网络购物的快速发展, 使得电商企业产生大量的物流订单,这些订单数量呈
现海量性, 订单中物品品项呈现小批量、 多品种、 多批次的特点,给第三方物流
企业的分拣作业带来很大的难度。分拣环节在整个订单履行环节中是除了运输之
外耗费时间的环节, 平均分拣时间要占仓库内订单履行时间的40%以上,如果
按照订单到达时间顺序分拣不仅费时费力, 而且易出差错, 效率低下。订单分批
是分拣优化中的一个有效的方法,按照一定的规则将一定数量的订单聚集到一
类, 减少分拣人员的行走距离, 从而减少订单分拣时间,提高仓库的分拣效率。
本文采用数据挖掘算法对订单分批问题进行探究,根据订单的特征以及订单
之间的关联性, 采用K- Means聚类算法进行聚类,得到有效的分批结果, 降低分
拣时间, 提高订单分拣的效率。 为避免K值选择的盲目性,首先使用canopy算法
对订单集进行初始聚类, 得到初始的中心点和K值, 然后使用K-Means算法进行
优化, 后对聚类结果进行排序, 得到较优的分批结果。
订单分批的目标是为了小化订单的总分拣距离,通过将有相似分拣要求的
订单化分为一批, 降低重复分拣的通道数, 从而减少每个批次分拣的距离,保证
总的分拣距离短。各商品的分拣路线。在此基础上需要考虑分拣设备的容量以及相应
的假设, 相应的假设如下。
( 1) 每一种商品对应仓库里的一个货位( 2) 在计算分拣距离时,默认采用
S- shape路线。 ( 3) 不考虑货物的垂直运动距离。 ( 4)订单不可分( 5) 每个订
单包含的物品项要少于设备的分拣能力( 6) 不考虑缺货。
物流仓库的订单分拣优化为应用背景, 利用K-Means聚类方法与
Canopy方法对订单分批问题进行了研究和探索,利用canopy方法生成k值及聚
类中心, 作为K- Means算法的输入, 避免了K-Means算法k值生成的随意性。 同
时在确定canopy算法生成中心点时, 优化选取了聚类中心点,避免了canopy聚
类的盲目性与随意性