CN114676875A - 仓储配送网络优化方法、设备、存储介质及程序产品 - Google Patents
仓储配送网络优化方法、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN114676875A CN114676875A CN202111595593.7A CN202111595593A CN114676875A CN 114676875 A CN114676875 A CN 114676875A CN 202111595593 A CN202111595593 A CN 202111595593A CN 114676875 A CN114676875 A CN 114676875A
- Authority
- CN
- China
- Prior art keywords
- bin
- cost
- warehousing
- warehouse
- sorting
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 222
- 238000005457 optimization Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims description 141
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 102000002423 Octamer Transcription Factor-6 Human genes 0.000 description 2
- 108010068113 Octamer Transcription Factor-6 Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种仓储配送网络优化方法、设备、存储介质及程序产品,通过获取目标区域内的候选分拣仓及仓储配送网络中相关基础参数;根据候选分拣仓及基础参数构建仓储配送网络优化模型的目标函数和约束条件,目标函数为仓储配送网络总成本函数;调用预设求解程序接口求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案及目标配送方案,对仓储配送网络优化。通过构建仓储配送网络的总成本的目标函数和约束条件,调用预设求解程序接口求解,快速准确确定使得仓储配送网络总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、及目标配送方案,更加科学的指导仓储配送网络的优化。
Description
技术领域
本发明实施例涉及仓储物流领域,尤其涉及一种仓储配送网络优化方法、设备、存储介质及程序产品。
背景技术
随着电子商务的快速发展,对仓储能力和物流响应的需求不断增加,需要不断对仓储配送网络进行优化以适应业务扩张的需求。
其中,对于分拣仓的选址问题通常采用现有的设施选址问题模型,目前常见的设施选址问题模型有P-中值问题模型、P-中心问题模型、覆盖问题模型等。
而现有的设施选址问题模型通常用于物流系统初步建设阶段的选址设施设计和规划,随着物流系统的快速发展,这些模型难以满足业务扩张的需求,无法得到最优的分拣仓选址方案,从而无法得到最优的仓储配送网络。
发明内容
本发明实施例提供一种仓储配送网络优化方法、设备、存储介质及程序产品,用以得到最优的仓储配送网络。
第一方面,本发明实施例提供一种仓储配送网络优化方法,包括:
获取目标区域内的候选分拣仓;
获取仓储配送网络中相关的基础参数;
根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;
调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
第二方面,本发明实施例提供一种仓储配送网络优化设备,包括:
候选分拣仓获取模块,用于获取目标区域内的候选分拣仓;
基础参数获取模块,用于获取仓储配送网络中相关的基础参数;
构建模块,用于根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;
求解模块,用于调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
第三方面,本发明实施例提供一种电子设备,包括:至少一个处理器;以及存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面所述的方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现第一方面所述的方法。
本发明实施例提供的仓储配送网络优化方法、设备、存储介质及程序产品,通过获取目标区域内的候选分拣仓;获取仓储配送网络中相关的基础参数;根据候选分拣仓以及基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中目标函数为仓储配送网络的总成本函数;调用预设求解程序接口,根据约束条件求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。本发明实施例通过构建仓储配送网络的总成本的目标函数和约束条件,并调用预设求解程序接口求解,可以快速准确的确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,从而更加科学的指导仓储配送网络的优化。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明一实施例提供的仓储配送网络优化方法应用场景示意图;
图2为本发明一实施例提供的仓储配送网络优化方法的流程图;
图3为本发明另一实施例提供的仓储配送网络优化方法的流程图;
图4为本发明一实施例提供的候选分拣仓获取示意图;
图5a、图5b、图5c分别为本发明一实施例提供的仓储配送网络中不同数量的最优分拣仓覆盖关系图;
图6为本发明一实施例提供的仓储配送网络优化设备的结构图;
图7为本发明一实施例提供的电子设备的结构图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
随着对仓储能力和物流响应的需求不断增加,需要不断对仓储配送网络进行优化以适应业务扩张的需求。其中,对于分拣仓的选址问题通常采用现有的设施选址问题模型,目前常见的设施选址问题模型有P-中值问题模型、 P-中心问题模型、覆盖问题模型等。
其中P-中值问题模型是在备选设施集合里选择k个设施,使所有需求节点得到服务,并且需求点到其最近设施的距离总和最小;其数学模型如下:
目标函数:min∑i∈I∑j∈Jcijxij (1.1)
(2)∑j∈Jyj=k (1.3)
其中,I为用户节点集合;J为仓库设施节点集合;cij表示用户i到设施 j的距离;xij表示设施j是否给用户i供货;yj表示设施j是否被投入使用;k 表示选择的设施数目。
而P-中心问题模型是在备选设施集合里选择k个设施,使所有需求节点得到服务,并且使得每个需求点到其最近设施的最大距离最小;P-中心问题与P-中值问题只是在决策目标上有区别,需引入一个决策变量Z表示每个需求点到其最近设施的最大距离,这样P-中心问题数学模型的目标函数可以表示为最小化距离Z,此外P-中心问题模型还比P-中值问题模型多一个约束条件,式(1.8)所示。
覆盖问题模型是在已知各仓库设施可覆盖的用户节点编号集合,如何选择设施,使所有用户节点得到服务,且使用设施的数量最小;数学模型如下:
目标函数:min∑j∈Jyj (1.9)
其中,Sj为设施j可覆盖的用户节点编号集合;yj表示设施j是否被投入使用。
而现有的设施选址问题模型通常用于物流系统初步建设阶段的选址设施设计和规划,随着物流系统的快速发展,这些模型难以满足业务扩张的需求,无法得到最优的分拣仓选址方案,从而无法得到最优的仓储配送网络。
因此,需要针对现有业务需求建立实用性更强的数学优化模型,以对供应链系统的仓储配送网络布局持续滚动优化。例如,以上模型的目标函数是距离最短或者选用仓库数目最少,而现有业务下的成本需同时包括仓租成本和运输费用;以上模型中目标函数通常是设施与用户距离的函数,而现有业务下运输成本应该是各种车型使用数量和各种车型运输成本的函数,其中各种车型运输成本是一个分段函数;此外,现有业务还需满足时效要求、给用户供货的货源地数目要求、现有仓库面积要求、最小建仓面积要求和最小扩仓面积要求等。
本发明针对上述技术问题,提供了一种仓储配送网络优化方法,通过获取目标区域内的候选分拣仓;获取仓储配送网络中相关的基础参数;根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;采用预设求解器根据约束条件求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以根据目标候选分拣仓选择方案、分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。
本发明实施例具体的应用场景如图1所示,包括输入设备101以及电子设备102(如服务器),输入设备101可获取目标区域内的候选分拣仓、获取仓储配送网络中相关的基础参数,输入到电子设备102中,电子设备102 根据候选分拣仓以及基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中目标函数为仓储配送网络的总成本函数;采用预设求解器根据约束条件求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以根据目标候选分拣仓选择方案、分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例提供的仓储配送网络优化方法流程图。本实施例提供了一种仓储配送网络优化方法,其执行主体为任意电子设备,该仓储配送网络优化方法具体步骤如下:
S201、获取目标区域内的候选分拣仓。
在本实施例中,为了对某一目标区域进行仓储配送网络优化,需要获取目标区域内的候选分拣仓,以从中选择合适的候选分拣仓、确定所选分拣仓建仓面积和向下级仓配节点的配送方案。其中候选分拣仓中可包括现有分拣仓、以及待建设的分拣仓。
可选的,如图3在获取目标区域内的候选分拣仓时,具体可包括如下步骤:
S2011、根据分拣仓的下级仓配节点的位置,确定所述目标区域;
S2012、将所述目标区域划分为多个网格,将各网格的中心点确定为候选分拣仓的位置。
在本实施例中,首先需要确定目标区域,可以根据分拣仓的下级仓配节点的位置确定目标区域,例如获取下级仓配节点的位置的凸包区域,将凸包区域作为所述目标区域;或者也可预先设定目标区域、或用户自行圈定目标区域。其中分拣仓的下级仓配节点可以包括但不限于网格仓节点、团长配送节点,其中网格仓是以一种链接平台大仓和线下服务门店的中转站,可以有一个或多个;而团长配送节点是社区等团体进行团购时负责配送的人员或配送站点等,可以有一个或多个,如图4所示。当然,分拣仓的下级仓配节点并不限于以上列举的两类,还可包括其他类别的下级仓配节点,下述实施例中仅以上述两种进行举例,若还包括其他类别的下级仓配节点,可增加下级仓配节点类别进行类似的处理。
S202、获取仓储配送网络中相关的基础参数。
在本实施例中,仓储配送网络中相关的基础参数包括但不限于:各候选分拣仓到下级仓配节点的距离、各下级仓配节点的订单需求、各种车型运输成本的计算方式、单位面积的仓租成本、以及单笔订单的人工成本。当然还可包括各候选分拣仓中各现有分拣仓的仓库面积、仓库平效、以及拟分区的数量等等。其中部分基础参数是用于构建仓储配送网络优化模型的目标函数的,而部分基础参数是用于构建目标函数的约束条件的。下述实施例中将详细介绍。
S203、根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数。
在本实施例中,为了得到总成本最低的仓储配送网络的优化方案,可基于上述的候选分拣仓以及基础参数,构建仓储配送网络的总成本函数,作为目标函数,并构建约束条件,从而可求得目标函数的最优解,也即使得仓储配送网络的总成本最低的最优解。本实施例中可基于预设的仓储配送网络优化模型,将基础参数输入到预设的仓储配送网络优化模型中自动生成目标函数和约束条件。
其中,可选的,仓储配送网络的总成本中包括仓储成本和运输成本,因此,目标函数可包括仓储成本函数和运输成本函数,也即目标函数可以为仓储成本函数与运输成本函数之和。
而其中仓储成本通常可包括人工成本、仓租成本、物料成本等,可根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数;
运输成本则与距离、车型、各种车型运输成本有关系,可根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数。
而目标函数中待求解的变量则是分拣仓选择方案、分拣仓的目标建仓方案、以及目标配送方案中的一些必需参数,也即决策变量,例如选择哪些分拣仓、所选分拣仓给哪些下级仓配节点送货、送货时所用车型以及数量、运费、所选分拣仓的需求面积、扩仓面积、仓租成本、物料成本等等,可根据实际需求进行确定。
S204、调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
在本实施例中,在对目标函数和约束条件构建完成后,可以采用求解器根据约束条件求解目标函数的最优解,也即使得仓储配送网络的总成本最低的最优决策变量,从而确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,进而可基于目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。
可选的,本实施例中可采用如CPLEX、Gurobi、SCIP等混合整数线性规划求解器,通过调用求解器的程序接口,根据约束条件求解所述目标函数。将决策变量、约束条件和目标函数写入求解器中,运行后可以得到目标函数中决策变量的最优解,具有较高的计算速度和准确性。
本实施例提供的仓储配送网络优化方法,通过获取目标区域内的候选分拣仓;获取仓储配送网络中相关的基础参数;根据候选分拣仓以及基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中目标函数为仓储配送网络的总成本函数;调用预设求解程序接口,根据约束条件求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。本实施例通过构建仓储配送网络的总成本的目标函数和约束条件,并调用预设求解程序接口求解,可以快速准确的确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,从而更加科学的指导仓储配送网络的优化。
在上述任一实施例的基础上,以分拣仓的下级仓配节点包括网格仓节点、团长配送节点为例,对构建仓储配送网络优化模型的目标函数和约束条件的过程、以及目标函数和约束条件的具体表达式进行详细介绍。
本实施例中仓储配送网络中相关的基础参数可包括:各候选分拣仓到下级仓配节点的距离、各下级仓配节点的订单需求、各种车型运输成本的计算方式、单位面积的仓租成本、单笔订单的人工成本、各候选分拣仓中各现有分拣仓的仓库面积、仓库平效、以及拟分区的数量等等。
本实施例中在构建目标函数时可先确定目标函数的决策变量,也即需要求解的变量,作为示例,目标函数的决策变量具体可如表1所示:
表1目标函数的决策变量及其解释
进一步的,可根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数;根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数;将仓储成本函数与运输成本函数之和确定为仓储配送网络优化模型的目标函数。
其中仓储成本函数包括人工成本子函数W1、仓租成本子函数W2以及物料成本子函数W3,而运输成本可包括所选分拣仓配送到各网格仓的运输成本 W4、以及所选分拣仓配送到团长配送节点的运输成本W5。
因此,目标函数的表达式可以如下所示:
Min(W1+W2+W3+W4+W5) (3.1)
其中,对于人工成本子函数W1,可根据各下级仓配节点的订单需求以及单笔订单的人工成本,确定人工成本子函数W1,也即人工成本等于订单总量乘以每笔订单的人工成本,人工成本子函数W1表达式如下所示:
其中,demandjp代表网格仓j对商品的种类p的订单需求数量,demandjp代表团长k对商品的种类p的订单需求数量;c1代表每笔订单的人工成本;
对于仓租成本子函数W2,根据单位面积的仓租成本以及基础建仓面积和扩仓面积,确定仓租成本子函数W2,其表达式如下所示:
其中,f表示基础建仓面积,g表示单位扩仓面积,例如,f可以取5000 平方米,g可以取2500平方米,则若对候选分拣仓需要建仓,最小需要建5000 平方米,若5000平方米不够,则可在5000平方米的基础上,以2500平方米的倍数进行扩建;c2为单位面积的仓租成本。
对于物料成本子函数W3,由于物料成本通常可以认为是人工成本与仓租成本的倍数,因此根据人工成本子函数与仓租成本子函数之和的预设倍数,确定为物料成本子函数W3,其表达式如下所示:
W3=h*(W1+W2) (3.13)
其中,h为预设倍数,可以取1.11。
对于所选分拣仓配送到各网格仓的运输成本W4,以及所选分拣仓配送到团长配送节点的运输成本W5,可分别根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式确定任一车型的单辆车辆从任一备选分拣仓运输至任一下级仓配节点的运输费用子函数;根据所述运输费用子函数,分别确定针对同一类下级仓配节点的合计运输成本函数W4和W5,其具体的表达式如下:
其中,PtGijq为候选分拣仓i给网格仓j送货时所需车型q对应的运输费用子函数,PtCikq为候选分拣仓i给团长k送货时所需车型q对应的运输费用子函数,与各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式相关,具体参见式3.33、3.34。
此外,本实施例中仓储配送网络优化模型的约束条件,包括以下一项或多项:
所选分拣仓的数量等于拟分区的数量;
所选分拣仓对至少一个下级仓配节点供货、未选分拣仓不能对任一下级仓配节点供货;
任一下级仓配节点仅能由预定数量的候选分拣仓对其供货;
任一下级仓配节点距其覆盖的候选分拣仓距离小于预设距离阈值;
所选分拣仓中包括所有现有分拣仓、且对于任一现有分拣仓用于对下一级仓配节点供货的需求面积不超过该现有分拣仓面积;
任一下级仓配节点与不对其供货的候选分拣仓之间各种车型的数量为0;
所选分拣仓的出库量大于0、未选分拣仓出库量等于0;
任一所选分拣仓用于对下一级仓配节点供货的需求面积不超过该所选分拣仓基础建仓面积和扩仓面积之和。
具体的,各约束条件的表达式如下所示:
1)将目标区域分成e个区,需要从候选分拣仓中选出e个仓库;
2)若候选分拣仓被选中,则需至少对一个网格仓或团长送货;未选中的分拣仓不能对任何网格仓或团长送货;
其中,δ为某个较小的数,如取0.1;ε为某个较大的数,如取10000,使得当候选分拣仓i未选中,Yi=0,不等式最左和最右侧等于0,也即候选分拣仓i不能对任何网格仓或团长送货。
3)对网格仓和团长来说,只能由一个分拣仓对其供货;
4)为保证时效要求,网格仓或团长距其覆盖仓库的路程需小于预设距离 D,例如200km;
5)现有仓库一定要被选中,且现有仓库面积需满足约束条件(假设W 为现有仓库编号集合),对于任意w∈W,满足:
Yw=1 (3.27)
其中,px1为分拣仓发往网格仓的平效,单/平;px2为分拣仓发往团长的平效,单/平;EAw为现有仓库w的面积;pn为商品的种类数目,式3.28表示对于任一现有分拣仓w用于对网格仓和团长供货的需求面积不超过该现有分拣仓面积。
6)若分拣仓i不对网格仓j(或团长k)送货,则两地之间各车型的数目均为0;
其中,vtn1为分拣仓发往网格仓的车型数目;vtn2为分拣仓发往团长的车型数目。
7)若某个仓库不启用,则其出库量为0;若启用某个仓库,则其出库量大于0。即:
其中,aq为从分拣仓至网格仓运输货物对应的车型q的最大装载订单量; bq为从分拣仓至团长运输货物对应的车型q的最大装载订单量。
8)分拣仓到网格仓到运输费用和分拣仓到团长的运输费用。
其中,T1ijq为用车型q的一辆车从分拣仓i运输至网格仓j所产生的运输费用函数(已知函数),与运输距离和车型有关,通常为分段连续函数;T2ikq为用车型q的一辆车从分拣仓i运输至团长k所产生的运输费用函数(已知函数),与运输距离和车型有关,通常为分段连续函数。
9)仓租成本计算逻辑:把所有商品分成标品、生鲜、冷冻三类,可根据每个分拣仓负责的每类商品的总订单量和平效计算该分拣仓的需求面积,式 (3.35)列出了某分拣仓i的需求面积。但由于实际存在最小仓租面积和最小扩仓面积约束,因此需求面积和实际仓租面积之间应满足式(3.36)和(3.37),其中式(3.37)保证若某候选分拣仓没有被选中,则对应的仓租面积为0。需要注意的是,对于现有仓库,其仓租面积是固定的,因此现有仓租对应的Ui也是确定的。
Ai≤5000*Yi+2500*Ui (3.36)
δ*Yi≤Ui≤ε*Yi (3.37)
其中,δ为某个较小的数,如取0.1;ε为某个较大的数,如取10000。
在确定目标函数和约束条件后,可采用混合整数线性规划求解器(如 CPLEX、Gurobi、SCIP等)对上述目标函数求解。具体的,将决策变量、约束条件和目标函数依次写入求解器中,运行后可以得到最优解。最后根据最优解对应的决策变量Yi取值即可确定仓网裂变(扩仓)方案,其余参数也可通过对应决策变量的取值查看。实际操作中,可以给出不同选仓数目情况下的各项成本和覆盖关系,如图5a、图5b、图5c所示,其中图5a为拟分区的数量e=2的情况的最优分拣仓的覆盖关系示意图,目标区域分成2个分区,也即从候选分拣仓中确定2个分拣仓,以及所选分拣仓分别为哪些网格仓和团长供货,图5b为拟分区的数量e=3的情况最优分拣仓的覆盖关系示意图、图5从为拟分区的数量e=4的情况最优分拣仓的覆盖关系示意图,此处不再赘述。决策者可从以上结果中选择出最佳仓网优化方案。
图6为本发明实施例仓储配送网络优化设备的结构图。本实施例提供的仓储配送网络优化设备可以执行方法实施例提供的处理流程,如图6所示,所述仓储配送网络优化设备600包括:候选分拣仓获取模块601、基础参数获取模块602、构建模块603、求解模块604。
候选分拣仓获取模块601,用于获取目标区域内的候选分拣仓;
基础参数获取模块602,用于获取仓储配送网络中相关的基础参数;
构建模块603,用于根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;
求解模块604,用于调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
在上述任一实施例的基础上,所述仓储配送网络中相关的基础参数包括:各候选分拣仓到下级仓配节点的距离、各下级仓配节点的订单需求、各种车型运输成本的计算方式、单位面积的仓租成本、以及单笔订单的人工成本。
在上述任一实施例的基础上,所述构建模块603在根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数时,用于:
根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数;
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数;
将仓储成本函数与运输成本函数之和确定为仓储配送网络优化模型的目标函数。
在上述任一实施例的基础上,所述构建模块603在根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数时,用于:
根据各下级仓配节点的订单需求以及单笔订单的人工成本,确定人工成本子函数;
根据单位面积的仓租成本以及基础建仓面积和扩仓面积,确定仓租成本子函数;
根据所述人工成本子函数与仓租成本子函数之和的预设倍数,确定为物料成本子函数;
将人工成本子函数、仓租成本子函数以及物料成本子函数之和确定为所述仓储成本函数。
在上述任一实施例的基础上,所述构建模块603在根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数时,用于:
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式确定任一车型的单辆车辆从任一备选分拣仓运输至任一下级仓配节点的运输费用子函数;
根据所述运输费用子函数,分别确定针对同一类下级仓配节点的合计运输成本函数;
将针对各类下级仓配节点的合计运输成本函数之和确定为所述运输成本函数。
在上述任一实施例的基础上,所述仓储配送网络中相关的基础参数还包括:各候选分拣仓中各现有分拣仓的仓库面积、仓库平效、以及拟分区的数量;
所述仓储配送网络优化模型的约束条件,包括以下一项或多项:
所选分拣仓的数量等于拟分区的数量;
所选分拣仓对至少一个下级仓配节点供货、未选分拣仓不能对任一下级仓配节点供货;
任一下级仓配节点仅能由预定数量的候选分拣仓对其供货;
任一下级仓配节点距其覆盖的候选分拣仓距离小于预设距离阈值;
所选分拣仓中包括所有现有分拣仓、且对于任一现有分拣仓用于对下一级仓配节点供货的需求面积不超过该现有分拣仓面积;
任一下级仓配节点与不对其供货的候选分拣仓之间各种车型的数量为0;
所选分拣仓的出库量大于0、未选分拣仓出库量等于0;
任一所选分拣仓用于对下一级仓配节点供货的需求面积不超过该所选分拣仓基础建仓面积和扩仓面积之和。
在上述任一实施例的基础上,所述候选分拣仓获取模块601在获取目标区域内的候选分拣仓时,用于:
根据分拣仓的下级仓配节点的位置,确定所述目标区域;
将所述目标区域划分为多个网格,将各网格的中心点确定为候选分拣仓的位置。
在上述任一实施例的基础上,所述求解模块604在调用预设求解程序接口,根据约束条件求解所述目标函数时,用于:
调用混合整数线性规划求解器的程序接口,根据约束条件求解所述目标函数。
本发明实施例提供的仓储配送网络优化设备可以具体用于执行上述图 2-3所提供的方法实施例,具体功能此处不再赘述。
本发明实施例提供的仓储配送网络优化设备,通过获取目标区域内的候选分拣仓;获取仓储配送网络中相关的基础参数;根据候选分拣仓以及基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中目标函数为仓储配送网络的总成本函数;调用预设求解程序接口,根据约束条件求解目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案进行仓储配送网络优化。本实施例通过构建仓储配送网络的总成本的目标函数和约束条件,并调用预设求解程序接口求解,可以快速准确的确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,从而更加科学的指导仓储配送网络的优化。
图7为本发明实施例提供的电子设备的结构示意图。本发明实施例提供的电子设备可以执行仓储配送网络优化方法实施例提供的处理流程,如图7 所示,电子设备70包括存储器71、处理器72、计算机程序;其中,计算机程序存储在存储器71中,并被配置为由处理器72执行以上实施例所述的仓储配送网络优化方法。此外,电子设备70还可具有通讯接口73,用于传输控制指令和/或数据。
图7所示实施例的电子设备可用于执行上述仓储配送网络优化方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
另外,本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,所述计算机程序被处理器执行以实现上述实施例所述的方法。
另外,本实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行以实现上述实施例所述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明实施例各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等) 或处理器(processor)执行本发明实施例各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上各实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例各实施例技术方案的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (19)
1.一种仓储配送网络优化方法,其特征在于,包括:
获取目标区域内的候选分拣仓;
获取仓储配送网络中相关的基础参数;
根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;
调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
2.根据权利要求1所述的方法,其特征在于,所述仓储配送网络中相关的基础参数包括:各候选分拣仓到下级仓配节点的距离、各下级仓配节点的订单需求、各种车型运输成本的计算方式、单位面积的仓租成本、以及单笔订单的人工成本。
3.根据权利要求2所述的方法,其特征在于,所述根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数,包括:
根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数;
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数;
将仓储成本函数与运输成本函数之和确定为仓储配送网络优化模型的目标函数。
4.根据权利要求3所述的方法,其特征在于,所述根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数,包括:
根据各下级仓配节点的订单需求以及单笔订单的人工成本,确定人工成本子函数;
根据单位面积的仓租成本以及基础建仓面积和扩仓面积,确定仓租成本子函数;
根据所述人工成本子函数与仓租成本子函数之和的预设倍数,确定为物料成本子函数;
将人工成本子函数、仓租成本子函数以及物料成本子函数之和确定为所述仓储成本函数。
5.根据权利要求3或4所述的方法,其特征在于,所述根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数,包括:
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式确定任一车型的单辆车辆从任一备选分拣仓运输至任一下级仓配节点的运输费用子函数;
根据所述运输费用子函数,分别确定针对同一类下级仓配节点的合计运输费用子函数;
将针对各类下级仓配节点的合计运输费用子函数之和确定为所述运输成本函数。
6.根据权利要求5所述的方法,其特征在于,所述仓储配送网络中相关的基础参数还包括:各候选分拣仓中各现有分拣仓的仓库面积、仓库平效、以及拟分区的数量;
所述仓储配送网络优化模型的约束条件,包括以下一项或多项:
所选分拣仓的数量等于拟分区的数量;
所选分拣仓对至少一个下级仓配节点供货、未选分拣仓不能对任一下级仓配节点供货;
任一下级仓配节点仅能由预定数量的候选分拣仓对其供货;
任一下级仓配节点距其覆盖的候选分拣仓距离小于预设距离阈值;
所选分拣仓中包括所有现有分拣仓、且对于任一现有分拣仓用于对下一级仓配节点供货的需求面积不超过该现有分拣仓面积;
任一下级仓配节点与不对其供货的候选分拣仓之间各种车型的数量为0;
所选分拣仓的出库量大于0、未选分拣仓出库量等于0;
任一所选分拣仓用于对下一级仓配节点供货的需求面积不超过该所选分拣仓基础建仓面积和扩仓面积之和。
7.根据权利要求1所述的方法,其特征在于,所述获取目标区域内的候选分拣仓,包括:
根据分拣仓的下级仓配节点的位置,确定所述目标区域;
将所述目标区域划分为多个网格,将各网格的中心点确定为候选分拣仓的位置。
8.根据权利要求1-3任一项所述的方法,其特征在于,所述调用预设求解程序接口,根据约束条件求解所述目标函数,包括:
调用混合整数线性规划求解器的程序接口,根据约束条件求解所述目标函数。
9.一种仓储配送网络优化设备,其特征在于,包括:
候选分拣仓获取模块,用于获取目标区域内的候选分拣仓;
基础参数获取模块,用于获取仓储配送网络中相关的基础参数;
构建模块,用于根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数和约束条件,其中所述目标函数为仓储配送网络的总成本函数;
求解模块,用于调用预设求解程序接口,根据约束条件求解所述目标函数,确定使得仓储配送网络的总成本最低的目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及目标配送方案,以用于根据所述目标候选分拣仓选择方案、所选分拣仓的目标建仓方案、以及所述目标配送方案进行仓储配送网络优化。
10.根据权利要求9所述的设备,其特征在于,所述仓储配送网络中相关的基础参数包括:各候选分拣仓到下级仓配节点的距离、各下级仓配节点的订单需求、各种车型运输成本的计算方式、单位面积的仓租成本、以及单笔订单的人工成本。
11.根据权利要求10所述的设备,其特征在于,所述构建模块在根据所述候选分拣仓以及所述基础参数,构建仓储配送网络优化模型的目标函数时,用于:
根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数;
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数;
将仓储成本函数与运输成本函数之和确定为仓储配送网络优化模型的目标函数。
12.根据权利要求11所述的设备,其特征在于,所述构建模块在根据各下级仓配节点的订单需求、单笔订单的人工成本、以及单位面积的仓租成本,确定仓储成本函数时,用于:
根据各下级仓配节点的订单需求以及单笔订单的人工成本,确定人工成本子函数;
根据单位面积的仓租成本以及基础建仓面积和扩仓面积,确定仓租成本子函数;
根据所述人工成本子函数与仓租成本子函数之和的预设倍数,确定为物料成本子函数;
将人工成本子函数、仓租成本子函数以及物料成本子函数之和确定为所述仓储成本函数。
13.根据权利要求11或12所述的设备,其特征在于,所述构建模块在根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式,确定运输成本函数时,用于:
根据各候选分拣仓到下级仓配节点的距离、以及各种车型运输成本的计算方式确定任一车型的单辆车辆从任一备选分拣仓运输至任一下级仓配节点的运输费用子函数;
根据所述运输费用子函数,分别确定针对同一类下级仓配节点的合计运输费用子函数;
将针对各类下级仓配节点的合计运输费用子函数之和确定为所述运输成本函数。
14.根据权利要求13所述的设备,其特征在于,所述仓储配送网络中相关的基础参数还包括:各候选分拣仓中各现有分拣仓的仓库面积、仓库平效、以及拟分区的数量;
所述仓储配送网络优化模型的约束条件,包括以下一项或多项:
所选分拣仓的数量等于拟分区的数量;
所选分拣仓对至少一个下级仓配节点供货、未选分拣仓不能对任一下级仓配节点供货;
任一下级仓配节点仅能由预定数量的候选分拣仓对其供货;
任一下级仓配节点距其覆盖的候选分拣仓距离小于预设距离阈值;
所选分拣仓中包括所有现有分拣仓、且对于任一现有分拣仓用于对下一级仓配节点供货的需求面积不超过该现有分拣仓面积;
任一下级仓配节点与不对其供货的候选分拣仓之间各种车型的数量为0;
所选分拣仓的出库量大于0、未选分拣仓出库量等于0;
任一所选分拣仓用于对下一级仓配节点供货的需求面积不超过该所选分拣仓基础建仓面积和扩仓面积之和。
15.根据权利要求9所述的设备,其特征在于,所述候选分拣仓获取模块在获取目标区域内的候选分拣仓时,用于:
根据分拣仓的下级仓配节点的位置,确定所述目标区域;
将所述目标区域划分为多个网格,将各网格的中心点确定为候选分拣仓的位置。
16.根据权利要求9-11任一项所述的设备,其特征在于,所述求解模块在调用预设求解程序接口,根据约束条件求解所述目标函数时,用于:
调用混合整数线性规划求解器的程序接口,根据约束条件求解所述目标函数。
17.一种电子设备,其特征在于,包括:至少一个处理器;以及存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述的方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-8任一项所述的方法。
19.一种计算机程序产品,包括计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595593.7A CN114676875A (zh) | 2021-12-23 | 2021-12-23 | 仓储配送网络优化方法、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595593.7A CN114676875A (zh) | 2021-12-23 | 2021-12-23 | 仓储配送网络优化方法、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676875A true CN114676875A (zh) | 2022-06-28 |
Family
ID=82070619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595593.7A Pending CN114676875A (zh) | 2021-12-23 | 2021-12-23 | 仓储配送网络优化方法、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676875A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362646A (zh) * | 2023-05-31 | 2023-06-30 | 北京京东乾石科技有限公司 | 物流网络升级方法和装置 |
CN117350631A (zh) * | 2023-10-11 | 2024-01-05 | 广州丰石科技有限公司 | 一种大数据前置仓选址方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874598A (zh) * | 2017-02-17 | 2017-06-20 | 国网天津市电力公司 | 一种电能计量装置直配模式下的仓储配送网络优化设计方法 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN113673932A (zh) * | 2021-08-24 | 2021-11-19 | 北京京东振世信息技术有限公司 | 一种物流网络规划方法和装置 |
-
2021
- 2021-12-23 CN CN202111595593.7A patent/CN114676875A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874598A (zh) * | 2017-02-17 | 2017-06-20 | 国网天津市电力公司 | 一种电能计量装置直配模式下的仓储配送网络优化设计方法 |
CN112215530A (zh) * | 2019-07-11 | 2021-01-12 | 北京京东尚科信息技术有限公司 | 选仓方法和装置 |
CN113673932A (zh) * | 2021-08-24 | 2021-11-19 | 北京京东振世信息技术有限公司 | 一种物流网络规划方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362646A (zh) * | 2023-05-31 | 2023-06-30 | 北京京东乾石科技有限公司 | 物流网络升级方法和装置 |
CN116362646B (zh) * | 2023-05-31 | 2023-09-26 | 北京京东乾石科技有限公司 | 物流网络升级方法和装置 |
CN117350631A (zh) * | 2023-10-11 | 2024-01-05 | 广州丰石科技有限公司 | 一种大数据前置仓选址方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saif-Eddine et al. | An improved genetic algorithm for optimizing total supply chain cost in inventory location routing problem | |
Baita et al. | Dynamic routing-and-inventory problems: a review | |
Zou et al. | An effective iterated greedy algorithm for solving a multi-compartment AGV scheduling problem in a matrix manufacturing workshop | |
Cheng et al. | Using a hybrid approach based on the particle swarm optimization and ant colony optimization to solve a joint order batching and picker routing problem | |
Bard et al. | Heuristics for a multiperiod inventory routing problem with production decisions | |
Khalili-Damghani et al. | A new bi-objective location-routing problem for distribution of perishable products: evolutionary computation approach | |
Fontana et al. | Use of Promethee method to determine the best alternative for warehouse storage location assignment | |
CN106960301B (zh) | 医药电商镜像拣选方法及系统 | |
Sel et al. | Hybrid simulation and MIP based heuristic algorithm for the production and distribution planning in the soft drink industry | |
CN114676875A (zh) | 仓储配送网络优化方法、设备、存储介质及程序产品 | |
CN107220796A (zh) | 一种配送商的货品运输方法及装置 | |
CN109934372B (zh) | 一种路径规划方法、装置及设备 | |
Ribas et al. | A micro-genetic algorithm for multi-objective scheduling of a real world pipeline network | |
Navazi et al. | A new sustainable location-routing problem with simultaneous pickup and delivery by two-compartment vehicles for a perishable product considering circular economy | |
Nambirajan et al. | CARE: Heuristics for two-stage multi-product inventory routing problems with replenishments | |
CN115271573A (zh) | 货物配送方法、装置、计算机设备和存储介质 | |
Teck et al. | A bi-level memetic algorithm for the integrated order and vehicle scheduling in a RMFS | |
Guo et al. | Storage assignment for newly arrived items in forward picking areas with limited open locations | |
Cheng et al. | Cost-service tradeoff analysis of reorder-point-lot-size inventory models | |
Yousefikhoshbakht et al. | A mixed integer programming formulation for the heterogeneous fixed fleet open vehicle routing problem | |
CN115759929A (zh) | 货物拣选方法、装置、电子设备和可读存储介质 | |
Kia | A genetic algorithm to integrate a comprehensive dynamic cellular manufacturing system with aggregate planning decisions | |
Amirteimoori et al. | Production planning: a DEA-based approach | |
Nasiri et al. | Location-inventory and shipment decisions in an integrated distribution system: an efficient heuristic solution | |
Fakhrzad et al. | A realistic perish ability inventory management for location-inventory-routing problem based on Genetic Algorithm |
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 |