CN115130858B - 一种基于多目标启发式的订单聚合方法及系统 - Google Patents

一种基于多目标启发式的订单聚合方法及系统 Download PDF

Info

Publication number
CN115130858B
CN115130858B CN202210742964.8A CN202210742964A CN115130858B CN 115130858 B CN115130858 B CN 115130858B CN 202210742964 A CN202210742964 A CN 202210742964A CN 115130858 B CN115130858 B CN 115130858B
Authority
CN
China
Prior art keywords
order
initial
pair
batch
target value
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.)
Active
Application number
CN202210742964.8A
Other languages
English (en)
Other versions
CN115130858A (zh
Inventor
周旭
骆海东
颜嘉梁
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 Jushuitan Network Technology Co ltd
Shanghai Jushuitan Network Technology Co ltd
Original Assignee
Hangzhou Jushuitan Network Technology Co ltd
Shanghai Jushuitan Network Technology Co ltd
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 Jushuitan Network Technology Co ltd, Shanghai Jushuitan Network Technology Co ltd filed Critical Hangzhou Jushuitan Network Technology Co ltd
Priority to CN202210742964.8A priority Critical patent/CN115130858B/zh
Publication of CN115130858A publication Critical patent/CN115130858A/zh
Application granted granted Critical
Publication of CN115130858B publication Critical patent/CN115130858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明涉及一种基于多目标启发式的订单聚合方法及系统，涉及电商拣货技术领域，方法包括：根据拣货行走距离，确定初始订单批次；确定初始订单批次中的初始订单对；对多个初始订单对进行筛选，以确定目标订单对；目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；第一目标值为订单对中两个订单所在订单批次进行交换之前的初始订单批次的目标值；第二目标值为订单对中两个订单所在订单批次进行交换之后的初始订单批次的目标值；根据目标订单对，对初始订单批次中的多个订单批次进行更新，以确定最终订单批次。本发明大大降低拣货复杂度，提高拣货效率。

Description

一种基于多目标启发式的订单聚合方法及系统
技术领域
本发明涉及电商拣货技术领域，特别是涉及一种基于多目标启发式算法的订单聚合方法及系统。
背景技术
现有技术中，为提高仓库仓储拣货效率，一般基于批次拣货行走距离、单批次SKU(Stock Keeping Unit)种类数中的一种或多种作为优化目标进行订单聚合，且订单聚合后，直接采用聚合后的批次进行拣货。然而上述操作可能导致对同一批次进行拣货时，对相距较远的不同位置的商品进行拣货，拣货复杂度较高，拣货效率较低。
发明内容
本发明的目的是提供一种基于多目标启发式的订单聚合方法及系统，在初始订单聚合后的批次的基础上通过交换订单对，从而优化目标函数值，大大降低拣货复杂度，提高拣货效率。
为实现上述目的，本发明提供了如下方案：
本发明提供的一种基于多目标启发式的订单聚合方法，包括：
根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次；
确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对；
对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值；
根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
可选地，所述根据拣货行走距离，确定初始订单批次，具体包括：
根据初始模型以及所述初始模型对应的约束条件确定初始订单批次；
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。
可选地，所述确定所述初始订单批次中的初始订单对，具体包括：
根据公式确定所述初始订单批次中的初始订单对；
其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单。
可选地，所述对多个所述初始订单对进行筛选，以确定目标订单对，具体包括：
计算所述初始订单对的第一目标值和第二目标值；
根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值；
根据多个所述初始订单对的差值，确定最大差值；
将所述最大差值对应的初始订单对，确定为目标订单对。
可选地，所述第一目标值的计算过程，具体包括：
根据目标函数以及所述目标函数对应的约束条件计算第一目标值；
所述目标函数为：
其中，J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数。
为达上述目的，本发明还提供了一种基于多目标启发式的订单聚合系统，包括：
初次批次确定模块，用于根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次；
初始订单对确定模块，用于确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对；
筛选模块，用于对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值；
订单批次更新模块，用于根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
可选地，所述初始批次确定模块，具体包括：
模型计算子模块，用于根据初始模型以及所述初始模型对应的约束条件确定初始订单批次；
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。
可选地，所述初始订单对确定模块，具体包括：
订单对计算子模块，用于根据公式
确定所述初始订单批次中的初始订单对；
其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单。
可选地，所述筛选模块，具体包括：
目标值计算子模块，用于计算所述初始订单对的第一目标值和第二目标值；
差值计算子模块，用于根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值；
最大值确定子模块，用于根据多个所述初始订单对的差值，确定最大差值；
目标订单对确定子模块，用于将所述最大差值对应的初始订单对，确定为目标订单对。
可选地，在目标值的计算方面，所述筛选模块具体包括：
目标函数计算子模块，用于根据目标函数以及所述目标函数对应的约束条件计算第一目标值；
所述目标函数为：
其中，J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于多目标启发式的订单聚合方法及系统，首先根据拣货行走距离确定初始订单批次，然后确定拣货行走距离相同的两个订单组成的订单对。对多个订单对进行筛选，选出其中的目标订单对；目标订单对为两个订单进行交换前后，初始订单批次的目标值的差值最大的订单对，根据此目标订单对对初始订单批次进行更新，从而确定最终订单批次。本发明在完成初始订单批次划分后，通过交换不同批次中的订单，使得订单批次的总目标函数值尽可能降低，从而达到减少分拣项数和货架内与货架之间的行走距离的效果，降低拣货复杂度，提高拣货效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于多目标启发式的订单聚合方法的流程示意图；
图2为本发明基于多目标启发式的订单聚合系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本实施例提供一种基于多目标启发式的订单聚合方法，包括：
步骤100，根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次。
步骤200，确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对。在一个具体应用中，为了能够极大减少拣货过程中货架间的行走距离，以及减小后续计算中的数据计算强度和复杂度，一般将拣货行走距离确定为拣货行走货架数；初始订单对即为经过货架数完全相同的订单对。
步骤300，对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值。
步骤400，根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
具体地，所述步骤100具体包括：根据初始模型以及所述初始模型对应的约束条件确定初始订单批次，使得每个批次的订单在拣货过程中所需经过的货架数尽可能少，从而可能极大地减少了拣货过程中货架间的行走距离。
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。在一个具体应用中，可根据实际需要对c进行赋值，比如c＝16。
步骤200具体包括：根据公式确定所述初始订单批次中的初始订单对。
其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单。
步骤300，具体包括：
1)计算所述初始订单对的第一目标值和第二目标值。
2)根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值。
3)根据多个所述初始订单对的差值，确定最大差值，即确定出交换订单能使目标函数计算出的目标值下降最大的订单对。
4)将所述最大差值对应的初始订单对，确定为目标订单对。
其中，第一目标值的计算过程与第二目标值的计算过程相同，所述第一目标值的计算过程，具体包括：根据目标函数以及所述目标函数对应的约束条件计算第一目标值。
所述目标函数为：
根据多次试验可确定实验经验值，即常数e＝0.4，f＝0.6时，目标函数可具体为：
其中，J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数。
在一个具体实施例中，基于多目标启发式的订单聚合方法具体包括：
(1)对目标仓库中得到的数据进行符号定义，以便于往后步骤的公式计算：
I表示订单批次中的订单集，J表示订单批次，B表示货架集，K表示商品集，Ib表示订单i中包含属于货架b中的商品zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离。
(2)采用启发式算法进行优化计算，以确定出最优订单聚合批次。
第一步，确定目标函数
第二步，根据上述目标函数确定一个初始订单聚合批次，该划分得到的订单批次能够使得每个订单批次在拣货过程中所需要经过的货架数尽可能少，从而极大地减少拣货过程中货架的行走距离。
第三步，找出上述初始订单聚合批次中所有经过货架完全相同的订单对集合H0，具体采用如下函数：其中，Bi＝{b|订单i中存在货架b上的商品}。
令n＝0，确定初始订单批次P：
1)对订单对集合中的订单对进行遍历，找到每一组订单对所在的批次，计算交换后的目标值(如果在订单对中的订单处于同一个批次中，则不需要计算)，确定选择交换后目标值下降最大的订单对(i1，i2)，依据该交换后目标值下降最大的订单对对初始订单批次进行交换，即完成一次迭代更新。
并且，由于初始订单批次是按照订单经过货架数进行聚合，所以在初始订单批次中会存在较多订单对出现在一个批次中的情况，因此较多订单对在迭代中不需要计算，其计算量并不大。
2)从当前订单对集合中去除1)中确定的订单对(i1,i2)，形成新的订单对集合，然后继续重复步骤1)，直至订单对集合不再改变(即剩下的订单对都无法使目标函数值下降)。具体地，令重复1直至/>不再改变。
第四步，找出上述初始订单聚合批次中所有经过货架只有一处不同的订单对集合H1，具体采用如下函数：进行筛选。
令n＝0，使用第三步中最后确定的订单批次P作为初始批次，对/>进行与第三步中/>相同的迭代，得到最终批次划分。
根据实际应用需要，进行步骤第三步时，可在尽量保证不增加每个批次中的订单拣货所经货架数量的基础上，调节每个批次的分拣商品种类数和在每个需拣货架两端的距离，从而达到减少分拣项数和货架内与货架之间的行走距离的效果。
实施例二
如图2所示，本实施例提供一种基于多目标启发式的订单聚合系统，包括：
初次批次确定模块101，用于根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次。
初始订单对确定模块201，用于确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对。
筛选模块301，用于对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值。
订单批次更新模块401，用于根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
具体地，所述初始批次确定模块101，具体包括：模型计算子模块，用于根据初始模型以及所述初始模型对应的约束条件确定初始订单批次。
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。
所述初始订单对确定模块201，具体包括：订单对计算子模块，用于根据公式
确定所述初始订单批次中的初始订单对；其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单。
所述筛选模块301，具体包括目标值计算子模块、差值计算子模块、最大值确定子模块和目标订单对确定子模块。
目标值计算子模块用于计算所述初始订单对的第一目标值和第二目标值；差值计算子模块用于根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值；最大值确定子模块用于根据多个所述初始订单对的差值，确定最大差值；目标订单对确定子模块用于将所述最大差值对应的初始订单对，确定为目标订单对。
在目标值的计算方面，所述筛选模块301具体包括：目标函数计算子模块，用于根据目标函数以及所述目标函数对应的约束条件计算第一目标值。
所述目标函数为：
其中J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数。
相对于现有技术，本发明还具有以下优点：
本发明基于对业务场景的理解，通过业务规则、剪枝、邻域搜索等方式，以行走货架数作为初始批次划分目标，从而得到初始订单批次；然后在初始订单批次的基础上通过交换尽量不改变行走货架数和行走距离的订单对，使得总目标函数值不断不断降低，大大降低拣货复杂度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
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，对于本领域的一般技术人员，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 (6)

1.一种基于多目标启发式的订单聚合方法，其特征在于，所述订单聚合方法包括：
根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次；
确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对；所述确定所述初始订单批次中的初始订单对，具体包括：
根据公式确定所述初始订单批次中的初始订单对；其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单；
对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值；第一目标值的计算过程与第二目标值的计算过程相同，所述第一目标值的计算过程，具体包括：根据目标函数以及所述目标函数对应的约束条件计算第一目标值；
所述目标函数为：
其中，J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数；
根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
2.根据权利要求1所述的基于多目标启发式的订单聚合方法，其特征在于，所述根据拣货行走距离，确定初始订单批次，具体包括：
根据初始模型以及所述初始模型对应的约束条件确定初始订单批次；
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。
3.根据权利要求1所述的基于多目标启发式的订单聚合方法，其特征在于，所述对多个所述初始订单对进行筛选，以确定目标订单对，具体包括：
计算所述初始订单对的第一目标值和第二目标值；
根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值；
根据多个所述初始订单对的差值，确定最大差值；
将所述最大差值对应的初始订单对，确定为目标订单对。
4.一种基于多目标启发式的订单聚合系统，其特征在于，所述订单聚合系统包括：
初始批次确定模块，用于根据拣货行走距离，确定初始订单批次；所述初始订单批次包括多个订单批次；
初始订单对确定模块，用于确定所述初始订单批次中的初始订单对；所述初始订单对为拣货行走距离相同的两个订单组成的订单对；所述初始订单对确定模块，具体包括：订单对计算子模块，用于根据公式
确定所述初始订单批次中的初始订单对；其中，L0表示初始订单对，Bi表示订单i中存在于货架b上的商品集合，I表示订单批次中的订单集，i1表示订单对中的一个订单，i2表示订单对中的另一个订单；
筛选模块，用于对多个所述初始订单对进行筛选，以确定目标订单对；所述目标订单对为将订单对中两个订单所在的订单批次进行交换后，使得第一目标值与第二目标值的差值最大的初始订单对；所述第一目标值为订单对中两个订单所在订单批次进行交换之前的所述初始订单批次的目标值；所述第二目标值为订单对中两个订单所在订单批次进行交换之后的所述初始订单批次的目标值；第一目标值的计算过程与第二目标值的计算过程相同，在目标值的计算方面，所述筛选模块具体包括：目标函数计算子模块，用于根据目标函数以及所述目标函数对应的约束条件计算第一目标值；
所述目标函数为：
其中，J表示订单批次，B表示货架集，K表示商品集，j∈J，k∈K，b∈B，zjk表示商品k是否在订单批次j中，表示订单批次j取货过程中在货架b的通道内部行走的距离，b1表示第一个货架，b2表示第二个货架，/>表示订单批次j取货过程中从货架b1到货架b2行走的距离，e和f均表示常数；
订单批次更新模块，用于根据所述目标订单对，对所述初始订单批次中的多个订单批次进行更新，以确定最终订单批次。
5.根据权利要求4所述的基于多目标启发式的订单聚合系统，其特征在于，所述初始批次确定模块，具体包括：
模型计算子模块，用于根据初始模型以及所述初始模型对应的约束条件确定初始订单批次；
所述初始模型为：
所述初始模型的约束条件为：
Mb＝min{c,|Ib|}；
其中，J表示订单批次，j∈J，B表示货架集，b∈B，δjb表示订单批次j中是否包含货架b上的商品，yij表示订单i是否在订单批次j中，I表示订单批次中的订单集，Ib表示订单集I中包含属于货架b中的商品的订单集合，|Ib|表示订单集I中包含属于货架b中的商品的订单集合中的订单数量，c表示一个订单批次中的最大订单数量。
6.根据权利要求4所述的基于多目标启发式的订单聚合系统，其特征在于，所述筛选模块，具体包括：
目标值计算子模块，用于计算所述初始订单对的第一目标值和第二目标值；
差值计算子模块，用于根据所述初始订单对的第一目标值和第二目标值，确定初始订单对的差值；
最大值确定子模块，用于根据多个所述初始订单对的差值，确定最大差值；
目标订单对确定子模块，用于将所述最大差值对应的初始订单对，确定为目标订单对。
CN202210742964.8A 2022-06-27 2022-06-27 一种基于多目标启发式的订单聚合方法及系统 Active CN115130858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210742964.8A CN115130858B (zh) 2022-06-27 2022-06-27 一种基于多目标启发式的订单聚合方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210742964.8A CN115130858B (zh) 2022-06-27 2022-06-27 一种基于多目标启发式的订单聚合方法及系统

Publications (2)

Publication Number Publication Date
CN115130858A CN115130858A (zh) 2022-09-30
CN115130858B true CN115130858B (zh) 2024-01-26

Family

ID=83380388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210742964.8A Active CN115130858B (zh) 2022-06-27 2022-06-27 一种基于多目标启发式的订单聚合方法及系统

Country Status (1)

Country Link
CN (1) CN115130858B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN105844349A (zh) * 2016-03-21 2016-08-10 上海壹佰米网络科技有限公司 一种订单自动分配方法及系统
CN107292701A (zh) * 2017-05-25 2017-10-24 北京小度信息科技有限公司 订单分组方法和装置
CN108647810A (zh) * 2018-04-19 2018-10-12 安吉汽车物流股份有限公司 订单运输的分配方法及装置、计算机可读介质
CN109205163A (zh) * 2018-08-13 2019-01-15 山东大学 跨巷道多层穿梭车仓储系统设计方法、系统及存储介质
CN109583660A (zh) * 2018-12-07 2019-04-05 陕西科技大学 一种动态拣货策略的实现方法
CN109816147A (zh) * 2018-12-26 2019-05-28 深圳市北斗智能科技有限公司 一种航空货运路由规划方法、装置、设备和存储介质
CN109840730A (zh) * 2017-11-29 2019-06-04 北京京东尚科信息技术有限公司 用于数据预测的方法及装置
CN111191847A (zh) * 2019-12-31 2020-05-22 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN111754176A (zh) * 2020-06-28 2020-10-09 北京理工大学 一种面向多移动货架的两阶段智能订单分拣方法
CN111815040A (zh) * 2020-06-28 2020-10-23 北京理工大学 一种用于智能仓库的订单处理和货架指派方法
CN112001679A (zh) * 2020-08-26 2020-11-27 嘉兴聚水潭电子商务有限公司 一种用于提高仓储配货效率的方法和系统
CN112036635A (zh) * 2020-08-28 2020-12-04 嘉兴聚水潭电子商务有限公司 一种用于缩短仓库配货行走路径的订单聚合方法和系统
CN112053114A (zh) * 2020-09-04 2020-12-08 上海聚水潭网络科技有限公司 一种用于提高单批次订单装载量的订单组团方法和系统
CN113034084A (zh) * 2021-04-08 2021-06-25 深圳大学 一种单元化智慧仓库动态配置方法及终端
CN114549138A (zh) * 2022-03-02 2022-05-27 山东建筑大学 一种基于萤火虫算法的订单分批方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9268567B2 (en) * 2012-09-30 2016-02-23 Intel Corporation Instruction and logic for boyer-moore search of text strings

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469201A (zh) * 2015-07-20 2016-04-06 浙江工业大学 一种物流配送中心作业任务处理与调度的方法
CN105844349A (zh) * 2016-03-21 2016-08-10 上海壹佰米网络科技有限公司 一种订单自动分配方法及系统
CN107292701A (zh) * 2017-05-25 2017-10-24 北京小度信息科技有限公司 订单分组方法和装置
CN109840730A (zh) * 2017-11-29 2019-06-04 北京京东尚科信息技术有限公司 用于数据预测的方法及装置
CN108647810A (zh) * 2018-04-19 2018-10-12 安吉汽车物流股份有限公司 订单运输的分配方法及装置、计算机可读介质
CN109205163A (zh) * 2018-08-13 2019-01-15 山东大学 跨巷道多层穿梭车仓储系统设计方法、系统及存储介质
CN109583660A (zh) * 2018-12-07 2019-04-05 陕西科技大学 一种动态拣货策略的实现方法
CN109816147A (zh) * 2018-12-26 2019-05-28 深圳市北斗智能科技有限公司 一种航空货运路由规划方法、装置、设备和存储介质
CN111191847A (zh) * 2019-12-31 2020-05-22 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN111754176A (zh) * 2020-06-28 2020-10-09 北京理工大学 一种面向多移动货架的两阶段智能订单分拣方法
CN111815040A (zh) * 2020-06-28 2020-10-23 北京理工大学 一种用于智能仓库的订单处理和货架指派方法
CN112001679A (zh) * 2020-08-26 2020-11-27 嘉兴聚水潭电子商务有限公司 一种用于提高仓储配货效率的方法和系统
CN112036635A (zh) * 2020-08-28 2020-12-04 嘉兴聚水潭电子商务有限公司 一种用于缩短仓库配货行走路径的订单聚合方法和系统
CN112053114A (zh) * 2020-09-04 2020-12-08 上海聚水潭网络科技有限公司 一种用于提高单批次订单装载量的订单组团方法和系统
CN113034084A (zh) * 2021-04-08 2021-06-25 深圳大学 一种单元化智慧仓库动态配置方法及终端
CN114549138A (zh) * 2022-03-02 2022-05-27 山东建筑大学 一种基于萤火虫算法的订单分批方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"订单分配与批量计划集成优化方法研究";白程宇;《中国优秀硕士学位论文全文数据库基础科学辑》;A002-324 *

Also Published As

Publication number Publication date
CN115130858A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN110084512B (zh) 一种面向智能仓储系统的多机器人任务分配方法
CN108805316B (zh) 货物搬运方法和装置
Mishra et al. A fast algorithm for finding the non dominated set in multi objective optimization
CN112488386B (zh) 基于分布熵多目标粒子群的物流车辆配送规划方法及系统
CN109583660B (zh) 一种动态拣货策略的实现方法
CN111027902B (zh) 无人仓货品运输匹配方法及装置
CN111007813B (zh) 一种基于多种群混合智能算法的agv避障调度方法
CN110428118A (zh) 订单处理方法及装置、仓储系统和计算机存储介质
CN116203959A (zh) 基于hac算法的机器人路径规划方法及系统
CN114897217A (zh) 一种生鲜电商前置仓选址-路径规划方法
CN116542365A (zh) 移动机器人履行系统中订单分配和agv调度联合优化方法
CN112907188A (zh) 一种基于自适应邻域搜索算法的共享单车搬运优化方法
CN113673922A (zh) 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统
CN115130858B (zh) 一种基于多目标启发式的订单聚合方法及系统
CN111680951A (zh) 一种订单合并处理方法及装置
CN111860957A (zh) 一种考虑二次配送和平衡用时的多车型车辆路径规划方法
CN109656540B (zh) 一种基于Apriori算法的补货库位推荐方法
CN116820058B (zh) 考虑agv约束的液压缸工艺规划与调度集成优化方法
CN116796910A (zh) 基于货物分配策略的订单分批优化方法
CN115952943A (zh) 物流路径规划方法
CN115796411A (zh) 基于自定义循点聚簇的仓库拣货路径优化方法及系统
CN111598510B (zh) 一种适用于智能仓储系统的订单分批方法
CN113762415A (zh) 一种基于神经网络的汽车金融产品智能匹配方法和系统
CN115439064B (zh) 面向订单聚合的拣货路径动态优化方法及系统
CN115456249B (zh) 一种分拣行走路径优化方法及系统

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
GR01 Patent grant
GR01 Patent grant