仓库码放要求_仓库货位,是否能做到一个萝卜一个坑?

2c6b589b6263e6a8722b1ada01cc742b.png

导读:对整个仓库进行分区,即设置库区后,就可以设置货位了。货位就是指仓库中货物存放的具体位置,在库区中按地点和功能进行划分,来存放不同类别的货物。

货位的设置,可以方便仓库中对货物的组织,以及出入库时对货物的管理。规划货位的原则要求为:货位布置要紧凑,提高仓容利用率;便于收货、发货、检查、包装及装卸车,灵活合理;堆垛稳固,操作安全;通道流畅便利,叉车行走距离短。

“储位”规划

“储位”,即货物储存的位置。为方便管理,仓储/配送中心的每个“储位”都应进行编号并输入“WMS”:

      (1)编号一般由通道编号、货架编号、列数、层数组成;  (2)通道编号一般采用英文字母,其他的采用阿拉伯数字;  (3)编号位数视储位多少而定;  (4)通道编号、货架编号、列数、层数应用醒目的字体制成标牌(签),悬挂、粘贴在相应位置。

“储位”分配

    (1)为方便出入库,物品必须面向通道进行保管;  (2)尽可能地向高处码放,提高保管效率;  (3)“出货”频率高的放在近处,“出货”频率低的放在远处;  (4)“重货”放在近处,“轻货”放在远处;  (5)“大型货物”放在近处,“小型货物”放在远处;  (6)“一般物品”放在下层,“贵重物品”放在上层;  (7)“重货”放在下层,“轻货”放在上层;  (8)“大型货物”放在下层,“小型货物”放在上层;  (9)加快周转,先入先出。

货物的堆码

      (1)同类产品按生产日期、规格单独存放。  (2)不同品种的货物分别放置在不同的托盘上。  (3)贴有“标签”的物品,“标签”应向外与通道平行。  (4)严禁倒置,严禁超过规定的层级堆码。  (5)货架上物品存放重量不得超过货架设计载荷。  (6)在托盘上码放货物时,托盘间应预留合理距离,以便于移动,并避免货物错放。  (7)手工操作的,每一货物托盘上应放置一张“储位卡”。

“储位卡”

      (1)“储位卡”是在每个储位上设置的用以反映所存货物情况的卡片。在手工操作情况下,“储位卡”是有效的库存管理工具。  (2)“储位卡”主要用于记录所存货物名称,存、存取时间和数量、批号及结数。  (3)每次存、取货物的时间和数量均须在“储位卡”上记录。

330ac3823951d02518a10b6c0afac9e7.png

货位布置方案案例

某物流公司的客户有箭牌佳口有限公司、李锦记、太太乐等,这里仅以箭牌佳口有限公司在该仓库中所在的区域为例介绍货位的布置。

  货物在仓库的仓储方式主要有以下5种类型:  (1)地面平放式:将保管物品直接堆放在地面上。  (2)托盘平放式:将保管物品直接放在托盘上,再将托盘平放于地面。  (3)直接堆放式:将货物在地面上直接码放堆积。  (4)托盘堆码式:将货物直接堆码在托盘上,再将托盘放在地面上。  (5)货架存放式:将货物直接码放在货架上。

根据规定,在仓储配送中心存放的物品均须在托盘上码放。所以该仓库货位布置方式有两种方案可供选择:一是托盘堆码式,二是托盘式货架系统。在仓库设备中,货架是指专门用于存放物品的保管设备。仓库管理现代化与货架种类、功能的发展有直接的关系。使用货架为物流中心运作所带来的好处体现在:

      ①可充分利用仓库空间,提高库容利用率和存储能力。  ②物品存取方便,便于清点及计量,可做到先进先出。  ③存放物品互不挤压,损耗小,确保物品的完整性,减少破损。  ④采取防潮、防尘、防盗、防破坏等措施,提高存储质量。  ⑤有利于实现仓库的机械化及自动化管理。

货架系统是现代物流技术发展的成果,但并不意味着货架系统适用于所有的仓库。货架系统对物流系统有诸多的限制,具体可以分为以下几方面:货架系统的选择是物流中心长期运营战略的一部分,选择货架之后,不能随意更改,给物流中心变化运营方式,改变客户结构等都会形成障碍;货架系统要有较高的仓储管理水平作保证。特别是物品品种较多,对保质期要求较高的物流中心,货架系统必须有较好的WMS系统的支持;货架系统不适用于较重物品的存储,较重物品的垂直运动会消耗较多的能量,对叉车消耗较大;货架系统对仓库建设标准的要求比平面仓库要高,如照明系统、防火系统等,从而带来设计的难度和建筑成本的增加;货架系统本身的投资较大,并且需要价值昂贵的升高叉车相配合。是否选择货架系统用于仓库物品的存放,要据货架的优缺点结合企业的实际情况来权衡抉择。

版权归原作者所有,如有侵权请联系删除。

48b9713533910d6c71fb19f0b494782e.png

「在看」吗?a688fb758dc45e46ac5d6ebd343de126.png

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
货位分配问题属于组合优化问题,遗传算法是一种常用的优化算法之一。下面是一个简单的货位分配遗传算法的实现示例: 首先,定义问题的目标函数。假设我们有m个货物和n个货位,每个货物有一个重量wi和一个体积vi,每个货位一个最大承重量和一个最大容积。我们的目标是将所有货物分配到货位中,使得每个货位的重量和体积都不超过最大承重量和最大容积,并且最小化所有货物的分配成本。其中成本可以定义为货物的重量和体积的加权和,即cost=α*wi+β*vi,其中α和β是两个权重参数。 接下来,定义遗传算法的编码方式。由于货位分配问题是一个组合问题,我们可以使用二进制编码来表示每个货物的分配情况。具体地,我们可以用一个长度为m的二进制串来表示所有货物的分配情况,其中第i位为1表示第i个货物分配到了货位中,为0表示没有分配。例如,一个长度为10的二进制串0101100011表示第2、4、5、9、10个货物被分配到了货位中,其余货物没有分配。 然后,定义遗传算法的基本操作。遗传算法包含四个基本操作:选择、交叉、变异和替换。在选择操作中,我们根据每个个体的适应度值(即目标函数值)来选择一些个体作为下一代的种群。在交叉操作中,我们随机选择两个个体,并将它们的某些位进行交换,以产生新的个体。在变异操作中,我们随机选择一些位,并将它们取反,以产生新的个体。在替换操作中,我们用新的个体替换当前种群中一些适应度较差的个体,以保持种群数量的不变。 最后,编写matlab代码实现上述算法。具体实现细节可以参考以下代码: ``` % define problem parameters m = 20; % number of goods n = 10; % number of bins w = randi([1,10],1,m); % weight of goods v = randi([1,10],1,m); % volume of goods cw = randi([10,20],1,n); % capacity of bins in weight cv = randi([10,20],1,n); % capacity of bins in volume alpha = 0.5; % weight of weight beta = 0.5; % weight of volume % define genetic algorithm parameters pop_size = 50; % population size num_generations = 100; % number of generations mutation_rate = 0.01; % probability of mutation % initialize population pop = randi([0,1],pop_size,m); % run genetic algorithm for i=1:num_generations % evaluate fitness cost = alpha*w*pop' + beta*v*pop'; fitness = 1./cost; % select parents parent_idx = randsample(pop_size,2,true,fitness); parent1 = pop(parent_idx(1),:); parent2 = pop(parent_idx(2),:); % crossover cross_idx = randi([1,m],1,2); if cross_idx(1) < cross_idx(2) child = [parent1(1:cross_idx(1)),parent2(cross_idx(1)+1:cross_idx(2)),parent1(cross_idx(2)+1:end)]; else child = [parent2(1:cross_idx(2)),parent1(cross_idx(2)+1:cross_idx(1)),parent2(cross_idx(1)+1:end)]; end % mutation mut_idx = randi([1,m],1,sum(rand(1,m)<mutation_rate)); child(mut_idx) = 1-child(mut_idx); % replace [~,worst_idx] = min(cost); pop(worst_idx,:) = child; end % find best solution cost = alpha*w*pop' + beta*v*pop'; [best_cost,best_idx] = min(cost); best_solution = pop(best_idx,:); disp(['Best solution: ',num2str(best_solution),' with cost ',num2str(best_cost)]) ``` 该代码使用随机生成的数据,将其保存在变量w、v、cw和cv中,并定义了alpha和beta。然后,初始化种群pop,并运行遗传算法来找到最佳解决方案。在每一代中,我们根据目标函数值来计算每个个体的适应度,并使用轮盘赌选择操作来选择父代。然后,我们使用单点交叉和位变异来生成子代,并使用替换操作将子代插入种群中。最后,我们找到具有最小成本的个体,并将其打印出来。 注意,该代码只是一个简单的示例,实际应用中可能需要更复杂的编码方式和目标函数。此外,遗传算法的性能也取决于所选的参数和操作。因此,需要进行一些实验来确定最佳参数和操作。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值