A 题 分拣系统优化问题         某电商公司配送中心的工作流程分为统计汇总、转运上架、按订单分拣、核对打包等
步骤。其中,分拣环节操作复杂,耗时较长,其效率是影响配送中心整体性能的关键因素。 首先,系统统计汇总出当天全部待配送订单所包含的所有货品及相应数量。然后,转运工
将这些货品由仓库转运至分拣处,并放置到货架上,等待分拣。上架时,一个货架中仅放 置同一种货品。为简化问题,不考虑货架的容积和载重限制,即每个货架能够放置的货品
件数没有限制。最后,分拣工按任务单依次分拣出每一个订单包含的货品。
 

 

 问题1,基于订单之间的相似度,对所有订单排序,然后在满足N<200的情况下取批次,最终取出的批次有85批。

代码如下:
import pandas as pd import numpy as np data=pd.read_csv('D:\Desktop\A题
附件/附件1:订单信息.csv') Matrix=np.zeros((923,1941),dtype='int') # 每一行代表一个订单, from
tqdm import tqdm for i in tqdm(range(0,20340)): for j in range(1,924): if
data.iloc[i,0]=='D'+'%04d'%j : x=data.iloc[i,1] x=x[1:] x=int(x)
Matrix[j-1,x-1]=1 np.savetxt('./Matrix.txt',Matrix,delimiter=' ',fmt='%d')
matrix=np.loadtxt('./Matrix.txt') list=[] U=np.zeros((923,923)) for i in
tqdm(range(0,923)): for j in range(0,923): x=np.sum(abs(matrix[j]-matrix[i]))
list.append(x) sorted_id = sorted(range(len(list)), key=lambda k: list[k])
U[i]=np.array(sorted_id) list=[] U=U+1
np.savetxt('./Distance.txt',U,delimiter=' ',fmt='%d')
Matrix=np.loadtxt('./Distance.txt') list=[1] k=0 z=1 y=np.zeros((1,1941)) for i
in tqdm(range(1000000)): x= Matrix[k][z] if x not in list : list.append(int(x))
#list直接储存订单 z=1 else: z=z+1 if z==923: break continue k=int(x-1)
np.savetxt('./list.txt',list,delimiter=' ',fmt='%d')
 问题2按照蒙特卡洛随机的思想,对每批次内的货品随机排列,并计算距离的最小值,以此作为排列的最优值。

问题3按照指派问题的解决思想,对批次内的订单按距离生成效率矩阵,然后用linear_sum_assignment()函数求解,并分配订单。

问题2和问题3的代码如下:直接一步到位,将结果填入CSV中。
import csv import random import copy import os import numpy as np from scipy
import optimize import numpy import pandas as pd from tqdm import tqdm
data=pd.read_csv('D:\Desktop\A题 附件/附件1:订单信息.csv') # print(data)
data=np.array(data) # 附件1订单名称,按从小到大排列的,每行保存一个订单号 num_order=[] for i in
range(len(data)): if data[i][0] not in num_order: num_order.append(data[i][0])
# print(len(num_order)) # print(num_order) # 附件1对应订单的货品信息,每行保存一个订单的所有货品
list_all = [] for i in num_order: list_r = [] for j in range(len(data)): if
str(i) == str(data[j][0]): list_r.append(data[j][1]) list_all.append(list_r) #
读取按照相似度排列号的订单顺序 data1=np.loadtxt('./list.txt') data1=data1-1 listp=[] list2=[]
list1=[] # listp保存的每个批次中的订单索引,listp的长度就是分的批次, #
listp的每一行就是批次内的订单索引,对应num_order中的订单编号, #
即假设listp[0][0]=0,则对应的订单号为num_order[0]='D0001' for i in range(len(data1)): for j
in list_all[int(data1[i])]: if j not in list2: list2.append(j) if
len(list2)<=200: list1.append(int(data1[i])) else: listp.append(list1) list1=[]
list2=[] for j in list_all[int(data1[i])]: if j not in list2: list2.append(j)
list1.append(int(data1[i])) if i == len(data1)-1: list1 = []
list1.append(int(data1[i])) listp.append(list1) list_aall= [] #
结果2所有的记录,即将这个数据直接写入结果2中 list_3_aall=[] # 结果3所有的记录,即将这个结果直接写入结果3中 for m in
tqdm(range(len(listp))): if len(listp[m])==1: # 当批次内只有一个订单时,直接写入结果2和结果3 #
取批次内货品种类 number=listp[m][0] list_p = [] for j in list_all[int(number)]: if j
not in list_p: list_p.append(j) # print(len(list_p), list_p) sorted(list_p) #
print(list_p) list_num = [] # 货品编号,1-len for i in range(len(list_p)):
list_num.append(i + 1) # 直接写入结果2 list_last_all = [] for i in
range(len(list_p)): list_last = [] list_last.append(list_p[i])
list_last.append(m + 1) list_last.append(i + 1) list_last_all.append(list_last)
for i in list_last_all: list_aall.append(i) # 直接写入结果3 list_3=[] list_3_all=[]
list_3.append('D%04d'%(number+1)) list_3.append(m+1) list_3.append(1)
list_3.append(1) list_3_all.append(list_3) for i in range(len(list_3_all)):
list_3_aall.append(list_3_all[i]) path = './result2.csv' f =
open(r'{}'.format(path), 'w', encoding='gbk', newline='') r1 = csv.writer(f)
header = ['ItemNo', 'GroupNo', 'ShelfNo'] r1.writerow(header)
r1.writerows(list_aall) f.close() path = './result3.csv' f =
open(r'{}'.format(path), 'w', encoding='gbk', newline='') r1 = csv.writer(f)
header = ['OrderNo', 'GroupNo', 'WorkerNo', 'TaskNo'] r1.writerow(header)
r1.writerows(list_3_aall) f.close() else: # 批次内货品种类 list_p=[] for i in
listp[m]: for j in list_all[int(i)]: if j not in list_p: list_p.append(j) #
print(len(list_p),list_p) sorted(list_p) # print(list_p) list_num=[] for i in
range(len(list_p)): list_num.append(i+1) # 组合成为字典
vecdict=dict(zip(list_p,list_num)) # print(vecdict) # 将订单货品按字典索引编号,组成向量
num_all=[] for i in listp[m]: num_r=[] for j in list_all[int(i)]:
num_r.append(vecdict[j]) num_all.append(num_r) # print(num_all) #
将批次内所有货品生成一个货架,并随机货架 x=[i+1 for i in range(len(list_num))] # print(x) x_all=[]
# 统计所有随机货架信息 minx_all=[] # 统计每种随机货架下所有订单的距离 dic_all=[] # 记录每一种货架排列方式下,每个订单的距离
for i in range(200*200): # 随机200*200次 np.random.shuffle(x) # 随机货架
x_all.append(x) # 将货架信息保存 dic=[] # 记录每个订单的距离 for p in range(len(num_all)): #
读取批次内货品的长度,即货架的长度 listx = [] # 记录每个订单内货品在当前货架摆放顺序下得货品索引 for j in num_all[p]:
listx.append(x.index(j)) # 将索引写入 dicm=max(listx)-min(listx) #
将索引的最大值减去最小值,即为该订单在当前货架排列下的距离 dic.append(dicm) # 将该订单的距离保存 dic_all.append(dic)
# print(dic) minx=sum(dic) # 将该批次内所有订单的距离求和并保存 # print(minx)
minx_all.append(minx) # 将当前货架摆放顺序下,批次距离保存,即为货架每排列一次,计算一次批次的距离 #
print(min(minx_all)) # 取出批次距离的最小值 # print(x_all[minx_all.index(min(minx_all))])
# 取出批次距离最小值对应的货架排列顺序 # 最小距离 mindic=min(minx_all) # 最小距离对应的索引
minindex=minx_all.index(mindic) vecdict=dict((val,key) for key,val in
vecdict.items()) # 将货架序号与货品对应 list_name=[] for i in
range(len(x_all[minindex])): list_name.append(vecdict[x_all[minindex][i]]) #
读取批次距离最小对应的货架排列顺序,并转换为货品种类,即第一个货架存放哪种品类的商品 # print(list_name)
path='./result2.csv' f=open(r'{}'.format(path),'w',encoding='gbk',newline='')
r1=csv.writer(f) header=['ItemNo','GroupNo','ShelfNo'] list_last_all=[] for i
in range(len(list_name)): list_last = [] list_last.append(list_name[i])
list_last.append(m+1) list_last.append(i+1) list_last_all.append(list_last) for
i in list_last_all: list_aall.append(i) r1.writerow(header)
r1.writerows(list_aall) f.close() # 完成一个批次内的订单指派 # 首先生成指派矩阵 # 分拣员人数 n=5
num=len(listp[m]) # print('oring len:',num) # 补足数量,形成一个N*N的矩阵 num1=0 add_num=0
if num%n!=0: add_num=int(num/n)+1 add_num=int(add_num*n) else:add_num=int(num)
# print(add_num) if num<=add_num: num1=add_num # print(num1,add_num)
x=copy.deepcopy(dic_all[minindex]) # print(x) # print('dic long', len(x)) if
num<num1: for i in range(num,num1): x.append(0) list_c=[] for i in range(num1):
list_c.append(x) c=list_c c = np.array(c) # print(c)
name_id,work_id=optimize.linear_sum_assignment(c) # print(c[name_id,work_id
].sum()) # print(name_id,work_id) work=work_id.reshape(n,-1) num_order_p=[] for
i in listp[m]: num_order_p.append(num_order[int(i)]) # print(num_order_p)
list_3=[] list_3_all=[] for i in range(len(work)): n=1 for j in work[i]: if
j<num: list_3=[] list_3.append(num_order_p[j]) list_3.append(m+1)
list_3.append(i+1) list_3.append(n) n=n+1 list_3_all.append(list_3) #
print('!='*5) # print(list_3_all) for i in list_3_all: list_3_aall.append(i)
path = './result3.csv' f = open(r'{}'.format(path), 'w', encoding='gbk',
newline='') r1 = csv.writer(f) header = ['OrderNo', 'GroupNo',
'WorkerNo','TaskNo'] r1.writerow(header) r1.writerows(list_3_aall) f.close()

技术
今日推荐
阅读数 7017
阅读数 2018
阅读数 1515
阅读数 1303
阅读数 1303
阅读数 1134
下载桌面版
GitHub
百度网盘(提取码:draw)
Gitee
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:766591547
关注微信