拣选优化

拣选优化（精选八篇）

拣选优化 篇1

目前, 我国的电子商务行业发展迅速, 电商每天要处理的订单也呈现爆炸式增长, 而在配送中心内部, 拣选作业占用了整个订单处理过程60%以上的时间。因此, 提高拣选作业的效率, 是提高物流效率的有效途径。传统的“人到货”拣选模式需要大量的人工, 拣选时间较长, 效率不高, 而且容易出现差错。面对大量的订单拣选任务, “货到人”模式成为了电商订单拣选的发展趋势。

在订单拣选的过程中, 影响拣选效率的因素主要有:系统的配置、存储策略、拣选路径、订单分批、分区拣货策略等。[1]笔者在不考虑系统配置的情况下, 主要从订单分批、拣选路径、任务分配这三个方面, 综述“货到人”模式下的拣选优化问题, 并且重点找出适合使用AGV小车将货架搬运到固定拣选台的“货到人”模式的拣选优化方法。

订单分批

1.订单分批的含义和作用

订单分批, [2]是对客户下达的多个订单进行汇总、分类, 然后再将订单按照一定的分类方式, 将订单划分成不同的批次对订单进行拣选。订单分批拣选的策略是Ackerman在1990年首次提出的, 后续学者开始逐渐重视该问题。[3]

对电子商务企业来说, 订单的到达往往是随机且不可预知的, 而且对一般的电子商务企业来说, 订单总体呈现出多批次、少批量的特点。若按照订单到来的先后顺序, 对订单进行逐个拣选, 不仅浪费时间和人力物力, 而且拣选路径长, 作业成本高且效率低下。因此, 应考虑将订单按照一定的方式进行分批, 通过对订单进行批次拣选, 提高分拣的效率, 降低分拣的成本。对订单进行合理的分批, 是保障订单在最短的时间内得到处理的关键环节。

2.订单分批策略

根据不同行业、企业订单到达具有的不同特点, 订单分批主要有以下几种不同的方式:合计量分批、固定订单量分批、时窗分批、智慧型分批。[4]其中, 合计量分批与固定订单量分批, 都是当订单达到一定数量后才开始拣选, 只考虑到了订单的数量, 并未考虑订单的具体品项信息及其在仓库中的位置。因此, 其分批具有很大的局限性, 实际应用的也很少。目前, 应用较多的是时窗分批和智慧型分批。

(1) 时窗分批。时窗分批, 是指开启一定时间长度的窗口, 将该时间段内所到达的订单汇总成一批, 然后, 待该时间窗口结束后立即开始拣货作业。时窗分批又分为静态时窗分批和动态时窗分批。[5]静态时窗分批由于划分的时间段固定, 但是订单到达并非均匀, 因此容易造成各时间段的工作量忙闲不均, 而动态时窗分批则很好地弥补了这一点。但是对动态时窗的划分, 需要根据订单的到达特性来确定。因此, 其波动性及要求的计算量较大。李诗珍等针对固定时窗分批的不足, 提出了时窗大小的动态设计方法。[6]De Koster研究了人工拣货系统中订单随机到达仓库的动态时窗分批, 考虑时窗不固定, 但每批订单中品种数相等的情况。[7]马士华等将延迟制造思想引入到配送中心拣货作业中, 提出基于时间延迟的动态时窗分批策略, 消除了目前拣货系统存在的等待时间和块状需求现状, 保证拣货系统运行的连续性和均衡性。[8]王旭坪等采用改进的固定时间窗订单分批启发式规则求解模型, 构建了综合考虑紧急程度和相似度因素的在线订单分批算法。[9]

(2) 智慧型分批。订单经过汇集后, 经过较复杂的电脑计算程式, 将拣取路线相近的订单集中处理, 可大量缩短拣选行走距离。由于智慧型分批在分批时考虑了订单的相似性及拣货路径的顺序, 因而使得拣货的效率更高, 但是该方法在运行过程中, 需要较高的技术要求及自动化程度。随着科学技术的进步及对工作效率的要求, 该方法的应用也越来越普遍。Hsu C M等、魏伟根据订单的相似性原理, 提出对订单进行优先度智能分批策略进行分批, 建立了以最小化拣货行走路程为目标函数的数学模型。[10,11]孙洪华等建立了以最小拣货路径距离为目标函数的分批与路径优化的组合数学模型。[12]李云以订单之间的关联度最大化为目标, 建立0—1整数规划以划分波次, 进行订单分拣。[13]

3.订单分批模型与算法

对订单的分批, 往往以拣选距离最短或拣选时间最短来建立数学模型, 目的都是提高拣选效率。在求解的过程中, 由于订单分批问题是一个NP-hard问题, 所以许多学者着力于研究启发式算法来解决它。

研究人员分别采用不同的算法求解订单分批模型, 主要有聚类算法、订单包络算法、遗传算法、模拟退火算法、蚁群算法等。[14]这些算法均建立在分批模型是单目标函数的基础上, 而且这些算法大多模拟一些自然现象, 来产生近似的最优解。各算法在计算量及计算速度上有所不同, 有时候通过单纯的一种算法往往很难产生最优解, 因此近年来开始流行将不同的算法进行结合, 使用改进的智能算法来达到更好的效果。

4.使用AGV小车拣选环境下的订单分批

使用AGV小车拣选, 是一种新型的拣选方式, 类似于亚马逊的Kiva机器人。它通过AGV小车将订单品项所在的货架搬运到拣选台前, 拣选人员拣取品项后, AGV小车再将货架运回原位置。该方式将会越来越多地应用到配送中心中。

在使用AGV小车拣选的情况下, 当订单的信息已知, 那么, 其品项所在的货架信息也为已知。完成了所有货架的搬运工作, 也即完成了订单的拣选工作。但是考虑到电商订单的数量较大及其对时间的要求, 应将订单按时间来进行分批, 以便在要求的时间内完成更多的订单拣选任务。

拣选路径优化

订单拣选的路径, 往往从起始点出发, 将所需品项拣选完毕后又回到起始点。在“货到人”的模式下, 也需要按照一定的顺序, 将货物从货架运送到拣选台。运送顺序的不同, 也即拣选的路径不同, 这对订单的拣选效率都有影响。

1.路径策略

订单拣选的顺序与路径, 与仓库的货架布局及拣选设施有关。在拣选的过程中, 有S型拣选策略、返回型策略、中点型策略、最大间隔策略、组合策略等。不同的路径策略, 针对不同的仓库布局和订单的到达特性、订单数量的多少不同, 其优化的效果也不同。

Hall、Hwang运用仿真的方法, 比较穿越策略、中点返回策略、最大间隙策略三种不同策略对拣货路径的影响, 认为最大间隙策略优于另外两种策略。[15,16]周丽等针对返回型和S型拣选方式, 建立了拣选距离的随机模型, 并通过在4种物品订购频率和货位分配情况下对两种策略进行比较, 得出其各自适用的情况。[17]Galvez通过仿真认为, 当拣选数量较小时, 中点型策略能取得更好的效果。[18]在实际的研究应用中, 往往先选定某种路径策略, 然后再对其路径进行优化。

2.路径优化的模型与算法

在对路径优化的过程中, 大多以拣选路径最短为目标, 或者以拣选时间最短为目标建立数学模型。而电商企业在实际的操作中, 一般都是多个拣选任务同时进行, 因此, 以总拣选路径最短为目标, 虽然可以缩短整体的路径长度, 但是拣选完所有订单的时间并不一定最短。可能由于各个拣选任务分配的订单数量不均匀, 而造成每个拣选任务完成的时间长短不一。路径长的拣选任务花费的时间较长, 同时造成其他任务的等待浪费。因此, 以时间最短建立数学模型更贴近于实际, 优化效果更好, 但同时也增加了计算的复杂程度。

订单拣选的路径问题类似于旅行商问题 (TSP) , 是NP-Hard问题, 其计算量随着拣选量的增大而呈指数形式增长。针对该问题, 用普通的精确算法很难对问题进行求解, 需要采用智能算法来找出最优解。Henn运用基于聚类的禁忌搜索算法找到最佳拣选路径。[19]王宏等、邵刘霞等应用遗传算法对模型进行求解。[20,21]

在以往的研究中, 更多的研究选择, 是用遗传算法及改进的遗传算, 来对路径优化问题进行求解。遗传算法具有很高的并行性和鲁棒性, 可以同时搜索解空间的多个区域搜索信息, 沿多种路线进行平行搜索, 从而降低算法陷入局部最优解的可能性, 并且其思想简单, 具有良好的可操作性, 因此在求解TSP问题中可取得较好的效果。

3.使用AGV小车拣选环境下的路径优化

在使用AGV小车的拣选环境下, 由于货架的位置和拣选台的位置都固定, 货架到拣选台的距离也是固定的, 都是将货架从存放区运到拣选台, 再从拣选台运回到存放区的距离。因此, 在对路径优化的时候忽略此部分距离, 只需考虑AGV从一个货架到另一个货架之间的距离。所以在研究的过程中, 可以将整个路径优化问题归结为TSP问题。

由于在企业的实际操作中, 存在多个AGV小车, 因此, 可将路径优化问题看作有多个旅行商的路径优化问题。另外, 还可将整个搬运路径看作单个旅行商的路径优化问题, 然后, 在整条路径上通过插入节点的方式, 作为每个AGV小车搬运的第一个货架位置。这种方式更有利于后面对于AGV小车的任务均衡分配问题。

拣选任务分配

在拣选的过程中, 一个波次的订单, 通常由几个拣选人员合作来完成整个拣选任务。在“货到人”的模式下, 即由几台设备同时来完成同一个波次的拣选。参与拣选的人员或者设备越多, 则拣选的效率会越高, 因此在实际拣选作业中, 往往选择多个人员或设备来共同完成拣选的任务。对于不同设备分配的任务不同, 任务量大的拣选时间长, 任务量少拣选时间短, 会造成整体的拣选时间延长, 同时造成其他设备的空闲。因此, 需要对拣选任务进行合理分配, 使得总拣选时间最短。

1.任务分配策略

目前, 电商的配送中心广泛采用分区拣选的模式, 而对于不同的设备, 通常也是按照分区对任务进行分配。在分区拣货的模式下, 有串行拣选策略和并行拣选策略。[22]串行拣选, 是拣选完一个区域后, 才能开始拣选下一个区域。因此, 对于一个批次其完成时间较长, 同时, 某一个区域的拣选出现问题会使得整个拣选受到影响, 其柔性较差。而并行拣选, 则是对多个分区同时进行任务拣选, 最终的拣选时间由花费时间最多的分区来决定。并行拣选的方式, 可以大大减少拣选的时间, 因此在实际应用中大多选用并行的方式。

对拣货区的分区有静态分区方式和动态分区方式两种。为了达到各分区工作量的均衡, 针对静态分区, 采用分配不同数量的设备或人员, 来使各拣货区的工作量较均衡;而对于动态分区, 则是通过分区的动态变化, 将不同的区域划分给每个设备或人员来达到工作量均衡的目的。李晓春等通过订单拣货顺序的优化及拣货员所在分区的动态分配, 使得分区间等待时间减少, 提高拣货效率。[23]张培培针对静态分区, 根据历史订单的特性, 对各分区的储位进行优化, 使得各个分区的工作量较均衡。[24]对任务进行分配的最终目的, 是使得拣选时间较短, 在一定的时间内尽量完成较多的订单拣选任务。

2.任务分配模型与算法

对参与拣选的人或设备进行任务分配, 需要考虑多方面的因素, 其与订单分批和路径优化一样, 也属于NP难题, 需要应用智能算法对问题进行求解。在研究中, 大多以拣选时间最短为目标建立数学模型。Jane提出了几种不同的智能启发式算法, 平衡多个拣货员之间的工作量并且调整拣货区的大小。[25]Gregor设计了基于相似系数的动态聚类算法, 根据订单的相似度进行分区分配任务。[26]雷斌等按照订单品项在各分区的分布情况, 建立了人员动态分配模型, 并运用启发式算法对模型进行求解。[27]

通过智能算法对模型求解, 最终使得任务的分配较为均衡, 但并不能达到完全平均分配。

3.使用AGV小车拣选环境下的任务分配

使用AGV小车来搬运货架, 花费的时间主要在于搬运的行走路径及搬放货架所用的时间。在搬运路径上, AGV小车需要搬运货架到拣选台, 然后, 再从拣选台搬回到原位置。放下货架后, 开始下一个货架的搬运。因此, 若需要对AGV小车进行任务分配, 需要综合考虑这几部分的时间, 将所需要搬运的货架分配给AGV小车, 使得各台AGV小车的搬运任务较均衡。

通过以最小拣选时间为目标建立数学模型, 在前面研究的单个旅行商TSP问题的基础上, 通过插入节点的方式, 对整个搬运任务进行分段, 综合考虑搬运过程中各部分所花的时间, 找到最终节点插入的位置, 才能达到任务尽量均衡分配的目的。

结论

笔者针对电子商务的订单拣选过程, 主要从订单分批、拣选路径、任务分配这三个订单拣选过程中的主要流程出发, 研究了学者们对这三个方面的优化方法和策略, 并对其进行了分析评价, 从中找到适合使用AGV小车情况的“货到人”模式的优化方法和模型。

拣选怎么造句 篇2

2、我这话不是指着你们众人说的，我知道我所拣选的是谁。

3、然而，耶和华以色列的神在我父的全家拣选我作以色列的王，直到永远。

4、你所拣选，使他亲近你，住在你院中的，这人便为有福。

5、相信神拣选你，并要你与为你钉死在十架上的耶稣有一份美好的关系；

6、蒙拣选的太太指代教会本身，而不是特定的某一个人，不过这只是一种猜测。

7、耶和华专爱你们，拣选你们，并非因你们的人数多于别民，原来你们的人数在万民中是最少的。

8、耶稣被父派遣，更好的说法是被父拣选。

9、不是显给众人看，乃是显给神豫先所拣选为他作见证的人看，就是我们这些在他从死里复活以后，和他同吃同喝的人。

10、虽然保罗是耶稣基督亲自拣选的使徒，但他没有因这个位置而骄傲。

11、被拣选表达了一种特殊的关系，那就是通过独一无二的方式被认识，被爱，并被选择出来。

12、那时大卫说，除了利未人之外，无人可抬神的约柜。因为耶和华拣选他们抬神的约柜，且永远事奉他。

13、请记住，那些触怒你的基督徒们——神同样拣选了他们。

14、所以，他说要灭绝他们。若非有他所拣选的摩西站在当中（原文作破口），使他的忿怒转消，恐怕他就灭绝他们。

15、你要再宣告说，万军之耶和华如此说，我的城邑必再丰盛发达。耶和华必再安慰锡安，拣选耶路撒冷。

16、耶和华赐我许多儿子，在我儿子中拣选所罗门坐耶和华的国位，治理以色列人。

17、愿你用手帮助我。因我拣选了你的训词。

18、耶稣是被拣选的那一位。

19、耶和华对我说，你儿子所罗门必建造我的`殿和院宇。因为我拣选他作我的子，我也必作他的父。

20、耶和华必收回犹大作他圣地的分，也必再拣选耶路撒冷。

21、但选择耶路撒冷为我名的居所，又拣选大卫治理我民以色列。

22、天主的爱子，在永恒中被拣选，被“掰碎”在十字架上，因此这一个生命可以倍增为无数个，而成为所有地域所有时代的人的食粮。

23、要知道，基督的圣诞节是神所拣选的时间，来教导我们圣诞节就是重建我们信仰的时刻。

24、他说，自从我领我民以色列出埃及以来，我未曾在以色列各支派中选择一城建造殿宇为我名的居所，但拣选大卫治理我民以色列。

25、耶和华拣选谁,谁就为圣洁.你们这利末的子孙擅自专权了!

26、祂被拣选，蒙受祝福，“掰碎”而被交付。

27、我熬链你，却不像熬链银子。你在苦难的炉中，我拣选你。

28、耶和华但喜悦你的列祖，爱他们，从万民中拣选他们的后裔，就是你们，像今日一样。

29、作为主喜爱的孩子，我们应该确信，当我们像主所拣选和祝福的孩子那样生活时，我们微不足道的生命，就已被“掰碎”交付给他人了。

拣选优化 篇3

旋转货架是自动化立体仓库的重要组成部分,其高灵活性、快速度的特点,已成为高效自动化仓库的重要存储形式。对单伺服机水平旋转货架拣选路径的优化将极大地提高自动化仓库的作业效率,从而提高自动化仓库的整体效益。蚁群算法ACA (Ant Colony Algorithm)是由意大利学者M.Dorigo,V.Maniez-zo,A.Colorni等人首先提出来的[1,2,3,4,5],后来又有许多学者提出对它的改进方案,例如最大最小蚁群算法Max-Min Ant System Algorithm(MMASA)[6],具有新型遗传特征的蚁群算法[7]等,但是在求解这种大规模的组合优化问题时,算法本身所固有的搜索时间长、收敛速度慢、易陷于局部最优解等弊端暴露无遗[6]。为了克服常规蚁群算法的缺陷,提高求解速度和质量,根据遗传算法中的交叉操作对该算法进行了改进,提出更为合理的一种算法。仿真试验验证了这种算法能够快速高效实现中、大规模组合优化问题的求解。

2 分层水平旋转货架的拣选路径优化问题的提出

分层水平旋转货架由多层水平旋转的货架重叠放置构成,各层货架可以独立的正向或反向旋转。在旋转货架的一端有一台升降机(伺服机),可以上升或下降到某层的高度,升降机与旋转货架的运动是相互独立的。结构如图1所示:

分层水平旋转货架是通过顺序执行一个个货单完成入库出库作业,货单由管理计算机发送到旋转货架的控制计算机。每个货单包含若干条目,每1个条目对应1条对旋转货架某一个货箱的存取命令。分层水平旋转货架的作业过程为:当旋转货架接收到管理计算机发送过来的货单后,升降台和各层旋转货架同时开始运动,为下一次访问做准备。当升降台和第一条目所对应的层的旋转货架均已准备就绪后,升降台的操作员对第一条目所对应的货箱进行存取货物操作,操作完毕再访问货单中的下一条目。依次类推,直到顺序执行完货单中的所有条目。最后升降台升降到货台的高度,送出货箱。整个过程中,升降台和各层旋转货架每时每刻都在为下一次做准备工作,直到不再被访问为止。至此,一个完整的货单执行过程结束,旋转货架等待接收下一个货单。

执行一个货单所需要的时间为目标函数F(P)如:F(P)=T(0,N)+Ts(S(N),1) (1) 其中P是一个具有N条条目的货单的一种存取路径;S(N)表示货单层数的集合;T是从执行完第i条条目开始到执行完第j条条目所需要的时间,满足于:

其中OP为对货箱存取货物所需时间;TPC(k)是第k条条目所在层的旋转货架从第k-1条条目执行完开始到准备就绪所需要的时间,满足于:

其中k*(i)为第k条条目被执行前的第i层最后被访问的条目号(若第i层未被访问过则令k*(i)=1);Ck为第k条条目对应的货箱的列号;Sk为第k条条目对应的货箱的层号,TC(i,j)是指旋转货架由i号货箱在升降机前旋转到j号货箱位于升降机前所需要的时间,满足于:

其中Col为每层货架的列数,M为旋转货架转过一个货箱位置所需要时间;

式(2)中的TPL(k)是升降机为执行第k条条目所需要的净准备时间,它满足于:

其中TS(i,j)是升降机从i层运动到j层所需要的时间,满足于:

其中,U为升降机上升一层所需要的时间;D为升降机下降一层所需要的时间。

显然,若改变货单中各个条目的顺序将对应不同的存取路径,不同的存取路径所对应的存取时间也不同。寻找具有最小存取时间的分层水平旋转货架存取路径优化问题,是一个典型的组合优化问题。

3 算法的实现

用蚁群算法来实现分层水平旋转货架拣选路径的组合优化问题有2个特点:

(1) 需要增加一个节点,因为它每一次总是在同一个位置出发,最后回到这个位置,这个位置是所必需的;

(2) 一个货单给定之后,所有要取得条目是确定的,不同的是在每一次货物拣选的过程中,条目的相对距离是变化的,该距离称为动态距离。

3.1 蚁群算法中的动态距离和蚂蚁个数的确定

3.1.1 蚁群算法中的动态距离

(1) 随机产生一个货单;

(2) 蚂蚁根据轮盘赌选择法从初始位置开始找可能去的第一个条目,找到第一个条目后,求得第一个条目和初始位置之间的距离;

(3) 蚂蚁仍然根据轮盘赌选择法开始从第一个条目的位置找第二个条目,找到第二个条目之后,在计算第一个条目到第二个条目之间的距离时,要仍从初始位置开始计算,求得了第二个条目和初始位置之间的距离后再减去第一个条目到初始位置之间的距离,从而得到第一个条目到第二个条目之间的距离;

(4) 依此类推根据轮盘赌选择法,确定要去的第三条、第四条条目等,同时得到它们之间的距离;

可以看出,即使是相同的2个条目,如果拣选的先后顺序不同,它们之间的距离一般是不同的,即它们之间的距离是动态变化的。

3.1.2 蚁群算法中蚂蚁个数的确定

蚁群算法中蚂蚁的个数的确定和所求解问题有关系,例如对于TSP问题,蚂蚁的个数和城市的个数相等;但是对于单伺服机水平旋转货架的拣选路径优化问题而言,蚂蚁的个数只有1个,原因之一是拣选的初始位置是一定的,原因之二是条目和条目之间的距离是动态距离,这2个原因使得不在初始位置开始拣选得到的最优路径和在初始位置开始拣选得到的最优路径是不同的。

3.2 算法改进

蚁群算法与其他的随机优化方法一样具有搜索时间长、收敛速度慢、易陷于局部最优解等缺陷。特别是对于本文中的问题只有1个蚂蚁,导致搜索的空间变小, 使得这种缺陷更为明显,为了克服这些缺陷,构造了交叉蚁群算法。

3.2.1 多样性因子、交叉概率和杂交算子

根据蚁群算法,蚂蚁的转移是根据信息量的多少和两个条目之间的距离;各路径上的信息量在第一次时是相同的,蚂蚁转移则主要是条目之间的距离;同时因为只有一个蚂蚁。所以在第一次转移中蚂蚁所走的路径不一定是最优路径,这样随着以后的正反馈作用会使得走这条路径的概率变大,从而很容易陷入局部最优解,因此要扩大搜索空间,下面引入多样性因子、交叉概率和杂交算子。

多样性因子[8]:表示遗传算法在计算过程中群体多样性的一个数值。用式(7)表示:s

式(7)中fmax为群体中最优个体的适合度;fav为群体中个体的平均适合度;kk为系数。

交叉概率[8]用式(8)表示:

式(8)中fk为计算时个体的适合度; kc1,kc2为系数。

杂交算子[9]主要用于演化规划(Evolutionary Programming)、遗传算法(Genetic Alogorithm)等进化算法。根据所求解问题的不同,解的表示方式不同,杂交算子就会不同。

3.2.2 交叉蚁群算法基本思想

根据最初几次的迭代得到多样性因子,然后根据多样性因子的大小求出交叉概率,其中迭代计算出的多样性因子可能比较小,说明解空间比较小,需要增加交叉概率,这时根据式(8)可知交叉概率中的第一项起主要作用,如果下一次迭代的适合度fk接近平均适合度fav,这说明有可能陷入局部解,解决这个问题的方法是跳出局部,这就需要进一步增加交叉概率的大小,根据式(8)第一项可知交叉概率会继续变大从而解决了这个问题;如果下一次迭代的适应度fk与平均适应度fav相差较大时,这说明可能跳出了局部,就不需要进一步增加交叉概率,则此时式(8)第一项为一个小的常数。多样性因子也可能比较大,说明对解空间可以进一步搜索,这时交叉概率中的第二项起主要作用,不管下一次迭代的适合度fk与平均适合度fav的关系如何,交叉概率保持一定的范围。下一步就是根据交叉概率的大小计算出杂交算子杂交段的大小,最后对父体进行交叉后迭代计算新的路径。

在杂交之前要选择父体,考虑到只有一个蚂蚁,所以选择每次迭代前后这两次的蚂蚁所走过的路径即为父体。

3.2.3 交叉蚁群算法的步骤

(1) 根据蚁群算法得到这一次蚂蚁所走的路径;

(2) 根据式(7),(8)得到多样性因子,交叉概率,然后根据交叉概率的变化得到杂交段的大小;

(3) 根据上一次和这一次所走的路径作为父体进行杂交;

(4) 根据杂交的结果,计算所走的路径并和最优的、平均的路径进行比较,如果小于最优的则100%的按照杂交后的更新信息量,如果介于最优和平均之间则50%的按照杂交后的更新信息量,如果大于平均的则不更新;

(5) 返回到第一步继续计算,根据迭代的次数或者进化的不明显结束计算;

(6) 输出结果。

4 仿真结果及比较

为了评价优化算法的优化程序,定义:

效率提高率$=\left(\frac{\text{原}\text{货}\text{单}\text{的}\text{代}\text{价}}{\text{优}\text{化}\text{后}\text{货}\text{单}\text{的}\text{代}\text{价}}-1\right)\times 100\%(9)$

以济南某自动化立体仓库中的旋转货架为例,该货架共有5层,每层200个货仓。拣选台每上升或下降1层,货架相对转过5个货仓。货仓与拣选台到位后取出货物所占用的时间,货架相对转过10个货仓。 参数为Mr=5,Nr=10。

考虑到是离线处理和现在计算机的快速性,以及在仓库中的限制,1次拣选作业的货单不能超过50条,对1次拣选作业中含有10条、20条、30条、40条和50条的货单随机产生了100组拣选点,分别用最大最小蚁群算法和交叉蚁群算法2种方法进行求解, 并进行比较,程序使用C++编写,并在方正933PC机上运行通过。结果如表1所示:

针对最大最小蚁群算法和交叉蚁群算法,特定选择相同的30条货单进行优化,对其收敛的速度进行比较。货单如下:(1,18), (2,170), (1,192), (3,43), (2,57), (1,130), (4,58), (2,100), (1,45), (5,30), (4,100), (3,150), (2,70), (5,130), (1,110), (3,169), (5,24), (2,158), (4,93), (3,81), (4,143), (3,142), (2,88), (1,71), (5,70), (4,21), (3,64), (1,94), (2,17),(3,160);比较的结果如表2所示:

优化前的货单所需要的单位时间为830,使用最大最小蚁群算法经过2 000次迭代优化后的货单为:(1,18), (2,170), (3,43), (4,58), (5,30), (2,57), (1,130), (3,64), (4,21), (5,70), (2,100), (1,45), (2,88), (2,70), (4,100), (3,150), (3,169), (5,130), (3,142), (4,143), (1,192), (3,81), (4,93), (5,24), (2,17), (1,110), (1,94), (2,158), (1,71), (3,160),所需要的单位时间为626, 效率提高率为32.6%;使用交叉蚁群算法经过2 000次迭代优化后的货单为:(1,18), (2,170), (3,43), (4,58), (5,30), (1,71), (3,64), (4,21), (5,70), (2,100), (1,45), (2,88), (3,150), (2,70), (3,169), (4,100), (5,130), (3,142), (4,143), (1,192), (2,158), (3,81), (4,93), (5,24), (1,110), (1,94), (2,17),(1,130), (2,57), (3,160),所需要的单位时间为568, 效率提高率为46.1%。

可以看出交叉蚁群算法比最大最小蚁群算法优化效果要好,同时加快了收敛的速度,节省了搜索时间,改善了停滞行为的过早出现。

5 结 语

对于单伺服机分层水平旋转货架的拣选路径这种组合优化问题,蚁群算法不容易找到接近全局最优的次优解。根据遗传算法中的交叉操作、构造交叉蚁群算法、计算机仿真结果表明该算法的有效性,为组合优化问题的研究和求解提供了一种新的途径。

摘要：单伺服机分层水平旋转货架存取路径优化问题是一个特殊的TSP问题,为NP完全难题。使用蚁群算法来求解该问题,搜索时间长、收敛速度慢、易陷于局部最优解。为此,根据遗传算法中的交叉操作对该算法进行了改进,构造交叉蚁群算法,并进行计算机仿真,结果表明该算法能较快地找到最优解。

关键词：交叉蚁群算法,蚁群算法,遗传算法,分层水平旋转货架,拣选路径优化

参考文献

[1]Marco Dorigo,Vittorio Maniezzo,Alberto Colorni.Ant Sys-tem:Optimization by a Colony of Cooperating Agents.IEEETransactions on System,Man and Cybernetics Part B:Cy-bernetics,1996,26(1):29-41.

[2]Davis L,The Handbook of Genetic Algorithms[M].NewYork:Van Nostrand Reing Old,1991.

[3]Colorn A,Dorigo M,Maniezzo V.Distributed Optimation byAnt Colonies[J].In:Proc 1st Euopean Conf.Artificial Life.Pans,France:Elsevier,1991:134-142.

[4]Colorni A,Dorigo M,Maniezzo V,et al.Ant System for Job-Shop Scheduling[J].Belgian Journal of Operations Researchand Statistic Computing Science,1994,34(1):39-53.

[5]Dorigo M,Gambardella L M.Ant Colony System:A Cooper-ative Learning Approach to the Travelling Salesman Prob-lem[J].IEEE Transactions on Evolutionary Computation,1997,1(1):53-66.

[6]Stutzle T,Hoos H.The MAX-MIN Ant System and LocalSearch for the Travelling Salesman Problem[J].Proceedingsof IEEE-IECE-EPS'97,IEEE International Conference onEvolutionary Computation and Evolutionary ProgrammingConference,1997:309-314.

[7]张静乐,王世卿,王乐.具有新型遗传特征的蚁群算法[J].微计算机信息,2006(2):261-263.

[8]杨振强,王常虹,庄显义.自适应复制、交叉和突变的遗传算法[J].电子科学学刊,2000(1):112-117.

[9]陈烨.带杂交算子的蚁群算法[J].计算机工程,2001(11):74-77.

聚焦“货到人”拣选 篇4

“货到人”技术并不是新生事物。但是近年来,电子商务的快速发展,改变了消费者的购物习惯和企业的商业运作模式,为了应对多品种、小批量、多批次的碎片化订单,满足消费者对送货时效性的要求,企业迫切需要加快订单处理速度;同时为了应对劳动力成本上升、作业人员稳定性下降的压力,企业需要以更加自动化的物流系统取代人工操作。在这样的情况下,“货到人”技术以拣选效率高、存储密度高、降低劳动强度、节省用工数量等优势,越来越受到企业关注。在电商、医药、冷链等行业的物流配送中心,以及服装、食品、化妆品、奢侈品等物流领域,均有应用“货到人”拣选技术的需求。

本期专题中,我们邀请国内外主流的物流系统集成商与咨询公司,分析介绍了“货到人”拣选系统的组成部分、发展状况和应用案例,为企业更全面地了解其特点以便更好地做出选择提供参考。

拣选解决方案全解析 篇5

数据显示:拣选作业约占仓库运营成本的40%～60%,拣选无疑是整个仓储作业中占用劳动最密集、耗时最多、运营成本最高的环节,其效率及准确率直接决定了物流配送中心的运转效率及服务质量,其重要性不言而喻。除了医药、连锁零售等对拆零订单拣选需求较大的行业,随着电商的快速发展,海量SKU加之碎片化的订单处理量大幅攀升,无疑对订单拣选提出了更高的要求。

市场需求的增加和要求的提高,促使物流技术装备企业不断创新拣选解决方案,从传统的纸单拣选,到电子标签拣选、RF拣选、语言拣选等“人到货”技术,以及近年来颇受关注的“货到人”技术,多种拣选解决方案可供企业选择。其中,仅“货到人”拣选方案便有很多种不同的实现方式,如类Kiva机器人拣货系统等等。那么,企业如何根据自身的业务特点、现场条件和投资规模来选择适合的拣选方案?应该考虑哪些因素?有哪些值得关注的方面?如何在高效达成拣选作业目标的同时尽可能降低成本?本期专题将通过采访行业代表企业及专家,为读者全面了解并选择适用的订单拣选方案提供参考和帮助。

澳大利亚首例货到人拣选系统 篇6

Blackwoods是西农(澳大利亚最大的零售商之一)工业与安全部门最大的业务板块,在澳大利亚的工业服务领域扮演着至关重要的角色,其服务涉及开采、制造到零售,保健与教育。业务所涉产品种类广泛,每年要向客户发送多达300000种不同品规的货品。

同时,Blackwoods的客户需求多样化程度之高绝不亚于其产品品类之多。要为客户提供超群的服务,提升其满意度,必备的条件是高效与及时的配送服务。为达此目标,Blackwoods付出了艰辛的努力,在人员、技术与资源等各方面进行投资,尽最大努力兑现准时送达的承诺,不断完善供应链网络。

新配送中心货到人拣选方案

Blackwoods将以前的2个配送中心合二为一,在悉尼西部郊区Greystanes建立了一座新配送中心,占地14000平方米,该中心集成了德马泰克2代多层穿梭车以及货到人订单履行系统,是澳大利亚的首例。

系统启动订单时,料箱货品从多层穿梭车取出后,按订单需要精确排序,经巷道旁的提升机送到货到人拣选站。拣选人员按照订单要求完成拣选任务后,将订单料箱经输送线送至高层托盘区和普通货架区,在那里借助语音系统将其余的品规拣选至料箱。之后订单料箱送至中央输送机的卸放段和分拣系统,再分拣到相应的发货道口,检验、包装最后发运。

整套系统作业都在德马泰克仓库控制软件的掌控中,包括货到人拣选站的物料流向,托盘拣选区与普通货架区的语音拣选作业以及订单从系统流向送货区的整个流程。与Blackwoods的仓库管理软件无缝集成后,仓库内整个拣选作业便一目了然,为Blackwoods提供了系统实时作业状态以及订单状态数据。

创新的2代多层穿梭车系统

Blackwoods新配送中心集成了复杂的2代多层穿梭车系统,其主要针对料箱作业,包含了两个巷道和25层货架。整个系统共有超2万个料箱货位,可存储多达3万多种品规货物,并以每小时1000个料箱货的速度向货到人拣选站喂货。

多层穿梭车的排序功能多以先重后易碎的原则,按照货品类别或者其他事先设定的原则,确保非常高速的作业效率及订单处理率。多层穿梭车系统软件还具有自我修复功能,实行动态管理存储货位。每次从系统中取出货品后,系统对这一品规需要的频次进行评级,快物动量品规被存放至系统的前端,慢物动量品规被存放至系统的后端。

回奔走而相互干扰,按照不同流量,每一班次可以按需关闭拣选站。系统还提供了充足的冗余设计,任一拣选站均可实施订单,而且每个拣选站可以独立作业。

作业时,系统拣选工位给出清晰、易于操作的视频指示,从而避免了人为的拣选错误。每个拣选工位可同时拣选最多6个订单,拣选速度高达每小时达500次,远超出Blackwoods实际拣选速度(200次拣选/小时)。

Blackwoods系统收益

作为澳大利亚首例货到人项目,Blackwoods配送中心创造了多个亮点。据Blackwoods区域总经理Tony Pantilas的了解,Blackwoods对货到人系统投入使用后的作业效率非常满意。

该中心拥有的德马泰克2代多层穿梭车系统拥有订单合理排序和自我修复功能,作业效率比同款1代提高了一倍,进一步提升了作业效率与配送中心的订单处理量。项目开始时,Blackwoods并未将所有的货品转移到多层穿梭车系统,因此当时货到人拣选系统的产出只占整个仓库的25%,现在随着更多的货品转移到多层穿梭车,货到人系统产出有望提升至75%。

在14000平方米的新配送中心内,Blac kwoods拥有的德马泰克货到人系统帮助其解决了巨大品规数的挑战。灵活的设计方案在实现非常高的拣选准确率的同时,也为今后预留了包括50%存储量和货到人拣选站在内的扩展空间,能够确保今后发展所需提升的作业效率。

基于EIQ分析法的拣选策略运用 篇7

1 拣选作业在物流配送中的重要性

拣货系统是物流配送中不可缺少的组成部分,物流中心将各类运输工具运来的成千上万的商品通过拣货系统准确地分类,并将商品按时送达指定地点。有效的拣货策略能够提高拣货作业的效率。

1.1 拣货系统的EIQ分析

在设计物流系统和配送系统,特别是在设计拣货系统时,我们一般采用EIQ分析法。采用EIQ分析法可以确定有效的拣选策略,提高配送中心的拣选效率。

1.2 EIQ分析步骤

EIQ分析法下订单出货资料的收集与取样,可以按日、周或月甚至季度为时间范围。由于配送中心出货数量的波动较大,单取某1天的数据不具有代表性,可以根据平时的作业经验在一个周期内多选几天的数据进行相互比较,并参考1周或1个月的资料去判断配送中心在不同季节或不同周期的作业变化情况。

若对长期资料分析,对数据分组然后分别对不同组进行EIQ分析。EQ分析是指对每张订单出货数量的分析。通过EQ分析,了解各客户的订货数量及其分布情况,进而了解商品的需求特性。运用EQ分析进行配送中心拣货系统规划时,可配合商品或客户ABC分析将订单分类,以确定重要订单并相应确定拣货设施设备。

1.3 EIQ分析

EIQ分析法是日本物流专家铃木震创立的,目前已在物流系统规划时逐步采用。所谓EIQ,指订单(Entry)、货品种类(Item)和数量(Quantity)。在进行EIQ分析时,首先应对订单数量(EQ)和品种数量(IQ)进行分析,并分别绘制EQ和IQ二维曲线,找出每张订单与订货量之间的分布关系和每个品种与订货量之间的分布关系,从而对不同用户和不同品种采取不同的拣货策略。ABC分析法是分析物流系统数据经常使用的方法,即根据用户订货量的多少或每一种货物在库量和出库量的多少把它们分为A、B、C三组来考虑。

订单订货量的EQ分析,EQ分析主要是对订单的客户及其订购数量两个关键要素进行的统计分析。包括EQ分布图、EQ-ABC分类分析表和分析结论。

由EQ分布图可以知道该配送中心为一般类型的配送中心,订单的订货量呈两极分化。按照1∶3∶6的比例对订货量进行ABC分类,由于订货量已按降序排列,那么订货量的前10%代表着订单数量较少而订货数量作为A类;后60%代表订单数量较多,而订货数量较少的非重点订单;其余作为C类。(见图1)

订单品项量(IQ)分析。IQ分析主要就订单的品项数及其出货数量两个关键要素进行的统计分析。根据IQ图可知,出货品项趋于两极分化。订单品项量分布分散,两极分化,可进行ABC分类,控制出货方式或库存管理。

2 物流配送中心拣选策略的选择

捡选策略一般分为订单拣选、批次拣选和波次拣选,此外还搭配订单分割,订单批次调整以及订单合流策略的应用。有效的拣选策略能够提高订单的响应速度。

2.1 物流中心拣选效率分析

影响拣选效率的因素有:

(1)储位规划。储位规划会直接影响拣选作业路径的距离和拣选人员的疲劳度。好的储位规划能够有效缩短总的拣选作业路径距离和拣选时间,最大程度地减少拣选车辆和人员的移动。

(2)拣选策略选择。拣选策略一般可分为订单拣选、批次拣选和波次拣选,此外还搭配订单分割等混合策略。

(3)拣选人员的熟练程度,还有管理人员的管理策略。根据订单的特点合理安排拣选人员能够减少拣选作业出现瓶颈的机会。

(4)设备。合理的配备设备,能够节约资源,更好地完成订单拣选。所谓合理使用,即避免过度设备投资和人工劳动强度过大两种极端情况的出现。

2.2 物流中心拣选作业策略分析

物流中心的拣选策略一般有以下几种:

(1)订单拣选。订单拣选是依客户订单的需求,以一张订单为单位进行货物的拣选作业。订单拣选方式适用于单张订单订购品种多且不同订单重复率不高的情形。如果一张订单的品种过多,为加快拣选速度,可以配合订单分割的策略,即把一张订单分割成若干子订单分别拣选。

(2)批次拣选。批次拣选是先将某一数量汇总成批次订单,在针对该批次订单进行总量拣选,待该批次拣选完成,再依据客户订单进行二次分类。批次拣选适用于多数量少品种的订单形态,如果物流中心的货物品种具有显著的ABC分类特征,在规划时根据ABC分类将货物分区存放,就可以将一个批次的货物汇总后分区拣选。

(3)波次拣选。波次拣选是根据订单的特点,结合订单拣选和批次拣选的方法将订单分类拣选。根据订单的品种和数量特点,分为多样多量、多样少量等,再配合适合的拣选策略。波次拣选是提高拣选效率的一种方法,它将多种不同订单依据某种共性合并在一个波次当中,整合为一个拣选作业。

3 实例分析

由EQ分析图结合ABC分类表格可以了解到该配送中心各订单的订量分布,从而可知该配送中心属于一般型配送中心模式,订单的订量分布趋向两极化。IQ-ABC分类表格得知订单品项量分布分散,可以对订单进行ABC分类。A类订单为大订单,订单量占总量的10.7%,订货数量占总量的70.2%,应该采用分类分批拣选方式,对订单进行批量拣选,仓位区固定采用自动拣选设备。B类订单为较大订单,订单量占总量的19.7%,订货数量占总量的24%,可以进行一般拣选作业,如可能也可以与A类部分订单合并拣选,宜采用半自动拣选设备。C类订单出货量少,占5.8%,但是订单数量多,占总订单量的69.6%,在人工拣选的基础上可以订单合并拣选,运用波次拣选策略。依据IQ分析图、IQ-ABC分类表格,单品项出货量大的物品进行重点管理,配备自动化程度较高的拣选设备,进行批次拣选。

摘要：拣选作业的效率直接影响配送中心对客户订单履行的效率。运用EIQ分析法对订单出货材料进行分析,找出客户的订单特点,确定有效的拣选策略。运用有效的拣选策略可以提高订单的拣选效率和顾客的满意度。

关键词：拣选策略,EIQ分析,物流中心,订单拣选

参考文献

[1]杨玮,曹巨汪.EIQ分析法在物流配送中心拣货系统设计中的应用[J].机械设计与制造,2006(9):35-36,160-161.

[2]刘友权.EIQ分析法在连锁经营配送中心的应用及实例研究[D].武汉:华中科技大学,2005.

[3]William Hoffman.Rolling the Dice[M].United States,Las Vegas Nevada:Traffic World,2005.

拣选优化 篇8

在2010年, Symbion做了一个决定:在配送中心引入“货到人”拣选系统。这套系统有6个旋转系统和两个高效率的周转箱拣选工作站组成, 高效地处理仓储流程。在大约1, 000平方米的紧凑区域内, 可拣选达6, 000个慢物动量的SKU。

胜斐迩旋转系统 (SCS) 在“货到人”的原则下, 利用最小的空间进行高速订单拣选。运用高容量的传输设备与最先进的控制技术实现高频率的存取, 实现1000次/时的存取速度 (存取包括一次存货和一次取货) , 并且保持持续的高吞吐量。该系统一个标准的模块由四个旋转盘组成, 处理高达6000个周转箱, 每个旋转盘带有一个分离的自动储存和拣选单元。该系统节省超过50%的仓储密度, 实现了高速拣选频次。

而胜斐迩旋转系统一般与拣选工作站配合完成订单拣选, 一个标准模块搭配一个拣选工作站。拣选工作站的拣选方式可以采用格口式拣选、周转箱拣选、电子标签拣选、RF拣选等等。

进货可以直接拆包至周转箱中, 旋转系统会自动存储货品。当货物特别小或者滞销时, 许多种的SKU可以存放在一个周转箱中。周转箱内有隔间, 可以更好地利用空间。

当系统中提示有订单需要拣选时, 订单周转箱通过输送线按路线发送至两个“货到人”拣选工作站, 每个周转箱拣选工作站可以处理7个订单。从旋转系统内自动拣选出完成订单所需的SKU, 并将其按要求发送到拣选工作站。在每个工作站的屏幕上显示了需要从周转箱中拣选的数量, 上面的拣选器会显示每笔订单需要拣选出的货品和数量。在周转箱上方的光照提醒确保了货物被放入正确的周转箱中, 它可以告知该拣选哪个物品。储存了多个SKU的地方, 将有顶灯组通过灯光指示拣选者该拣选哪个隔间。

在拣选工作站, 货物将被运送至拣选者处, 拣选人员无需步行, 拣选速度达每小时1, 500件。整个货到人的拣选系统由胜斐迩标准的订单实现软件控制, 这个软件可从Symbion的主机处获得信息, 通过系统管理仓储、SKU周转箱的路线和周转箱的输送完成。软件也可提供一个强大的用户界面, 包括有用的报告和统计数据。

产品推介:胜斐迩旋转系统———可扩展的, 高性能的模块化仓储系统

在之前提到的案例中, Symbion的配送中心配备了6套胜斐迩自动存储旋转系统、两个高效的货到人拣选工作站, 以及胜斐迩订单履行软件、塑料周转箱及胜斐迩FT+输送系统等软硬件设备, 实现了高效存储慢物动量产品的功能, 并提高了慢物动量产品的拣选效率, 大大缩减了订单响应所需要的时间。其中, 胜斐迩旋转系统作为核心设备之一, 发挥了重要的作用。

胜斐迩旋转系统 (SCS) 作为一个可扩展的、模块化的高速订单拣选系统, 已经确立其市场地位。许多市场领导者已经对这一创新系统解决方案寄予充分信任。每小时拣选1000次, 存储密度增加了50%, 以及模块化系统设计使胜斐迩旋转系统成为兼容性强的智能解决方案, 在动态拣选过程中表现出高性能水平, 实现了最大经济效益。

高性能输送系统与最先进的控制技术相结合, 使存取速度提高到每小时1000次。

符合人体工学的设计和“货到人”的高效执行, 是保证持续高吞吐量和低疲劳工作环境的关键性因素。每一步操作都必须由一个明确的操作指导系统确认、引导和检查, 因此实现了零差错率拣选。

系统的设计结合了紧凑式旋转系统的优势以及对传统存储系统的创新。由于可扩展性和模块化的设计, 胜斐迩标准系统反应快速容易满足个性化需求, 可立即投入使用。这些功能确保了实施时间短, 保障投资安全。当需要增加容量需求和订单量、改变ABC货品配比或提高性能时, 模块化的胜斐迩系统通过添加更多的模组或单个旋转盘适应上述要求。由于空间和资源节约型的设计, 从经济角度来看, 胜斐迩旋转系统能弥补工作量的波动。

由于“货到人”的原则被贯彻执行, 不存在非生产时间。标准的胜斐迩系统由四个旋转盘构成, 各配有一个分离的自动存取单元。由于其高密度、节省空间的结构, 一个标准模组能够容纳高达6000个料箱。该系统的其它优点体现在能针对多样性的产品, 经济效益高, 以及几乎无限的灵活性。每个标准模组相当于一个自动化小件存储系统 (堆垛机) , 其基础单元是标准的存储料箱。胜斐迩自产的料箱可以分为最多16个隔间, 并具有最多25公斤的荷载。料箱由具备承载装置的全自动升降机处理。这些升降机在垂直或水平输送方向移动, 从4个旋转盘上取出料箱, 将它们输送到与旋转系统连接的输送系统上, 输送系统再将料箱送到拣选工作站。

相比于市场上其他传统的系统, 这种存取独立的方式可达到存取双循环。此外, 补货流程完美地融入到拣选操作中, 不会造成效率损耗。