基于关联规则的货位优化问题研究
来源:用户上传
作者:
【摘要】仓储是物流的基本功能之一，在物流活动中起着重要的作用，仓储作业中的货位布置、空间优化以及合理科学的管理方法都是仓储管理的重要内容，也是影响仓储成本、费用的重要原因。本文采用关联规则的方法对某配送中心的历史出库订单进行数据分析，从而进行货位优化，即找出关联性强的货物并将其储存在一起或者邻近的位置，这样可以通过减少拣选次数，从而提高作业效率。
【关键词】仓储;关联规则;货位优化
1 引言
货物在仓库中主要经历入库、拣选、出库这三个环节，而货位的分配在很大程度上影响了仓库的空间利用率和订单的拣选效率，从而影响仓库成本以及服务能力水平。有关货位分配的策略可以分为三种，分别为随机策略、定位策略及分组策略，这三种策略多应用于企业。随机策略是货物在仓库中的储存货位是采用随机分配的方式，随机分配能够保证仓储空间的有效利用，货位分配效率高，但是对于出库频率比较高的货物很有可能离仓库出入口比较远，这样拣选成本就不会趋于最小化。定位策略是固定货物的存储位置，要求拣选人员熟悉货物的种类和存储位置，其可能获得最小拣选成本，但是不能充分利用仓储空间，当仓库存储的货物品种发生变化时，还需要对货物的存储位置就行重新规划，该策略适用于货物规模大且数量多的情况。分组策略是指将货物按照品种进行分类，并将货物指定在固定的存储区域，每种货物对应一种存储区域，且货物的分配是随机的，分组策略结合了定位和随机策略的优点，同时考虑空间和拣选的优化。
叶伟龙，李青在ABC库存分类方法的基础上融入了库存调整的想法，Rene de Koster讨论了随机库存、固定式库存、分类库存和家族组合库存等库存策略，黄丹华等基于提出一种基于COI分类存放原则的混合粒子群算法，用来解决仓库货位优化分配的问题，Gu Jinxiang对仓库的设施规划、仓库运作管理、运作计划、运作决策支持模型进行研究，栾飞使用匈牙利算法对建立的优化模型进行求解，并利用Petri网进行了实例仿真。
本文通过研究某配送中心订单交易历史数据，得到商品的周转情况、商品之间的关系等信息，并据此分析和改进货位分配策略，从而缩短订单拣货的期望路径长度，进而提高订单拣选的效率，降低仓库的劳动力成本。
2 关联规则
2.1相关概述
关联规则方法是数据挖掘中最常用的研究方法之一，可以用来发现事情之间的联系，最早是为了发现超市交易数据库中不同的商品之间的关系。沃尔玛曾今对数据仓库中一年多的原始交易数据進行了详细的分析，发现与尿布一起被购买最多的商品竟然是啤酒。借助数据仓库和关联规则，沃尔玛调整了货架的位置，把尿布和啤酒放在一起销售，大大增加了销量。
关联规则也可应用于物流中的仓储管理，通常情况下，企业仓库中的不同类型的商品在出货或者配送时存在一定的联系，例如，某些类型的货物通常安排在一起进行配送，所以，这些货品在进行存储时如果安排在相邻的存储位置则可以大幅度提高出货或者配送效率。关联规则应用最广泛的是Apriori算法和FPGrowth算法，本实验中是借助FPGrowth算法挖掘商品的关联关系。
2.2相关定义
设I={i1，i2，..im}为项目集合，简称项集;T={t1，t2，..tn}为所有事务的集合，其中每一个事务均具有独立标识，且每个事务ti（i=1，2，…n）分别对应I的一个子集。
设有项目A，BI，且A∩B=，关联分析用表达式A→B表示。关联强度的度量参数为支持度（support）、置信度（confidence）和提升度（lift）。置信度用来表示在包含A的事务中B出现的概率;支持度用来表示A和B同时在事务中出现的概率;提升度表示包含A的事务中B出现的概率与不含A的事务中B出现的概率之比。
设定count（AT）为集合T中包含A项集的事务的数量，那么A的支持度为：support（A）=count（AT）/|T|
关联规则R：A→B的支持度为：support（A→B）=count（A∪B）/|T|其中|T|表示T中包含的事务个数。
关联规则R：A→B的置信度为：confidence（A→B）=support（A→B）/support（A）
关联规则R：A→B的提升度为：lift（A→B）=confidence（A→B）/support（B）
2.3假设条件
（1）不考虑订单中每种货物的数量
（2）仓库中设有区域进行关联存储
（3）商品的储存特点不存在特殊性，既任意商品可以摆放在相邻位置
2.4挖掘过程
（1）找出频繁项集
找出频繁项集，即寻找支持度大于设定的最小支持度的项目集。频繁项集的支持度需要大于或等于最小支持度，最小支持度及最小置信度的确定一般由客户设定。该步骤的重要性最高，整个关联分析的性能将由该步骤来决定。
（2）产生关联规则
关联规则可由事务的频繁项集产生，即在频繁项目集中筛选支持度大于设定的最小支持度的项集的关联规则，这些规则必须满足最小支持度与最小置信度。
3 实例应用
3.1数据信息
本文数据为某立体仓库2017年1月1日至2017年3月30日的出库拣选单明细，抽取订单中商品类别超过10种的数据，发现商品的关联关系。数据实例为118914，特征变量为10，无缺失值。
3.2数据探索
数据探索阶段主要分析商品的整体出库情况，商品总量为376，商品的发货频次分布为1～8621，商品发货频次的均值为3163，标准差为1112，而中位数为7，各统计数值相差很大，说明分布极度离散，即存在发货频次极大的商品也存在大量极小的商品。从该属性分析仓储适合为发货频次大的商品专门设置存储区。通过查看商品行号和订单的关系，数值1表示该序列号存在商品，0表示无。可以得出订单中含有商品最大的种类数为76，而各订单中包含的商品种类数也不一样。 为分析商品之间是否会出现在同一批订单中，选择商品编号为822416221和822416891两种出库频率大的商品，以这两种商品为例，查看出库关联。可以看出这两种商品的出库频次分别为8621和7324，在同一时间拣选的情况下，同时拣选的频次为3105。这两种商品就属于出库频次高且存在关联。
3.3关联发现
为方便快速找出商品关联，基于订单表中的商品和订单，将数据处理成关联事务表，该数据表为377*9612的矩阵，其中列为订单号和商品标号，每一行表示订单中所含有商品的情况，“t”表示商品出现在订单中，“？”为未出现在订单中。
支持度大于50%的频繁项有64种商品。其中依据出现次数从大到小，有六种商品和其他商品存在复杂关联，表中显示商品编号为8294751的商品出库频率最大为8297，支持度为86.32%，与该商品同时出库的商品编号6903148151921的商品，两者同时出库次数为6477，该频繁二项集支持度为67.38%。
单纯从支持度的测量指标找出频繁项集是不够的，还需要借助置信度等找出关联规则，设置最小支持度为50%，最小置信度为80%，前项的最小项集数目设置为3，最终发现209个规则数目，项目中存在重复的商品，在缓冲区摆放商品时就可依据这些规则选择临近的位置。如第一条规则，商品821947511应该和6903148151921，6903148151877，6903148151891放在相鄰位置。
4 结论
仓储储位优化直接影响着配送中心储位利用率、拣货效率、订单执行时间等所有的关键性环节，是配送中心运营和发展过程中的研究和决策的重点。本文是在对某配送中心实际数据的基础上，针对该仓库货位优化方面现存的产品入库时，缺乏灵活性，货位的利用率较低等问题，利用关联规则挖掘出产品的关联性，从而提高整体仓库的作业效率和仓位利用率。
参考文献：
[1]赵士博.基于数据挖掘的货品库位分配策略研究与实现[D].南京：东南大学，2016.
[2]叶伟龙，李青.ABC库存分类的多准则优化方法[J].辽宁工程技术大学学报：自然科学版，2008，27（5）：758761.
[3]Rene de Koster，Tho Le Duc，Kees Jan Roodbergen.Design and control Of warehouse order picking a literature review[J].European Journal of Operational Research，2007，182（2）：481501.
[4]黄丹华，王肃.基于混合粒子群算法的货位优化分配问题[J].应用科技，2013，（4）.
[5]Jinxiang Gu，Marc Goetschalckx，Leon F Mc Ginnis.Research on warehouse operation：A comprehensive review[J].European Journal of Operational Research，2007，177（1）：121.
[6]栾飞.基于匈牙利算法的自动化立体仓库出入库优化调度[J].陕西科技大学学报（自然科学版），2011，（3）.
转载注明来源:https://www.xzbu.com/2/view-14977564.htm
