一种面向B2C电商订单的密集仓储储位优化方法及装置

摘要

本发明公开了一种面向B2C电商订单的密集仓储储位优化方法及装置，该方法包括：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时间数学模型；采用适于B2C订单特点的相似系数计算方法计算品项间相似系数，基于节约时间的多层次启发式聚类算法根据作业时间数学模型和品项的相似系数为品项分配储位。该方法还包括对品项分配储位进行基于品项历史价值的储位优化；该方法还包括对品项分配储位进行基于品项未来价值的储位优化。本发明有效提升系统作业效率、订单反应速度。

说明书

技术领域

本发明属于自动化仓储的技术领域，涉及一种面向B2C电商订单的密集仓储 储位优化方法及装置。

背景技术

AVS/RS(AutonomousVehicle Storage and Retrieval System，自动小车存取系 统)，是用“穿梭车+提升机”组合实现货物自动存取的新技术，与传统自动化立体 仓库的作业模式相比，保留了传统堆垛机式的自动化立体仓库中巷道的概念，用 穿梭车(Shuttle)来进行货物水平移动，提升机进行货物垂直移动。

恰当的储位分配策略能够有效减少货物出入库的移动距离、缩短存取与拣选 作业时间，提高仓储系统的作业效率。近年来，B2C电商物流占据物流市场很大 的比例；B2C(Business to Customer，简称B2C)电商物流具有商品品种多、订 单量大、订货数量小、订单时间随机性大、要求快速反应等物流特点，通过减少 订单的响应时间和订单物品的在库成本，提高其服务水平。如何针对AVS/RS系 统及B2C订单特点提出相匹配的储位优化策略成为本领域亟待解决的问题。

储位分配策略有随机存储、分类存储、全周转率存储、就近存储、专用存储、 族群分组存储等。然而，在现有技术中没有面向B2C电商订单研究基于AVS/RS 系统的存储策略，由于AVS/RS系统及B2C订单与现有仓储储位优化中的硬件 系统和订单特点均不相同，与AVS/RS系统及B2C订单特点相匹配的储位优化 策略需要进行进一步的研究。

订单分拣的作业时间由三部分组成，一是品项从储位由穿梭车运至每层I/O 的时间，二是由提升机将其从层I/O运至该巷道I/O的时间，三是完成从巷道I/O 运行至拣选台的时间。其中，第三部分的时间固定，而前两部分的时间是由该品 项的储位所决定的；当订单包含多品项时，可能造成品项出库作业的等待，延长 该订单的执行时间。因此，针对多品项订单，储位如何安排，是需要进行进一步 研究的重点。

综上所述，在现有技术中针对AVS/RS系统及B2C订单特点如何优化仓储 储位以提高订单反应速度和系统作业效率的问题，尚缺乏行之有效的解决方案。

发明内容

针对现有技术中存在的不足，解决现有技术中针对AVS/RS系统及B2C订单 特点如何优化仓储储位以提高订单反应速度和系统作业效率的问题，本发明提出 了一种面向B2C电商订单的密集仓储储位优化方法及装置，通过对AVS/RS订 单的处理总时间与存储区品项分配的方案进行作业时序分析，利用设备并行作业， 提高节省的时间；根据历史数据统计品项间的相关性，并优化启发式聚类方法， 达到将相关性强的品项不分配到不同巷道不同层的目的；并对储位进行了具体分 配，根据某B2C电商订单数据进行仿真分析，验证储位分配方案在提高系统效 率方面的有效性。

本发明的第一目的是提供一种面向B2C电商订单的密集仓储储位优化方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种面向B2C电商订单的密集仓储储位优化方法，该方法包括：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

作为进一步的优选方案，所述步骤(1)中，所述AVS/RS存储区品项分配 方案包括同一订单不同品项在AVS/RS单巷道单层分配方案、同一订单不同品项 在AVS/RS单巷道多层分配方案和同一订单不同品项在AVS/RS多巷道多层分配 方案。

作为进一步的优选方案，所述步骤(2)中，所述适于B2C订单特点的相似 系数计算方法计算两两品项间的重合度的具体方法选用包含品项i和j的订单数 除以只包含品项i的订单数、只包含品项j的订单数和不包含品项i和j的订单 数之和计算。

作为进一步的优选方案，所述步骤(3)中，所述基于节约时间的多层次启 发式聚类算法的具体方法包括：

步骤(3-1)：将品项进行第一次聚类，分配到不同的巷道；

步骤(3-2)：将每一巷道内的品项再一次聚类，分配至不同的层。

作为进一步的优选方案，所述步骤(3-1)的具体方法包括：

步骤(3-1-1)：预设与AVS/RS系统巷道数量相同数量的品项集；

步骤(3-1-2)：采用适于B2C订单特点的相似系数计算方法计算品项间的相 似系数矩阵，并将相似系数按照从大到小排列；

步骤(3-1-3)：将按照相似系数从大到小排列后的品项分配到不同的品项集， 直至品项集内品项数达到其预设最大量，所述品项集与巷道对应。

作为进一步的优选方案，所述步骤(3-2)的具体方法与所述步骤(3-1)的 具体方法相同，将各个巷道内的品项集分别分配到不同的子品项集，所述子品项 集与层对应。

作为进一步的优选方案，所述步骤(3-1-3)中，将按照相似系数从大到小 排列后的品项分配到不同的品项集的具体方法包括：

步骤(3-1-3-1)：按照相似系数排序后的品项存储于待分配品项集中；

步骤(3-1-3-2)：依次选取待分配品项集的两个品项，判断是否分配至品项 集中，

若均分配品项集，则删除待分配品项集中的该两个品项；

若仅其中一个品项分配品项集，则分别重新计算未分配品项集的品项与所有 品项集的相似系数，将该品项分配至与其相似系数最小且品项集内品项数未达到 其预设最大量的品项集，删除待分配品项集中的该品项；

若均未分配品项集，则分别重新计算未分配品项集的品项与所有品项集的相 似系数，将该品项分配至与其相似系数最小且品项集内品项数未达到其预设最大 量的品项集；

步骤(3-1-3-3)：将待分配品项集中的未分配的品项随机，按照顺序依次分 配至各个品项集。

作为进一步的优选方案，所述步骤(3)中，对品项分配储位进行基于品项 历史价值的储位优化，根据品项间相似系数进行品项聚类，基于聚类及品项集历 史价值、品项子集历史价值及品项历史价值的计算结果，进行储位优化；

所述品项历史价值为品项被定频次的函数，表示该品项之前对出库作业次数 的影响程度；所述品项集历史价值为同一聚类品项集内品项历史价值加和；所述 品项子集历史价值为同一子品项集内品项历史价值加和。

作为进一步的优选方案，所述基于品项历史价值的储位优化的具体方法包括：

将品项集历史价值从大到小排序，历史价值最高的品项集，放在离系统出入 口最近的巷道；历史价值最低的品项集，放在离系统出入口最远的巷道；如果每 个巷道均有系统出入口，则随机分配；

将每个巷道内品项子集按照历史价值从大到小排序，历史价值最高的品项子 集，放在该巷道最低层；依次分配分配品项子集所在货架层；

在每层，按照品项历史价值大小排序，历史价值越大的品项，离该层出入口 越近，直至所有品项储位分配完毕。

作为进一步的优选方案，所述步骤(3)中，对品项分配储位进行基于品项 未来价值的储位优化，根据品项间相似系数进行品项聚类，基于聚类及品项集未 来价值、品项子集未来价值及品项未来价值的计算结果，进行储位优化；

所述品项未来价值为品项被定频次和品项折扣比率的函数，表示该品项未来 对出库作业次数的影响程度；所述品项集未来价值为同一聚类品项集内品项未来 价值加和；所述品项子集未来价值为同一子品项集内品项未来价值加和。

作为进一步的优选方案，所述基于品项未来价值的储位优化的具体方法包括：

将品项集未来价值从大到小排序，未来价值最高的品项集，放在离系统出入 口最近的巷道；未来价值最低的品项集，放在离系统出入口最远的巷道；如果每 个巷道均有系统出入口，则随机分配；

将每个巷道内品项子集按照未来价值从大到小排序，未来价值最高的品项子 集，放在该巷道最低层；依次分配分配品项子集所在货架层；

在每层，按照品项未来价值大小排序，未来价值越大的品项，离该层出入口 越近，直至所有品项储位分配完毕。

本发明的第二目的是提供一种计算机可读存储介质。

为了实现上述目的，本发明采用如下一种技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备 设备的处理器加载并执行以下处理：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

本发明的第三目的是提供一种终端设备。

为了实现上述目的，本发明采用如下一种技术方案：

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令； 计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下 处理：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

本发明的有益效果：

1、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 基于品项相似系数建立的节约时间法聚类方式，通过调整品项储位分配方案，能 够有效提升系统作业效率、订单反应速度；

2、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 在系统作业效率方面，和随机储位分配方式相比，基于节约时间法的聚类方式下， 基于品项未来价值的储位分配策略作业时间减少约8.1％，基于品项历史价值的 储位分配策略作业时间减少约6.7％，随机策略作业时间减少约6.2％；

3、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 在订单反应速度方面，和随机储位分配方式相比，基于节约时间法的聚类方式下， 基于品项未来价值的储位分配策略订单等待时间减少约92.9％，基于品项历史价 值的储位分配策略订单等待时间减少约83.5％，随机策略订单等待时间减少约 83.7％；

4、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 基于节约时间法建立的三种储位分配策略环境下，订单平均作业周期、平均作业 时间、设备平均空闲率和设备平均空驶率均优于现有技术中的随机策略。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请 的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是本发明的方法流程图；

图2是本发明的双品项订单同巷道同层作业时序图；

图3是本发明的双品项订单同巷道双层作业时序图；

图4是本发明的双品项订单多巷道作业时序图；

图5是本发明实施例4的AVS/RS仿真系统斜视图；

图6是本发明实施例4的四种货位分配策略下的系统作业时间仿真结果图。

图7是本发明实施例4的四种货位分配策略下的订单任务等待时间仿真结果 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，所描述的实施例仅仅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。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。 除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域 的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限 制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出， 否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使 用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或 它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方 法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每 个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代 码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可 执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以 按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以 基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的 功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框 图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来 实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合下面 结合附图与实施例对本发明作进一步说明。

实施例1：

本实施例1的目的是提供一种面向B2C电商订单的密集仓储储位优化方法。

为了实现上述目的，本发明采用如下一种技术方案：

如图1所示，

一种面向B2C电商订单的密集仓储储位优化方法，该方法包括：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

在本实施例的步骤(1)中，所述AVS/RS存储区品项分配方案包括同一订 单不同品项在AVS/RS单巷道单层分配方案、同一订单不同品项在AVS/RS单巷 道多层分配方案和同一订单不同品项在AVS/RS多巷道多层分配方案。

储位分配优化问题的目标是压缩存储订单商品周转箱的出库时间，出库时间 分为设备运行时间和订单等待时间组成，因此需要分别压缩订单等待时间和设备 的运行距离。

当单一订单包含多品项时，这些品项的所在货位影响了设备的运行效率，从 而导致系统作业效率。本实施例以单一订单包含双品项分析不同货位策略对系统 效率的影响。

单巷道单层作业时间分析：

当单一订单包含双品项时，如果这两个品项在同一巷道同一层货位，则需要 同一穿梭车依次进行取货作业，当第一品项达到品项所在层的出入口时，穿梭车 返回取第二个品项，同时提升机进行作业，作业时序图如图2所示。

根据作业时序图，制定订单r同时包含h和j两个品项时，两个品项为同巷 道同层时作业时间函数，见公式(1)；

提升机执行第i个指令的作业时间

穿梭车执行第i个指令的作业时间

单巷道多层作业时间分析：

当单一订单包含双品项时，如果这两个品项在同一巷道但不同层货位，则两 台穿梭车同时进行取货作业，当第一品项达到品项所在层的出入口时，提升机进 行作业，作业时序图如图3所示。

如果两个品项为同巷道非同层时，作业时间函数见公式(2)；

多巷道多层作业时间分析：

当单一订单包含双品项时，如果这两个品项在不同巷道，则两台穿梭车同时 进行取货作业，当任一品项达到品项所在层的出入口时，该巷道提升机则进行作 业，作业时序图如图4所示。

如果两个品项为非同巷道时，作业时间函数见公式(3)；

本实施例经过对上述三种情况的比较分析，同一订单品项处于不同巷道时， 充分调动提升机和穿梭车并行作业，作业时间最短；当同一订单品项处于相同巷 道不同层时，可调动穿梭车并行作业，作业时间次之；当同一订单品项处于相同 巷道相同层时，作业时间最长。

在本实施例的步骤(2)中，所述适于B2C订单特点的相似系数计算方法计 算两两品项间的重合度的具体方法选用包含品项i和j的订单数除以只包含品项 i的订单数、只包含品项j的订单数和不包含品项i和j的订单数之和计算：

其中，a表示包含品项i和j的订单数；b表示只包含品项i的订单数；c表 示只包含品项j的订单数；d表示不包含品项i和j的订单数。

在本实施例的步骤(3)中，所述基于节约时间的多层次启发式聚类算法的 具体方法包括：

步骤(3-1)：将品项进行第一次聚类，分配到不同的巷道；

步骤(3-2)：将每一巷道内的品项再一次聚类，分配至不同的层。

由于AVS/RS具有多巷道，单个巷道由多个穿梭车完成水平运作作业，因此 对于AVS/RS的储位优化设计分为2个层次，首先对于单张订单来说，所需品项 尽可能的分配到不同巷道，如果分配到相同巷道，则尽可能分配到不同货架层， 以此来让设备并行作业，从而节约订单的等待时间，因此需要进行品项聚类。

在经典问题VRP中，节约里程法是用来解决运输车辆数目不确定的最有名 的启发式算法之一。因此借鉴该算法，来解决品项巷道(层)的分配问题，提出 基于节约时间的多层次启发式聚类算法。根据订单计算品项间的相似矩阵，将相 似系数大的品项分配到不同的巷道(层)，可利用设备的并行效应提高作业效率， 节约作业时间。

在本实施例的步骤(3-1)中，所述将品项进行第一次聚类，分配到不同的 巷道的具体方法包括：

步骤(3-1-1)：预设与AVS/RS系统巷道数量相同数量的品项集；

步骤(3-1-2)：采用适于B2C订单特点的相似系数计算方法计算品项间的相 似系数矩阵，并将相似系数按照从大到小排列；

步骤(3-1-3)：将按照相似系数从大到小排列后的品项分配到不同的品项集， 直至品项集内品项数达到其预设最大量，所述品项集与巷道对应。

在本实施例的步骤(3-1-3)中，所所述将按照相似系数从大到小排列后的 品项分配到不同的品项集的具体方法包括：

步骤(3-1-3-1)：按照相似系数排序后的品项存储于待分配品项集中；

步骤(3-1-3-2)：依次选取待分配品项集的两个品项，判断是否分配至品项 集中，

若均分配品项集，则删除待分配品项集中的该两个品项；

若仅其中一个品项分配品项集，则分别重新计算未分配品项集的品项与所有 品项集的相似系数，将该品项分配至与其相似系数最小且品项集内品项数未达到 其预设最大量的品项集，删除待分配品项集中的该品项；

若均未分配品项集，则分别重新计算未分配品项集的品项与所有品项集的相 似系数，将该品项分配至与其相似系数最小且品项集内品项数未达到其预设最大 量的品项集；

步骤(3-1-3-3)：将待分配品项集中的未分配的品项随机，按照顺序依次分 配至各个品项集。

第一阶段，将品项进行第一次聚类，分配到不同的巷道：

step1：根据多穿系统的巷道数量K，制定K个品项集IC_k；

step 2：计算品项间的相似系数矩阵，并将相似系数IS_ij按照从大到小排列；

step 3：执行step 3.1-3.4，直至所有品项已分配完毕。

step 3.1依次取IS_ij中i和j品项，如果这两个品项已经被分配至品项集中，>ij，转向步骤3；如果其中一个品项已被分配至某个品项集IC_k中，则>

step 3.2：分别计算该品项和K个品项集IC_k(要求品项集内品项数量>i≤MAX₁)的新相似系数，并将该品项分配至相似系数最小的品项集且>ij，转向step>

step 3.3：分别计算i和j品项和K个品项集IC_k的相似系数(要求品项集>i≤MAX₁)，选择最小的相似系数，将该品项并入最小相似系>

step 4：将未分配品项集的品项随机，按照顺序依次分配至K个品项集(要 求品项集内品项数量CountK_i≤MAX₁)，停止。

在本实施例的步骤(3-2)中，所述将每一巷道内的品项再一次聚类，分配 至不同的层的具体方法与所述将品项进行第一次聚类，分配到不同的巷道的具体 方法相同，将各个巷道内的品项集分别分配到不同的子品项集，所述子品项集与 层对应。

第二阶段，将每一巷道内的品项分配至不同的层：

依次将K个巷道内的品项集IC_k，按照第一阶段的方法，分别分配到F个子>fh，要求子品项集内品项数量CountF_i≤MAX₂。

作为本实施例的一种优选方案，该方法还包括对品项分配储位进行基于品项 历史价值的储位优化，根据品项间相似系数进行品项聚类，基于聚类及品项集历 史价值、品项子集历史价值及品项历史价值的计算结果，进行储位优化；

所述品项历史价值为品项被定频次的函数，表示该品项之前对出库作业次数 的影响程度；所述品项集历史价值为同一聚类品项集内品项历史价值加和；所述 品项子集历史价值为同一子品项集内品项历史价值加和。

品项历史价值(HIV)：用于说明该品项之前对出库作业次数的影响程度。一 般利用IK(品项被定频次)进行分析，由于IK是历史数据，因此定义为品项历 史价值。

品项集历史价值：将IS_k内的品项价值加和。

品项子集历史价值：将ISS_kh内的品项价值加和。

所述基于品项历史价值的储位优化的具体方法包括：

步骤一，将品项集历史价值从大到小排序，历史价值最高的品项集，放在离 系统出入口I/O最近的巷道；同理，历史价值最低的品项集，放在离系统出入口 I/O最远的巷道；如果每个巷道均有I/O，则随机分配；

步骤二，将每个巷道内品项子集按照历史价值从大到小排序，历史价值最高 的品项子集，放在该巷道最低层；依次分配分配品项子集所在货架层；

步骤三，在每层，按照品项历史价值大小排序，历史价值越大的品项，离该 层出入口越近，直至所有品项货位分配完毕。

作为本实施例的另一种优选方案，该方法还包括对品项分配储位进行基于品 项未来价值的储位优化，根据品项间相似系数进行品项聚类，基于聚类及品项集 未来价值、品项子集未来价值及品项未来价值的计算结果，进行储位优化；

所述品项未来价值为品项被定频次和品项折扣比率的函数，表示该品项未来 对出库作业次数的影响程度；所述品项集未来价值为同一聚类品项集内品项未来 价值加和；所述品项子集未来价值为同一子品项集内品项未来价值加和。

品项未来价值(FIV)：用于说明该品项未来对出库作业次数的影响程度。传 统研究中，一般利用IK(品项被定频次)进行分析，但由于IK是历史数据，同 时电商环境下，历史数据的可靠性降低，因此引入DR(品项折扣比率)，共同测 算品项价值。

品项集未来价值：将IS_k内的品项价值加和。

品项子集未来价值：将ISS_kf内的品项价值加和。

所述基于品项未来价值的储位优化的具体方法包括：

步骤一，将品项集未来价值从大到小排序，未来价值最高的品项集，放在离 系统出入口I/O最近的巷道；同理，未来价值最低的品项集，放在离系统出入口 I/O最远的巷道；如果每个巷道均有I/O，则随机分配；

步骤二，将每个巷道内品项子集按照未来价值从大到小排序，未来价值最高 的品项子集，放在该巷道最低层；依次分配分配品项子集所在货架层；

步骤三，在每层，按照品项未来价值大小排序，未来价值越大的品项，离该 层出入口越近，直至所有品项货位分配完毕。

实施例2：

本实施例2的目的是提供一种计算机可读存储介质。

为了实现上述目的，本发明采用如下一种技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备 设备的处理器加载并执行以下处理实施例1中的方法指令：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

实施例3：

本实施例3的目的是提供一种终端设备。

为了实现上述目的，本发明采用如下一种技术方案：

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令； 计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行以下 处理实施例1中的方法指令：

步骤(1)：对AVS/RS存储区品项分配方案进行作业时序分析，建立作业时 间数学模型；

步骤(2)：采用适于B2C订单特点的相似系数计算方法计算品项间相似系 数；

步骤(3)：基于节约时间的多层次启发式聚类算法，并引入基于品项历史价 值或品项未来价值的储位优化算法，根据作业时间数学模型和品项的相似系数为 品项分配储位。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各 个实施例所描述的方法或过程。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用 于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可 以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如 可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、 半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例 子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读 存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储 器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、 软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上 述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本 身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的 电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个 计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载 到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、 路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中 的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可 读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构 (ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或 者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包 括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语 言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部 分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部 分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计 算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广 域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特 网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序 指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵 列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令， 从而实现本公开内容的各个方面。

应当注意，尽管在上文的详细描述中提及了设备的若干模块或子模块，但是 这种划分仅仅是示例性而非强制性的。实际上，根据本公开的实施例，上文描述 的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一 个模块的特征和功能可以进一步划分为由多个模块来具体化。

实施例4：

本实施例4的目的是用于验证实施例1-3。

以国内某大型B2C电商企业为背景，结合其实际数据，构建AVS/RS；将实 施例1中的储位优化策略和传统的储位优化策略进行对比分析，以找到效率最高 的储位分配模式。

设AVS/RS为双巷道，每巷道由一台提升机负责垂直作业；货架层数为4， 单层高度为3米，每层配备一台穿梭车以完成水平作业；货架列数为25，列宽 为2米，至少可满足200个品项储存需求。货物出库后，由输送机后将其输送至 拣选站台，实现订单的拣选作业。构建仿真系统，斜视图如图5所示。

在本实施例中，设提升机垂直运动速率为v_y2＝4m/s，加速度a_y1＝2m/s²；穿梭>x2＝4m/s，水平加速度a_x1＝2m/s²。两种设备每个取货/放货(包>

进行原始数据采集及统计。数据采集工作包括两个阶段：一是统计数据，即 优化前的订单，收集一周的订单，主要完成对订单下达时间进行分析统计及订单 品项相关性的统计；二是仿真数据，收集第二周的订单数据，并将订单数据输入 到系统里，进行不同货位优化策略下的系统效率仿真。

对统计数据进行处理，得到订单到达时间规律，订单到达时间相互独立，订 单间隔按照正态分布,时间间隔均值μ＝30.14s,标准差σ＝18.52，为方便计算， 均值及标准差均取整数，因此订单到达时间间隔服从正态分布N(30,361)。

仿真数据同样为该企业真实订单数据，数据结构和统计数据相同。搜集4 个单位时间的数据作为仿真的样本数据。

根据第一周的订单数据，计算订单中189个品项间的两两相似系数IS_ij。利>

第一阶段，将189个品项分为2类，分别放入2个巷道。第一步，剔出和任 何其他品项均不相关的19个品项；第二步，根据基于节约里程法的多层次启发 式聚类算法，依次完成品项的第一次聚类，同时保证每个类的品项数量不大于 100。

第二阶段，按照同样的方法，将每个巷道内的品项分为4个子类，依次放到 每层货位，同时保证每个子类的品项数量不大于25。

第三阶段，将和其他品项不相关的19个品项，进行手工调整，随机分配至 8个子类中，且每个子类的品项数量不大于25。

本实施例中设置4个仿真环境

环境一：随机储存策略。为189个订单随机分配货位，每种品项有且仅有一 个货位。

环境二：基于节约时间法的多层次启发式聚类的分类随机策略，根据基于节 约时间法的多层次启发式聚类结果，将2类/8子类分配到巷道和层中，每层品 项货物的具体位置，采用随机分配策略。

环境三：基于节约时间的多层次启发式聚类及HIV的货位优化策略。

环境四：基于节约时间的多层次启发式聚类及FIV的货位优化策略。

将数据带入仿真模型并运行，得到四种库位分配策略下的10个指标数据， 见表1。

表1仿真结果表

由上述仿真所得出的数据比较可知，按照作业效率指标，作业时间从大到小 依次为：随机货位分配策略、基于节约时间法聚类的随机货位分配策略、基于均 值聚类的HIV货位优化策略、基于节约时间法聚类的FIV货位优化策略。

对表1数据进行分析，得到不同的策略和随机策略下的提升程度。如图6 所示，和随机策略相比较，基于节约时间法的FIV策略作业时间减少约8.1％， 基于节约时间法的HIV策略作业时间减少约6.7％，基于节约时间法的随机策略 作业时间减少约6.2％；同时三种策略的平均任务等待时间也小于随机策略所需 的时间，如图7趋势所示，其中基于节约时间法的FIV策略节约92.9％，基于节 约时间法的HIV策略节约83.5％，基于节约时间法的随机策略节约83.7％；此外， 三种策略的平均作业周期、平均作业时间、平均空闲率和平均空驶率均小于随机 策略。

本发明的有益效果：

1、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 基于品项相似系数建立的节约时间法聚类方式，通过调整品项储位分配方案，能 够有效提升系统作业效率、订单反应速度；

2、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 在系统作业效率方面，和随机储位分配方式相比，基于节约时间法的聚类方式下， 基于品项未来价值的储位分配策略作业时间减少约8.1％，基于品项历史价值的 储位分配策略作业时间减少约6.7％，随机策略作业时间减少约6.2％；

3、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 在订单反应速度方面，和随机储位分配方式相比，基于节约时间法的聚类方式下， 基于品项未来价值的储位分配策略订单等待时间减少约92.9％，基于品项历史价 值的储位分配策略订单等待时间减少约83.5％，随机策略订单等待时间减少约 83.7％；

4、本发明所述的一种面向B2C电商订单的密集仓储储位优化方法及装置， 基于节约时间法建立的三种储位分配策略环境下，订单平均作业周期、平均作业 时间、设备平均空闲率和设备平均空驶率均优于现有技术中的随机策略。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域 的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内， 所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此， 本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理 和新颖特点相一致的最宽的范围。