芒果app最新下载地址cmg7app
    歡迎進入上海陽合供應鏈管理有限公司!
  •  13472705338 

  • 基於PLC的倉庫恒溫控製係統設計與探究
  • 船廠倉庫建築設計初探
  • 多區型倉庫多複核台場景的揀貨路徑優化研究
  • 基於元數據的物資倉庫管理軟件設計方法
  • 《倉庫管理實操從入門到精通》
  • 淺談水利工程倉庫管理精細化智慧化
  • 最新動態

    當前位置:首頁 >> 走進陽合 >> 新聞資訊 >>   資訊詳細新聞資訊

    基於遺傳算法的A公司倉庫貨位優化研究

      信息來源:   發布時間:2021-07-08  點擊數:

    0 引言

    A公司是某家居在天津設立的物流分撥中心,其電商業務模塊負責為某家居華北地區的網上商城訂單發貨。某家居目前僅支持在其官網下單,但在電子商務飛速發展的背景下[1],未來將逐步入駐主流購物平台。因此,某家居網上商城訂單總量必然增大,A公司的電商業務操作量也將隨之增大。為應對業務量的增長,A公司電商業務模塊必須提升其揀貨效率。

    1 問題分析

    本文收集了30天內的9000餘條電商訂單數據,使用EIQ分析法[2],對單個訂單中貨物品項數量分析(EN)、所有訂單中每個貨品被訂購的總次數(IK)進行了分析。

    EN分析顯示,平均每條訂單訂購貨物4.33種,每個訂單中貨物品項數最少為1種,最多為125種。其中單個訂單中貨物品項數量為1種的訂單占總數的35.49%,而目前A公司電商業務揀貨方式為釆摘式揀貨[3],即對每個訂單進行單獨的操作。即使單個訂單中僅包括1種貨物,也要占用一個托盤,也要將此訂單的貨物連同托盤放置到發貨交接區後,再揀取下一個訂單的貨物。可以推知,揀貨的無效往返是非常嚴重的。對此,將揀貨模式改進為對多個訂單的統一物品進行操作的播種式揀貨。

    IK分析顯示,平均每種貨物被訂購13.41次。其中,被訂購的次數最多達到857次,被訂購頻率低(5次以下)的產品占比在一半以上,被訂購頻率高的(30次以上)的產品占比不足10%。目前A公司采用的分類隨機存儲策略,使被高頻訂購的產品分散在各個類別與區域。同類產品反而存在互斥的可能,被共同訂購的概率並不一定更大,應該從曆史訂單中挖掘出被頻繁共同訂購的產品組合,將其相鄰存儲。對此,在Python軟件中,使用數據挖掘理論中的Apriori算法[4],找出了支持度大於0.5、置信度大於0.5的關聯規則64條。按支持度建立貨物相關性表,不存在關聯規則的按支持度0.001計。

    A公司倉庫內目前由21座7層的立體貨架作為電商業務貨物的存儲區域,每座貨架每層有147個庫位。1層(地麵層)庫位作為揀貨庫位,2-7層為存儲庫位,當揀貨庫位中的貨物全部被揀走,則由最近的存儲庫位中的貨物補充到揀貨庫位。為提高揀貨效率,本文以A公司倉庫內電商業務揀貨庫位為研究對象,對現有的庫存進行貨位優化。

    2 模型構建

    貨位優化模型以電商業務揀貨庫位為研究對象,提出以下假設:

    (1)電商業務的發貨交接區固定,假設發貨交接區的中心,即10號貨架與11號貨架的居中位置為叉車作業的初始位置,且每次作業叉車開始與結束的位置相同。

    (2)駕駛叉車作業時,往返一次隻能搬運一托貨物。

    (3)每個揀貨庫位的尺寸相同,且一個貨位隻能存放一種貨物。

    設第i個貨物的坐標為(xi,yi)(i=1,2,3…n),ti為第個貨物的年周轉次數,T為貨物總年周轉次數,ll為庫位長度,lw為庫位寬度,gd為巷道寬度。則揀貨路程S為

     


    設第j個貨的坐標為(xj,yj)(j=1,2,3…n),第k個貨的坐標為(xk,yk)(k=1,2,3…n),Rjk為第j個貨和第k個貨的相關性,且Rij∈(0,1)。定義貨物的離散程度D為

     


    以最小的揀貨路程和最小的貨物離散程度作為目標函數,權重根據領導者意願設置,即目標函數minZ=0.7S+0.3D。

    由於實際巷道的位置,以及U型揀貨路徑,增加約束條件。

    當Rjk>m時,即相關性大於m值的兩個貨品(視為同時被購買的概率很高),必須存儲在同一座貨架的相鄰兩個庫位上。

    由於消防安全的要求,貨架中部的消防通道禁止存儲貨物,即約束條件y≠71,72,73,…,78。

    綜上,得到貨位優化模型如下:

    圖1 優化前貨位分布圖

    圖1 優化前貨位分布圖  


    圖2 優化後貨位分布圖

    圖2 優化後貨位分布圖   下載原圖


     


    3 模型求解

    3.1 算法設計

    (1)本文使用按領導者意願設置權重值的方法,將多目標問題轉化為單目標。(2)編碼是遺傳算法設計的第一步。本文采用實數編碼,這種編碼方式在初始化種群時相對來說較為簡單,種群的個體就是問題的解,可以減少冗餘的非可行解。(3)在初始化種群時,按照貨位的個數定義染色體,隨後設置種群規模,本文將種群規模設置為300。(4)本文將適應度函數設置為目標函數的相反數,目標函數值越小,適應度函數值越大,個體遺傳到下一代的概率也越大。(5)本文選擇使用輪盤賭的策略選擇父代個體,複製到下一代,個體被選擇的概率與適應度值的大小成正比。(6)本文采用單點交叉。設置交叉概率為0.85,隨機設產生一個點,將隨機配對的兩個個體上該點以後的部分相互交換。(7)設置變異概率為0.2,為保證變異後仍為可行解,在染色體上隨機選取兩個基因對調。(8)終止條件為迭代次數達到1000次。

    3.2 結果分析

    本文使用Matlab軟件中的遺傳算法工具箱對此貨位優化模型進行求解,並繪製優化前後的貨位分布圖,如圖1、圖2所示。圖中將周轉次數排名在前15%的貨物定義為“A類貨物”,並標記為紅色;將周轉次數排名在15%~35%的貨物定義為“B類貨物”,並標記為黃色;將周轉次數排名在35%之後的貨物定義為“C類貨物”,並標記為藍色。

    由圖可知,優化前:近期流轉率較高的貨物被集中存儲在第10號和第11號貨架上,防火通道遠離出貨口一側的高流轉率貨物實際上距離出貨口較遠;近期流轉率中等的貨物均勻分散在整個存儲區域,雜亂無序。出現此種不合理景象的原因有二:第一,最初進行貨位分配時參考的貨物流轉率是銷售前的預測值,而非從真實訂單中挖掘計算出的實際值,預測值與真實值存在的偏差造成了貨位分配的不合理。第二,家居產品存在一定的季節性特征,隨著氣溫的變化,貨物的流轉率也會隨之變化,導致現有的貨位分配已不再適應當前的銷售情況。

    模型使用最新的訂單數據進行貨位優化,優化後,近期流轉率較高的的貨物被分散存儲到靠近出貨口的每一根貨架上,縮短了揀貨距離,可提高揀貨效率。Matlab優化前後目標函數值對比如表1所示,目標函數在迭代進行到約550次時趨於穩定。可知本文建立的貨位優化模型是有效的。

    表1 優化前後目標函數值對比表     下載原表

    表1 優化前後目標函數值對比表

    4 結論

    為提升揀貨效率以應對業務量的增長,本文從貨位優化的角度出發,以A公司倉庫內電商業務揀貨庫位為研究對象,使用數據挖掘理論中的Apriori算法分析曆史訂單數據,挖掘商品間的關聯規則,建立貨位優化模型,使用遺傳算法對目標貨位優化模型求解。求解結果表明此貨位優化模型有效可行。

    標簽:

    版權所有©:上海陽合供應鏈管理有限公司 聯係電話:134-7270-5338
    地址:上海市嘉定區南翔鎮瀏翔公路885號(靠近豐翔路) 
    友情鏈接 :電鍋爐  國際貨代  教育加盟   撕碎機   杭州裝修  明泰鋁業  集成吊頂  成都活動策劃公司 貨代管理軟件 打印機租賃 進出口代理清關公司 模具鋼  煙霧淨化器 工作服價格 工業設計公司 雙軸螺旋輸送機 激光打標機   電子簽章   小吃培訓  植發多少錢
    定製禮品 數顯推拉力計  香港服務器租用 精品資源網 
    武漢拓展公司 連接器 磁性過濾器  招標網 上海物流公司
    夜光粉 膏藥OEM 爬架網 遠程工作 汙水提升器
    防爆配電箱 臭氧機價格  係統之家  MRO工業品
    滬公網安備31010702002684號 滬ICP備14036201號-29