胡鴻
摘要:針對目前訂單多品類小批量的特點(diǎn),構(gòu)建了基于聚類算法的解求解訂單分批問題的新思路。本文介紹了無人倉系統(tǒng)的構(gòu)成要素和訂單揀選模式,分析了改進(jìn)的密度峰值聚類算法,研究了基于改進(jìn)的密度峰值聚類算法的訂單分批問題的求解思路,并進(jìn)行總結(jié)。
關(guān)鍵詞:無人倉系統(tǒng);訂單;聚類算法
中圖分類號:TP18 文獻(xiàn)標(biāo)識碼:A 文章編號:1007-9416(2019)05-0108-02
0 引言
隨著物流行業(yè)的快速發(fā)展,智能倉儲、智能分批等名詞漸漸進(jìn)入人們的視野,物流訂單能在短短一天甚至是半小時內(nèi)就能完成,這樣的驚人效率主要取決于智能化的設(shè)備和相關(guān)算法研究。在對訂單分批的求解中有以下研究:李詩珍等[1]采用貨品在倉庫中位置特征向量為衡量標(biāo)準(zhǔn)進(jìn)行訂單分批,并用啟發(fā)式算法的思想求解最短揀選距離。邵澤熠等[2]利用相似度系數(shù)最高為衡量標(biāo)準(zhǔn)進(jìn)行訂單的劃分,并用改進(jìn)的遺傳算法K-means算法求解訂單分批模型問題。李曉杰[3]針對移動貨架倉庫系統(tǒng)中儲位分配和點(diǎn)分批綜合進(jìn)行考慮,提高揀選效率。王占磊[4]在雙區(qū)型倉庫環(huán)境背景中,實(shí)行多AGV并行揀選策略,詳細(xì)設(shè)計(jì)了遺傳算法求解訂單分批的思路,有效減少了揀選距離。胡小建[5]采用基于Canopy和k-means算法對訂單分批進(jìn)行求解,減少主觀因素帶來的計(jì)算偏差。
1 無人倉系統(tǒng)中訂單揀選模式概述
1.1 無人倉系統(tǒng)構(gòu)成要素簡介
無人倉規(guī)劃系統(tǒng)分為倉儲區(qū)、分揀區(qū)、生產(chǎn)加工區(qū)三部分,各個區(qū)主要由操作站臺、AGV小車、貨架、通道、貨品等要素組成。由于本文主要研究訂單分批揀選問題,所以只以揀選站臺為重點(diǎn)介紹對象,下面對各個部分進(jìn)行簡單概括:
(1)操作站臺。操作站臺包括分揀站臺、揀選站臺、打包站臺、充電站臺等,各個站臺對應(yīng)著不同的工作范圍。無人倉系統(tǒng)中揀選站主要由揀選操作人員、傳送帶、裝載訂單貨物的載貨架、上位機(jī)等組成,為了提高揀選效率,每個倉庫中都會有多個揀選臺、多臺AGV小車并行工作,每個揀選臺上有一個工作人員進(jìn)行揀選工作。(2)貨架。無人倉系統(tǒng)中的貨架用于存儲貨品,每個貨架基本類似于豎著的長方體,分為多層,一般每層由多個貨格組成,每個貨架可以放多種貨品,被稱為共享貨架[6]。(3)AGV小車。在無人倉系統(tǒng)中,AGV小車一般由兩部分組成:行駛模塊和升舉模塊,行駛部分只要使用電力為動力來源,升舉部分大約載重量為1000KG,可以用于旋轉(zhuǎn)貨架,AGV小車通過具有實(shí)時避障功能,通過陀螺儀調(diào)整角度,實(shí)時矯正AGV小車的行駛方向。
1.2 基于無人倉系統(tǒng)的訂單揀選模式
在無人倉系統(tǒng)中訂單揀選的業(yè)務(wù)流程為:倉庫中AGV小車接收到來自客戶的訂單,按照訂單揀貨信息單的相關(guān)信息,AGV小車將貨架運(yùn)送至揀選臺,工作人員揀選相關(guān)的貨品后,AGV小車將貨架運(yùn)送回貨架原位置??梢钥闯鰺o人倉系統(tǒng)是基于“貨到人”的揀選模式進(jìn)行操作的系統(tǒng),相對于傳統(tǒng)的“人到貨”的揀選模式,減少了人工成本和人工揀選時間等因素,大大提高了揀選效率。無人倉系統(tǒng)的訂單揀選模式流程圖如圖1所示。
2 訂單分批策略
2.1 傳統(tǒng)的分批策略
(1)總合計(jì)量分批。當(dāng)接收到的訂單中的品相數(shù)目達(dá)到閾值時,則將這些訂單歸為一批進(jìn)行揀選。比如閾值為100時,則表示無論多短或多長的時間內(nèi),訂單中的品相數(shù)目達(dá)到100時則將這些訂單歸為一批進(jìn)行揀選任務(wù)。(2)時窗分批。時窗分批(Batching with Time Window)也是設(shè)置閾值,該閾值為一個時間段,該方法適合于訂單量比較集中在一個時間段或比較緊急的訂單。(3)固定訂單量分批。固定訂單量采用先到先處理的基本原則,當(dāng)接收到訂單總量達(dá)到設(shè)定的閾值時,訂單歸為一批次進(jìn)行揀貨。該方法適用于客戶訂單比較持續(xù),才能保證揀選作業(yè)效率。(4)智能型分批。智能型分批是近幾年比較流行的分批方法,效率一般比傳統(tǒng)的分批方法更高。該方法是將接收到的客戶訂單經(jīng)過計(jì)算機(jī)預(yù)處理,將相似度大的訂單歸為一批進(jìn)行揀選。采用這種分批方法能大大降低揀選路徑和揀選時間,提高揀選效率和客戶滿意度。
2.2 基于改進(jìn)密度峰值聚類算法的訂單分批問題研究
2.2.1 改進(jìn)密度峰值聚類算法的算法設(shè)計(jì)
CFSFDP(clustering by fast search and find of density peaks)[7]是在聚類分析算法中一種比較新的以密度為衡量標(biāo)準(zhǔn)的算法,該算法的基本原理就是數(shù)據(jù)集合的聚類中心點(diǎn)一般具有較大局部密度值和彼此間較大距離值,然后將剩余部分的數(shù)據(jù)集按照高密度距離最小歸類 ,實(shí)現(xiàn)數(shù)據(jù)集合的最終聚類劃分。本文引入萬有引力定律改進(jìn)該算法,由該定律啟發(fā)人們,距離可以被引力F所取代,從而有一個更好的度量標(biāo)準(zhǔn)來檢測粒子聚類中心和異常點(diǎn),所以依據(jù)次思想改進(jìn)密度峰值聚類算法,并將改進(jìn)后的新算法用到訂單分批中求解訂單分批問題。改進(jìn)后算法的參數(shù)公式如下:
參數(shù)解釋如:式(1)中為數(shù)據(jù)點(diǎn)的局部密度值,S為數(shù)據(jù)集合,S={1,2,.......n},為指標(biāo)函數(shù),是數(shù)據(jù)點(diǎn)i與j之間的歐氏距離,是人為設(shè)定的截?cái)嗑嚯x,它被定義為:,代表各數(shù)據(jù)點(diǎn)的平均局部密度為總數(shù)據(jù)量的,其中式(1)適用于對海量的數(shù)據(jù)集的計(jì)算,式(2)適用于對較小規(guī)模的數(shù)據(jù)集。式(3)中表示高密度最小距離,當(dāng)該數(shù)據(jù)點(diǎn)為最高密度時,其值為離該點(diǎn)最遠(yuǎn)點(diǎn)的長度,即。式(4)為原算法的改進(jìn)地方,利用該式(4)替代原算法中的式(3),即由和畫決策圖,然后選取決策中心。
2.2.2 改進(jìn)密度峰值聚類算法求解訂單分批問題的研究
步驟4:計(jì)算訂單的局部密度,以訂單的中心點(diǎn)位圓心,截?cái)嗑嚯x為半徑畫圓,落在園內(nèi)的中心點(diǎn)坐標(biāo)的個數(shù)就是訂單的局部密度,圓內(nèi)的中心點(diǎn)數(shù)量越多表示密度越大,該訂單就越可能成為聚類中心。
步驟5:計(jì)算訂單到更高密度點(diǎn)的最小距離。
步驟6:計(jì)算各個訂單之間的密度引力。
步驟7:以局部密度為橫坐標(biāo),密度引力的倒數(shù)為縱坐標(biāo),畫出決策圖,通過觀察決策圖選取兩個值都同時較大的點(diǎn)為聚類中心;或者計(jì)算局部密度和密度引力倒數(shù)的乘積,該值越大,說明該中心點(diǎn)為聚類中心點(diǎn)概率越大。
步驟8:將其余訂單按照聚類后生成的的密度引力大小進(jìn)行歸類。
步驟9:將分好批次的訂單放入無人倉系統(tǒng)中進(jìn)行實(shí)驗(yàn)驗(yàn)證。
以上是對該算法應(yīng)用于訂單分批問題的求解思路,可能不是很成熟,后續(xù)還會繼續(xù)深入研究。
3 結(jié)語
本文主要介紹基于改進(jìn)聚類算法的訂單分批問題研究,包括密度峰值聚類算法的改進(jìn)設(shè)計(jì)和應(yīng)用于訂單分批的求解思路。該算法相對于其他聚類算法來說比較新,目前對于該算法的研究大多集中在改進(jìn)算法上,對算法實(shí)際應(yīng)用研究比較少,所以本文嘗試將該算法進(jìn)行改進(jìn)并用于實(shí)際問題的研究中,所以比較有研究潛力和研究價值。
參考文獻(xiàn)
[1] 李詩珍,杜文宏.基于聚類分析的訂單分批揀貨模型及啟發(fā)式算法[J].統(tǒng)計(jì)與決策,2008(12):53-56.
[2] 邵澤熠,董寶力.基于改進(jìn)遺傳K-均值算法的多品種小批量訂單分批方法[J].浙江理工大學(xué)學(xué)報(自然科學(xué)版),2018,39(6):732-738.
[3] 李曉杰.移動貨架倉庫系統(tǒng)中貨位分配和訂單分批聯(lián)合優(yōu)化研究[D].清華大學(xué),2016.
[4] 王占磊.配送中心訂單分批及揀選路徑優(yōu)化問題研究[D].吉林大學(xué),2013.
[5] 胡小建,韋超豪.基于Canopy和k-means算法的訂單分批優(yōu)化[J].合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2017,40(3):414-419.
[6] 黃亞.零售商競爭環(huán)境下延保服務(wù)協(xié)調(diào)策略研究[D].電子科技大學(xué),2016.
[7] Rodriuez A, Laio A. Clustering by Fast Search and Find of Density Peaks[J]. Science, 2014(344):1492-1496.