英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
An association-based clustering approach to order batching considering customer demand patterns
摘要
20世纪80年代以来,对仓储系统的研究引起了人们的兴趣，提出了供应链管理是在整个供应链中追求产品多样性高、订单规模小、整个供应链响应时间短的需求驱动组织。这一市场趋势对仓库管理和运营有着巨大的影响。订单分批法试图通过将小订单合并成批来实现大容量订单处理操作。订单批处理是订单处理的一种基本操作,其中几个订单被分组为几个批次。本文介绍了一种基于数据挖掘和整数规划的订单分批方法的发展过程。发现订单之间的重要关联是很有价值的,这样一批订单中的某些订单的出现就会导致同一批中其他订单的发生。可以建立一个基于0-1整数规划的订单聚类模型，以实现每批订单之间的关联最大化。从几个测试问题的结果来看该方法能够很好地解决订单批量问题的质量问题。
关键词：仓储；订单分批；数据挖掘；关联规则；0-1整数规划
导言
最近，仓库经理不得不对市场的变化做出反应，因为客户在市场结构方面获得了更多的权力。在供应链中的供应商、分销商和客户之间建立起一种必不可少的联系。供应链管理追求的是一个需求驱动的组织，具有高产品多样性、小订单规模和整个供应链中可靠的短响应时间。这一趋势极大地影响了仓库的管理和运营。仓储涉及仓库或配送中心内的所有货物流动:接收、储存、拣选、堆放、分拣和装运。一般来说，仓储需要大量的产品运输，仓储业务的高效发展可能会大大减少产品的移动。
通常使用四种方法来减少仓库中的旅行时间或距离，使用更多的电子控制机制[2]。它们包括:(1)确定良好或更好的采摘路线;(2)对仓库进行分区(即,挑选者只选择其指定区域内的订单的那一部分);(3)将产品分配到正确的存放地点;(4)将订单分配给批次。在选单操作中,定单采摘者可以采用单次取单(同时取一个定单)或批选(同时取一组定单)。批次是在一次单程中拣选的一组订单，一批订货不得超过拣货车的储存容量。通过分批采摘,可以获得较高的生产效率和较高的生产效率对于这种方法,在采摘操作之前必须合并订单。仓库经理对选择客户订单的最经济的方法很感兴趣,这样可以最大限度地减少在距离和/或花费时间方面所涉及的成本。
由于平均旅行时间或每个订单的平均旅行距离的减少，分批挑选在仓储中可能更有成本然而，在文献[3]中,对有序分批问题的研究相对较少。启发式方法由于其数学公式非常复杂，被普遍应用于解决顺序分批问题。在文献[3-9]中引入了一些批处理启发式算法,以使运算符和/或S/R(存储/检索)机器的总行程最小化。Van den Berg[1]对这些批次启发式算法进行了研究。大多数启发式算法为批次挑选种子顺序(初始订单)，然后用接近种子顺序的订单展开批，只要车辆容量没有超过。
Elsayed和Unal[6]发展了节省时间的批处理启发式算法。Elsayed和Stern[5]考虑了批次启发式的各种邻近性度量,他们发现通过实验,它们都没有产生一致的优越结果。在批次启发式的比较研究中,潘和刘[10]推荐了黄和李[9]提出的一种批次启发式。它们的算法根据邻近度进行聚类,由属性向量来度量。此外，Elsayed和Lee[11]和Elsayed等人[12]发展了批次启发式算法，使S/R机器上的人员在挑选订单时的提前性和延迟性最小化。
以前关于订单批次的研究侧重于开发启发式方法,将少量订单(例如5-30个订单)分配给批次[3]。在这些先前的研究中,Gib-son和Sharp[7]Rosenwein[3]提出了启发式方法,为更现实的仓库环境提供了结果。Rosenwein[3]比较了各种近似的数据度量,为批次分配订单提供了定量依据。然而, Rosenwein[3]与吉布森和夏普[7]-起给每个产品项目贴上了近似的标签。他们假定每个物品在仓库中的位置都是它的走道索引,但并没有把一个物品的特殊8c位置放在过道内。另外，大多数以前的批处理方法都集中于单通道布局的仓库中的订单聚类问题。这些分批方法很少适用于平行过道情况[13]。例子有Elsayed[4]、Elsayed和Stern[5]、Elsayed和Unal[6]、Hwang等人[8]、黄和李[9]以及潘和刘[10]。Rosenwein[3]和Gibson和Sharp[7]提出的顺序分批方法最适用于平行通道布局的大型仓库。
订单批量问题的最优解是非常困难和费时的，因为向旅游分配特定订单的行程距离或旅行时间取决于分配给该旅游的其他订单[3]。基于优化的方法似乎是不切实际的,因为订单批次的数学模型的制定非常复杂。基于优化的批处理方法的报告结果也仅限于-小部分订单的问题。Vinod[14]提出了 解决批处理问题的整数程序.给出了一个说明性的例子，其中只从14个订单中将7个批次进行了分组。Kusiak等人[15]利用整数次规划给出了八阶分批结果。阿姆斯特朗等人[16]半自动取单系统中的定单分批问题。提出了-种以最小化处理时间为目标的混合整数规划,并用Bender分解法求解。在低温下,只有非常有限数量的研究开发了基于优化的配料过程。
本文建立了一个基于0-1整数规划的聚类模型,使各批订单之间的关联最大化。顾客的关联可以从订单数据库中找到。在仓储中安排订单批次时,可以利用数据挖掘技术从订单数据库中对关联信息进行有益的发现。在数据挖掘中,关联规则[17,18]是形式X rArr;Y的描述模式,其中X和Y是对象的集合。关联规则的著名应用是市场篮子分析,其中市场篮子代表了一次商店访问中被顾客追逐的一组产品。在本文研究的订单分批问题中,可以采用关联规则来识别订单之间的联系,从而重新考虑客户的需求关系。当另一个订单(Order Oj)包括该产品时,将一个产品包含在一个订单(Order Oi)中,表示一个于需求关系的关联规则(Oi→Oj)。关联信息是定单分批的定量基础,在批次过程中可以将不同的顺序数据结合在一起。
利用关联规则挖掘,从支持度和可信度两个方面确定了关联级之间的关联。订单关联意味着客户需求关系,它们可以从客户订单中包含的产品项目中提取出来。这些需求模式示产品项目的组,这些产品经常或-组合在-起。具有相似需求模式的订单可以分组，以最小化仓库中的采摘距离。关联函数可应用于订单之间的8ND关系。与较高关联的订单可能有更多相似的产品项目同时订购。通过使用0-1整数规划,使用一种将客户需求关系(订单之间的关联)最大化的聚类方法将订单分组。
如上所述，以前的研究通常使用近似的距离和时间度量，因为用数学方法计算订货批量的旅行距离和时间是很复杂的。本文的目的不是使用近似度量，而是利用直接从订单数据库中发现的客户需求模式信息开发一种批处理方法。通过这种订单批量的方法，订单拣选人员或S/R设备的总行程可以大大缩短，因为订单中相似的产品项目被分组成批并同时拾取。所提出的基于关联规则和整数规划的方法，即ARIP，可以提供一个自动的有效的订单合并过程。以下部分介绍订单批处理问题的基本信息。第3节和第4节介绍了拟议的ARIP订单批处理方法。第5节报告了计算结果。最后，第6节对本研究进行了总结。
订单分批概述
本文采用Rosenwein[3]中顺序分批的术语。物品是仓库产品的唯一标识符。每个项目都分配到仓库中的唯一位置。行项是客户对特定数量的特定项目的请求。顾客订单是客户对一个或多个行项目的需求。采摘功能包括-一个拾取器(器皿房操作员)和/或一台S/R机器,它穿过仓库内的过道,并从仓库设备中提取物品。选择器选择与一个或多个订单(批次)相关的所有行项目。通常情况下,将几个小订单组合成一个更大的批次在劳动力方面是更好的。
订单分批是一种流行的策略,以减少旅行距离或旅行时间的顺序选择。对于批量采摘方法，订单必须在采摘操作前进行合并批次是在一次单程中挑选的一组订单[1]。给定一组订单,每个订单几个项目组成,这些物品将从仓库内的已知存储位置以水平旅行的方式检索。每个订单都是完全包含在一个批次中的，即不允许在两个或多个批次之间分割订单。每批不应超过拾取车辆的能力。批处理过程安排每一组订单 ,这些订单可能由巡演中挑选的类似项目组成。确定好的订单批次是减少仓储中旅行距离或时间的一种有效的控制机制。在本研究中,根据关联规则挖掘得到的支持和可信度,将订单分组,以最大化客户需求关系。
订单列出顾客从配送中心或器皿屋重新查询的项目和数量(行项目)。在本研究中订单分批过程操作于从客户订单数据库转换而来的项目订单表。表1所示的示例给出了一个小订单数据库，该数据库只有包含五个不同项目(A、B、C、D和E)的四个订单(O1、O2、O3和O4)。例如，在此表中，顺序标识符(OID)O1，请求一个A，两个C和一个D。
Table 1 An example of order-item data
|
OID |
Items |
|
O1 |
A(1) C(2) D(1) |
|
O2 |
B(3) C(1) E(4) |
|
O3 |
A(2) B(2) C(2) E(1) |
|
O4 |
B(4) E(2) |
本文提出了-种基于关联规则挖掘和0-1整数规划的订单分批方法,即ARIP。在该方法中,第一阶段利用关联规则挖掘实现了客户订单(客户关系)之间的关联恢复。在第二阶段，使用聚类方法通过0-1整数规划将订单分组。第3节和第4节给出了所提议的ARIP顺序分批方法的进一步细节。
挖掘客户需求关系
数据挖掘技术在数据库中搜索任何8c预先确定的假设,以生成信息规则、约束和规则等信息，这些信息以前是未知的,而且是潜在有用的[19]。因此,可以确定从数据挖掘中发现的信息,以便在收集数据的任何任务支持更好的决策。数据挖掘已经成为保持竞争优势的重要因素,主要是因为目前企业对利益的争夺日益激烈。
关联规则挖掘是数据挖掘领域最流行的技术之一: 一个可以使用关联函数构建的典型应用程序是市场篮子分析[19]。通过挖掘篮子数据,营销者将在交易数据和产品项目之间形成一个关联函数,这些关联通常被客户追逐在一起。数据库中的事务可以看作具有布尔属性的记录,每个属性对应于单个产品项。一个跨行动代表在一次商店访问期间购买的产品。在挖掘篮子数据时,没有考虑到事务中每个项的数量。产品之间的关联可以用于经常一起购买的8ND系列产品。也就是说,在一项交易中存在一些产品项目将意味着在同一交易中存在其他项目[17-19]。
对于市场篮子分析,关联函数是对返回产品销售之间关系的记录集的操作。这些关系可以用“A,B rArr;C[支持=10%,可信度=50%]这样的规则来表示。这一关联规则意味着在分析的所有记录中,10%的记录表产品项目A、B和C是共同存在的。50%的可信度意味着包含A和B的记录中有50%也包含C。协会可以在规则的任何-包含任何数量的项目。规则支持和信任是规则兴趣的两种重要度量。通常,如果关联规则同时满足最小支持度和最小信任度阈值,则被认为是有趣的。这些阈值可以由有经验的用户或领域专家指定。
关联规则挖掘在产品选择[20]、行为变化检测[21]和成组技术[22]等各种商业和工程问题中得到了成功的应用。在考虑客户需求模式对订单进行分组时,采用关联规则挖掘方法,从订单数据库中覆盖客户订单(客户需求)之间的关联度量(支持和信任)。在顺序批处理中,订单项数据表(例如,表1)被转换为项目顺序数据表(现表2),因为订单关系是必需的,而不是prod-UCT项关系。顺序分批问题可以充分转换成类似于布尔事务数据中上述篮子分析的格式[23]。通过使用关联规则挖掘,可以从项目订单数据表中找到客户订单之间的关系。具有更多相同产品项目的订单可能具有更高的关联，并且这些客户订单可能形成订单批次。
Table 2 An example of item-order data
|
IIDa |
Orders |
|
A |
O1, O3 |
|
B |
O2, O3, O4 |
|
C |
O1, O2, O3 |
|
D |
O1 |
|
E |
O2, O3, O4 |
aIID: Item identifiers
Apriori算法[17]是一种比较新的方法,被认为是关联规则学习的解决方案之一。 Apriori的任务可以是如下[17-19]所有集合(项目集)的事务支持超过最小支持。对项目集的支持是数据库中包含项目集的事务的百分比。最支持项集称为“大型项焦”或“频繁项集”。为了获得订单批次的客户订单之间的关联,关联规则挖掘尝试对所有订单集(“Orderset”)进行关联。Apriori顺序批处理算法中使用的符号和定义遵循Agrawal等人[17]、Srikant和Agrawal[18]和Han和Kamber[23] 的定义，并作了一些必要的修改。
- 设I={l1,l2,hellip;,lm}是一组名为Orders的文字。
-
设与任务相关的数据D是一组项目订单数据，其中每个订单标识符(OID
全文共14837字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1822]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
