CN112330247B - 订单汇总方法、智能仓储***、计算机设备及存储介质 - Google Patents

订单汇总方法、智能仓储***、计算机设备及存储介质 Download PDF

Info

Publication number
CN112330247B
CN112330247B CN202011191675.0A CN202011191675A CN112330247B CN 112330247 B CN112330247 B CN 112330247B CN 202011191675 A CN202011191675 A CN 202011191675A CN 112330247 B CN112330247 B CN 112330247B
Authority
CN
China
Prior art keywords
order
model
warehouse
warehouse operation
pick
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011191675.0A
Other languages
English (en)
Other versions
CN112330247A (zh
Inventor
邵威
程峻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yuehai Global Supply Chain Co ltd
Original Assignee
Shenzhen Yuehai Global Supply Chain Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Yuehai Global Supply Chain Co ltd filed Critical Shenzhen Yuehai Global Supply Chain Co ltd
Priority to CN202011191675.0A priority Critical patent/CN112330247B/zh
Publication of CN112330247A publication Critical patent/CN112330247A/zh
Application granted granted Critical
Publication of CN112330247B publication Critical patent/CN112330247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)

Abstract

本发明涉及仓储技术领域，尤其涉及一种订单汇总方法、智能仓储***、计算机设备及存储介质。该方法包括获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货。该方法可综合考虑拣货作业和打包作业实现全局优化仓库作业用时，提高出库作业效率。

Description

订单汇总方法、智能仓储***、计算机设备及存储介质
技术领域
本发明涉及仓储技术领域，尤其涉及一种订单汇总方法、智能仓储***、计算机设备及存储介质。
背景技术
随着现代电子商务和物流业的迅速发展，各类货物的品类繁多，数量庞大，出库工作量繁重，出库效率低。目前，出库作业时通过订单波次汇总的方式，将一批待出库的客户订单按照某种标准或者规则汇总在一起进行出库作业，提高作业效率。但由于传统的订单波次汇总方式主要依据制单员根据现场作业情况，按***筛选条件(客户要求、不同快递以及其它出库规则等)把符合相同筛选条件的订单汇成拣货单并打印，制作成拣货单，随后拣货员根据拣货单指引拣货，订单汇总的筛选条件不够全面，拣货单分配不合理，导致后续拣货员拣货效率低，影响出库效率。
发明内容
本发明实施例提供一种订单汇总方法、智能仓储***、计算机设备及存储介质，以解决目前传统的出库作业效率低的问题。
一种订单汇总方法，包括：
获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；
获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；
基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货。
一种智能仓储***，包括：
运行数据获取模块，用于获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；
模型获取模块，用于获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；
订单汇总模块，用于基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述订单汇总方法的步骤。
一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述订单汇总方法的步骤。
本发明以仓库作业用时作为优化对象，通过充分考虑拣货作业中各仓库作业事件的约束外，还同时考虑了打包作业中中仓库作业事件对仓库作业用时的影响，提升了模型的精确性，有效保证仓库作业(即出库作业)的效率。此外，本发明还针对订单汇总模型中的非线性因素，分别提出了有效的线性化处理策略，将原MINLP模型转换为MI LP模型，并借助于Gurobi优化器，采用界定算法实现模型的高效求解，进一步减少仓库作业用时，提搞仓库作业效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中订单汇总方法的一流程图；
图2是本发明一实施例中订单汇总方法的一流程图；
图3是本发明一实施例中的仓库作业时间轴的一示意图；
图4是图2中步骤S102的一具体流程图；
图5是图1中步骤S103的一具体流程图；
图6是本发明一实施例中智能仓储***的一示意图；
图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施
例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在一实施例中，如图1所示，提供一种订单汇总方法，包括如下步骤：
S101：获取当前订单处理波次对应的仓库运行数据；其中，仓库运行数据包括仓库运作参数以及客户订单。
其中，仓库运行数据是从WMS***(智能仓储管理***)中获取到的仓库实际的运行数据。该仓库运行数据包括仓库运作参数以及客户订单。
订单结构包括多个类别，如单品单件(拣货单包含的每个客户订单含有1个SKU，每一SKU包含1件商品)、单品多件(拣货单包含的每个客户订单含有1个SKU，每一SKU包含至少2件商品)、多品单件(拣货单包含的每个客户订单含有多个SKU，每个SKU包含1件商品)、多品多件(拣货单包含的每个客户订单含有多个SKU，每个SKU包含至少2件商品)以及尾波(最后没有被汇总到拣货单中的少量客户客户订单，可包含上述任一类别)进一步地，多品单件结构还可进一步细化为拣货单包含的每个客户订单含有2-5个SKU，每个SKU包含1件商品。多品多件可划分为两组策略，一组为拣货单包含的每个客户订单含有2-5个SKU，每个SKU包含2-20件商品；另一组为拣货单包含的每个客户订单含有至少5个，每个SKU包含至少两件商品。可以理解地，通过细化订单结构中每一类别的判定策略，以保证订单处理的泛化性，可兼容处理不同结构的订单，进而保证模型训练的精度。
仓库运作参数包括但不限于仓库拣货区尺寸、拣货区货拣货通道数、每一波次处理客户订单数量的上限、每一拣货单中SKU容量上限、拣货路径的垂直行走距离、拣货区拣货通道的平均长度、每张拣货单的准备时间、拣货员行走的速度、拣货员寻找货物的速度、拣货员拿取每个货物所需的时间、拣货员整理货物的速度、打包员的打包速度、打包等待时间上限以及每件商品的平均打包时间。
S102：获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到。
其中，订单汇总模型是用于根据客户订单进行求解，以得到订单汇总结果的模型。本实施例中，该订单汇总模型可通过混合整数非线性规划建模得到。
S103：基于仓库运作参数，采用订单汇总模型对客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，订单汇总结果用于指示拣货员拣货。
其中，订单汇总结果用于描述多个拣货单，该拣货单用于指示拣货员拣货。该拣货单中包括但不限于商品名称，每一客户订单需要此款商品的数量以及每款商品所在库位。
在一实施例中，如图2所示，提供一种订单汇总方法，包括如下步骤：
S201：根据仓库作业流程，建立仓库作业时间轴；其中，仓库作业时间轴包括多个仓库作业事件对应的时间节点。
如图3的仓库作业时间轴所示，该时间轴可直观描述整个仓库作业流程，以通过仓库作业流程中的多个仓库作业事件，建立对应的时间节点，以得到连续时间表示的仓库作业时间轴。
其中，仓库作业时间轴包括但不限于拣货作业时间轴和打包作业时间轴。该拣货作业时间轴包括拣货启动、拣货开始、拣货行走、拣货寻找、拣货拿去、拣货整理以及拣货结束等仓库作业事件对应的时间节点。该打包作业时间轴包括打包启动、打包开始以及打包结束等仓库作业事件对应的时间节点。
S202：根据仓库作业时间轴，建立混合整数非线性规划的数学模型，并对数学模型进行线性化处理，得到订单汇总模型。
具体地，根据仓库作业时间轴，以将仓库作业用时优化问题模型化，建立混合整数非线性规划的数学模型，并对数学模型进行线性化处理，进而将原高度非凸的混合整数非线性规划模型转换为混合整数线性规划模型，得到订单汇总模型。
在一实施例中，如图4所示，步骤S202中，即包括根据仓库作业时间轴，建立混合整数非线性规划的数学模型，具体包括：
S301：确定数学模型的决策变量。
S302：根据仓库作业时间轴，构建目标函数和模型约束条件。
S303：分别对目标函数和模型约束条件进行线性化处理，得到线性目标函数和线性约束条件。
S304：基于线性目标函数和线性约束条件，构建订单汇总模型。
具体地，如图3可知，拣货单作业时间轴由拣货作业与打包作业两个运作串联组成，故本实施例中，对于步骤S301-S304的具体实施方式包括但不限于两种，一种为仅优化拣货作业；另一种为同时优化拣货作业和打包作业；以通过任一种实施方式，建立对应的混合整数非线性规划的数学模型。
本实施例种，可通过同时优化拣货作业和打包作业，以通过综合考虑拣货作业和打包作业构建优化函数，以实现对仓库作业用时的全局优化。此外，还可仅通过优化拣货作业，构建对应的优化函数，后续对于打包作业可通过随机分配打包台的方式分配拣货单，以保证仓库作业柔性。
为便于理解，以下对每一种实施方式进行逐一说明。
在一实施例中，以优化拣货作业为目的，建立混合整数非线性规划的数学模型，即该混合整数非线性规划的数学模型的决策变量可确定为xij和yjpk，其中，xij表示客户订单i∈I是否分配到拣货单j∈J(若是，xij＝1，若不是，xij＝0)；yjpk表示拣货单j∈J是否分配到拣货员p∈P的拣货单存放位k∈K，(若是，yjpk＝1，若不是，yjpk＝0)。
具体地，该混合整数非线性规划的数学模型的目标函数为
Figure BDA0002752927370000051
目标是使订单处理时间总和最短以及订单处理时间跨度最小；该订单处理时间总和指当前订单波次中所有客户订单处理时间之和，包括拣货准备或等待的时间。该订单处理时间跨度是指当前订单波次中从第一个客户订单拣货开始到最后一个客户订单拣货结束的时间跨度。
其中，
Figure BDA0002752927370000052
表示订单处理时间总和；
Figure BDA0002752927370000053
表示最后一个客户订单的拣货完成时间；tenter-pick表示第一个客户订单的拣货开始时间；j表示拣货单；p表示拣货员；K表示拣货员的最后一个拣货存放单位。
具体地，该目标函数对应的模型约束条件如下：
Figure BDA0002752927370000054
Figure BDA0002752927370000061
Figure BDA0002752927370000071
Figure BDA0002752927370000081
可以理解地，由上述目标函数和模型约束条件可知，该目标函数为非线性目标函数，故需要对目标函数和约条件进行线性化处理，以将非线性目标函数转化为线性目标函数。
具体地，将非线性目标函数进行线性转化，即非线性目标函数
Figure BDA0002752927370000082
等价于
Figure BDA0002752927370000083
并更新约束条件，即在上述约束条件中增加
Figure BDA0002752927370000084
在另一实施方式中，以同时优化出库作业和打包作业为目的，建立混合整数非线性规划的数学模型，即该混合整数非线性规划的数学模型的决策变量可确定为xij、yjpk和zjrl，其中，xij表示客户订单i∈I是否分配到拣货单j∈J(若是，xij＝1，若不是，xij＝0)；yjpk表示拣货单j∈J是否分配到拣货员p∈P的拣货单存放位k∈K，(若是，yjpk＝1，若不是，yjpk＝0)；zjrl表示拣货单j∈J是否分配到打包台r∈R的拣货单存放位l∈L，(若是，zjrl＝1，若不是，zjrl＝0)。
该混合整数非线性规划的数学模型的目标函数为
Figure BDA0002752927370000085
目标是使订单处理时间总和最短以及订单处理时间跨度最小。该订单处理时间总和是指所有客户订单处理时间之和，包括拣货时的等待时间。该订单处理时间跨度是指从第一个客户订单拣货开始到最后一个客户订单拣货结束的时间跨度。
其中，
Figure BDA0002752927370000086
表示订单处理时间总和；
Figure BDA0002752927370000087
表示最后一个客户订单的打包完成时间；tenter-pick表示第一个客户订单的拣货开始时间；j表示拣货单；r表示打包台；L表示所打包台的最后一个拣货单存放位。
具体地，该目标函数对应的模型约束条件如下：
Figure BDA0002752927370000088
Figure BDA0002752927370000091
Figure BDA0002752927370000101
Figure BDA0002752927370000111
Figure BDA0002752927370000121
具体地，上述两个实施例中的模型约束条件对应的参数含义如下：
Figure BDA0002752927370000122
Figure BDA0002752927370000131
Figure BDA0002752927370000141
Figure BDA0002752927370000151
Figure BDA0002752927370000161
可以理解地，由上述目标函数和模型约束条件可知，该目标函数为非线性目标函数，且模型约束条件中包括非线性约束条件和线性约束条件，故需要对目标函数和约条件进行线性化处理，以将非线性目标函数转化为线性目标函数，以及将非线性约束条件转换为线性约束条件，使模型约束条件中仅包含线性约束条件。
具体地，将非线性目标函数进行线性转化，即非线性目标函数
Figure BDA0002752927370000162
等价于
Figure BDA0002752927370000163
该式又等价于
Figure BDA0002752927370000164
以及min tdmakesapn -pack，并更新约束条件，即在上述约束条件中增加
Figure BDA0002752927370000165
进一步地，将非线性约束条件进行线性化处理，即根据定理
Figure BDA0002752927370000166
可将
Figure BDA0002752927370000167
Figure BDA0002752927370000168
l∈L\{1}转化为
Figure BDA0002752927370000169
再对上式中绝对值项进行进一步转化，得到如下线性约束条件：
Figure BDA0002752927370000171
和
Figure BDA0002752927370000172
arl∈{0，1}，其中，arl为二进制变量0或1。
进一步地，将非线性约束条件进行线性化处理，即将如下非线性约束条件
Figure BDA0002752927370000173
l∈L\{1}中的绝对值项展开得到，
Figure BDA0002752927370000174
l∈L\{1}，以及
Figure BDA0002752927370000175
l∈L\{1}。
在一实施例中，如图5所示，步骤S103中，即基于仓库运作参数，采用订单汇总模型对客户订单进行处理，输出仓库作业用时最短的订单汇总结果，具体包括如下步骤：
S401：采用仓库运作参数初始化订单汇总模型。
S402：采用界定算法对订单汇总模型进行求解，输出仓库作业用时最短的订单汇总结果。
具体地，由上述数学模型可知，模型中的一些参数，如每一拣货单中SKU容量上限，需要进行初始化操作，以便后续进行模型求解，故本实施例中，采用仓库运作参数初始化订单汇总模型，并借助于Gurobi优化器，采用界定算法实现模型高效求解，输出仓库作业用时最短的订单汇总结果以及最短的仓库作业用时。
进一步地，在输出仓库作业用时最短的订单汇总结果时，还可同时输出当前订单波次对应的作业指标，该作业指标包括但不限于当前订单处理波次对应的订单处理时间总和(包括作业准备或等待的时间)、当前订单处理波次对应的订单处理时间跨度(第一客户订单处理开始到最后一个订单处理结束的时间跨度)、拣货员和打包员的人效(即工作量/工作时间)以及当前订单处理波次建议使用的拣货人数和打包台数。
具体地，仓库运作参数包括但不限于仓库拣货区尺寸、拣货区货拣货通道数、每一波次处理客户订单数量的上限、每一拣货单中SKU容量上限、拣货路径的垂直行走距离、拣货区拣货通道的平均长度、每张拣货单的准备时间、拣货员行走的速度、拣货员寻找货物的速度、拣货员拿取每个货物所需的时间、拣货员整理货物的速度、打包员的打包速度、打包等待时间上限以及每件商品的平均打包时间。
本实施例中，以仓库作业用时作为优化对象，通过充分考虑拣货作业中各仓库作业事件的约束外，还同时考虑了打包作业中中仓库作业事件对仓库作业用时的影响，提升了模型的精确性，有效保证仓库作业(即出库作业)的效率。此外，本发明还针对订单汇总模型中的非线性因素，分别提出了有效的线性化处理策略，将原MINLP模型转换为MI LP模型，并借助于Gurobi优化器，采用界定算法实现模型的高效求解，进一步减少仓库作业用时，提搞仓库作业效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种智能仓储***，该智能仓储***与上述实施例中订单汇总方法一一对应。如图6所示，该智能仓储***包括运行数据获取模块10、目标运行环境确定模块20和订单汇总模块30。各功能模块详细说明如下：
运行数据获取模块10，用于获取当前订单处理波次对应的仓库运行数据；其中，仓库运行数据包括仓库运作参数以及客户订单。
模型获取模块20，用于获取预先创建好的订单汇总模型。
订单汇总模块30，用于基于仓库运作参数，采用订单汇总模型对客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，订单汇总结果用于指示拣货员拣货。
具体地，该智能仓储***还包括时间轴创建模块和订单汇总模型构建模块。
时间轴创建模块，用于根据仓库作业流程，建立仓库作业时间轴；其中，仓库作业时间轴包括多个仓库作业事件对应的时间节点。
订单汇总模型构建模块，用于根据仓库作业时间轴，建立混合整数非线性规划的数学模型，并对数学模型进行线性化处理，得到订单汇总模型。
具体地，订单汇总模型构建模块包括决策变量获取单元、初始模型构建单元、线性化处理单元以及订单汇总模型构建单元。
决策变量获取单元，用于确定数学模型的决策变量。
初始模型构建单元，根据仓库作业时间轴，构建非线性目标函数和模型约束条件。
线性化处理单元，用于对非线性目标函数进行线性化处理，得到线性目标函数；或者，分别对非线性目标函数和模型约束条件进行线性化处理，得到线性目标函数和线性约束条件。
订单汇总模型构建单元，用于基于线性目标函数和线性约束条件，构建订单汇总模型。
具体地，订单汇总模块包括模型初始化单元和模型求解单元。
模型初始化单元，用于采用仓库运作参数初始化订单汇总模型。
模型求解单元，用于采用界定算法对订单汇总模型进行求解，输出仓库作业用时最短的订单汇总结果。
关于智能仓储***的具体限定可以参见上文中对于订单汇总方法的限定，在此不再赘述。上述智能仓储***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机存储介质、内存储器。该计算机存储介质存储有操作***、计算机程序和数据库。该内存储器为计算机存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储执行订单汇总方法过程中生成或获取的数据，如展业轨迹图。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种订单汇总方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中的订单汇总方法的步骤，例如图2所示的步骤S201-S203，或者图3至图5中所示的步骤。或者，处理器执行计算机程序时实现智能仓储***这一实施例中的各模块/单元的功能，例如图6所示的各模块/单元的功能，为避免重复，这里不再赘述。
在一实施例中，提供一计算机存储介质，该计算机存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中订单汇总方法的步骤，例如图2所示的步骤S201-S203，或者图3至图5中所示的步骤，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现上述智能仓储***这一实施例中的各模块/单元的功能，例如图6所示的各模块/单元的功能，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述智能仓储***的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (7)

1.一种订单汇总方法，其特征在于，包括：
获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；
获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；
基于所述仓库运作参数，采用所述订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货；
在所述获取当前订单处理波次对应的仓库运行数据之前，所述订单汇总方法还包括：
根据仓库作业流程，建立仓库作业时间轴；其中，所述仓库作业时间轴包括多个仓库作业事件对应的时间节点；
根据所述仓库作业时间轴，建立混合整数非线性规划的数学模型，并对所述数学模型进行线性化处理，得到所述订单汇总模型；
所述根据所述仓库作业时间轴，建立混合整数非线性规划的数学模型，包括：
确定所述数学模型的决策变量；
根据所述仓库作业时间轴，构建非线性目标函数和模型约束条件；
分别对所述非线性目标函数和所述模型约束条件进行线性化处理，得到线性目标函数和线性约束条件；
基于所述线性目标函数和所述线性约束条件，构建所述订单汇总模型；
所述订单汇总结果包括多个拣货单；
所述目标函数为，目标是使订单处理时间总和最短以及订单处理时间跨度最小；该订单处理时间总和指当前订单波次中所有客户订单处理时间之和，包括拣货准备或等待的时间；其中，表示订单处理时间总和；表示最后一个客户订单的拣货完成时间；表示第一个客户订单的拣货开始时间；j表示拣货单；p表示拣货员；K表示所述拣货员的最后一个拣货存放单位。
2.如权利要求1所述订单汇总方法，其特征在于，基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果，包括：
采用所述仓库运作参数初始化所述订单汇总模型；
采用界定算法对所述订单汇总模型进行求解，输出仓库作业用时最短的订单汇总结果。
3.一种订单汇总方法，其特征在于，包括：
获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；
获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；
基于所述仓库运作参数，采用所述订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货；
在所述获取当前订单处理波次对应的仓库运行数据之前，所述订单汇总方法还包括：
根据仓库作业流程，建立仓库作业时间轴；其中，所述仓库作业时间轴包括多个仓库作业事件对应的时间节点；
根据所述仓库作业时间轴，建立混合整数非线性规划的数学模型，并对所述数学模型进行线性化处理，得到所述订单汇总模型；
所述根据所述仓库作业时间轴，建立混合整数非线性规划的数学模型，包括：
确定所述数学模型的决策变量；
根据所述仓库作业时间轴，构建非线性目标函数和模型约束条件；
分别对所述非线性目标函数和所述模型约束条件进行线性化处理，得到线性目标函数和线性约束条件；
基于所述线性目标函数和所述线性约束条件，构建所述订单汇总模型；
所述目标函数为，目标是使订单处理时间总和最短以及订单处理时间跨度最小；该订单处理时间总和是指所有客户订单处理时间之和，包括拣货时的等待时间；其中，表示订单处理时间总和；表示最后一个客户订单的打包完成时间；表示第一个客户订单的拣货开始时间，j表示拣货单；r表示打包台；L表示所述打包台的最后一个拣货单存放位。
4.如权利要求3所述订单汇总方法，其特征在于，基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果，包括：
采用所述仓库运作参数初始化所述订单汇总模型；
采用界定算法对所述订单汇总模型进行求解，输出仓库作业用时最短的订单汇总结果。
5.一种智能仓储***，其特征在于，用于如权利要求1至2任一项所述的订单汇总方法或者如权利要求3至4任一项所述的订单汇总方法，所述智能仓储***包括：
运行数据获取模块，用于获取当前订单处理波次对应的仓库运行数据；其中，所述仓库运行数据包括仓库运作参数以及客户订单；
模型获取模块，用于获取预先创建好的订单汇总模型；其中，所述订单汇总模型通过混合整数非线性规划建模得到；
订单汇总模块，用于基于所述仓库运作参数，采用订单汇总模型对所述客户订单进行处理，输出仓库作业用时最短的订单汇总结果；其中，所述订单汇总结果用于指示拣货员拣货。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述订单汇总方法或者如权利要求3至4任一项所述的订单汇总方法的步骤。
7.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述订单汇总方法或者如权利要求3至4任一项所述的订单汇总方法的步骤。
CN202011191675.0A 2020-10-30 2020-10-30 订单汇总方法、智能仓储***、计算机设备及存储介质 Active CN112330247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011191675.0A CN112330247B (zh) 2020-10-30 2020-10-30 订单汇总方法、智能仓储***、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011191675.0A CN112330247B (zh) 2020-10-30 2020-10-30 订单汇总方法、智能仓储***、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112330247A CN112330247A (zh) 2021-02-05
CN112330247B true CN112330247B (zh) 2023-05-02

Family

ID=74297578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011191675.0A Active CN112330247B (zh) 2020-10-30 2020-10-30 订单汇总方法、智能仓储***、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112330247B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2726790A1 (en) * 2010-01-13 2011-07-13 Corelogic Information Solutions, Inc. System and method of detecting and assessing multiple types of risks related to mortgage lending
CN104200293A (zh) * 2014-09-28 2014-12-10 清华大学 基于连续时间的炼油厂全厂调度优化的方法及***
CN110728483A (zh) * 2019-09-30 2020-01-24 深圳易可达科技有限公司 一种快速拣货方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2726790A1 (en) * 2010-01-13 2011-07-13 Corelogic Information Solutions, Inc. System and method of detecting and assessing multiple types of risks related to mortgage lending
CN104200293A (zh) * 2014-09-28 2014-12-10 清华大学 基于连续时间的炼油厂全厂调度优化的方法及***
CN110728483A (zh) * 2019-09-30 2020-01-24 深圳易可达科技有限公司 一种快速拣货方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于"货到人"拣选模式的储位分配问题研究;李珍萍等;《运筹与管理》;20200421;全文 *

Also Published As

Publication number Publication date
CN112330247A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Li et al. A discrete artificial bee colony algorithm for the distributed heterogeneous no-wait flowshop scheduling problem
Lerher Aisle changing shuttle carriers in autonomous vehicle storage and retrieval systems
CN110111168A (zh) 订单处理方法及装置
CN110766194A (zh) 订单处理方法及装置、仓储***、计算机设备和存储介质
Wu et al. Modelling and design for a shuttle-based storage and retrieval system
CN113869831A (zh) 智能仓储的库位分配方法、装置及可读存储介质
CN111126857B (zh) 密集仓储的任务管理方法、装置及电子设备
Rahimikelarijani et al. A mathematical model for multiple-load AGVs in Tandem layout
JP2018020885A (ja) 輸配送計画プログラム、輸配送計画方法及び輸配送計画装置
CN112330246B (zh) 订单汇总方法、装置、计算机设备及存储介质
Jaśkowski et al. A hybrid MIP-based large neighborhood search heuristic for solving the machine reassignment problem
Jiang et al. Intralogistics synchronization in robotic forward-reserve warehouses for e-commerce last-mile delivery
Koskinen et al. Rolling horizon production scheduling of multi-model PCBs for several assembly lines
CN112330247B (zh) 订单汇总方法、智能仓储***、计算机设备及存储介质
Jiang et al. A new model and an efficient branch-and-bound solution for cyclic multi-hoist scheduling
Tian et al. Learning to multi-vehicle cooperative bin packing problem via sequence-to-sequence policy network with deep reinforcement learning model
Maity et al. Solving fuzzy transportation problem using multi-choice goal programming
Wu et al. Optimal Scheduling for Retrieval Jobs in Double‐Deep AS/RS by Evolutionary Algorithms
CN110889599B (zh) 订单处理方法及装置、仓储***、计算机设备和存储介质
Osorio‐Mora et al. Effective metaheuristics for the latency location routing problem
Zhou et al. An efficient local search for partial vertex cover problem
Martagan et al. Optimal production decisions in biopharmaceutical fill-and-finish operations
Shastri et al. A novel decomposition and distributed computing approach for the solution of large scale optimization models
Vasili et al. A statistical model for expected cycle time of SP-AS/RS: an application of Monte Carlo simulation
Zhang et al. The Optimization of the Location of the Cargo in Three‐Dimension Shelf: Employing the FP‐Tree and the Artificial Fish Swarm Algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000, No. 1109, Main Tower of the Shipping Center, No. 59 Linhai Avenue, Qianhai Shenzhen Hong Kong Cooperation Zone, Shenzhen, Guangdong Province

Applicant after: Shenzhen Yuehai Global Supply Chain Co.,Ltd.

Address before: 518000 intersection of Gangcheng road and No.10 Road, Yueliangwan Avenue, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN YH GLOBAL SUPPLY CHAIN Co.,Ltd.

GR01 Patent grant
GR01 Patent grant