CN113343570A - 一种考虑拣货单关联性的动态拣货方法和*** - Google Patents

Abstract

本发明公开了一种考虑拣货单关联性的动态拣货方法和***，属于仓库的动态拣货路径优化技术领域，将拣货过程与货位调整过程合二为一，利用关联规则对拣货单间的关联度信息进行挖掘，作为货位调整及路径优化的输入信息，求解货位动态调整与路径联合优化问题，实现货位调整和路径优化的整体最优。本发明对于货位调整频率过大的仓库能减少货位调整时间而提高效率，实现简化仓储作业流程，降低物流成本，加快货物流转，提高企业的经济效益。本发明对于提高整个物流配送中心的拣货效率和服务水平具有积极的意义，模型和数值仿真的结论可为电商企业规划拣货路径提供决策参考。

Description

一种考虑拣货单关联性的动态拣货方法和***

技术领域

本发明属于仓库的动态拣货路径优化技术领域，涉及一种考虑拣货单关联性的动态拣货方法和***。

背景技术

随着商品物流业务量的不断增加，拣选作业活动是配送中心在库作业中劳动力最密集和资金占用成本最大的环节。拣选作业优化主要包括订单分批、路径优化等，其中订单分批是前提，路径优化是关键，拣选作业优化可以有效的提高拣货效率。当前，仓储结构无法与商品需求快速变化相适应，且定期调整和优化仓储结构需要支付巨大的成本，同时对拣货员的熟悉程度有很大的影响，增加了作业现场管理的难度，在不改变货物总的存储位置的情况下，边拣货边调整货位的动态拣货方法是一种提高配送中心作业效率的有效方法。

中国专利CN201911127467.1公开了一种播种式拣货方法主要分为三步：汇总拣货、沿线分货和集货待运，这种播种式拣货方法，效率较高，配套的设备占地面积小，且实际操作的差错率低，方法灵活，具有很好的兼容性，但实际使用价值具有一定局限性；中国专利CN201910708249.0提出一种拣货任务处理方法和装置将待拣货的任务从持久化数据库同步至缓存中的文件存储数据库中；将所述文件存储数据库中待拣货的任务列表进行解析，确定解析后的任务列表中的任务；将解析后的所述任务列表中的任务，根据可配置化规则进行过滤；将过滤后的任务存储至拣货队列。该方法降低了结构化查询语言对持久化数据库进行查询的压力，进而达到灵活监控待拣货的任务、减少所述任务列表结构的变更、提高拣货任务处理效率，但是该方法只对订单拣选之前进行了优化，且并未提出具体的拣货方法。中国专利CN201811497884.0提出一种动态拣货方法的实现方法，该方法在完成当前拣货单的拣货任务的同时，将当前拣货单的下一拣货单中需要调整的货位对应的所有待拣货物移放到仓库出入口，在完成当前拣货单的下一拣货单的拣货任务时在仓库出入口处拣取该货物，实现动态拣货方法，有效的提高了配送中心的拣货效率，但并未考虑动态拣货过程中订单路径重合的问题。

发明内容

本发明的目的在于克服上述现有技术中拣货处理方法不能将订单与拣货进行关联处理的缺点，提供一种考虑拣货单关联性的动态拣货方法和***。

为了达到上述目的，本发明采用以下技术方案予以实现：

一种考虑拣货单关联性的动态拣货方法，包括如下步骤：

获取拣货单，基于关联规则对拣货单进行关联度排序；

基于拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

设定拣货周期，建立拣货路径优化模型；

基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

优选地，关联度排序具体为，首先基于拣货单中的商品种类、数量、储位及紧急程度构建拣货单相似矩阵，之后基于拣货单相似矩阵进行关联度排序。

优选地，对与拣货车对应的拣货单及货位进行调整，具体为：

首先基于关联度排序结果，获取若干张拣货单的拣选及拣货车的剩余容量，确定需要调整的货物及数量；之后基于拣货车的车辆信息，获取拣货车的剩余容积，基于剩余容积对拣货单和货位进行调整。

优选地，拣货路径优化模型的建立过程为：设定拣货周期，在拣货周期内以调整后的拣货单集合作为目标单元，在拣货周期内以完成拣货任务的最短时间为路径优化目标，建立拣货路径优化模型。

优选地，拣货路径优化模型具体为：

其中，

上述公式中，s为货物；k为拣货单；K为拣货单集合；I为货位集合；h为拣货单k的拣货顺序；U为所有拣货单总的拣货时间；t_u为拣取每单位品项所需的时间；T_k拣货单k的拣货时间；T′_k拣货单k动态调整后的拣货时间；x_ki为第k个拣货单中第i个拣货位的货位数量；S_k为第k张拣货单拣货路径的距离；

为拣货单k+1是否包含货位i；α为拣货单k与拣货单k+1共有货位集合；β为需调整的货位集合；P_kh，e_ks，e_ks'均为0,1变量，P_kh代表当拣货单k的拣选次序为h时P_kh为1，否则为0；e_ks代表当拣货单k拣取过程中拣取被调整的货位s时e_ks取1，否则为0；e_ks'代表当拣货单k拣取过程中放置被调整的货位s时e_ks'取1，否则为0。

优选地，最短拣货路径是利用遗传模拟退火算法求解得到的。

优选地，遗传模拟退火算法的具体过程为：

对待调整的货位集合进行编码；

在解空间内构件初始个体，构成初始种群，建立初始种群适应度函数；

基于初始种群适应度函数计算个体适应度值，进行选择、交叉、变异操作记录优良个体；

以优良个体为模拟退火算子的初始解进行退火操作，计算父代和子代的适应度值。

进一步优选地，对待调整拣货位进行编码，采用遗传模拟退火算法对动态拣货路径优化问题数学模型进行求解，得到最优拣货路径方案。混合遗传模拟退火算法中采用整数编码方式，参数设定为：迭代次数T＝2000，种群规模N＝80，初始温度T₀＝50000，退火系数a＝0.99，变异概率p_m＝0.4，交叉概率p_c＝0.8

优选地，基于最短拣货路径进行拣货单拣选和货位调整，具体过程为：

优化拣货单k的最短拣货路径，在完成拣货单k作业的同时，将待调整的货物下架并放置在指定位置；

优化求解调整货位后的拣货单k+1的最短拣货路径，将k+1更新为k；

判断拣货单k是否为最后一张拣货单，

若是，则完成拣货单k的拣选并提取货物，所有订单拣选结束；

若否，则求解拣货单k与剩余拣货单的关联度，使关联度最大。

一种考虑拣货单关联性的动态拣货***，包括：

信息获取模块，用于获取拣货单，基于关联规则对拣货单进行关联度排序；同时获取拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

模型建立模块，与信息获取模块相交互，用于基于调整后的拣货单及货物建立拣货路径优化模型；

计算处理模块，与模型建立模块相交互，用于基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种考虑拣货单关联性的动态拣货方法。针对仓库出库作业过程中分步优化，仓储结构无法与商品需求快速变化相适应，定期调整和优化仓储结构需要支付巨大的成本等问题，本发明提出了“货位调整和拣货路径”协同优化的思想，将拣货过程与货位调整过程合二为一，利用关联规则对拣货单间的关联度信息进行挖掘，作为货位调整及路径优化的输入信息，求解货位动态调整与路径联合优化问题，实现货位调整和路径优化的整体最优。即本发明方法能够在拣货的同时进行货位调整作业，对于货位调整频率大的仓库能减少货位调整时间而提高效率，实现简化仓储作业流程，降低物流成本，加快货物流转，提高企业的经济效益。本发明方法对于提高整个物流配送中心的拣货效率和服务水平具有积极的意义，模型和数值仿真的结论可为电商企业规划拣货路径提供决策参考。

进一步地，基于拣货单中的商品种类、数量、储位及紧急程度等信息，挖掘订单之间的相似性，构建拣货单相似矩阵，之后基于拣货单相似矩阵进行关联度排序，作为拣货单排序的依据。

进一步地，设定拣货周期，在拣货周期内以调整后的拣货单集合作为目标单元，在拣货周期内以完成拣货任务的最短时间为路径优化目标，建立拣货路径优化模型。利用遗传模拟退火算法进行求解，得到最短拣货路径。

本发明公开了一种考虑拣货单关联性的动态拣货***，该***基于“拣货同时调整货位”的协同优化思想，同时考虑拣货单间的关联性，运用一种关联规则挖掘拣货单间的关联度信息，设计了拣货单排序-货位调整-路径优化的协同优化动态拣货方法，利用关联规则对拣货单进行排序，建立总拣选时间最短为目标的数学模型，采用遗传模拟退火算法对模型进行求解。在电商行业拣货任务***式增长的背景下，本发明***能够全面***地优化拣货作业、提高拣货效率。

附图说明

图1为本发明中动态拣货路径优化流程图；

图2为本发明中拣货单调整阶段流程图；

图3为本发明中混合遗传模拟退火算法流程图；

图4为本发明中双区型仓库布局图；

图5为本发明中考虑订单关联性后拣货单3动态拣货方法调整路径图；

图6为本发明中考虑订单关联性后拣货单2动态拣货方法调整路径图；

图7为本发明中考虑订单关联性后拣货单5动态拣货方法调整路径图；

图8为本发明中考虑订单关联性后拣货单1动态拣货方法调整路径图；

图9为本发明中考虑订单关联性后拣货单4动态拣货方法调整路径图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

实施例1

一种考虑拣货单关联性的动态拣货方法，包括如下步骤：

步骤1)获取拣货单，基于关联规则对拣货单进行关联度排序；

步骤2)基于拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

步骤3)设定拣货周期，建立拣货路径优化模型；

步骤4)基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

实施例2

一种考虑拣货单关联性的动态拣货方法和***，具体包括以下步骤：

步骤1)：先获得t周期内的所有拣货单，根据关联规则对拣货单进行关联度排序，

其中，同一周期内拣货单中主要包含了商品种类、数量、储位、紧急程度等诸多信息，本发明主要考虑品项相似性、拣货单紧急程度构建拣货单关联性矩阵。其具体步骤为：

(101)设在同一时间段内收到的拣货单集合为X_n＝{x₁,x₂Λ,x_n}。

首先提取X_n中的品项、拣货紧急程度信息。由于不同指标数据量级不同，品项相似性多基于相关系数，订单紧急程度基于订单预计交货时间；因此，需对上述两个指标分别进行订单相似性和预计交货时间计算与规范化处理，其次，基于专家评估，给定两指标重要性权重ω₁，ω₂，最后总的关联度值为各指标的加权和。得到最终关联度值。

(102)计算拣货单集合品项相似性矩阵L(l_i,j＝l_j,i)

基于两个拣货单中的共有品项种类的比例，对拣货单i和j的相似程度的度量定义如下：

(103)对l_ij进行规范化处理，得到归规范化后的l′_ij，将矩阵L中非对角线元素利用如下公式进行转化，得到处理后的新矩阵L'

其中，l′_ij为规范化处理后新矩阵中的元素，min l_i,j和max l_i,j分别代表矩阵L非对角线上的元素中的最小值及最大值。

(104)计算拣货单集合紧急程度矩阵T(t_i,j＝t_j,i)

定义；两两拣货单之间的拣货紧急程度公式如下

其中，T_i ^α代表订单i预计交货时间，T_i ⁰代表订单i实际开始处理时间，T_j ^α代表订单j预计交货时间，T_j ⁰代表订单j实际开始处理时间，则所有拣货单之间的拣货紧急程度矩阵T为：

(105)

矩阵L’和矩阵T进行融合，得到总关联度矩阵R

其中，r_i,j为总关联度矩阵中的元素，r_i,j＝w₁l′_i,j+w₂t_i,j；w₁和w₂为指标重要性权重。

(106)在总相似性矩阵中选择最大值，提取其对应的两个拣货单，拣选顺序为k和k+1，其中，初始状态k＝1。

步骤2)：根据关联度排序结果，得出n张拣货单的拣选顺序及每个拣货单用拣货车的剩余容量，确定需调整的货物及数量，从而最大程度的利用拣货车剩余容积，缩短总拣货时间及距离。在完成排序为k的拣货单作业任务同时，调整排序为k+1的拣货单中需调整的货位上的货物，将调整的货物放置在设置在门口的空位上。具体步骤如下：

(201)提取总关联度R最大的两张拣货单，提取两张拣货单信息，其顺序分别为k，k+1，初始状态k＝1，所包含的所有货物的货位集合为A_i；

(202)确定排序为k的拣货单和排序为k+1拣货单的相同货位集合为α；利用公式(4)计算共有货物数量：公式(5)计算共有货物体积

式中，i为拣货单中的拣货位；Q为两个拣货单中共有货物体积；n_i为两个拣货单中共有货物数量；

为排序为k的拣货单的拣选路径上是否包含货位i；

为排序为k+1的拣货单是否包含货位i；q_i为拣货位i的货物(货物数量大于等于1，具体数量由拣货车剩余容积决定)的体积。

(203)每张拣货单用拣货车的剩余容量为f，需调整货物总体积应小于等于拣货车剩余容量。即

当排序为k的拣货单的路径和排序为k+1的拣货单有相同货物时，

和

均取值为1。

其中，f为拣货车剩余容积；i为拣货单中的拣货位；Q为两个拣货单中共有货物体积；

为排序为k的拣货单的拣选路径上是否包含货位i；

为排序为k+1的拣货单是否包含货位i；q_i为拣货位i的货物(货物数量大于等于1，具体数量由拣货车剩余容积决定)的体积。

(204)确定可调整的货位的集合β。具体流程图如图2所示。

其中：f为拣货车剩余容积；i为拣货单中的拣货位；Q为两个拣货单中共有货物体积；n_i为两个拣货单中共有货物数量；

为排序为k的拣货单的拣选路径上是否包含货位i；

为排序为k+1的拣货单是否包含货位i；q_i为拣货位i的货物(货物数量大于等于1，具体数量由拣货车剩余容积决定)的体积；α为排序为k的拣货单与排序为k+1的拣货单共有货位的集合，β为需调整的货位集合。

步骤3)：动态拣货路径优化的目标是找到一种拣货方式，使得完成拣货任务所花费的时间最少和拣货路径最短，具体数学模型表述如下。

首先对一些参数作出如下定义：

模型假设：

按拣货单拣取货物，其中空闲等待时间忽略不计；

拣货员可以沿纵向的巷道和横向的通道2个方向行走；

拣货区分布主要为：每个货位大小相同，承载力相同，每个货位只存储一种货物；

拣货过程中不存在缺货现象，即补货时间忽略不计；

每笔订单的大小不超过拣货员最大拣货量；

货位足够大，保证每个SKU都能存储。

模型相应的参数和变量定义如下：

K：拣货单集合，k∈K，

I：货位集合，i∈I，

h：拣货单的拣货顺序，

U：所有拣货单总的拣货时间，

t_u：拣取每单位品项所需的时间，

T_k：拣货单k的拣货时间，

T′_k：拣货单k动态调整后的拣货时间，

x_ki：第k个拣货单中第i个拣货位的货位数量，

S_k：第k张拣货单拣货路径的距离，

拣货单k+1是否包含货位i，

α：拣货单k与拣货单k+1共有货位集合，

β：需调整的货位集合，

P_kh：拣货单k的拣选次序是否为h，

e_ks：拣货单k拣取过程中拣取被调整的货位s，

e'_ks：拣货单k拣取过程中放置被调整的货位s。

目标函数：

其中，

约束条件：

式(6)表示所有拣货单的总拣货时间；式(7)表示货位调整前的原拣货路径时间；式(8)表示原拣货路径和调整货位的总时间；式(9)表示排序为k+1的拣货单减去被调整货位后重新规划的路径的时间；式(10)表示每张拣货单的次序是唯一的；式(11)表示每个拣选次序仅分配一个拣货单；式(12)表示排序为k的拣货单调整的货位数量为多个；式(13)表示排序为k的拣货单拣取被调整货物数量与放置被调整货物数量相等；式(14)若拣货单k的拣选次序为h取值为1，否则为0；式(15)若排序为k的拣货单在拣选过程中拣取需调整的货位s取值为1，否则为0；式(16)若排序为k的拣货单在拣选过程中放置需调整的货物s取值为1，否则为0。

式(6)至式(16)中，f为拣货车剩余容积，i为拣货单中的拣货位，Q为前后两个拣货单之间共有货物体积，n_i为拣货单间共有货物数量，

为拣货单k的拣选路径上包含货位i，

为排序为k+1的拣货单是否包含货位i，q_i为拣货位i的货物的体积，α为排序为k的拣货单与k+1的拣货单共有货位集合，β为需调整的货位集合，P_hk为拣货单h的拣选次序是否为k，x_ki为第k张拣货单的第i个拣货位的品项的数量，e_ks为拣货单k拣取过程中拣取被调整的货位s，e'_ks为拣货单k拣取过程中放置被调整的货位s，S_k为第k张拣货单拣货路径的距离，t_u为拣取每单位品项所需的时间，U为所有拣货单总的拣货时间。

在仓库出入口旁边设置空货架，在拣货时将需要调整的货位上的货物按照需要的数量从现存储位移放到空货架处，下一次拣货完成时从设置货架处拿走该拣货单上的货物并放上下一个拣货单上需调整的货位的货物。获得t周期内的所有拣货单，根据关联规则对拣货单进行关联度排序，进入货位动态调整阶段，考虑拣货车容积、任务均衡等因素确定下一张拣货单，以及需调整的货物，求解排序为k拣货单、排序为k+1的拣货单的最短路径，拣货员在完成排序为k拣货单作业的同时，将排序为k+1拣货单需调整的货物下架并放置在设置的空货架上，即在拣货同时完成货位调整；优化求解调整货物后的排序为拣货单的最短拣货路径，将k+1更新为k。判断k是否为最后一张拣货单，若是，则完成排序为k拣货单的拣选并取走设置货位上的货物，所有订单拣选结束；若否，则求解拣货单k与剩余拣货单的关联度，使关联度最大，重复上述步骤完成所有拣货单的拣选任务，具体步骤如图1所示。

步骤4)：基于混合遗传模拟退火算法运用MATLAB对总时间目标函数模型进行仿真分析，得到最优动态拣货顺序和最短拣货时间。参见图3，使用遗传算法对种群进行初始化，在迭代过程中，遗传算法易于陷入局部最优解，利用模拟退火算法的随机搜素概率，使搜索跳出局部最优解而得到全局最优解，基于混合遗传模拟退火算法的详细步骤为：

(401)编码设计，本文中采用自然数编码，染色体C＝[i₁,i₂,i₃Λ i_n]，其中元素(基因)[i_n]为[1，n](n为拣货位个数)之间的唯一自然数，其中基因位数对应拣货位的排序，基因值为需要拣取的货位编号。

(402)初始化种群M₀，随机产生N个初始染色体C_j群体(1≤j≤N)，即随机产生N种订单拣选顺序，其中染色体的基因序列的长度取决于拣货单的实际情况。

(403)适应度函数f，适应度函数表示拣货单总路程的倒数，计算公式为：

(404)选择操作，首先令循环计数变量gen＝0，温度为T_n的条件下进行选择操作，采用轮盘赌法，其扇面的角度和个体的适应度值成正比，适应度越高，被选择的可能性越大。

(405)交叉操作，首先采用部分匹配交叉法执行交叉变异，通过交叉概率P_c判断个体是否进行交叉操作。

(406)变异操作，采用单点突变法，变异概率P_m，产生新的种群。

(407)模拟退火操作，计算父代C_j和子代C'_j的适应度值，即f(C_j)和f(C'_j)，θ为[0，1]之间的常数，则温度计算公式为T_n+1＝θ×T_n，在模拟退火过程中，使用Metropolis准则给出的一定概率接受新状态。

(408)判断循环计数变量gen<Maxgen，则gen＝gen+1，返回步骤(404)，否则转步骤(49)。

(409)若T_n<T_end，则算法结束，则返回最优解；否则执行降温操作T_n+1＝θ×T_n，返回步骤(403)。

实施例3

以下以双区型仓库为例进行说明。假设双区型仓库由3条平行的横向通道和10条纵向通道构成，每条通道、巷道宽度相等，纵向巷道第一列和最后一列的货架为单排货架，其余货架为背靠背式货架，如图4所示。

每个巷道的宽度为1m，每个横向通道的宽度为2m，两个横向通道间每一列货架的个数为20，货架的长和宽均为1m。仓库内的储位个数为800，每个储位序号唯一。仓库的出入口在左下角，拣货员可以沿着南北两个方向行走，拣货员的起始点和终止点均为仓库的出入口。每条通道、巷道宽度相等，每个储位的标号[a，b，c，v]，其中a表示货位所在的巷道编号，a＝1，2，3...10；b表示的每一巷道的左右货架，若货物在左货架取b＝0，若货物在右货架取b＝1；c表示同一列货架中货位的编号，从下往上依次编号为1，2，3...40；v表示每个储位上货物的单位体积。例如储位的标号为[4，0，6，2]表示所拣取的货物在第4巷道，左侧货架，从下向上数第6个储位，单位体积为2。

其拣货点之间的距离d_ij的具体计算方法为：

假设任意两个拣货点i，j的标号为[a_i，b_i，c_i，v_i]和[a_j，b_j，c_j，v_j]，这两个拣货点之间的距离d_ij如下：

若两个货位点在同一条拣货巷道中，在中间通道的同侧，d_ij为货物编号之间的差

|c_i-c_j|；(a_i＝a_j,b_i＝b_j,0＜c_i≤20＜c_j≤40，或0＜c_j≤20＜c_i≤40) (19)

|c_i-c_j|+1；(a_i＝a_j，b_i≠b_j,0＜c_i≤20＜c_j≤40,或0＜c_j≤20＜c_i≤40) (20)

若两个货位点在同一条拣货巷道中，分散在中间通道两侧，d_ij为货位编号的差加中间通道的宽度

|c_i-c_j|；(a_i＝a_j,b_i＝b_j,0＜c_i≤20＜c_j≤40，或0＜c_j≤20＜c_i≤40) (21)

|c_i-c_j|+1；(a_i＝a_j,b_i≠b_j,0＜c_i≤20＜c_j≤40，或0＜c_j≤20＜c_i≤40) (22)

若两个货位点在不同拣货巷道中，在中间通道的同侧，d_ij为选择巷道和通道交叉方向后的最短路径，即最小的货位编号的差值加货位之间的横向距离。

min(c_i+c_j,40-(c_i+c_j))+|a_i-a_j|×3,(a_i≠a_j,b_i＝b_j,0＜c_i,c_j≤20) (23)

min(c_i+c_j,40-(c_i+c_j))+|a_i-a_j|×3+1(a_i≠a_j,b_i＜b_j,0＜c_i,c_j≤20) (24)

min(c_i+c_j,40-(c_i+c_j))+|a_i-a_j|×3-1,(a_i≠a_j,b_i＝b_j,20＜c_i,c_j≤20) (25)

min(c_i+c_j-40,80-(c_i+c_j))+|a_i-a_j|×3,(a_i≠a_j,b_i＜b_j,20＜c_i，c_j≤40) (26)

min(c_i+c_j-40,80-(c_i+c_j))+|a_i-a_j|×3+1,(a_i≠a_j,b_i＜b_j,20＜c_i,c_j≤40) (27)

min(c_i+c_j-40,80-(c_i+c_j))+|a_i-a_j|×3-1,(a_i≠a_j,b_i＞b_j,20＜c_i,c_j≤40) (28)

若两个货位点在不同拣货巷道中，分散在中间通道两侧，d_ij为货位编号之间的差值加上中间通道宽度2米加两个货位横向巷道之间的距离

|c_i-c_j|+2+|a_i-a_j|×3,(a_i≠a_j,b_i＝b_j,0＜c_i≤20＜c_j≤40,或0＜c_j≤20＜c_i≤40) (29)

|c_i-c_j|+2+|a_i-a_j|×3+1,(a_i≠a_j,b_i＜b_j,0＜c_i≤20＜c_j≤40，或0＜c_j≤20＜c_i≤40) (30)

|c_i-c_j|+2+|a_i-a_j|×3-1,(a_i≠a_j,b_i＞b_j,0＜c_i≤20＜c_j≤40，或0＜c_j≤20＜c_i≤40) (31)

货位点i与出入口之间的距离

c_i+|a_i-a₁|×3,(0＜c_i≤20) (32)

c_i+2+|a_i-1|×3,(20＜c_i≤40) (33)

仓库的通用参数设定详见表1。

表1.仓库的通用参数设定

参数	参数说明及设定
		v	拣货人员平均行走速度1m/s
d	每个巷道的宽度为1m
		l	每个横向通道的宽度为2m
γ	货架的长和宽均为1m
		t<sub>r</sub>	拣货人员拣取单个货物所需的时间为2s
Q	拣货车容量Q＝80

首先以5张拣货单为例，采用遗传退火算法对考虑拣货单关联性的动态拣货方法模型进行求解，以图5的拣货单3为例，圆形标记为拣货单3中所有货物的最优路线，方形标记为拣货单3与拣货单2重合的并在完成拣货单3任务时将其动态调整至于出入口空置货架处4个SKUS，包含货位251、297、449和450，对拣货单2剩余的货物重新进行路径规划，即为图4中圆形标记部分，方形标记为拣货单2拣货单4重合的需调整的6个SKUS，包含货位34、61、64、105、166和665，同理，可知其他拣货单需要调整的货物和数量，拣货路径和拣货时间的增减情况。

将本发明提出的方法与未考虑拣货单关联性的动态拣货方法和传统的静态方法进行拣货路径优化，其中，传统方法指的是依据拣货单依次拣选，每次拣货完成整张拣货单的SKU；未排序方法指的是不对拣货单进行货位关联度挖掘及排序的动态拣货方法。

考虑拣货单关联性的动态拣货方法，其拣货单拣选顺序为3-2-1-4-5，每张拣货单具体路径如图5～图9所示，总拣货时间为1442秒，总拣货路径为1106米。未考虑拣货单关联性的动态拣货方法，其拣货单拣选顺序为1-2-3-4-5，总拣货时间为1571秒，总拣货路径为1180米。传统的静态方法其拣货单拣选顺序为1-2-3-4-5，总拣货时间为1627秒，总拣货路径为1291米。

对比结果如表2所示。

表2.三种拣货方法对比分析

由表2可知，在遗传退火算法的条件下，对拣货单排序后的动态拣货方法相较于传统拣货方法，拣货时间分别缩短了8.69％、11.37％，拣货距离缩短了10.86％、14.33％；相较于不排序的动态拣货方法拣货时间分别缩短了5.9％、7.38％，拣货距离缩短了7.37％、9.3％。

其次，为了验证本发明对不同规模拣货单均具有优越性，分别以5张、13张、54张拣货单为例进行仿真实验。表3为不拣货单规模条件下对于不同拣货方法利用遗传算法、混合遗传模拟退火算法算法分别进行求解优化的对比结果。

表3.不同拣货单规模的拣选时间(s)对比结果

由表3可得出以下结论：

结论1)对于同一批不同规模的拣货单，无论哪种拣货方法，混合遗传算法的结果均优于遗传算法。

结论2)在算法相同条件下，排序后的动态拣货方法相对不排序的动态拣货结果更优，同时拣货单排序后的动态拣货方法相对于传统拣货方法节约时间是未排序的动态拣货方法节约的3倍以上。

结论3)随着拣货单量的增加，考虑拣货单关联性排序后的动态拣货方法所节省的时间越多，拣选方式的拣货效率提高越明显，拣选时间减少百分比从10.03％增加到18.38％。

结论4)通过本发明提出的考虑拣货单关联性的动态拣货方法使得整个周期的拣选路径得到了进一步的优化，拣货路径和时间进一步缩短，提高了拣货效率，同时解决了货位调整的问题，进一步证明了本发明的可行性，对于实际仓库拣货作业具有提供依据。

即在上述实施例验证中，本发明采用遗传算法和遗传模拟退火算法分别得出传统拣货方法，未考虑拣货单关联性和考虑关联性后方法拣货方式下的时间和路径长度，通过对不同规模实验例进行分析，得出随着拣货单量增加时该拣货方法的时间节约占比越大，效果越明显，考虑拣货关联性的动态拣货方式能明显提高拣货人员的效率；在相同条件下，遗传模拟退火算法的优化结果比遗传算法的好。

实施例4

一种考虑拣货单关联性的动态拣货***，包括：

信息获取模块，用于获取拣货单，基于关联规则对拣货单进行关联度排序；同时获取拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

模型建立模块，与信息获取模块相交互，用于基于调整后的拣货单及货物建立拣货路径优化模型；

计算处理模块，与模型建立模块相交互，用于基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

综上所述，本发明提出了一种考虑拣货单关联性的动态拣货方法及其实现方法，基于“拣货同时调整货位”的协同优化思想，运用一种基于关联规则挖掘拣货单间的关联度信息，设计了拣货单排序-货位调整-路径优化的协同优化动态拣货方法，利用关联规则对拣货单进行排序，建立以总拣选时间最短为目标的数学模型，采用遗传模拟退火算对模型进行求解得到最短拣货路径。

本发明的动态调整方法在不增加当前拣货单拣选路径的情况下，最大可能的优化后续拣货单的路径，且可以避免二次分拣。同时，该方法不仅适用于人工拣货，也适用于电子标签拣选。另外，由于调整的只涉及下一张拣货单的确定数量的货物，不存在整个货位的调整，所以不影响仓库已有的WMS。因此所设计的考虑拣货单关联性的动态拣货方法简单方便，易于实施，进一步提高了拣货效率。对于提高整个物流配送中心的拣货效率和服务水平具有积极的意义，可为电商企业规划拣货路径提供决策参考。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种考虑拣货单关联性的动态拣货方法，其特征在于，包括如下步骤：

获取拣货单，基于关联规则对拣货单进行关联度排序；

基于拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

设定拣货周期，建立拣货路径优化模型；

基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

2.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，关联度排序具体为，首先基于拣货单中的商品种类、数量、储位及紧急程度构建拣货单相似矩阵，之后基于拣货单相似矩阵进行关联度排序。

3.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，对与拣货车对应的拣货单及货位进行调整，具体为：

首先基于关联度排序结果，获取若干张拣货单的拣选及拣货车的剩余容量，确定需要调整的货物及数量；之后基于拣货车的车辆信息，获取拣货车的剩余容积，基于剩余容积对拣货单和货位进行调整。

4.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，拣货路径优化模型的建立过程为：设定拣货周期，在拣货周期内以调整后的拣货单集合作为目标单元，在拣货周期内以完成拣货任务的最短时间为路径优化目标，建立拣货路径优化模型。

5.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，拣货路径优化模型具体为：

其中，

上述公式中，s为货物；k为拣货单；K为拣货单集合；I为货位集合；h为拣货单k的拣货顺序；U为所有拣货单总的拣货时间；t_u为拣取每单位品项所需的时间；T_k拣货单k的拣货时间；T′_k拣货单k动态调整后的拣货时间；x_ki为第k个拣货单中第i个拣货位的货位数量；S_k为第k张拣货单拣货路径的距离；

为拣货单k+1是否包含货位i；α为拣货单k与拣货单k+1共有货位集合；β为需调整的货位集合；P_kh，e_ks，e_ks'均为0,1变量，P_kh代表当拣货单k的拣选次序为h时P_kh为1，否则为0；e_ks代表当拣货单k拣取过程中拣取被调整的货位s时e_ks取1，否则为0；e_ks'代表当拣货单k拣取过程中放置被调整的货位s时e_ks'取1，否则为0。

6.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，最短拣货路径是利用遗传模拟退火算法求解得到的。

7.根据权利要求6所述的考虑拣货单关联性的动态拣货方法，其特征在于，遗传模拟退火算法的具体过程为：

对待调整的货位集合进行编码；

在解空间内构件初始个体，构成初始种群，建立初始种群适应度函数；

基于初始种群适应度函数计算个体适应度值，进行选择、交叉、变异操作记录优良个体；

以优良个体为模拟退火算子的初始解进行退火操作，计算父代和子代的适应度值。

8.根据权利要求7所述的考虑拣货单关联性的动态拣货方法，其特征在于，对待调整拣货位进行编码，采用遗传模拟退火算法对动态拣货路径优化问题数学模型进行求解，得到最优拣货路径方案；

混合遗传模拟退火算法中采用整数编码方式，参数设定为：迭代次数T＝2000，种群规模N＝80，初始温度T₀＝50000，退火系数a＝0.99，变异概率p_m＝0.4，交叉概率p_c＝0.8。

9.根据权利要求1所述的考虑拣货单关联性的动态拣货方法，其特征在于，基于最短拣货路径进行拣货单拣选和货位调整，具体过程为：

优化拣货单k的最短拣货路径，在完成拣货单k作业的同时，将待调整的货物下架并放置在指定位置；

优化求解调整货位后的拣货单k+1的最短拣货路径，将k+1更新为k；

判断拣货单k是否为最后一张拣货单，

若是，则完成拣货单k的拣选并提取货物，所有订单拣选结束；

若否，则求解拣货单k与剩余拣货单的关联度，使关联度最大。

10.一种考虑拣货单关联性的动态拣货***，其特征在于，包括：

信息获取模块，用于获取拣货单，基于关联规则对拣货单进行关联度排序；同时获取拣货车的车辆信息，对与拣货车对应的拣货单及货物进行调整；

模型建立模块，与信息获取模块相交互，用于基于调整后的拣货单及货物建立拣货路径优化模型；

计算处理模块，与模型建立模块相交互，用于基于拣货路径优化模型获取最短拣货路径，基于最短拣货路径进行拣货单拣选和货物调整，直至拣货单拣选结束。

Images