一种结合EIQ-ABC和FP-growth的钢材存储布局方法与流程

一种结合eiq-abc和fp-growth的钢材存储布局方法
技术领域
1.本发明涉及仓库存储优化领域，特别地涉及一种结合eiq-abc和fp-growth的钢材存储布局方法。


背景技术：

2.近年来，随着钢铁交易量的大幅度增加以及钢铁品种在交易中呈现多元化的形式，钢铁物流园仓储不足和排场混乱问题也日益严重，而仓配系统在物流供应链中是不容忽视的一个重要环节。
3.钢铁物流的产品具有体积大、质量大和移动笨重的特点，因此在仓储、搬运、配送、信息处理时都需要专门的方法和技术。此外，钢铁产品种类繁多，码放规则也不尽相同，这些问题都容易造成取货作业量的增加，从而导致出库车辆在货场中的流转时间过长，影响物流园区作业效率。
4.然而，目前钢铁物流园区因仓位设置、堆场布局不合理的原因造成的货场车辆排长队问题屡见不鲜。因此如何科学合理地优化钢铁物流园区的仓位布局，促进园区内各项物流活动地高效运作成为急需解决的问题。
5.中国专利申请号为：cn201810930069.2，名称为：一种面向仓储的板材零部件动态货位优化方法。该发明公开了动态货位优化方法技术领域的一种面向仓储的板材零部件动态货位优化方法，主要考虑存储货物自身属性和周转率两大因素，设定仿真数学模型的优化目标，建立多目标优化模型，最终目标是为了降低货物出入库时间。根据对仓库的仓储管理现状分析，先设定合理的约束变量，再将最终优化目标量化处理，最后得到优化后的储位设计方案从而提高仓储作业效率的目的。由于钢材物品具有质量大，移垛不方便的特点，因此该发明作为一种板材零部件动态货位优化方法，却不适用于钢材仓储的优化。
6.中国专利申请号为：cn201911332599.8，名称为：基于nsga-ii的自动化仓储货位分配优化方法。该发明首先结合货物信息，采用abc分类分析方法进行货物分类；其次确定自动化仓储货位分配方法的优化目标和约束条件，建立有约束的多目标优化问题数学模型，最后采取基于nsga-ii的优化算法对该模型进行求解，获得最优的pareto解集，并根据自动化仓储空间实际具体情况分配优化权重获得唯一的非支配解为最优解。但是发明适用于中小型自动化仓储如智能快递柜、智能售货机、自助存取柜，不适合钢材这种大件货物的存储优化。


技术实现要素：

7.本发明的目的在于解决钢铁物流园目前存在的储位布局不合理问题，提供一种结合eiq-abc和fp-growth的钢材存储布局方法，通过结合eiq-abc和fp-growth分析法，对钢材物流园出库数据从iq、ik两个指标进行分析,结合abc分析法按不同类型钢材的出货重要程度划分为abc三个类别。接着通过fp-growth算法挖掘abc各类中高出货频率的钢材组合，为abc每一类钢材的具体堆垛布局提供参考依据，从而达到优化钢铁物流园货位的目的。
8.为实现上述目的，本发明的技术方案是：一种结合eiq-abc和fp-growth的钢材存储布局方法，包括如下步骤：
9.首先，实现钢材的eiq-abc分析：
10.1)计算各种钢材的iq值，并降序排列得到钢材iq集合{iq1,iq2,...,iqn}，iq代表每种钢材的订货质量，n为钢材种类数；
11.2)根据iq集合，依次计算对应单种钢材的质量占全体钢材质量的百分比，形成一个质量百分比集合，依次累加各钢材的质量百分比形成质量累计百分比集合iq-rate；
12.3)实现iq-abc钢材分类：根据abc分类法原则，将iq-rate区间在[0,60％]所对应的钢材定义为qa类，区间在(60％,85％]所对应的钢材定义为qb类，区间在(85％,100％]的钢材定义为qc类；
[0013]
4)统计各种类钢材ik值，并按降序排列得到钢材的ik集合{ik1,ik2,...,ikn}，ik代表每个单品的订货次数；
[0014]
5)根据排序后的ik集合，依次计算对应单种钢材的出货频数占全体钢材总出货频数的百分比，形成一个频数百分比集合，依次累加各钢材的频数百分比形成频数累计百分比集合ik-rate；
[0015]
6)实现ik-abc钢材分类：根据abc分类法原则，将累计出货频数百分比区间在[0,60％]所对应的商品分定义为ka类，区间在(60％,85％]所对应的商品定义为kb类，区间在(85％,100％]的定义为kc类；
[0016]
7)进行iq-ik交叉分析：对各钢材的iq、ik进行分析，判断各钢材的iq、ik变化是否基本趋于一致；
[0017]
8)确定eiq-abc分类结果：根据iq-ik交叉分析，综合iq-abc和ik-abc的分类结果并确定各钢材最终的abc分类结果；
[0018]
接着运用fp-growth算法挖掘abc各类中高频率出货的钢材组合：
[0019]
9)建立一个钢材出货记录的数据库，订单单号作为标识符tid，一个销售单号记为一个事务t，同一单号下不同类型钢材记为不同项，所有事务的集合为d；
[0020]
10)设置最小支持度min_sup，min_sup为一个阈值，第一次扫描事务集d，统计各钢材项的支持度count_x，支持度指该种钢材在d中出现的次数；过滤事务集d，记count_x≥min_sup的钢材项并记为频繁项并保留，反之剔除，然后对事务t里的频繁项按支持度降序排列得到d
*
；
[0021]
11)构建fp_tree：首先创建根节点null，接着对事务集d
*
进行第二次扫描，每读入一个事务t时，创建标记为其对应种类钢材的节点，然后形成根节点null到各钢材节点的路径，直到每个事务都映射到fp_tree的一条路径，读入所有事务后形成完整fp_tree；
[0022]
12)构建钢材项条件模式基：对于第i种钢材，寻找其在fp_tree中的节点位置，沿着根节点的方向所遍历的项的组合定义为该钢材项的一个条件模式基，汇总所以路径得到各钢材项的条件模式基组合，记为集合ui；
[0023]
13)构建钢材项条件fp_tree：对于钢材项i，使用条件模式基作为输入数据，重复10)-11)步骤，读入条件模式基u
ij
，然后形成根节点null到各钢材节点的路径，直到每个条件模式基都映射到条件fp_tree的一条路径，读入所有事务后形成完整的条件fp_tree；
[0024]
14)挖掘频繁项集：重复12)-13)步骤，得到每个钢材项的条件fp_tree，按顺序挖
掘每个条件fp_tree的组合，得到最终符合条件的的频繁项集p，统计其在事务集da
*
中出现的次数并降序排列，最终得到频繁项集结果；
[0025]
15)类似的对b类和c类钢材重复9)-14)的步骤，挖掘出每一类在事务集中出现高频数的钢材项组合，得到最终每类频繁销售钢材组合信息，进而为每类钢材的具体摆放提供依据。
[0026]
相较于现有技术，本发明具有以下有益效果：
[0027]
1)本发明通过数据分析方法为钢铁物流园的钢材摆放布局优化提供了一套完整的流程，有助于提高物流园的运营效率。
[0028]
2)通过eiq-abc分析法在宏观层面根据钢种出库重要程度区分为abc三个类，通过fp-growth和算法在微观层面上挖掘abc各类高频率出货的钢材组合，这些组合的钢材相邻堆放可以提高物流园的出库效率。
附图说明
[0029]
图1为本发明所述eiq-abc分析法流程图；
[0030]
图2为本发明所述fp-growth算法挖掘频繁项集流程图；
[0031]
图3为本发明所述钢铁物流园存储优化整体流程图。
具体实施方式
[0032]
下面结合附图，对本发明的技术方案进行具体说明。
[0033]
如图3所示，本发明一种结合eiq-abc和fp-growth的钢材存储布局方法流程图，为方便叙述，先对钢材信息编码：统计得到18种不同类型钢材，由于每一种钢材带有钢种、直径和长度信息，例如[hrb400e,20,12000]代表1种类型钢材，为方便后面描述，用不同阿拉伯数字进行编码来代表不同类型的钢材。这里用1，2，...，18代表物流园中的18种钢材，具体见表1。对历史订单进行扫描，构建钢材数据库d＝[[9，7，6，4，1，11，8],[10，16，7，4，1，11，8],...,[2，3，4]],每个小括号代表一个出货单号，内部的不同数字表示该单号里包含的不同商品；
[0034]
表1
[0035]
型号直径长度编码hrb400e12120001hrb400e2290002hrb400e22120003hrb400e1290004hrb400e25120005hrb400e18120006hrb400e14120007hrb400e2590008hrb400e1890009hrb400e16900010hrb400e161200011
hrb400e28900012hrb400e20900013hrb400e201200014hrb400e32900015hrb400e14900016hrb400e321200017hrb400e281200018
[0036]
首先实现钢材的eiq-abc分析，流程图见图1，其具体步骤如下：
[0037]
1)计算各种钢材的iq值(iq代表每种钢材的订货质量)并降序排列得到钢材iq集合{iq1,iq4,...,iq
15
}；
[0038]
2)根据iq集合，依次计算对应单种钢材的质量占全体钢材质量的百分比，形成一个质量百分比集合，依次累加各钢材的质量百分比形成质量累计百分比集合iq-rate＝[12.81％,25.12％,...,100％]；
[0039]
3)实现iq-abc钢材分类：根据abc分类法原则，将iq-rate区间在[0,60％]的钢材编号[5,4,3,8,1]定为qa类，区间在(60％,85％]所对应的钢材编号[16,7,2,11]定为qb类，区间在(85％,100％]的钢材编号[10,18,14,13,6,12,9,17,15]定为qc类；
[0040]
4)统计各种类钢材ik值(ik代表每个单品的订货次数)并按降序排列得到钢材的ik集合{ik1,ik5,...,ik
15
}；
[0041]
5)根据排序后的ik集合，依次计算对应单种钢材的出货频数占全体钢材总出货频数的百分比，形成一个频数百分比集合，依次累加各钢材的频数百分比形成频数累计百分比集合ik-rate＝[12.34％,24.37％,...,100％]；
[0042]
6)实现ik-abc钢材分类。根据abc分类法原则，将累计出货频数百分比区间在[0,60％]的钢材编号[4,5,3,8,1]定为ka类，区间在(60％,85％]的钢材编号[2,16,7,11]定为kb类，区间在(85％,100％]的钢材编号[10,18,13,14,6,12,9,17,15]定为kc类；
[0043]
7)进行iq-ik交叉分析，对各钢材的iq、ik进行分析，得到各钢材的iq、ik变化基本趋于一致，说明相比于出货量小的品种，出货量大的钢种受订频次也高，因此可以认为iq、ik分析得到的结果基本一致，最终选择用iq-abc分析法中得到的结果确定各种钢材的abc分类情况；
[0044]
8)确定eiq-abc分类结果：根据iq-ik交叉分析，综合iq-abc和ik-abc的分类结果并确定各钢材最终分类结果：钢材编[4,5,3,8,1]为a类，钢材编号[2,16,7,11]为b类，钢材编号[10,18,13,14,6,9,
[0045]
12,17,15]为c类；
[0046]
接着运用fp-growth算法挖掘abc各类中高频率出货的钢材组合，其流程见图2，具体步骤如下：
[0047]
9)过滤数据库d，得到只与a类钢材相关的数据信息，记为da，
[0048]
da＝[[4,8,1],[4,8,1],...,[4,3]],类似的b、c类分别记为db和dc；
[0049]
10)以a类为例，设置该类的最小支持度min_sup＝100，第一次扫描事务集da，统计编号1，3，4，5，8钢材对应支持度count_x＝[302，341，404，423，363]。过滤事务集da，记count_x≥100的钢材项[1，3，4，5，8]为频繁项并保留然后对事务da里的频繁项按支持度降
序排列得到da
*
＝[[4，8，1],[4，8，1],...,[4，3]]；
[0050]
11)构建fp_tree，首先创建根节点null，接着对事务集da
*
进行第二次扫描，读入第一个事务t1＝[4，8，1]，创建标记为其对应种类钢材的节点，然后形成根节点null-4-8-1的路径，依次读入每个事务集直到每个事务都映射到fp_tree的一条路径，读入所有事务后形成完整fp_tree；
[0051]
12)构建钢材项条件模式基：对于钢材项1，寻找其在fp_tree中的节点位置，沿着根节点的方向所遍历的项的组合定义为该钢材项的一个条件模式基，汇总所以路径得到各钢材项的条件模式基组合，形成集合u1＝[[4，8],[3,5],...,[3]]；
[0052]
13)构建钢材项条件fp_tree：对于钢材项1，使用条件模式基作为输入数据，重复10)-11)步骤，读入第一个条件模式基u
11
＝[4，8]，创建标记为其对应种类钢材的节点，然后形成根节点null-4-8的路径，依次读入每个条件模式基直到每个条件模式基都映射到条件fp_tree的一条路径，读入所有事务后形成完整的条件fp_tree；
[0053]
14)挖掘频繁项集：重复12)-13)步骤，得到每个钢材项的条件fp_tree，按顺序挖掘每个条件fp_tree的组合，得到最终符合条件的的频繁项集p＝[[1,3],...,[4,5]]，统计其在事务集da
*
中出现的次数并降序排列，最终得到结果见表2。观察挖掘结果，例如a类中钢材5和钢材8一起卖的最多，因此这两种钢材应相邻摆放；
[0054]
表2
[0055][0056][0057]
15)类似的对b类和c类钢材重复9)-14)的步骤，挖掘出每一类在事务集中出现高频数的钢材项组合，得到最终每类频繁销售钢材组合信息，进而为每类钢材的具体摆放提供依据。
[0058]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。