【技术实现步骤摘要】
一种医药仓库货位分配方法
[0001]本专利技术属于医药仓储
,具体涉及一种医药仓库货位分配方法。
技术介绍
[0002]随着现代机械科技和信息技术的发展,医药流通行业越来越依托现代化物流设备和物流信息管理系统,通过有效整合营销渠道上下游资源,优化仓储配送环节中验收,存储,拣选,配送等作业流程,旨在缩短库存及周转时间,减少物流成本,以达到实现自动化,信息化和效益化目的。其中针对医药货物仓储的货位进行优化排布受到越来越企业管理人员的重视。
[0003]货位优化管理追求不同设备和货架类型特征、货品分组、货位规划、人工成本内置等因素以实现最佳的货位布局,能有效掌握商品变化,将成本节约最大化。货位优化管理为正在营运的仓库挖掘效率和成本,并为一个建设中的配送中心或仓库提供营运前的关键管理做准备。但当前大约80%的配送中心或仓库不能够进行正确的货位优化,特别针对于医药商第三方物流企业。现有对于货位优化的研究主要针对普通货仓进行研究,其并没有考虑到医药仓库的特殊性,比如针对医药订单量小但单多的情况单独考虑货物周转率易造成拣货时的拥堵现象,同时区别于其他货物,对于医药仓库,同一种货物不同批号为避免混杂不清需要不同的货位来进行货物存储,增加了货位分配的难度。因此,传统模式的仓库货位优化方法,不能充分解决医药仓库场景下货位优化的问题,可能导致优化效果不理想,影响订单的拣货速度,进而影响用户的体验。
技术实现思路
[0004]为解决现有技术中的不足,本专利技术提供一种医药仓库货位分配方法,解决了在医药订单量小 ...
【技术保护点】
【技术特征摘要】
1.一种医药仓库货位分配方法,其特征是,包括:获取待入库货物的属性信息和医药仓库的分区布置信息;根据待入库货物的属性信息中的存储特性将待入库货物分配至医药仓库对应的分区内;针对分配至医药仓库的每个分区内的货物,通过求解第一批次多目标货位优化模型获得第一批次货物仓储位置分配结果;以第一批次货物仓储位置分配结果为约束,通过求解第二批次多目标货位优化模型获得第二批次货物的货位分配结果;其中,所述第一批次多目标货位优化模型是以货物周转率、货物相关性以及货架稳定性为优化目标而构建获取的;所述第二批次多目标货位优化模型是以货架稳定性、货架负载均衡度、巷道负载均衡度为优化目标而构建获取的。2.根据权利要求1所述的医药仓库货位分配方法,其特征是,所述待入库货物的属性信息除包括存储特性外,还包括:待入库货物的品种、规格、原产地、规格包装、批次;其中,所述存储特性包括常温存放、冷藏、恒温和恒湿。3.根据权利要求1所述的医药仓库货位分配方法,其特征是,所述第一批次多目标货位优化模型的构建方法包括:分别以货物周转率、货物相关性以及货架稳定性为优化目标,构建对应的目标函数;分别为货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数赋予权重β1,β2,β3,β1+β2+β3=1;根据货物周转率目标函数、货物相关性目标函数以及货架稳定性目标函数及各目标函数的权重构建第一批次多目标货位优化模型;其中,所述货物周转率目标优化函数为:其中,F1为基于货物周转率构造的目标优化函数,z为货物所在仓库第z排货架位置坐标,x、y为货架长度、高度的位置坐标;a为货物所在仓库的货架总排数,c为货物所在仓库的每排货架总夹层数,b为货物所在仓库的每层货架总格眼数;t
x,y,z
为拣选机器从待出库货物货位(z,x,y)运行到货架出入口的时间,v
x
、v
y
分别为拣货机器在一个巷道中的水平运行速度和垂直运行速度,v
z
为拣货机器在巷道间运行速度;q
z,x,y
为货位(z,x,y)上货物的周转率,当(z,x,y)货位上没有货物时,q
z,x,y
=0;L、H、D为单位货位的长度、高度和两个相邻巷道之间的距离;所述货物相关性目标优化函数为:其中,F2为总的货物相关性目标优化函数,Φ表示预设的社区数值,F
′
i
为第i个社区子
图中货物的相关性目标优化函数;所述货架稳定性目标优化函数为:其中,F3为货架稳定性目标优化函数,W
z,x,y
为放置到货位(z,x,y)的货物的单位重量,n
z,x,y
为放置到货位(z,x,y)的货物数量。4.根据权利要求3所述的医药仓库货位分配方法,其特征是,货物相关性目标优化函数的构建方法包括:利用社区发现算法实现医药货物的集群划分,实现同一社区内货物属性的强相关性,不同社区间货物的弱相关性;根据移动机器人履行系统,系统内药品的历史订单数据将每个货物之间的相关性映射成无向图;将货物样本m
i
看作无向图的一个节点v
i
,由此可以得无向图的节点集V={v1,v2,
…
,v
N
},其中下标N表示共有N类药品;建立医药货物的特征向量,包括药品功效、有效期和批号,每个节点由属性特征{u
i1
,
…
,u
iT
}表示,属性特征由药品货物初入库时通过光学字符识别技术对药品包装上的信息进行识别获得;同时标准化各个维度分量,使得各个维度分别满足标准正态分布;定义无向图的边集为E,权重矩阵为W,矩阵中元素w
ij
表示节点v
i
与v
j
存在货物相关性的大小,其取值的计算方法为:其中,o
i
表示货物m
i
是否存在于订单o,若存在于订单o,则o
i
=1,否则为O;O表示历史订单集;为货物m
i
和货物m
j
同时出现在一个订单中的订单数量占总订单的比重,表示货物m
i
和货物m
j
属性的相似度差异;α、β为参数校正因子,使权重w
ij
保持在大于阈值τ的范围内,如果计算得到边的权重小于阈值τ,将该边权重设置为0,即在无向图将关联两个节点的此边去掉;若无向图中存在独立节点,则将其从无向图中删...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。