基于相关性和比例的制造技术

本发明专利技术公开了一种基于相关性和比例的

【技术实现步骤摘要】
基于相关性和比例的CTU系统分散存储方法


[0001]本专利技术涉及仓储方法
，尤其涉及一种基于相关性和比例的
CTU
系统分散存储方法
。

技术介绍

[0002]CTU
系统是一种“货到人”智能仓库，其主要由工作台
、
货架
、CTU(
智能机器人
)
组成
。
其中，工作台是仓库的入口和出口，可分为入库工作台和出库工作台；货架用来进行
SKU(Stock Keeping Unit)
的存储；
CTU
承担
SKU
的搬运任务，包括入库，出库，余料回库等任务
。
与传统仓库不同，当订单到达仓库时，通过仓库管理系统
(WMS)
对订单进行处理并分配给相应的
CTU
和工作台，然后由
CTU
将目标料箱搬运至工作台供人工取用或拣选，人工工作完成后再由
CTU
归还料箱到适当位置
。CTU
系统的主要特点是货架容量较大，
CTU
通过搬运料箱的方式进行工作并且一台
CTU
能同时承载多个料箱，其过道较窄，只能同时通过一台
CTU。
[0003]企业使用的集中存储策略并没有考虑
SKU
的相关性，会导致两个问题：需要同一种
SKU
的
CTU
会集中在一起，从而导致拥堵；同一订单中的r/>SKU
存放在距离较远的位置，从而导致一台
CTU
拣选全部所需
SKU
的总行程较长，从而导致效率低下
。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一
。
为此，本专利技术的一个目的在于提出一种基于相关性和比例的
CTU
系统分散存储方法，基于历史数据和仓库布局来进行决策储位分配问题的，主要分成两个部分：使用历史数据进行
SKU
相关性的度量和比例参数的估计，结合参数和仓库布局进行优化模型的建立和求解
。
[0005]根据本专利技术提出的一种基于相关性和比例的
CTU
系统分散存储方法，所述方法步骤如下：
[0006]S1
：收集智能仓库的历史订单数据，包含每天所需的
SKU
的种类和对应的需求量，统计智能仓库的仓库布局图以及过道，工作台的具体坐标，并计算出每个过道到最近工作台的距离列表
d
，
d
i
表示第
i
个货架到最近工作台的距离；
[0007]S2
：对收集智能仓库的历史订单数据进行处理，使用
Apriori
算法中的置信度作为两种
SKU
的相关性的度量，计算订单中所有
SKU
之间的置信度，并得到相应的相关矩阵
r
；
[0008]S3
：确定所有
SKU
中，每两个
SKU
需求总量之比对应的比例参数矩阵
c
；
[0009]S4
：基于仓库布局信息
、
参数矩阵
r
和比例参数矩阵
c
建立如下优化模型：
[0010][0011][0012][0013][0014][0015][0016][0017]其中
p
ki
表示为货架
k
上
SKU I
的料箱数，
z
kij
表示为货架
k
上
SKU I
和
SKU J
按比例存储的最大打包数量，
Q
i
表示满足
SKU I
的需求量所需料箱数，
q
i
表示一个料箱中
SKUI
的数量，
d
k
表示货架
k
距离最近工作台的曼哈顿距离，
B
k
表示货架
k
的容量；
[0018]S5
：使用
SAVNSP
算法求解步骤
S4
中的优化模型，先根据
SKU
需求总量选择相应的货架和存储容量，然后生成初始可行解，不断变邻域搜索，直到迭代至指定次数，得到货架编号向量
K
d
和其对应的使用容量向量删除中为0的元素以及
K
d
中相同位置的元素；
[0019]S6
：货架上的总体位置确定之后开始上架，首先进行初始解的生成，以及基于模拟退火和变邻域搜索的迭代，初始解的生成算法如下：
[0020]初始化矩阵
P
init
为
|K
′
|
行，
|I|
列，并且元素全为0，令
k
＝0[0021]while k
＜
|K
′
|do
：
[0022]记货架
k
的可用容量为
b
←
B
′
[k]；
[0023]初始化货架上
SKU
数量向量
slf
←
M[k,:]；
[0024]while b
＞
0do
：
[0025]if sum(slf)
＝＝
0then
：
[0026]选取加权相关性最大的
SKU
：
[0027]else then
：
[0028]if|{i|i∈I,Q[i]＞
0,P[k,i]＝＝
0}|
＞0：
[0029]优先选择未上架的
SKU
：
[0030][0031]else then
：
[0032]计算受限次数向量：
[0033]选择受限次数最大的
SKU
：
[0034]更新
P
的第
k
行
:P[k,i
select
]←
P[k,i
select
]+1.
[0035]更新剩余需求量：
Q[i
select
]←
Q[i
select
]+1.
[0036]更新剩余容量：
b
←
b
‑1[0037]更换下一货架：
k
←
k+1
；
[0038]跟据初始解的生成算法得到上架的初步结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于相关性和比例的
CTU
系统分散存储方法，其特征在于，所述方法步骤如下：
S1
：收集智能仓库的历史订单数据，包含每天所需的
SKU
的种类和对应的需求量，统计智能仓库的仓库布局图以及过道，工作台的具体坐标，并计算出每个过道到最近工作台的距离列表
d
，
d
i
表示第
i
个货架到最近工作台的距离；
S2
：对收集智能仓库的历史订单数据进行处理，使用
Apriori
算法中的置信度作为两种
SKU
的相关性的度量，计算订单中所有
SKU
之间的置信度，并得到相应的相关矩阵
r
；
S3
：确定所有
SKU
中，每两个
SKU
需求总量之比对应的比例参数矩阵
c
；
S4
：基于仓库布局信息
、
参数矩阵
r
和比例参数矩阵
c
建立如下优化模型：建立如下优化模型：建立如下优化模型：建立如下优化模型：建立如下优化模型：建立如下优化模型：建立如下优化模型：其中
p
ki
表示为货架
k
上
SKU I
的料箱数，
z
kij
表示为货架
k
上
SKU I
和
SKU J
按比例存储的最大打包数量，
Q
i
表示满足
SKU I
的需求量所需料箱数，
q
i
表示一个料箱中
SKUI
的数量，
d
k
表示货架
k
距离最近工作台的曼哈顿距离，
B
k
表示货架
k
的容量；
S5
：使用
SAVNSP
算法求解步骤
S4
中的优化模型，先根据
SKU
需求总量选择相应的货架和存储容量，然后生成初始可行解，不断变邻域搜索，直到迭代至指定次数，得到货架编号向量
K
d
和其对应的使用容量向量删除中为0的元素以及
K
d
中相同位置的元素；
S6
：货架上的总体位置确定之后开始上架，首先进行初始解的生成，以及基于模拟退火和变邻域搜索的迭代，初始解的生成算法如下：初始化矩阵
P
init
为
|K'|
行，
|I|
列，并且元素全为0，令
k
＝
0while k
＜
|K'|do
：记货架
k
的可用容量为
b
←
B'[k]
；初始化货架上
SKU
数量向量
slf
←
M[k,:]
；
while b
＞
0do
：
if sum(slf)
＝＝
0then
：选取加权相关性最大的
SKU
：
else then
：
if|{i|i∈I,Q[i]
＞
0,P[k,i]
＝＝
0}|
＞0：优先选择未上架的
SKU
：
else then
：计算受限次数向量：选择受限次数最大的
SKU
：更新
P
的第
k
行
:P[k,i
select
]
←
P[k,i
select
]+1.
更新剩余需求量：
Q[i
select
]
←
Q[i
select
]+1.
更新剩余容量：
b
←
b
‑1更换下一货架：
k
←
k+1
；跟据初始解的生成算法得到上架的初步结果：存放数量矩阵
P
init
；
S7
：为使上架的结果有效相关性最大，使用以下模拟退火
‑
变邻域算法对结果进行迭代：初始化迭代次数和初始温度：
iter
←
0,T
←
T
start
获得初始解
P
init
←
sol_init(K',B',Q,s)
定义当前解：
P
cur
←
P
init
,P
best
←
P
init
计算目标函数值：
f
cur
←
f(P
cur
),f
best
←
f(P
best
)while iter
＜
max_iter and T
＞
T
end do
：复制矩阵：
P
vns
←
P
cur
.copy()
从
{1
，2，
…
，
|K
’
|}
随机选取两个货架
K
s
←
[k1,k2]
计算两个货架上每种
SKU
的总量
Q'
←
[Q
′1,Q
′2,
…
,Q
′
|I|
],
其中
Q
′
i
←
P
vns
[k1,i]+P
vns
[k2,i]
找出
Q
′
的非零列，并将其列索引记为
I
s
对应新的存储量
Q
s
←
Q'[I
s
]
计算各货架上存储数量
:b1←
B'[k1],b2←
B'[k2]
求解松弛后的模型
P

【专利技术属性】
技术研发人员：陈然，陈海峰，余玉刚，
申请(专利权)人：中国科学技术大学国际金融研究院，
类型：发明
国别省市：