基于订单灰色关联分析的仓储货位优化布局方法及系统与流程

1.本发明属于自动化仓储技术领域，尤其涉及一种基于订单灰色关联分析的仓储货位优化布局方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.为提高顾客的满意度，增加顾客粘性，目前国内主流b2c电商平台在不断提升物流速度。以唯品会、京东和菜鸟为例，仓储也已经基本实现全自动化，改变了传统的“人到货”拣选方式，通过采用不同形式的装卸搬运设备，实现“货到人”拣选，从订单下发到商品出库只需要极短的时间，有效减少了订单积压、出库瓶颈等问题。有关订单拣选研究大多集中于订单聚类、品项聚类和拣选路径的优化。
4.品项聚类研究中，多倾向于将关联度高的商品集中到一起，提升人工拣选效率，缩短拣选路径和时间。然而avs/rs(autonomous vehicle storage and retrieval system)，聚类分析原理完全相反，关联度高的商品分开放置，才能提高机器的利用率及订单反应速度。订单灰色关联分析进行品项聚类的方法是一种启发式聚类方法，具有快速、易实现的特点，现有的灰色关联分析模型包括：邓氏灰色关联度、基于相似性视角的灰色关联度、基于接近性视角的灰色关联度等。但是若直接应用于b2c订单，若采用邓氏灰色关联度分析方法，对有无关联性的区分性较差，且计算繁琐；若采用相似性视角或接近性视角的灰色关联度分析方法，当i产品和j产品出库频率呈现交叉分布情况时，该模型无法呈现两产品真正的关联度。即，现有的灰色关联分析方法不再适用该行业的品项聚类。


技术实现要素：

5.为克服上述现有技术的不足，本发明提供了一种基于订单灰色关联分析的仓储货位优化布局方法及系统，采用改进的灰色关联度计算品项之间的关联度，能够很好的反应品项间在订单上的关联性，所计算的关联度符合实际关联度，保证了后续货位优化的合理性。
6.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
7.一种基于订单灰色关联分析的仓储货位优化布局方法，包括以下步骤：
8.获取多个订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
9.根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
10.基于品项之间的关联度，对品项进行聚类；
11.根据聚类结果，按照全周转率原则，对品项货位进行优化。
12.进一步地，根据所述多个订单上品项的出库信息构建订单-出库频次矩阵包括：
13.构建订单-出库频次矩阵，所述订单-出库频次矩阵的每一行对应一个订单，每一
列对应一个品项，记录所有订单中品项的出库情况；
14.若某订单中包含某品项，则矩阵中相应位置的数值记为1，若不包含，记为0。
15.进一步地，采用灰色关联度计算订单中品项之间的关联度包括：
16.基于订单-出库频次矩阵提取各品项的出库信息序列；
17.对于任意两个品项i和j，其对应出库信息序列分别记为：x
i
＝(x
i
(1)，x
i
(2)，
……
，x
i
(on))，x
j
＝(x
j
(1)，x
j
(2)，
……
，x
j
(on))，其中，on表示订单数，x
i
(k)和x
j
(k)分别表示品项i和品项j在第k个订单中的出库信息，取值为1或0，k∈[1，0n]；
[0018]
品项i和品项j之间的关联度计算公式为：
[0019][0020][0021]
其中，当x
i
(n)和x
j
(n)不同时为零时，关联系数当x
i
(k)＝x
j
(k)＝0时，
[0022]
进一步地，对品项进行聚类采用权重聚类方法或者两级聚类方法。
[0023]
进一步地，采用权重聚类方法对品项进行聚类包括：
[0024]
假设预将商品放置在a排货架上，每排货架含有b层，每排货架配置一台提升机，每层设有单独的穿梭车，品类数量尽可能均匀放置，目标函数为：
[0025][0026]
其中，其中：g＝a*a，h＝a*b*(b-1)/2，x
i
，y
j
≥0，x
i
表示不同货架间的品项关联度，y
j
表示货架内部层之间的品项关联度，c1表示货架间品项关联度的权重，c2表示货架内部层之间的品项关联度权重。
[0027]
进一步地，采用两级聚类方法对品项进行聚类包括：
[0028]
假设预将商品放置在a排货架上，每排货架含有b层，每排货架配置一台提升机，每层设有单独的穿梭车，品类数量尽可能均匀放置；
[0029]
首先，将品项聚成a类，目标函数：
[0030][0031]
其中，cost
ij
表示a个货架中两个不同货架上的i商品和j商品之间的关联度；
[0032]
然后，对a个货架上的品项，分别遗传迭代，目标函数为：
[0033][0034]
其中，costx
ij
≥0，i＜j，x个目标函数分别取模糊最优值。
[0035]
进一步地，基于遗传算法对权重聚类方法或者两级聚类方法进行求解。
[0036]
一个或多个实施例提供了一种基于订单灰色关联分析的仓储货位优化布局系统，包括：
[0037]
数据预处理模块，获取多个订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
[0038]
关联度计算模块，根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
[0039]
品项聚类模块，基于品项之间的关联度，对品项进行聚类；
[0040]
货位优化模块，根据聚类结果，按照全周转率原则，对品项货位进行优化。
[0041]
一个或多个实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时实现所述基于订单灰色关联分析的仓储货位优化布局方法。
[0042]
一个或多个实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述基于订单灰色关联分析的仓储货位优化布局方法。
[0043]
以上一个或多个技术方案存在以下有益效果：
[0044]
通过分析b2c电商订单的特性，对传统的灰色关联模型进行改进，提出了适用于b2c电商订单的改进的灰色关联模型，能够很好的反应商品品项间在同一订单上的关联性，所计算的关联度符合实际关联度，保证了后续货位优化的合理性。
[0045]
分别构建了基于权重的聚类模型和二级聚类模型，应用于品项的聚类，依次分配商品所在巷道和所在层，以尽可能提升设备利用率，缩短订单处理时间，减少设备能耗。
附图说明
[0046]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0047]
图1为本发明一个实施例的基于订单灰色关联分析的仓储货位优化布局方法的流程图；
[0048]
图2为本发明一个实施例的基于遗传算法进行聚类的流程图；
[0049]
图3为本发明一个实施例的基于遗传算法进行聚类过程中适应度收敛示意图。
具体实施方式
[0050]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0051]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0052]
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0053]
实施例一
[0054]
本实施例提供了一种基于订单灰色关联分析的仓储货位优化布局方法，根据电商订单的特点，采用改进的灰色关联度计算不同品项之间的关联度，然后结合种群进化的特点，采用遗传算法来进行品项聚类，进而优化仓储布局，达到提升物流效率的目的。具体地，所述方法具体包括以下步骤：
[0055]
步骤1：获取订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
[0056]
步骤2：根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
[0057]
步骤3：基于品项之间的关联度，对品项进行聚类；
[0058]
步骤4：根据聚类结果，按照全周转率原则，对品项货位进行优化。
[0059]
所述步骤1中，由于avs/rs系统特点，单品项的多个商品储存在单一周转箱中，分配一个货位。b2c电商的每个订单上记录了仓库中各个品项的订单量，由于产品的储存形式及avs/rs的作业特点，所以在实际状况下，周转箱出库一次即可满足绝大多数订单的品项数量要求，因此在本研究中，品项的订单量可以忽略，仅考虑品项的被订频次，订单品项上的出库频率c∈(0，1)。
[0060]
本实施例提取某电商仓库1000张订单信息，共包含189种商品，每张订单上含有这189种商品的出库信息，即令on＝1000，sn＝189。构建订单-出库频次矩阵。其中，每个订单-出库频次矩阵的每一行对应一个订单，每一列对应一类商品，记录所有订单中所有商品的出库情况，行数与订单数量一致，列数与所有订单包含的商品种类数量一致，本实施例中，订单-出库频次矩阵为1000
×
189矩阵。对于每一订单，若该订单中包含某一种商品，矩阵中相应位置的数值记为该商品出库的频次1，若不含该商品，则出库频次为0。将订单-出库频次矩阵中的每一列记为品项出库信息序列：x
i
＝(x
i
(1)，x
i
(2)，......，x
i
(n))，其中，x
i
(k)表示产品i在第k个订单中的出库信息，取值为1或0。
[0061]
选取1000个产品订单，包含189种产品，以产品出库频率作为源数据序列用以对电商产品进行聚类分析，旨在减少电商产品出入库等待时间浪费，提升智能仓储物流效率。
[0062]
所述步骤2中，根据订单数据源特点，应采用适用于离散数据的灰色关联分析模型。
[0063]
现有的灰色关联分析模型包括：邓氏灰色关联度、基于相似性视角的灰色关联度、基于接近性视角的灰色关联度等。本实施例依次分析上述灰色关联分析模型在电商产品聚类问题中的适用性。
[0064]
(1)邓氏灰色关联度
[0065]
灰色关联系数ω：
[0066][0067]
其中，分辨系数序列行数i∈(1，2，3
…
sn-1)，每个序列的元素个数c。
[0068]
灰色关联度r：
[0069][0070]
根据本文的数据源特点可知，x(k)∈{x|x＝0或1}，所以则或1，所以采用邓氏灰色关联度只能算出两种关联系数。
[0071]
假设在x0(k)和任一x
i
(k)序列的比较中(x0(k)和x
i
(k)分别代表产品0和产品i在1000个订单中的出库频率情况)，存在n组0，1对应的数据和(1000-n)组0，0对应或者1，1对应的数据，则
[0072][0073]
可以看出关联度r仅与n有关，但是在本文研究的实际问题中，当出现1，1对应的数据代表两组数据有关联性，而出现0，1或0，0时代表两种产品在该订单中并无关联性，然而该模型并不能区分0，0和1，1两种数据分布；另外，采用该模型计算电商产品关联度需要不断变换参考序列，计算繁琐。所以邓氏灰色关联度模型并不适用于基于出库频率数据的产品订单情况进行产品聚类分析。
[0074]
(2)基于相似性视角的灰色关联度
[0075]
设系统序列x
i
＝(x
i
(1)，x
i
(2)，
……
，x
i
(on))，x
j
＝(x
j
(1)，x
j
(2)，
……
，x
j
(on))的始点零化序列为：
[0076]
记产品j和产品i在第n个订单中的关联系数为令当与，的长度相等，且为1时距序列时，
[0077][0078]
则关联度ε
ij
：
[0079][0080]
根据相似性视角的灰色关联度的原理可以看出，该模型将数据起点零化，适用于测量序列间几何形状的相似性，并不能体现商品在订单间的接近程度，因此不适合应用于b2c电商产品聚类分析。
[0081]
算例说明：假设i产品在on个订单中每次出库频率都为1，而j产品在on个订单中出库频率均为0，分布情况如表所示，按照聚类原理，i产品和j产品的关联度应为0。
[0082]
表1：i，j产品出库频率分布示意表
[0083]
k123
……
oni产品出库频率(次)111
……
1j产品出库频率(次)000
……0[0084]
根据相似性视角的灰色关联度计算公式可知：
[0085]
所以即求出的灰色关联度的结果为1，这显然与实际情况不符。
[0086]
(3)基于接近性视角的灰色关联度
[0087]
设系统序列x
i
＝(x
j
(1)，x
i
(2)，
……
，x
i
(on))，x
j
＝(x
j
(1)，x
j
(2)，
……
，x
j
(on))，记产品i和j在第k个订单中的关联系数为
[0088]
令
[0089]
当x
i
与x
j
的长度相等，且都为1-时距序列时，
[0090][0091]
则关联度ρ
ij
：
[0092][0093]
基于接近性视角的灰色关联度用于测量行为序列在同一订单上的接近性，从本文的数据样本特点来看，基于出库频率的电商产品聚类分析正是需要比较序列在订单上的接近程度，但是根据原有公式我们可以发现，当i产品和j产品出库频率呈现交叉分布情况时，该模型无法呈现两产品真正的关联度。
[0094]
算例说明：
[0095]
假设i产品1000个订单中，前500订单出库频率为1，后500订单出库频率为0；而j产品在前500个订单中出库频率为0，后500个订单中出库频率为1，频率分布情况如表所示，按照本文所研究问题的聚类原理，产品i和j关联度应为0。
[0096]
表2：i，j产品出库频率分布示意表
[0097]
k12
……
500501502
……
1000i产品出库频率(次)11110000j产品出库频率(次)00001111
[0098]
根据接近性视角的灰色关联度计算公式可知：
[0099][0100]
关联度计算结果显然与实际情况不符。考虑到该模型在两序列交叉分布时无法呈现实际关联度的情况，并且也无法区分0，0对应和1，1对应的现象。因此，本实施例在接近性灰色关联度模型的基础上，进行了如下修正：
[0101]
令关联系数(当x
i
(k)和x
j
(k)不同时为零)；
[0102]
若存在一个整数k，k∈[1，on]，使得x
i
(k)＝x
j
(k)＝0，则
[0103][0104]
则修正后的关联度ρ
ij*
：
[0105][0106]
可以看出，修正后的关联度满足灰色关联公理中的偶对称性、接近性和规范性。
[0107]
基于接近性视角的改进灰色关联度具有如下性质：
[0108]
1)灰色关联度ρ
ij*
∈(0，1)
[0109]
2)ρ
ij*
＝ρ
ji*
，具有偶对称性
[0110]
3)若x
i
＝x
j
＝0或者x
i
围绕x
j
摆动，且x
i
在x
j
上面的面积等于下面的面积，则ρ
ii*
＝0.001≈0
[0111]
4)当x
i
＝x
j
＝1，ρ
ij*
＝1
[0112]
基于上述分析，本实施例采用修正的基于接近性视角的灰色关联度计算品项之间的关联度。
[0113]
所述步骤3中，该系统需要满足189个品项储存需求，因此设avs/rs为双巷道，每巷道由一台提升机负责垂直作业，每巷道货格数量为100；货架层数为4，单层高度为3米，每层配备一台穿梭车以完成水平作业；货架列数为25，列宽为2米，共200个储位。货物出库后，由输送机后将其输送至拣选站台，利用订单全局表，实现由订单拉动的出库作业。
[0114]
本实施例提供了两种方法对品项进行聚类，具体为：基于遗传算法的权重聚类方法和基于遗传算法的两级聚类方法。
[0115]
(1)基于遗传算法的权重聚类方法
[0116]
假设预将sn种商品放置在a排货架上，每排货架含有b层，每排货架配置一台提升机，每层设有单独的穿梭车，品类数量尽可能均匀放置，目标函数为：
[0117][0118]
其中，其中：g＝a*a
[0119]
h＝a*b*(b-1)/2
[0120]
x
i
表示不同货架间的品项关联度，y
j
表示货架内部层之间的品项关联度，c1表示货架间品项关联度的权重，c2表示货架内部层之间的品项关联度权重。考虑到每排货架只有一个提升机，每层都配有穿梭车，故倾向于调高货架间品项关联度的权重，本文选取c1＝0.8，c2＝0.2。
[0121]
(2)基于遗传算法的两级聚类方法
[0122]
上述算法采用货架间单元关联度系数及货架内单元关联系数权重固定不变去构
建目标函数，考虑到权重确定的人为因素可能会产生误差，影响最优解，本文拟采用两级聚类，作为对照组进行对比，两级聚类步骤如下：
[0123]
1)输入订单信息，计算品项间关联度
[0124]
2)第一级聚类：采用遗传算法，将品项聚成a类，目标函数：
[0125][0126]
其中，cost
ij
表示a个货架中两个不同货架上的i商品和j商品之间的关联度。
[0127]
3)第二级聚类：对a个货架上的品项，分别遗传迭代，目标函数为：
[0128]
sx＝max(∑costx
ij
)
[0129]
4)其中，costxij≥0，i＜j，x个目标函数分别取模糊最优值。
[0130]
生物的进化过程依赖于种群基因的进化，而种群基因由每一代个体的基因库组成，所以当种群的基因库不断迭代更新，会带动生物的进化演变。
[0131]
对于上述基于遗传算法的权重聚类方法，以及基于遗传算法的两级聚类方法，本文采用遗传算法对其中的目标函数进行求解，求解过程如下：
[0132]
1)随机生成a*b个初始种群，每个种群包含sn种商品，对其位置进行编码形成染色体；
[0133]
2)计算每个个体适应度，产生一代种群(初始种群)；
[0134]
3)判断是否满足终止条件，若满足，则输出结果，不满足则继续；
[0135]
4)轮盘赌选择20次，从20次选择中随机选取2个个体，作为迭代对象；
[0136]
5)判断交叉概率，若随机概率低于交叉概率，则进行交叉操作，若高于交叉概率，则跳过；
[0137]
6)判断变异概率，若随机概率低于变异概率，则进行变异操作，若高于变异概率，则跳过；
[0138]
7)新染色体替代原始种群中相应的对象，形成新一代种群，跳转到3)。
[0139]
和二级聚类模型相比，基于权重的聚类模型，实现了一次聚类，可以快速得到聚类结果；但是该模型需要不断调整权重，使聚类结果更优化。
[0140]
利用遗传算法来实现两种聚类模式，既可以保证聚类结果较优，同时可以快速实现聚类。
[0141]
本实施例为了简化货位优化的复杂度，主要根据品项间关联程度和品项的出库频率分配货位，没有考虑重力等影响因素，仅适用于密度相似物品的货位优化。
[0142]
实施例二
[0143]
本实施例的目的是提供一种基于订单灰色关联分析的仓储货位优化布局系统，所述系统包括：
[0144]
数据预处理模块，获取多个订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
[0145]
关联度计算模块，根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
[0146]
品项聚类模块，基于品项之间的关联度，对品项进行聚类；
[0147]
货位优化模块，根据聚类结果，按照全周转率原则，对品项货位进行优化。
[0148]
实施例三
[0149]
本实施例的目的是提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时执行以下步骤：
[0150]
步骤1：获取订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
[0151]
步骤2：根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
[0152]
步骤3：基于品项之间的关联度，对品项进行聚类；
[0153]
步骤4：根据聚类结果，按照全周转率原则，对品项货位进行优化。
[0154]
实施例四
[0155]
本实施例的目的是提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现以下步骤：
[0156]
步骤1：获取订单信息，并根据所述多个订单上品项的出库信息构建订单-出库频次矩阵；
[0157]
步骤2：根据订单-出库频次矩阵，采用灰色关联度计算订单中品项之间的关联度；
[0158]
步骤3：基于品项之间的关联度，对品项进行聚类；
[0159]
步骤4：根据聚类结果，按照全周转率原则，对品项货位进行优化。
[0160]
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0161]
仿真结果：
[0162]
基于改进的灰色关联挖掘方法，计算出商品间的关联度，将计算好的关联度作为初始数据导入程序，然后采用遗传算法进行聚类，遗传算法的寻优收敛过程如图3所示。由图可见，通过遗传算法聚类，适应度不断收敛，巷道和货架间商品的关联度最终接近37，较初始值有了明显的提升。经多次实验，两组遗传算法均达到加好的适应度收敛，商品聚类分布结果如表3所示。
[0163]
表3：基于遗传算法的品项聚类结果表
[0164]
[0165][0166]
根据聚类结果，按照全周转率原则，对品项货位进行优化。同巷道内的同层货位品项，按出库频率高低排序，出库频率高的品项，离i/o更近；同一巷道内，统计品项子集的出库频率，出库频率高的品项子集，离i/o更近。分别对两种聚类结果，进行货位优化，结果如表4所示。
[0167]
表4：货位优化后的品项货位分配表
[0168][0169][0170]
基于改进灰色关联度的权重聚类和基于改进灰色关联度的二级聚类两种情况下聚类结果，并依据出库频次进行货位优化后，订单仿真运行结果如表5所示。
[0171]
表5：仿真结果表
[0172][0173]
作者前期依据品项间的相似系数，基于k均值进行品项间的二级聚类，并依此聚类结果进行avs/rs的货位优化，因此本文以该研究成果为标杆，进行对比分析，以验证改进灰色关联度和聚类方法的实用性。
[0174]
一、任务处理时间分析
[0175]
在任务处理时间来看，基于改进灰色关联度的二级聚类的作业时间最短，和基于k均值二级聚类相比，任务处理时间减少约0.85％，说明了改进灰色关联度用于品项聚类的合理性，而权重聚类作业时间较长说明权重取值对聚类效果的影响较大。
[0176]
二、设备作业时间分析
[0177]
在设备平均作业时间方面，和k均值聚类相比，基于改进灰色关联度的二级聚类的货位分配情况下，虽然提升机作业时间增加2.6％，但穿梭车的作业时间下降1.64％。
[0178]
三、设备空闲时间分析
[0179]
在设备平均空闲时间方面，和k均值聚类相比，基于改进灰色关联度的二级聚类情况下，提升机和穿梭车的空闲时间均下降明显，提升机作业时间下降4.43％，但穿梭车的作业时间下降1.63％。
[0180]
通过构建仿真模型，对改进的灰色关联模型在avs/rs货位分配中的有效性进行了验证，并且，实验结果表明，和基于k均值聚类相比，基于改进的灰色关联模型的二级聚类模型可将作业处理时间压缩0.85％，同时减少设备空闲时间。
[0181]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0182]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。