
在初步完成构建共购网络后，共购网络中存在部分度为0的节点。该部分节点代表从未有过关联购买记录，针对这部分节点进行剔除处理。
步骤3、结合权重衰减公式设置共购网络权重阈值，进行部分连边的剔除；
最终构建的共购网络中含有大量权重为1的连边，其会影响k-clique的真实性，对此提出了权重衰减公式，该公式结合了商品关联购买的时间属性，对权重为1的连边重新设置权重。这能够使原先相同权重的连边产生差异，更加精确的分析商品关联性。
步骤4、获得共购网络中，不同k值对应的k-clique结构；
k-clique结构表示在共购网络中符合k个节点之间完全连通的的局部拓扑结构，使用k值寻找相应clique结构，存储k-clique后续用于商品聚类，所述k值的范围为k>＝3，同时结合节点加权度确定共购网络中合理的k值上限。
步骤5、使用获得的共购网络中k-clique结构进行聚类组合给出货位分配方案；
进一步的，步骤3具体方法如下：
其中，共购网络的部分关联购买信息是不可靠的，具有偶然性的。共购网络中存在大量边权重为1的边，这对共购网络而言，这些权重为1的连边是属于不真实的数据，需要进行剔除。本发明结合权重衰减公式重新设置权重，并设置共购网络权重阈值，进行部分连边的剔除。
其中，权重衰减公式如下所示：
Figure BDA0003431921280000031
daystart代表商品关联分析日期的起始日期，dayend代表商品关联分析日期的结束日期。Wij_Day表述i商品节点和j商品节点之间在某个日期的权重，L表示商品集合，Wij_new代表经过权重衰减后i节点和j节点的连边权重。
进一步的，所述的结合节点加权度确定共购网络中合理的k值上限，具体步骤如下：
1.根据节点度大小及该节点所在连边的权重和，计算节点加权度，计算方式为：节点度乘于节点所在连边的权重和。同时，对节点加权度进行排序，获得节点加权度有序集合。获得节点加权度最大节点node，其度为d。
2.设置初始k值为d-1，从(d-1)开始查找k-clique，若k-clique不为空，则停止寻找，记此时的k值为kmax
3.获得最终的kmax,确定k值的范围为[3,16]。
进一步的，步骤5具体方法如下：
5.1:按照加权度对商品节点排序，得到如下排列：
W1≥W2≥W3≥…≥Wn，1≤n<|W|。
5.2:根据加权度大小选出最大加权度商品Wn，加入
Figure BDA0003431921280000041
作为起始聚类商品，在选择完起始聚类商品后，设置以下变量值：k＝kmax，
Figure BDA0003431921280000042
i＝0。
其中，
Figure BDA0003431921280000043
表示Wn作为起始聚类商品的聚类结果；对于每次选定起始聚类商品，k值均从kmax开始，依次寻找Wn所在的k-clique结构，后续针对Wn所在的k-clique结构包含的商品进行聚类。
5.3：当i≤|Ck|，执行循环体：i＝i+1。当
Figure BDA0003431921280000044
从W删除此时
Figure BDA0003431921280000045
包含的商品，并转5.2重新选取起始聚类商品。
执行循环体的过程中：
若找到包含Wn的
Figure BDA0003431921280000046
时，转5.3.1。
5.3.1:当
Figure BDA0003431921280000047
执行循环体：
Figure BDA0003431921280000048
将其所表示的商品加入
Figure BDA0003431921280000049
否则，从W中删除所有
Figure BDA00034319212800000410
包含的商品，若|W|＝0，转5.4。若|W|≠0，继续步骤5.2操作，选择下一个起始聚类商品。
执行循环体的过程中：
若
Figure BDA00034319212800000411
转5.3。
其中，Vmax为货架最多放置商品数；
Figure BDA00034319212800000412
表示
Figure BDA00034319212800000413
中某个结构已经完成聚类节点的下标。
Figure BDA00034319212800000414
初始值均为0，表示任何一个
Figure BDA00034319212800000415
均未开始聚类。当找到符合的k-clique结构(即
Figure BDA00034319212800000416
)时，若Wn作为起始聚类的聚类结果数小于货架最大可放置商品数，则依次添加
Figure BDA00034319212800000417
中的商品。每往
Figure BDA00034319212800000418
中添加一个商品，需要使用
Figure BDA00034319212800000419
来标记该
Figure BDA00034319212800000420
已完成聚类的位置。每一次转至5.2步骤时，均需从W中删除此时
Figure BDA0003431921280000051
中包含的商品，避免重复聚类。
在完成所有商品聚类之后，每次聚类结果包含的商品个数是不一样的，但在货位分配方案中需要尽可能地填满整个货架的空位，减少货位空间的浪费。因此，需要针对上述聚类结果进行聚类组合给出货位分配方案，步骤如下所示：
5.4:T是所有聚类结果的集合，l表示T的下标，其范围为1≤l<T|，按T中聚类结果包含的商品个数对集合T进行排序，最终得到的T集合形如：|T1|>|T2|>…>|Tl|。在这之中，T1所包含的商品数最多，Tl所包含的商品数最少。
5.4.1:设置两者变量，α＝1,β＝2，转5.4.2
其中，该步骤代表的含义为，以T1为主体，从T2开始寻找符合合并条件的Tl，条件指|Tα|+|Tβ|≤30
5.4.2:当(β<|T|)，执行循环体：β＝β+1。
执行循环体的过程中：
若|Tα|+|Tβ|≤30，合并得Tα＝Tα∪Tβ，将Tα加入result，从T中删除合并时采用的Tα，Tβ，转5.4.3。
若|Tα|+|Tβ|>30且β＝|T|，即未找到符合的Tβ，将Tα单独加入result，从T中删除Tα，转5.4.3。
其中，result表示最终货位分配结果，该步骤是循环步骤，当β<|T|时且未找到适合的合并聚类结果，则寻找下一个Tβ(即β＝β+1)，用于与Tα进行组合。
5.4.3:若|T|>1，按T中聚类结果包含的商品个数重新对集合T进行排序，令α＝1，β＝2，转5.4.2。若|T|＝1，将Tα加入result，从T中删除Tα，结束组合过程，获得最终的最终货位分配结果result。
其中，每次5.4.2循环完毕后，删去已经组合完毕的聚类结果，按T中聚类结果包含的商品个数重新对集合T进行排序，则以下一个Tα为主体，寻找与其合并的聚类结果。当|T|包含聚类结果仅为1个时，合并过程结束，获得最终的最终货位分配结果result。
本发明和现有技术相比，具有如下的创新点和优点：
首先，提出了权重衰减公式，考虑了商品关联购买的时间属性，对网络中大量权重为1的连边重新设置了更为精确的权重。其次，基于复杂网络的角度考虑了商品关联之间的k-clique结构，其有利于发现商品整体之间的关联信息。最后，本方法是基于真实的仓储数据进行实验的，数据具有真实性。
附图说明
图1为本发明实施例方法简化流程图；
图2为本发明实施例共购网络示意图；
图3为本发明实施例共购网络中不同权重的边分布数量示意图；
图4为k-clique概念图；
图5不同权重阈值下给出货位分配方案的实际表现图；
图6为本发明实施例方法对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1～图6所示，一种融合k-clique结构及权重衰减的货位分配方法，包含的具体步骤如下，整体流程如图1所示：
步骤1、获取到的数据是来自A电商平台7～9月份的仓储订单拣货数据，该数据包括订单号、订单商品、购买日期等，对该数据进行预处理。
原始订单数据简化形式如表1所示，包含购买日期、订单号及商品三列。
表1：
日期 订单号 商品
2019年7月1日 00001 A
2019年7月1日 00001 B
2019年7月1日 00002 A
2019年7月1日 00003 B
2019年7月1日 00003 C
…… …… ……
其中，在表1中，初始数据中每条购买记录仅包含一种商品的信息，针对某笔含有n个商品的订单，其在记录中便有n条记录。
进一步，本方法对该数据进行预处理，预处理后数据形式如表2，能够直接展现出每笔订单的商品关联信息。
表2：
日期 订单号 关联商品
2019年7月1日 00001 A-B
2019年7月1日 00001 A-B
2019年7月1日 00002 B-C
2019年7月1日 00003 B-D
2019年7月1日 00003 C-E
…… …… ……
步骤2、利用预处理后的数据，构建共购网络。
利用预处理后的订单数据，构建共购网络，共购网络反映了商品的关联购买信息，包含每种商品与何种商品曾发生过关联购买及关联购买次数。
根据步骤1中得到的关联模式表，遍历每一条记录，为所有的商品一一添加节点，根据步骤1所述的商品关联模式表中关联模式，为相应节点之间添加连边，同时，根据关联购买次数，设置相应的连边权重，权重即代表商品关联网络的次数。
在初步完成构建共购网络后，共购网络中存在部分度为0的节点。该部分节点代表从未有过关联购买记录，针对这部分节点进行剔除处理。
图2为本发明实施例共购网络示意图；
步骤3、结合权重衰减公式重新设置权重，并设置共购网络权重阈值，进行部分连边的剔除。
其中，共购网络的部分关联购买信息是不可靠的，具有偶然性的。如图3所示，共购网络中存在大量边权重为1的边，这对共购网络而言，这些权重为1的连边是属于不真实的数据，需要进行剔除。本发明结合权重衰减公式重新设置权重，并设置共购网络权重阈值，进行部分连边的剔除。
其中，权重衰减公式如下所示：
Figure BDA0003431921280000081
daystart代表商品关联分析日期的起始日期，dayend代表商品关联分析日期的结束日期。Wij_Day代表i商品节点和j商品节点之间在某个日期的权重(关联购买次数)，L表示商品集合，Wij_new代表经过权重衰减后i节点和j节点的连边权重。
进一步，详细阐述如何结合权重衰减公式构建共购网络的过程：若商品关联分析的起始日期为7月1日～7月15日，在日期范围内，A与B在7月1日具有一次关联购买记录。若未经过权重衰减，其最后权重为1。在经过权重衰减后，权重值为1/15*1＝1/15。则7月1日A与B关联购买记录在共购网络中的权重为1/15。反复遍历数据，完成共购网络的构建。
最终，将共购网络中所有权重小于1/7的连边进行剔除，剔除边后，共购网络络中边数量从58740降到了6181，简化了共购网络，能够更为集中、准确的分析部分商品的关联性。
步骤4、获得共购网络中，不同k值对应的clique。
图4为k-clique概念图；其中，k个节点组成的完全子图，称为k-clique，k值的范围为[3,16]。如图4，展示了3-clique与4-clique的例子。使用k值寻找相应clique结构，存储k-clique后续用于商品聚类，k值范围为k≥3。
在共购网络中寻找合适的上限k值的具体步骤如下：
4.根据节点度大小及该节点所在连边的权重和，计算节点加权度，计算方式为：节点度乘于节点所在连边的权重和。同时，对节点加权度进行排序，获得节点加权度有序集合。获得节点加权度最大节点node，其度为d。
5.设置初始k值为d-1，从(d-1)开始查找k-clique，若k-clique不为空，则停止寻找，记此时的k值为kmax
6.获得最终的kmax,确定k值的范围为[3,16]。
步骤5、使用获得的共购网络中k-clique结构进行聚类组合给出货位分配方案。
使用如表3相关符号给出聚类流程：
表3：
Figure BDA0003431921280000091
Figure BDA0003431921280000101
5.1:按照加权度对商品节点排序，得到如下排列：
W1≥W2≥W3≥…≥Wn，1≤n<|W|。
5.2:根据加权度大小选出最大加权度商品Wn，加入
Figure BDA0003431921280000102
作为起始聚类商品，在选择完起始聚类商品后，设置以下变量值：k＝kmax，
Figure BDA0003431921280000103
(作为起始聚类商品的初始聚类结果仅包含Wn一个商品)，i＝0(后续用于表示Ck的第i个结构)。
其中，
Figure BDA0003431921280000104
表示Wn作为起始聚类商品的聚类结果；对于每次选定起始聚类商品，k值均从kmax开始，依次寻找Wn所在的k-clique结构，后续针对Wn所在的k-clique结构包含的商品进行聚类。
5.3：当i≤|Ck|，执行循环体：i＝i+1。当
Figure BDA0003431921280000111
从W删除此时
Figure BDA0003431921280000112
包含的商品，并转5.2重新选取起始聚类商品。
执行循环体的过程中：
若找到包含Wn的
Figure BDA0003431921280000113
时，转5.3.1。
5.3.1:当
Figure BDA0003431921280000114
执行循环体：
Figure BDA0003431921280000115
将其所表示的商品加入
Figure BDA0003431921280000116
否则，从W中删除所有
Figure BDA0003431921280000117
包含的商品，若|W|＝0，转5.4。若|W|≠0，继续步骤5.2操作，选择下一个起始聚类商品。
执行循环体的过程中：
若
Figure BDA0003431921280000118
转5.3。
其中，Vmax为货架最多放置商品数；
Figure BDA0003431921280000119
表示
Figure BDA00034319212800001110
中某个结构已经完成聚类节点的下标。
Figure BDA00034319212800001111
初始值均为0，表示任何一个
Figure BDA00034319212800001112
均未开始聚类。当找到符合的k-clique结构(即
Figure BDA00034319212800001113
)时，若Wn作为起始聚类的聚类结果数小于货架最大可放置商品数，则依次添加
Figure BDA00034319212800001114
中的商品。每往
Figure BDA00034319212800001115
中添加一个商品，需要使用
Figure BDA00034319212800001116
来标记该
Figure BDA00034319212800001117
已完成聚类的位置。每一次转至5.2步骤时，均需从W中删除此时
Figure BDA00034319212800001118
中包含的商品，避免重复聚类。
在完成所有商品聚类之后，每次聚类结果包含的商品个数是不一样的，但在货位分配方案中需要尽可能地填满整个货架的空位，减少货位空间的浪费。因此，需要针对上述聚类结果进行聚类组合给出货位分配方案，步骤如下所示：
5.4:T是所有聚类结果的集合，l表示T的下标，其范围为1≤l<|T|，按T中聚类结果包含的商品个数对集合T进行排序，最终得到的T集合形如：|T1|>|T2|>…>|Tl|。在这之中，T1所包含的商品数最多，Tl所包含的商品数最少。
5.4.1:设置两者变量，α＝1,β＝2，转5.4.2
其中，该步骤代表的含义为，以T1为主体，从T2开始寻找符合合并条件的Tl，条件指|Tα|+|Tβ|≤30
5.4.2:当(β<|T|)，执行循环体：β＝β+1。
执行循环体的过程中：
若|Tα|+|Tβ|≤30，合并得Tα＝Tα∪Tβ，将Tα加入result，从T中删除合并时采用的Tα，Tβ，转5.4.3。
若|Tα|+|Tβ|>30且β＝|T|，即未找到符合的Tβ，将Tα单独加入result，从T中删除Tα，转5.4.3。
其中，result表示最终货位分配结果，该步骤是循环步骤，当β<|T|时且未找到适合的合并聚类结果，则寻找下一个Tβ(即β＝β+1)，用于与Tα进行组合。
5.4.3:若|T|>1,(即T中聚类结果个数大于等于两个)，按T中聚类结果包含的商品个数重新对集合T进行排序，令α＝1，β＝2，转5.4.2。若|T|＝1，将Tα加入result，从T中删除Tα，结束组合过程，获得最终的最终货位分配结果result。
其中，每次5.4.2循环完毕后，删去了已经组合完毕的聚类结果，剩下的聚类结果仍然是有序序列，则以下一个Tα为主体，寻找与其合并的聚类结果(即α＝1，β＝2的含义)。当|T|包含聚类结果仅为1个时，合并过程结束，获得最终的最终货位分配结果result。
步骤6、方法对比实验
其中，本方法以拣选订单所需搬运货架次数为指标，检验了本方法提出的有效性。设计了相关对照组：
(1)针对使用不同的权重阈值进行了对比；
(2)一种融合k-clique结构及权重衰减的货位分配方法与随机货位分配、按销量分配、按共购网络连边权重分配进行对比；
其中，使用权重衰减系数后，能有效的对共购网络进行更为精确的边剔除，如图5，设置了七种不同的权重阈值，1/3～1/30这个范围的权重阈值是结合权重衰减公式重新设置权重后所特有的，七种阈值的代表含义如表4所示。
表4：
阈值 含义
0 对权重为1的连边不进行处理
1/3 保留近三天产生的权重为1的连边
1/5 保留近五天产生的权重为1的连边
1/7 保留近七天产生的权重为1的连边
1/15 保留近十五天产生的权重为1的连边
1/30 保留近三十天产生的权重为1的连边
1 删除所有权重为1的连边
当去除所有权重为1的连边，货架搬运次数反而上升。在阈值为1/7～1/3的范围内，能够减少货架搬运次数。同时，该阈值范围内的货架搬运次数均优于阈值为0或1的情况。这说明了本方法提出的权重衰减公式能够精确地剔除部分权重为1的连边，进而能够给出更好的货位分配方案。
进一步，第二组的实验结果如图6及表5所示。与随机聚类、销量聚类的货位分配方案相比，一种融合k-clique结构及权重衰减的货位分配方法分别降低32.88％及25.96％的货架搬运次数，有效的提高了仓库的运营效率。
综上，证明了本文提出一种融合k-clique结构及权重衰减的货位分配方法的创新型及有效性。
表5：
随机聚类 销量聚类 本方法
货架搬运次数 106827 96843 71703
减少货架搬运次数百分比 32.88％ 25.96％ /
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (4)

1.一种融合k-clique结构及权重衰减的货位分配方法，其特征在于，包括以下步骤：
步骤1、获取历史订单数据，并对历史订单数据进行整理；
历史订单数据中每条购买记录仅包含一种商品的信息，针对某笔含有n个商品的订单，其在记录中便有n条记录；
对历史订单数据进行预处理，预处理的过程包括从原始历史订单数据转为订单商品关联模式表；在订单商品关联模式表中，每条记录能直接体现每笔订单的商品关联信息；订单商品关联模式表包含购买日期、订单号及商品三列；
步骤2、利用预处理后的订单数据，构建共购网络，共购网络反映了商品的关联购买信息，包含每种商品与何种商品曾发生过关联购买及关联购买次数；
为所有的商品一一添加节点，根据步骤1所述的商品关联模式表中关联模式，为相应节点之间添加连边，同时，根据关联购买次数，设置相应的连边权重；
在初步完成构建共购网络后，共购网络中存在部分度为0的节点；该部分节点代表从未有过关联购买记录，针对这部分节点进行剔除处理；
步骤3、结合权重衰减公式设置共购网络权重阈值，进行部分连边的剔除；
最终构建的共购网络中含有大量权重为1的连边，其会影响k-clique的真实性，对此提出了权重衰减公式，该公式结合了商品关联购买的时间属性，对权重为1的连边重新设置权重；这能够使原先相同权重的连边产生差异，更加精确的分析商品关联性；
步骤4、获得共购网络中，不同k值对应的k-clique结构；
k-clique结构表示在共购网络中符合k个节点之间完全连通的的局部拓扑结构，使用k值寻找相应clique结构，存储k-clique后续用于商品聚类，所述k值的范围为k>＝3，同时结合节点加权度确定共购网络中合理的k值上限；
步骤5、使用获得的共购网络中k-clique结构进行聚类组合给出货位分配方案。
2.根据权利要求1所述的一种融合k-clique结构及权重衰减的货位分配方法，其特征在于，步骤3具体方法如下：
其中，共购网络的部分关联购买信息是不可靠的，具有偶然性的；共购网络中存在大量边权重为1的边，这对共购网络而言，这些权重为1的连边是属于不真实的数据，需要进行剔除；本发明结合权重衰减公式重新设置权重，并设置共购网络权重阈值，进行部分连边的剔除；
其中，权重衰减公式如下所示：
Figure FDA0003431921270000021
daystart代表商品关联分析日期的起始日期，dayend代表商品关联分析日期的结束日期；Wij_Day表述i商品节点和j商品节点之间在某个日期的权重，L表示商品集合，Wij_new代表经过权重衰减后i节点和j节点的连边权重。
3.根据权利要求1所述的一种融合k-clique结构及权重衰减的货位分配方法，其特征在于，所述的结合节点加权度确定共购网络中合理的k值上限，具体步骤如下：
(1)根据节点度大小及该节点所在连边的权重和，计算节点加权度，计算方式为：节点度乘于节点所在连边的权重和；同时，对节点加权度进行排序，获得节点加权度有序集合；获得节点加权度最大节点node，其度为d；
(2)设置初始k值为d-1，从(d-1)开始查找k-clique，若k-clique不为空，则停止寻找，记此时的k值为kmax；
(3)获得最终的kmax,确定k值的范围为[3,16]。
4.根据权利要求1所述的一种融合k-clique结构及权重衰减的货位分配方法，其特征在于，步骤5具体方如下：
5.1:按照加权度对商品节点排序，得到如下排列：
W1≥W2≥W3≥…≥Wn，1≤n<|W|；
5.2:根据加权度大小选出最大加权度商品Wn，加入
Figure FDA0003431921270000031
作为起始聚类商品，在选择完起始聚类商品后，设置以下变量值：k＝kmax，
Figure FDA0003431921270000032
i＝0；
其中，
Figure FDA0003431921270000033
表示Wn作为起始聚类商品的聚类结果；对于每次选定起始聚类商品，k值均从kmax开始，依次寻找Wn所在的k-clique结构，后续针对Wn所在的k-clique结构包含的商品进行聚类；
5.3：当i≤|Ck|，执行循环体：i＝i+1；当
Figure FDA0003431921270000034
从W删除此时
Figure FDA0003431921270000035
包含的商品，并转5.2重新选取起始聚类商品；
执行循环体的过程中：
若找到包含Wn的
Figure FDA0003431921270000036
时，转5.3.1；
5.3.1:当
Figure FDA0003431921270000037
执行循环体：
Figure FDA0003431921270000038
将其所表示的商品加入
Figure FDA0003431921270000039
否则，从W中删除所有
Figure FDA00034319212700000310
包含的商品，若|W|＝0，转5.4；若|W|≠0，继续步骤5.2操作，选择下一个起始聚类商品；
执行循环体的过程中：
若
Figure FDA00034319212700000311
转5.3；
其中，Vmax为货架最多放置商品数；
Figure FDA00034319212700000312
表示
Figure FDA00034319212700000313
中某个结构已经完成聚类节点的下标；
Figure FDA00034319212700000314
初始值均为0，表示任何一个
Figure FDA00034319212700000315
均未开始聚类；当找到符合的k-clique结构(即
Figure FDA00034319212700000316
)时，若Wn作为起始聚类的聚类结果数小于货架最大可放置商品数，则依次添加
Figure FDA00034319212700000317
中的商品；每往
Figure FDA00034319212700000318
中添加一个商品，需要使用
Figure FDA00034319212700000319
来标记该
Figure FDA00034319212700000320
已完成聚类的位置；每一次转至5.2步骤时，均需从W中删除此时
Figure FDA0003431921270000041
中包含的商品，避免重复聚类；
在完成所有商品聚类之后，每次聚类结果包含的商品个数是不一样的，但在货位分配方案中需要尽可能地填满整个货架的空位，减少货位空间的浪费；因此，需要针对上述聚类结果进行聚类组合给出货位分配方案，步骤如下所示：
5.4:T是所有聚类结果的集合，l表示T的下标，其范围为1≤l<|T|，按T中聚类结果包含的商品个数对集合T进行排序，最终得到的T集合形如：|T1|>|T2|>…>|Tl|。在这之中，T1所包含的商品数最多，Tl所包含的商品数最少；
5.4.1:设置两者变量，α＝1,β＝2，转5.4.2
其中，该步骤代表的含义为，以T1为主体，从T2开始寻找符合合并条件的Tl，条件指|Tα|+|Tβ|≤30
5.4.2:当(β<|T|)，执行循环体：β＝β+1；
执行循环体的过程中：
若|Tα|+|Tβ|≤30，合并得Tα＝Tα∪Tβ，将Tα加入result，从T中删除合并时采用的Tα，Tβ，转5.4.3；
若|Tα|+|Tβ|>30且β＝|T|，即未找到符合的Tβ，将Tα单独加入result，从T中删除Tα，转5.4.3；
其中，result表示最终货位分配结果，该步骤是循环步骤，当β<|T|时且未找到适合的合并聚类结果，则寻找下一个Tβ，即β＝β+1，用于与Tα进行组合；
5.4.3:若|T|>1，按T中聚类结果包含的商品个数重新对集合T进行排序，令α＝1，β＝2，转5.4.2；若|T|＝1，将Tα加入result，从T中删除Tα，结束组合过程，获得最终的最终货位分配结果result；
其中，每次5.4.2循环完毕后，删去已经组合完毕的聚类结果，按T中聚类结果包含的商品个数重新对集合T进行排序，则以下一个Tα为主体，寻找与其合并的聚类结果；当|T|包含聚类结果仅为1个时，合并过程结束，获得最终的最终货位分配结果result。
CN202111597769.2A 2021-12-24 2021-12-24 一种融合k-clique结构及权重衰减的货位分配方法 Pending CN114254981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111597769.2A CN114254981A (zh) 2021-12-24 2021-12-24 一种融合k-clique结构及权重衰减的货位分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111597769.2A CN114254981A (zh) 2021-12-24 2021-12-24 一种融合k-clique结构及权重衰减的货位分配方法

Publications (1)

Publication Number Publication Date
CN114254981A true CN114254981A (zh) 2022-03-29

Family

ID=80794948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111597769.2A Pending CN114254981A (zh) 2021-12-24 2021-12-24 一种融合k-clique结构及权重衰减的货位分配方法

Country Status (1)

Country Link
CN (1) CN114254981A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563702A (zh) * 2017-09-14 2018-01-09 北京京东尚科信息技术有限公司 商品仓储调配方法、装置以及存储介质
CN111612594A (zh) * 2020-06-03 2020-09-01 天天向上(北京)网络科技有限公司 本地化电商零售系统
CN111833967A (zh) * 2020-07-10 2020-10-27 华中农业大学 基于k-tree优化贝叶斯网络的上位性位点挖掘方法
US20210174300A1 (en) * 2018-07-06 2021-06-10 Beijing Jingdong Shangke Information Technology Co., Ltd. Commodity replenishment method and device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563702A (zh) * 2017-09-14 2018-01-09 北京京东尚科信息技术有限公司 商品仓储调配方法、装置以及存储介质
US20210174300A1 (en) * 2018-07-06 2021-06-10 Beijing Jingdong Shangke Information Technology Co., Ltd. Commodity replenishment method and device
CN111612594A (zh) * 2020-06-03 2020-09-01 天天向上(北京)网络科技有限公司 本地化电商零售系统
CN111833967A (zh) * 2020-07-10 2020-10-27 华中农业大学 基于k-tree优化贝叶斯网络的上位性位点挖掘方法

Similar Documents

Publication Publication Date Title
JP7417724B2 (ja) コールドチェーン配送経路の決定方法、装置、サーバおよび記憶媒体
US10387779B2 (en) Systems and methods for multi-objective evolutionary algorithms with soft constraints
Perboli et al. Packing problems in transportation and supply chain: new problems and trends
CZ294171B6 (cs) Způsob přímého vyhledávání v rozsáhlé databázi
CN103955814B (zh) 计算机中基于数据立方体的物流智能交易数据处理方法
CN109656540B (zh) 一种基于Apriori算法的补货库位推荐方法
CN111680951A (zh) 一种订单合并处理方法及装置
Asana et al. FP-Growth Implementation in Frequent Itemset Mining for Consumer Shopping Pattern Analysis Application
CN113298546A (zh) 销量预测方法及装置、商品处理方法及装置
Zhang et al. Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning
CN103838775B (zh) 数据分析方法以及数据分析设备
Bayram et al. Optimal order batching in warehouse management: A data-driven robust approach
CN114254981A (zh) 一种融合k-clique结构及权重衰减的货位分配方法
Bao et al. Structural optimization of logistics distribution system based on characteristic state space
Zhang et al. The Optimization of the Location of the Cargo in Three‐Dimension Shelf: Employing the FP‐Tree and the Artificial Fish Swarm Algorithms
RU2480828C1 (ru) Способ прогноза целевого показателя событий по неограниченному количеству характеристик
CN114328491A (zh) 数据处理方法及装置
CN112070438B (zh) 一种基于配置分层的物料配送方法和系统
Kunjachan et al. Recommendation using frequent itemset mining in big data
CN113888096A (zh) 一种物流园区的货物管理方法及系统
CN110633924B (zh) 用于将商品分仓间存储的方法和系统
Murthy et al. Model for Predicting Prospective Big-Mart Sales Based on Grid Search Optimization (GSO)
Asmaningrum et al. Application of interpretive structural modelling (ism) and analytical network process (anp) methods in the selection of component easy wheel suppliers in the bicycle manufacturing industry
CN109754265B (zh) 一种数据处理方法及装置
CN111738657B (zh) 基于替代品推荐的物流拆单优化方法和系统

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