CN117893140A - 工业调度仿真方法、装置、设备及存储介质 - Google Patents
工业调度仿真方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117893140A CN117893140A CN202410304116.8A CN202410304116A CN117893140A CN 117893140 A CN117893140 A CN 117893140A CN 202410304116 A CN202410304116 A CN 202410304116A CN 117893140 A CN117893140 A CN 117893140A
- Authority
- CN
- China
- Prior art keywords
- storage
- grid
- scheme
- stored
- regional
- 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 41
- 238000004088 simulation Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 102
- 238000012545 processing Methods 0.000 claims description 81
- 238000011156 evaluation Methods 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明涉及仓储调度的技术领域，公开了一种工业调度仿真方法、装置、设备及存储介质，本发明通过对仓储区域的数据采集，得到对应的区域网格框架模型，并对现有的仓储状况进行分析，得到仓储特征分布，使用区域网格框架模型对仓储特征分布和对应待仓储单元的预测仓储特征进行多维度的方案分析，得到第一类型方案和第二类型方案，对两种方案进行仓储评估指标的生成和比较，以确定最佳的方案，解决了现有技术中的调度仿真方法缺少对更多种仓储布局下的考量，导致无法得出最佳仓储方案的问题。
Description
技术领域
本发明涉及仓储调度的技术领域，尤其涉及一种工业调度仿真方法、装置、设备及存储介质。
背景技术
在现代工业环境中，仓储管理是供应链中至关重要的一环。有效的仓储管理可以降低成本，提高物流效率，并最终提升企业的市场竞争力。然而，随着市场需求的多变性和客户需求的个性化，传统的仓储管理方法遇到了许多挑战，如空间利用不足、资源配置不合理、调度响应慢等问题。
在现有技术中，可以采用工业调度仿真技术，该技术通过高效的数据采集和分析，结合先进的预测模型，提供了一种系统化的解决方案，目前，使用工业调度仿真技术仅可能根据现有的仓储布局状况对待仓储的货物进行仓储位置的分析，以选择出最佳的仓储位置，然而这一方式中缺少了对现有仓储布局进行调整的考量，缺少对待仓储的货物进行分散仓储的考量，因此无法得出最佳的仓储方案。
发明内容
本发明的目的在于提供一种工业调度仿真方法、装置、设备及存储介质，旨在解决现有技术中的调度仿真方法缺少对更多种仓储布局下的考量，导致无法得出最佳仓储方案的问题。
本发明是这样实现的，第一方面，本发明提供一种工业调度仿真方法，包括：
对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
优选地，对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型，其步骤包括：
对所述仓储区域进行基础区域形状的数据采集，以得到所述仓储区域的基础区域形状，并基于所述仓储区域的基础区域形状构建覆盖所述仓储区域的定位坐标体系；其中，所述定位坐标体系用于对所述仓储区域的各个具体区域位置进行坐标定位；
根据所述定位坐标体系对所述仓储区域的各个具体区域进行区域功能的数据采集，以获取所述定位坐标体系的各个具体区域的区域功能；
根据所述定位坐标体系的各个具体区域的区域功能将所述定位坐标体系划分为仓储网格和运输网格，并基于被划分为所述仓储网格和所述运输网格的所述定位坐标体系进行坐标体系的重新构建，以得到所述区域网格框架模型。
优选地，对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布，其步骤包括：
对所述仓储区域中的各个所述仓储网格上的仓储单元分别进行仓储数据的采集，以获取所述仓储单元的仓储数据；其中，所述仓储数据包括所述仓储单元的仓储批次、规格数据以及仓储时间；
根据各个所述仓储单元的仓储数据在所述区域网格框架模型对应的岁数仓储网格上进行数据填充，以得到所述区域网格框架模型的各个仓储网格的实际仓储特征；
对所述区域网格框架模型的各个仓储网格的实际仓储特征进行整合处理，以得到所述区域网格框架模型的仓储特征分布。
优选地，根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案，其步骤包括：
保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案；
对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案；
将所述第一类型方案和所述第二类型方案共同作为所述待仓储单位的仓储方案。
优选地，保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案，其步骤包括：
根据所述区域网格框架模型对所述仓储特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；其中，所述空闲仓储空间是未放置有仓储单元的仓储网格；
基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第一类型方案的第一部分；
对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第一类型方案的第二部分；
将所述待仓储单位的第一类型方案的第一部分和第二部分共同作为所述待仓储单位的第一类型方案。
优选地，对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案，其步骤包括：
对所述仓储特征分布进行调整，以得到若干个调整特征分布；
根据所述区域网格框架模型对所述调整特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；
基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第二类型方案的第一部分；
对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第二类型方案的第二部分；
将所述待仓储单位的第二类型方案的第一部分和第二部分共同作为所述待仓储单位的第二类型方案。
优选地，对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，其步骤包括：
对所述仓储方案进行多维度的分析处理，以获取所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格，和所述仓储方案中进行了位置变化的所述仓储单元在位置变化前和位置变化后的仓储网格；
将所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格标记为第一仓储网格，将所述仓储方案中进行了位置变化的所述仓储单元在位置变化前的仓储网格标记为第二仓储网格，位置变化后的仓储网格标记为第三仓储网格；
根据所述区域网格框架模型对所述第一仓储网格进行仓储所需运输网格的分析处理，以得到所述第一仓储网格对应的仓储所需运输网格；
根据所述区域网格框架模型对所述第二仓储网格和对应的所述第三仓储网格进行调整所需运输网格的分析处理，以得到所述仓储单元在位置变化中的调整所需运输网格；
将同一所述仓储方案的所述仓储所述运输网格和调整所需运输网格进行结合处理，以得到所述仓储方案的仓储调度指标；
对所述仓储方案进行仓储特征的预测处理，以得到根据所述仓储方案进行仓储处理后的所述区域网格框架模型的预测特征分布，并根据所述区域网格框架模型对所述预测特征分布进行仓储网格利用率和仓储运输灵活度的分析处理，以得到所述预测特征分布的仓储网格利用率和仓储运输灵活度，将所述预测特征分布的仓储网格利用率和仓储运输灵活度共同作为所述仓储方案的方案成效指标；
将所述仓储方案的仓储调度指标和仓储成效指标作为所述仓储方案的仓储评估指标。
第二方面，本发明提供一种工业调度仿真装置，包括：
模型搭建模块，用于对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
特征采集模块，用于对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
初步分析模块，用于获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
方案生成模块，用于根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
方案评估模块，用于对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面任一项所述的一种工业调度仿真方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如第一方面中任一项所述的一种工业调度仿真方法。
本发明提供了一种工业调度仿真方法，具有以下有益效果：
本发明通过对仓储区域的数据采集，得到对应的区域网格框架模型，并对现有的仓储状况进行分析，得到仓储特征分布，使用区域网格框架模型对仓储特征分布和对应待仓储单元的预测仓储特征进行多维度的方案分析，得到第一类型方案和第二类型方案，对两种方案进行仓储评估指标的生成和比较，以确定最佳的方案，解决了现有技术中的调度仿真方法缺少对更多种仓储布局下的考量，导致无法得出最佳仓储方案的问题。
附图说明
图1是本发明实施例提供的一种工业调度仿真方法的步骤示意图；
图2是本发明实施例提供的一种工业调度仿真装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
以下结合具体实施例对本发明的实现进行详细的描述。
参照图1、图2所示，为本发明提供较佳实施例。
第一方面，本发明提供一种工业调度仿真方法，包括：
对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
具体地，在本发明提供的实施例的步骤S1中，对收集仓储区域的各个具体位置的区域信息进行采集，来获取仓储区域中各个位置区块的功能作用，并根据各个位置区块的功能作用将仓储区域划分为仓储网格和运输网格，之后利用CAD软件或专业的仓库管理系统(WMS)软件来设计区域网格框架模型。
更具体地，将仓储区域划分为仓储网格和运输网格，仓储网格通常用于存储货物，运输网格则用于定义货物的运输路径，包括通道、装卸区、拣选区等。
可以理解的是，根据现实环境部署区域网格框架模型，是为了在工作中对如何放置仓储单元进行模拟和比较，以提高空间利用率，优化作业流程，提升存取效率，通过科学的布局设计减少拣选时间，提高存取效率。
具体地，在本发明提供的实施例的步骤S2中，使用自动化数据采集系统获取每个仓储网格中的仓储单元数据，记录仓储批次、规格数据（如尺寸、重量、类型）以及每批次商品的仓储时间，将收集到的数据与仓库管理系统中的库存记录进行对比和校正，确保数据的准确性。
更具体地，用数据处理软件将采集数据格式化，以符合区域网格框架模型的数据填充要求，在区域网格框架模型中，根据每个仓储网格的位置，将对应仓储网格的数据进行填充，利用图形化显示或其他可视化手段，表示出各仓储网格中的货物信息，包括存放的批次、规格和仓储时间。
更具体地，分析仓储网格的特征分布，即区域网格框架模型整体的各个仓储网格上的仓储特征，以对整体的仓储状况进行反馈，通过对仓储数据的准确填充，增强了对库存状况的实时可视性和监控能力，便于快速掌握库存动态，确保了库存数据的准确性，减少了因数据错误导致的库存差异和潜在的运营风险。
可以理解的是，通过对特征分布的分析可以揭示空间利用的不足之处，指导优化货物摆放和仓储空间规划，从而提高空间利用率，通过优化仓储特征分布，可以简化作业流程，减少拣选和搬运时间，提高整体作业效率。
具体地，在本发明提供的实施例的步骤S3中，获取待仓储单位（新进货物）的基本信息，包括产品类型、尺寸、重量、存储条件要求等，根据需要转换数据格式，使其适合后续的分析和建模处理。
更具体地，根据待仓储单位的仓储数据生成对应待仓储单位的预测仓储特征，不难看出，预测仓储特征是对待仓储单位在区域网格框架模型中进行仓储后带来的仓储特征的预测，由于待仓储单位可以进行集中仓储和分散仓储，所以预测仓储特征也存在若干种变化形式，也就是说，一种对待仓储单位的仓储安排对应着一种形式的预测仓储特征。
可以理解的是，预测仓储特征的作用是与现有的仓储特征分布一起进行分析，来判断什么形式的预测仓储特征具有最佳的效果，从而推断出应该如何安排待仓储单位进行仓储处理。
具体地，在本发明提供的实施例的步骤S4中，分析现有仓库的区域网格框架模型，了解当前的仓储特征分布，并对待仓储单位的预测仓储特征进行分析，包括体积、重量、存取频率、存储条件需求等。
更具体地，根据区域网格框架模型的仓储特征分布对待仓储单位的预测仓储特征进行仓储方案的分析处理，分析处理的方案包括两种类型，第一种类型是确定不改变现有仓储特征分布的情况下，分析待仓储单位的最佳存放位置，考虑到对现有布局的最小干扰，选择空闲区域或最小化移动现有单位的位置，第二种方案是分析当前布局的潜在弱点和改进空间，制定调整现有仓储特征分布的策略，重新配置仓储区域，以容纳新的仓储单位，同时提高整体的存取效率和空间利用率。
更具体地，使用模拟或计算模型评估两种方案的仓储效率、成本、作业流程等因素，比较方案对现有操作的影响，并预测实施后的长期效果，从而根据评估结果选择最佳方案。
可以理解的是，第一类型方案的优势在于最小化改动，快速实施，成本较低，适用于仓储空间足够、临时存储需求或者不希望中断现有运营流程的场合，劣势是可能无法充分利用仓库空间，不适合长期的存储优化；第二类型方案注重潜在的长期效益，通过优化布局提高整体效率和空间利用率，劣势是需要更多的时间和资源来实施。
具体地，在本发明提供的实施例的步骤S5中，列出评估仓储方案的关键性能指标，收集与每个评估指标相关的数据，对每个仓储方案使用预定的评估指标进行分析，应用统计分析、仿真模型或优化算法等方法，根据分析结果，给每个方案生成对应的仓储评估指标，用于对各个方案进行整体的评估，以判断各个方案的优劣，根据最佳方案制定详细的调度计划，包括资源分配、作业时序和流程控制。
可以理解的是，最佳方案应确保空间被充分利用，减少未使用的存储空间，降低成本，通过合理布局和调度，减少货物存取时间，提高作业效率，分析各个方案的成本效益，减少不必要的支出，例如减少移动次数以降低操作成本。
更具体地，对最佳的方案分析会从多个角度进行，如空间利用的程度、运输所需的工作量、方案实施后对未来仓储的影响程度，总结这些指标进行加权计算与期望计算，从而得出最佳方案。
本发明提供了一种工业调度仿真方法，具有以下有益效果：
本发明通过对仓储区域的数据采集，得到对应的区域网格框架模型，并对现有的仓储状况进行分析，得到仓储特征分布，使用区域网格框架模型对仓储特征分布和对应待仓储单元的预测仓储特征进行多维度的方案分析，得到第一类型方案和第二类型方案，对两种方案进行仓储评估指标的生成和比较，以确定最佳的方案，解决了现有技术中的调度仿真方法缺少对更多种仓储布局下的考量，导致无法得出最佳仓储方案的问题。
优选地，对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型，其步骤包括：
S11：对所述仓储区域进行基础区域形状的数据采集，以得到所述仓储区域的基础区域形状，并基于所述仓储区域的基础区域形状构建覆盖所述仓储区域的定位坐标体系；其中，所述定位坐标体系用于对所述仓储区域的各个具体区域位置进行坐标定位；
S12：根据所述定位坐标体系对所述仓储区域的各个具体区域进行区域功能的数据采集，以获取所述定位坐标体系的各个具体区域的区域功能；
S13：根据所述定位坐标体系的各个具体区域的区域功能将所述定位坐标体系划分为仓储网格和运输网格，并基于被划分为所述仓储网格和所述运输网格的所述定位坐标体系进行坐标体系的重新构建，以得到所述区域网格框架模型。
具体地，使用测量工具（例如激光测距仪、地图绘制软件）获取仓储区域的几何尺寸和形状，记录包括墙壁、柱子、门口等在内的仓储区域的基础结构。
更具体地，将采集到的基础区域形状数据用于构建一个三维或二维的坐标体系，该体系涵盖整个仓储区域，确定参照点，并根据仓储区域的结构布局设置坐标轴，以构建定位坐标系，并根据定位坐标体系，对仓储区域内的各个具体区域进行功能性划分，基于区域功能，将仓储区域内的空间划分为仓储网格和运输网格。
可以理解的是，仓储网格用于货物存放，而运输网格则是货物运输的通道。
更具体地，根据仓储网格和运输网格的划分，重新构建坐标体系，确保每个网格都有唯一的坐标定位，修改现有的坐标体系，以适应网格划分，确保坐标系统能准确反映仓储和运输的实际布局，使用软件工具，如CAD或仓储管理系统，创建整个仓储区域的区域网格框架模型，这个模型应该清晰显示仓储区和运输区，以及它们各自的坐标定位。
可以理解的是，通过优化仓储和运输网格，可以最大化存储空间的使用效率，准确的坐标体系可以提高货物定位的精度，减少在仓储中寻找货物的时间，清晰的运输网格可以减少货物搬运中的冲突，优化货物流动路径。
优选地，对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布，其步骤包括：
S21：对所述仓储区域中的各个所述仓储网格上的仓储单元分别进行仓储数据的采集，以获取所述仓储单元的仓储数据；其中，所述仓储数据包括所述仓储单元的仓储批次、规格数据以及仓储时间；
S22：根据各个所述仓储单元的仓储数据在所述区域网格框架模型对应的岁数仓储网格上进行数据填充，以得到所述区域网格框架模型的各个仓储网格的实际仓储特征；
S23：对所述区域网格框架模型的各个仓储网格的实际仓储特征进行整合处理，以得到所述区域网格框架模型的仓储特征分布。
具体性，对仓储区域中的每个仓储单元进行详细数据记录，如货物的批次号、规格尺寸、重量、入库时间、预计出库时间等，使用条形码、RFID标签或其他自动识别技术来收集和更新这些数据，将采集到的仓储数据填充到区域网格框架模型对应的仓储网格中，使用仓库管理系统（WMS）软件来自动化数据输入和更新过程。
更具体地，对每个仓储网格的仓储特征数据进行整理和分析，以得到整个仓储区域的仓储特征分布图，使用统计分析软件来帮助识别仓储特征的模式和趋势，在区域网格框架模型上标识出各个仓储网格的实际使用情况，可视化分布图可能会用不同的颜色或符号来表示不同的仓储特征，比如红色表示满载，绿色表示空置等。
可以理解的是，准确的仓储数据可以帮助进行精确的库存跟踪和管理，避免过度存储和库存短缺，通过分析仓储特征，可以更合理地规划和分配仓储空间，提高空间利用率，根据仓储特征分布，可优化拣选路径，减少作业员的移动距离，提高拣选效率，通过实时更新仓储数据，可以快速响应出入库操作，加速整个仓储流程，明确的仓储数据和特征分布可以减少拣货和放货错误。
优选地，根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案，其步骤包括：
S41：保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案；
S42：对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案；
S43：将所述第一类型方案和所述第二类型方案共同作为所述待仓储单位的仓储方案。
具体地，首先分析现有的仓储特征分布，包括仓储单元的占用情况、库存水平等。
更具体地，在不改变现有仓储特征分布的前提下，根据待仓储单位的预测仓储特征在区域网格框架模型中找到合适的仓储位置，这一方案主要基于现有空间和资源的最优利用。
更具体地，根据可能的改进空间或效率提升点，提出若干个调整后的特征分布方案，这些调整可能包括重组现有库存、改变存储布局、引入新的存储设备等，对每个调整后的特征分布，再次进行仓储方案分析，找到配合新分布的最佳仓储位置，这些方案旨在通过改变现状来提升整体仓储效率或适应新的存储需求。
更具体地，将第一类型方案和所有的第二类型方案进行比较，评估各自的优缺点，包括成本、操作复杂性、实施难度、预期效率提升等，基于综合评估选择最适合的仓储方案。
可以理解的是，通过考虑维持现状和调整现状两种方案，提高了仓储规划的灵活性和适应性，可能的调整方案允许优化仓储布局，以提高空间利用率和作业效率，对比不同方案允许管理者从成本效益角度进行更明智的选择，在实施大规模改变前可以评估多种方案，降低操作风险，通过实施最优方案，可以提升整体仓库的运营性能，包括更快的存取速度和更高的存储密度，并且支持未来扩展，可以考虑长远的仓库扩展需求，选择更具前瞻性的方案。
优选地，保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案，其步骤包括：
S411：根据所述区域网格框架模型对所述仓储特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；其中，所述空闲仓储空间是未放置有仓储单元的仓储网格；
S412：基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
S413：根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第一类型方案的第一部分；
S414：对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第一类型方案的第二部分；
S415：将所述待仓储单位的第一类型方案的第一部分和第二部分共同作为所述待仓储单位的第一类型方案。
具体地，分析现有的区域网格框架模型以识别未被占用的仓储网格，即空闲仓储空间，利用空闲仓储空间数据，结合待仓储单位的预测仓储特征，如尺寸、重量、存取频率等，来分析各个具体位置的仓储可行性。
更具体地，选择那些能够用于集中仓储待仓储单位的可行仓储网格，并生成第一类型方案的第一部分，这些方案是将待仓储单位整体存放在选定的仓储网格中。
更具体地，如果待仓储单位可以拆分，进行拆分处理以得到拆分后各部分的预测特征，基于拆分后的预测特征和空闲仓储空间，再次进行仓储方案的分析处理，以生成第一类型方案的第二部分，这些方案是将拆分后的单位分散存放在不同的仓储网格中。
更具体地，将第一类型方案的第一部分和第二部分合并，共同构成待仓储单位的完整第一类型方案。
可以理解的是，通过精确识别空闲仓储空间，可以最大化仓库空间的使用效率；对待仓储单位的拆分分析提供了更大的灵活性，在有限空间内满足更多存储需求；系统化的方案生成能够提高仓库管理的精确度和效率；通过优化存储方案，减少不必要的移动和搬运，从而降低操作成本；合理的仓储网格分配可以减少存取时间，提高仓库作业的整体效率；适用于各种大小和形状的仓储单位，能够应对多变的存储需求。
优选地，对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案，其步骤包括：
S421：对所述仓储特征分布进行调整，以得到若干个调整特征分布；
S422：根据所述区域网格框架模型对所述调整特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；
S423：基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
S424：根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第二类型方案的第一部分；
S425：对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第二类型方案的第二部分；
S426：将所述待仓储单位的第二类型方案的第一部分和第二部分共同作为所述待仓储单位的第二类型方案。
具体地，对现有的仓储特征分布进行调整，为了优化空间利用、适应变化的存储需求或提高操作效率，在调整后的特征分布基础上，分析区域网格框架模型以识别可用的空闲仓储空间。
更具体地，将空闲仓储空间与待仓储单位的预测仓储特征结合起来，对每个具体位置进行可行性分析。
更具体地，根据分析结果，选择合适的仓储网格以生成适合待仓储单位整体存储的第二类型方案的第一部分，对待仓储单位进行拆分处理，以得到各部分的预测特征。
更具体地，基于拆分单位的预测特征和可用的空闲仓储空间，分析并生成适合这些拆分单位存储的第二类型方案的第二部分。
更具体地，将第二类型方案的第一部分和第二部分结合起来，形成完整的第二类型方案。
可以理解的是，能够根据实际的存储需求和空间条件调整特征分布，进一步优化空间的使用，通过精确分析和匹配仓储特征与空闲空间，提升了整体存储效率，这种方法提供了灵活性，可以适应不同大小、形状或需求的仓储单位，准确的仓储特征分布和拆分方案减少了空间和资源的浪费，合理的分布和方案设计可以减少员工的移动距离，加快存取速度，提高作业效率。
优选地，对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，其步骤包括：
S51：对所述仓储方案进行多维度的分析处理，以获取所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格，和所述仓储方案中进行了位置变化的所述仓储单元在位置变化前和位置变化后的仓储网格；
S52：将所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格标记为第一仓储网格，将所述仓储方案中进行了位置变化的所述仓储单元在位置变化前的仓储网格标记为第二仓储网格，位置变化后的仓储网格标记为第三仓储网格；
S53：根据所述区域网格框架模型对所述第一仓储网格进行仓储所需运输网格的分析处理，以得到所述第一仓储网格对应的仓储所需运输网格；
S54：根据所述区域网格框架模型对所述第二仓储网格和对应的所述第三仓储网格进行调整所需运输网格的分析处理，以得到所述仓储单元在位置变化中的调整所需运输网格；
S55：将同一所述仓储方案的所述仓储所述运输网格和调整所需运输网格进行结合处理，以得到所述仓储方案的仓储调度指标；
S56：对所述仓储方案进行仓储特征的预测处理，以得到根据所述仓储方案进行仓储处理后的所述区域网格框架模型的预测特征分布，并根据所述区域网格框架模型对所述预测特征分布进行仓储网格利用率和仓储运输灵活度的分析处理，以得到所述预测特征分布的仓储网格利用率和仓储运输灵活度，将所述预测特征分布的仓储网格利用率和仓储运输灵活度共同作为所述仓储方案的方案成效指标；
S57：将所述仓储方案的仓储调度指标和仓储成效指标作为所述仓储方案的仓储评估指标。
具体地，进行多维度的分析以确定用于存储待仓储单位的网格，以及哪些仓储单元在方案中发生了位置变化，标记用于待仓储单位的仓储网格（第一仓储网格）、标记位置变化前的仓储单元网格（第二仓储网格）和位置变化后的网格（第三仓储网格）。
更具体地，对第一仓储网格进行分析，以确定仓储所需要的运输网格，对第二和第三仓储网格进行分析，以确定位置调整所需的运输网格。
更具体地，将仓储所需的运输网格与位置调整所需的运输网格结合，以形成仓储方案的仓储调度指标。
更具体地，对仓储方案进行特征预测，以预测仓储处理后的区域网格框架模型特征分布，分析预测特征分布以得到仓储网格利用率和运输灵活度，将仓储网格利用率和运输灵活度作为方案成效指标，综合仓储调度指标和仓储成效指标，作为仓储方案的评估指标。
可以理解的是，提供一个全面的评估指标系统，支持做出更有效的存储和调度决策；通过优化仓储网格的使用，提高了空间利用率；分析运输网格以优化物品的搬运路径，减少移动时间和成本，通过精确的调度和存储预测，减少了资源的浪费，结合调度指标和成效指标，提高了整体的仓储和运输效率。
参照图2所示，第二方面，本发明提供一种工业调度仿真装置，包括：
模型搭建模块，用于对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
特征采集模块，用于对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
初步分析模块，用于获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
方案生成模块，用于根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
方案评估模块，用于对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
在本实施例中，上述装置实施例中的各个模块的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面任一项所述的一种工业调度仿真方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如第一方面中任一项所述的一种工业调度仿真方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种工业调度仿真方法，其特征在于，包括：
对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
2.如权利要求1所述的一种工业调度仿真方法，其特征在于，对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型，其步骤包括：
对所述仓储区域进行基础区域形状的数据采集，以得到所述仓储区域的基础区域形状，并基于所述仓储区域的基础区域形状构建覆盖所述仓储区域的定位坐标体系；其中，所述定位坐标体系用于对所述仓储区域的各个具体区域位置进行坐标定位；
根据所述定位坐标体系对所述仓储区域的各个具体区域进行区域功能的数据采集，以获取所述定位坐标体系的各个具体区域的区域功能；
根据所述定位坐标体系的各个具体区域的区域功能将所述定位坐标体系划分为仓储网格和运输网格，并基于被划分为所述仓储网格和所述运输网格的所述定位坐标体系进行坐标体系的重新构建，以得到所述区域网格框架模型。
3.如权利要求1所述的一种工业调度仿真方法，其特征在于，对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布，其步骤包括：
对所述仓储区域中的各个所述仓储网格上的仓储单元分别进行仓储数据的采集，以获取所述仓储单元的仓储数据；其中，所述仓储数据包括所述仓储单元的仓储批次、规格数据以及仓储时间；
根据各个所述仓储单元的仓储数据在所述区域网格框架模型对应的岁数仓储网格上进行数据填充，以得到所述区域网格框架模型的各个仓储网格的实际仓储特征；
对所述区域网格框架模型的各个仓储网格的实际仓储特征进行整合处理，以得到所述区域网格框架模型的仓储特征分布。
4.如权利要求1所述的一种工业调度仿真方法，其特征在于，根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案，其步骤包括：
保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案；
对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案；
将所述第一类型方案和所述第二类型方案共同作为所述待仓储单位的仓储方案。
5.如权利要求4所述的一种工业调度仿真方法，其特征在于，保持现有的所述仓储特征分布不变，根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第一类型方案，其步骤包括：
根据所述区域网格框架模型对所述仓储特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；其中，所述空闲仓储空间是未放置有仓储单元的仓储网格；
基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第一类型方案的第一部分；
对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第一类型方案的第二部分；
将所述待仓储单位的第一类型方案的第一部分和第二部分共同作为所述待仓储单位的第一类型方案。
6.如权利要求4所述的一种工业调度仿真方法，其特征在于，对现有的所述仓储特征分布进行调整，以得到若干个调整特征分布，并基于各个所述调整特征分布，分别根据所述区域网格框架模型对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到第二类型方案，其步骤包括：
对所述仓储特征分布进行调整，以得到若干个调整特征分布；
根据所述区域网格框架模型对所述调整特征分布进行所述区域网格框架模型的空闲仓储空间的分析处理，以得到所述区域网格框架模型中的空闲仓储空间；
基于所述空闲仓储空间和所述待仓储单位的预测仓储特征对所述区域网格框架模型的各个具体位置进行仓储可行性的分析处理，并根据所述分析处理的结果获取所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格；
根据所述区域网格框架模型中可供所述待仓储单位进行集中仓储的仓储网格，依次对所述待仓储单位进行仓储方案的生成，以得到所述待仓储单位的第二类型方案的第一部分；
对所述待仓储单位进行拆分处理，以得到所述待仓储单位的拆分预测特征，并基于所述空闲仓储空间对所述拆分预测特征进行所述待仓储单位的仓储方案的分析处理，以得到所述待仓储单位的第二类型方案的第二部分；
将所述待仓储单位的第二类型方案的第一部分和第二部分共同作为所述待仓储单位的第二类型方案。
7.如权利要求1所述的一种工业调度仿真方法，其特征在于，对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，其步骤包括：
对所述仓储方案进行多维度的分析处理，以获取所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格，和所述仓储方案中进行了位置变化的所述仓储单元在位置变化前和位置变化后的仓储网格；
将所述仓储方案中用于对所述待仓储单位进行仓储的仓储网格标记为第一仓储网格，将所述仓储方案中进行了位置变化的所述仓储单元在位置变化前的仓储网格标记为第二仓储网格，位置变化后的仓储网格标记为第三仓储网格；
根据所述区域网格框架模型对所述第一仓储网格进行仓储所需运输网格的分析处理，以得到所述第一仓储网格对应的仓储所需运输网格；
根据所述区域网格框架模型对所述第二仓储网格和对应的所述第三仓储网格进行调整所需运输网格的分析处理，以得到所述仓储单元在位置变化中的调整所需运输网格；
将同一所述仓储方案的所述仓储所述运输网格和调整所需运输网格进行结合处理，以得到所述仓储方案的仓储调度指标；
对所述仓储方案进行仓储特征的预测处理，以得到根据所述仓储方案进行仓储处理后的所述区域网格框架模型的预测特征分布，并根据所述区域网格框架模型对所述预测特征分布进行仓储网格利用率和仓储运输灵活度的分析处理，以得到所述预测特征分布的仓储网格利用率和仓储运输灵活度，将所述预测特征分布的仓储网格利用率和仓储运输灵活度共同作为所述仓储方案的方案成效指标；
将所述仓储方案的仓储调度指标和仓储成效指标作为所述仓储方案的仓储评估指标。
8.一种工业调度仿真装置，其特征在于，包括：
模型搭建模块，用于对仓储区域进行区域信息的数据采集，根据采集到的区域信息生成对应所述仓储区域的区域网格框架模型；其中，所述区域网格框架模型包括仓储网格和运输网格，所述区域网格框架模型用于将所述仓储区域划分为仓储网格和运输网格，以对所述仓储区域的各个具体位置的用途进行描述，所述仓储网格用于对仓储单元进行仓储，所述运输网格用于对仓储单元进行运输；
特征采集模块，用于对所述仓储区域进行仓储数据的采集，并根据采集到的仓储数据在所述区域网格框架模型对应的所述仓储网格处进行数据填充，以获取所述区域网格框架模型的仓储特征分布；其中，所述仓储数据包括所述仓储网格上的仓储单元的仓储批次、规格数据以及仓储时间；
初步分析模块，用于获取待仓储单位的仓储数据，并根据所述待仓储单位的仓储数据生成对应所述待仓储单位的预测仓储特征；
方案生成模块，用于根据所述区域网格框架模型的仓储特征分布对所述待仓储单位的预测仓储特征进行仓储方案的分析处理，以得到若干对应所述待仓储单位的仓储方案；其中，所述仓储方案包括第一类型方案和第二类型方案，所述第一类型方案为保持现有的所述仓储特征分布不变，对所述待仓储单位进行仓储的方案，所述第二类型方案为对现有的仓储特征分布进行调整的同时，对所述待仓储单位进行仓储的方案；
方案评估模块，用于对各个所述仓储方案进行仓储评估指标的分析处理，以得到各个所述仓储方案的仓储评估指标，对各个所述仓储方案的仓储评估指标进行比较处理，得到具有最佳的所述仓储评估指标的仓储方案，并根据所述具有最佳的所述仓储评估指标的仓储方案对所述待仓储单位进行调度处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的一种工业调度仿真方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的一种工业调度仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304116.8A CN117893140B (zh) | 2024-03-18 | 工业调度仿真方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410304116.8A CN117893140B (zh) | 2024-03-18 | 工业调度仿真方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893140A true CN117893140A (zh) | 2024-04-16 |
| CN117893140B CN117893140B (zh) | 2024-06-07 |
Family
ID=
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014084177A (ja) * | 2012-10-19 | 2014-05-12 | Ricoh Co Ltd | 入出庫管理システム、情報管理サーバ及び入出庫状況管理方法 |
| WO2021218553A1 (zh) * | 2020-04-30 | 2021-11-04 | 炬星科技（深圳）有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
| EP4125015A1 (en) * | 2021-07-28 | 2023-02-01 | Dataconsult Spolka Akcyjna | Management system for goods picking and packing |
| CN116050154A (zh) * | 2023-02-07 | 2023-05-02 | 黄河科技学院 | 物联网环境下的智能化仓储管理方法及系统 |
| CN116433157A (zh) * | 2023-04-27 | 2023-07-14 | 四川达运信息技术服务有限公司 | 一种基于abc库管法和费马点的工程物资仓储划区方法 |
| CN116553058A (zh) * | 2023-06-07 | 2023-08-08 | 广州中联环宇现代物流有限公司 | 三维智能仓储系统及其控制方法 |
| CN117557199A (zh) * | 2024-01-03 | 2024-02-13 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
| CN117709824A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市快金数据技术服务有限公司 | 物流网络布局优化方法、装置、设备及存储介质 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014084177A (ja) * | 2012-10-19 | 2014-05-12 | Ricoh Co Ltd | 入出庫管理システム、情報管理サーバ及び入出庫状況管理方法 |
| WO2021218553A1 (zh) * | 2020-04-30 | 2021-11-04 | 炬星科技（深圳）有限公司 | 基于机器人的网状供应链决策方法、设备及存储介质 |
| EP4125015A1 (en) * | 2021-07-28 | 2023-02-01 | Dataconsult Spolka Akcyjna | Management system for goods picking and packing |
| CN116050154A (zh) * | 2023-02-07 | 2023-05-02 | 黄河科技学院 | 物联网环境下的智能化仓储管理方法及系统 |
| CN116433157A (zh) * | 2023-04-27 | 2023-07-14 | 四川达运信息技术服务有限公司 | 一种基于abc库管法和费马点的工程物资仓储划区方法 |
| CN116553058A (zh) * | 2023-06-07 | 2023-08-08 | 广州中联环宇现代物流有限公司 | 三维智能仓储系统及其控制方法 |
| CN117557199A (zh) * | 2024-01-03 | 2024-02-13 | 福州冰宇科技有限公司 | 一种基于数学模型的智慧仓储方法、系统及存储介质 |
| CN117709824A (zh) * | 2024-02-06 | 2024-03-15 | 深圳市快金数据技术服务有限公司 | 物流网络布局优化方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 李霞;朱煜明;: "自动化立体仓库动态货位分配建模与仿真", 物流科技, no. 03, 10 March 2016 (2016-03-10) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Leng et al. | Digital twin-driven joint optimisation of packing and storage assignment in large-scale automated high-rise warehouse product-service system | |
| Huang et al. | Industry 4.0: Development of a multi-agent system for dynamic value stream mapping in SMEs | |
| Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
| Wang | Logistics 4.0 solution-new challenges and opportunities | |
| US8407108B2 (en) | Warehouse management system based on pick velocity | |
| US7054704B2 (en) | Method, system and facility for controlling resource allocation within a manufacturing environment | |
| Kim et al. | Value analysis of location-enabled radio-frequency identification information on delivery chain performance | |
| CN110310057A (zh) | 货品排序和货位处理方法、装置、设备及其存储介质 | |
| Poon et al. | A real-time production operations decision support system for solving stochastic production material demand problems | |
| CN112200523A (zh) | 一种基于大数据分析的电商商品物流仓储中心智能管理平台 | |
| US6611727B2 (en) | Method and system for simulating production within a manufacturing environment | |
| Antomarioni et al. | Data-driven decision support system for managing item allocation in an ASRS: A framework development and a case study | |
| Beckschäfer et al. | Simulating storage policies for an automated grid-based warehouse system | |
| CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
| CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
| Manzini et al. | Performance assessment in order picking systems: a visual double cross-analysis | |
| CN114707874A (zh) | 应用于铝合金生产的排程方法、设备及存储介质 | |
| CN117893140B (zh) | 工业调度仿真方法、装置、设备及存储介质 | |
| Jawahar et al. | Optimal random storage allocation for an AS/RS in an FMS | |
| CN117893140A (zh) | 工业调度仿真方法、装置、设备及存储介质 | |
| Cao et al. | Digital twin-driven warehouse management system for picking path planning problem | |
| Zennaro et al. | Buffer size evaluation in a bottle plant production system: a comparison between different solving methods | |
| Dong et al. | Automated storage and retrieval system design with variant lane depths | |
| CN113762842A (zh) | 仓库调度方法、服务器和系统 | |
| Schoech et al. | Optimising plant layout decisions based on emulation models–technical framework and practical insights |
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 |