一种基于萤火虫算法的订单分批方法

1.本发明涉及物流信息工程领域，特别是“货到人”订单拣选系统下订单分批方法的改进。


背景技术：

2.随着电商行业的迅速发展，电商企业需要处理大量的订单，物流企业也面临着巨大压力，提高订单拣选效率和准确度是现在研究的重点。目前，订单拣选方式正从“人到货”向“货到人”方向发展。在传统的“人到货”拣选作业中，拣货员推动拣货小车进入仓库的存储区，然后根据订单信息将商品拣选出来；而“货到人”拣选作业是通过agv小车或机器人将移动货架搬运到拣选台，拣货员在拣选台依据订单信息拣选货架中的商品，加快了拣选作业的速度，降低了人工成本，并且减少了“人到货”订单拣选模式对拣货员工作经验的高度依赖，适用于品种多、批量小、批次多的订单，符合现在电商行业的发展特点。
3.在“货到人”订单拣选作业模式下，移动货架搬运前需要根据订单信息对订单进行合理分批。如何实现高效的订单分批是本发明研究的重点。本发明以货架搬运总次数最少为目标建立数学模型，首先根据订单之间的关联性，以订单相似度最大为订单批次划分规则，求解订单分批模型得到初始分批批次，然后采用萤火虫算法优化初始分批结果，得到最终订单分批结果。


技术实现要素：

4.为提高“货到人”订单拣选作业效率，将多个订单进行分批处理，机器人依据订单分批结果和已知的订单信息完成订单拣选作业。本发明以货架搬运次数最少为目标建立订单分批模型，首先以订单相似度最大为划分依据，求解订单分批模型，实现初始订单分批集合，然后设计萤火虫算法对初始订单分批结果进行优化，减少货架总搬运次数，缩短机器人搬运货架重复行驶的距离，减少订单拣选作业成本，提高订单拣选作业的效率和准确度。
5.为了实现上述目的，本发明采用如下技术方案：本发明提供了“货到人”拣选作业订单分批优化方案。
6.第一，本发明构建了以货架搬运总次数最少为目标的订单分批数学模型。
7.机器人所需行驶的距离和时间都与货架所需搬运次数有关，通过减少货架搬运总次数，可以降低机器人完成订单拣选作业的成本，提高订单拣选效率。本发明建立了以货架搬运总次数最少为目标的订单分批数学模型，设置了以下约束条件：（1）每个订单只能存放在一个批次内；（2）每个批次内的货架只能进行一次或零次搬运，不能重复搬运货架；（3）每个批次内所包含的订单数量，不允许超过拣选台的储位数；（4）批次中各个订单包含的商品种类不超过所属批次中的商品种类。
8.第二，本发明以订单相似度最大为划分依据，求解订单分批模型实现订单初始分批。
9.根据已知的订单信息和商品摆放在货架的具体位置，将订单相似度矩阵中值最大
所对应的两个订单划分在同一个批次，实现订单分批。将多个订单划分在同一批次，可以有效减少货架所需搬运的次数。
10.第三，本发明采用设计好的萤火虫算法优化初始订单分批集合，得到最终订单分批结果。
11.本发明重新定义了萤火虫算法的距离、发光亮度、吸引行为、随机移动等数学描述，距离不再采用欧式距离，而是根据同一位置上不同数字的总个数之和来计算两个萤火虫之间的距离；发光亮度与订单分批数学模型的目标函数有关；吸引行为和随机移动是通过替换解空间中不同批次的订单号进行实现。萤火虫算法的初始解是采用订单相似度规则求解订单分批模型得到的分批结果。
12.经过实验对比可以发现，本发明所提出的订单分批数学模型和求解方法，减少了货架搬运次数，提高了“货到人”订单拣选作业的效率。通过多组实验验证了萤火虫算法结合订单相似度求解订单分批问题的优越性。
13.与现有技术相比，本发明的有益效果是：本发明提出了一种基于萤火虫算法实现“货到人”订单分批问题的优化方法，与之前使用传统算法相比，萤火虫算法结合订单相似度规则求解订单分批问题效果较好。一方面，本发明相较于考虑机器人行驶距离、时间等复杂因素，建立以机器人搬运货架次数为目标的订单分批模型更容易求解，并且机器人所需行驶距离或时间都可以通过货架搬运次数的减少而缩短。另一方面，本发明结合了订单相似度规则和萤火虫算法两者的优点共同求解订单分批模型，货架所需搬运次数相对较少，订单分批结果较好。将本发明的订单分批方法与未分批状态货架所需搬运次数进行对比，改进效果明显，验证了本发明的有效性和可行性。
附图说明
14.图1 求解算法流程图。
15.图2 订单分批过程图。
具体实施方式
16.本发明提出一种基于萤火虫算法的“货到人”订单拣选作业的订单分批优化方法，将设计好的萤火虫算法用于订单分批模型求解，并按如下步骤执行：步骤一：订单分批模型建立。
17.订单分批参数定义和变量说明：
目标函数：最小化货架搬运总次数约束条件：1.每个订单只能存放在一个批次内2.每个批次内的货架只能进行一次或零次搬运，不能重复搬运货架3.每个批次内所包含的订单数量，不允许超过拣选台的储位数p；4.批次中每个订单所包含的商品种类不超过所属批次含有的商品种类数；决策变量：
5.判断订单z是否被划分到订单批次n中6.判断订单批次n是否搬运货架y7.判断订单批次n是否包含商品x。
18.步骤二：基于订单相似度的订单分批求解。
19.根据已知的订单信息和货架位置信息，本发明按照订单相似度规则对大批量订单进行分批，计算所有订单之间的相似度，构建订单相似度矩阵，找到订单相似度矩阵中值最大对应的订单z1，z2，判断z1、z2是否属于已有订单批次集合，如果是则将订单z1或z2分别添加至对应的订单批次中，否则将订单z1、z2划分为同一批次，构建新的订单批次，把多个订单划分在同一个批次，可以有效减少货架所需搬运的次数。
20.订单相似度=每个订单内部的相似度+两个订单之间的相似度每个订单内部的相似度是指订单内的商品在同一个货架上的商品对数，两个订单之间的相似度是指将两个订单的商品组合在一起，计算在同一个货架上的商品对数。
21.订单相似度计算方法举例说明：每个货架可以存放五种商品，每个货架按商品编号1-5，6-10，11-15，16-20......依次存放商品，有2张订单a={12，17，18，27}，b={11，13，26，28，30}，计算订单a、b的订单相似度:o
1a
={17，18}=1，o
1b
={11，13}、{26，28}、{26，30}、{28，30}=4，o
2ab
={11，12}、{11，13}、{12，13}、{17，18}、{26，27}、{26，28}、{26，30}、{27，28}、{27，30}、{28，30}=10，o
ab
=o
1a
+o
1b
+o
2ab
=1+4+10=15。原本未分批时订单a、b需要搬运货架为3+2=5次，依据订单相似度最大划分为同一批次订单后，需要搬运货架3次，减少了2次货架搬运。
22.将a={60 ，12 ，58，45 ，89 }，b={56 ，97 ，47 ，59 ，33 }，c={6 ，85 ，100 ，34 }，d={24 ，91 ，21，10，7}，e={94 ，77 ，93 ，70}，f={92 ，95 ，90 ，68 }6个订单进行分批，通过计算订单相似度可以分成3批订单n1={a，b}，n2={c，d}，n3={e，f}，进行分批前货架需要搬运货架21次，分批后需要搬运货架17次，节约了4次，如附图2所示。
23.步骤三：基于萤火虫算法的订单分批优化求解。
24.萤火虫算法的相关数学定义：定义 1 萤火虫的相对萤光亮度为萤火虫的相对萤光亮度为其中：ii是萤火虫i的绝对亮度；γ是光强吸收因子；r
ij
是萤火虫i和j之间的欧式距离。
25.定义 2 萤火虫之间的相对吸引力为：其中：β0为最大吸引度，是光源处，即r=0时的吸引度，γ、r
ij
的意义同上。
26.定义 3 萤火虫j被萤火虫i吸引，萤火虫j的位置更新为：其中：t为算法的迭代次数，x
j(t+1)
代表萤火虫j在第t+1次迭代的位置；β
ij
是萤火虫i对萤火虫j的吸引力；α为常数，取α[0，1]；rand是在[0，1]上服从均匀分布的随机因子。
[0027]
萤火虫算法的设计：采用实数编码方式，建立个体位置与问题解之间的映射关系，随机生成若干个订单，使萤火虫初始分布具有随机性。订单分批模型求解的是最小化问题，萤火虫算法的发光亮度设计成每个萤火虫对应货架搬运总次数的倒数。
[0028]
萤火虫个体的亮度与萤火虫之间的距离有关，萤火虫之间的距离不再采用欧式距离，为方便计算，萤火虫个体之间的距离通过计算在同一位置上不同数字的总个数之和进行求解。举例说明，如z1=[1,2,1,3,4,1,2,5]、z2=[1,2,3,3,4,1,3,5]，萤火虫z1、z2之间的距离为r=2，数字不同的位置分别是3和7。
[0029]
萤火虫的位置更新有吸引移动和随机移动两种，吸引移动是在邻域范围内，萤火虫i寻找更亮的萤火虫j并计算两者之间的距离r
ij
，记录所有比萤火虫i亮的萤火虫，找到最亮萤火虫k后并朝着萤火虫k方向移动一步。萤火虫的随机移动是对于邻域范围内最亮的萤火虫k进行位置更新，随机移动就是对不同批次里的两个订单进行任意替换，避免陷入局部最优。举例说明：订单批次1={[1，23，5，7]、[2，4，16，8]、[13，6，9，12]}，订单批次2={[12，3，26，27]、[11，13，17，18]、[19，10，22，21]}，对订单批次1、2的第2个订单进行交换得订单批次1={[1，23，5，7]、[11，13，17，18]、[13，6，9，12]}，订单批次2={[12，3，26，27]、[2，4，16，8]、[19，10，22，21]}。
[0030]
本发明采用订单相似度规则和萤火虫算法对建立的以货架搬运总次数最少为目标的订单分批模型进行求解，对随机生成的40个订单进行订单分批，按照原始订单进行拣选，货架需要搬运总次数为160次；以订单相似度最大为批次划分依据，40个订单可以划分成5批，货架搬运总次数为69次，与未分批按单拣选搬运货架总次数相比，优化了56.8%；采用萤火虫算法对订单相似度分批结果进行优化，40个订单可以分为4批，优化后货架搬运总次数为64次。与初始状态货架搬运次数比较，萤火虫算法优化了60%，与按照订单相似度划分实现订单分批相比，减少了5次货架的搬运，优化了7.2%。通过多次实验验证了本发明所提出的订单分批优化方法具有有效性和可行性。