CN115439064B - 面向订单聚合的拣货路径动态优化方法及系统 - Google Patents

Abstract

本发明公开了一种面向订单聚合的拣货路径动态优化方法，包括根据库位布局生成仓储单，基于仓储单货物货架信息生成拣货单；提取拣货单中每个订单的货架信息，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点；选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号。本发明能够解决传统K‑Means算法K值和初始簇中心不确定性导致产生误差的问题，实现了缩短拣货行走总路径的技术效果，提高了仓库拣货的效率。

Description

面向订单聚合的拣货路径动态优化方法及系统

技术领域

本发明涉及物流仓储技术领域，具体为一种面向订单聚合的拣货路径动态优化方法及系统。

背景技术

在仓储管理中，拣货的速度决定了仓库的出货效率。当面对大量的订单时，如何快速有效的处理是仓储管理的难点之一。当前的仓库拣货大多依靠拣货车配合拣货人员进行订单货物挑选，一次拣货通常会有若干个订单。尽管拣货车的使用使拣货人员一次拣货能够完成多个订单，但是多个订单以及单个订单的多个货物分布在不同货架号上，这导致了一次拣货大幅度增加拣货人员工作难度与行走距离。

当前的解决方案主要尝试利用系统或人工的方法解决。如在订单聚合时，以最先拣货的订单货架号为中心进行订单聚类，又或者对位置相近的订单聚合，优先拣货。这两种方案虽然能够对拣货路径进行优化，但是在优化的同时又会带来以下的问题：1)仅仅考虑了最先拣货的订单的货架号，不能兼顾货架区间大的订单。如，订单1的货架号有3,483，2803；订单2的货架号有4,86。当订单1和订单2聚合在一起的时候，这样的做法容易产生订单2跟着订单1走遍整个仓库的全场效应；2)人工控制某一批次订单的数量，对订单进行细分。如订单3的货架号有6,75；订单4的货架号有37,59。为了缩短拣货路径，订单3和订单4是可以分在一起的。但由于对订单3和订单4中货物信息进行细分，导致订单3和订单2聚在一起拣货，而订单4跟着订单1走遍全场，这一问题大幅增加了拣货人员的工作量，而且不利于多订单聚类；3)聚合方式过于单一，各个批次订单之间存在交叉。如订单5的货架号有26,857；订单6的货架号有27,854，1372；订单7的货架号有27,28，1385；订单8的货架号有28，1370；当订单5,6聚合形成批次1，订单7，8聚合在一起形成批次2，两个批次同时拣货，由于批次1和批次2都将在27号货架拣货，这会使得人员与拣货车在拣货通道发生拥塞；此外，由于批次2中订单8的1370号货架拣货需要时间过长，批次1中订单6的1372号货架不能尽快拣货，使得后续的批次都在1370号货架处等待，这也会导致拥塞的发生。

因此，迫切需要提出一种面向订单聚合的拣货路径动态优化方法以解决上述拣货路径存在拥塞的问题。

发明内容

本发明的目的在于提供一种面向订单聚合的拣货路径动态优化方法及系统，其能够解决传统K-Means算法K值和初始簇中心不确定性导致产生误差的问题，实现了缩短拣货行走总路径的技术效果，提高了仓库拣货的效率。

为解决上述技术问题，本发明提供一种面向订单聚合的拣货路径动态优化方法，包括以下步骤：

S1、根据库位布局生成仓储单，基于仓储单货物货架信息生成拣货单；

S2、提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

S3、选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号。

在本发明的一个实施例中，所述S2中每个订单均包含最小货架号和最大货架，其中最小货架号为初始位置，最大货架号为终点位置，对于只取单个货物的订单，其最大货架号和最小货架号相同，均为货物所在的货架号。

在本发明的一个实施例中，所述S3中选取初始点的方法包括：

使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心。

在本发明的一个实施例中，所述S3中聚类成簇以及对全部簇的总路径进行优化的方法包括：

S31、计算二维正交坐标轴上所有订单点的密度系数；

S32、选取其中K个密度较大的订单点作为聚类中心；

S33、扩大以聚类中心为圆心的圆，将包含的点划归到圆形簇内；

S34、计算新的簇中心，再聚簇；

S35、判断新的聚类结果是否与上一次的聚类结果相同，若相同则转入S36，若不相同则转入S33；

S36、舍去圆形簇的左上、右上和左下扇区的点；

S37、对得到的每个簇采用改进的K-Means算法分别计算其包含的订单点数量，标记右下扇区每一簇中离簇中心最远的点；

S38、判断簇内点的个数是否满足预设值，若判断结果为是，则将该簇的点从数据点中删去，并转入S39，若判断结果为否，则将标记点移入离其最近的簇中，并转入S37；

S39、计算优化后所有簇的总路径，输出订单聚类的结果。

在本发明的一个实施例中，所述S31中密度系数的计算公式为：

一个订单点On的密度ξ_n表示为：

其中，ω_m为概率系数，s为订单On到更高密度点的最小距离，

为订单点m与订单点n之间的密度关系系数。

在本发明的一个实施例中，所述S32中选取聚类中心的方法包括：

计算聚类中心概率，根据所述聚类中心概率选取聚类中心，其中聚类中心概率的计算公式如下：

p_n＝ξ_n×s_n

其中，ξ_n表示密度，s_n表示订单n到更高密度点的最小距离。

此外，本发明还提供一种面向订单聚合的拣货路径动态优化系统，包括：

拣货单生成模块，根据库位布局生成仓储单，所述拣货单生成模块用于基于仓储单货物货架信息生成拣货单；

订单处理模块，所述订单处理模块用于提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

订单聚类模块，所述订单聚类模块用于选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号。

在本发明的一个实施例中，所述订单聚类模块选取初始点的方法包括：

使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心。

在本发明的一个实施例中，所述订单聚类模块聚类成簇以及对全部簇的总路径进行优化的方法包括：

S31、计算二维正交坐标轴上所有订单点的密度系数；

S32、选取其中K个密度较大的订单点作为聚类中心；

S33、扩大以聚类中心为圆心的圆，将包含的点划归到圆形簇内；

S34、计算新的簇中心，再聚簇；

S35、判断新的聚类结果是否与上一次的聚类结果相同，若相同则转入S36，若不相同则转入S33；

S36、舍去圆形簇的左上、右上和左下扇区的点；

S37、对得到的每个簇采用改进的K-Means算法分别计算其包含的订单点数量，标记右下扇区每一簇中离簇中心最远的点；

S38、判断簇内点的个数是否满足预设值，若判断结果为是，则将该簇的点从数据点中删去，并转入S39，若判断结果为否，则将标记点移入离其最近的簇中，并转入S37；

S39、计算优化后所有簇的总路径，输出订单聚类的结果。

在本发明的一个实施例中，所述订单聚类模块选取聚类中心的方法包括：

计算聚类中心概率，根据所述聚类中心概率选取聚类中心，其中聚类中心概率的计算公式如下：

p_n＝ξ_n×s_n

其中，ξ_n表示密度，s_n表示订单n到更高密度点的最小距离。

本发明的上述技术方案相比现有技术具有以下优点：

本发明根据订单的货架号进行数字化抽象和提取，以最大货架号和最小货架号为基础，建立正交坐标轴，从而将拣货路径优化问题转化为坐标轴上点距离的问题，并且在处理点聚类问题时，采用改进的DBSCAN算法先找出整个订单点的所有密度中心，再使用改进的K-Means算法多次迭代确定订单簇的个数，改进的K-Means算法会找出不满足的簇，将多余的订单点归入另一个距离近的簇，能够解决传统K-Means算法K值和初始簇中心不确定性导致产生误差的问题，实现了缩短拣货行走总路径的技术效果，提高了仓库拣货的效率。

附图说明

在结合以下的附图阅读本公开的实施示例的详细描述之后，能更好地理解本发明的内容。本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是本发明实施例提出的一种面向订单聚合的拣货路径动态优化方法的流程示意图。

图2是订单点聚合时点的选取说明示例图。

图3是订单之间距离的判断方法示例图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开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公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，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，都应当属于本公开保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1所示，本发明实施例提供一种面向订单聚合的拣货路径动态优化方法，包括以下步骤：

S1、根据库位布局生成仓储单，基于仓储单货物货架信息生成拣货单；

S2、提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

S3、选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号。

其中，上述所述S2中每个订单均包含最小货架号和最大货架，其中最小货架号为初始位置，最大货架号为终点位置，对于只取单个货物的订单，其最大货架号和最小货架号相同，均为货物所在的货架号。

其中，上述所述S3中选取初始点时使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心。

其中，上述所述S3中聚类成簇以及对全部簇的总路径进行优化的方法包括：

S31、计算二维正交坐标轴上所有订单点的密度系数；

S32、选取其中K个密度较大的订单点作为聚类中心；

S33、扩大以聚类中心为圆心的圆，将包含的点划归到圆形簇内；

S34、计算新的簇中心，再聚簇；

S35、判断新的聚类结果是否与上一次的聚类结果相同，若相同则转入S36，若不相同则转入S33；

S36、舍去圆形簇的左上、右上和左下扇区的点；

S37、对得到的每个簇采用改进的K-Means算法分别计算其包含的订单点数量，标记右下扇区每一簇内离簇心最远的点；

S38、判断簇内订单点的个数是否满足预设值。若簇内点的个数大于等于预设值，则计算簇内所有点至簇心的距离并排序，选取其中距离小且个数为预设值的点记为一簇，将簇内所有点从数据点中删去，并转入S39；若不满足，计算所有剩余的标记点和当前簇内所有点到当前簇心距离并排序，选取其中距离小且个数为预设值的点移入当前簇，并转入S37；

S39、计算优化后所有簇的总路径，输出订单聚类的结果。

上述所述S31中密度系数的计算公式为：

一个订单点On的密度ξ_n表示为：

其中，ω_m为概率系数，s为订单On到更高密度点的最小距离，

为订单点m与订单点n之间的密度关系系数。

上述所述S32中选取聚类中心的方法包括：

计算聚类中心概率，根据所述聚类中心概率选取聚类中心，其中聚类中心概率的计算公式如下：

p_n＝ξ_n×s_n

其中，ξ_n表示密度，s_n表示订单n到更高密度点的最小距离。

本发明根据订单的货架号进行数字化抽象和提取，以最大货架号和最小货架号为基础，建立正交坐标轴，从而将拣货路径优化问题转化为坐标轴上点距离的问题，并且在处理点聚类问题时，采用改进的DBSCAN算法先找出整个订单点的所有密度中心，再使用改进的K-Means算法多次迭代确定订单簇的个数，改进的K-Means算法会找出不满足的簇，将多余的订单点归入另一个距离近的簇，能够解决传统K-Means算法K值和初始簇中心不确定性导致产生误差的问题，实现了缩短拣货行走总路径的技术效果，提高了仓库拣货的效率。

下面以具体的示例来详细阐述一下本发明提出的一种面向订单聚合的拣货路径动态优化方法的内容。

对于一个含有大量货架的仓库来说，需要考虑的是，一次拣货最大化拣货效率，降低拣货路径的重复性。在此，考虑货架从小到大排列在一维坐标轴上，所有订单需从货架上拣出订单内包含的所有货物。按照定义的订单货架号区间化，拣货单中订单的货物，最低为一件，则此订单的货架号坐标在二维坐标轴的横纵坐标皆为此货物所在货架号。如图3所示订单A、B、C、D、E：

订单A最小货架编号为101，最大货架编号为1412，为了完成订单A，拣货人员将行走1311个货架；

订单B最小货架编号为102，最大货架编号为1409，为了完成订单B，拣货人员将行走1307个货架；

订单C最小货架编号为100，最大货架编号为1410，为了完成订单C，拣货人员将行走1310个货架；

订单D最小货架编号为103，最大货架编号为1411，为了完成订单D，拣货人员将行走1308个货架；

订单E最小货架编号为99，最大货架编号为1409，为了完成订单E，拣货人员将行走1310个货架。

为了更好的说明本方案聚簇的原理，图2建立了以最大货架号为纵坐标，最小货架号为横坐标的正交坐标轴。订单A、B、C、D、E的坐标位置如图2所示：

从图2可以清晰的看出，在建立的坐标轴上，距离近的订单点的不意味着适合聚在一个簇中。本方案采用密度可达原理，计算聚类中心密度概率，即某一点周围点密度高时，可以到达其周围点。在此基础上计算邻域半径，以聚类中心点为中心作圆，当圆扩大和缩小时，可以包含不同个数的订单点，这就是形成的初步聚类。如图2所示，以订单A为圆心，所画的圆使得订单B位于圆A的右下扇区，订单C位于圆A的左下扇区，订单D位于圆A的右下扇区的圆周上，而订单E位于圆A外部。这意味着，在使用DBSCAN进行初步聚簇时，订单A、B、C、D划分在在一个以订单A为圆心的圆形簇内，订单E并不能与订单A、B、C、D分成一簇。这种简单的密度可达原理使得坐标轴上所有点都可以分到以密度大的点为圆心的圆形簇内。

在观察坐标轴上的圆与点之间的关系后，我们对DBSCAN做出了一些变化。以往的DBSCAN算法，使用密度可达时，最终形成一个圆，圆心即为簇中心。但是在改进的算法中，我们放弃了圆形，而是采用扇区。在做了这样的变化后，我们的初步的圆形簇A变成了圆A的右下扇区。对于圆A的左上、右上以及左下扇区，使用如图2所示的圆O₁、O₂和O₃的右下扇区则可以包含这些区域。在做了这些处理之后，坐标轴上的点都能找到自己的簇。相应的订单A、B和D分到扇形簇A中，订单C和E分到扇形簇O₂中。

当簇A把B和D包含在范围内时，订单A的最小货架号小于订单B和D的最小货架号；而它的最大货架号则大于订单B和D的最大货架号。于是，在整个拣货路径判断中，一次拣订单A、B和D的总路径缩短为A的总路径。当然，订单C和E也有相应的簇中心点能将其包括在内。

接着我们使用改进的K-Means算法，计算扇形簇内订单点的个数。对于点D这类离簇中心最远的点，本方案将其标记。当扇形簇A内订单个数满足条件时，本方案将其移入扇形簇O₄。通过这种方法对总路径进行动态优化，不断地将标记的最远的点移入距离较近的扇形簇中。很明显可以看出，如果簇O₄有位于圆周上的最远点的话，簇O₄中心点到D的距离小于此簇中心点到最远点的距离。这一改进之处使得K-Means可以动态缩短簇的总路径。

下面对本发明实施例公开的一种面向订单聚合的拣货路径动态优化系统进行介绍，下文描述的一种面向订单聚合的拣货路径动态优化系统与上文描述的一种面向订单聚合的拣货路径动态优化方法可相互对应参照。

此外，本发明还提供一种面向订单聚合的拣货路径动态优化系统，包括：

拣货单生成模块，根据库位布局生成仓储单，所述拣货单生成模块用于基于仓储单货物货架信息生成拣货单；

订单处理模块，所述订单处理模块用于提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

订单聚类模块，所述订单聚类模块用于选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号。

在本发明的一个实施例中，所述订单聚类模块选取初始点的方法包括：

使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心。

本实施例的面向订单聚合的拣货路径动态优化系统用于实现前述的面向订单聚合的拣货路径动态优化方法，因此该系统的具体实施方式可见前文中的面向订单聚合的拣货路径动态优化方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的面向订单聚合的拣货路径动态优化系统用于实现前述的面向订单聚合的拣货路径动态优化方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种面向订单聚合的拣货路径动态优化方法，其特征在于，包括以下步骤：

S1、根据库位布局生成仓储单，基于仓储单货物货架信息生成拣货单；

S2、提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

S3、选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号；

所述S3中选取初始点的方法包括：

使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心；

所述S3中聚类成簇以及对全部簇的总路径进行优化的方法包括：

S31、计算二维正交坐标轴上所有订单点的密度系数；

S32、选取其中K个密度较大的订单点作为聚类中心；

S33、扩大以聚类中心为圆心的圆，将包含的点划归到圆形簇内；

S34、计算新的簇中心，再聚簇；

S35、判断新的聚类结果是否与上一次的聚类结果相同，若相同则转入S36，若不相同则转入S33；

S36、舍去圆形簇的左上、右上和左下扇区的点；

S37、对得到的每个簇采用改进的K-Means算法分别计算其包含的订单点数量，标记右下扇区每一簇中离簇中心最远的点；

S38、判断簇内点的个数是否满足预设值，若判断结果为是，则将该簇的点从数据点中删去，并转入S39，若判断结果为否，则将标记点移入离其最近的簇中，并转入S37；

S39、计算优化后所有簇的总路径，输出订单聚类的结果。

2.根据权利要求1所述的一种面向订单聚合的拣货路径动态优化方法，其特征在于，所述S2中每个订单均包含最小货架号和最大货架，其中最小货架号为初始位置，最大货架号为终点位置，对于只取单个货物的订单，其最大货架号和最小货架号相同，均为货物所在的货架号。

3.根据权利要求1所述的面向订单聚合的拣货路径动态优化方法，其特征在于，所述S31中密度系数的计算公式为：

一个订单点On的密度ξ_n表示为：

其中，ω_m为概率系数，s为订单点On到更高密度点的最小距离，为订单点m与订单点n之间的密度关系系数。

4.根据权利要求3所述的一种面向订单聚合的拣货路径动态优化方法，其特征在于，所述S32中选取聚类中心的方法包括：

计算聚类中心概率，根据所述聚类中心概率选取聚类中心，其中聚类中心概率的计算公式如下：

p_n＝ξ_n×s_n

其中，ξ_n表示密度，s_n表示订单点n到更高密度点的最小距离。

5.一种面向订单聚合的拣货路径动态优化系统，其特征在于，包括：

拣货单生成模块，根据库位布局生成仓储单，所述拣货单生成模块用于基于仓储单货物货架信息生成拣货单；

订单处理模块，所述订单处理模块用于提取所述拣货单中每个订单的货架信息，对每个订单采取区间化操作，根据提取到的订单货架信息生成一以最大货架编号为纵轴和最小货架编号为横轴的二维正交坐标轴，将每一个订单的最大货架编号和最小货架编号转换成二维正交坐标轴上的点，以将拣货单的批量订单聚合寻优问题转化为对正交坐标轴上点聚类的问题；

订单聚类模块，所述订单聚类模块用于选取初始点，使用欧氏距离选择相邻点路径差小的订单聚类形成簇，并对全部簇的总路径进行优化，确定最佳仓库拣货路径，输出同一簇订单号及相应的货架号；

所述订单聚类模块选取初始点的方法包括：

使用改进的DBSCAN算法将二维正交坐标轴上所有订单点按密度大小划分，得到需要分成的扇区簇的个数和初始聚类中心；

所述订单聚类模块聚类成簇以及对全部簇的总路径进行优化的方法包括：

S31、计算二维正交坐标轴上所有订单点的密度系数；

S32、选取其中K个密度较大的订单点作为聚类中心；

S33、扩大以聚类中心为圆心的圆，将包含的点划归到圆形簇内；

S34、计算新的簇中心，再聚簇；

S35、判断新的聚类结果是否与上一次的聚类结果相同，若相同则转入S36，若不相同则转入S33；

S36、舍去圆形簇的左上、右上和左下扇区的点；

S37、对得到的每个簇采用改进的K-Means算法分别计算其包含的订单点数量，标记右下扇区每一簇中离簇中心最远的点；

S38、判断簇内点的个数是否满足预设值，若判断结果为是，则将该簇的点从数据点中删去，并转入S39，若判断结果为否，则将标记点移入离其最近的簇中，并转入S37；

S39、计算优化后所有簇的总路径，输出订单聚类的结果。

6.根据权利要求5所述的一种面向订单聚合的拣货路径动态优化系统，其特征在于，所述订单聚类模块选取聚类中心的方法包括：

计算聚类中心概率，根据所述聚类中心概率选取聚类中心，其中聚类中心概率的计算公式如下：

p_n＝ξ_n×s_n

其中，ξ_n表示密度，s_n表示订单点n到更高密度点的最小距离。

Images