CN115115256A - 一种医药仓库货位分配方法 - Google Patents

一种医药仓库货位分配方法 Download PDF

Info

Publication number
CN115115256A
CN115115256A CN202210828985.1A CN202210828985A CN115115256A CN 115115256 A CN115115256 A CN 115115256A CN 202210828985 A CN202210828985 A CN 202210828985A CN 115115256 A CN115115256 A CN 115115256A
Authority
CN
China
Prior art keywords
goods
batch
cargo
optimization
space
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
CN202210828985.1A
Other languages
English (en)
Inventor
亓晋
张玲燕
孙雁飞
许斌
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210828985.1A priority Critical patent/CN115115256A/zh
Publication of CN115115256A publication Critical patent/CN115115256A/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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Warehouses Or Storage Devices (AREA)

Abstract

本发明公开了医药仓储技术领域的一种医药仓库货位分配方法，包括：获取待入库货物的属性信息和医药仓库的分区布置信息；将待入库货物分配至医药仓库对应的分区内；针对分配至医药仓库的每个分区内的货物，通过求解第一批次多目标货位优化模型获得第一批次货物仓储位置分配结果；以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果；其中，第一批次多目标货位优化模型以货物周转率、货物相关性以及货架稳定性为优化目标；第二批次多目标货位优化模型以货架稳定性、货架负载均衡度、巷道负载均衡度为优化目标。本发明解决了在医药订单量小但单多的情况下，容易造成拣货拥堵的问题。

Description

一种医药仓库货位分配方法
技术领域
本发明属于医药仓储技术领域，具体涉及一种医药仓库货位分配方法。
背景技术
随着现代机械科技和信息技术的发展，医药流通行业越来越依托现代化物流设备和物流信息管理系统，通过有效整合营销渠道上下游资源，优化仓储配送环节中验收，存储，拣选，配送等作业流程，旨在缩短库存及周转时间，减少物流成本，以达到实现自动化，信息化和效益化目的。其中针对医药货物仓储的货位进行优化排布受到越来越企业管理人员的重视。
货位优化管理追求不同设备和货架类型特征、货品分组、货位规划、人工成本内置等因素以实现最佳的货位布局，能有效掌握商品变化，将成本节约最大化。货位优化管理为正在营运的仓库挖掘效率和成本，并为一个建设中的配送中心或仓库提供营运前的关键管理做准备。但当前大约80％的配送中心或仓库不能够进行正确的货位优化，特别针对于医药商第三方物流企业。现有对于货位优化的研究主要针对普通货仓进行研究，其并没有考虑到医药仓库的特殊性，比如针对医药订单量小但单多的情况单独考虑货物周转率易造成拣货时的拥堵现象，同时区别于其他货物，对于医药仓库，同一种货物不同批号为避免混杂不清需要不同的货位来进行货物存储，增加了货位分配的难度。因此，传统模式的仓库货位优化方法，不能充分解决医药仓库场景下货位优化的问题，可能导致优化效果不理想，影响订单的拣货速度，进而影响用户的体验。
发明内容
为解决现有技术中的不足，本发明提供一种医药仓库货位分配方法，解决了在医药订单量小但单多的情况下，容易造成拣货拥堵的问题。
为达到上述目的，本发明所采用的技术方案是：一种医药仓库货位分配方法，包括：获取待入库货物的属性信息和医药仓库的分区布置信息；根据待入库货物的属性信息中的存储特性将待入库货物分配至医药仓库对应的分区内；针对分配至医药仓库的每个分区内的货物，通过求解第一批次多目标货位优化模型获得第一批次货物仓储位置分配结果；以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果；其中，所述第一批次多目标货位优化模型是以货物周转率、货物相关性以及货架稳定性为优化目标而构建获取的；所述第二批次多目标货位优化模型是以货架稳定性、货架负载均衡度、巷道负载均衡度为优化目标而构建获取的。
进一步地，所述待入库货物的属性信息除包括存储特性外，还包括：待入库货物的品种、规格、原产地、规格包装、批次；其中，所述存储特性包括常温存放、冷藏、恒温和恒湿。
进一步地，所述第一批次多目标货位优化模型的构建方法包括：分别以货物周转率、货物相关性以及货架稳定性为优化目标，构建对应的目标函数；
分别为货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数赋予权重β1，β2，β3，β1+β2+β3＝1；
根据货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数及各目标函数的权重构建第一批次多目标货位优化模型；其中，所述货物周转率目标优化函数为：
Figure BDA0003747423610000031
其中，F1为基于货物周转率构造的目标优化函数，z为货物所在仓库第z排货架位置坐标，x、y为货架长度、高度的位置坐标；a为货物所在仓库的货架总排数，c为货物所在仓库的每排货架总夹层数，b为货物所在仓库的每层货架总格眼数；tx，y，z为拣选机器从待出库货物货位(z，x，y)运行到货架出入口的时间，vx、vy分别为拣货机器在一个巷道中的水平运行速度和垂直运行速度，vz为拣货机器在巷道间运行速度；qz，x，y为货位(z，x，y)货物的周转率，当(z，x，y)货位上没有货物时，qz，x，y＝0；L、H、D为单位货位的长度、高度和两个相邻巷道之间的距离；
所述货物相关性目标优化函数为：
Figure BDA0003747423610000032
其中，F2为总的货物相关性目标优化函数，Φ表示预设的社区数值，F′i为第i个社区子图中货物的相关性目标优化函数；
所述货架稳定性目标优化函数为：
Figure BDA0003747423610000033
其中，F3为货架稳定性目标优化函数，Wz，x，y为放置到货位(z，x，y)的货物的单位重量，nz，x，y为放置到货位(z，x，y)的货物数量。
进一步地，货物相关性目标优化函数的构建方法包括：
利用社区发现算法实现医药货物的集群划分，实现同一社区内货物属性的强相关性，不同社区间货物的弱相关性；
根据移动机器人履行系统，系统内药品的历史订单数据将每个货物之间的相关性映射成无向图；将货物样本mi看作无向图的一个节点vi，由此可以得无向图的节点集V＝{v1，v2，…，vN}，其中下标N表示共有N类药品；建立医药货物的特征向量，包括药品功效、有效期和批号，每个节点由属性特征{ui1，…，uiT}表示，属性特征由药品货物初入库时通过光学字符识别技术对药品包装上的信息进行识别获得；同时标准化各个维度分量，使得各个维度分别满足标准正态分布；定义无向图的边集为E，权重矩阵为W，矩阵中元素wij表示节点vi与vj存在货物相关性的大小，其取值的计算方法为：
Figure BDA0003747423610000041
其中，oi表示货物mi是否存在于订单o，若存在于订单o，则oi＝1，否则为0；O表示历史订单集；
Figure BDA0003747423610000042
为货物mi和货物mj同时出现在一个订单中的订单数量占总订单的比重，
Figure BDA0003747423610000043
表示货物mi和货物mj属性的相似度差异；α、β为参数校正因子，使权重wij保持在大于阈值τ的范围内，如果计算得到边的权重小于阈值τ，将该边权重设置为0，即在无向图将关联两个节点的此边去掉；若无向图中存在独立节点，则将其从无向图中删除；
考虑到不同药物具有不同的药物性质，易与其他特殊类型的药物发生反应，影响药品的药性，在模型建立时将相互发生反应的两个医药货物对应的节点之间边的权重设置为0，即在无向图中将此边去掉；
利用Louvain算法对无向图进行社区划分，直到形成的社区数量达到预设的社区子图集合数值；
基于上述生成的社区子图集合S＝{s1，s2，…，sΦ}，其中每个子集由相关性较大的货物集的下标组成，下标Φ表示预设的社区数值，以社区子图中度最大的节点为中心货物，将其集合中其他货物就近放置在集合中心货物附近，则单个社区子图集合中货物相关性目标优化函数为：
Figure BDA0003747423610000051
其中，F′i为第i个社区子图si中货物的相关性目标优化函数，zj为第i个社区子图si中不为中心货物的其他货物所在的货架排位，xj为第i个社区子图si中不为中心货物的其他货物所在的夹层的格眼位，yj为第i个社区子图si中不为中心货物的其他货物所在的夹层位，坐标(ai，bi，ci)为社区子集si的中心货物坐标；
根据单个社区子图集合中货物相关性目标优化函数得到货物相关性目标优化函数。
进一步地，根据第一批次货物仓储位置分配结果，获得各排货架的负载均衡度：
Figure BDA0003747423610000052
其中，Gz为第一批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，Sz，x，y为货位(z，x，y)的状态标识，Sz，x，y＝1表示货位(z，x，y)已放置货物，Sz，x，y＝0则表示货位(z，x，y)处于空闲状态，Rz为第一批次已分配到第z排货架的货物种类，若Sz，x，y＝0，则qz，x，y＝0，若Sz，x，y＝1，则qz，x，y为存放在货位(z，x，y)上的货物的周转率；
第二批次货物仓储位置分配所获各排货架负载均衡度表示为：
Figure BDA0003747423610000053
其中，Gz′为第二批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，!为取反操作，若Sz，x，y＝1，则！Sz，x，y＝0，若Sz，x，y＝0，则！Sz，x，y＝1；R′z为第二批次待分配到第z排货架的货物种类。
进一步地，一个巷道包含左右两侧的两排货架，巷道的负载均衡度表示为：
Figure BDA0003747423610000061
其中，GXp为第一批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G2·p-1，以及右侧货架的负载均衡值G2·p；GX′p为第二批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G′2·p-1，以及右侧货架的负载均衡值G′2·p；
巷道负载均衡度的优化目标函数为：
Figure BDA0003747423610000062
其中，F4为巷道负载均衡度的优化目标函数，
Figure BDA0003747423610000063
为各个巷道的负载均衡度的最大值。
进一步地，第一批次多目标货位优化模型构建为：
Figure BDA0003747423610000064
其中，F为基于货物相关属性构造的第一批次货物的货位优化目标函数；
以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果，包括：为货架稳定性目标函数和巷道负载均衡目标函数分别赋予权重γ1，γ2，将多目标优化问题转化为单目标优化问题，则第二批次多目标货位优化模型构建为：
Figure BDA0003747423610000065
其中，F′为基于货物相关属性构造的第二批次货物的货位优化目标函数,γ1+γ2＝1。
进一步地，分别以F和F′作为目标函数，采用两次模拟退火遗传算法进行模型求解，求得货位最优解。
与现有技术相比，本发明所达到的有益效果：本发明通过将待入库货物进行分批次入库，通过待入库货物的货物周转率、待入库货物的存储特性以及待入库货物的重量为待入库货物分配合适的货位，在第一批次货物仓储位置分配基础上为实现仓库中货架的负载均衡目标为第二批次货物仓储位置分配货位，减少了货物搬运的成本，提高了拣货效率，保证货位分布处于较为合理的状态，解决了在医药订单量小但单多的情况下，容易造成拣货拥堵的问题。
附图说明
图1是本发明实施例提供的一种医药仓库货位分配方法的流程示意图；
图2是本发明实施例中根据RMFS系统内药品的历史订单数据将每个货物之间的相关性映射成的无向图；
图3是本发明实施例中使用的模拟退火遗传算法流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种医药仓库货位分配方法，包括：获取待入库货物的属性信息和医药仓库的分区布置信息；根据待入库货物的属性信息中的存储特性将待入库货物分配至医药仓库对应的分区内；针对分配至医药仓库的每个分区内的货物，通过求解第一批次多目标货位优化模型获得第一批次货物仓储位置分配结果；以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果；其中，所述第一批次多目标货位优化模型是以货物周转率、货物相关性以及货架稳定性为优化目标而构建获取的；所述第二批次多目标货位优化模型是以货架稳定性、货架负载均衡度、巷道负载均衡度为优化目标而构建获取的。。
(1)：获取待入库货物的属性信息和医药仓库的分区布置信息。
(1-1)：扫描待入库货物的信息码，获取关联信息(属性信息)，包括待入库货物的名称、规格、产地、数量、货物宽度、单位货物重量、生产日期、周转率等编码信息，待入库货物数量信息，以及待入库货物的批次信息。例如，扫描到如下待入库货物：
[1,布洛芬,盒装,广东,4箱,宽度55cm,10kg,2022年1月,0.8]
[2,布洛芬,盒装,广东,3箱,宽度55cm,10kg,2021年12月,0.8]
[3,蒙脱石散,盒装,山东,2箱,宽度40cm,8kg,2022年2月,0.6]
[4,江中健胃消食片,盒装,江西,5箱,宽度45cm,6kg,2022年1月,0.4]
[5,小儿止咳糖浆,盒装,广东,2箱,宽度50cm,15kg,2022年3月,0.5]
[6,六味明目丸,盒装,青海,3箱,宽度55cm,8kg,2021年12月,0.6]
[7,牛磺酸颗粒,盒装,山东,6箱,宽度40cm,6kg,2021年11月,0.6]
[8,四味脾胃舒颗粒,盒装,广西,2箱,宽度55cm,14kg,2022年1月,0.7]
(1-2)：按照GPS(Global Positioning System，全球定位系统)要求仓库区域信息可以是包含待验库、合格品库、发货库、不合格品库、退货库、中药饮片零货称取专库对应的货区货架位置信息、货架种类、货架可承载阈值范围以及货位等信息，考虑到医药品的存储特性，合格品库中分为通用仓库、保温、冷藏、恒温、恒湿仓库、危险品库、气调仓库，将不同存储功能的存储区域进行区域编码，实现待入库货物的专业化保管。
(1-3)：对待入库货物进行入库信息核对，即核对待入库货物的包装、数量、批次等信息，符合要求的待入库货物可进入仓库进行仓储，不符合要求的待入库货物即进入退还仓储区进行退货流程。
(2)：根据待入库货物的属性信息中的存储特性将待入库货物分配至医药仓库对应的分区内。
(2-1)：结合待入库货物的第一存储特性，即储存条件，如待入库药品是否需要低温下保存，是否需要在阴凉环境下保存，是否为易燃、易爆、有毒、辐射货物，是否需要在特定气体浓度下保存等，在合格品库中选择待入库货物最佳仓储分区。
本批次货物的存储条件显示，本次待入库药品不需要在低温下保存，只需要在阴凉环境下保存即可，不属于易燃、易爆、有毒、辐射货物，不需要在特定气体浓度下保存等，在合格品库中选择通风干燥的普通仓储分区。普通仓储分区中设置有4个钢制货架，形成两条巷道，每个货架规格为两层两列，即一个货架可利用货位数量为4，货架可承载阈值为150kg。
(2-2)：根据(2-1)已选择分区的货位属性计算待入库货物所需要的最少货位数量。需说明的是，对于医药仓库，同一种货物不同批次需要不同的货位来进行货物存储。
考虑到仓库管理中面向通道原则，即把商品的标识面向通道，不考虑将货物进行深度方向的叠加，同时考虑货物堆叠挤压导致的货物损失情况，考虑将货物在货位长度方向上进行排放。
设待入库货物集为M，索引值为i，则待入库货物mi所需最少货位数量表示为：
Figure BDA0003747423610000091
其中，Li表示待入库货物mi所需的最少货位的数量，按照Li对待入库货物进行分批次的货位分配，ki表示待入库货物mi的宽度，Qi表示待入库货物mi的数量，L表示单位货位的长度。
根据货位属性计算本批次待入库货物所需要的最少货位数量。单位货位长度为2m；本批次货物需要的货位数量为：L1＝2，L2＝1，L3＝1，L4＝2，L5＝1，L6＝1，L7＝2，L8＝1。
需说明的是，待入库货物所需货位数量超过一个的情况为受欢迎程度较高的货物，其为保证安全库存需一次性存储多余一个货位的货物数量，其他受欢迎程度一般或较低水平的货物则安排一个货位进行货物存储即可满足存储需求，所以第二批次货物仓储位置分配的过程不会花费较多的算力和时间，即不会过多延迟待入库货物的货位分配流程。
(3)：针对分配至医药仓库的每个分区内的货物，综合分析多种货位优化规则进行第一批次货物仓储位置分配。
针对待入库货物所需的货位数量，第一批次分配货位的货位集合为i∈{1，2，3，4，5，6，7，8}。
(3-1)：构建货物周转率目标优化函数。
以周转率为基础法则，待入库货物的周转率越高应离出入口越近，则所述以货位为研究对象的货物周转率目标优化函数表示为：
Figure BDA0003747423610000101
F1为基于货物周转率构造的目标优化函数，x、y为货架长度、高度的位置坐标，z为货物所在仓库第z排货架位置坐标；a为货物所在仓库的货架总排数，c为货物所在仓库的每排货架总夹层数，b为货物所在仓库的每层货架总格眼数；tx，y，z为拣选机器从待出库货物货位(z，x，y)运行到货架出入口的时间，vx、vy、vz分别为拣货机器的在一个巷道中的水平运行速度、垂直运行速度以及在巷道间运行速度；qz，x，y为货位(z，x，y)货物的周转率；L、H、D为单位货位的长度、高度和两个相邻巷道之间的距离；当(z，x，y)货位上没有货物时，qz，x，y＝0。
对于本批次待入库货物，有x∈{1，2}、y∈{1，2}、z∈{1，2，3，4}为货架长度、高度、排数位置坐标；L＝2m、H＝1m、D＝3m为单位货位的长度、高度和两个相邻巷道之间的距离，vx＝0.5m/s、vy＝0.4m/s、vz＝0.5m/s分别为拣货机器的在一个巷道中水平、垂直运行速度。
需说明的是，根据RMFS(Robotic Fulfillment Systems，移动机器人履行系统)系统内药品的历史订单数据计算货物周转率，即商品出库总和/平均库存数。
(3-2)：构建货物相关性目标优化函数
社区发现问题是利用网络中的单节点的局部性特征以及其相互之间的关联关系，将网络中的一部分变成高度关联的内部子集，不同社区之间的节点仅仅是稀疏链接。
此处利用社区发现算法实现医药货物的集群划分，实现同一社区内货物属性的强相关性，不同社区间货物的弱相关性。
根据RMFS(Robotic Fulfillment Systems，移动机器人履行系统)，系统内药品的历史订单数据将每个货物之间的相关性映射成无向图。将货物样本mi看作无向图的一个节点vi，由此可以得无向图的节点集V＝{v1，v2，…，vN}，其中下标N表示共有N类药品。建立医药货物的特征向量，包括药品功效、有效期、批号等，每个节点由属性特征{ui1，…，uiT}表示，属性特征由药品货物初入库时通过OCR(Optical Character Recognition，光学字符识别)技术对药品包装上的信息进行识别获得。同时标准化各个维度分量，使得各个维度分别满足标准正态分布。定义无向图的边集为E，权重矩阵为W，矩阵中元素wij表示节点vi与vj存在货物相关性的大小，其取值的计算方法为：
Figure BDA0003747423610000121
oi表示货物mi是否存在于订单o，若存在于订单o，则oi＝1，否则为0。O表示历史订单集。公式前一项为货物mi和货物mj同时出现在一个订单中的订单数量占总订单的比重，后一公式表示货物mi和货物mj属性的相似度差异。α、β为参数校正因子，使权重wij保持在大于阈值τ的范围内，如果计算得到边的权重小于阈值τ，为保证后期社区划分的精确性，将该边权重设置为0，即在无向图将关联两个节点的此边去掉。若无向图中存在独立节点，则将其从图中删除。
对于本批次待入库货物，货物之间的相关性无向图如图2所示。
利用Louvain算法对无向图进行社区划分，直到形成的社区数量达到预设集合数值Φ。本实施例中，设定形成的社区数量不超过3个，即Φ＝3。每个集合第一个元素为社区中的中心元素。则三个集合为：s1＝{6，1，5}、s2＝{2，7}、s3＝{3，4，8}。
基于上述生成的社区子图集合，以社区子图中度最大的节点为中心货物，将其集合中其他货物就近放置在集合中心货物附近，则单个货物集合相关性目标优化函数为：
Figure BDA0003747423610000122
或者写为：
Figure BDA0003747423610000131
其中，F′i为第i个社区子图si中货物的相关性目标优化函数，zj为第i个社区子图si中不为中心货物的其他货物所在的货架排位，xj为第i个社区子图si中不为中心货物的其他货物所在的夹层的格眼位，yj为第i个社区子图si中不为中心货物的其他货物所在的夹层位，坐标(ai，bi，ci)为社区子集si的中心货物坐标。
具体地，对于本批次待入库货物，单个货物集合相关性目标优化函数为：
Figure BDA0003747423610000132
其中，坐标(a6，b6，c6)为社区集s1的中心货物坐标。
Figure BDA0003747423610000133
其中，坐标(a2，b2，c2)为社区集s2的中心货物坐标。
Figure BDA0003747423610000134
其中，坐标(a3，b3，c3)为社区集s3的中心货物坐标。
构建货物相关性目标优化函数为：
Figure BDA0003747423610000135
其中，F2为总的货物相关性目标优化函数。
具体地，对于本批次待入库货物，构建的货物相关性目标优化函数为：
Figure BDA0003747423610000136
(3-3)：构建货架稳定性目标优化函数。
依据存储重量特性法则，指按照物品重量不同来决定储放物品于货位的高低位置。重物应保管于货架的下层位置，而重量轻的货物则保管于货架的上层位置，所以将货架稳定性目标等价为货物的重心最低目标：
构建货架稳定性目标优化函数：
Figure BDA0003747423610000141
其中，F3为货架稳定性目标优化函数，Wz，x，y为放置到货位(z，x，y)的货物的单位重量，nz，x，y为放置到货位(z，x，y)的货物的货物数量。
具体地，对于本批次待入库货物，构建的货架稳定性目标优化函数为：
Figure BDA0003747423610000142
需说明的是，nz，x，y和Qi存在区别，Qi为货物mi的总数量，而nz，x，y为当前货位(z，x，y)位置上存放的货物数量，即Qi≥nz，x，y。
(4)：在第一批次货物仓储位置分配结束后，根据负载均衡进行第二批次货物仓储位置分配。
(4-1)：第(3)步实现第一批次货物的位置分配，即每种货物考虑一个货位进行位置分配。
考虑到利用AGV小车进行分拣时周转率高的区域易造成拥堵情况，因此对少数量的第二批次货物进行货物仓储位置分配时考虑均衡货物负载。
具体地，对于本批次待入库货物，筛选第二批次待入库货物mi′集合{1，4，7}，所需货位都为1个。
(4-2)：根据第一批次货物位置分配情况，获得各排货架负载均衡度，表示为：
Figure BDA0003747423610000143
其中，Gz为第一批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，Sz，x，y为货位的状态标识，Sz，x，y＝1表示货位(z，x，y)已放置货物，Sz，x，y＝0则表示货位(z，x，y)处于空闲状态，即货位(z，x，y)上没有货物，Rz为第一批次已分配到第z排货架的货物种类，若Sz，x，y＝0，则q(z，x，y)＝0，若Sz，x，y＝1，则qz，x，y为存放在货位(z，x，y)上的货物的周转率。
具体地，对于本批次待入库货物，货架负载均衡度，表示为：
Figure BDA0003747423610000151
以第一批次货物仓储位置分配情况为约束，在第一批次货物未占用的货位上进行第二批次货物的货位分配；
第二批次货物仓储位置分配所获各排货架负载均衡度表示为：
Figure BDA0003747423610000152
其中，G′z为第二批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，！为取反操作，若Sz，x，y＝1，则！Sz，x，y＝0，若Sz，x，y＝0，则！Sz，x，y＝1；R′z为第二批次待分配到第z排货架的货物种类。
具体地，对于本批次待入库货物，第二批次货物分配所获各排货架负载均衡度可以表示为：
Figure BDA0003747423610000153
需说明的是，一个巷道包含左右两侧的两排货架，如巷道1可以访问货架1和货架2。巷道的负载均衡度表示为：
Figure BDA0003747423610000154
其中，GXp为第一批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G2·p-1，以及右侧货架的负载均衡值G2·p；GX′p为第二批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G′2·p-1，以及右侧货架的负载均衡值G′2·p；
则巷道负载均衡度的优化目标函数为：
Figure BDA0003747423610000161
其中，F4为巷道负载均衡度的优化目标函数，
Figure BDA0003747423610000162
为各个巷道的负载均衡度的最大值。
(5)：在第二批次货物仓储位置分配结束后，构建多目标货位优化模型并采用模拟退火的遗传算法对模型进行求解，完成医药仓库货位优化。
(5-1)：根据步骤(3)为第一批次货物进行货位分配，给货物周转率目标优化函数、货物相关性目标优化函数、货架稳定性目标优化函数分别赋予权重β1，β2，β2，用来表征各个优化目标的重要程度，由此将多目标优化问题转换为单目标优化问题，最终优化的目标函数为：
Figure BDA0003747423610000163
其中，F为基于货物相关属性构造的第一批次货物的货位优化目标函数，β1+β2+β3＝1。
具体地，对于本批次待入库货物，参数设定为β1＝0.4，β2＝0.3，β3＝0.3。
在第一批次货物仓储位置分配完成基础上进行第二批次货物仓储位置分配，使其满足各货架负载均衡，为货架稳定性目标函数和巷道负载均衡目标函数分别赋予权重γ1，γ2，将多目标优化问题转化为单目标优化问题，则第二批次货物的货位优化目标函数为：
Figure BDA0003747423610000171
其中，F′为基于货物相关属性构造的第二批次货物的货位优化目标函数,γ1+γ2＝1。
具体地，对于本批次待入库货物，参数设定为γ1＝0.5，γ2＝0.5。
(5-2)：根据构建的货位优化模型，采用两次模拟退火遗传算法进行模型求解，分别以F和F′作为目标函数，求得货位最优解。
模拟退火遗传算法的流程图如图3所示。
采用的编码方式为整数排列法，具体做法如下：每一条染色体都代表一个货位，货位中所包含的信息有货位所在巷道数，列数、层数等信息，其初始种群的数量已经确定，基因的值用整数代表的货位存储的坐标，如1(2，3，4)表示为1类货物存放在第2巷道、第三列、第三层。
种群代表待入库货物的数量。采用轮盘选择法进行操作，每两个个体为一组，一个作为父代，一个作为母代进行复制。
交叉操作中所选择的交叉概率为0.5，采用顺序交叉的方法进行交叉运算。让根据交叉概率选择的父代、母代染色体的某一基因位进行互换，如货位(1，2，3)与货位(2，3，4)随机互换同一部位的两个基因位，则形成两个新的个体(1，2，4)与(2，3，3)。
变异操作中所选择的变异概率为0.05，采用交换变异的方法进行变异运算。通过选择、交叉、变异产生的子个体与父代的适应度值相比，有
Figure BDA0003747423610000172
其中，E(xnew)为子代的适应度值，E(xold)为父代的适应度值，T为最大进化代数。
若子个体的适应度值小于父类，则无条件接收子个体；若大于父代个体，则通过
Figure BDA0003747423610000181
接收子个体，当概率Pt大于[0，1)，则接收个体；若不成立则保留父代个体。令T初始温度为1000，温度下降率δ为0.8，对个体与父代个体进行循环退火操作，直到找到可接收新个体。选择最大迭代次数为400，若没有达到最大迭代数，则令温度T＝T×δ，当达到终止次数400后就会结束循环停止运算，将最适应值即最优解或满意解进行输出。
具体地，对于本批次待入库货物，第一批次货物的货位分配结果如表1所示，第二批次货物的货位分配结果如表2所示。
表1 第一批次货物的货位分配结果
货物 排 层 列
1 1 1 1
2 2 1 1
3 3 1 1
4 3 2 2
5 1 1 2
6 1 2 1
7 2 1 2
8 3 1 2
G1＝2.48，G2＝2.15，G3＝5.98，G4＝0
表2 第二批次货物的货位分配结果
Figure BDA0003747423610000182
Figure BDA0003747423610000191
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种医药仓库货位分配方法，其特征是，包括：
获取待入库货物的属性信息和医药仓库的分区布置信息；
根据待入库货物的属性信息中的存储特性将待入库货物分配至医药仓库对应的分区内；
针对分配至医药仓库的每个分区内的货物，通过求解第一批次多目标货位优化模型获得第一批次货物仓储位置分配结果；
以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果；
其中，所述第一批次多目标货位优化模型是以货物周转率、货物相关性以及货架稳定性为优化目标而构建获取的；所述第二批次多目标货位优化模型是以货架稳定性、货架负载均衡度、巷道负载均衡度为优化目标而构建获取的。
2.根据权利要求1所述的医药仓库货位分配方法，其特征是，所述待入库货物的属性信息除包括存储特性外，还包括：待入库货物的品种、规格、原产地、规格包装、批次；其中，所述存储特性包括常温存放、冷藏、恒温和恒湿。
3.根据权利要求1所述的医药仓库货位分配方法，其特征是，所述第一批次多目标货位优化模型的构建方法包括：
分别以货物周转率、货物相关性以及货架稳定性为优化目标，构建对应的目标函数；
分别为货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数赋予权重β1，β2，β3，β1+β2+β3＝1；
根据货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数及各目标函数的权重构建第一批次多目标货位优化模型；
其中，所述货物周转率目标优化函数为：
Figure FDA0003747423600000021
其中，F1为基于货物周转率构造的目标优化函数，z为货物所在仓库第z排货架位置坐标，x、y为货架长度、高度的位置坐标；a为货物所在仓库的货架总排数，c为货物所在仓库的每排货架总夹层数，b为货物所在仓库的每层货架总格眼数；tx，y，z为拣选机器从待出库货物货位(z，x，y)运行到货架出入口的时间，vx、vy分别为拣货机器在一个巷道中的水平运行速度和垂直运行速度，vz为拣货机器在巷道间运行速度；qz，x，y为货位(z，x，y)上货物的周转率，当(z，x，y)货位上没有货物时，qz，x，y＝0；L、H、D为单位货位的长度、高度和两个相邻巷道之间的距离；
所述货物相关性目标优化函数为：
Figure FDA0003747423600000023
其中，F2为总的货物相关性目标优化函数，Φ表示预设的社区数值，F′i为第i个社区子图中货物的相关性目标优化函数；
所述货架稳定性目标优化函数为：
Figure FDA0003747423600000022
其中，F3为货架稳定性目标优化函数，Wz，x，y为放置到货位(z，x，y)的货物的单位重量，nz，x，y为放置到货位(z，x，y)的货物数量。
4.根据权利要求3所述的医药仓库货位分配方法，其特征是，货物相关性目标优化函数的构建方法包括：
利用社区发现算法实现医药货物的集群划分，实现同一社区内货物属性的强相关性，不同社区间货物的弱相关性；
根据移动机器人履行系统，系统内药品的历史订单数据将每个货物之间的相关性映射成无向图；将货物样本mi看作无向图的一个节点vi，由此可以得无向图的节点集V＝{v1，v2，…，vN}，其中下标N表示共有N类药品；建立医药货物的特征向量，包括药品功效、有效期和批号，每个节点由属性特征{ui1，…，uiT}表示，属性特征由药品货物初入库时通过光学字符识别技术对药品包装上的信息进行识别获得；同时标准化各个维度分量，使得各个维度分别满足标准正态分布；定义无向图的边集为E，权重矩阵为W，矩阵中元素wij表示节点vi与vj存在货物相关性的大小，其取值的计算方法为：
Figure FDA0003747423600000031
其中，oi表示货物mi是否存在于订单o，若存在于订单o，则oi＝1，否则为O；O表示历史订单集；
Figure FDA0003747423600000032
为货物mi和货物mj同时出现在一个订单中的订单数量占总订单的比重，
Figure FDA0003747423600000033
表示货物mi和货物mj属性的相似度差异；α、β为参数校正因子，使权重wij保持在大于阈值τ的范围内，如果计算得到边的权重小于阈值τ，将该边权重设置为0，即在无向图将关联两个节点的此边去掉；若无向图中存在独立节点，则将其从无向图中删除；
考虑到不同药物具有不同的药物性质，易与其他特殊类型的药物发生反应，影响药品的药性，在模型建立时将相互发生反应的两个医药货物对应的节点之间边的权重设置为0，即在无向图中将此边去掉；
利用Louvain算法对无向图进行社区划分，直到形成的社区数量达到预设的社区子图集合数值；
基于上述生成的社区子图集合S＝{s1，s2，…，sΦ}，其中每个子集由相关性较大的货物集的下标组成，下标Φ表示预设的社区数值，以社区子图中度最大的节点为中心货物，将其集合中其他货物就近放置在集合中心货物附近，则单个社区子图集合中货物相关性目标优化函数为：
Figure FDA0003747423600000041
其中，F′i为第i个社区子图si中货物的相关性目标优化函数，zj为第i个社区子图si中不为中心货物的其他货物所在的货架排位，xj为第i个社区子图si中不为中心货物的其他货物所在的夹层的格眼位，yj为第i个社区子图si中不为中心货物的其他货物所在的夹层位，坐标(ai，bi，ci)为社区子集si的中心货物坐标；
根据单个社区子图集合中货物相关性目标优化函数得到货物相关性目标优化函数。
5.根据权利要求3所述的医药仓库货位分配方法，其特征是，根据第一批次货物仓储位置分配结果，获得各排货架的负载均衡度：
Figure FDA0003747423600000042
其中，Gz为第一批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，Sz，x，y为货位(z，x，y)的状态标识，Sz，x，y＝1表示货位(z，x，y)已放置货物，Sz，x，y＝0则表示货位(z，x，y)处于空闲状态，Rz为第一批次已分配到第z排货架的货物种类，若Sz，x，y＝0，则qz，x，y＝0，若Sz，x，y＝1，则qz，x，y为存放在货位(z，x，y)上的货物的周转率；
第二批次货物仓储位置分配所获各排货架负载均衡度表示为：
Figure FDA0003747423600000051
其中，G′z为第二批次货物的货位分配完成后的各排货架的负载均衡值，其仅受第一批次货物的分配所影响，！为取反操作，若Sz，x，y＝1，则！Sz，x，y＝0，若Sz，x，y＝0，则！Sz，x，y＝1；R′z为第二批次待分配到第z排货架的货物种类。
6.根据权利要求5所述的医药仓库货位分配方法，其特征是，一个巷道包含左右两侧的两排货架，巷道的负载均衡度表示为：
Figure FDA0003747423600000052
其中，GXp为第一批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G2·p-1，以及右侧货架的负载均衡值G2·p；GX′p为第二批次货物的货位分配完成后的第p个巷道的负载均衡值，其包含左侧货架的负载均值之G′2·p-1，以及右侧货架的负载均衡值G′2·p；
巷道负载均衡度的优化目标函数为：
Figure FDA0003747423600000053
其中，F4为巷道负载均衡度的优化目标函数，
Figure FDA0003747423600000054
为各个巷道的负载均衡度的最大值。
7.根据权利要求6所述的医药仓库货位分配方法，其特征是，
第一批次多目标货位优化模型构建为：
Figure FDA0003747423600000055
其中，F为基于货物相关属性构造的第一批次货物的货位优化目标函数；；
以第一批次货物仓储位置分配结果为约束，通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果，包括：为货架稳定性目标函数和巷道负载均衡目标函数分别赋予权重γ1，γ2，将多目标优化问题转化为单目标优化问题，则第二批次多目标货位优化模型构建为：
Figure FDA0003747423600000061
其中，F′为基于货物相关属性构造的第二批次货物的货位优化目标函数，γ1+γ2＝1。
8.根据权利要求7所述的医药仓库货位分配方法，其特征是，分别以F和F′作为目标函数，采用两次模拟退火遗传算法进行模型求解，求得货位最优解。
CN202210828985.1A 2022-07-15 2022-07-15 一种医药仓库货位分配方法 Pending CN115115256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210828985.1A CN115115256A (zh) 2022-07-15 2022-07-15 一种医药仓库货位分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210828985.1A CN115115256A (zh) 2022-07-15 2022-07-15 一种医药仓库货位分配方法

Publications (1)

Publication Number Publication Date
CN115115256A true CN115115256A (zh) 2022-09-27

Family

ID=83331735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210828985.1A Pending CN115115256A (zh) 2022-07-15 2022-07-15 一种医药仓库货位分配方法

Country Status (1)

Country Link
CN (1) CN115115256A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310917A (zh) * 2022-10-11 2022-11-08 中都物流有限公司 一种入库管理方法
CN116051004A (zh) * 2023-03-27 2023-05-02 深圳市宏大供应链服务有限公司 一种基于大数据的智能管理方法、系统及介质
CN116823124A (zh) * 2023-08-30 2023-09-29 四川普鑫物流自动化设备工程有限公司 一种集中式多层货架四向车调度系统及方法
CN117371621A (zh) * 2023-12-06 2024-01-09 湖北浩蓝智造科技有限公司 基于改进果蝇优化算法的库位分配方法、系统及介质
CN117689314A (zh) * 2024-02-04 2024-03-12 深圳市企企通科技有限公司 订单智能处理方法、装置、计算机设备及存储介质
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

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310917A (zh) * 2022-10-11 2022-11-08 中都物流有限公司 一种入库管理方法
CN115310917B (zh) * 2022-10-11 2022-12-20 中都物流有限公司 一种入库管理方法
CN116051004A (zh) * 2023-03-27 2023-05-02 深圳市宏大供应链服务有限公司 一种基于大数据的智能管理方法、系统及介质
CN116051004B (zh) * 2023-03-27 2023-06-13 深圳市宏大供应链服务有限公司 一种基于大数据的智能管理方法、系统及介质
CN116823124A (zh) * 2023-08-30 2023-09-29 四川普鑫物流自动化设备工程有限公司 一种集中式多层货架四向车调度系统及方法
CN116823124B (zh) * 2023-08-30 2023-11-24 四川普鑫物流自动化设备工程有限公司 一种集中式多层货架四向车调度系统及方法
CN117371621A (zh) * 2023-12-06 2024-01-09 湖北浩蓝智造科技有限公司 基于改进果蝇优化算法的库位分配方法、系统及介质
CN117371621B (zh) * 2023-12-06 2024-02-27 湖北浩蓝智造科技有限公司 基于改进果蝇优化算法的库位分配方法、系统及介质
CN117689314A (zh) * 2024-02-04 2024-03-12 深圳市企企通科技有限公司 订单智能处理方法、装置、计算机设备及存储介质
CN117689314B (zh) * 2024-02-04 2024-05-14 深圳市企企通科技有限公司 订单智能处理方法、装置、计算机设备及存储介质
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
CN115115256A (zh) 一种医药仓库货位分配方法
CN108550007B (zh) 一种制药企业自动化立体仓库的货位优化方法及系统
CN106934580B (zh) 库存控制方法以及装置
CN111178606B (zh) 基于nsga-ii的自动化仓储货位分配优化方法
CN109886478B (zh) 一种成品酒自动化立体仓库的货位优化方法
CN110084545B (zh) 基于混合整数规划模型的多巷道自动化立体仓库的集成调度方法
Gue et al. Aisle configurations for unit-load warehouses
WO2022252268A1 (zh) 一种智能立体仓库优化调度方法
CN115578039B (zh) 一种仓库货位分配方法、电子设备及计算机存储介质
CN108446803A (zh) 一种面向b2c电商订单的密集仓储储位优化方法及装置
WO2022121534A1 (zh) 库存物品拣选系统、方法
CN110147974A (zh) 分布式仓库间库存共享方法及装置
Wu et al. Modelling and design for a shuttle-based storage and retrieval system
CN111798140A (zh) 一种用于仓储货物的智能排布方法
WO2016023094A1 (en) Transport route planning
CN110751441A (zh) 一种优化物流仓储系统中储位的方法及装置
Lorenc et al. Improve the orders picking in e-commerce by using WMS data and BigData analysis
CN114564546A (zh) 一种料箱入库方法、设备、介质及产品
Zhang et al. Optimizing the cargo location assignment of retail e-commerce based on an artificial fish swarm algorithm
CN117371918A (zh) 基于改进订单关联规则的货位分配两阶段优化方法和系统
Alqahtani Improving order-picking response time at retail warehouse: A case of sugar company
Fattahi et al. Bi-objectives approach for a multi-period two echelons perishable product inventory-routing problem with production and lateral transshipment
Sandal Staging approaches to reduce overall cost in a crossdock environment
Baray et al. Design methodology for a multiple-level warehouse layout based on particle swarm optimization algorithm
Miguel et al. Order batching and order picking with 3D positioning of the articles: solution through a hybrid evolutionary 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