WMS के लिए असतत गणित: क्लस्टरिंग स्टॉक लॉट्स

लेख बताता है कि कैसे, जब एक WMS- प्रणाली की शुरुआत करते हैं, तो हमें एक गैर-मानक क्लस्टरिंग समस्या को हल करने की आवश्यकता के साथ सामना किया गया था और हमने इसे किस एल्गोरिदम से हल किया था। हम आपको बताएंगे कि हमने समस्या को हल करने के लिए एक व्यवस्थित, वैज्ञानिक दृष्टिकोण कैसे लागू किया, हमें किन कठिनाइयों का सामना करना पड़ा और हमने क्या सबक सीखा।

यह प्रकाशन लेखों की एक श्रृंखला शुरू करता है जिसमें हम गोदाम प्रक्रियाओं में अनुकूलन एल्गोरिदम को लागू करने में अपने सफल अनुभव को साझा करते हैं। लेखों की श्रृंखला का उद्देश्य लगभग किसी भी मध्यम और बड़े गोदाम में होने वाले गोदाम संचालन के अनुकूलन के प्रकारों के साथ दर्शकों को परिचित करना है, साथ ही इस तरह की समस्याओं और इस तरह से सामना करने वाले नुकसान को हल करने में हमारे अनुभव के बारे में बताना है। लेख उन लोगों के लिए उपयोगी होंगे जो गोदाम रसद उद्योग में काम करते हैं, डब्ल्यूएमएस सिस्टम को लागू करते हैं, साथ ही प्रोग्रामर जो व्यवसाय में गणित के अनुप्रयोगों में रुचि रखते हैं और उद्यम में प्रक्रिया अनुकूलन करते हैं।

प्रक्रिया अड़चन

2018 में, हमने चेल्याबिंस्क में एलडी ट्रेडिंग हाउस कंपनी के गोदाम में एक डब्ल्यूएमएस प्रणाली शुरू करने के लिए एक परियोजना बनाई। 20 नौकरियों के लिए उत्पाद "1C- लॉजिस्टिक्स: वेयरहाउस मैनेजमेंट 3" पेश किया: WMS ऑपरेटर, स्टोरकीपर, फोर्कलिफ्ट ड्राइवर। गोदाम में औसतन लगभग 4 हजार एम 2 है, कोशिकाओं की संख्या 5000 है और एसकेयू 4500 की संख्या है। 1 किलोग्राम से 400 किलोग्राम तक विभिन्न आकारों के हमारे अपने उत्पादन के बॉल वाल्व गोदाम में संग्रहीत हैं। FIFO और "इन-लाइन" उत्पाद प्लेसमेंट (नीचे स्पष्टीकरण) की बारीकियों के अनुसार माल का चयन करने की आवश्यकता के कारण गोदाम में इन्वेंटरी को बैचों के संदर्भ में संग्रहीत किया जाता है।

गोदाम प्रक्रियाओं के लिए स्वचालन योजनाओं को डिजाइन करते समय, हमें स्टॉक के गैर-इष्टतम भंडारण की मौजूदा समस्या का सामना करना पड़ा। स्टैकिंग और क्रेन का भंडारण, जैसा कि हमने पहले ही कहा है, "पंक्ति" बारीकियों। यही है, सेल में उत्पादों को एक के ऊपर एक पंक्तियों में ढेर किया जाता है, और एक टुकड़े पर एक टुकड़ा डालने की क्षमता अक्सर अनुपस्थित होती है (वे बस गिर जाती हैं, और वजन छोटा नहीं होता है)। इस वजह से, यह पता चला है कि एक बैच का केवल एक नामकरण एक टुकड़ा भंडारण इकाई में हो सकता है;

उत्पाद रोजाना गोदाम में पहुंचते हैं और प्रत्येक आगमन एक अलग बैच होता है। कुल मिलाकर, गोदाम संचालन के 1 महीने के परिणामस्वरूप, 30 अलग-अलग लॉट बनाए जाते हैं, इस तथ्य के बावजूद कि प्रत्येक को एक अलग सेल में संग्रहीत किया जाना चाहिए। सामानों को अक्सर पूरे पैलेट में नहीं, बल्कि टुकड़ों में चुना जाता है, और परिणामस्वरूप, टुकड़ा चयन क्षेत्र में, कई कोशिकाओं में निम्न चित्र देखा जाता है: 1 m3 से अधिक की मात्रा वाले सेल में क्रेन के कई टुकड़े होते हैं जो सेल वॉल्यूम के 5-10% से कम होते हैं (चित्र 1 देखें)। )।

अंजीर 1. एक सेल में माल के कई टुकड़ों की तस्वीर

भंडारण क्षमता के उप-अपनाने के चेहरे पर। आपदा के पैमाने की कल्पना करने के लिए, मैं आंकड़ों का हवाला दे सकता हूं: गोदाम के संचालन के विभिन्न अवधियों में औसतन ऐसी कोशिकाओं की 100 और 300 कोशिकाओं के बीच की कमी होती है। चूंकि गोदाम अपेक्षाकृत छोटा है, इसलिए गोदाम के लोडिंग सीज़न में यह कारक "संकीर्ण गर्दन" बन जाता है और गोदाम प्रक्रियाओं को बाधित करता है।

किसी समस्या को हल करने का विचार

यह विचार आया कि: अवशेषों के बैचों को निकटतम तारीखों के साथ एक एकल बैच में लाया जाए और ऐसे अवशेषों को एक एकीकृत बैच के साथ एक सेल में एक साथ रखा जाए, या कई में यदि अवशेषों की पूरी संख्या को समायोजित करने के लिए एक में पर्याप्त जगह नहीं है।


अंजीर। २। सेल कंप्रेशन स्कीम

यह आपको कब्जे वाले गोदाम की जगह को काफी कम करने की अनुमति देता है, जिसका उपयोग नए रखे गए सामानों के लिए किया जाएगा। गोदाम क्षमता को ओवरलोड करने की स्थिति में, इस तरह का उपाय बेहद आवश्यक है, अन्यथा, नए सामानों के प्लेसमेंट के लिए बस पर्याप्त खाली स्थान नहीं हो सकता है, जिससे प्लेसमेंट और पुनःपूर्ति की गोदाम प्रक्रियाओं में एक स्टॉपर हो जाएगा। पहले, WMS- प्रणाली के कार्यान्वयन से पहले, इस तरह के एक ऑपरेशन को मैन्युअल रूप से निष्पादित किया गया था, जो प्रभावी नहीं था, क्योंकि कोशिकाओं में उपयुक्त अवशेषों को खोजने की प्रक्रिया काफी लंबी थी। अब, WMS सिस्टम की शुरुआत के साथ, उन्होंने इस प्रक्रिया को स्वचालित करने, इसे गति देने और इसे बुद्धिमान बनाने का निर्णय लिया।

इस समस्या को हल करने की प्रक्रिया को 2 चरणों में विभाजित किया गया है:

• पहले चरण में, हम सम्पीडन के लिए पार्टियों के समूहों को बंद करते हैं;
• दूसरे चरण में, बैचों के प्रत्येक समूह के लिए हम कोशिकाओं में उत्पाद अवशेषों के सबसे कॉम्पैक्ट प्लेसमेंट की गणना करते हैं।

वर्तमान लेख में, हम एल्गोरिथम के पहले चरण पर ध्यान केंद्रित करेंगे, और अगले लेख के लिए दूसरे चरण के कवरेज को छोड़ देंगे।

किसी समस्या के गणितीय मॉडल की खोज करें

इससे पहले कि हम कोड लिखने के लिए बैठें और अपनी साइकिल का आविष्कार करें, हमने वैज्ञानिक रूप से इस समस्या को हल करने का फैसला किया, अर्थात्: इसे गणितीय रूप से तैयार करें, इसे अच्छी तरह से ज्ञात असतत अनुकूलन समस्या के लिए कम करें और इसे हल करने के लिए प्रभावी मौजूदा एल्गोरिदम का उपयोग करें, या इन मौजूदा आधारों को आधार के रूप में लें और उन्हें संशोधित करें हल किए जाने वाले व्यावहारिक कार्य की बारीकियों के तहत।

चूंकि यह उस समस्या के व्यावसायिक विवरण से स्पष्ट रूप से अनुसरण करता है जिसे हम सेट के साथ काम कर रहे हैं, हम सेट सिद्धांत के संदर्भ में इस तरह की समस्या का निर्माण करते हैं।

चलो $$$पी$ - स्टॉक में कुछ सामानों के सभी बहुत सारे अवशेषों का सेट। चलो $$$सी$ - दिए गए दिनों की निरंतरता। चलो $$$K$ - बैचों का एक सबसेट जहां सबटेट के सभी बैचों के लिए तारीख का अंतर स्थिर से अधिक नहीं है $$$सी$ । सबसे कम संख्या में असंबद्ध सबसेट का पता लगाएं $$$K$ ऐसे कि सब कम हो जाए $$$K$ सामूहिक रूप से बहुत कुछ देगा $$$पी$ ।

इसके अलावा, हमें न केवल न्यूनतम संख्या में सबसेट खोजने की जरूरत है, बल्कि इसलिए कि इस तरह के सबसेट संभव के रूप में बड़े होंगे। यह इस तथ्य के कारण है कि बैचों के क्लस्टरिंग के बाद, हम कोशिकाओं में पाए जाने वाले बैचों के अवशेषों को "संपीड़ित" करेंगे। आइए एक उदाहरण से स्पष्ट करें। मान लीजिए कि समय अक्ष पर वितरित कई पार्टियां हैं, जैसा कि चित्र 3 में है।
चित्र 3। एकाधिक विभाजन विकल्प

समान पी संख्या के साथ सेट पी को विभाजित करने के दो विकल्पों में से, पहला विभाजन (ए) हमारे कार्य के लिए सबसे अधिक फायदेमंद है। चूंकि, अधिक दल समूहों में होंगे, अधिक संपीड़न संयोजन दिखाई देंगे, और इस प्रकार सबसे अधिक कॉम्पैक्ट संपीड़न खोजने की संभावना है। बेशक, इस तरह का नियम एक अनुमानी और हमारी सट्टा धारणा से ज्यादा कुछ नहीं है। यद्यपि, एक कम्प्यूटेशनल प्रयोग के रूप में, यदि ऐसी अधिकतम स्थिति को ध्यान में रखा जाता है, तो अवशेषों के बाद के संपीड़न की कॉम्पैक्टनेस औसतन 5-10% अधिक हो जाती है, जो ऐसी स्थिति को ध्यान में रखे बिना बनाए गए संपीड़न से अधिक है।

दूसरे शब्दों में, संक्षेप में, हमें समान दलों के समूहों या समूहों को खोजने की जरूरत है जहां समानता की कसौटी एक निरंतरता द्वारा निर्धारित की जाती है $$$सी$ । यह कार्य हमें अच्छी तरह से ज्ञात क्लस्टरिंग समस्या की याद दिलाता है। यह कहना महत्वपूर्ण है कि विचाराधीन समस्या इस क्लस्टरिंग समस्या से अलग है कि हमारी समस्या में क्लस्टर तत्वों की समानता की कसौटी के लिए कड़ाई से परिभाषित स्थिति है, द्वारा निर्धारित $$$सी$ , और क्लस्टरिंग समस्या में ऐसी कोई स्थिति नहीं है। क्लस्टरिंग समस्या का विवरण और इस कार्य की जानकारी यहाँ मिल सकती है।

इसलिए, हम इस समस्या को तैयार करने और एक समान सूत्रीकरण के साथ शास्त्रीय समस्या का पता लगाने में कामयाब रहे। अब आपको इसे हल करने के लिए प्रसिद्ध एल्गोरिदम पर विचार करने की आवश्यकता है, ताकि पहिया को सुदृढ़ करने के लिए नहीं, बल्कि सर्वोत्तम प्रथाओं को लेने और उन्हें लागू करने के लिए। क्लस्टरिंग समस्या को हल करने के लिए, हमने सबसे लोकप्रिय एल्गोरिदम को माना, अर्थात्: $$$k$ -means, $$$सी$ -माइन्स, कनेक्टेड घटकों का चयन करने के लिए एल्गोरिथ्म, न्यूनतम फैले हुए पेड़ एल्गोरिदम। इस तरह के एल्गोरिदम का विवरण और विश्लेषण यहां पाया जा सकता है।

हमारी समस्या को हल करने के लिए, एल्गोरिदम को क्लस्टर करना $$$k$ -माइन्स और $$$सी$ -मैंस बिल्कुल भी लागू नहीं होते हैं, क्योंकि क्लस्टर्स की संख्या पहले से कभी नहीं जानी जाती है $$$k$ और इस तरह के एल्गोरिदम लगातार दिनों के प्रतिबंध को ध्यान में नहीं रखते हैं। इस तरह के एल्गोरिदम को शुरू में खारिज कर दिया गया था।
हमारी समस्या को हल करने के लिए, कनेक्टेड घटकों का चयन करने के लिए एल्गोरिथ्म और न्यूनतम फैले हुए पेड़ के एल्गोरिथ्म अधिक उपयुक्त हैं, लेकिन, जैसा कि यह निकला, उन्हें हल किया जा रहा समस्या के लिए "सिर" पर लागू नहीं किया जा सकता है और एक अच्छा समाधान प्राप्त कर सकते हैं। इसे स्पष्ट करने के लिए, हम इस तरह के एल्गोरिदम के संचालन के तर्क पर विचार करते हैं जो हमारी समस्या पर लागू होता है।

ग्राफ पर विचार करें $$$जी$ जिसमें सबसे ऊपर कई पार्टियां हैं $$$पी$ , और कोने के बीच का किनारा $$$p_1$ और $$$p_2$ बैचों के बीच दिनों के अंतर के बराबर वजन होता है $$$p_1$ और $$$p_2$ । जुड़े घटकों के चयन के लिए एल्गोरिथ्म में, एक इनपुट पैरामीटर निर्दिष्ट किया गया है $$$आर$ जहाँ $$$R \ leq C$ , और ग्राफ में $$$जी$ सभी किनारों, जिनके लिए वजन हटाया जाता है, हटा दिए जाते हैं $$$आर$ । केवल वस्तुओं के निकटतम जोड़े जुड़े रहते हैं। एल्गोरिथ्म का अर्थ ऐसे मूल्य का चयन करना है $$$आर$ , जिसमें ग्राफ "जुड़े हुए" कई जुड़े घटकों में गिर जाता है, जहां इन घटकों से संबंधित पक्ष निरंतरता द्वारा निर्धारित हमारी समानता की कसौटी को पूरा करते हैं, $$$सी$ । परिणामी घटक क्लस्टर हैं।

न्यूनतम फैले पेड़ एल्गोरिथ्म पहले एक ग्राफ पर बनाता है $$$जी$ न्यूनतम फैले हुए पेड़, और फिर क्रमिक रूप से किनारों को उच्चतम भार के साथ हटा देता है जब तक कि ग्राफ "जुड़ा हुआ" कई जुड़े घटकों में नहीं गिरता है, जहां इन घटकों से संबंधित बहुत सारे हमारी समानता की कसौटी को भी पूरा करेंगे। परिणामी घटक क्लस्टर होंगे।

विचार के तहत समस्या को हल करने के लिए इस तरह के एल्गोरिदम का उपयोग करते समय, एक स्थिति उत्पन्न हो सकती है जैसा कि चित्र 4 में है।


चित्रा 4. समस्या को हल करने के लिए क्लस्टरिंग एल्गोरिदम का अनुप्रयोग।

मान लीजिए कि हमारे पास पार्टियों के दिनों का निरंतर अंतर 20 दिनों का है। राजा $$$जी$ दृश्य धारणा की सुविधा के लिए एक स्थानिक रूप में चित्रित किया गया था। दोनों एल्गोरिदम ने 3 समूहों के साथ एक समाधान दिया, जो कि आपस में अलग-अलग समूहों में रखे गए बैचों को मिलाकर आसानी से सुधारा जा सकता है! जाहिर है, इस तरह के एल्गोरिदम को समस्या के समाधान की बारीकियों के अनुसार आगे विकसित करने की आवश्यकता है और हमारी समस्या के समाधान के लिए उनका शुद्ध आवेदन खराब परिणाम देगा।


इसलिए, हमारे कार्य के लिए संशोधित ग्राफ एल्गोरिदम का कोड लिखना शुरू करने और अपनी खुद की साइकिल का आविष्कार करने के लिए (जिनके सिल्हूट में पहले से ही चौकोर पहियों की रूपरेखा का अनुमान लगाया गया था), हमने फिर से इस समस्या का वैज्ञानिक रूप से दृष्टिकोण करने का फैसला किया, अर्थात्: इसे एक और असतत समस्या को कम करने का प्रयास करें। अनुकूलन, इस उम्मीद में कि इसके समाधान के लिए मौजूदा एल्गोरिदम को संशोधनों के बिना लागू किया जा सकता है।

एक समान क्लासिक समस्या के लिए अगली खोज सफल रही! असतत अनुकूलन समस्या का पता लगाना संभव था, जिसमें से लगभग 1 में 1 का कथन हमारी समस्या के कथन के साथ मेल खाता है। यह समस्या सेट को कवर करने की समस्या थी । हम अपनी बारीकियों के अनुसार समस्या का विवरण प्रस्तुत करते हैं।

एक परिमित सेट है $$$पी$ और परिवार $$$एस$ दलों के अपने सभी असंतुष्ट सबसेट, जैसे कि प्रत्येक सबसेट के दलों के सभी जोड़े के लिए तारीख का अंतर $$$मैं$ परिवार से $$$एस$ स्थिरांक से अधिक नहीं है $$$सी$ । लेप लगाना एक परिवार कहलाता है $$$यू$ कम से कम शक्ति जिनके तत्व हैं $$$एस$ ऐसा है कि सेट का संघ $$$मैं$ परिवार से $$$यू$ सभी दलों को बहुत कुछ देना चाहिए $$$पी$ ।

इस समस्या का विस्तृत विश्लेषण यहाँ और यहाँ पाया जा सकता है। कवरेज समस्या और उसके संशोधनों के व्यावहारिक अनुप्रयोग के अन्य विकल्प यहां देखे जा सकते हैं।

मानी गई समस्या और सेट को कवर करने की शास्त्रीय समस्या के बीच एकमात्र मामूली अंतर है सबसेट में तत्वों की संख्या को अधिकतम करना। बेशक, कोई उन लेखों की तलाश कर सकता है जिनमें इस तरह के एक विशेष मामले पर विचार किया गया था और, सबसे अधिक संभावना है, वे मिल जाएंगे। लेकिन, लेखों की अगली खोज से, हम इस तथ्य से बच गए कि एक सेट को कवर करने की शास्त्रीय समस्या को हल करने के लिए प्रसिद्ध "लालची" एल्गोरिथ्म बस एक सबसेट में तत्वों की संख्या के अधिकतमकरण को ध्यान में रखते हुए एक विभाजन बनाता है। इसलिए, हम थोड़ा आगे भागे, और अब सब कुछ क्रम में है।

समस्या को हल करने के लिए एल्गोरिथ्म

हमने समस्या के गणितीय मॉडल को हल करने का निर्णय लिया। अब हम इसके समाधान के लिए एल्गोरिथ्म पर विचार करना शुरू करते हैं। सबसेट $$$मैं$ परिवार से $$$एस$ उदाहरण के लिए, ऐसी प्रक्रिया द्वारा आसानी से पाया जा सकता है।

1. चरण 0. सेट से बैचों को व्यवस्थित करें $$$पी$ उनकी तारीखों के बढ़ते क्रम में। हम मानते हैं कि सभी पार्टियों को चिन्हित नहीं किया गया है।
2. चरण 1. अभी तक देखी गई पार्टियों में से सबसे छोटी तारीख वाली पार्टी ढूंढें।
3. चरण 2. पाया पार्टी के लिए, दाईं ओर बढ़ रहा है, हम सबसेट में शामिल हैं $$$मैं$ सभी पार्टियां जिनकी तारीखें वर्तमान में एक से अधिक नहीं हैं $$$सी$ दिन। सभी बैच सेट में शामिल थे $$$मैं$ के रूप में चिह्नित करें।
4. चरण 3. यदि, दाईं ओर बढ़ने पर, अगले बैच को शामिल नहीं किया जा सकता है $$$मैं$ , फिर चरण 1 पर जाएं।

सेट को कवर करने की समस्या है $$$एनपी$ - कठिन, जिसका अर्थ है कि इसके समाधान के लिए कोई तेज़ नहीं है (इनपुट डेटा से एक बहुपद के बराबर ऑपरेटिंग समय) और सटीक एल्गोरिदम। इसलिए, सेट को कवर करने की समस्या को हल करने के लिए, एक तेज लालची एल्गोरिथ्म चुना गया था, जो निश्चित रूप से सटीक नहीं है, लेकिन निम्नलिखित फायदे हैं:

• छोटे आयाम की समस्याओं के लिए (और यह सिर्फ हमारा मामला है), यह उन समाधानों की गणना करता है जो इष्टतम के काफी करीब हैं। जैसे-जैसे समस्या का आकार बढ़ता है, समाधान की गुणवत्ता बिगड़ती है, लेकिन फिर भी धीरे-धीरे;
• लागू करने के लिए बहुत आसान;
• फास्ट, चूंकि इसके परिचालन समय का अनुमान है $$$O (mn)$ ।

लालची एल्गोरिथ्म निम्नलिखित नियम द्वारा निर्देशित सेट का चयन करता है: प्रत्येक चरण में, एक सेट का चयन किया जाता है जो अभी तक कवर किए गए तत्वों की अधिकतम संख्या को कवर करता है। एल्गोरिथ्म और इसके छद्म कोड का विस्तृत विवरण यहां पाया जा सकता है। स्पॉइलर में 1C भाषा में एल्गोरिथ्म का कार्यान्वयन कम है (इस बारे में कि उन्होंने अगले अध्याय में "पीले" भाषा में इसे क्यों लागू करना शुरू किया)।


बेशक, इस तरह के एक एल्गोरिथ्म की इष्टतमता सवाल से बाहर है - कुछ भी कहने के लिए, आंकड़े। आप ऐसे उदाहरणों के साथ आ सकते हैं जिन पर इस तरह का एक एल्गोरिथ्म गलत होगा। इस तरह की त्रुटियां तब होती हैं, जब कुछ पुनरावृत्ति पर, हम एक ही संख्या के तत्वों के साथ कई सेट पाते हैं और जो पहले आता है, उसका चयन करते हैं, क्योंकि रणनीति लालची है: मैंने पहली बार अपनी आंख को पकड़ा और "लालची" संतुष्ट हो गया।

यह अच्छी तरह से हो सकता है कि इस तरह के विकल्प के बाद के पुनरावृत्तियों पर उप-अपनाने के परिणाम हो सकते हैं। लेकिन इस तरह के एक सरल एल्गोरिथ्म की सटीकता अभी भी ज्यादातर मामलों में बहुत अच्छी है। यदि आप समस्या का समाधान अधिक सटीक रूप से प्राप्त करना चाहते हैं, तो आपको अधिक जटिल एल्गोरिदम का उपयोग करने की आवश्यकता है, उदाहरण के लिए, जैसे कि काम में : संभाव्य लालची एल्गोरिथ्म, चींटी कॉलोनी एल्गोरिदम, आदि। उत्पन्न यादृच्छिक डेटा पर ऐसे एल्गोरिदम की तुलना के परिणाम काम में पाए जा सकते हैं ।

एल्गोरिथ्म का कार्यान्वयन और कार्यान्वयन

इस तरह के एक एल्गोरिथ्म को 1C भाषा में लागू किया गया था और इसे "अवशेषों के संपीड़न" नामक एक बाहरी प्रसंस्करण में शामिल किया गया था, जो WMS- सिस्टम से जुड़ा था। हमने C ++ में एल्गोरिथ्म को लागू नहीं किया और इसे एक बाहरी मूल निवासी घटक से उपयोग किया, जो अधिक सही होगा, क्योंकि C ++ कोड की गति कई बार होती है और कुछ उदाहरणों में 1C में समान कोड की गति से भी दस गुना तेज होती है। 1 सी में, ग्राहक के काम के आधार पर विकास के समय और डिबगिंग की आसानी को बचाने के लिए एल्गोरिथ्म लागू किया गया था। एल्गोरिथ्म का परिणाम चित्र 6 में दिखाया गया है।


चित्र 6। अवशेष संपीड़न प्रक्रिया

चित्रा 6 से पता चलता है कि संकेतित गोदाम में भंडारण कोशिकाओं में माल के मौजूदा स्टॉक को क्लस्टर में विभाजित किया गया था, जिसके अंदर खेप की तारीखें 30 दिनों से अधिक नहीं होती हैं। चूंकि ग्राहक कई वर्षों के शेल्फ जीवन के साथ धातु के बॉल वाल्व का निर्माण और भंडारण करता है, इसलिए इस तिथि के अंतर को उपेक्षित किया जा सकता है। ध्यान दें कि वर्तमान में इस तरह के प्रसंस्करण का उपयोग उत्पादन में व्यवस्थित रूप से किया जाता है, और WMS ऑपरेटर बैच क्लस्टरिंग की अच्छी गुणवत्ता की पुष्टि करते हैं।

निष्कर्ष और जारी

इस तरह की एक व्यावहारिक समस्या को हल करने से हमें जो मुख्य अनुभव प्राप्त हुआ, वह है प्रतिमान के उपयोग की प्रभावशीलता की पुष्टि करना: चटाई। कार्य विवरण $$$\ _ $ गौरैय$ प्रसिद्ध चटाई। मॉडल $$$\ _ $ गौरैय$ प्रसिद्ध एल्गोरिथ्म $$$\ _ $ गौरैय$ एल्गोरिथ्म कार्य की बारीकियों को ध्यान में रखते हुए। पहले से ही 300 से अधिक वर्षों के असतत अनुकूलन हैं और इस समय के दौरान लोग बहुत सारी समस्याओं पर विचार करने और उन्हें हल करने में बहुत अनुभव प्राप्त करने में कामयाब रहे। सबसे पहले, इस अनुभव को चालू करना अधिक उचित है, और उसके बाद ही अपनी साइकिल को फिर से बनाना शुरू करें।

यह कहना भी महत्वपूर्ण है कि क्लस्टरिंग समस्या के समाधान को शेष बैचों को संपीड़ित करने की समस्या के समाधान से अलग नहीं माना जा सकता है, लेकिन ऐसी समस्याओं को एक साथ हल करने के लिए। यही है, पार्टियों के ऐसे विभाजन को क्लस्टर में चुनना जो सबसे अच्छा संपीड़न दे। लेकिन ऐसी समस्याओं के समाधान को निम्नलिखित कारणों से विभाजित करने का निर्णय लिया गया:

• एल्गोरिथम विकास के लिए सीमित बजट । इस तरह के एक सामान्य का विकास, और इसलिए अधिक जटिल एल्गोरिथ्म अधिक समय लेने वाला होगा।
• डिबगिंग और परीक्षण की जटिलता। सामान्य एल्गोरिथ्म स्वीकृति चरण में परीक्षण और डिबग करना अधिक कठिन होगा, और इसमें बग वास्तविक समय के संचालन में डिबग करना अधिक कठिन और लंबा होगा। उदाहरण के लिए, एक त्रुटि हुई और यह स्पष्ट नहीं है कि कहां खोदना है: छत गुच्छे की ओर छत, संपीड़न की ओर छत छत?
• पारदर्शिता और प्रबंधन क्षमता। दो कार्यों का पृथक्करण संपीड़न प्रक्रिया को अधिक पारदर्शी बनाता है, और इसलिए अंतिम उपयोगकर्ताओं के लिए अधिक प्रबंधनीय है - WMS ऑपरेटर। वे कुछ कोशिकाओं को संपीड़न से हटा सकते हैं या किसी कारण से संपीड़ित मात्रा को संपादित कर सकते हैं।

अगले लेख में, हम अनुकूलन एल्गोरिदम की चर्चा जारी रखेंगे और सबसे दिलचस्प और अधिक जटिल विचार करेंगे: कोशिकाओं में अवशिष्ट के "संपीड़न" के लिए इष्टतम एल्गोरिथ्म, जो इनपुट के रूप में बैच क्लस्टरिंग एल्गोरिथ्म से प्राप्त इनपुट का उपयोग करता है।

एक लेख तैयार किया
रोमन शगिन, प्रोग्रामर, परियोजना विभाग,
पहले बीआईटी कंपनी, चेल्याबिंस्क