[发明专利]一种解决基于大规模订单的产品储位优化的方法

权利要求书

1.一种解决基于大规模订单的产品储位优化的方法，其特征在于，包括以下步骤：

S1、录入订单数据；

S2、建立产品关联性模型，计算获取关联性矩阵；

S3、在步骤2的基础上，建立产品聚合类频次模型，确定聚合类簇数；

S4、在步骤3的基础上，建立产品周转率度量模型，利用谱聚类算法计算；

S5、基于规则实现储位指派；

S6、完成布局。

2.如权利要求1所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，所述步骤2具体如下：

产品关联性体现为仓库内不同产品出现在同一订单内的次数，同时与自身的出库次数做参照，产品关联性的计算公式如下：

其中：为产品编号；为产品种类数；为同时订购产品的订单数量；为订购产品的订单数量；

根据上述公式则可得产品间的关联性矩阵，如下：

产品间的关联性具有对称性，故为对角矩阵，且各元素的取值范围为[0,1]，矩阵的对角线为0，即同一产品的关联性为0，此处设置与谱聚类所需的初始邻接矩阵要求相关。

3.如权利要求1所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，所述步骤3具体如下：

经计算后，将仓库内产品分为了类，而第类产品的订购频次占比对其定义为：

其中，为产品集合；为聚合类中的产品集合。

4.如权利要求1所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，所述步骤4具体如下：

产品的周转率可定义为：

其中，为产品的出库总数量；为产品的平均库存数量。

5.如权利要求4所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，

基于谱聚类的物料关联挖掘算法具体步骤如下：

S41：生成相似度矩阵；

S42：计算度矩阵；

其中：

S43：生成拉普拉斯矩阵;

S44：正规化拉普拉斯矩阵

S45：计算前个最大特征值所对应的特征向量，构成矩阵；

S46：使用K-Means算法获取聚类中心；

S47：将聚类结果投影至原数据，获得聚类结果集。

6.如权利要求1所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，步骤5中所述的规则具体如下：

评价聚合类，将订购频次占比高的聚合类放在离进/出口近的位置；

找参照产品，将每个聚合类中周转率最大的物料放置在离进/出口近的位置；

比照聚合类中的所有产品，同一聚合类中，其余物料根据其与周转率最大的物料的相关性进行放置，相关性越高，离进/出口的位置越近。

指派储位的层数与列数决策，当储位指派的层数高于下一列的最高层有3层，则将储位指派至下一列。

7.如权利要求6所述的一种解决基于大规模订单的产品储位优化的方法，其特征在于，找参照产品中聚合类中周转率的再优化包括以下步骤：

若一个聚合类中周转率最大的物料有两个及以上，则分别以该几种物料为周转率最大的物料，计算其与聚合类中其他物料的相似度之和，值最大的物料放置在离进/出口近的位置。