[发明专利]一种基于智能分析算法的物资上下架方法

说明书

本发明公开了一种基于智能分析算法的物资上下架方法，基于蚁群和遗传算法，将基于路径相似度的信息素更新应用于遗传算法的适用度函数，根据同一物资历史上下架、转储后再出库、预计在库时间情况，同时兼顾避免物资积压，同批次同种类物资在库时间较长物资优先下架，构造非线性序列，并进行相关度分析，推荐上架仓位。本发明融合蚁群和遗传算法，将基于路径相似度的“信息素”更新应用于遗传算法的适用度函数，不仅能够提高聚类的收敛速度，还能够提高聚类的准确性，从而提高仓位推荐的准确性，提高推荐效率。

技术领域

本发明属于电力领域，涉及一种物资上下架方法，具体说是一种基于智能分析算法的物资上下架方法。

背景技术

结合仓位分布、大小、承重等特点，分析历史库存上下架记录、仓位周转率等数据，制定仓位智能推荐策略。目前在仓位智能推荐中经常使用的智能算法有蚁群算法、遗传算法、神经网络法、粒子群算法等。针对传统蚁群算法在仓位推荐初期存在盲目性，搜索空间大、效率较低，而遗传算法全局搜索方面的能力较强，但在搜索后期启发信息利用不足等缺陷。

发明内容

本发明的目的是提供一种基于智能分析算法的物资上下架方法，融合蚁群和遗传算法，将基于路径相似度的“信息素”更新应用于遗传算法的适用度函数，不仅能够提高聚类的收敛速度，还能够提高聚类的准确性，从而提高仓位推荐的准确性，提高推荐效率。

本发明的目的通过以下技术方案实现：

一种基于智能分析算法的物资上下架方法，其特征在于：基于蚁群和遗传算法，将基于路径相似度的信息素更新应用于遗传算法的适用度函数，根据同一物资历史上下架、转储后再出库、预计在库时间情况，同时兼顾避免物资积压，同批次同种类物资在库时间较长物资优先下架，构造非线性序列，并进行相关度分析，推荐上架仓位。

具体步骤如下：

步骤一：基础数据处理

针对历年物资上下架仓位数据，上架根据仓位利用率、同批次同进深、巷道均匀分布、先列后层、筛选空托盘巷道五种策略进行仓位推荐，下架根据先进先出或先进后出策略进行仓位推荐，将所有策略推荐出的仓位记录下来，进入步骤二；

步骤二：仓位推荐分析

基于步骤一中得出的仓位，再利用遗传算法模型、出入库效率原则模型和货架稳定性模型进行仓位推荐分析，与步骤一中的结果结合，得出上下架仓位推荐的最优解；

步骤三：仓位推荐结果输出

系统运行结算后，按照指定格式推荐出最优上下架仓位及候选仓位列表；

步骤四：上下架仓位信息收集

将此次物资上下架的仓位信息进行收集，添加到物资出入库仓位数据库中，作为下一次上下架的基础数据进行处理。

本发明通过分析历史4-5年的物资出入库仓位数据，结合物资、仓位基础信息及物资在库时间，构造物资出库仓位和在库时间的数据序列，以物资需求时间为参考预测物资出库时间插入变量，并进行序列相关度分析，提出合适的仓位推荐列表组合，推荐出本次上下架物资的仓位，从而提高仓位推荐的准确性，提高推荐效率，提高仓储作业效率、仓库利用率。

附图说明

图1是本发明流程图。

图2是本发明遗传算法模型图。

具体实施方式

一种基于智能分析算法的物资上下架方法，基于蚁群和遗传算法，将基于路径相似度的信息素更新应用于遗传算法的适用度函数，根据同一物资历史上下架、转储后再出库、预计在库时间情况，同时兼顾避免物资积压，同批次同种类物资在库时间较长物资优先下架，构造非线性序列，并进行相关度分析，推荐上架仓位。