CN115423404A - 一种电商仓库拣选区自动化分区方法及系统 - Google Patents
一种电商仓库拣选区自动化分区方法及系统 Download PDFInfo
- Publication number
- CN115423404A CN115423404A CN202211082043.XA CN202211082043A CN115423404A CN 115423404 A CN115423404 A CN 115423404A CN 202211082043 A CN202211082043 A CN 202211082043A CN 115423404 A CN115423404 A CN 115423404A
- Authority
- CN
- China
- Prior art keywords
- commodity
- picking
- target
- result
- warehouse
- 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.)
- Granted
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
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)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明涉及一种电商仓库拣选区自动化分区方法及系统,涉及电商仓库分区技术领域,方法包括:根据目标仓库的历史订单集确定商品集,根据商品集确定第一订单组;对目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;针对每种拣选分区结果,根据拣选区中的多个个体、第一订单组和每个商品占据的货架数据,基于GA算法,计算拣选区对应的最小拣货时间;根据多个最小拣货时间,确定目标拣货时间;判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;当所述第一结果表示否时,输出所述第一拣选分区结果。本发明使得仓库拣选区分区更加智能化,减少人力和物力的投入。
Description
技术领域
本发明涉及电商仓库分区技术领域,特别是涉及一种电商仓库拣选区自动化分区方法及系统。
背景技术
在电商领域,随着对当前发货时效的要求越来越高,对于单位时间内仓库的货物处理能力的要求也越来越高。电商仓库一般是基于当前情况下商品运营的侧重点,对仓库内的商品拣选区进行优化设置,使得头部流量商品对提高订单拣选速度做出巨大贡献。
传统的优化拣选区的方法主要是结合商品的销量和商品价值两类,而拣货区在当前PDA设备(Personal Digital Assistants,个人电子助理)普及的状况下,库存准确率得到极大提高,所以拣选区的布局更主要的是考虑商品的销量。在考虑销量的基础上,传统的方式基本都会由人工按照不同的销量区间定义出不同的拣选区域。同时,采用传统方法进行拣选区分区时,往往会忽略以下三个因素:1)商品本身的大小不同,以及因此导致的对于拣选区的占用面积不同,可能使得部分商品的货架位置不足或者部分商品的货架位置有剩余,即无法充分利用货架空间。例如商品A可能占据1个货架,而商品B可能只占据1/12个货架。2)不同仓库的销量基数差距本身很大,例如每天销售50000件和每天销售500件的仓库规划的阈值必然是不一样的。3)商品本身对于不同订单的贡献度是不同的,若是按照相同贡献度进行拣选区划分,会导致所得到的拣选区并非最优,且会耗费大量的人力物力。
发明内容
本发明的目的是提供一种电商仓库拣选区自动化分区方法及系统,使得仓库拣选区分区更加智能化,减少人力和物力的投入。
为实现上述目的,本发明提供了如下方案:
一种电商仓库拣选区自动化分区方法,包括:
根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单;
根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量;
对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1;
针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间;
根据多个最小拣货时间,确定目标拣货时间;
判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值;
当所述第一结果表示否时,输出所述第一拣选分区结果;
当所述第一结果表示是时,返回对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果的步骤,直至所述第一结果表示否。
可选地,所述根据所述商品集确定第一订单组,具体包括:
结合所述商品集和所述历史订单集,计算每个商品的商品贡献值;
根据所述商品贡献值对所述商品集中的多个商品进行降序;
从降序后的多个商品中选取多个商品,以构成第一商品组;
根据所述第一商品组,确定第一订单组。
可选地,所述根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据,具体包括:
根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比;
针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。
可选地,所述GA算法的适应度函数为:
其中,F(i)表示适应度值,e表示自然常数,Ti表示每个个体对应的拣货时间。
可选地,所述预设目标条件为:
其中,a表示预设常数值,Ti+1表示第二目标拣货时间,Ti表示第一目标拣货时间。
为达上述目的,本发明还提供了如下技术方案:
一种电商仓库拣选区自动化分区系统,包括:
订单组确定模块,用于根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单;
货架数确定模块,用于根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量;
分区模块,用于对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1;
分区拣货时间计算模块,用于针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间;
目标拣货时间确定模块,用于根据多个最小拣货时间,确定目标拣货时间;
判断模块,用于判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值;
结果输出模块,用于当所述第一结果表示否时,输出所述第一拣选分区结果;
步骤返回模块,用于当所述第一结果表示是时,返回所述分区模块。
可选地,在所述根据所述商品集确定第一订单组的方面,所述订单组确定模块,具体包括:
贡献值计算子模块,用于结合所述商品集和所述历史订单集,计算每个商品的商品贡献值;
排序子模块,用于根据所述商品贡献值对所述商品集中的多个商品进行降序;
商品组子模块,用于从降序后的多个商品中选取多个商品,以构成第一商品组;
订单组子模块,用于根据所述第一商品组,确定第一订单组。
可选地,所述货架数确定模块,具体包括:
面积占比计算子模块,用于根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比;
货架数计算模块,用于针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。
可选地,所述分区拣货时间计算模块,具体包括:
适应度计算单元,用于根据函数公式:
计算GA算法的适应度值;
其中,F(i)表示适应度值,e表示自然常数,Ti表示每个个体对应的拣货时间。
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:
本发明公开一种电商仓库拣选区自动化分区方法及系统,根据目标仓库中的历史订单集确定商品集,进而确定出第一订单组,第一订单组中各个订单的商品均是商品贡献值高于设定贡献值的商品。然后计算出目标仓库中每个商品占据的货架数据,并对目标仓库进行拣选区域划分,得到第一拣选分区结果和第二拣选分区结果。对于每个拣选分区结果,根据拣选区中的多个个体、第一订单组和每个商品占据的货架数据,基于GA算法,计算拣选区对应的最小拣货时间,从而在目标仓库拣选区、目标仓库的历史订单集以及商品集之间建立联系,使之成为一个可量化和优化的问题。进而计算出拣选区拣货所需要的目标拣货时间,然后根据两个目标拣货时间的比值判断结果,来确定目标仓库的最终拣选分区结果。综上,本发明全程无需人工参与,根据仓库中的商品集、历史订单集以及商品占据的货架数据实现了自动化分区,大大减少了人力和物力的投入。
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为本发明电商仓库拣选区自动化分区方法的流程示意图;
图2为本发明电商仓库拣选区自动化分区系统的结构示意图。
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。
为使本发明的上述目的、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。
在考虑销量的基础上,传统的电商仓库一般按照不同的销量区间定义不同的区域。例如如下的方式:
S(爆款区):日均销量大于100。
A(热销区):日均销量在(20,100)。
B(平销区):日均销量在(5,200)。
C(滞销区):日均销量在(0,5)。
而这种传统规划方式往往会忽略:商品本身大小、商品所在拣选区中占用的面积、不同商品间的销量差距大以及商品对于订单的贡献度等因素,基于此,本发明作出如下假设:
1)拣货区拣货效率可分成行走时间以及拣货操作时间两类。对于同一种订单结构的订单,其拣货时间差距不会很大,因为无论拣选区如何布局,总能够找到一种同样的订单分批策略让两种方案的拣货操作时间相同。所以本发明主要考虑拣货区的行走时间。
2)对于S,A,B,C四个区的拣货路径和拣货时间。设定:S区的拣货时间为拣货路径的1倍,A区的拣货时间为拣货路径的2倍,B区的拣货时间为拣货路径的3倍,C区的拣货时间为拣货路径的5倍。因为对于不同的区域拣货通道距离以及货架设计会不同,所以不同区域的拣货时间和拣货路径不完全是一个等比的关系。
3)每个商品所占据的货架数,可以通过历史数据智能化分析得来,智能规划时考虑商品所占据的货架数不变。
4)因为后续仓库需要实时调整来保持每层的SKU的数,所以仓库每多规划一个区域的总维护时间会增加5%,进而限制仓库不会无限划分区域。
如图1所示,本实施例提供了一种电商仓库拣选区自动化分区方法,包括:
步骤100,根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单。
步骤100具体包括:
1)结合所述商品集和所述历史订单集,计算每个商品的商品贡献值。商品贡献值的一种计算方法为:计算商品集中任一商品的数量与商品集中商品总数的比值;另外一种计算方法为:假设订单Order_A存在SKUA/SKUB/SKUC三个商品,则商品SKUA对于订单Order_A的商品贡献比例值为1/3。不考虑商品出现的数量,计算商品SKUA对于其他所有订单(Order_B/Order_C等)的商品贡献比例值之和记录为商品SKUA的商品贡献值。
2)根据所述商品贡献值对所述商品集中的多个商品进行降序。
3)从降序后的多个商品中选取多个商品,以构成第一商品组。
4)根据所述第一商品组,确定第一订单组。具体地,第一订单组中的订单是第一商品组中的商品能够满足的订单。比如,从降序后的多个商品中选取前三个商品SKUA,SKUB,SKUC,则第一商品组包括SKUA,SKUB,SKUC;此外,订单Order1有SKUA,SKUB两种商品,订单Order2有SKUA,SKUB,SKUC三种商品,订单Order3有SKUA,SKUB,SKUD三种商品,则第一商品组可以满足Order1和Order2的发货,而无法满足Order3的发货,即第一订单组包括订单Order1和订单Order2。
步骤200,根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量。
步骤200具体包括:
1)根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比。优选地,还可以获取商品在目标仓库中的商品编码、仓位编码、仓位所属的货架编码和仓位大小,从而对每个商品以及商品对应的仓位实现准确定位。
2)针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。具体地,商品占据的货架数据的计算过程为:假设一个货架上有N个商品,根据每个商品占据的仓位面积占比计算这个商品占据该货架的比例。然后统计商品在所有货架的占比之和,记录为商品所需要的货架数。
步骤300,对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1。比如,第一拣选分区结果为将目标仓库划分为2个拣选区域,那么第二拣选分区结果为将目标仓库划分为3个拣选区域。
步骤400,针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间。
具体地,当第一拣选分区结果为将目标仓库划分为2个拣选区域时,得到拣货区A和拣货区B,其存在多种划分方式,每种划分方式中的拣货区A和拣货区B的货架数量不同,即一种划分方式中的拣货区A和拣货区B组成一个个体。针对该个体,计算该个体对应的拣货区A和拣货区B在实际拣货时所需要的拣货时间,由于拣货区A(或者拣货区B)中的商品是能够根据需要进行位置调整,从而能够改变某一订单在拣货时需要的拣货时间。进而计算出每个个体的最小拣货时间。为了更加快速且准确地计算出结果,本发明采用了GA遗传算法进行计算。
步骤500,根据多个最小拣货时间,确定目标拣货时间。当第一拣选分区结果为将目标仓库划分为2个拣选区域时,根据上述步骤400能够分别计算得到拣货区A和拣货区B对应的最小拣货时间,将此两个最小拣货时间相加即可得到第一拣选分区结果对应的第一目标拣货时间。
同理可得,当第二拣选分区结果为将目标仓库划分为3个拣选区域时,所对应的第二目标拣货时间。
步骤600,判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值。具体地,所述预设目标条件为:
其中,a表示预设常数值,Ti+1表示第二目标拣货时间,Ti表示第一目标拣货时间,a=5%。在实际应用中,a的具体值可以根据维护时间进行适应性调整。
步骤700,当所述第一结果表示否时,输出所述第一拣选分区结果。
当所述第一结果表示是时,返回对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果的步骤,直至所述第一结果表示否。具体来说,当时,将第一拣选分区结果更新为将目标仓库划分为3个拣选区域,将第二拣选分区结果更新为将目标仓库划分为4个拣选区域,然后重复上文中的步骤400-600,直至第一结果表示否。如果第一结果依旧表示是,那么继续对第一拣选分区结果和第二拣选分区结果进行更新,即得到:第一拣选分区结果为将目标仓库划分为4个拣选区域,第二拣选分区结果为将目标仓库划分为5个拣选区域。
一般来说,将目标仓库划分为五个以内的分区是较佳的结果,如果继续划分出更多的分区,会相应增加分区维护成本。在实际应用中,具体的划分出的最大的拣选区的数量是可以由工作人员人为进行限制的。
在一个具体实施例中,设置a=5%,最大分区数量为四个分区,那么对应的目标仓库的电商仓库拣选区自动化分区方法包括:
S1:根据订单商品明细表(格式Order_id,SKUA*1/SKUB*2…)计算目标仓库中每个商品的商品贡献值。
S2:根据每个商品的商品贡献值对目标仓库中的所有商品进行降序,选取其中前N个商品组成第一商品组,最后确定出第一商品组对应的第一订单组。
S3:统计商品在目标仓库中的分布状况(商品在目标仓库中的商品编码、仓位编码、仓位所属的货架编码和仓位大小),并计算出每个商品占据的货架总数。如表1所示,为将商品编码、第一订单组中的订单数量、商品占据的货架总数进行汇总得到的部分数据。
表1汇总数据
S4:将目标仓库划分2个热度区域,即第一层区域和第二层区域,其存在N种划分方式,每种划分方式中的第一层区域和第二层区域的货架数量不同,即一种划分方式中的第一层区域和第二层区域组成一个个体,每层区域中的商品位置是可以改变的。基于GA算法实现以下目的:将一定数量的货架分布在第一层热度区域,其余分布在第二层热度区域,使得拣货路径最短,拣货时间最小。
GA算法实现思路如下:
1)设置GA算法相关参数。GA算法相关参数包括包括种群大小、最大遗传代数、交叉概率和适应度函数误差限值。
2)随机生成N种划分的方式,以构成GA算法中的染色体种群(个体)。每种划分方式中的分割点序号为商品在目标仓库中的仓位编码,分割序号按照十进制进行编码。举例,目标仓库中存在100个货架,那么划分结果可以为:10-90,25-75,60-40(第一区域中货架数量-第二区域中货架数量),等等。
3)选取种子计算适应度。因为当前拣货时间越好,代表种子适应度越差。所以利用如下公式计算种子适应度:
其中,F(i)表示适应度值,e表示自然常数,Ti表示每个个体对应的拣货时间(每个个体对应的拣货时间)。
其中,第一层区域(S区)的覆盖订单数*累计货架数/2表示第一层区域中拣货所需要的行走路径,而前文假设2)中记载“设定:S区的拣货时间为拣货路径的1倍”,即一般情况下,在S区中拣货所需要的时间可看作是拣货路径的大小,因此继续*1。第二层区域(A区)的覆盖订单数*累计货架数/2表示第二层区域中拣货所需要的行走路径,根据前文假设2)中记载“A区的拣货时间为拣货路径的2倍”,即一般情况下,在A区中拣货所需要的时间可看作是拣货路径的2倍,因此继续*2。
另外,若是将目标仓库划分3个热度区域时,每个个体对应的拣货时间为:
4)选择父代:根据3)中计算的种子适应度利用轮盘赌的方式选择N个新的子代。
5)杂交:从2)中选择的N父代中随机选择2个根据交叉概率阈值(设置为0.3)、采用点位单点交叉法生成新的子代。
6)变异:在4)的基础上根据变异概率(设置为0.01)随机选择子代进行变异。变异策略采用十进制点位随机选取某一位取10-该位数值作为新的数值。
7)计算新的子代所有拣货时间之和,并记录最小拣货时间。
8)循环进行3)-7),以得到最优染色体种子,终止条件有以下两种:
A)循环次数达到最大循环次数设计值;
B)当Tnew/Told-1的差值连续三次在千分之一以内。
9)对所述最优染色体解码得到最优的将目标仓库划分为2个拣选区的划分方式,并确定出对应的目标拣货时间。
S5:将目标仓库划分3个热度区域,即第一层区域、第二层区域和第三次区域,重复进行上述步骤S4中的GA算法,得到将目标仓库划分为3个热度区域的最优划分方式以及对应的目标拣货时间。
S6:对步骤S4得到的目标拣货时间T2与步骤S5得到的目标拣货时间T3进行公式的计算,当满足上述公式时,进行步骤S7的计算;当不满足上述公式时,输出步骤S4中的将目标仓库划分为2个热度区域的划分方式。
S7:将目标仓库划分4个热度区域,包括第一层区域、第二层区域、第三次区域和第四区域,重复进行上述步骤S4中的GA算法,得到将目标仓库划分为4个热度区域的最优划分方式以及对应的目标拣货时间。
S8:对步骤S7得到的目标拣货时间T4和步骤S5得到的目标拣货时间T3进行公式的计算,当满足上述公式时,输出步骤S7中的将目标仓库划分为4个热度区域的划分方式;当不满足上述公式时,输出步骤S5中的将目标仓库划分为3个热度区域的划分方式。
实施例二
如图2所示,本实施例提供一种电商仓库拣选区自动化分区系统,包括:
订单组确定模块101,用于根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单。
所述订单组确定模块101,具体包括:
贡献值计算子模块用于结合所述商品集和所述历史订单集,计算每个商品的商品贡献值;排序子模块用于根据所述商品贡献值对所述商品集中的多个商品进行降序;商品组子模块用于从降序后的多个商品中选取多个商品,以构成第一商品组;订单组子模块用于根据所述第一商品组,确定第一订单组。
货架数确定模块201,用于根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量。
所述货架数确定模块201,具体包括:
面积占比计算子模块用于根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比;货架数计算模块用于针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。
分区模块301,用于对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1。
分区拣货时间计算模块401,用于针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间。
目标拣货时间确定模块504,用于根据多个最小拣货时间,确定目标拣货时间。
判断模块601,用于判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值。
结果输出模块701,用于当所述第一结果表示否时,输出所述第一拣选分区结果。
步骤返回模块801,用于当所述第一结果表示是时,返回所述分区模块。
所述第一时间计算模块,具体包括:
适应度计算单元,用于根据函数公式:
计算GA算法的适应度值;其中,F(i)表示适应度值,e表示自然常数,Ti表示每个个体对应的拣货时间。
相对于现有技术,本发明还具有如下优点:
本发明将传统电商仓库区分S,A,B,C的策略和仓库的订单量以及商品本身属性建立联系,使之成为一个可量化的问题。并利用GA算法对上述问题进行求解,使得所得结果更优。
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 (9)
1.一种电商仓库拣选区自动化分区方法,其特征在于,所述方法包括:
根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单;
根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量;
对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1;
针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间;
根据多个最小拣货时间,确定目标拣货时间;
判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值;
当所述第一结果表示否时,输出所述第一拣选分区结果;
当所述第一结果表示是时,返回对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果的步骤,直至所述第一结果表示否。
2.根据权利要求1所述的电商仓库拣选区自动化分区方法,其特征在于,所述根据所述商品集确定第一订单组,具体包括:
结合所述商品集和所述历史订单集,计算每个商品的商品贡献值;
根据所述商品贡献值对所述商品集中的多个商品进行降序;
从降序后的多个商品中选取多个商品,以构成第一商品组;
根据所述第一商品组,确定第一订单组。
3.根据权利要求1所述的电商仓库拣选区自动化分区方法,其特征在于,所述根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据,具体包括:
根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比;
针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。
6.一种电商仓库拣选区自动化分区系统,其特征在于,所述系统包括:
订单组确定模块,用于根据目标仓库的历史订单集确定商品集,然后根据所述商品集确定第一订单组;所述商品集至少包括第一商品组;所述第一商品组包括多个且商品贡献值高于设定贡献值的商品;所述商品贡献值为标记商品的数量与所述商品集中商品总数的比值;所述标记商品为所述商品集中的任一商品;所述第一订单组包括多个第一订单;所述第一订单表示包括含有所述第一商品组中部分或者全部商品的订单;
货架数确定模块,用于根据所述目标仓库中的仓库货架数据和所述商品集,确定每个商品占据的货架数据;所述货架数据包括每个货架上放置的商品种类和商品数量;
分区模块,用于对所述目标仓库进行拣选区域划分,以确定第一拣选分区结果和第二拣选分区结果;所述第一拣选分区结果中拣选区的数量比所述第二拣选分区结果中拣选区的数量小1;
分区拣货时间计算模块,用于针对每种拣选分区结果,根据拣选区中的多个个体、所述第一订单组和每个商品占据的货架数据,基于GA算法,计算所述拣选区对应的最小拣货时间;所述个体表示所述拣选区中的货架数量;所述最小拣货时间表示对所述个体中容置的商品进行拣货时所需要的最小时间;
目标拣货时间确定模块,用于根据多个最小拣货时间,确定目标拣货时间;
判断模块,用于判断第一目标拣货时间和第二目标拣货时间是否满足预设目标条件,以得到第一结果;所述第一目标拣货时间为所述第一拣选分区结果对应的目标拣货时间;所述第二目标拣货时间为所述第二拣选分区结果对应的目标拣货时间;所述预设目标条件为所述第一目标拣货时间与所述第二目标拣货时间的比值小于设定值;
结果输出模块,用于当所述第一结果表示否时,输出所述第一拣选分区结果;
步骤返回模块,用于当所述第一结果表示是时,返回所述分区模块。
7.根据权利要求6所述的电商仓库拣选区自动化分区系统,其特征在于,在所述根据所述商品集确定第一订单组的方面,所述订单组确定模块,具体包括:
贡献值计算子模块,用于结合所述商品集和所述历史订单集,计算每个商品的商品贡献值;
排序子模块,用于根据所述商品贡献值对所述商品集中的多个商品进行降序;
商品组子模块,用于从降序后的多个商品中选取多个商品,以构成第一商品组;
订单组子模块,用于根据所述第一商品组,确定第一订单组。
8.根据权利要求6所述的电商仓库拣选区自动化分区系统,其特征在于,所述货架数确定模块,具体包括:
面积占比计算子模块,用于根据所述货架数据中每个货架上放置的商品种类和商品数量,确定每种商品在每个货架上的面积占比;
货架数计算模块,用于针对一种商品,将所述商品在多个货架上的面积占比相加,以得到所述商品占据的货架数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082043.XA CN115423404B (zh) | 2022-09-06 | 2022-09-06 | 一种电商仓库拣选区自动化分区方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082043.XA CN115423404B (zh) | 2022-09-06 | 2022-09-06 | 一种电商仓库拣选区自动化分区方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115423404A true CN115423404A (zh) | 2022-12-02 |
CN115423404B CN115423404B (zh) | 2023-09-12 |
Family
ID=84201676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082043.XA Active CN115423404B (zh) | 2022-09-06 | 2022-09-06 | 一种电商仓库拣选区自动化分区方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423404B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739478A (zh) * | 2023-06-19 | 2023-09-12 | 广东云药科技有限公司 | 一种智能仓储人机交互货物管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447317A (zh) * | 2018-09-21 | 2019-03-08 | 江苏大学 | 一种基于多人同时拣货的仓库最短路径优化方法 |
CN111311003A (zh) * | 2020-02-18 | 2020-06-19 | 长春一汽国际物流有限公司 | 一种用于柔性化生产的零部件排序拣选方法 |
US20210073722A1 (en) * | 2018-05-24 | 2021-03-11 | Cainiao Smart Logistics Holding Limited | Goods picking task allocation method and device |
CN114936891A (zh) * | 2022-04-01 | 2022-08-23 | 上海聚货通电子商务有限公司 | 一种基于模拟热区的热区规划方法及系统 |
-
2022
- 2022-09-06 CN CN202211082043.XA patent/CN115423404B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073722A1 (en) * | 2018-05-24 | 2021-03-11 | Cainiao Smart Logistics Holding Limited | Goods picking task allocation method and device |
CN109447317A (zh) * | 2018-09-21 | 2019-03-08 | 江苏大学 | 一种基于多人同时拣货的仓库最短路径优化方法 |
CN111311003A (zh) * | 2020-02-18 | 2020-06-19 | 长春一汽国际物流有限公司 | 一种用于柔性化生产的零部件排序拣选方法 |
CN114936891A (zh) * | 2022-04-01 | 2022-08-23 | 上海聚货通电子商务有限公司 | 一种基于模拟热区的热区规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
魏庆琦;陈金迪;: "基于NSGA-Ⅱ算法的分区拣选优化", 工业工程, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739478A (zh) * | 2023-06-19 | 2023-09-12 | 广东云药科技有限公司 | 一种智能仓储人机交互货物管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115423404B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN114417696B (zh) | 一种基于遗传算法的自动化立体仓库货位分配优化方法 | |
CN109886478B (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN106897852A (zh) | 用于物流的订单排序优化方法 | |
CN104063778A (zh) | 一种在立体货仓中为货物分配货位的方法 | |
CN113570025B (zh) | 一种基于离散粒子群算法的电商仓储中心货位分配方法 | |
CN109583660B (zh) | 一种动态拣货策略的实现方法 | |
CN107578197A (zh) | 需求不确定的混流生产线物流车辆调度区域优化方法 | |
CN115423404A (zh) | 一种电商仓库拣选区自动化分区方法及系统 | |
CN116402185A (zh) | 基于aga多目标液压泵装配车间立体仓库货位分配优化方法 | |
CN109165778A (zh) | 应用于长物料存储的悬臂梁式立体仓库货位分配方法 | |
CN113408771B (zh) | 物品出库调度方法、装置以及存储介质 | |
Fontana et al. | Multi-criteria assignment model to solve the storage location assignment problem | |
CN116468372A (zh) | 一种储位分配方法、系统及存储介质 | |
CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
CN107016515A (zh) | 仓库布局的优化方法及其装置 | |
CN113592393A (zh) | 一种基于遗传算法的快速分拣线初始上架算法 | |
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 | |
CN109711596A (zh) | 一种多目标进化的物流配送中心选址优化方法及系统 | |
CN113034083A (zh) | 一种仓储合托优化方法、装置及系统 | |
CN113450040A (zh) | 一种货位分配方法及系统 | |
Ha et al. | Optimization of Cube Storage Warehouse Scheduling Using Genetic Algorithms | |
CN114493047B (zh) | 一种基于可用资源编码的多对多货物调度优化分配方法 | |
CN117875189B (zh) | 一种基于ga优化gro的立体仓库空间布局方法 | |
CN115439064B (zh) | 面向订单聚合的拣货路径动态优化方法及系统 |
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 |