CN116976484A - 一种大数据分析的仓储布局优化方法及系统 - Google Patents
一种大数据分析的仓储布局优化方法及系统 Download PDFInfo
- Publication number
- CN116976484A CN116976484A CN202211646575.1A CN202211646575A CN116976484A CN 116976484 A CN116976484 A CN 116976484A CN 202211646575 A CN202211646575 A CN 202211646575A CN 116976484 A CN116976484 A CN 116976484A
- Authority
- CN
- China
- Prior art keywords
- loc
- chemicals
- region
- storage
- chemical
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 239000000126 substance Substances 0.000 claims abstract description 345
- 238000003860 storage Methods 0.000 claims abstract description 190
- 239000002245 particle Substances 0.000 claims description 125
- 230000006870 function Effects 0.000 claims description 93
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Warehouses Or Storage Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及仓储优化的技术领域,揭露了一种大数据分析的仓储布局优化方法及系统,所述方法包括:计算得到不同化学品在各地区的消耗概率分布情况以及需求量;基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;确定仓储布局优化目标函数;对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案。本发明在保证向外调度化学品的地区的化学品存量基础上,基于调度距离最小确定化学品动态调整方案,保证不同地区的各类化学品存量达到期望数量,基于化学品消耗频率、需求量比重以及拣货时间的地区级最优化学品仓储方案,实现各地区的仓储内平均拣货时间最短。
Description
技术领域
本发明涉及仓储布局优化的技术领域,尤其涉及一种大数据分析的仓储布局优化方法及系统。
背景技术
化学品作为重要的工业原料在不同地区存在巨大的差异需求,为了减少由于化学品远程运输带来的成本增加问题,本专利提出一种大数据分析的仓储布局优化方法,基于收集的大量用户的购买订单信息综合分析得到对不同地区对不同化学品的需求量,据此动态调节不同仓库中的不同产品比重,并优化化学品在仓库中的布局,提高仓储有效性。
发明内容
有鉴于此,本发明提供一种大数据分析的仓储布局优化方法,目的在于1)通过不同化学品在各地区的消耗概率分布情况确定各地区所存储各类化学品的期望数量,利用期望数量以及存量的差值预估得到各地区不同化学品的需求量,并基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,在保证向外调度化学品地区的化学品存量基础上,基于调度距离最小确定化学品动态调整方案,保证不同地区的各类化学品存量达到期望数量;2)构建得到不同地区的仓储布局优化目标函数,通过生成脉冲粒子对仓储布局优化目标函数进行优化求解,得到基于化学品消耗频率、需求量比重以及拣货时间的地区级最优化学品仓储方案,实现各地区的仓储内平均拣货时间最短,且需求量较高、消耗概率较大的化学品的平均拣货时间更短。
为实现上述目的,本发明提供的一种大数据分析的仓储布局优化方法,包括以下步骤:
S1:获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况;
S2:根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量;
S3:基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;
S4:构建地区级化学品仓储布局模型,确定仓储布局优化目标函数;
S5:对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化。
作为本发明的进一步改进方法:
可选地,所述S1步骤中计算得到不同化学品在各地区的消耗概率分布情况,包括:
获取各地区不同化学品的月消耗量,构成如下化学品月消耗量集合:
{x(lock,j)|k∈[1,K],j∈[1,J]}
其中:
x(lock,j)表示第j类化学品在地区lock的月消耗量,K表示地区总数,J表示化学品的类别总数;
计算得到不同化学品在各地区的消耗概率分布情况:
其中:
表示第j类化学品在地区lock的消耗概率分布。
可选地,所述S2步骤中计算各地区不同化学品的需求量,包括:
获取当前各地区不同化学品存量,并根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量,其中地区lock对第j类化学品的需求量为:
其中:
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示当前地区lock内第j类化学品的存量;
基于各地区不同化学品的需求量,构建得到各地区不同化学品的存量以及需求量集合:{(y(lock,j),s(lock,j))|k∈[1,K],j∈[1,J]}。
可选地,所述S3步骤中构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,包括:
基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,所述全局化学品动态调整优化模型的输入为各地区不同化学品的存量以及需求量,输出为各地区间不同化学品的调度策略,所述不同地区化学品数量的动态调整流程为:
S31:对于任意地区lock,计算每一类化学品的存量与需求量的比值,将比值最小的第j*类化学品作为该地区的优先调整化学品;
S32:计算其余地区lock′向地区lock运送优先调整化学品的运送成本:
其中:
cost(lock,lock′,j*)表示地区lock′向地区lock运用第j*类化学品的运送成本;
dis(lock,lock′)表示地区lock′与地区lock之间的距离;
y(lock′,j*)表示地区lock′对第j*类化学品的需求量,s(lock′,j*)表示地区lock′对第j*类化学品的存量;
S33:选取运送成本成本最小的地区向地区lock运送调度第j*类化学品,运送化学品的数量为y(lock,j*),更新地区lock中第j*类化学品的需求量,并返回步骤S31,直到对所有地区的化学品数量进行实时动态调整,动态调整后各地区的不同化学品数量均满足该地区的化学品期望数量。
可选地,所述S4步骤中确定仓储布局优化目标函数,包括:
构建地区级化学品仓储布局模型,确定各地区的化学品仓储布局结构,其中化学品仓储为单元式货架仓储结构,采用单命令存取模式,每次存或取一个货物,每个货物内存储一类化学品,且每个货物的尺寸相同并与仓储货位尺寸匹配;
为每个仓储货位进行编号{numc|c∈[1,C]},其中编号下标越小,则表示该编号对应的仓储货位距离存取货物点越近,其中编号为numc的仓储货位距离存取货物点的距离为d(numc);
确定各地区的仓储布局优化目标函数,其中地区lock的仓储布局优化目标函数Tk为:
其中:
表示第j类化学品在地区lock的消耗概率分布,J表示化学品的类别总数;
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示地区lock内第j类化学品的存量;
表示动态调整后地区lock内第j类化学品的所需仓储货位总数;
表示地区lock的仓储内存储第j类化学品的任意仓储货位编号,表示仓储货位编号/>对应的仓储货位距离存取货物点的距离,Ω(lock,j)表示地区lock的仓储内存储第j类化学品的仓储货位编号集合;
s表示需求倾斜因子,将其设置为0.21,y(lock,0)=0。
可选地,所述S5步骤中对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,包括:
对各地区的仓储布局优化目标函数进行优化求解,得到各地区的地区级最优化学品仓储方案,所述地区级最优化学品仓储方案保证了各地区的仓储内平均拣货时间最短,且需求量较高、消耗概率较大的化学品的平均拣货时间更短,所述地区级最优化学品仓储方案即为各地区不同类型化学品在仓储中的仓储货位,其中地区lock的仓储布局优化目标函数优化求解流程为:
S51:初始化M个脉冲粒子,包括脉冲粒子的位置坐标以及速度,所述第m个脉冲粒子的位置坐标为q0(m),速度为p0(m),每个脉冲粒子的位置坐标即表示一种化学品仓储方案,其中每个脉冲粒子的位置坐标维数为对应的速度维数为/>
随机生成每个脉冲粒子的脉冲搜索频率,其中脉冲搜索频率范围为[fmin,fmax];
S52:初始化当前仓储布局优化目标函数的求解次数为v,v的初始值为1,最大值为Max,所述第m个脉冲粒子在在第v次求解得到的位置坐标qv(m)以及速度pv(m)为:
qv(m)=(qv,m(1),qv,m(2),...,qv,m(j),...,qv,m(J))
pv(m)=(pv,m(1),pv,m(2),...,pv,m(j),...,pv,m(J))
其中:
qv,m(j)表示第j类化学品所对应货物的仓储货位编号集合,表示第j类化学品中第/>个货物的仓储货位编号,/>为对应仓储货位编号的速度;
S53:将每次求解更新得到的M个脉冲粒子输入到地区lock的仓储布局优化目标函数中,得到每个脉冲粒子的目标函数值,其中第m个脉冲粒子在第v次求解过程中的目标函数值为Tk(qv(m)),其中Tk(qv(m))表示将qv(m)中个维度的坐标输入到地区lock的仓储布局优化目标函数Tk中得到的目标函数值,并将每次求解后每个脉冲粒子的历史最小目标函数值所对应的位置坐标作为该脉冲粒子的历史最优解;
S54:更新每个脉冲粒子的脉冲频率、位置坐标以及速度,其中第m个脉冲粒子的更新公式为:
fv+1(m)=fmin+(fmax-fmin)rand(-1,1)
qv+1(m)=qv(m)+pv+1(m)
其中:
fv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的脉冲搜索频率;
为学习因子,将/>设置为2,/>设置为1;
pv(*)表示第v次求解得到的M个脉冲粒子中,目标函数值最小的脉冲粒子所对应的位置坐标;
p*(m)表示第m个脉冲粒子的历史最优解;
pv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的速度,qv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的位置坐标;
S55:选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,并对该脉冲粒子的位置坐标以及速度进行随机转换生成新的脉冲粒子,其中位置坐标的随机转换流程为随机选取部分维数的坐标与其他维数的坐标进行替换,速度的随机转换为随机提换部分维数的速度;计算新生成脉冲粒子的目标函数值,并计算M个脉冲粒子中每个粒子的历史最优解所对应的历史最小目标函数值,比较新生成脉冲粒子的目标函数值与M个脉冲粒子的历史最小目标函数值,若新生成脉冲粒子的目标函数值小于其中任意一个脉冲粒子的历史最小目标函数值,则将M个脉冲粒子中历史最小目标函数值最大的脉冲粒子删除,保留新生成脉冲粒子;在本发明实施例中,本方案通过新生成脉冲粒子保证脉冲粒子的多样性,避免由于脉冲粒子集合朝着最佳脉冲粒子的位置移动,使得脉冲粒子集合的多样性减少且脉冲粒子位置也容易陷入局部极值的问题;
S56:若v+1≥Max,则终止算法求解流程,选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,将该脉冲粒子的位置坐标作为地区lock的地区级最优化学品仓储方案,否则令v=v+1,返回步骤S53;
对各个地区的仓储布局优化目标函数按照上述优化求解流程进行求解,得到各地区的地区级最优化学品仓储方案。
可选地,所述S5步骤中按照地区级最优化学品仓储方案对不同地区仓储进行仓储布局优化,包括:
各地区按照求解得到的地区级最优化学品仓储方案进行仓储布局优化,基于该地区的地区级最优化学品仓储方案,将待存储的货物基于货物内化学品的类别存储到对应的仓储货位中,得到布局优化后的仓储,实现仓储内平均拣货距离最短。
为了解决上述问题,本发明提供一种大数据分析的仓储布局优化系统,其特征在于,所述系统包括:
化学品消耗评估模块,用于获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况,根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量;
化学品动态调整装置,用于基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;
仓储布局优化装置,用于对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的大数据分析的仓储布局优化方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的大数据分析的仓储布局优化方法。
相对于现有技术,本发明提出一种大数据分析的仓储布局优化方法,该技术具有以下优势:
首先,本方案提出一种各地区不同化学品数量的动态调整方法,通过获取当前各地区不同化学品存量,并根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量,其中地区lock对第j类化学品的需求量为:
其中:y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示当前地区lock内第j类化学品的存量;基于各地区不同化学品的需求量,构建得到各地区不同化学品的存量以及需求量集合:{(y(lock,j),s(lock,j))|k∈[1,K],j∈[1,J]}。基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,所述全局化学品动态调整优化模型的输入为各地区不同化学品的存量以及需求量,输出为各地区间不同化学品的调度策略,所述不同地区化学品数量的动态调整流程为:对于任意地区lock,计算每一类化学品的存量与需求量的比值,将比值最小的第j*类化学品作为该地区的优先调整化学品;计算其余地区lock′向地区lock运送优先调整化学品的运送成本:
其中:cost(lock,lock′,j*)表示地区lock′向地区lock运用第j*类化学品的运送成本;dis(lock,lock′)表示地区lock′与地区lock之间的距离;y(lock′,j*)表示地区lock′对第j*类化学品的需求量,s(lock′,j*)表示地区lock′对第j*类化学品的存量;选取运送成本成本最小的地区向地区lock运送调度第j*类化学品,运送化学品的数量为y(lock,j*),更新地区lock中第j*类化学品的需求量,并返回上述步骤,直到对所有地区的化学品数量进行实时动态调整,动态调整后各地区的不同化学品数量均满足该地区的化学品期望数量。本方案通过计算不同化学品在各地区的消耗概率分布情况确定各地区所存储各类化学品的期望数量,利用期望数量以及存量的差值预估得到各地区不同化学品的需求量,并基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,在保证向外调度化学品地区的化学品存量基础上,基于调度距离最小确定化学品动态调整方案,保证不同地区的各类化学品存量达到期望数量。
因此,本方案提出一种仓储布局优化方法,通过构建地区级化学品仓储布局模型,确定各地区的化学品仓储布局结构,其中化学品仓储为单元式货架仓储结构,采用单命令存取模式,每次存或取一个货物,每个货物内存储一类化学品,且每个货物的尺寸相同并与仓储货位尺寸匹配;为每个仓储货位进行编号{numc|c∈[1,C]},其中编号下标越小,则表示该编号对应的仓储货位距离存取货物点越近,其中编号为numc的仓储货位距离存取货物点的距离为d(numc);确定各地区的仓储布局优化目标函数,其中地区lock的仓储布局优化目标函数Tk为:
其中:表示第j类化学品在地区lock的消耗概率分布,J表示化学品的类别总数;y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示地区lock内第j类化学品的存量;/>表示动态调整后地区lock内第j类化学品的所需仓储货位总数;表示地区lock的仓储内存储第j类化学品的任意仓储货位编号,/>表示仓储货位编号/>对应的仓储货位距离存取货物点的距离,Ω(lock,j)表示地区lock的仓储内存储第j类化学品的仓储货位编号集合;s表示需求倾斜因子,将其设置为0.21,y(lock,0)=0。对各地区的仓储布局优化目标函数进行优化求解,得到各地区的地区级最优化学品仓储方案,所述地区级最优化学品仓储方案保证了各地区的仓储内平均拣货时间最短,且需求量较高、消耗概率较大的化学品的平均拣货时间更短,所述地区级最优化学品仓储方案即为各地区不同类型化学品在仓储中的仓储货位。本方案构建得到不同地区的仓储布局优化目标函数,通过生成脉冲粒子对仓储布局优化目标函数进行优化求解,得到基于化学品消耗频率、需求量比重以及拣货时间的地区级最优化学品仓储方案,实现各地区的仓储内平均拣货时间最短,且需求量较高、消耗概率较大的化学品的平均拣货时间更短。
附图说明
图1为本发明一实施例提供的一种大数据分析的仓储布局优化方法的流程示意图;
图2为本发明一实施例提供的大数据分析的仓储布局优化系统的功能模块图;
图3为本发明一实施例提供的实现大数据分析的仓储布局优化方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种大数据分析的仓储布局优化方法。所述大数据分析的仓储布局优化方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述大数据分析的仓储布局优化方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。
所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况。
所述S1步骤中计算得到不同化学品在各地区的消耗概率分布情况,包括:
获取各地区不同化学品的月消耗量,构成如下化学品月消耗量集合:
{x(lock,j)|k∈[1,K],j∈[1,J]}
其中:
x(lock,j)表示第j类化学品在地区lock的月消耗量,K表示地区总数,J表示化学品的类别总数;
计算得到不同化学品在各地区的消耗概率分布情况:
其中:
表示第j类化学品在地区lock的消耗概率分布。
S2:根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量。
所述S2步骤中计算各地区不同化学品的需求量,包括:
获取当前各地区不同化学品存量,并根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量,其中地区lock对第j类化学品的需求量为:
其中:
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示当前地区lock内第j类化学品的存量;
基于各地区不同化学品的需求量,构建得到各地区不同化学品的存量以及需求量集合:{(y(lock,j),s(lock,j))|k∈[1,K],j∈[1,J]}。
S3:基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整。
所述S3步骤中构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,包括:
基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,所述全局化学品动态调整优化模型的输入为各地区不同化学品的存量以及需求量,输出为各地区间不同化学品的调度策略,所述不同地区化学品数量的动态调整流程为:
S31:对于任意地区lock,计算每一类化学品的存量与需求量的比值,将比值最小的第j*类化学品作为该地区的优先调整化学品;
S32:计算其余地区lock′向地区lock运送优先调整化学品的运送成本:
其中:
cost(lock,lock′,j*)表示地区lock′向地区lock运用第j*类化学品的运送成本;
dis(lock,lock′)表示地区lock′与地区lock之间的距离;
y(lock′,j*)表示地区lock′对第j*类化学品的需求量,s(lock′,j*)表示地区lock′对第j*类化学品的存量;
S33:选取运送成本成本最小的地区向地区lock运送调度第j*类化学品,运送化学品的数量为y(lock,j*),更新地区lock中第j*类化学品的需求量,并返回步骤S31,直到对所有地区的化学品数量进行实时动态调整,动态调整后各地区的不同化学品数量均满足该地区的化学品期望数量。
S4:构建地区级化学品仓储布局模型,确定仓储布局优化目标函数。
所述S4步骤中确定仓储布局优化目标函数,包括:
构建地区级化学品仓储布局模型,确定各地区的化学品仓储布局结构,其中化学品仓储为单元式货架仓储结构,采用单命令存取模式,每次存或取一个货物,每个货物内存储一类化学品,且每个货物的尺寸相同并与仓储货位尺寸匹配;
为每个仓储货位进行编号{numc|c∈[1,C]},其中编号下标越小,则表示该编号对应的仓储货位距离存取货物点越近,其中编号为numc的仓储货位距离存取货物点的距离为d(numc);
确定各地区的仓储布局优化目标函数,其中地区lock的仓储布局优化目标函数Tk为:
其中:
表示第j类化学品在地区lock的消耗概率分布,J表示化学品的类别总数;
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示地区lock内第j类化学品的存量;
表示动态调整后地区lock内第j类化学品的所需仓储货位总数;
表示地区lock的仓储内存储第j类化学品的任意仓储货位编号,表示仓储货位编号/>对应的仓储货位距离存取货物点的距离,Ω(lock,j)表示地区lock的仓储内存储第j类化学品的仓储货位编号集合;
s表示需求倾斜因子,将其设置为0.21,y(lock,0)=0。
S5:对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化。
所述S5步骤中对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,包括:
对各地区的仓储布局优化目标函数进行优化求解,得到各地区的地区级最优化学品仓储方案,所述地区级最优化学品仓储方案保证了各地区的仓储内平均拣货时间最短,且需求量较高、消耗概率较大的化学品的平均拣货时间更短,所述地区级最优化学品仓储方案即为各地区不同类型化学品在仓储中的仓储货位,其中地区lock的仓储布局优化目标函数优化求解流程为:
S51:初始化M个脉冲粒子,包括脉冲粒子的位置坐标以及速度,所述第m个脉冲粒子的位置坐标为q0(m),速度为p0(m),每个脉冲粒子的位置坐标即表示一种化学品仓储方案,其中每个脉冲粒子的位置坐标维数为对应的速度维数为/>
随机生成每个脉冲粒子的脉冲搜索频率,其中脉冲搜索频率范围为[fmin,fmax];
S52:初始化当前仓储布局优化目标函数的求解次数为v,v的初始值为1,最大值为Max,所述第m个脉冲粒子在在第v次求解得到的位置坐标qv(m)以及速度pv(m)为:
qv(m)=(qv,m(1),qv,m(2),...,qv,m(j),...,qv,m(J))
pv(m)=(pv,m(1),pv,m(2),...,pv,m(j),...,pv,m(J))
其中:
qv,m(j)表示第j类化学品所对应货物的仓储货位编号集合,表示第j类化学品中第/>个货物的仓储货位编号,/>为对应仓储货位编号的速度;
S53:将每次求解更新得到的M个脉冲粒子输入到地区lock的仓储布局优化目标函数中,得到每个脉冲粒子的目标函数值,其中第m个脉冲粒子在第v次求解过程中的目标函数值为Tk(qv(m)),其中Tk(qv(m))表示将qv(m)中个维度的坐标输入到地区lock的仓储布局优化目标函数Tk中得到的目标函数值,并将每次求解后每个脉冲粒子的历史最小目标函数值所对应的位置坐标作为该脉冲粒子的历史最优解;
S54:更新每个脉冲粒子的脉冲频率、位置坐标以及速度,其中第m个脉冲粒子的更新公式为:
fv+1(m)=fmin+(fmax-fmin)rand(-1,1)
qv+1(m)=qv(m)+pv+1(m)
其中:
fv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的脉冲搜索频率;
为学习因子,将/>设置为2,/>设置为1;
pv(*)表示第v次求解得到的M个脉冲粒子中,目标函数值最小的脉冲粒子所对应的位置坐标;
p*(m)表示第m个脉冲粒子的历史最优解;
pv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的速度,qv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的位置坐标;
S55:选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,并对该脉冲粒子的位置坐标以及速度进行随机转换生成新的脉冲粒子,其中位置坐标的随机转换流程为随机选取部分维数的坐标与其他维数的坐标进行替换,速度的随机转换为随机提换部分维数的速度;计算新生成脉冲粒子的目标函数值,并计算M个脉冲粒子中每个粒子的历史最优解所对应的历史最小目标函数值,比较新生成脉冲粒子的目标函数值与M个脉冲粒子的历史最小目标函数值,若新生成脉冲粒子的目标函数值小于其中任意一个脉冲粒子的历史最小目标函数值,则将M个脉冲粒子中历史最小目标函数值最大的脉冲粒子删除,保留新生成脉冲粒子;在本发明实施例中,本方案通过新生成脉冲粒子保证脉冲粒子的多样性,避免由于脉冲粒子集合朝着最佳脉冲粒子的位置移动,使得脉冲粒子集合的多样性减少且脉冲粒子位置也容易陷入局部极值的问题;
S56:若v+1≥Max,则终止算法求解流程,选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,将该脉冲粒子的位置坐标作为地区lock的地区级最优化学品仓储方案,否则令v=v+1,返回步骤S53;
对各个地区的仓储布局优化目标函数按照上述优化求解流程进行求解,得到各地区的地区级最优化学品仓储方案。
所述S5步骤中按照地区级最优化学品仓储方案对不同地区仓储进行仓储布局优化,包括:
各地区按照求解得到的地区级最优化学品仓储方案进行仓储布局优化,基于该地区的地区级最优化学品仓储方案,将待存储的货物基于货物内化学品的类别存储到对应的仓储货位中,得到布局优化后的仓储,实现仓储内平均拣货距离最短。
实施例2:
如图2所示,是本发明一实施例提供的大数据分析的仓储布局优化系统的功能模块图,其可以实现实施例1中的大数据分析的仓储布局优化方法。
本发明所述大数据分析的仓储布局优化系统100可以安装于电子设备中。根据实现的功能,所述大数据分析的仓储布局优化系统可以包括化学品消耗评估模块101、化学品动态调整装置102及仓储布局优化装置103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
化学品消耗评估模块101,用于获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况,根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量;
化学品动态调整装置102,用于基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;
仓储布局优化装置103,用于对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化。
详细地,本发明实施例中所述大数据分析的仓储布局优化系统100中的所述各模块在使用时采用与上述的图1中所述的大数据分析的仓储布局优化方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现大数据分析的仓储布局优化方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现仓储布局优化的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种大数据分析的仓储布局优化方法,其特征在于,所述方法包括:
S1:获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况;
S2:根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量;
S3:基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;
S4:构建地区级化学品仓储布局模型,确定仓储布局优化目标函数;
S5:对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化。
2.如权利要求1所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S1步骤中计算得到不同化学品在各地区的消耗概率分布情况,包括:
获取各地区不同化学品的月消耗量,构成如下化学品月消耗量集合:
{x(lock,j)|k∈[1,K],j∈[1,J]}
其中:
x(lock,j)表示第j类化学品在地区lock的月消耗量,K表示地区总数,J表示化学品的类别总数;
计算得到不同化学品在各地区的消耗概率分布情况:
其中:
表示第j类化学品在地区lock的消耗概率分布。
3.如权利要求2所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S2步骤中计算各地区不同化学品的需求量,包括:
获取当前各地区不同化学品存量,并根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量,其中地区lock对第j类化学品的需求量为:
其中:
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示当前地区lock内第j类化学品的存量;
基于各地区不同化学品的需求量,构建得到各地区不同化学品的存量以及需求量集合:{(y(lock,j),s(lock,j))|k∈[1,K],j∈[1,J]}。
4.如权利要求3所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S3步骤中构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,包括:
基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整,所述全局化学品动态调整优化模型的输入为各地区不同化学品的存量以及需求量,输出为各地区间不同化学品的调度策略,所述不同地区化学品数量的动态调整流程为:
S31:对于任意地区lock,计算每一类化学品的存量与需求量的比值,将比值最小的第j*类化学品作为该地区的优先调整化学品;
S32:计算其余地区lock′向地区lock运送优先调整化学品的运送成本:
其中:
cost(lock,lock′,j*)表示地区lock′向地区lock运用第j*类化学品的运送成本;
dis(lock,lock′)表示地区lock′与地区lock之间的距离;
y(lock′,j*)表示地区lock′对第j*类化学品的需求量,s(lock′,j*)表示地区lock′对第j*类化学品的存量;
S33:选取运送成本成本最小的地区向地区lock运送调度第j*类化学品,运送化学品的数量为y(lock,j*),更新地区lock中第j*类化学品的需求量,并返回步骤S31,直到对所有地区的化学品数量进行实时动态调整,动态调整后各地区的不同化学品数量均满足该地区的化学品期望数量。
5.如权利要求1所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S4步骤中确定仓储布局优化目标函数,包括:
构建地区级化学品仓储布局模型,确定各地区的化学品仓储布局结构,其中化学品仓储为单元式货架仓储结构,采用单命令存取模式,每次存或取一个货物,每个货物内存储一类化学品,且每个货物的尺寸相同并与仓储货位尺寸匹配;
为每个仓储货位进行编号{numc|c∈[1,C]},其中编号下标越小,则表示该编号对应的仓储货位距离存取货物点越近,其中编号为numc的仓储货位距离存取货物点的距离为d(numc);
确定各地区的仓储布局优化目标函数,其中地区lock的仓储布局优化目标函数Tk为:
其中:
表示第j类化学品在地区lock的消耗概率分布,J表示化学品的类别总数;
y(lock,j)表示地区lock对第j类化学品的需求量,s(lock,j)表示地区lock内第j类化学品的存量;
表示动态调整后地区lock内第j类化学品的所需仓储货位总数;
表示地区lock的仓储内存储第j类化学品的任意仓储货位编号,/>表示仓储货位编号/>对应的仓储货位距离存取货物点的距离,Ω(lock,j)表示地区lock的仓储内存储第j类化学品的仓储货位编号集合;
s表示需求倾斜因子,将其设置为0.21,y(lock,0)=0。
6.如权利要求5所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S5步骤中对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,包括:
对各地区的仓储布局优化目标函数进行优化求解,得到各地区的地区级最优化学品仓储方案,所述地区级最优化学品仓储方案即为各地区不同类型化学品在仓储中的仓储货位,其中地区lock的仓储布局优化目标函数优化求解流程为:
S51:初始化M个脉冲粒子,包括脉冲粒子的位置坐标以及速度,所述第m个脉冲粒子的位置坐标为q0(m),速度为p0(m),每个脉冲粒子的位置坐标即表示一种化学品仓储方案,其中每个脉冲粒子的位置坐标维数为对应的速度维数为/>随机生成每个脉冲粒子的脉冲搜索频率,其中脉冲搜索频率范围为[fmin,fmax];
S52:初始化当前仓储布局优化目标函数的求解次数为v,v的初始值为1,最大值为Max,所述第m个脉冲粒子在在第v次求解得到的位置坐标qv(m)以及速度pv(m)为:
qv(m)=(qv,m(1),qv,m(2),...,qv,m(j),...,qv,m(J))
qv,m(j)=(qv,m(j,1),...,qv,m(j,Nlock,j))
pv(m)=(pv,m(1),pv,m(2),...,pv,m(j),...,pv,m(J))
其中:
qv,m(j)表示第j类化学品所对应货物的仓储货位编号集合,表示第j类化学品中第/>个货物的仓储货位编号,qv,m(j,Nlock,j)为对应仓储货位编号/>的速度;
S53:将每次求解更新得到的M个脉冲粒子输入到地区lock的仓储布局优化目标函数中,得到每个脉冲粒子的目标函数值,其中第m个脉冲粒子在第v次求解过程中的目标函数值为Tk(qv(m)),其中Tk(qv(m))表示将qv(m)中个维度的坐标输入到地区lock的仓储布局优化目标函数Tk中得到的目标函数值,并将每次求解后每个脉冲粒子的历史最小目标函数值所对应的位置坐标作为该脉冲粒子的历史最优解;
S54:更新每个脉冲粒子的脉冲频率、位置坐标以及速度,其中第m个脉冲粒子的更新公式为:
fv+1(m)=fmin+(fmax-fmin)rand(-1,1)
qv+1(m)=qv(m)+pv+1(m)
其中:
fv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的脉冲搜索频率;
为学习因子,将/>设置为2,/>设置为1;
pv(*)表示第v次求解得到的M个脉冲粒子中,目标函数值最小的脉冲粒子所对应的位置坐标;
p*(m)表示第m个脉冲粒子的历史最优解;
pv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的速度,qv+1(m)表示第m个脉冲粒子在第v+1次求解时得到的位置坐标;
S55:选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,并对该脉冲粒子的位置坐标以及速度进行随机转换生成新的脉冲粒子,其中位置坐标的随机转换流程为随机选取部分维数的坐标与其他维数的坐标进行替换,速度的随机转换为随机提换部分维数的速度;计算新生成脉冲粒子的目标函数值,并计算M个脉冲粒子中每个粒子的历史最优解所对应的历史最小目标函数值,比较新生成脉冲粒子的目标函数值与M个脉冲粒子的历史最小目标函数值,若新生成脉冲粒子的目标函数值小于其中任意一个脉冲粒子的历史最小目标函数值,则将M个脉冲粒子中历史最小目标函数值最大的脉冲粒子删除,保留新生成脉冲粒子;
S56:若v+1≥Max,则终止算法求解流程,选取第v+1次求解得到的M个脉冲粒子中目标函数值最小的脉冲粒子,将该脉冲粒子的位置坐标作为地区lock的地区级最优化学品仓储方案,否则令v=v+1,返回步骤S53;
对各个地区的仓储布局优化目标函数按照上述优化求解流程进行求解,得到各地区的地区级最优化学品仓储方案。
7.如权利要求6所述的一种大数据分析的仓储布局优化方法,其特征在于,所述S5步骤中按照地区级最优化学品仓储方案对不同地区仓储进行仓储布局优化,包括:
各地区按照求解得到的地区级最优化学品仓储方案进行仓储布局优化,基于该地区的地区级最优化学品仓储方案,将待存储的货物基于货物内化学品的类别存储到对应的仓储货位中,得到布局优化后的仓储。
8.一种大数据分析的仓储布局优化系统,其特征在于,所述系统包括:
化学品消耗评估模块,用于获取各地区不同化学品月消耗量,计算得到不同化学品在各地区的消耗概率分布情况,根据当前各地区不同化学品存量以及消耗概率分布情况,计算各地区不同化学品的需求量;
化学品动态调整装置,用于基于各地区不同化学品的需求量及存量,构建全局化学品动态调整优化模型对不同地区化学品的数量进行动态调整;
仓储布局优化装置,用于对仓储布局优化目标函数进行优化求解,得到地区级最优化学品仓储方案,并按照地区级最优化学品仓储方案对不同地区仓储进行布局优化,以实现如权利要求1-7所述的一种大数据分析的仓储布局优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646575.1A CN116976484B (zh) | 2022-12-21 | 2022-12-21 | 一种大数据分析的仓储布局优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646575.1A CN116976484B (zh) | 2022-12-21 | 2022-12-21 | 一种大数据分析的仓储布局优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976484A true CN116976484A (zh) | 2023-10-31 |
CN116976484B CN116976484B (zh) | 2024-03-26 |
Family
ID=88471958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211646575.1A Active CN116976484B (zh) | 2022-12-21 | 2022-12-21 | 一种大数据分析的仓储布局优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976484B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067102A (zh) * | 2016-05-24 | 2016-11-02 | 北京京东尚科信息技术有限公司 | 仓储布局的优化方法和优化装置 |
BE1023357B1 (fr) * | 2016-01-18 | 2017-02-14 | N-Side Sa | Procédés pour déterminer des volumes d'expédition et/ou des niveaux de déclenchement de stockage |
CN108830171A (zh) * | 2018-05-24 | 2018-11-16 | 中山大学 | 一种基于深度学习的智能物流仓库引导线视觉检测方法 |
CN109905839A (zh) * | 2019-03-06 | 2019-06-18 | 北京石油化工学院 | 危险化学品码垛式仓储货物定位优化方法 |
CN110348126A (zh) * | 2019-07-12 | 2019-10-18 | 中冶赛迪重庆信息技术有限公司 | 钢厂原料堆位布局优化方法、系统、设备及存储介质 |
CN112288138A (zh) * | 2020-10-10 | 2021-01-29 | 西安电子科技大学 | 多级供应链下维修器材选址和库存方法及系统及库存仓库 |
CN113869811A (zh) * | 2020-06-30 | 2021-12-31 | 上海顺如丰来技术有限公司 | 仓储模式的确定方法、装置、计算机设备和存储介质 |
CN114357740A (zh) * | 2021-12-22 | 2022-04-15 | 中国人民解放军陆军装甲兵学院 | 一种物资仓储布局模型构建方法 |
-
2022
- 2022-12-21 CN CN202211646575.1A patent/CN116976484B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BE1023357B1 (fr) * | 2016-01-18 | 2017-02-14 | N-Side Sa | Procédés pour déterminer des volumes d'expédition et/ou des niveaux de déclenchement de stockage |
CN106067102A (zh) * | 2016-05-24 | 2016-11-02 | 北京京东尚科信息技术有限公司 | 仓储布局的优化方法和优化装置 |
CN108830171A (zh) * | 2018-05-24 | 2018-11-16 | 中山大学 | 一种基于深度学习的智能物流仓库引导线视觉检测方法 |
CN109905839A (zh) * | 2019-03-06 | 2019-06-18 | 北京石油化工学院 | 危险化学品码垛式仓储货物定位优化方法 |
CN110348126A (zh) * | 2019-07-12 | 2019-10-18 | 中冶赛迪重庆信息技术有限公司 | 钢厂原料堆位布局优化方法、系统、设备及存储介质 |
CN113869811A (zh) * | 2020-06-30 | 2021-12-31 | 上海顺如丰来技术有限公司 | 仓储模式的确定方法、装置、计算机设备和存储介质 |
CN112288138A (zh) * | 2020-10-10 | 2021-01-29 | 西安电子科技大学 | 多级供应链下维修器材选址和库存方法及系统及库存仓库 |
CN114357740A (zh) * | 2021-12-22 | 2022-04-15 | 中国人民解放军陆军装甲兵学院 | 一种物资仓储布局模型构建方法 |
Non-Patent Citations (4)
Title |
---|
LI QIANG等: "A Novel Floating High-Voltage Level Shifter with Pre-Storage Technique", 《SENSORS》, vol. 22, no. 05, pages 1 - 16 * |
MOHAMMED NASSER AL-ANDOLI等: "A Review on Community Detection in Large Complex Networks from Conventional to Deep Learning Methods: A Call for the Use of Parallel Meta-Heuristic Algorithms", 《IEEE ACCESS》, vol. 09, pages 96501 - 96527 * |
李强等: "汽车零部件仓储库房布局优化", 《物流技术》, vol. 36, no. 11, pages 134 - 136 * |
陈正丰: "通信运营商集中化物流网络研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 001, pages 155 - 217 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976484B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194646B (zh) | 库存调度方法以及装置 | |
Zhen et al. | Adjustable robust optimization via Fourier–Motzkin elimination | |
US8494885B2 (en) | Modeling distribution of emergency relief supplies for disaster response operations | |
US9966760B2 (en) | Power distribution determination apparatus, control method, and storage medium | |
WO2019056793A1 (zh) | 简历识别装置、方法及计算机可读存储介质 | |
CN110727754B (zh) | 货架热力图的生成方法、装置及电子设备 | |
CN111126903A (zh) | 一种补货方法、装置及系统 | |
CN110390497B (zh) | 物品入库方法和装置 | |
CN113259144A (zh) | 一种仓储网络规划方法和装置 | |
CN111784223B (zh) | 货物调拨数据的处理方法、装置和存储介质 | |
CN116934098A (zh) | 一种技术性贸易措施风险量化评估方法 | |
CN116976484B (zh) | 一种大数据分析的仓储布局优化方法及系统 | |
CN116167692B (zh) | 一种结合货单信息的自动优化方法与系统 | |
WO2019037368A1 (zh) | 配送任务处理方法、装置、电子设备及计算机存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
Gothi et al. | A concept of an optimal solution of the transportation problem using the weighted arithmetic mean | |
WO2023035940A1 (zh) | 一种目标对象推荐方法及系统 | |
CN115983759A (zh) | 物品需求量预测方法及装置、电子设备和存储介质 | |
CN113822301B (zh) | 分拣中心的分类方法及装置、存储介质、电子设备 | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN116432783A (zh) | 确定车辆排队号的方法、装置、电子设备及存储介质 | |
CN113657499A (zh) | 基于特征选择的权益分配方法、装置、电子设备及介质 | |
CN116542675B (zh) | 一种结合地理空间信息的跨品类换货方案生成方法 | |
CN113650997A (zh) | 一种物品出库定位方法和装置 | |
CN113495557A (zh) | 确定目标设备数量的方法和装置 |
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 |