欢迎进入上海阳合供应链管理有限公司!
  •  13472705338 

  • 果蔬类自动化立体仓库的货位优化研究
  • 高职院校化学药品仓库管理
  • 装备仓库管理系统的设计与实现
  • 自动化立体高架仓库的消防设计研究
  • 某仓库建筑预作用喷水灭火系统设计探讨
  • 甲类危险化学品仓库调研及管理研究
  • 最新动态

    当前位置:首页 >> 走进阳合 >> 新闻资讯 >>   资讯详细新闻资讯

    基于遗传算法的A公司仓库货位优化研究

      信息来源:   发布时间:2021-07-08  点击数:

    0 引言

    A公司是某家居在天津设立的物流分拨中心,其电商业务模块负责为某家居华北地区的网上商城订单发货。某家居目前仅支持在其官网下单,但在电子商务飞速发展的背景下[1],未来将逐步入驻主流购物平台。因此,某家居网上商城订单总量必然增大,A公司的电商业务操作量也将随之增大。为应对业务量的增长,A公司电商业务模块必须提升其拣货效率。

    1 问题分析

    本文收集了30天内的9000余条电商订单数据,使用EIQ分析法[2],对单个订单中货物品项数量分析(EN)、所有订单中每个货品被订购的总次数(IK)进行了分析。

    EN分析显示,平均每条订单订购货物4.33种,每个订单中货物品项数最少为1种,最多为125种。其中单个订单中货物品项数量为1种的订单占总数的35.49%,而目前A公司电商业务拣货方式为釆摘式拣货[3],即对每个订单进行单独的操作。即使单个订单中仅包括1种货物,也要占用一个托盘,也要将此订单的货物连同托盘放置到发货交接区后,再拣取下一个订单的货物。可以推知,拣货的无效往返是非常严重的。对此,将拣货模式改进为对多个订单的统一物品进行操作的播种式拣货。

    IK分析显示,平均每种货物被订购13.41次。其中,被订购的次数最多达到857次,被订购频率低(5次以下)的产品占比在一半以上,被订购频率高的(30次以上)的产品占比不足10%。目前A公司采用的分类随机存储策略,使被高频订购的产品分散在各个类别与区域。同类产品反而存在互斥的可能,被共同订购的概率并不一定更大,应该从历史订单中挖掘出被频繁共同订购的产品组合,将其相邻存储。对此,在Python软件中,使用数据挖掘理论中的Apriori算法[4],找出了支持度大于0.5、置信度大于0.5的关联规则64条。按支持度建立货物相关性表,不存在关联规则的按支持度0.001计。

    A公司仓库内目前由21座7层的立体货架作为电商业务货物的存储区域,每座货架每层有147个库位。1层(地面层)库位作为拣货库位,2-7层为存储库位,当拣货库位中的货物全部被拣走,则由最近的存储库位中的货物补充到拣货库位。为提高拣货效率,本文以A公司仓库内电商业务拣货库位为研究对象,对现有的库存进行货位优化。

    2 模型构建

    货位优化模型以电商业务拣货库位为研究对象,提出以下假设:

    (1)电商业务的发货交接区固定,假设发货交接区的中心,即10号货架与11号货架的居中位置为叉车作业的初始位置,且每次作业叉车开始与结束的位置相同。

    (2)驾驶叉车作业时,往返一次只能搬运一托货物。

    (3)每个拣货库位的尺寸相同,且一个货位只能存放一种货物。

    设第i个货物的坐标为(xi,yi)(i=1,2,3…n),ti为第个货物的年周转次数,T为货物总年周转次数,ll为库位长度,lw为库位宽度,gd为巷道宽度。则拣货路程S为

     


    设第j个货的坐标为(xj,yj)(j=1,2,3…n),第k个货的坐标为(xk,yk)(k=1,2,3…n),Rjk为第j个货和第k个货的相关性,且Rij∈(0,1)。定义货物的离散程度D为

     


    以最小的拣货路程和最小的货物离散程度作为目标函数,权重根据领导者意愿设置,即目标函数minZ=0.7S+0.3D。

    由于实际巷道的位置,以及U型拣货路径,增加约束条件。

    当Rjk>m时,即相关性大于m值的两个货品(视为同时被购买的概率很高),必须存储在同一座货架的相邻两个库位上。

    由于消防安全的要求,货架中部的消防通道禁止存储货物,即约束条件y≠71,72,73,…,78。

    综上,得到货位优化模型如下:

    图1 优化前货位分布图

    图1 优化前货位分布图  


    图2 优化后货位分布图

    图2 优化后货位分布图   下载原图


     


    3 模型求解

    3.1 算法设计

    (1)本文使用按领导者意愿设置权重值的方法,将多目标问题转化为单目标。(2)编码是遗传算法设计的第一步。本文采用实数编码,这种编码方式在初始化种群时相对来说较为简单,种群的个体就是问题的解,可以减少冗余的非可行解。(3)在初始化种群时,按照货位的个数定义染色体,随后设置种群规模,本文将种群规模设置为300。(4)本文将适应度函数设置为目标函数的相反数,目标函数值越小,适应度函数值越大,个体遗传到下一代的概率也越大。(5)本文选择使用轮盘赌的策略选择父代个体,复制到下一代,个体被选择的概率与适应度值的大小成正比。(6)本文采用单点交叉。设置交叉概率为0.85,随机设产生一个点,将随机配对的两个个体上该点以后的部分相互交换。(7)设置变异概率为0.2,为保证变异后仍为可行解,在染色体上随机选取两个基因对调。(8)终止条件为迭代次数达到1000次。

    3.2 结果分析

    本文使用Matlab软件中的遗传算法工具箱对此货位优化模型进行求解,并绘制优化前后的货位分布图,如图1、图2所示。图中将周转次数排名在前15%的货物定义为“A类货物”,并标记为红色;将周转次数排名在15%~35%的货物定义为“B类货物”,并标记为黄色;将周转次数排名在35%之后的货物定义为“C类货物”,并标记为蓝色。

    由图可知,优化前:近期流转率较高的货物被集中存储在第10号和第11号货架上,防火通道远离出货口一侧的高流转率货物实际上距离出货口较远;近期流转率中等的货物均匀分散在整个存储区域,杂乱无序。出现此种不合理景象的原因有二:第一,最初进行货位分配时参考的货物流转率是销售前的预测值,而非从真实订单中挖掘计算出的实际值,预测值与真实值存在的偏差造成了货位分配的不合理。第二,家居产品存在一定的季节性特征,随着气温的变化,货物的流转率也会随之变化,导致现有的货位分配已不再适应当前的销售情况。

    模型使用最新的订单数据进行货位优化,优化后,近期流转率较高的的货物被分散存储到靠近出货口的每一根货架上,缩短了拣货距离,可提高拣货效率。Matlab优化前后目标函数值对比如表1所示,目标函数在迭代进行到约550次时趋于稳定。可知本文建立的货位优化模型是有效的。

    表1 优化前后目标函数值对比表     下载原表

    表1 优化前后目标函数值对比表

    4 结论

    为提升拣货效率以应对业务量的增长,本文从货位优化的角度出发,以A公司仓库内电商业务拣货库位为研究对象,使用数据挖掘理论中的Apriori算法分析历史订单数据,挖掘商品间的关联规则,建立货位优化模型,使用遗传算法对目标货位优化模型求解。求解结果表明此货位优化模型有效可行。

    标签:



    友情链接 :图书管理软件   飞机   软件测试  保温材料   洒水车厂家   装修中式别墅  电锅炉  国际货代     明泰铝业  集成吊顶  成都活动策划公司 货代管理软件 进出口代理清关公司 模具钢  烟雾净化器 工作服价格 工业设计公司 激光打标机   电子签章   植发多少钱  上海展台搭建   网页设计公司   网上商城  电磁流量计   钢制暖气片
    上海货代  定制礼品   香港服务器租用 精品资源网   餐饮项目  纺织品检测
     磁性过滤器  上海物流公司
    膏药OEM 爬架网 远程工作 污水提升器
    防爆配电箱  网店转让   加速器
    沪公网安备31010702002684号 沪ICP备14036201号-29