《物流订单高维稀疏聚类分拣方法.pdf》由会员分享，可在线阅读，更多相关《物流订单高维稀疏聚类分拣方法.pdf（13页完整版）》请在专利查询网上搜索。
1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010012377.4 (22)申请日 2020.01.07 (71)申请人 北京建筑大学 地址 100044 北京市西城区展览路1号 (72)发明人 尹静王晨刘克俊 (74)专利代理机构 北京君泊知识产权代理有限 公司 11496 代理人 王程远 (51)Int.Cl. G06Q 10/08(2012.01) G06K 9/62(2006.01) (54)发明名称 一种物流订单高维稀疏聚类分拣方法 (57)摘要 本发明公开了一种物流订单高维稀疏聚类 分拣方法， 该方法包括。
2、步骤1、 将实时物流订单按 配送时间的时限要求排序； 步骤2、 将所有实时物 流订单的订单信息通过高维稀疏聚类算法找到 相似的订单； 步骤3、 将找到的所有相似订单合并 汇总为一个订单聚类， 统计订单聚类中的全部商 品交由分拣人员或分拣机器人一次拣选， 并在商 品全部拣选完毕之后按订单聚类中的各个订单 分别配送。 本发明的有益效果为： 可以有效地减 少分拣搬运距离， 减少订单分拣时间， 提高订单 分拣效率； 分拣方法的订单处理较现有分拣方法 更为灵活； 可根据实际应用中的聚类需求加入更 多的商品特征信息， 以此得到更具目标化的聚 类； 可应用于多场景的物流分拣系统， 在市场中 具有广阔前景。 。
3、权利要求书3页 说明书8页 附图1页 CN 111062674 A 2020.04.24 CN 111062674 A 1.一种物流订单高维稀疏聚类分拣方法， 其特征在于， 包括： 步骤1、 将实时物流订单按配送时间的时限要求排序； 步骤2、 将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单； 步骤3、 将找到的所有相似订单合并汇总为一个订单聚类， 统计订单聚类中的全部商品 交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按订单聚类中的各个订 单分别配送。 2.根据权利要求1所述的物流订单高维稀疏聚类分拣方法， 其特征在于， 所述步骤1中 排序的具体方法为： 步骤10。
4、1、 定义实时订单函数为F(t)Xi,i1,2,3K； 步骤102、 将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将Slack(Xi)计算为 Slack(Xi)ddi-rdi； 其中， F(t)为实时订单集， t为时间， Xi为订单， i为自然数， K为实时订单个数， rdi为订单 Xi的到达时间， ddi为订单Xi的交货时间。 3.根据权利要求1所述的物流订单高维稀疏聚类分拣方法， 其特征在于， 所述实时物流 订单的订单信息包括商品仓储区域信息、 包装类别信息和产品编号信息。 4.根据权利要求3所述的物流订单高维稀疏聚类分拣方法， 其特征在于， 所述步骤2中 寻找相似订单的方。
5、法为： 建立K个订单的订单属性信息集合， 对订单属性信息集合中两两订单分别计算稀疏差 异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 5.根据权利要求4所述的物流订单高维稀疏聚类分拣方法， 其特征在于， 寻找相似订单 的具体方法为： 步骤201、 将K个订单建立订单产品编号信息集合、 仓储区域信息集合和包装类别信息 集合， 分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将两两订单之间的上述三个订单属 性信息集合计算差异度： 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏差异度， PSFD为包装稀疏差异度， N为订 单数， NS1为不同存储区域。
6、的编号集合， S1为相同存储区域的编号集合， NS2为不同包装类别 的编号集合， S2为相同包装类别的编号集合， NS3为不同包装类别的编号集合， S3为相同包装 类别的编号集合； 步骤202、 计算订单差异度， 其具体公式为： CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj),i,j1, 2K,ij 权利要求书 1/3 页 2 CN 111062674 A 2 其中， CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装稀疏 差异度的权重， CSFD(Xi,Xj)为订单差异度； 步骤。
7、203、 合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi和Xj， 生成新订单Sij Xi,Xj， 并对物流订单进行聚类： 若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单集合K (t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转至下 一步； 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订单归 入下一滚动窗口重新聚类； 其中， b为差异度上限； 步骤204、 计算W(Sij)， 并对物流订单进行进一步聚类： 若W(Sij)Wt。
8、hr， 则重复步骤201-203， 若WthrW(Sij)Wmax， 则算法终结， S最终聚类结 果； 其中， W(Sij)为由订单Xi和Xj合并得到的新订单的重量， Wmax为机器人载重上限， Wthr为机 器人载重阈值。 6.一种物流订单高维稀疏聚类分拣系统， 其特征在于， 包括： 时限排序模块， 其用于将实时物流订单按配送时间的时限要求排序； 相似订单模块， 其用于将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相 似的订单； 订单聚类模块， 其用于将找到的所有相似订单合并汇总为一个订单聚类， 统计订单聚 类中的全部商品交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按订。
9、单 聚类中的各个订单分别配送。 7.根据权利要求6所述的物流订单高维稀疏聚类分拣系统， 其特征在于， 所述时限排序 模块包括： 订单函数模块， 其用于定义实时订单函数为F(t)Xi,i1,2,3K； 订单排序模块， 其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将Slack (Xi)计算为Slack(Xi)ddi-rdi； 其中， F(t)为实时订单集， t为时间， Xi为订单， i为自然数， K为实时订单个数， rdi为订单 Xi的到达时间， ddi为订单Xi的交货时间。 8.根据权利要求6所述的物流订单高维稀疏聚类分拣系统， 其特征在于， 所述相似订单 模块寻找相似订单。
10、的方法为： 建立K个订单的订单属性信息集合， 对订单属性信息集合中两两订单分别计算稀疏差 异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 9.根据权利要求8所述的物流订单高维稀疏聚类分拣系统， 其特征在于， 所述相似订单 模块具体包括： 订单信息集合模块， 其用于将K个订单建立订单产品编号信息集合、 仓储区域信息集合 和包装类别信息集合分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将两两订单之间的 上述三个订单属性信息集合计算差异度： 权利要求书 2/3 页 3 CN 111062674 A 3 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏。
11、差异度， PSFD为包装稀疏差异度， N为订 单数， NS1为不同存储区域的编号集合， S1为相同存储区域的编号集合， NS2为不同包装类别 的编号集合， S2为相同包装类别的编号集合， NS3为不同包装类别的编号集合， S3为相同包装 类别的编号集合； 订单差异度计算模块， 其用于计算订单差异度， 采用的具体公式为： CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj),i,j1, 2K,ij 其中， CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装稀疏 差异度的权重， CSFD(X。
12、i,Xj)为订单差异度； 订单聚类寻找模块， 其用于合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi和Xj， 生成新订单SijXi,Xj， 并对物流订单进行聚类： 若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单集合K (t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转至下 一步； 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订单归 入下一滚动窗口重新聚类； 其中， b为差异度上限； 再次聚类模块， 其用于将订单聚类寻找模块中。
13、无法聚类的订单进行再次聚类， 具体方 法为： 计算W(Sij)， 若W(Sij)Wthr， 则重复步骤201-203， 若WthrW(Sij)Wmax， 则算法终结， S最终聚类结果； 其中， W(Sij)为由订单Xi和Xj合并得到的新订单的重量， Wmax为机器人载重上限， Wthr为机 器人载重阈值。 10.根据权利要求8所述的物流订单高维稀疏聚类分拣系统， 其特征在于， 所述相似订 单模块建立的订单属性信息集合包括商品仓储区域信息、 包装类别信息和产品编号信息。 权利要求书 3/3 页 4 CN 111062674 A 4 一种物流订单高维稀疏聚类分拣方法 技术领域 0001 本发明涉及。
14、物流订单分拣领域， 具体而言， 涉及一种物流订单高维稀疏聚类分拣 方法。 背景技术 0002 现有的物流订单的分拣方法有： (1)按单拣货， 即订单在拣货时便将商品按照订单 分置在不同的物品篮里， 然后送至打包处； (2)汇总拣货， 即在拣货时将商品按照订单分置 在不同的物品篮里， 然后送至打包处； (3)固定组批， 即订单在拣货时将商品订单按固定批 量为一组， 将所有订单的商品集中拣选再按订单分配。 现有的物流订单分拣方法在实际应 用中极不灵活， 会造成搬运人员或搬运机器人在分拣过程中走重复路径或多余路径， 在订 单处理时间上也会造成很大浪费， 会影响具有时限要求的物流订单的分拣和配送。 发。
15、明内容 0003 为解决上述问题， 本发明的目的在于提供一种物流订单高维稀疏聚类分拣方法， 减少分拣过程中人员或机器人的搬运距离， 减少订单分拣时间。 0004 本发明提供了一种物流订单高维稀疏聚类分拣方法， 该方法包括： 0005 步骤1、 将实时物流订单按配送时间的时限要求排序； 0006 步骤2、 将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单； 0007 步骤3、 将找到的所有相似订单合并汇总为一个订单聚类， 统计订单聚类中的全部 商品交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按订单聚类中的各 个订单分别配送。 0008 作为本发明的进一步改进， 所述。
16、步骤1中排序的具体方法为： 0009 步骤101、 定义实时订单函数为F(t)Xi,i1,2,3K； 0010 步骤102、 将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将Slack(Xi)计 算为Slack(Xi)ddi-rdi； 0011 其中， F(t)为实时订单集， t为时间， Xi为订单， i为自然数， K为实时订单个数， rdi为 订单Xi的到达时间， ddi为订单Xi的交货时间。 0012 作为本发明的进一步改进， 所述实时物流订单的订单信息包括商品仓储区域信 息、 包装类别信息和产品编号信息。 0013 作为本发明的进一步改进， 所述步骤2中寻找相似订单的方法为。
17、： 0014 建立K个订单的订单属性信息集合， 对订单属性信息集合中两两订单分别计算稀 疏差异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 0015 作为本发明的进一步改进， 寻找相似订单的具体方法为： 0016 步骤201、 将K个订单建立订单产品编号信息集合、 仓储区域信息集合和包装类别 信息集合分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将上述三个订单属性信息集合 两两计算差异度： 说明书 1/8 页 5 CN 111062674 A 5 0017 0018 0019 0020 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏差异度， 。
18、PSFD为包装稀疏差异度， N 为订单数， NS1为不同存储区域的编号集合， S1为相同存储区域的编号集合， NS2为不同包装 类别的编号集合， S2为相同包装类别的编号集合， NS3为为不同包装类别的编号集合， S3为相 同包装类别的编号集合； 0021 步骤202、 计算订单差异度， 其具体公式为： 0022 CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj), 0023 i,j1,2K,ij 0024 其中， CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装 稀疏差异度的权重，。
19、 CSFD(Xi,Xj)为订单差异度； 0025 步骤203、 合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi和Xj， 生成新订单 SijXi,Xj， 并对物流订单进行聚类： 0026 若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单集 合K(t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转 至下一步； 0027 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订 单归入下一滚动窗口重新聚类； 0028 其中， b为差异度上限；。
20、 0029 步骤204、 计算W(Sij)， 并对物流订单进行进一步聚类： 0030 若W(Sij)Wthr， 则重复步骤201-203， 若WthrW(Sij)Wmax， 则算法终结， S最终聚 类结果； 0031 其中， W(Sij)为由订单Xi和Xj合并得到的新订单的重量， Wmax为机器人载重上限， Wthr为机器人载重阈值。 0032 本发明还提供了一种物流订单高维稀疏聚类分拣系统， 该系统包括： 0033 时限排序模块， 其用于将实时物流订单按配送时间的时限要求排序； 0034 相似订单模块， 其用于将所有实时物流订单的订单信息通过高维稀疏聚类算法找 到相似的订单； 0035 订单。
21、聚类模块， 其用于将找到的所有相似订单合并汇总为一个订单聚类， 统计订 单聚类中的全部商品交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按 订单聚类中的各个订单分别配送。 0036 作为本发明的进一步改进， 所述时限排序模块包括： 0037 订单函数模块， 其用于定义实时订单函数为F(t)Xi,i1,2,3K； 说明书 2/8 页 6 CN 111062674 A 6 0038 订单排序模块， 其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将 Slack(Xi)计算为Slack(Xi)ddi-rdi； 0039 其中， F(t)为实时订单集， t为时间， Xi。
22、为订单， i为自然数， K为实时订单个数， rdi为 订单Xi的到达时间， ddi为订单Xi的交货时间。 0040 作为本发明的进一步改进， 所述相似订单模块寻找相似订单的方法为： 0041 建立K个订单的订单属性信息集合， 对订单属性信息集合中两两订单分别计算稀 疏差异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 0042 作为本发明的进一步改进， 所述相似订单模块具体包括： 0043 订单信息集合模块， 其用于将K个订单建立订单产品编号信息集合、 仓储区域信息 集合和包装类别信息集合分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将两两订单之 间的。
23、上述三个订单属性信息集合计算差异度： 0044 0045 0046 0047 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏差异度， PSFD为包装稀疏差异度， N 为订单数， NS1为不同存储区域的编号集合， S1为相同存储区域的编号集合， NS2为不同包装 类别的编号集合， S2为相同包装类别的编号集合， NS3为不同包装类别的编号集合， S3为相同 包装类别的编号集合； 0048 订单差异度计算模块， 其用于计算订单差异度， 采用的具体公式为： 0049 CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj), 。
24、0050 i,j1,2K,ij 0051 其中， CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装 稀疏差异度的权重， CSFD(Xi,Xj)为订单差异度； 0052 订单聚类寻找模块， 其用于合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi 和Xj， 生成新订单SijXi,Xj， 并对物流订单进行聚类： 0053 若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单集 合K(t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转 至下一步； 00。
25、54 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订 单归入下一滚动窗口重新聚类； 0055 其中， b为差异度上限； 0056 再次聚类模块， 其用于将订单聚类寻找模块中无法聚类的订单进行再次聚类， 具 体方法为： 计算W(Sij)， 若W(Sij)Wthr， 则重复步骤201-203， 若WthrW(Sij)Wmax， 则算法终 结， S最终聚类结果； 说明书 3/8 页 7 CN 111062674 A 7 0057 其中， W(Sij)为由订单Xi和Xj合并得到的新订单的重量， Wmax为机器人载重上限， Wthr为机器人载重阈值。 。
26、0058 作为本发明的进一步改进， 所述相似订单模块建立的订单属性信息集合包括商品 仓储区域信息、 包装类别信息和产品编号信息。 0059 本发明的有益效果为： 1、 高维稀疏聚类方法可以有效地减少分拣搬运距离， 减少 订单分拣时间， 提高订单分拣效率； 2、 分拣方法的订单处理较现有分拣方法更为灵活； 3、 在 订单聚类的相似特征上， 可根据实际应用中的聚类需求加入更多的商品特征信息， 以此得 到更具目标化的聚类； 4、 可应用于多场景的物流分拣系统， 在市场中具有广阔前景。 附图说明 0060 图1为本发明实施例所述的一种物流订单高维稀疏聚类分拣方法流程示意图。 具体实施方式 0061 下。
27、面通过具体的实施例并结合附图对本发明做进一步的详细描述。 0062 实施例1 0063 如图1所示， 本发明实施例1所述的是一种物流订单高维稀疏聚类分拣方法， 该方 法包括： 0064 步骤1、 将实时物流订单按配送时间的时限要求排序。 按照订单的配送时间的时限 要求排序即可首先保证着急配送的订单能够有限配送。 0065 步骤2、 将所有实时物流订单的订单信息通过高维稀疏聚类算法找到相似的订单。 0066 步骤3、 将找到的所有相似订单合并汇总为一个订单聚类， 统计订单聚类中的全部 商品交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按订单聚类中的各 个订单分别配送。 0067 根。
28、据物流订单信息对聚类订单进行差异度分析， 从而可以找出订单属性信息相似 的物流订单， 将相似订单汇总为一个大的订单聚类， 从而有效减少了订单分拣的次数， 进而 减少了分拣人员或者机器人的搬运距离， 最终提高了订单分拣效率。 0068 进一步的， 步骤1中排序的具体方法为： 0069 步骤101、 定义实时订单函数为F(t)Xi,i1,2,3K； 0070 步骤102、 将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将Slack(Xi)计 算为Slack(Xi)ddi-rdi； 0071 其中， F(t)为实时订单集， t为时间， Xi为订单， i为自然数， K为实时订单个数， r。
29、di为 订单Xi的到达时间， ddi为订单Xi的交货时间。 0072 进一步的， 实时物流订单的订单信息包括商品仓储区域信息、 包装类别信息和产 品编号信息。 0073 在实际应用过程中， 在订单聚类的相似特征上， 我们可以根据实际的聚类需求加 入更多的订单特征信息， 因此得到更具目标化的聚类， 而不仅限于商品仓储区域信息、 包装 类别信息和产品编号信息这三种订单信息， 可以使高维稀疏聚类分拣方法应用于更多场景 的物流分拣中。 0074 进一步的， 步骤2中寻找相似订单的方法为： 说明书 4/8 页 8 CN 111062674 A 8 0075 建立K个订单的订单属性信息集合， 对订单属性信。
30、息集合中两两订单分别计算稀 疏差异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 0076 进一步的， 寻找相似订单的具体方法为： 0077 步骤201、 将K个订单建立订单产品编号信息集合、 仓储区域信息集合和包装类别 信息集合分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将两两订单之间的上述三个订 单属性信息集合计算差异度： 0078 0079 0080 0081 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏差异度， PSFD为包装稀疏差异度， N 为订单数， NS1为不同存储区域的编号集合， S1为相同存储区域的编号集合， NS2为不同。
31、包装 类别的编号集合， S2为相同包装类别的编号集合， NS3为不同包装类别的编号集合， S3为相同 包装类别的编号集合； 0082 步骤202、 计算订单差异度， 其具体公式为： 0083 CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj), 0084 i,j1,2K,ij 0085 其中， CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装 稀疏差异度的权重， CSFD(Xi,Xj)为订单差异度； 0086 步骤203、 合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi。
32、和Xj， 生成新订单 SijXi,Xj， 并对物流订单进行聚类： 0087 若若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单 集合K(t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转至下一步； 0088 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订 单归入下一滚动窗口重新聚类； 0089 其中， b为差异度上限； 0090 步骤204、 计算W(Sij)， 并对物流订单进行进一步聚类： 0091 若W(Sij)Wthr， 则重复步骤2。
33、01-203， 若WthrW(Sij)Wmax， 则算法终结， S最终聚 类结果； 0092 其中， W(Sij)为由订单Xi和Xj合并得到的新订单的重量， 其具体计算方法为将最小 差异度minCSFD(Xi,Xj)对应的两个订单Xi和Xj的重量进行加和， Wmax为机器人载重上限， Wthr为机器人载重阈值。 0093 实施例2 0094 本发明实施例2所述的是一种物流订单高维稀疏聚类分拣系统， 该系统包括： 说明书 5/8 页 9 CN 111062674 A 9 0095 时限排序模块， 其用于将实时物流订单按配送时间的时限要求排序； 0096 相似订单模块， 其用于将所有实时物流订单的。
34、订单信息通过高维稀疏聚类算法找 到相似的订单； 0097 订单聚类模块， 其用于将找到的所有相似订单合并汇总为一个订单聚类， 统计订 单聚类中的全部商品交由分拣人员或分拣机器人一次拣选， 并在商品全部拣选完毕之后按 订单聚类中的各个订单分别配送。 0098 进一步的， 时限排序模块包括： 0099 订单函数模块， 其用于定义实时订单函数为F(t)Xi,i1,2,3K； 0100 订单排序模块， 其用于将订单按照时间紧迫度函数Slack(Xi)升序进行排列， 即将 Slack(Xi)计算为Slack(Xi)ddi-rdi； 0101 其中， F(t)为实时订单集， t为时间， Xi为订单， i为。
35、自然数， K为实时订单个数， rdi为 订单Xi的到达时间， ddi为订单Xi的交货时间。 0102 进一步的， 相似订单模块寻找相似订单的方法为： 0103 建立K个订单的订单属性信息集合， 对订单属性信息集合中两两订单分别计算稀 疏差异度， 根据稀疏差异度计算订单差异度， 并根据订单差异度对订单进行聚类。 0104 进一步的， 相似订单模块具体包括： 0105 订单信息集合模块， 其用于将K个订单建立订单产品编号信息集合、 仓储区域信息 集合和包装类别信息集合分别为Nxi、 Wxi、 Pxi， i,j1， 2K， ij， 将两两订单之 间的上述三个订单属性信息集合计算差异度： 0106 0。
36、107 0108 0109 其中， TSFD为种类稀疏差异度， RSFD为距离稀疏差异度， PSFD为包装稀疏差异度， N 为订单数， NS1为不同存储区域的编号集合， S1为相同存储区域的编号集合， NS2为不同包装 类别的编号集合， S2为相同包装类别的编号集合， NS3为为不同包装类别的编号集合， S3为相 同包装类别的编号集合； 0110 订单差异度计算模块， 其用于计算订单差异度， 采用的具体公式为： 0111 CSFD(Xi,Xj)CTSFDTSFD(Xi,Xj)+CRSFDRSFD(Xi,Xj)+CPSFDPSFD(Xi,Xj), 0112 i,j1,2K,ij 0113 其中，。
37、 CTSFD为种类稀疏差异度的权重， CRSFD为仓储稀疏差异度的权重， CPSFD为包装 稀疏差异度的权重， CSFD(Xi,Xj)为订单差异度； 0114 订单聚类寻找模块， 其用于合并最小差异度minCSFD(Xi,Xj)对应的两个订单Xi 和Xj， 生成新订单SijXi,Xj， 并对物流订单进行聚类： 0115 若minCSFD(Xi,Xj)b， 则(Xi,Xj)记为初始集合Sij， 滚动窗口K(t)中剩余订单集 说明书 6/8 页 10 CN 111062674 A 10 合K(t)K(t)-Sij， 重复步骤201-202将Sij与K(t)中订单重新聚类， 聚类集合记为S， 转 至。
38、下一步； 0116 若minCSFD(Xi,Xj)b， 则算法终结， 滚动窗口K(t)中订单无法聚类， 将K(t)中订 单归入下一滚动窗口重新聚类； 0117 其中， b为差异度上限， 差异度上限是区分两个订单之间是否相似的判断条件， 如 两个订单之间的差异度超过b， 则认为这两个订单不相似。 0118 再次聚类模块， 其用于将订单聚类寻找模块中无法聚类的订单进行再次聚类， 具 体方法为： 计算W(Sij)， 若W(Sij)Wthr， 则重复步骤201-203， 若WthrW(Sij)Wmax， 则算法终 结， S最终聚类结果； 0119 其中， W(Sij)为由订单Xi和Xj合并得到的新订单。
39、的重量， 其具体计算方法为将最小 差异度minCSFD(Xi,Xj)对应的两个订单Xi和Xj的重量进行加和， Wmax为机器人载重上限， Wthr为机器人载重阈值。 0120 进一步的， 相似订单模块建立的订单属性信息集合包括商品仓储区域信息、 包装 类别信息和产品编号信息。 0121 在实际应用过程中， 在订单聚类的相似特征上， 我们可以根据实际的聚类需求加 入更多的订单特征信息， 因此得到更具目标化的聚类， 而不仅限于商品仓储区域信息、 包装 类别信息和产品编号信息这三种订单信息， 可以使高维稀疏聚类分拣方法应用于更多场景 的物流分拣系统。 0122 下面以某电商配送中心的物流配送为例具体。
40、说明本发明所述物流订单高维稀疏 聚类分拣系统的具体聚类分拣方法： 0123 某电商配送中心， 仓储区种类为5类， 分别为A类食品库、 B类日用品库、 C类图书库、 D类服装鞋饰库和E类其他用品库； 货品种类为48种； 订单属性为5种， 分别为产品编号、 仓储 区域、 包装类别、 重量、 订单到达时间和交货时间5种信息。 某时刻配送中心实时订单F(t)为 18个， 设决策订单数k15， F(t)18k， 则按照时间紧迫度函数Sldck(Xi)ddi-rdi升序 选取前15个订单进入调度窗口， 记为窗口订单K(t)X1,X2,L X15， 订单数据如表1所示： 0124 表1订单产品信息Table。
41、.1 Order information 0125 说明书 7/8 页 11 CN 111062674 A 11 0126 0127 综合本实施例， 三种差异度在实际分拣的影响不同， 分配权重如下， 设WTSFD0.5， WRSFD0.3， WPFSD0.2； 设差异度上限b1.0， Wmax100kg， 考虑分拣机器人的搬运效率， 设 Wthr60kg。 0128 订单聚类的具体过程为： 0129 (1)由步骤201-203可得各订单间差异度如表2所示， 由表可得minCSFD(X5,X15) 0.18b1.0， 则合并订单生成X5,15X5+X151,3,4,11,26,28， 记为初始集。
42、合S5,15， W (S5,15)29.76kg， Wthr60kg， W(S5,15)Wthr， 重复步骤201-203将X5,15与K(t)中订单重新 聚类。 0130 表2订单差异度 0131 Table.2 Order difference 0132 0133 (2)W(S5,15)Wthr50kg， 重复重复步骤201-203将X5,15与K(t)中订单重新聚类。 以上算法得到的最终聚类结果为S5,7,8,15X5,X7,X9,X15， W(S5,7,9,15)72kg， 满足分拣机 器人的载重要求。 算法终止后该订单聚类交由分拣机器人进行作业， 此外， 该时窗下的剩余 子集归入下一周期的滚动窗口重新聚类。 0134 以上所述仅为本发明的优选实施例而已， 并不用于限制本发明， 对于本领域的技 术人员来说， 本发明可以有各种更改和变化。 凡在本发明的精神和原则之内， 所作的任何修 改、 等同替换、 改进等， 均应包含在本发明的保护范围之内。 说明书 8/8 页 12 CN 111062674 A 12 图1 说明书附图 1/1 页 13 CN 111062674 A 13 。