CN116468372B - 一种储位分配方法、系统及存储介质 - Google Patents
一种储位分配方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116468372B CN116468372B CN202310727534.3A CN202310727534A CN116468372B CN 116468372 B CN116468372 B CN 116468372B CN 202310727534 A CN202310727534 A CN 202310727534A CN 116468372 B CN116468372 B CN 116468372B
- Authority
- CN
- China
- Prior art keywords
- storage
- warehouse
- class
- probability
- formula
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 31
- 210000000349 chromosome Anatomy 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Abstract
本发明公开了一种储位分配方法,包括以下依次执行的步骤:步骤1:获取仓库的货架布局信息和储位数量,对所述货架布局信息进行分析,根据所述货架布局的分析结果和所述储位数量建立储位分配数学模型;步骤2:根据步骤1建立的所述储位分配数学模型,采用遗传算法根据各所述大类库区在所述仓库中的位置、订单频率和物料相关性为物料分配储位。还公开了对应的系统以及存储介质,该储位分配方法、系统即存储介质,能够根据定信息动态划分库区的位置和范围,解决仓库库区划分不合理的情况,降低作业时的行走距离,提高仓库作业效率。
Description
技术领域
本发明设计仓库储位分配领域,具体设计一种储位分配方法、系统及存储介质。
背景技术
物流是如今现在社会经济发展的关键一环。近年来互联网的快速发展,带动了物流产业的急速发展。仓储在物流以及供应链中起到了至关重要的作用,而目前仓储管理方面中存在两点问题。一方面,目前仓库的分区高度依赖管理人员的喜好,且分区不随时间以及业务调整而改变,缺乏科学的分区策略,随着时间推移会出现仓库布局不合理、库存结构混乱等问题。另一方面,目前仓储管理还高度依赖人工,料单拣选占据60%以上的人力和时间成本,由于没有科学的分区和系统的物料存取摆放策略,作业人员对物料的存取高度依赖自身的记忆和习惯,导致仓库物料摆放位置不合理,作业时花费大量时间在寻找储位和物料上,严重降低作业效率,影响实际生产。
传统的储位分配策略有随机存储、精确存储、靠近出口存储、全周转存储和分类存储等,目前,许多学者考虑周转率、最短路线、就近出入库等因素对储位分配方法进行优化,一定程度改善了仓库库存储位结构,降低了作业行走距离,但多数方案主要只考虑了储位层面的分配优化,缺少在库区层面的划分优化,并且采用一次性优化策略对储位进行静态分配,没有充分考虑业务发展、订单变化和物料更新对储位分配的影响来动态调整储位。
综上所述,在现有技术中,对于如何根据物料信息和订单信息来优化仓库布局改善库存结构,以及优化储位分配提高系统作业效率,尚缺乏行之有效的解决方案。
鉴于此,本案发明人对上述问题进行深入研究,遂有本案产生。
发明内容
本发明的目的在于提供一种能够动态优化仓库储位以提高作业效率的储位分配方法、系统及存储介质。
为了达到上述目的,本发明采用这样的技术方案:
步骤1:获取仓库的货架布局信息和储位数量,根据所述货架布局信息和所述储位数量建立储位分配数学模型的过程如下:
步骤1-1:根据所述储位数量计算所述仓库的储位总量,根据所述货架布局信息设置储位编码规则,按所述储位编码规则对每个储位设置唯一储位编码;
步骤1-2:建立用于拣货的拣货车的最小化行走距离目标函数f1,行走距离分三段:从所述拣货车初始位置到第一个物料的距离d0;物料间的行走距离dij;最后一个物料到所述仓库的出库区的距离d1,且相关度高的物料靠近放置则目标函数f1由第一公式定义:
其中,dij为物料i到物料j间的行走距离,rij为物料i和物料j之间的相关度;
步骤1-3:相同类别的物料组成一个物料组,建立最小化位于同一物料组的物料距离目标函数f2,所述物料组的中心坐标为Ri,所述物料组包含的所述储位编码的总数量为n,所述物料组内的某个物料的坐标G为(xi,yi,zi),则所述物料组的中心坐标Ri由如下第二公式定义:
对于位于坐标G为(xi,yi,zi)的物料,该物料与中心坐标Ri距离由如下第三公式定义:
则目标函数f2由如下第四公式定义:
其中,a为货架的总排数,b为所述货架每排的总列数,c为所述货架某一列的总层数;
步骤1-4:将所述第一公式和所述第四公式的双目标函数转换成单目标函数,双目标模型公式由如下第五公式定义:
约束条件由如下公式定义:
且x,y,z均为整数
建立适应度函数F,将双目标函数问题采用权值分配转换成单目标函数求极值问题,引入两个优化目标的权重,定义为λ1和λ2,λ1和λ2之和始终为1,且λ1和λ2都为0-1的实数,所述第五公式转化成适应度函数F由如下第六公式定义:
步骤2:根据步骤1建立的所述储位分配数学模型,采用遗传算法根据各所述大类库区在所述仓库中的位置、订单频率和物料相关性为物料分配储位,具体储位分配过程如下:
步骤2-1:初始化遗传算法参数,设置种群数量、最大迭代次数、最大变异概率、最小变异概率和交叉概率;
步骤2-2:初始化种群,判断物料所属的所述大类库区,随机选择同一所述大类库区内一个储位进行分配,储位被分配后标记为已放置,遍历所有物料直到各所述物料均被存放在储位上,没有物料存放的储位默认设置为-1:
步骤2-3:进行灾变操作,设置灾变机制的触发条件,预设值灾变周期T,当种群每经过T次迭代或者全局最优值连续多次相同时,进行一次灾变操作,灾变概率Pz公式如下:
Pz=sinθ×frank
其中,π为圆周率,Itcur为当前迭代次数;MaxIt为最大迭代次数,frank为当前个体在种群中按照适应度由小到大的排名;
步骤2-4:进行选择操作,选择进入下一代的数量占种群数量的10%-20%,所述选择操作采用精英策略和二元锦标赛策略结合的方法,精英策略选择所述适应度最小的父代直接进入下一代,其余个体通过二元锦标赛策略比较选择所述适应度小的父代进入下一代;
步骤2-5:进行交叉变异,采用顺序交叉方式,先选取第一父代染色体和第二父代染色体,在所述第一父代染色体和所述第二父代染色体中随机选取多个所述大类库区,在所述大类库区对应的基因片段内部随机选择起止位置,将所述第一父代染色体起止位置内的基因复制到第一子代染色体的相同位置上,起止位置外的基因根据所述第二父代染色体上的顺序对应填入所述第一子代染色体中,未选中的所述大类库区则直接复制至所述第一子代染色体中;
交叉概率Pc根据染色体的适应度情况和迭代次数动态调整,随迭代次数和适应度排名增大而增大,交叉概率Pc公式如下:
其中,Pcmax和Pcmin分别为最大交叉概率和最小交叉概率;
步骤2-6:进行变异操作,同一所述大类库区内的两个物料才可进行变异操作,设置所述变异概率随适应度排名frank和迭代次数Itcur增大而增大,与交叉同理,变异概率公式如下:
其中,Pmmax和Pmmin分别为所述最大变异概率和所述最小变异概率。
步骤2-7:判断是否达到预设的所述最大迭代次数,若不满足则跳转步骤2-3,反之则终止循环,输出储位分配方案。
优选的,该储位分配方法还包括动态划分所述大类库区的步骤3:获取所述仓库的历史订单信息,采用Apriori算法根据所述物料组所属的类别将所述仓库划分为多个大类库区,具体划分过程如下:
步骤3-1:设置最小支持度以及最小置信度,对所述历史订单信息进行挖掘分析,采用Apriori算法进行所述物料组间的相关性挖掘,获得所有所述历史订单信息的关联规则,计算提升度;
步骤3-2:根据步骤3-1获取的所述关联规则,按照所述历史订单信息中包含的物料组数量以及所述支持度进行排序,选择包含物料组数量更多的,在包含物料组数量相同的情况下则选择所述支持度更高的关联规则;
步骤3-3:对所述关联规则进行遍历,检查其包含的物料组是否已经进行大类划分,如果有,跳过该规则;如果没有,则对物料组进行大类划分;
步骤3-4:根据步骤3-3划分的所述大类产生大类库区,各所述大类分别与各所述大类库区一一对应,每个所述大类按照所述大类所包含的物料组在所述历史订单信息中出现的频率进行排序,统计现有库存中每个所述大类包含的具体物料编码数量,按照所述物料编码数量从靠近出库区的位置分别设定各所述大类库区的位置;
步骤3-5:输出所述大类库区的划分结果。
优选的,在步骤3-1之前对获取的所述历史订单信息进行处理,具体处理过程如下:获取所述历史订单信息,对只包含一种物料的所述历史订单信息进行过滤,如果所述历史订单信息的数据不规范或者数据缺失程度大,则进行删除;如果所述历史订单信息的物料单位缺失或者不正确,查询物料使用单位后进行补全或改正。
一种储位分配系统,包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令;所述处理器中配置有经由执行所述可执行命令来实现如上述任一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述任一项所述的方法。
通过采用前述设计方案,本发明的有益效果是:该储位分配方法能够根据订单信息动态划分库区的位置和范围,解决仓库库区划分不合理的情况,同时根据物料和订单相关信息合理安排物料储位,降低作业时的行走距离,提高仓库作业效率。
附图说明
图1为本发明的储位分配方法的流程图;
图2为本发明的仓库平面示意图;
图3为本发明的货架的储位编码示意图;
图4为本发明的遗传算法交叉操作示意图;
图5是本发明的遗传算法变异操作示意图;
图6为本发明的库区划分结果的示意图。
具体实施方式
下面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。
一种储位分配方法,包括以下依次执行的步骤:如图1所示,为该储位分配方法的流程图;
步骤1:获取仓库的货架布局信息和储位数量,如图2所示为仓库的平面示意图;根据货架布局信息的分析结果和储位数量建立储位分配数学模型的过程如下;
本实施例中,仓库由货架区、出库区、入库区组成,对每个货架的储位以“排-列-层”的方式对储位进行编码,如图3所示。
整个储位分配数学模型的过程满足如下预设条件:
1.每个订单均由一辆拣货车拣取;
2.拣货单需要的物料不存在缺货情况;
3.订单物料需求量不超过一辆拣货车最大拣货量;
4.一个储位只存放一种物料。
上述预设条件是为了简化储位分配的操作情况,进而简化储位分配数学模型,上述条件之外的情况不在本储位分配方法的限定范围之内。
同时建立以下原则:
1.集中存放原则。在储位分配时,应该尽可能将相同物料组的物料集中存放,以便提高物料的查找和存取效率,也方便进行库存的盘点:
2.拣货频率高的物料靠近巷道口存放,以减少现场人员对高频物料反复存取的行走距离,以提高出入库效率;
3.相关性高的物料靠近存放。
基于以上条件和原则,结合仓库信息和物料信息,如储位数量、物料种类、拣货频率、相关性,建立储位分配数学模型。
步骤1-1:根据储位数量计算仓库的储位总量,根据货架布局信息设置储位编码规则,按储位编码规则对每个储位设置唯一的储位编码。
步骤1-2:建立用于拣货的拣货车的最小化行走距离目标函数f1。行走距离分三段:从拣货车初始位置到第一个物料的距离d0;物料间的行走距离dij;最后一个物料到仓库的出库区的距离d1,且相关度高的物料靠近放置,则目标函数f1由第一公式定义:
其中,dij为物料i到物料j之间的行走距离,rij为物料i和物料j之间的相关度。
步骤1-3:相同类别的物料组成一个物料组,本实施例中以拉链物料组为例对物料组的组成进行解释说明,例如其中一个物料组为拉链物料组,则该物料组中包含的物料为各种各样的拉链;建立最小化位于同一物料组的物料距离目标函数f2。物料组的中心坐标为Ri,物料组包含的储位编码的总数量为n,物料组内的某个物料的坐标G为(xi,yi,zi),则物料组的中心坐标Ri由如下第二公式定义:
对于位于坐标G为(xi,yi,zi)的物料,该物料与中心坐标Ri距离由如下第三公式定义:
则目标函数f2由如下第四公式定义:
其中,a为货架的总排数,b为货架每排的总列数,c为货架某一列的总层数。
步骤(1-4):将上述第一公式和第四公式的双目标函数转换成单目标函数。双目标模型公式由如下第五公式定义:
约束条件由如下公式定义:
建立适应度函数F,将双目标函数问题采用权值分配转换成单目标函数求极值问题,引入两个优化目标的权重,定义为λ1和λ2,λ1和λ2之和始终为1,且λ1和λ2为0-1的实数,第五公式转化成适应度函数F由如下第六公式定义:
步骤2:根据步骤1建立的储位分配数学模型,采用遗传算法根据各大类库区在仓库中的位置、订单频率和物料相关性为物料分配储位,具体储位分配过程如下:
步骤2-1:初始化遗传算法参数,设置种群数量、最大迭代次数、最大变异概率、最小变异概率和交叉概率。
步骤2-2:初始化种群,判断物料所属的大类库区,随机选择同一大类库区内一个储位进行分配,储位被分配后标记为已放置,遍历所有物料直到各物料均被存放在储位上,没有物料存放的储位默认设置为-1。
步骤2-3:进行灾变操作。设置灾变机制的触发条件,预设值灾变周期T,当种群每经过T次迭代或者全局最优值连续3次相同时,进行一次灾变操作,灾变概率Pz公式如下:
Pz=sinθ×frank
其中,π为圆周率,Itcur为当前迭代次数;MaxIt为最大迭代次数,frank为当前个体在种群中按照适应度由小到大的排名。
步骤2-4:进行选择操作。选择进入下一代的数量占种群数量的10%-20%,也可以根据实际情况选择合适的数量。选择操作采用精英策略和二元锦标赛策略结合的方法,精英策略选择适应度最小的父代直接进入下一代,其余个体通过二元锦标赛策略比较选择适应度小的父代进入下一代。
步骤2-5:进行交叉变异,采用顺序交叉方式,如图4所示,先选取第一父代染色体和第二父代染色体,在第一父代染色体和第二父代染色体中随机选取多个大类库区,在大类库区对应的基因片段内部随机选择起止位置,将第一父代染色体起止位置内的基因复制到第一子代染色体的相同位置上,起止位置外的基因根据第二父代染色体上的顺序对应填入第一子代染色体中,未选中的大类库区则直接复制至第一子代染色体中。
交叉概率Pc根据染色体的适应度情况和迭代次数动态调整,随迭代次数和适应度排名增大而增大,交叉概率Pc公式如下:
其中,Pcmax和Pcmin分别为最大交叉概率和最小交叉概率。
步骤2-6:进行变异操作。如图5所示,同一大类库区内的两个物料才可进行变异操作,设置变异概率随适应度排名frank和迭代次数Itcur增大而增大,与交叉同理,变异概率公式如下:
其中,Pmmax和Pmmin分别为最大变异概率和最小变异概率,由步骤1的储位分配数学模型计算得出适应度排名frank;
步骤2-7:判断是否达到预设的最大迭代次数,若不满足则跳转
步骤2-3,反之则终止循环,输出储位分配方案。
该储位分配方法还包括动态划分所述大类库区的步骤3,步骤3可动态划分仓库的大类库区,该步骤可在步骤1和步骤2之后执行,也可根据实际使用需求进行设定。
步骤3:获取仓库的历史订单信息,如图6所示,采用Apriori算法根据物料组所属的类别将仓库划分为多个大类库区,大类库区的具体划分过程如下:
首先,获取历史订单信息,对只包含一种物料的历史订单信息进行过滤,如果历史订单信息的数据不规范或者数据缺失程度大,则进行删除;如果历史订单信息的物料单位缺失或者不正确,查询物料使用单位后进行补全或改正。
对历史订单信息进行过滤之后开始划分大类库区:
步骤3-1:设置最小支持度以及最小置信度,对历史订单信息进行挖掘分析,采用Apriori算法进行物料组间的相关性挖掘,获得所有历史订单信息的关联规则,计算提升度。
假设某一历史订单信息中同时包含物料组X和物料组Y,
支持度指的是历史订单信息中同时包含物料组X和物料组Y的订单数量与历史订单信息总数量的比值,反映了物料组X和物料组Y同时出现的频率。
置信度指的是物料组Y在包含物料组X的历史订单信息中出现的频率,即表示发生事件A的基础上发生事件B的概率。
提升度指物料组X出现的情况下,物料组Y的出现概率与物料组Y在订单中出现的概率之比,(即置信度与物料组Y在订单中出现的概率之比)反映了物料组X对于物料组Y的出现频率的影响程度,提升度大于1,说明在满足最小支持度和最小置信度下物料组之间存在正相关;提升度小于1,说明在满足最小支持度和最小置信度下物料组之间存在负相关,等于1则为不相关。
步骤3-2:根据步骤3-1获取的关联规则,按照历史订单信息中包含的物料组数量以及支持度进行排序,选择包含物料组数量更多的,在包含物料组数量相同的情况下则选择支持度更高的关联规则。
步骤3-3:对关联规则进行遍历,检查其包含的物料组是否已经进行大类划分。如果有,跳过该规则;如果没有,则对物料组进行大类划分。
步骤3-4:根据步骤3-3划分的大类产生大类库区,各所述大类分别与各所述大类库区一一对应,每个大类按照大类所包含的物料组在历史订单信息中出现的频率进行排序,统计现有库存中每个大类包含的具体物料编码数量,按照该数量从靠近出库区的位置开始分配大类库区的位置。以此来获得物料组间的相关性,确定大类库区对应存储的物料和大类库区的具体位置。
步骤3-6:输出大类库区划分结果,如图6所示。
以下通过一个具体的储位分配例子来对上述储位分配方法进行进一步的说明。
某仓库拥有24排货架,每排货架有48列,每列有4层储位,共计4608个储位,据此建立储位分配数学模型,计算支持度、置信度和提升度。获取该仓库一季度的拣货订单记录5771条和入库上架单记录3795条,共包含37521条明细、22种物料组和4364种物料编码。运用Apriori算法对订单数据进行关联规则挖掘。设置最小支持度0.1,最小置信度0.6。设置物料组集合中最大置信度为最终置信度,最大提升度为最终提升度,最终获得符合条件的物料组关联规则98条,部分关联规则如表1所示,根据挖掘出的关联规则,最终将22种物料组划分成11个大类库区,并按照大类订单频率进行排序编号,如表2所示,最终库区划分如图6所示。
表1物料组部分关联规则
表2物料组大类划分结果
随后通过遗传算法进行储位分配,为保证实验不受偶然因素影响,对本发明方案进行10次实验,取平均值作为评价标准,遗传算法种群数量设置为100,迭代次数为200,交叉概率为0.8,变异概率0.1。以一个月的入库单和拣货单作为验证,该仓库使用随机存储和靠近出库存储两种储位分配方法相结合进行储位分配,以此现有方案为例与本发明的储位分配方法进行比较,具体效果对比如表2所示,拣货车的拣货距离相比于仓库目前储位分配方案缩短23.85%,入库上架与现有方案相比,平均缩短13.70%,拣货车的行走距离大幅降低。
表3方案效果对比
表3中的现有方案指的是采用随机存储和靠近出库存储两种储位分配方法相结合进行储位分配的方案。
由上述效果对比可以看出,该储位分配算法减少了拣货车的行走距离,有效提高了拣货车的工作效率。
本实施例还公开了一种用于实现上述储位分配方法的系统。
一种储位分配系统,包括存储器和处理器,存储器中存储有处理器的可执行命令,处理器中配置有经由执行可执行命令来实现上述储位分配方法。
本实施例还公开了一种存储有上述储位分配方法的存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可实现上述储位分配方法。
综上所述,上述的储位分配方法、系统即存储介质,能够根据定信息动态划分库区的位置和范围,解决仓库库区划分不合理的情况,同时根据物料和订单相关信息合理安排物料储位,降低作业时的行走距离,提高仓库作业效率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种储位分配方法,其特征在于,包括以下依次执行的步骤:
步骤1:获取仓库的货架布局信息和储位数量,根据所述货架布局信息和所述储位数量建立储位分配数学模型的过程如下:
步骤1-1:根据所述储位数量计算所述仓库的储位总量,根据所述货架布局信息设置储位编码规则,按所述储位编码规则对每个储位设置唯一储位编码;
步骤1-2:建立用于拣货的拣货车的最小化行走距离目标函数f1,行走距离分三段:从所述拣货车初始位置到第一个物料的距离d0;物料间的行走距离dij;最后一个物料到所述仓库的出库区的距离d1,且相关度高的物料靠近放置,则最小化行走距离目标函数f1由第一公式定义:
其中,dij为物料i到物料j间的行走距离,rij为物料i和物料j之间的相关度;
步骤1-3:相同类别的物料组成一个物料组,建立最小化位于同一物料组的物料距离目标函数f2,所述物料组的中心坐标为Ri,所述物料组包含的所述储位编码的总数量为n,所述物料组内的某个物料的坐标G为(xi,yi,zi),则所述物料组的中心坐标Ri由如下第二公式定义:
对于位于坐标G为(xi,yi,zi)的物料,该物料与中心坐标Ri距离由如下第三公式定义:
则最小化位于同一物料组的物料距离目标函数f2由如下第四公式定义:
其中,a为货架的总排数,b为所述货架每排的总列数,c为所述货架某一列的总层数;
步骤1-4:将所述第一公式和所述第四公式的双目标函数转换成单目标函数,双目标函数公式由如下第五公式定义:
约束条件由如下公式定义:
且x,y,z均为整数;
建立适应度函数F,将双目标函数问题采用权值分配转换成单目标函数求极值问题,引入两个优化目标的权重,定义为λ1和λ2,λ1和λ2之和始终为1,且λ1和λ2都为0-1的实数,所述第五公式转化成所述适应度函数F由如下第六公式定义:
步骤2:根据步骤1建立的所述储位分配数学模型,采用遗传算法根据各大类库区在所述仓库中的位置、订单频率和物料相关性为物料分配储位,具体储位分配过程如下:
步骤2-1:初始化遗传算法参数,设置种群数量、最大迭代次数、最大变异概率、最小变异概率和交叉概率;
步骤2-2:初始化种群,判断物料所属的所述大类库区,随机选择同一所述大类库区内一个储位进行分配,储位被分配后标记为已放置,遍历所有物料直到各所述物料均被存放在储位上,没有物料存放的储位默认设置为-1;
步骤2-3:进行灾变操作,设置灾变机制的触发条件,预设灾变周期T,当种群每经过T次迭代或者全局最优值连续多次相同时,进行一次灾变操作,灾变概率Pz公式如下:
Pz=sinθ×frank;
其中,π为圆周率,Itcur为当前迭代次数;MaxIt为最大迭代次数,frank为当前个体在种群中按照适应度由小到大的排名;
步骤2-4:进行选择操作,选择进入下一代的数量占种群数量的10%-20%,所述选择操作采用精英策略和二元锦标赛策略结合的方法,精英策略选择所述适应度最小的父代直接进入下一代,其余个体通过二元锦标赛策略比较选择所述适应度小的父代进入下一代;
步骤2-5:进行交叉变异,采用顺序交叉方式,先选取第一父代染色体和第二父代染色体,在所述第一父代染色体和所述第二父代染色体中随机选取多个所述大类库区,在所述大类库区对应的基因片段内部随机选择起止位置,将所述第一父代染色体起止位置内的基因复制到第一子代染色体的相同位置上,起止位置外的基因根据所述第二父代染色体上的顺序对应填入所述第一子代染色体中,未选中的所述大类库区则直接复制至所述第一子代染色体中;
交叉概率Pc根据染色体的适应度情况和迭代次数动态调整,随迭代次数和适应度排名增大而增大,交叉概率Pc公式如下:
其中,Pcmax和Pcmin分别为最大交叉概率和最小交叉概率;
步骤2-6:进行变异操作,同一所述大类库区内的两个物料才可进行变异操作,设置所述变异概率随适应度排名frank和迭代次数Itcur增大而增大,与交叉同理,变异概率公式如下:
其中,Pmmax和Pmmin分别为所述最大变异概率和所述最小变异概率;
步骤2-7:判断是否达到预设的所述最大迭代次数,若不满足则跳转步骤2-3,反之则终止循环,输出储位分配方案。
2.根据权利要求1所述的一种储位分配方法,其特征在于:该储位分配方法还包括动态划分所述大类库区的步骤3:获取所述仓库的历史订单信息,采用Apriori算法根据所述物料组所属的类别将所述仓库划分为多个所述大类库区,具体划分过程如下:
步骤3-1:设置最小支持度以及最小置信度,对所述历史订单信息进行挖掘分析,采用Apriori算法进行所述物料组间的相关性挖掘,获得所有所述历史订单信息的关联规则,计算提升度;
步骤3-2:根据步骤3-1获取的所述关联规则,按照所述历史订单信息中包含的物料组数量以及所述最小支持度进行排序,选择包含物料组数量更多的,在包含物料组数量相同的情况下则选择所述最小支持度更高的关联规则;
步骤3-3:对所述关联规则进行遍历,检查其包含的物料组是否已经进行大类划分,如果有,跳过该规则;如果没有,则对物料组进行大类划分;
步骤3-4:根据步骤3-3划分的所述大类产生大类库区,各所述大类分别与各所述大类库区一一对应,每个所述大类按照所述大类所包含的物料组在所述历史订单信息中出现的频率进行排序,统计现有库存中每个所述大类包含的具体物料编码数量,按照所述物料编码数量从靠近出库区的位置分别设定各所述大类库区的位置;
步骤3-5:输出所述大类库区的划分结果。
3.根据权利要求2所述的一种储位分配方法,其特征在于:在步骤3-1之前对获取的所述历史订单信息进行处理,具体处理过程如下:获取所述历史订单信息,对只包含一种物料的所述历史订单信息进行过滤,如果所述历史订单信息的数据不规范或者数据缺失程度大,则进行删除;如果所述历史订单信息的物料单位缺失或者不正确,查询物料使用单位后进行补全或改正。
4.一种储位分配系统,其特征在于:包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令;所述处理器中配置有经由执行所述可执行命令来实现权利要求1至3任一项所述的方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727534.3A CN116468372B (zh) | 2023-06-20 | 2023-06-20 | 一种储位分配方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727534.3A CN116468372B (zh) | 2023-06-20 | 2023-06-20 | 一种储位分配方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116468372A CN116468372A (zh) | 2023-07-21 |
CN116468372B true CN116468372B (zh) | 2023-10-20 |
Family
ID=87184697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727534.3A Active CN116468372B (zh) | 2023-06-20 | 2023-06-20 | 一种储位分配方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434875B (zh) * | 2023-12-19 | 2024-03-12 | 张家港市智恒电子有限公司 | 用于阀门工控平台的电路运行监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105836356A (zh) * | 2016-05-27 | 2016-08-10 | 陕西科技大学 | 一种密集仓储系统混合优化调度方法 |
CN107808215A (zh) * | 2017-10-23 | 2018-03-16 | 南昌大学 | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 |
CN109886478A (zh) * | 2019-01-29 | 2019-06-14 | 东南大学 | 一种成品酒自动化立体仓库的货位优化方法 |
CN112580852A (zh) * | 2020-11-19 | 2021-03-30 | 江苏安方电力科技有限公司 | 一种面向电力物资的密集型自动化立体仓库货位优化方法 |
CN114417696A (zh) * | 2021-12-07 | 2022-04-29 | 长春工业大学 | 一种基于遗传算法的自动化立体仓库货位分配优化方法 |
CN114707930A (zh) * | 2022-03-31 | 2022-07-05 | 红云红河烟草(集团)有限责任公司 | 基于拣货动线模型的卷烟成品智慧园区管控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140279658A1 (en) * | 2013-03-12 | 2014-09-18 | United Parcel Service Of America, Inc. | Systems and methods of suggesting attended delivery/pickup locations |
-
2023
- 2023-06-20 CN CN202310727534.3A patent/CN116468372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105836356A (zh) * | 2016-05-27 | 2016-08-10 | 陕西科技大学 | 一种密集仓储系统混合优化调度方法 |
CN107808215A (zh) * | 2017-10-23 | 2018-03-16 | 南昌大学 | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 |
CN109886478A (zh) * | 2019-01-29 | 2019-06-14 | 东南大学 | 一种成品酒自动化立体仓库的货位优化方法 |
CN112580852A (zh) * | 2020-11-19 | 2021-03-30 | 江苏安方电力科技有限公司 | 一种面向电力物资的密集型自动化立体仓库货位优化方法 |
CN114417696A (zh) * | 2021-12-07 | 2022-04-29 | 长春工业大学 | 一种基于遗传算法的自动化立体仓库货位分配优化方法 |
CN114707930A (zh) * | 2022-03-31 | 2022-07-05 | 红云红河烟草(集团)有限责任公司 | 基于拣货动线模型的卷烟成品智慧园区管控方法 |
Non-Patent Citations (1)
Title |
---|
仓库储位分配算法研究;吴胜鑫;《中国优秀硕士学位论文)全文数据库 信息科技辑》(第2022年第1期期);第16-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116468372A (zh) | 2023-07-21 |
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 | |
CN109886478B (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
CN106779153B (zh) | 一种智能立体仓库货位分配优化方法 | |
CN107808215B (zh) | 一种应用于Flying-V型非传统布局仓库的货位分配优化方法 | |
Ene et al. | Storage location assignment and order picking optimization in the automotive industry | |
CN116468372B (zh) | 一种储位分配方法、系统及存储介质 | |
CN109583660B (zh) | 一种动态拣货策略的实现方法 | |
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 | |
CN104063778A (zh) | 一种在立体货仓中为货物分配货位的方法 | |
CN113516293B (zh) | 一种考虑拣货距离与库位离散度的库位分配方法 | |
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 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN111582781B (zh) | 一种根据补货订单分配货架的方法及计算机可读存储介质 | |
CN113222410A (zh) | 双向式布局模式下货位分配模型建立方法 | |
CN112100861A (zh) | 基于入侵杂草优化算法的卷烟生产物料货位分配方法 | |
CN114971317A (zh) | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 | |
CN117371621A (zh) | 基于改进果蝇优化算法的库位分配方法、系统及介质 | |
CN111626516A (zh) | 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法 | |
CN113313447B (zh) | 一种基于寄居蟹算法的立体仓库货位分配方法 | |
CN116342039A (zh) | 一种立体仓库的货物分配和拣选的优化方法 | |
CN115423404A (zh) | 一种电商仓库拣选区自动化分区方法及系统 | |
Bindi et al. | Similarity coefficients and clustering techniques for the correlated assignment problem in warehousing systems | |
CN113762563B (zh) | 基于订单灰色关联分析的仓储货位优化布局方法及系统 | |
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 | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 |
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 |