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。
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。
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:
(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。
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
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:
上一篇: 关于某电商A仓库存在问题的优化改进
下一篇: 现代物流仓库地坪关键技术