基于數據挖掘的倉庫智能存儲策略研究

文康龍，孔凡超

（1.成都賽普瑞興科技有限公司，四川成都，610091；2.中石油西南油氣田分公司川中油氣礦龍崗采油氣作業區，四川南充，637676）

引言

高效的倉儲管理對于企業的供應鏈來說至關重要，倉儲可以看做是將上游供應商和下游客戶連接在一起的中介。為了提高公司的競爭力，大部分的注意力都放在了生產和銷售上，而倉儲管理也同樣重要，有效的倉儲操作大大減少了訂單運行中距離的選擇，在最短時間內將產品交付給顧客，也大幅度的降低了成本。

在倉儲管理中，根據訂單進行產品挑選時自動化最密集的操作，一些研究表明，訂單的取貨成本可以占到總倉儲運營成本的 55%以上。因此訂單的挑選過程可以優化，同時分配產品到正確的存儲位置也對訂單挑選時間有很大的影響。在有關倉庫存儲策略的文獻中，最常用的位置分配策略是：最近空位法和固定分類法。最近空位即將產品放置在里輸入/輸出口最近的空位上，這種策略在大多數的情況下減少了放置時的運行距離。在固定分類中，每一個產品都被放置在預先分配好的固定位置，就算產品缺貨位置依然會被保留，這種方法的優勢在于，訂單采購者熟悉每一個產品的位置，他們可以用更少的時間來定位產品。

最近空位法和固定分類法是倉庫存儲策略的兩個極端，現有的的研究表明，在倉庫使用率較低時，最近空位法效率更高，而在倉庫利用率高的時候，固定分類法的表現更加好。

1 倉儲模型建立

模型是一個零部件的倉庫，倉庫的布局如圖1所示，倉庫有M個垂直的儲物架，每個架子都有M個位置，在架子的兩邊有相同的間隔，架子上每個選擇位置只能存放一種產品，在倉庫最左邊的角落是產品的進出口，在貨架的兩端都有通道，進貨和出貨的操作都是通過操作運貨卡車完成的。

為了最大限度的減少對產品放置和訂購時的總運行距離，提出針對存儲位置的分配算法，來確定存儲產品的位置，以便將相關的產品放在相近的位置，一個完整的倉儲過程如下：當一個客戶的訂單發送到倉庫，上面所需求的產品和數量會被列在一個訂單列表中，訂單挑選系統會根據系統生成的選擇路徑從貨架上收集商品，然后挑選用的卡車返回產品輸送口，當產品的庫存數量不足以滿足訂單的要求，或者少于預定的標準時，就需要重新制定訂單來補充貨物，一旦接受到訂單，產品會根據倉儲策略系統將產品放置到制定的位置。

圖1 倉庫模型圖

將倉庫存儲位置分配問題轉變成程序化語言，定義有P件產品即將放置在倉庫中，還定義倉庫中空余的位置為L，假設L≥P，即有充足的容量來存儲即將到來的貨物，產品輸送口的位置定義為0，對于相鄰的產品i和k，定義關聯強度：Aik，由數據挖掘算法得出，表示產品之間的相關強度，用來衡量產品i和k之間的關系。為了定義產品在某一位置的適合度，定義Fij為產品i在位置j的適合度，Fij基于兩個因素，第一個位置j距離產品輸送口的距離，定義為dj，第二個它和周圍產品的關聯強度，即是否和周圍的產品有很強的關聯性，發現在位置j直線距離內才屬于其周圍的產品，定義這些相關聯的位置為nj，可以得到當產品k的位置在nj內，則所有在nj內的產品與產品i的關聯強度Aik的總和（注意Aik≠Aki意味著訂單中有產品i就有產品k并不等于訂單中有產品k就有產品i）。最后基于過去的訂單記錄和帕雷托法則將產品的重要程度按照ABC等級劃分將其定義為Wi。

2 公式和算法

對于在位置j放置的產品i，為描述其適合度，定義α和β分別作為關聯強度和運行距離的權重，適合度定義為下面的公式：

K：位置J相鄰的產品；α和β分別作為關聯強度和運行距離的權重

在公式（1）中Wi/dj意味著，相比于C類產品，更受歡迎的A類產品將被放在離產品輸送口更加近的位置。α和β用來平衡這兩個參數的效果。當α設為0時，產品將被放在離產品輸送口最近的地方，相反的，當β為0時，只考慮將它放置在使它關聯強度最大的位置即將它放在與它最相關的產品附近而不考慮距離。一種初始化定義α和β的方法是，確定一個特定的產品i和其Wi，當把其放在離輸送口最近的位置而不考慮關聯強度，和將其放在最遠位置此時關聯強度最大，兩者的適合度是相等的。α和β的可以由以下等式計算出：

3 實驗分析

交易數據和客戶訂單是由ARtool平臺生成的，產品之間的相關性對于位置分配很重要，因為研究的重點是利用相關性的信息得到存儲分配策略，而不是提取方法的效率，所以這里采用關聯規則算法（The Apriori algorithm）。這種算法更加常見和高效。

3.1 實驗模擬

為了模擬操作的不同規格，測試了M分別為30,40,50的倉庫，倉儲空間分別為1800,3200和5000，使用ARTOOL軟件，指倉庫大小，定庫存量單位（Stock-Keeping Unit），訂單數量和產品相關等等，得到了2000個客戶的訂單，隨機抽取1000個訂單作為歷史記錄，來進行關聯規則和受歡迎程度的計算。另外1000個訂單作為過程的模擬。

除了倉庫大小的參數外，還考慮了庫存量單位和訂單中項目的數量，對于M為30和40 的倉庫，考慮每個訂單的數量為15。M為50的倉庫則考慮到訂單數量為20。

3.2 實驗結果

測試三種方法：存儲位置分配算法(Association Rule Based storage location assignment algorithm (ABP))；最近空位(the closest open location(COL))；固定分類(purely dedicated (Dedicated))。在表1顯示中，在C4總距離方面，提出的ABP算法與最近空位相比，節省了很多距離，從11%到37%不等，與固定分類相比，節省的距離十分顯著，從35%到61%不等，如果我們采用ABP算法，將節省很大一筆費用，特別的對于更大的倉庫來說，這樣的優勢更加明顯，而結果中SKUS的數量并沒有產生很大的影響。

表1 倉儲實驗結果

4 結論

在本文中提出了一種存儲分配算法，利用數據挖掘技術找到客戶訂單中不同產品之間的關聯，從而安排這些產品在倉庫中放置的位置，在不犧牲太多進購貨物擺放時間的前提下，優化了挑選貨物的過程，同時考慮了離輸送點遠近和產品之間相關聯的情況。

這種方法的性能是通過測量總的運輸距離來檢測的，與最近空位法和固定分類法相比較，提出的方法在改善總體倉庫方面效率更高，在大城市中，倉庫租金高，空間利用率有限，此方法可以優化空間利用率，節省成本。

總而言之，數據挖掘是一個很有希望的領域，在信息技術變得越來越強大和廉價時，數據更加容易獲得，同時，大數據將成為今后的熱門話題。

[1]杜宇峰.考慮干擾風險影響下應急物流倉儲量最優模型分析[J].物流技術,2014,33(1);203-205

[2]鄧莉.云時代的倉儲物流與“互聯網＋”的融合研究[J].改革與戰略,2017,33(5):131-133.

[3]羅勇.供應鏈金融質押物倉儲空間分配的魯棒優化[J].鐵道科學與工程學報,2016,13(2);394-400

[4]宋憲明.基于數據挖掘和數據倉庫的用戶重購行為的研究[D].山東大學, 2016.

[5]林驍尉.基于數據挖掘的貨品存儲分配策略研究[D].大連海事大學, 2010.