CN116796910A - 基于货物分配策略的订单分批优化方法 - Google Patents
基于货物分配策略的订单分批优化方法 Download PDFInfo
- Publication number
- CN116796910A CN116796910A CN202311050013.5A CN202311050013A CN116796910A CN 116796910 A CN116796910 A CN 116796910A CN 202311050013 A CN202311050013 A CN 202311050013A CN 116796910 A CN116796910 A CN 116796910A
- Authority
- CN
- China
- Prior art keywords
- order
- cargo
- goods
- batch
- orders
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000007621 cluster analysis Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000531116 Blitum bonus-henricus Species 0.000 description 1
- 235000008645 Chenopodium bonus henricus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开了基于货物分配策略的订单分批优化方法,属于专门适用于管理目的的处理方法技术领域,包括:根据基于距离的聚类算法衡量这两个对象间的相似度进行聚类分析,计算数据到中心点距离及邻近性,将对象划分至与其邻近性最高的聚类中心所属的聚类簇中,更新聚类中心点的位置,重新计算邻近性并分配类别,直到中心点无变化,或达到指定迭代次数;构建基于关联规则挖掘算法的货物关联规则,引入关联规则提升度和关联度来衡量两类货物之间关联度的强弱,构建动态货位分配目标函数,利用差分进化算法进行求解;提出订单间的关联规则,建立订单分批模型,提出基于关联规则挖掘的不考虑时间期限和考虑时间期限的订单分批策略。
Description
技术领域
本发明公开了基于货物分配策略的订单分批优化方法,属于专门适用于管理目的的处理方法技术领域。
背景技术
仓库管理系统(Warehouse Management System,WMS)是一个信息化的系统。订单拣选是仓储系统中耗时耗力最大的一个环节,占据了整个仓储作业成本的65%-70%。为了提高仓储订单拣选的效率,从以下几个方面进行研究,如:货位分配、拣选路径及订单分批等。货位分配直接影响了货物存储的位置,而订单分批则影响了需要拣选的货物种类和数量。
在仓储拣选系统中,货位分配直接影响了货物存储的位置,而位置就决定了智能拣选车行走的距离,从而影响订单的拣选所需的时间。在对货位分配进行优化的过程中,目前主要的方法是通过对商品按一定的规律进行分类,比如:按商品的需求或者出入库的频率对商品进行ABC分类、按商品的季节波动性大小对商品进行XYZ分类,也可以综合商品的需求频率和季节波动性对商品进行ABC-XYZ分类。然后按商品的分类标准结合货位的时间特征值,采用启发式算法实现货位分配的优化。但是,目前的方法大多是对商品的分类规则,算法的选择与优化进行研究,往往忽视了消费者的需求、货物间的关联性以及订单间的关联性。在数据挖掘技术迅速发展的今天,利用数据挖掘技术,采用聚类分析算法、关联规则挖掘算法来寻找货物间的关联度以及订单间的关联度,来指导和优化仓储拣选系统的货位分配。
订单分批影响了需要拣选的货物的种类和数量。不同的订单分批组合会导致智能拣选小车需要拣选的货位位置不同,而位置的不同就直接影响了智能拣选车从一个货位到另一个货位,直至拣选完这批订单组合中所有货物所行驶的距离,从而影响拣选时间的长短。目前订单分批,缺乏对订单数据的挖掘,没有利用订单数据之间的关联特性。数据挖掘技术也可以用于订单分批,只是数据挖掘的“对象”从货物变成了订单,即从挖掘货物与货物间的关系变成了挖掘订单与订单之间的关系,从大量的订单数据分析到发现其中隐藏的信息和规律,再将其运用到仓储拣选系统作业效率的提高上来。
发明内容
本发明公开了基于货物分配策略的订单分批优化方法,解决现有技术中,仓储拣选和订单分批方法准确性差、效率低的问题。
基于货物分配策略的订单分批优化方法,包括:
V1.智能拣选车初始位置为货架第一层,通过智能拣选车的提升装置来完成换层;
智能拣选车在拣选完货物后,根据批次内的货物信息,按照S型拣选策略,拣选下一类货物,直至拣选完订单批次中的所有货物,返回集装站台完成打包发货,每个货位仅存放一类sku的货物,而每类sku的货物可以存储于多个货位中;
V2.将订单进行转置,将“订单-货物”的二维结构转化为“货物-订单”的二维结构;
V3.将时间期限近、相关性高的订单放入同一批次,建立以所有批次内时间期限相近、订单关联度最大为目标的目标函数,其表达式如下:
;
其中,表示两个订单f和f’间的时间期限间隔,/>为时间期限权重,/> 越小,-/>就越大,而/>也越大,订单关联度/>越大,两个订单就越应该分到一个批次中;/>为决策变量:/>=1时,订单f被分到批次g中;反之/>=0时,订单f不分到批次g中。
面临静态货物分配时,在步骤V1之前执行如下货物分配过程:
S1.1.获得电子化的货物信息数据,进行聚类分析算法的选择和适配,静态货物分配策略使用基于聚类分析算法的分类分区策略,在选取初始聚类中心时,初始聚类中心之间的距离远离原来选取的聚类中心;
S1.2. 设计聚类分析算法,欧几里得距离表示在多维空间中两个点之间的距离,多维空间中任意两个聚类对象i、j的邻近性公式为:
;
其中,为聚类对象i、j的邻近性,/>和/>分别表示聚类对象i、j所对应的特征向量中第k维的特征值。
包括:
S1.3.设置不同的K值,基于货物的Frequency、Dependency、Weight对货物进行分类,其中Frequency表示调用频率,Dependency表示属地,Weight表示重量;
通过Matlab编程进行仿真计算,当n取1000次时,在聚类簇数K分别为2、3、4、5、6、7、8、9、10、11共10种情况下得到不同聚类簇数K值下的智能拣选车总拣选距离,通过比较总拣选距离,得出最优K值得货位分配方案;
S1.4.引入EOQ模型,通过建立货位时间特征值模型,并引入聚类分析特征指标系数,在将货位按照时间特征值大小排序后,根据每个聚类簇的特征指标系数λ的大小,依次将特征指标系数λ大的货物聚类簇按照货位分区比例分配到货位时间特征值小的货位;
经济订单批量计算公式如下:
;
式中,r为某一类sku货物,sku为最小存货单位,为经济订单批量,/>为年需求量,C为订货成本,H为年保管费用,C/H=2;最小安全库存/>设置为经济订单量的10%,即
;
用表示货物i的平均库存:
。
包括:
S1.5.采用基于聚类分析的分类分区策略时,分区比例大小的计算公式如下:
;
式中,a、b、c分别表示A、B、C三类货物中的货物种类数;n,m,…,k-1,k分别表示,/>,…,K-1,K类货物的种类数;
S1.6.计算基于聚类分析的货位分配策略下的总拣选路径,在基于聚类分析货位分配策略下,计算智能拣选车拣选完所有订单所需要的总拣选距离,将此过程循环一次,计算出第二次的总拣选距离为/>,将此过程循环n次,计算出第二次的总拣选距离为,则平均总作业时间/>为:
;
比较不同K值的总拣选距离,得出最优K值。
面临动态货物分配时,在步骤V1之前执行如下货物分配过程:
B1.1.基于Apriori算法的货物关联规则构建步骤包括:
对于项集X,其支持度定义为:包含项集X的事务数t与总事务数T之比,计算公式如下:
;
对于规则X⇒Y,其置信度定义为:数据集中同时包含X、Y的事务数与包含X的事务数之比,其计算公式如下:
;
式中,Y是不同于X的另一个项集;
提升度的计算公式如下:
;
B1.2.使用关联度数衡量两类sku货物之间关联度的强弱,/>是货物i和j的关联度数,/>越小代表货物i与货物j之间关联度越弱,/>的表达式如下:
;
式中,表示提升度函数,R表示聚类簇数的最大值,/>表示货物i的项集,/>表示货物j的项集。
包括:
B1.3.货物距离站台总距离的目标函数为:
;
其中 为对新入库的某一商品单独拣选该商品的拣选距离;/>为智能拣选车到货位坐标(x,y,z)的距离,/>为货物i的出入库频率;
对于货物i和货物j,他们之间的距离目标函数为:
;
表示货物i和货物j之间最近的距离。
包括:
B1.4.使货架重心最低的目标函数为:
;
表示货物i的质量,z为货物i在z向上的坐标;
B1.5.设计差分进化算法,引入权重系数、/>、/>,将多目标转化为单目标,赋予三个子目标函数S、D、T不同的权重系数代表其重要程度,采用除以均值的方式来消除量纲,让三个子目标函数为同一量级,消除量纲/>的目标函数为:
;
为智能拣选车拣选当前所有空货位的平均拣选距离,/>为货物i与货物j的货位之间的距离,/>为当前批次所有货物的平均质量。
步骤V3执行完毕后,若不考虑时间期限,具体步骤包括:
P1.输入订单数据和货物关联规则;
P2.输出包含关联商品的关联订单和任意两个订单间的关联度SAB;
P3.输入订单合集OO、每个订单包括的商品数量VO和智能拣选车设备容量C;
P4.判断订单O是否关联订单,若是,则将订单放入关联订单合集CO并执行P4.1,若否,则执行P4.4;
P5.输出所有订单的分批结果后,结束执行不考虑时间期限的基于货物分配策略的订单分批优化方法。
P4包括:
P4.1.从CO中选择两个关联度最大的订单OA、OB放入批次Bi中,若此时存在关联度相同的情况,选择包含货物种类数多的两个订单,从集合中删除OA、OB;
P4.2.从集合CO中选择和Bi中所有订单关联度最高的订单OC,判断Bi和订单OC中的货物数量是否超过C,若未超过,则将OC放入Bi中,从CO中删除订单OC,并重新执行P4.2,若超过,则输出Bi,并判断CO是否为空;
P4.3.若CO为空,则输出CO的分批结果,并输出所有订单的分批结果,若CO不为空,则返回执行P4.1;
P4.4.将订单放入非关联订单UCO,依据订单中最大相同商品数量进行分批,不含相同商品的非关联订单按时间顺序进行分批,输出UCO的分批结果,并输出所有订单的分批结果。
步骤V3执行完毕后,若考虑时间期限,具体步骤包括:
L1.输入订单数据和货物关联规则,输出包含关联商品的关联订单和任意两个订单间的关联度SAB,输入订单集合OO、每个订单包含的商品数量V0,智能拣选车设备容量C,每个订单的时间期限t0,将OO中的订单按照时间大小排序,选择时间期限最小的订单作为种子订单Ot放入批次Bi中,从订单集合中删除Ot,判断OO中是否有订单和Ot关联,若是则执行L1.1,若否则执行L1.4;
L1.1.生成和Ot关联的订单集合CO;
L1.2.从CO中选择和Ot关联度最大的订单OA,计算合并后的完成时间T,判断T是否小于Ot和OA的最短到期日,若为否,则从CO中删除OA,此时CO不为空,返回输出订单批次Bi且执行L1.1,若为是,则计算订单Ot和OA的货物数量以及V0,判断V0是否大于等于C;
L1.3.若V0不大于等于C,则将OA放入Bi,从OO和CO种删除OA,返回执行L1.2,若V0大于等于C,则出订单批次Bi;
L1.4.依照订单中最大相同货物数量进行分批,同关联度分批操作,不含相同商品的非关联订单按照时间期限相近的原则进行分批,输出订单批次Bi;
L1.5.输出订单批次后,判断OO是否为空,若不为空,则返回执行将OO中的订单按照时间大小排序以以后的步骤,若为空,则输出所有的订单的分批结果,并结束执行考虑时间期限的基于货物分配策略的订单分批优化方法。
本发明的有益效果为,本发明基于K-Means++算法,以商品的出入库频率、订单货物之间的关联性、货物的重量为主要影响因素,并引入EOQ模型,设计适用于货位分配的聚类算法对货物进行聚类分簇,并以此指导货位分配策略,提出一种新的基于聚类分析的静态货位分配策略,对订单数据进行了充分的挖掘。在静态货位分配策略基础上,采用Apriori关联规则挖掘算法,构建货物间关联规则,以仓储拣选作业效率、货架稳定性、能耗最低为目标,研究当拣选库为空库和拣选库已存在部分货物这两种情况下,当存在一批新的货物需要入库时,建立考虑货物关联性规则的多目标货位分配优化模型,进行多目标的动态货位分配优化,设计差分进化算法求解。通过Apriori算法挖掘出不同订单间的关联规则,并以此指导订单分批,提出基于关联规则挖掘的不考虑时间期限和考虑时间期限的订单分批策略,并与不同货物分配策略进行组合,可以显著提高仓储拣选效率、提高订单准时到达率。
附图说明
图1 是聚类算法流程图;
图2 是货物关联规则构建流程图;
图3是差分进化算法的实现流程图;
图4是不考虑时间期限的订单分批算法图;
图5是考虑时间期限的订单分批算法图。
具体实施方式
下面结合具体实施方式进一步介绍本发明。
基于货物分配策略的订单分批优化方法,包括:
V1.智能拣选车初始位置为货架第一层,通过智能拣选车的提升装置来完成换层;
智能拣选车在拣选完货物后,根据批次内的货物信息,按照S型拣选策略,拣选下一类货物,直至拣选完订单批次中的所有货物,返回集装站台完成打包发货,每个货位仅存放一类sku的货物,而每类sku的货物可以存储于多个货位中;
V2.将订单进行转置,将“订单-货物”的二维结构转化为“货物-订单”的二维结构;
V3.将时间期限近、相关性高的订单放入同一批次,建立以所有批次内时间期限相近、订单关联度最大为目标的目标函数,其表达式如下:
;
其中,表示两个订单f和f’间的时间期限间隔,/>为时间期限权重,/> 越小,-/>就越大,而/>也越大,订单关联度/>越大,两个订单就越应该分到一个批次中;/>为决策变量:/>=1时,订单f被分到批次g中;反之/>=0时,订单f不分到批次g中。
面临静态货物分配时,在步骤V1之前执行如下货物分配过程:
S1.1.获得电子化的货物信息数据,进行聚类分析算法的选择和适配,静态货物分配策略使用基于聚类分析算法的分类分区策略,在选取初始聚类中心时,初始聚类中心之间的距离远离原来选取的聚类中心;
S1.2. 设计聚类分析算法,欧几里得距离表示在多维空间中两个点之间的距离,多维空间中任意两个聚类对象i、j的邻近性公式为:
;
其中,为聚类对象i、j的邻近性,/>和/>分别表示聚类对象i、j所对应的特征向量中第k维的特征值。
包括:
S1.3.设置不同的K值,基于货物的Frequency、Dependency、Weight对货物进行分类,其中Frequency表示调用频率,Dependency表示属地,Weight表示重量;
通过Matlab编程进行仿真计算,当n取1000次时,在聚类簇数K分别为2、3、4、5、6、7、8、9、10、11共10种情况下得到不同聚类簇数K值下的智能拣选车总拣选距离,通过比较总拣选距离,得出最优K值得货位分配方案;
S1.4.引入EOQ模型,通过建立货位时间特征值模型,并引入聚类分析特征指标系数,在将货位按照时间特征值大小排序后,根据每个聚类簇的特征指标系数λ的大小,依次将特征指标系数λ大的货物聚类簇按照货位分区比例分配到货位时间特征值小的货位;
经济订单批量计算公式如下:
;
式中,r为某一类sku货物,sku为最小存货单位,为经济订单批量,/>为年需求量,C为订货成本,H为年保管费用,C/H=2;最小安全库存/>设置为经济订单量的10%,即
;
用表示货物i的平均库存:
。
包括:
S1.5.采用基于聚类分析的分类分区策略时,分区比例大小的计算公式如下:
;
式中,a、b、c分别表示A、B、C三类货物中的货物种类数;n,m,…,k-1,k分别表示,/>,…,K-1,K类货物的种类数;
S1.6.计算基于聚类分析的货位分配策略下的总拣选路径,在基于聚类分析货位分配策略下,计算智能拣选车拣选完所有订单所需要的总拣选距离,将此过程循环一次,计算出第二次的总拣选距离为/>,将此过程循环n次,计算出第二次的总拣选距离为,则平均总作业时间/>为:
;
比较不同K值的总拣选距离,得出最优K值。
面临动态货物分配时,在步骤V1之前执行如下货物分配过程:
B1.1.基于Apriori算法的货物关联规则构建步骤包括:
对于项集X,其支持度定义为:包含项集X的事务数t与总事务数T之比,计算公式如下:
;
对于规则X⇒Y,其置信度定义为:数据集中同时包含X、Y的事务数与包含X的事务数之比,其计算公式如下:
;
式中,Y是不同于X的另一个项集;
提升度的计算公式如下:
;
B1.2.使用关联度数衡量两类sku货物之间关联度的强弱,/>是货物i和j的关联度数,/>越小代表货物i与货物j之间关联度越弱,/>的表达式如下:
;
式中,表示提升度函数,R表示聚类簇数的最大值,/>表示货物i的项集,/>表示货物j的项集。
包括:
B1.3.货物距离站台总距离的目标函数为:
;
其中 为对新入库的某一商品单独拣选该商品的拣选距离;/>为智能拣选车到货位坐标(x,y,z)的距离,/>为货物i的出入库频率;
对于货物i和货物j,他们之间的距离目标函数为:
;
表示货物i和货物j之间最近的距离。
包括:
B1.4.使货架重心最低的目标函数为:
;
表示货物i的质量,z为货物i在z向上的坐标;
B1.5.设计差分进化算法,引入权重系数、/>、/>,将多目标转化为单目标,赋予三个子目标函数S、D、T不同的权重系数代表其重要程度,采用除以均值的方式来消除量纲,让三个子目标函数为同一量级,消除量纲/>的目标函数为:
;
为智能拣选车拣选当前所有空货位的平均拣选距离,/>为货物i与货物j的货位之间的距离,/>为当前批次所有货物的平均质量。
步骤V3执行完毕后,若不考虑时间期限,具体步骤包括:
P1.输入订单数据和货物关联规则;
P2.输出包含关联商品的关联订单和任意两个订单间的关联度SAB;
P3.输入订单合集OO、每个订单包括的商品数量VO和智能拣选车设备容量C;
P4.判断订单O是否关联订单,若是,则将订单放入关联订单合集CO并执行P4.1,若否,则执行P4.4;
P5.输出所有订单的分批结果后,结束执行不考虑时间期限的基于货物分配策略的订单分批优化方法。
P4包括:
P4.1.从CO中选择两个关联度最大的订单OA、OB放入批次Bi中,若此时存在关联度相同的情况,选择包含货物种类数多的两个订单,从集合中删除OA、OB;
P4.2.从集合CO中选择和Bi中所有订单关联度最高的订单OC,判断Bi和订单OC中的货物数量是否超过C,若未超过,则将OC放入Bi中,从CO中删除订单OC,并重新执行P4.2,若超过,则输出Bi,并判断CO是否为空;
P4.3.若CO为空,则输出CO的分批结果,并输出所有订单的分批结果,若CO不为空,则返回执行P4.1;
P4.4.将订单放入非关联订单UCO,依据订单中最大相同商品数量进行分批,不含相同商品的非关联订单按时间顺序进行分批,输出UCO的分批结果,并输出所有订单的分批结果。
步骤V3执行完毕后,若考虑时间期限,具体步骤包括:
L1.输入订单数据和货物关联规则,输出包含关联商品的关联订单和任意两个订单间的关联度SAB,输入订单集合OO、每个订单包含的商品数量V0,智能拣选车设备容量C,每个订单的时间期限t0,将OO中的订单按照时间大小排序,选择时间期限最小的订单作为种子订单Ot放入批次Bi中,从订单集合中删除Ot,判断OO中是否有订单和Ot关联,若是则执行L1.1,若否则执行L1.4;
L1.1.生成和Ot关联的订单集合CO;
L1.2.从CO中选择和Ot关联度最大的订单OA,计算合并后的完成时间T,判断T是否小于Ot和OA的最短到期日,若为否,则从CO中删除OA,此时CO不为空,返回输出订单批次Bi且执行L1.1,若为是,则计算订单Ot和OA的货物数量以及V0,判断V0是否大于等于C;
L1.3.若V0不大于等于C,则将OA放入Bi,从OO和CO种删除OA,返回执行L1.2,若V0大于等于C,则出订单批次Bi;
L1.4.依照订单中最大相同货物数量进行分批,同关联度分批操作,不含相同商品的非关联订单按照时间期限相近的原则进行分批,输出订单批次Bi;
L1.5.输出订单批次后,判断OO是否为空,若不为空,则返回执行将OO中的订单按照时间大小排序以以后的步骤,若为空,则输出所有的订单的分批结果,并结束执行考虑时间期限的基于货物分配策略的订单分批优化方法。
实施例中,聚类算法流程如图1所示,货物关联规则构建流程如图2所示,差分进化算法的实现流程如图3所示,不考虑时间期限的订单分批算法如图4所示,考虑时间期限的订单分批算法如图5所示。货位分配优化仿真分析中,首先要对场景及差分进化算法参数进行设置,本发明设置参数如表1。
表1差分进化算法求解货位分配优化模型的参数设置
。
差分进化算法求解结果,可以得出不同条件下的目标函数得到的优化,见表2。
表2不同、/>、/>条件下的目标函数S、D、T优化对比
。
当=0.5、/>=0.5、/>=0时,算法优化的是拣选库的作业效率,即目标函数S和D,目标函数S值从6121降低到4577,目标函数D值从5751降低到3822,作业效率得到有效提高,同时,目标函数T值也有一定下降,说明优化后的货位分配方案也降低了货物的等效重心,只是不是非常明显;当/>=0、/>=0、/>=1时,算法优化的是货架稳定性,目标函数T值从71283降低到46695,货架稳定性得到有效提高,同时,优化后的货位分配方案也能够提高仓储作业效率。因此在实际仓储物流系统中,可以根据企业决策者对优化目标S、D、T的重视程度灵活选取/>、/>、/>的值,来优化货位分配,从而满足企业的现实需求。
将“订单-货物”的二维结构转化为“货物-订单”的二维结构,转化方式如下表3。
表3 订单二维结果转置(转置前)
。
通过订单二维结构的转置,关联规则挖掘的对象由货物(Items)变成了订单(Orders)。订单的关联度主要由订单里面包含的货物sku种类数所决定,即包含相同sku的货物越多,就说明这两个订单的关联程度越强如下表4所示。
表4 订单二维结果转置(转置后)
。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.基于货物分配策略的订单分批优化方法,其特征在于,包括:
V1.智能拣选车初始位置为货架第一层,通过智能拣选车的提升装置来完成换层;
智能拣选车在拣选完货物后,根据批次内的货物信息,按照S型拣选策略,拣选下一类货物,直至拣选完订单批次中的所有货物,返回集装站台完成打包发货,每个货位仅存放一类sku的货物,而每类sku的货物可以存储于多个货位中;
V2.将订单进行转置,将“订单-货物”的二维结构转化为“货物-订单”的二维结构;
V3.将时间期限近、相关性高的订单放入同一批次,建立以所有批次内时间期限相近、订单关联度最大为目标的目标函数,其表达式如下:
;
其中,表示两个订单f和f’间的时间期限间隔,/>为时间期限权重,/> 越小,-/>就越大,而/>也越大,订单关联度/>越大,两个订单就越应该分到一个批次中;/>为决策变量:/>=1时,订单f被分到批次g中;反之/>=0时,订单f不分到批次g中。
2.根据权利要求1所述的基于货物分配策略的订单分批优化方法,其特征在于,面临静态货物分配时,在步骤V1之前执行如下货物分配过程:
S1.1.获得电子化的货物信息数据,进行聚类分析算法的选择和适配,静态货物分配策略使用基于聚类分析算法的分类分区策略,在选取初始聚类中心时,初始聚类中心之间的距离远离原来选取的聚类中心;
S1.2. 设计聚类分析算法,欧几里得距离表示在多维空间中两个点之间的距离,多维空间中任意两个聚类对象i、j的邻近性公式为:
;
其中,为聚类对象i、j的邻近性,/>和/>分别表示聚类对象i、j所对应的特征向量中第k维的特征值。
3.根据权利要求2所述的基于货物分配策略的订单分批优化方法,其特征在于,包括:
S1.3.设置不同的K值,基于货物的Frequency、Dependency、Weight对货物进行分类,其中Frequency表示调用频率,Dependency表示属地,Weight表示重量;
通过Matlab编程进行仿真计算,当n取1000次时,在聚类簇数K分别为2、3、4、5、6、7、8、9、10、11共10种情况下得到不同聚类簇数K值下的智能拣选车总拣选距离,通过比较总拣选距离,得出最优K值得货位分配方案;
S1.4.引入EOQ模型,通过建立货位时间特征值模型,并引入聚类分析特征指标系数,在将货位按照时间特征值大小排序后,根据每个聚类簇的特征指标系数λ的大小,依次将特征指标系数λ大的货物聚类簇按照货位分区比例分配到货位时间特征值小的货位;
经济订单批量计算公式如下:
;
式中,r为某一类sku货物,sku为最小存货单位,为经济订单批量,/>为年需求量,C为订货成本,H为年保管费用,C/H=2;最小安全库存/>设置为经济订单量的10%,即
;
用表示货物i的平均库存:
。
4.根据权利要求3所述的基于货物分配策略的订单分批优化方法,其特征在于,包括:
S1.5.采用基于聚类分析的分类分区策略时,分区比例大小的计算公式如下:
;
式中,a、b、c分别表示A、B、C三类货物中的货物种类数;n,m,…,k-1,k分别表示,/>,…,K-1,K类货物的种类数;
S1.6.计算基于聚类分析的货位分配策略下的总拣选路径,在基于聚类分析货位分配策略下,计算智能拣选车拣选完所有订单所需要的总拣选距离,将此过程循环一次,计算出第二次的总拣选距离为/>,将此过程循环n次,计算出第二次的总拣选距离为/>,则平均总作业时间/>为:
;
比较不同K值的总拣选距离,得出最优K值。
5.根据权利要求1所述的基于货物分配策略的订单分批优化方法,其特征在于,面临动态货物分配时,在步骤V1之前执行如下货物分配过程:
B1.1.基于Apriori算法的货物关联规则构建步骤包括:
对于项集X,其支持度定义为:包含项集X的事务数t与总事务数T之比,计算公式如下:
;
对于规则X⇒Y,其置信度定义为:数据集中同时包含X、Y的事务数与包含X的事务数之比,其计算公式如下:
;
式中,Y是不同于X的另一个项集;
提升度的计算公式如下:
;
B1.2.使用关联度数衡量两类sku货物之间关联度的强弱,/>是货物i和j的关联度数,/>越小代表货物i与货物j之间关联度越弱,/>的表达式如下:
;
式中,表示提升度函数,R表示聚类簇数的最大值,/>表示货物i的项集,/>表示货物j的项集。
6.根据权利要求5所述的基于货物分配策略的订单分批优化方法,其特征在于,包括:
B1.3.货物距离站台总距离的目标函数为:
;
其中 为对新入库的某一商品单独拣选该商品的拣选距离;/>为智能拣选车到货位坐标(x,y,z)的距离,/>为货物i的出入库频率;
对于货物i和货物j,他们之间的距离目标函数为:
;
表示货物i和货物j之间最近的距离。
7.根据权利要求6所述的基于货物分配策略的订单分批优化方法,其特征在于,包括:
B1.4.使货架重心最低的目标函数为:
;
表示货物i的质量,z为货物i在z向上的坐标;
B1.5.设计差分进化算法,引入权重系数、/>、/>,将多目标转化为单目标,赋予三个子目标函数S、D、T不同的权重系数代表其重要程度,采用除以均值的方式来消除量纲,让三个子目标函数为同一量级,消除量纲/>的目标函数为:
;
为智能拣选车拣选当前所有空货位的平均拣选距离,/>为货物i与货物j的货位之间的距离,/>为当前批次所有货物的平均质量。
8.根据权利要求1所述的基于货物分配策略的订单分批优化方法,其特征在于,步骤V3执行完毕后,若不考虑时间期限,具体步骤包括:
P1.输入订单数据和货物关联规则;
P2.输出包含关联商品的关联订单和任意两个订单间的关联度SAB;
P3.输入订单合集OO、每个订单包括的商品数量VO和智能拣选车设备容量C;
P4.判断订单O是否关联订单,若是,则将订单放入关联订单合集CO并执行P4.1,若否,则执行P4.4;
P5.输出所有订单的分批结果后,结束执行不考虑时间期限的基于货物分配策略的订单分批优化方法。
9.根据权利要求8所述的基于货物分配策略的订单分批优化方法,其特征在于,P4包括:
P4.1.从CO中选择两个关联度最大的订单OA、OB放入批次Bi中,若此时存在关联度相同的情况,选择包含货物种类数多的两个订单,从集合中删除OA、OB;
P4.2.从集合CO中选择和Bi中所有订单关联度最高的订单OC,判断Bi和订单OC中的货物数量是否超过C,若未超过,则将OC放入Bi中,从CO中删除订单OC,并重新执行P4.2,若超过,则输出Bi,并判断CO是否为空;
P4.3.若CO为空,则输出CO的分批结果,并输出所有订单的分批结果,若CO不为空,则返回执行P4.1;
P4.4.将订单放入非关联订单UCO,依据订单中最大相同商品数量进行分批,不含相同商品的非关联订单按时间顺序进行分批,输出UCO的分批结果,并输出所有订单的分批结果。
10.根据权利要求1所述的基于货物分配策略的订单分批优化方法,其特征在于,步骤V3执行完毕后,若考虑时间期限,具体步骤包括:
L1.输入订单数据和货物关联规则,输出包含关联商品的关联订单和任意两个订单间的关联度SAB,输入订单集合OO、每个订单包含的商品数量V0,智能拣选车设备容量C,每个订单的时间期限t0,将OO中的订单按照时间大小排序,选择时间期限最小的订单作为种子订单Ot放入批次Bi中,从订单集合中删除Ot,判断OO中是否有订单和Ot关联,若是则执行L1.1,若否则执行L1.4;
L1.1.生成和Ot关联的订单集合CO;
L1.2.从CO中选择和Ot关联度最大的订单OA,计算合并后的完成时间T,判断T是否小于Ot和OA的最短到期日,若为否,则从CO中删除OA,此时CO不为空,返回输出订单批次Bi且执行L1.1,若为是,则计算订单Ot和OA的货物数量以及V0,判断V0是否大于等于C;
L1.3.若V0不大于等于C,则将OA放入Bi,从OO和CO种删除OA,返回执行L1.2,若V0大于等于C,则出订单批次Bi;
L1.4.依照订单中最大相同货物数量进行分批,同关联度分批操作,不含相同商品的非关联订单按照时间期限相近的原则进行分批,输出订单批次Bi;
L1.5.输出订单批次后,判断OO是否为空,若不为空,则返回执行将OO中的订单按照时间大小排序以以后的步骤,若为空,则输出所有的订单的分批结果,并结束执行考虑时间期限的基于货物分配策略的订单分批优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050013.5A CN116796910B (zh) | 2023-08-21 | 2023-08-21 | 基于货物分配策略的订单分批优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311050013.5A CN116796910B (zh) | 2023-08-21 | 2023-08-21 | 基于货物分配策略的订单分批优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796910A true CN116796910A (zh) | 2023-09-22 |
CN116796910B CN116796910B (zh) | 2023-11-21 |
Family
ID=88044997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311050013.5A Active CN116796910B (zh) | 2023-08-21 | 2023-08-21 | 基于货物分配策略的订单分批优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796910B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670187A (zh) * | 2023-11-10 | 2024-03-08 | 翼瀚齐创科技(杭州)有限公司 | 一种用于智能物流的仓储分品类关联管理系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
CN106897852A (zh) * | 2017-01-27 | 2017-06-27 | 华南理工大学 | 用于物流的订单排序优化方法 |
CN108053268A (zh) * | 2017-12-29 | 2018-05-18 | 广州品唯软件有限公司 | 一种商品聚类确认方法及装置 |
US20180300799A1 (en) * | 2017-04-17 | 2018-10-18 | Wal-Mart Stores, Inc. | Systems to fulfill a picked sales order and related methods therefor |
CN110084545A (zh) * | 2019-03-05 | 2019-08-02 | 浙江工业大学 | 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 |
CN110356754A (zh) * | 2018-11-06 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 货物拣选系统及方法 |
US20200097900A1 (en) * | 2018-09-25 | 2020-03-26 | Eaze Technologies, Inc. | Hybrid delivery platform for regulated products |
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 |
CN113222410A (zh) * | 2021-05-12 | 2021-08-06 | 西安建筑科技大学 | 双向式布局模式下货位分配模型建立方法 |
CN113343570A (zh) * | 2021-06-08 | 2021-09-03 | 陕西科技大学 | 一种考虑拣货单关联性的动态拣货方法和系统 |
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 |
CN115049329A (zh) * | 2022-03-31 | 2022-09-13 | 日日顺供应链科技股份有限公司 | 一种订单处理方法和系统 |
CN115393003A (zh) * | 2022-07-11 | 2022-11-25 | 山东财经大学 | 基于相似度的面向多拣选台订单分批及拣选排序方法及系统 |
CN115511148A (zh) * | 2022-07-11 | 2022-12-23 | 山东财经大学 | 一种基于fcm聚类的烟草线路订单分拣优化方法及系统 |
CN116523221A (zh) * | 2023-04-17 | 2023-08-01 | 北京科技大学 | 一种智能仓储拣选任务的优化调度方法及系统 |
-
2023
- 2023-08-21 CN CN202311050013.5A patent/CN116796910B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897852A (zh) * | 2017-01-27 | 2017-06-27 | 华南理工大学 | 用于物流的订单排序优化方法 |
CN106709692A (zh) * | 2017-02-24 | 2017-05-24 | 北京远大宏略科技股份有限公司 | 一种物流中心储位分配方法 |
US20180300799A1 (en) * | 2017-04-17 | 2018-10-18 | Wal-Mart Stores, Inc. | Systems to fulfill a picked sales order and related methods therefor |
CN108053268A (zh) * | 2017-12-29 | 2018-05-18 | 广州品唯软件有限公司 | 一种商品聚类确认方法及装置 |
US20200097900A1 (en) * | 2018-09-25 | 2020-03-26 | Eaze Technologies, Inc. | Hybrid delivery platform for regulated products |
CN110356754A (zh) * | 2018-11-06 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 货物拣选系统及方法 |
CN110084545A (zh) * | 2019-03-05 | 2019-08-02 | 浙江工业大学 | 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 |
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 |
CN113222410A (zh) * | 2021-05-12 | 2021-08-06 | 西安建筑科技大学 | 双向式布局模式下货位分配模型建立方法 |
CN113343570A (zh) * | 2021-06-08 | 2021-09-03 | 陕西科技大学 | 一种考虑拣货单关联性的动态拣货方法和系统 |
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 |
CN115049329A (zh) * | 2022-03-31 | 2022-09-13 | 日日顺供应链科技股份有限公司 | 一种订单处理方法和系统 |
CN115393003A (zh) * | 2022-07-11 | 2022-11-25 | 山东财经大学 | 基于相似度的面向多拣选台订单分批及拣选排序方法及系统 |
CN115511148A (zh) * | 2022-07-11 | 2022-12-23 | 山东财经大学 | 一种基于fcm聚类的烟草线路订单分拣优化方法及系统 |
CN116523221A (zh) * | 2023-04-17 | 2023-08-01 | 北京科技大学 | 一种智能仓储拣选任务的优化调度方法及系统 |
Non-Patent Citations (1)
Title |
---|
董海;马鸿峰;赵莹;王吉勇;单麟亭;: "模型预测控制在供应链库存管理中的应用", 沈阳大学学报, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670187A (zh) * | 2023-11-10 | 2024-03-08 | 翼瀚齐创科技(杭州)有限公司 | 一种用于智能物流的仓储分品类关联管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116796910B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886478B (zh) | 一种成品酒自动化立体仓库的货位优化方法 | |
Mirzaei et al. | The impact of integrated cluster-based storage allocation on parts-to-picker warehouse performance | |
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 | |
US11379730B2 (en) | Progressive objective addition in multi-objective heuristic systems and methods | |
Nastasi et al. | Implementation and comparison of algorithms for multi-objective optimization based on genetic algorithms applied to the management of an automated warehouse | |
CN110525855B (zh) | 一种货物仓储的方法及装置 | |
CN116796910B (zh) | 基于货物分配策略的订单分批优化方法 | |
CN110310057B (zh) | 货品排序和货位处理方法、装置、设备及其存储介质 | |
CN110751441A (zh) | 一种优化物流仓储系统中储位的方法及装置 | |
CN111523918B (zh) | 商品聚类的方法、装置、设备和存储介质 | |
Lorenc et al. | Improve the Orders Picking in e-Commerce by Using WMS Data and BigData Analysis. | |
Pardo et al. | Order batching problems: Taxonomy and literature review | |
CN113762563A (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 | |
Wan et al. | Multiobjective Optimization of the Storage Location Allocation of a Retail E-commerce Picking Zone in a Picker-to-parts Warehouse. | |
Qi et al. | A knowledge-driven multiobjective optimization algorithm for the transportation of assembled prefabricated components with multi-frequency visits | |
Mutingi et al. | Optimizing order batching in order picking systems: Hybrid grouping genetic 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 | |
CN113435805A (zh) | 物品存储信息确定方法、装置、设备和存储介质 | |
CN116596440A (zh) | 一种自动化立体仓库出入库智能调度方法 | |
CN116523221A (zh) | 一种智能仓储拣选任务的优化调度方法及系统 | |
CN113313447B (zh) | 一种基于寄居蟹算法的立体仓库货位分配方法 | |
CN115511148A (zh) | 一种基于fcm聚类的烟草线路订单分拣优化方法及系统 | |
Miguel et al. | Order batching and order picking with 3D positioning of the articles: solution through a hybrid evolutionary algorithm | |
Mirabelli et al. | Adaptation of the multi-layer allocation problem for warehouse layout optimization: A case study | |
CN115063064A (zh) | 一种基于遗传算法的生产物流仓库储位分配方法 |
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 |