【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】 【专利技术属性】
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
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:
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。