仓库货物管理方法与流程

1.本发明属于物流信息处理技术领域，具体地说，涉及一种仓库货物管理方法。


背景技术：

2.物流是链接供应端和消费者之间的重要纽带，物流的发展改变了传统的生活和消费方式。随着现代物流的快速发展，越来越多的物品逐渐采用物流方式进行运输，但仓内货物不足无疑会严重影响物流的正常运转，因而各类各样的补货策略逐步被提出。
3.现有技术中的补货策略，通常采用历史销量数据训练得到的销量模型来预测当前补货量，一旦需要补货及通过物流中心对该仓库进行补货，虽然能够解决仓内缺货问题，但通过物流中心直接为仓库补货，会因距离远带来补货成本高的技术问题。
4.本背景技术所公开的上述信息仅仅用于增加对本技术背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。


技术实现要素：

5.本发明针对现有技术中补货成本高的技术问题，提出了一种仓库货物管理方法，可以解决上述问题。
6.为实现上述发明目的，本发明采用下述技术方案予以实现：
7.一种仓库货物管理方法，包括物流中心总控模块；
8.所述物流中心总控模块配置为：
9.预测全部城市仓的配送区域内客户的期望需求量e；
10.根据期望需求量e确定各城市仓的补货点，以及计算总补货点b；
11.计算各城市仓当前的库存量,以及计算总库存量m；
12.分别将各城市仓的补货点与该城市仓当前的库存量进行比较，当全部城市仓的补货点均大于各自的库存量时，各城市仓既不需要补货也不需要调货；
13.当不能满足全部城市仓的补货点均大于各自的库存量时，将总补货点b与总库存量m进行比较，当总补货点b大于总库存量m时，城市仓之间调货，否则，物流中心为全部城市仓进行补货。
14.本发明的一些实施例中，配送区域内各城市仓的补货点的计算方法为：
15.获取在计划期内城市仓i的期望配送量为∑
j∈jejmij
，则城市仓i的补货点bi为：
[0016][0017]
其中，ej为计划期内客户j的期望需求量；m
ij
的取值为：客户j的期望需求分配给城市仓i时取值为1，客户j的期望需求不分配给城市仓i时取值为0，为订货提前期内客户j的期望需求的标准差，l为订货提前期的天数，t为计划期的天数；
[0018]
总补货点b：
[0019]
b＝∑
i∈ibi
，i为城市仓i的集合。
[0020]
本发明的一些实施例中，城市仓i的补货点bi不大于该城市仓当前的库存量mi，且总补货点b大于总库存量m时，为城市仓i进行调货；
[0021]
m＝∑
i∈i
mi。
[0022]
本发明的一些实施例中，为城市仓i进行调货的方法为：
[0023]
确定调货产生的订货成本f1：
[0024][0025]
确定调货产生的运输成本f2：
[0026]
f2＝γ∑
i，k∈i
ykx
ikdik
[0027]
建立调货过程所产生的总成本f的数学模型：
[0028][0029]
其中，yk的取值为：当城市仓k发起调货时取值为1，否则取值为0，d
ik
为城市仓i与城市仓k之间的距离，γ为运输成本系数，为单次订货成本系数，x
ik
为城市仓k到城市仓i的调货量；
[0030]
求解使得总成本f最小时x
ik
的值。
[0031]
本发明的一些实施例中，总成本f的数学模型的约束条件为：
[0032][0033][0034][0035]
x
ik
≥0，表示不超过的最大整数，d表示配送区域内所有客户的单位天数的平均需求量，βj表示客户j的单位天数的需求量。
[0036]
本发明的一些实施例中，采用自适应改进的粒子群算法求解总成本f的数学模型，包括：
[0037]
初始化各粒子在种群中的速度及位置，若搜索空间为l维，则每个粒子中都会包含l个变量，把每个粒子目前所搜索到的最优位置p
best
设为初始位置，取粒子全局搜索到的最优位置为g
best
；
[0038]
计算每个粒子的目标函数值，即适应度值，将每个粒子的最佳位置和适应度值保存起来，在种群中，如果某个粒子的适应度值是最好的，则将它选取出来并作为种群的位置；
[0039]
调整粒子的速度和位置；
[0040]
每次位置更新后，再次计算各个粒子的适应度值，然后根据各粒子在历史寻优中所找到的最优位置p
best
，及其所对应的适应度值，为最优适应度值，将所述粒子的适应度值与该粒子历史寻优中对应的最优适应度值进行比较，如果有粒子适应度值优于历史寻优中对应的最优适应度值，p
best
更新为该粒子当前的位置；
[0041]
分别将各个粒子的适应度值与所有粒子的最优位置g
best
所对应的适应度值进行比较，如果有粒子适应度值优于所有粒子的最优位置g
best
所对应的适应度值，将g
best
更新为
该粒子当前的位置；
[0042]
生成随机粒子，计算随机粒子的适应度值，如果随机粒子的适应度值优于g
best
所对应的适应度值，将g
best
更新为随机粒子当前的位置；否则，保持g
best
的不变；
[0043]
检查粒子搜索终止条件，当满足粒子搜索终止条件时，终止搜索。
[0044]
本发明的一些实施例中，自适应改进的粒子群算法中，调整粒子的速度和位置的方法为：
[0045]
调整惯性参数：
[0046][0047][0048]
调整学习因子：
[0049][0050]
调整粒子的速度：
[0051][0052]
调整粒子的位置：
[0053][0054]
式中：ω为惯性权重；k为当前迭代次数；v为粒子的速度；c1、c2为学习因子，pb、gb分别为个体最优值和群体最优值，r1、r2为(0，1)的随机数ω
max
＝0.85，ω
min
＝0.5，c
1_max
＝2，c
1_min
＝1，c
2_max
＝2，c
2_min
＝1；k
max
为最大迭代次数。
[0055]
本发明的一些实施例中，自适应改进的粒子群算法的中，随机粒子选取方式为遍历选取；
[0056]
随机粒子的选取规则为：
[0057][0058]
式中：i
max
＝9.30，i
min
＝3；d为随机次数，d
max
为最大随机次数。
[0059]
本发明的一些实施例中，物流中心为该配送区域的各城市仓进行补货的方法为:
[0060]
计算配送区域内所有客户的期望需求量e:
[0061]
e＝∑
j∈jej
；
[0062]
计算总费用：qh/2+p∑
j∈jej
/q；
[0063]
将总费用对q求导，得到最优总补货量q
*
：
[0064][0065]
其中，qh/2为所有城市仓的平均库存费用，p∑
j∈jej
/q为订货费用，j为所有客户的集合。
[0066]
本发明的一些实施例中，还包括根据各城市仓的需求比例以及最优总补货量q
*
，
分别计算各城市仓的补货量qi。
[0067]
与现有技术相比，本发明的优点和积极效果是：
[0068]
本发明的仓库货物管理方法，通过获取各城市仓的补货点、各城市仓当前的库存量、总补货点b以及总库存量m，只有在当总补货点b大于总库存量m时，城市仓之间调货，否则，物流中心为全部城市仓进行补货，也即，满足一定条件时城市仓之间进行调货即可，无需物流中心进行补货，由于城市仓之间距离相对于物流中心较近，可以极大节约物流成本，同时满足各城市仓之间的供给需求。
[0069]
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
[0070]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
[0071]
图1是本发明提出的仓库货物管理方法的一种实施例的处理流程图。
具体实施方式
[0072]
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
[0073]
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0074]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0075]
实施例一
[0076]
在物流供应链中，一个城市或者一个区域会布置多个城市仓，该多个城市仓具有各自的配送区域，且配送区域之间具有地域空间相邻性。同一个区域的多个城市仓或者多个区域的多个城市仓之间会配备有物流中心，物流中心是整个系统的协调和控制中心，管理着城市仓的补货问题，主动给城市仓补货，而城市仓则负责所属区域内的线上订单需求。由于各城市仓之间互不合作，独立经营，城市仓库存局部短缺而总体积压的现象时常发生。
[0077]
基于此，本发明的仓库货物管理方法需要进行库存管理和控制。在原有管理模式
下，采用分布式库存策略，建立补货和调货模型，利用虚拟协调中心，对各城市仓进行补货和调货管理。当各个城市仓当前库存总量低于总补货点时，物流中心按照总控模块的指示为各城市仓补货。当城市仓的当前库存低于其送货点而所有城市仓的总库存量不低于总送货点时，总控模块计算各城市仓之间的调货量，解决现有技术中补货成本高的技术问题。
[0078]
下面将以一具体实施例进行说明。
[0079]
本实施例提出了一种仓库货物管理方法，包括物流中心总控模块，物流中心用于对多个城市仓进行补货和调货管理。
[0080]
如图1所示，物流中心总控模块配置为：
[0081]
预测全部城市仓的配送区域内客户总的期望需求量e。
[0082]
根据总的期望需求量e确定各城市仓的补货点，以及计算总补货点b，总补货点b也即各城市仓的补货点之和。
[0083]
计算各城市仓当前的库存量,以及计算总库存量m，总库存量m也即各城市仓当前的库存量之和。
[0084]
分别将各城市仓的补货点与该城市仓当前的库存量进行比较，当全部城市仓的补货点均大于各自的库存量时，说明各城市仓的库存量均能够满足当前的需求，各城市仓既不需要补货也不需要调货。
[0085]
当不能满足全部城市仓的补货点均大于各自的库存量时，也即，并非所有的城市仓的补货点均大于各自的库存量时，将总补货点b与总库存量m进行比较，当总补货点b大于总库存量m时，说明该区域内总库存量能够满足当前的需求，城市仓之间调货，否则，物流中心为全部城市仓进行补货。
[0086]
本方案通过比较判断位于同一区域中各城市仓总库存量以及该区域的总需求，当能够满足时，城市仓之间进行调货即可，无需物流中心进行补货。由于城市仓之间距离相对于物流中心较近，可以极大节约物流成本，同时满足各城市仓之间的供给需求，防止出现断货情况。
[0087]
由于各个城市仓之间的统一调货是支援和合作关系，因此系统总成本会减少，各个城市仓同时出现库存积压或出现缺货的可能性比较小，所以采用这种分布式库存管理可以有效降低系统的安全库存、补货点和送货量，整个系统的库存总成本也会降低。
[0088]
计划期内，城市仓i安全库存为：
[0089][0090]
基于(q,r)库存策略，在计划期内城市仓i的期望配送量为∑
j∈jbjmij
,得出城市仓i在提前期l内的期望配送量为则城市仓i的补货点。αi表示仓库i的库存水平的安全系数。
[0091]
本发明的一些实施例中，配送区域内各城市仓的补货点的计算方法为：
[0092]
获取在计划期内城市仓i的期望配送量为∑
j∈jejmij
，则城市仓i的补货点bi为：
[0093]
[0094]
其中，ej为计划期内客户j的期望需求量；m
ij
的取值为：客户j的期望需求分配给城市仓i时取值为1，客户j的期望需求不分配给城市仓i时取值为0，为订货提前期内客户j的期望需求的标准差，l为订货提前期的天数，t为计划期的天数。
[0095]
补货点也即该城市仓的安全库存量与提前期l内的期望配送量之和，库存量如果低于补货点时，即认为该城市仓需要补货。
[0096]ej
可根据历史数据或者其他现有手段获得。
[0097]
由上述公式可知，城市仓i的补货点bi是根据客户的期望需求量呈正相关的，客户的期望需求量越大，补货点的值也相应增加。
[0098]
总补货点b：
[0099]
b＝∑
i∈ibi
，i为城市仓i的集合。
[0100]
本发明的一些实施例中，分别判断各城市仓的补货点与其当前的库存量之间的大小。当城市仓i的补货点bi不大于该城市仓当前的库存量mi，且总补货点b大于总库存量m时，则为城市仓i进行调货。
[0101]
其中，m＝∑
i∈i
mi。
[0102]
各城市仓当前的库存量由该城市仓的盘点系统或者出入库记录系统获得。
[0103]
当城市仓i的当前库存量mi低于其送货点bi,而各城市仓总库存量m高于总补货点b时，不进行补货。虚拟协调中心作出决策，物流中心实施调货，及时满足缺货仓库的请求。目标为求x
ik
，即求各个仓库之间的调货量，及时满足各仓库的销售需求。为使整个系统的调货费用最小，确定调货模型。
[0104]
本发明的一些实施例中，为城市仓i进行调货的方法为：
[0105]
确定调货产生的订货成本f1：
[0106][0107]
确定调货产生的运输成本f2：
[0108]
f2＝γ∑
i,k∈i
ykx
ikdik
[0109]
建立调货过程所产生的总成本f的数学模型：
[0110][0111]
其中，yk的取值为：当城市仓k发起调货时取值为1，否则取值为0，d
ik
为城市仓i与城市仓k之间的距离，γ为运输成本系数，为单次订货成本系数，x
ik
为城市仓k到城市仓i的调货量。
[0112]
求解使得总成本f最小时x
ik
的值。
[0113]
本发明的一些实施例中，总成本f的数学模型的约束条件为：
[0114][0115][0116][0117]
x
ik
≥0，表示不超过的最大整数，d表示配送区域内所有客户的单位天
数的平均需求量，βj表示客户j的单位天数的需求量。
[0118]
min f为目标函数，包括调拨产生的订货成本和运输成本最小，d表示距离下次补货，目前所有城市仓的库存产品还可以使用的天数，∑
i∈i
x
ik
≥d∑
j∈j
βjm
kj
，表示仓库可允许调拨的产品数量限制，x
ik
≥0表示变量的取值约束。
[0119]
当某个城市仓i的库存量mi下降到补货点bi，时，而城市仓库存总量m高于总补货点b时，根据调拨模型，采用自适应粒子群算法(apso)计算出系统总费用最低的调拨策略。
[0120]
本发明的一些实施例中，采用改进的自适应粒子群算法求解总成本f的数学模型，包括：
[0121]
初始化各粒子在种群中的速度及位置，若搜索空间为l维，则每个粒子中都会包含l个变量，把每个粒子目前所搜索到的最优位置p
best
设为初始位置，取粒子全局搜索到的最优位置为g
best
。
[0122]
计算每个粒子的目标函数值，即适应度值，将每个粒子的最佳位置和适应度值保存起来，在种群中，如果某个粒子的适应度值是最好的，则将它选取出来并作为种群的位置。
[0123]
调整粒子的速度和位置。
[0124]
每次位置更新后，再次计算各个粒子的适应度值，然后根据各粒子在历史寻优中所找到的最优位置p
best
，及其所对应的适应度值，为最优适应度值，将所述粒子的适应度值与该粒子历史寻优中对应的最优适应度值进行比较，如果有粒子适应度值优于历史寻优中对应的最优适应度值，p
best
更新为该粒子当前的位置。
[0125]
分别将各个粒子的适应度值与所有粒子的最优位置g
best
所对应的适应度值进行比较，如果有粒子适应度值优于所有粒子的最优位置g
best
所对应的适应度值，将g
best
更新为该粒子当前的位置。
[0126]
生成随机粒子，计算随机粒子的适应度值，如果随机粒子的适应度值优于g
best
所对应的适应度值，将g
best
更新为随机粒子当前的位置；否则，保持g
best
的不变。
[0127]
检查粒子搜索终止条件，当满足粒子搜索终止条件时，终止搜索。
[0128]
检查粒子搜索终止条件步骤中，其中一个条件为达到最大迭代次数：g
max
；另一个条件是在指定的范围内的相邻两代之间的偏差，若不符合终止条件，则返回到调整粒子的速度和位置步骤，继续更新粒子的速度和位置。
[0129]
普通的粒子群算法由于参数固定，对初始条件较为敏感，种群容易早熟，陷入局部最优解。为了提高整个搜寻的效率，本实施例中提出的自适应粒子群算法，在普通粒子群算法的基础上随着迭代次数动态的改变参数，使其能够快速收敛，同时加入随机粒子进行遍历寻优。
[0130]
本发明的一些实施例中，自适应改进的粒子群算法中，调整粒子的速度和位置的方法为：
[0131]
调整惯性参数：
[0132][0133]
[0134]
调整学习因子：
[0135][0136]
调整粒子的速度：
[0137][0138]
调整粒子的位置：
[0139][0140]
式中：ω为惯性权重；k为当前迭代次数；v为粒子的速度；c1、c2为学习因子，pb、gb分别为个体最优值和群体最优值，r1、r2为(0,1)的随机数ω
max
＝0.85，ω
min
＝0.5，c
1_max
＝2，c
1_min
＝1，c
2_max
＝2，c
2_min
＝1；k
max
为最大迭代次数。
[0141]
为了整体算法不陷入最优解，除了参数调整以外，还加入随机粒子，随机粒子选取为遍历选取，可以对这个搜寻区域均匀搜索，确保粒子群跳出局部最优解。
[0142]
本发明的一些实施例中，自适应改进的粒子群算法的中，随机粒子选取方式为遍历选取；
[0143]
随机粒子的选取规则为：
[0144][0145]
式中：i
max
＝9.30，i
min
＝3；d为随机次数，d
max
为最大随机次数。
[0146]
本发明的一些实施例中，物流中心为该配送区域的各城市仓进行补货的方法为:
[0147]
计算配送区域内所有客户的期望需求量e:
[0148]
e＝∑
j∈jej
；
[0149]
计算总费用：qh/2+p∑
j∈jej
/q。
[0150]
库存成本由两部分构成，分别是订货成本和库存持有成本。在整个计划期内，所有客户的期望需求量为∑
j∈jbj
,所有城市仓的平均库存费用为qh/2，订货费用为p∑
j∈jbj
/q。所以总的订货费用和库存持有费用之和为所以总的订货费用和库存持有费用之和为该式对q求导，可以得到最优总补货量q
*
：
[0151][0152]
其中，j为所有客户的集合，p为计划期内，城市仓的补货费用，h为计划期内，单位产品的库存持有成本,q为城市仓的总补货量。
[0153]
得到最优总补货量q
*
，之后根据每个城市仓的需求比例，可以很容易得出各个城市仓的补货量qi。例如城市仓1和城市仓2，这两个仓库覆盖范围内的客户需求分别为w1,w2,则
[0154]
本发明的一些实施例中，还包括根据各城市仓的需求比例以及最优总补货量q
*
，分别计算各城市仓的补货量qi。
[0155]
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实
施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。