一种基于FAHP-BCNN医药仓储中货物与货架匹配方法

本发明专利涉及一种医药仓储中货物与货架匹配方法，在医药仓储领域具有极其重要的应用前景。

医药仓储环境中药品仓储过程复杂，对于药物产品来说，从客户到第三方客户的手中，通常包含六个重要环节，分别是收货、核验、上架、下架、复核、装箱。

(1)客户通过物流将产品送达到仓库地点，仓储方根据对接的产品信息和真实收到的产品进行收货操作和核验操作。(2)核验操作完成之后，首先，仓储方会根据客户信息、产品信息、仓储环境、仓储原则等对产品分配货架和货位，然后，工作人员将货物上架到分配好的货位，并将货物信息和该货位信息绑定，最终，更新货物和货位在系统中的状态，到此完成上架操作。(3)首先，仓储方在接到客户调取产品请求后，查询客户产品的货位信息，然后，工作人员将货物和货位信息解除绑定，最终，更新货物和货位在系统中的状态，到此完成下架操作，并将下架货物放置复核区。(4)对复核区货物进行复核操作，复核完成之后对货物进行打包装箱操作，最后仓储方利用物流将产品派发到需求地。

近年来，仓储平台为了提高自身竞争力以及减少成本，企业针对这六个环节进行深刻变革，在变革过程中发现，上架和下架环节因为需要遵循标准多、仓储环境复杂等，导致整体仓储平台作业效率低，以下对仓储环节现状及存在主要问题进行分析。

(1)货物周转效率低

货物因物流需求影响，不同的类型货物拥有不同周转率，货物周转率是根据物流需求影响动态变化的，货物周转率的提升，既能够保证仓储的吞吐量，又能够促进物流的流通性。目前，仓储遵从根据订单先到先服务原则，然而，企业发现遵从此原则的工作效率很低，原因是仓储没有将环境因素对货物与货架匹配的影响考虑在内，结果导致企业花费的时间成本较高。

(2)货架空间利用率低

货架空间的利用效率，表示着仓储对于土地空间的利用效率，也直接影响着企业的经济效益。为了提升货架空间利用率，仓储采用了一种新型货位管理技术，即将货架中的货位分为固定货位和自由货位，固定货位只能存放规定品种货物，自由货位用于存放经常变动的货物。目前，仓储平台在货物与货架匹配过程中，因无法根据药品自身属性进行智能高效的分配相对应货位，导致空间利用率很低。

本发明针对医药仓储中货物周转效率低和货架空间利用率低的问题，提出了一种基于贝叶斯卷积神经网络(BCNN)的货物与货架匹配算法。货物与货架匹配流程如下：(1)明确货物和货架的基本信息，货物拥有优先级、类型、存储类型、使用频率、质量、体积、数量、生产日期等属性。以及货架拥有优先级、货架类型、货架存储类型、距离、体积、承重、层数等属性。(2)根据货物和货架属性，到合适的匹配算法，匹配算法分为属性匹配度和环境匹配度。(3)将匹配算法利用FAHP方法分配各自权重，最终得到货物与货架的匹配值结果。(4)利用贝叶斯卷积神经网络将若干匹配结果值作为输入，计算出匹配阈值，将货物与货架的匹配结果和匹配阈值比较，最终得到这组货物和货架的匹配结果。

目前在货物与货架匹配方向上的研究大多集中在货物与货架指标体系上，也就是(2)步骤，其固然是货物与货架匹配研究重点，但也是最基础的部分，考虑因素单一化。缺乏确切的匹配结果和对结果不足进行优化的方法，不具备应用到实际的能力。

本发明在货物与货架匹配方面进行了改进，设计货物与货架属性匹配度的同时，贴切实际，同时也考虑到外界环境因素对匹配组合产生的影响，引入了环境影响度概念。并利用模糊层次分析法(FAHP)对权重进行分配，同时引入贝叶斯卷积神经网络算法计算出匹配阈值，将匹配结果和匹配阈值进行比较，最终得到匹配结果。在贝叶斯卷积神经网络基础上，引入了匹配状态，精确的分析了单时间片、多时间片货物与货架匹配的详细进程，极大的提高了基于贝叶斯卷积神经网络的货物与货架匹配算法的灵活性。

大量的实验证明，本发明无论是在货物与货架匹配成功率，匹配失败货物在下一时间片再次匹配的优化方面、还是各种不同数量货物和货架的场景下匹配方面，本发明相对于先前研究都有一个较大的提升。

本发明克服了现有医药仓储中货物与货架匹配问题中的优化目的单一，静态时间段内货物与货架匹配成功率低，无法对匹配失败货物的后续匹配过程优化，匹配成本过高等缺点，提出了一种基于FAHP(模糊层次分析法，Fuzzyanalytichierarchyprocess)-BCNN(贝叶斯卷积神经网络，Bayesianconvolutionalneuralnetworks)货物与货架匹配方法，为动态变化的货物资源进行不同货架的个性化排序推荐，致力于提高用户满意度、降低仓储成本。

本发明主要包括六个部分：(1)确定模型的输入输出。(2)针对货物和货架的具体属性确定各自相对应的子算法。(3)根据货物和货架资源池信息，确定每对匹配组合受到环境的影响程度。(4)货物与货架综合匹配度，利用FAHP分配属性匹配度和环境影响度适当的权重。(5)构建贝叶斯卷积神经网络模型，利用部分匹配结果计算出匹配阈值。(6)方法有效性验证。

下面分别介绍以上六部分的内容:

1、确定模型的输入输出。货物、货架数据集作为本方法的输入，其中包含优先级、类型、存储类型、使用频率、质量、体积、数量、生产日期、货架类型、货架存储类型、距离、体积、承重、层数等属性。除了已有的货架、货物资源，在进行动态匹配的过程中，模型会接受外界持续不断加入的新资源，这样货架可选择的范围会变大。当匹配结果优先大于匹配阈值，则认定该组合为最佳匹配组合。

2、针对货物与货架的具体属性确定各自相对应的部分算法。属性匹配作为货物与货架匹配中最重要的一环，同时也是后续工作的基础。

3、根据货架和货物资源池信息，确定每对匹配组合受到环境的影响程度。在计算货物和货架具体匹配度的时候，除了使用属性匹配度来衡量某个货架和某个货物匹配程度，还需要考虑外界其他因素对该组合匹配产生的相关影响。根据以上考虑，本发明提出了环境影响度这个概念，具体是指通过货架或者货物的各项特征在各自资源池中的分布规律来统一得到每层货架或每个货物的重要性程度，匹配的货架和货物利用自身重要性程度来求得此组合的环境影响度。

4、利用模糊层次分析方法(FAHP)对属性匹配度和环境影响度进行分配适当的权重。

5、构建贝叶斯卷积神经网络模型。本发明基于贝叶斯卷积神经网络计算出匹配阈值，通过将匹配结果和匹配阈值进行比较，判断出该组合是否匹配成功。

6、方法有效性验证。通过在真实的货物与货架数据集上的实验证明，并对比其他前沿的研究，本发明匹配货架的成功率和未匹配货架的再匹配成功率这两个指标上都表现出了良好的效果。在多个时间段内基于FAHP算法分配权重的BCNN算法的货物与货架匹配成功率显著高于其对比算法，并且在对于匹配失败货物后续匹配优化中，再次匹配成功的概率也有了大幅的升高。

本发明为实现上述目的所采取的详细实施步骤如下：

步骤1：确定货物与货架的特征属性，两者的属性在后续步骤中需要依次配对。本发明将货架定义为属性依次对应优先级，货架类型，货架存储类型，距离，体积，承重，层数。货物定义为每个属性依次对应优先级，类型，存储类型，使用频率，质量，体积，数量，生产日期。

步骤2：根据医药仓储中货物与货架的属性确定子算法。通过属性匹配往往能够大致判定匹配目标对象或者否定某对象，具体匹配算法如下。

步骤2.1：在医药仓储中不同的货物需要不同类型的类型货架进行存储。如果类型不匹配，会造成货物不必要的损失，对相关仓储平台造成无法估量的损失。因此，根据类型匹配时进行后续匹配工作，并有机会取得双方满意的结果。根据不同类型的货架和货物以货架的承载能力，整合了详细数据见表1，货物与货架的类型匹配度可由表1来得到：

表1货物与货架类型匹配表

A1＝x (1)

在已知了医药仓储中货架类型、货物类型之后，x由表1中“匹配程度”列得到；

步骤2.2：重量和体积匹配度匹配过程中极其重要的部分。医药仓储中不同类型货架的承重能力和体积是确定的。对于要匹配的货物，如果重量远远小于货架的额定载重量，则可以认为匹配不当或成本过高。如果重量超过货架的承载能力，也会对仓库的安全造成极大的隐患，针对以上约束，提出了一种质量和体积匹配度的计算方式。

W1和W2是权重值,A2是质量和体积匹配度，具体公式定义如下；

A2＝Vij×W1+qij×W2 (4)

步骤2.3：距离匹配度计算。货架和货物之间的距离匹配度决定了货架是否能够快速地将货物上架和下架。结合货物的出货频率，越近的货架取货越容易，相应匹配出货率高的货物。即可以表示为：

W3和W4是权重值,A3是距离匹配度，具体公式定义如下；

步骤2.4：货架层数匹配度计算。本发明遵循货物上架是“二三四一”的原则，根据货架高度以及员工身高，发现医药仓储中第二层和第三层是更利于上架和下架，其次是第四层和第一层，体积大质量轻的货物应尽量放第三四层，体积小质量重的货物应尽量放第一二层。根据以上原则，首先要判断货物是质量型货物还是体积型货物，如果货物是质量型货物，用质量来计算，否则用体积来计算。不同的存储方式有不同的标准，一般来说，本发明用θ作为判断标准。θ的定义如下：

如果θ大于其自身重量，则将其视为轻型货物，并使用体积进行计算，否则视为重型货物，按质量计算；重量或体积匹配度定义如下：

W5和W6是权重值，Lij货物体积或者重量在货架的占比：

步骤2.5：时间匹配度计算。将生产日期作为时间匹配度计算的标准，规定货物上架当天截止到货物过期时间为空窗时间。空窗时间越小的货物是最有可能出货的货物，这类货物应该优先放到距离近的货架，有利于货物的上架和下架，则该货物拥有更高的匹配优先级。α为货物当天距离过期日期时间，β为货物保质期总天数，计算空窗时间计算空窗时间定义如下：

Tij＝1-(α/β) (10)

W7和W8是适当的权重值；时间匹配度如下所示：

步骤2.6：属性匹配度总体匹配度计算。根据货物和货架不同属性在此次资源中所占的重要性程度，本发明利用FAHP分配属性匹配各自的权重。由此可以得到货物i和货架j的属性匹配公式为：

Aij＝W9A1+W10A2+W11A3+W12A4+W13A5 (12)

步骤2.7：模糊层次分析法具有定性与定量相结合的特点，评价效果更加科学、公平、公正，匹配模型中各指标之间的相对重要性可以更加合理地确定。因此，本发明采用模糊层次分析法(FAHP)确定货物与货架匹配模型中各属性的权重系数，具体步骤如下：

本发明为了使各属性在仓储管理中发挥相应的合理作用，使用FAHP确定每个属性的权重。本发明对相关仓储领域的专家进行了问卷调查，深入了解了仓储平台在货物存储所需要考虑的所有因素。层次分析法的步骤如下：

(1)指标体系的确定

(2)评语集的确定

(3)基于三角模糊数的层次分析法赋权

1)构造模糊判断矩阵

2)计算各个指标的综合权重

3)确定其他层次的各指标权重

表2比例表

专家根据表2比例表作为标准，分别对货物与货架匹配过程中的各个属性权重进行重要程度打分。各个属性权重重要程度打分表如表3问卷调查每个属性权重表所示：

表3问卷调查每个属性权重表

(1)基于三角模糊数的层次分析法：

这里假设有3个调研成员，对一组指标进行比较(比如C1与C2的比较)，各自得到一个模糊数，分别为(l1,m1,u1)，(l2,m2,u2)，(l3,m3,u3)，将表3问卷调查每个属性权重表通过下面公式得到模糊值，并将多个模糊值重新按照各因素进行封装模糊矩阵R。

(2)计算各个指标的综合权重：

第K层指标i的综合模糊值(初始权重)计算方式如下两个公式，对模糊矩阵R进行去模糊化处理，得到结果R′。

本发明设H1＝(l1,m1,u1)和H2＝(l2,m2,u2)是三角模糊数，H1≥H2的三角模糊函数判断公式如下：

一个模糊数大于其他K个模糊数的可能度如下公式所示，将所得权重值标准化，得到各指标的最终权重权重分布Wi；

minp(H≥Hi)＝P(H≥H1,H1,···,HK),i＝1,2,···n (17)

步骤3：环境影响度。本发明考虑到货物存放“ABC”原则，即根据货物的重要性，采取不同程度的库存控制手段。在计算货物和货架的特定匹配度时，除了使用属性匹配度来衡量某货物和某货架的适用性外，还需要考虑其他因素对组合匹配的影响。基于此，本发明提出了环境影响度这个概念，具体是指货物和货架各特征在各自特征中的分布规律设置为统一获取每个货架和货物的重要度，并通过其各自的重要度相互作用来匹配货架和货物，以获取该组合的环境影响度。货架的重要性程度所代表的物理意义是，在平台不进行匹配时，此货架在所有货架中的重要性占比程度，代表着未来匹配成功的可能性，其包含了除己之外的货架对自身产生的影响。同理，货物的重要性程度也代表着其在未来匹配成功的可能性大小，包含着其他货物对自身的影响。

以货架为例，其重要程度由概率值hi和由于本实验是基于货物匹配货架，货架和货物的重要性越大，环境影响程度越大，这对组合更容易成功匹配。因此，环境影响度Qij定义为hi与1-kj之比。具体公式定义如下：

步骤4：货物与货架综合匹配度。对货架匹配的内外部因素进行了深入分析。内部因素是货架与货物之间的属性匹配程度，即其自身的影响。外部因素是货架和货物两侧重要性的相互作用，代表环境对匹配组合的影响。在实际匹配中，内部因素和外部因素对匹配程度的影响是不同的。在实际的匹配中，内在因素和外在因素对综合匹配度所起到的作用也是不同的，本发明使用Wi，Wi+1分别作为属性匹配度、环境影响度的权重，利用FAHP得到。由此，可以得到货物与货架的综合匹配度计算公式：

R(Si,Cj)＝Wi×Aij+Wi+1×Qij (21)

步骤5：构建基于贝叶斯卷积神经网络的BCNN算法。本发明利用贝叶斯卷积神经网络对训练集的货物与货架匹配结果进行训练，计算出匹配阈值，认定最早的匹配结果大于阈值的组合是具有最高的匹配成功率，基于贝叶斯卷积神经网络货物与货架匹配模型图如图1所示。

步骤5.1：本发明使用的贝叶斯卷积神经网络的模型，用于预测出货物与货架匹配的阈值。贝叶斯卷积神经网络中包含卷积层、最大池化层、全连接层和最后的输出层：

(1)贝叶斯卷积层

贝叶斯卷积层继承了卷积层的特点采用了权值共享和多个卷积核，但是卷积核中的权重值不再是确定的权重值，而是作为一个分布存在，在本发明中,我们将这一分布定义为只有两个参数的正态分布，通过分别更新这两个参数从而在训练的过程中更新学习到的信息。在每一次前向传播的过程中，得到的特征图也会根据分布的采样概率进行相应变化。

本发明从卷积核的权重分布中采样出某个确定的权重值，并且将采样得到的权重值组成的卷积核与感受野进行卷及操作，我们将其中F表示感受野区域，η表示卷积层卷积核的权重高斯分布的均值，λ表示卷积核的权重高斯分布的标准差，*表示卷积操作；本发明首先从标准正态分布种采样ε～Ν(0,1)与λ的乘积加上η，将得到的结果与感受野进行卷积操作；具体公式定义如下；

υ＝η+ε×λ (22)

S＝F*υ (23)

卷积层中的每个权重是独立的，允许对每个单独的参数进行因子分解，权重参数w～p(w)服从标准的高斯先验分布，本发明假设fw(x)为网络输出p(y|fw(x))，为模型的似然函数；记L(X,Y)和(x,y)分别为训练集和测试集，根据贝叶斯理论可得权重参数的后验概率为p(w|L)；其中BCNN输出概率向量由Relu函数表示如下：

Relu(fw)＝max(0,fw) (24)

P(y＝c|x,w)＝Relu(fw(x)) (25)

模型的输出预测公式：

P(y＝c|x,L)＝∫p(y＝c|x,w)p(w|L)dw (26)

(2)贝叶斯全连接层

在全连接层使用重参数优化方法中，对权重参数进行采样，将其定义为函数，其中μ表示分布的期望，σ表示分布的标准差；假设ε为标准高斯分布的采样，对于每个权重参数；具体公式定义如下:

f(ε)＝w＝μ+ε×σ,ε∈Ν(0,1) (27)

由此可以得到每个参数的更新方式具体公式定义如下；

μ←μ-αΔμ (30)

σ←σ-αΔσ (31)

θ*＝(μ*,σ*) (32)

局部重参数化技巧可以减少后验模型参数的变分贝叶斯推断随机梯度的方差，同时保留了可并行性；这种局部重参数化技巧将全局参数的不确定性转换为小批量数据点中的相互独立的本地噪声；这种参数化可以简单的并行进行，并且其方差与小批量的大小成反比，所以会快速收敛。

货物与货架匹配结果经过贝叶斯卷积层，卷积层采用了权值共享和多个卷积核提取出数据特征，本发明通过挖掘数据特征输入最大池化层对卷积后的特征图进行采样，然后经过Relu激活函数后将数据从多维转换为一维，最后将一维数据进行多层贝叶斯全连接层进行处理，输出结果为匹配阈值

步骤6：构建基于贝叶斯卷积神经网络的货物与货架匹配算法。在得到货物与货架的匹配度计算公式后，本发明需要基于贝叶斯卷积神经网络来模拟真实的仓储中的货物与货架匹配过程，要构建动态网络，首先要明确单时间段内详细的匹配过程：

步骤6.1：构建基于单时间片的贝叶斯网络的货物与货架匹配过程。在t时间段内，此时的货物和货架资源既包括t-1时间段匹配失败的，也包括外界新进入的，设此时有n货架，货架按照优先级顺序依次进行匹配，每个货架的匹配过程都作为一个状态来表示，那么此时间片内的匹配过程将被分为n个连续的状态，在某个确定的状态Ti内设货架Si正在匹配，匹配结果和匹配阈值进行比较，如果匹配结果大于匹配阈值表示Si与该货物匹配成功，则作为状态Ti的输出加入到匹配成功队列中，那么Ti+1状态下货架Si+1只能从剩余的货物中进行选择匹配，可供货架选择的范围变小；如果匹配结果大于匹配阈值表示Si匹配与该货物匹配失败，则该货物加入到t+1时间段继续进行匹配，同时优先级靠后的货架Si+1拥有了更广泛的选择机会，无论匹配成功与否，状态Ti都将持续对Ti+1状态下的结果产生影响：

t＝{T0,T1,…,Tn} (33)

R(Ti|Ti-1)＝C(Si) (34)

Rt＝{R(T0),R(T1),…,R(Tn)} (35)

其中，Ti表示第i个状态，R(Ti|Ti-1)表示在状态Ti-1制约下状态Ti中货架Si得到的匹配结果，Rt表示t时间段内所有的货架的匹配结果。

步骤6.2：构建基于多时间片的贝叶斯卷积神经网络的货物与货架匹配过程。如图1所示。动态匹配建立在单时间片的匹配基础之上，整个t时间段内所有连续状态下输出的匹配成功组合都将继续下一步的工作，匹配失败的货架集合failt作为t+1时间段的部分输入继续进行匹配，可以看出，单时间段内的匹配进程总是持续影响着下一时间段的匹配进程，多个时间片的匹配进程构成了动态的匹配过程，既可以提高货架的匹配成功，也可以提高匹配失败货架的后续匹配成功率。

R＝{R0,R1,…,Rt} (36)

R表示所有时间段内的货架匹配结果。

本发明提供一种基于贝叶斯卷积神经网络的货物与货架匹配方法。利用FAHP为匹配过程添加权重，同时为每对匹配组合考虑了环境影响的因素，权重和环境影响引入使模型最大合理化。在贝叶斯卷积神经网络的基础上，将某时间片的匹配结果看作为一个状态，前面状态对后续匹配过程产生影响，状态的引入提高了模型的灵活性。本发明通过挖掘货物与货架潜在信息，计算出匹配阈值，将货物与货架匹配结果与匹配阈值比较，对于匹配失败的货物，到下一个时间段与货架进行匹配，直至匹配成功，这都有效的提升了匹配效率。通过大量的实验证明，无论是在匹配成功率，还是在各种不同的场景下，本发明相对于先前研究都有一个较大的提升，能够应用于中小型仓储企业中。

图1是本发明中基于贝叶斯卷积神经网络医药仓储中货物与货架匹配模型图

图2是本发明中医药仓储中货物与货架匹配模型图

图3是本发明模糊层次分析法框架图

图4是本发明医药仓储中货物与货架匹配计算过程图

图5是本发明中货物与货架匹配度热力图

图6是本发明中贝叶斯卷积神经网络模型Loss曲线图

图7是本发明中匹配货物与货架依次对应货物的匹配度折线图

图8是本发明中多时间序列下匹配成功组合的热力图

图9是本发明中多时间序列下货物与货架的匹配成功率柱状图

图10是本发明中单时间序列下随机算法和FAHP分别分配权重时货物与货架的匹配成功率柱状图

图11是本发明与其他方法关于匹配失败货架在下一个时间段匹配成功率对比图

图12是本发明在不同场景下关于货物与货架匹配成功率示意图

下面结合附图和实施例对本发明进一步说明。

本发明从医药仓储大数据平台中获取了货物和货架的详细数据，并对其进行了数据清理，整理过后分别得到了类型、质量、体积、存储类型、承重、生产时间、货架层数等具体属性，货物与货架匹配模型图如图2所示。”

步骤1：具体实施首先从单时间序列下的匹配过程展开，将货架数据集分别为S1＝{1,“整货”,“冷藏”，“第一层”，500，40000，100},S2＝{2,“整货”,“冷藏”，“第二层”，300，20000，150}，S3＝{3,“整货”,“冷藏”，“第一层”，500，40000，100}，S3＝{4,“整货”,“冷藏”，“第三层”，400，30000，50}，货物数据集分别为C1＝{1,“整货”,“冷藏中成药”，0.75，80，200，4，[20190512，20260525]},C2＝{2,“整货”,“冷藏药片”，0.75，30，100，1，[20190712，20330725]}，C3＝{3,“整货”,“冷藏药剂”，0.65，60，200，3，[20190112，20230125]}，C4＝{4,“整货”,“冷藏药剂”，0.7，50，300，3，[20190512，20270525]}。

本发明需要计算货物与货架两两之间的匹配度。以货架S1，货物C1为例，首先要计算S1，C1之间的匹配度，匹配度D(S1,C1)由属性匹配度A11和环境影响度Q11得到。

(1)两者的类型匹配度A1由表1可以得到：

A1＝x (41)

根据公式计算可以得到(S1,C1)匹配结果为0.5,(S2,C2)匹配结果为0.8,(S3,C3)匹配结果为0.4,(S4,C4)匹配结果为0.4。

(2)质量和体积匹配度A2被计算得到：

A2＝Vij×W1+qij×W2 (44)

根据公式计算可以得到(S1,C1)匹配结果为0.063,(S2,C2)匹配结果为0.149,(S3,C3)匹配结果为0.059,(S4,C4)匹配结果为0.103。

(3)距离匹配度A3为：

根据公式计算可以得到(S1,C1)匹配结果为0.1356,(S2,C2)匹配结果为0.159,(S3,C3)匹配结果为0.149,(S4,C4)匹配结果为0.163。

(4)货架层数匹配度A4被计算得到：

根据公式计算可以得到(S1,C1)匹配结果为0.133,(S2,C2)匹配结果为0.199,(S3,C3)匹配结果为0.176,(S4,C4)匹配结果为0.195。

(5)时间匹配度A5被计算得到，α为货物当天距离过期日期时间，β为货物保质期总天数：

Tij＝1-(α/β) (50)

根据公式计算可以得到(S1,C1)匹配结果为0.594,(S2,C2)匹配结果为0.836,(S3,C3)匹配结果为0.758,(S4,C4)匹配结果为0.756。

(6)由此得到S1和C1的属性匹配度：

A11＝W9A1+W10A2+W11A3+W12A4+W13A5 (52)

权重Wi可由FAHP得到，货物与货架匹配算法模糊层次方法框架如图3所示，步骤如下所示：

(1)指标体系的确定

(2)评语集的确定

(3)基于三角模糊数的层次分析法赋权

1)构造模糊判断矩阵

2)计算各个指标的综合权重

3)确定其他层次的各指标权重

表2比例表

专家根据表2比例表作为标准，分别对货物与货架匹配过程中的各个属性权重进行重要程度打分。各个属性权重重要程度打分表如表5问卷调查每个属性权重表所示：

表3问卷调查每个属性权重表

(1)基于三角模糊数的层次分析法

这里假设有3个调研成员，对一组指标进行比较(比如C1与C2的比较)，各自得到一个模糊数，分别为(l1,m1,u1)，(l2,m2,u2)，(l3,m3,u3)，将表3问卷调查每个属性权重表通过下面公式得到模糊值，并将多个模糊值重新按照各因素进行封装模糊矩阵R。

(2)计算各个指标的综合权重

第K层指标i的综合模糊值(初始权重)计算方式如下两个公式，对模糊矩阵R进行去模糊化处理，得到结果R′：

本发明设H1＝(l1,m1,u1)和H2＝(l2,m2,u2)是三角模糊数，H1≥H2的三角模糊函数判断公式如下：

一个模糊数大于其他K个模糊数的可能度如下公式所示，将所得权重值标准化，得到各指标的最终权重权重分布Wi。

minp(H≥Hi)＝P(H≥H1,H1,···,HK),i＝1,2,···n (60)

Wi＝(0.12,0.39,0.11,0.18,0.18) (61)

A11＝W9A1+W10A2+W11A3+W12A4+W13A5 (62)

根据公式计算可以得到A11匹配结果为0.345,A22匹配结果为0.481,A33匹配结果为0.470,A44匹配结果为0.433。

(7)除此之外，还应该计算S1和C1的的环境影响度：

(8)分别得到V1和C1的属性匹配度A11和环境影响度Q11之后，根据：

R(Si,Cj)＝Wi×Aij+Wi+1×Qij (66)

所以得到匹配度分别为R(S1,C1)＝0.34，R(S2,C2)＝0.46，R(S3,C3)＝0.45，R(S4,C4)＝0.4。

步骤2：设货架数据集有N条数据，货物数据集有M条数据，那么通过上述匹配度计算方法可以得到N×M个匹配组合数据。分别取20个货架，20个货物来观测匹配度数据，结果如图5所示。

本发明会将图中大于0的所有匹配值和利用贝叶斯卷积神经网络计算出的匹配度阈值进行比较，只有大于此阈值的才能判定匹配成功，如果小于此阈值或者匹配度为0的话判定为匹配失败。匹配均值和匹配阈值的Loss曲线如图6所示。对于优先级最高的货物，它可以选择与自身匹配度最高的货架进行匹配，匹配成功之后跳出匹配队列，优先级靠后的货物只能从余下的货架中继续进行选择匹配。

本发明将20货物中每个货物的详细匹配过程使用折线图展现出来，如图7所示，横坐标为货物id，纵坐标为匹配结果，第一个图是表示一个批次有20个货物跟该货架的某一层进行依次匹配，很明显S1与C1的匹配结果是首先大于匹配阈值的，所以(S1,C1)是一个成功的匹配组合。在S2中，S2与C2的匹配结果是首先大于匹配阈值的，所以(S2,C2)是一个成功的匹配组合。在S3中，S3与C2的匹配结果是首先大于匹配阈值的，但是S2的优先级是大于S3的，S2是在S3之前第一个成功匹配C2的，所以S3只能继续寻其它的货物，S3与C3的匹配结果是首先大于匹配阈值的，所以(S3,C3)是一个成功的匹配组合。类似地,S4与S3是相同的。对于S5,与C6的匹配度大于匹配阈值，所以(S5,C6)是一个成功的匹配组合，同理S6和C5是一个成功的匹配组合。S7是与C2的匹配结果是最大的，但是S2的优先级是大于S7的，S2是在S7之前成功匹配C2的，所以S7只能继续寻，发现S7和C7是匹配度第二的货物，并且匹配结果是大于阈值的，所以(S7,C7)是一个成功的匹配组合。同理S8与C9的匹配结果是大于匹配阈值的，所以(S8,C9)是一个成功的匹配组合。同理S9与C10的匹配结果是大于匹配阈值的，(S9,C10)是一个成功的匹配组合。也存在一种情况，如图7所示的折线图，所有匹配的货物首先由高优先级的货架匹配成功，其余的货架由于所有匹配度均低于匹配阈值而未能匹配，这种情况通常会在下一个时间片中获得良好的匹配结果。

步骤3：单时间段的货物与货架匹配是动态匹配的基础。在动态实验基础上，本发明设置算法每次容纳10条货架数据、10条货物数据。每个时间片内，货物和货架数据按照优先级顺序分别进入匹配队列，货物和货架队列队首出队，进行匹配计算，如果组合匹配结果大于匹配阈值，则表示匹配成功，否则货物信息从队尾入队，从货物队列队首出队和该货架进行匹配计算，直到该时间片结束，成功的组合跳出匹配队列，而不成功的组合重新从队尾入队，并在下一个时间片中继续匹配。本发明设置了四个时间片来观察实验结果；

图8所示四个连续时间片的匹配结果。横坐标表示货物id，纵坐标表示货架id，不匹配的货架id和货物id未显示在坐标轴上。为了使结果更加直观，本文对成功组合的匹配度进行了标记，将失败组合的匹配度设置为0。可以看到，货物与货架匹配过程中的成功集合、失败集合和不同时间段同一货架的匹配成功与否都可以清晰的展示出来。

图9展示了不同时间序列下各自的匹配成功率。本实验在4组不同货物与货架数据集下进行了计算并取平均值。FBCN算法是本发明的简写。FBCNP(yt)为某个时间片内队列中的货物与货架的匹配成功率。FBCN为上一个时间片匹配失败的货物在本时间片内的匹配成功率，即上个时间片匹配失败的货物在本时间片内匹配成功的个数占之前失败总数的比例。可以看到，在t＝0时，队列中的货物与货架匹配成功率为0.8，由于是第一个时间片，所以此时间片的FBCN为0。t＝1时，队列中货物与货架的匹配成功率达到了0.8，前一个时间片匹配失败的货物与货架在本时间片成功的比例也达到了1。从四个时间片来看，其FBCNP(yt)和FBCN都达到了一个较高的水平。

步骤4：本发明在FAHP算法和随机算法分别计算出权重分布，在同一个时间片内队列中货物与货架的匹配成功率、匹配失败货物在下一个时间片的成功率这两方面作对比。实验数据结果为三组货物与货架匹配结果数据集实验下的结果平均值。

图10所示，t＝0时间片内，基于FAHP算法分配权重的BCNN算法的货物与货架匹配成功率为0.8，高于对比随机算法分配权重下0.5的成功率。从多个时间片来看，基于FAHP算法分配权重的BCNN算法在货物与货架匹配成功率方面具有显著的优势；

图11所示的是FAHP算法和随机算法分别分配权重在基于匹配失败货物的再匹配的结果示意图。t＝0作为第一个时间片，两个算法在此时间片没有要匹配的之前失败的货物，故都为0。t＝1，t＝2时间片内，基于FAHP算法分配权重的BCNN算法对之前匹配失败的货物全都匹配成功，展现出了很好的效果，对比算法在此方面分别为0.35，0.4。从多个实验数据，多个时间片来看，基于FAHP算法分配权重的BCNN算法对于先前匹配失败货物再匹配成功的效果显著大于随机算法分配权重的BCNN算法，具有良好的现实意义。

步骤5：为了探究在本发明中货物与货架的数量对匹配结果的影响。仓储平台中货架与货物数量对匹配结果的影响。在打乱数据集的顺序后，本发明在三个不同的场景中进行了对比实验：场景1货架多货物少，场景2货架少货物多，场景3货架和货物数量相同。相应的货架和货物数量分别为(20,10)、(10,20)和(10,10)。如图12所示，水平坐标为连续时间片，垂直坐标为匹配货架匹配成功率，即匹配成功货架占本次匹配货架总数的比例。当处于场景一时，可供货物选择的货架增多，货物拥有足够的选择空间，因此货物的匹配效率达到最高。在场景二的情况下，受限于货架数量，本文优先将匹配度最高的匹配组合进行匹配，因此货架的利用率达到最高，匹配效率也最高。处于场景三时，货架与货物的数量相同，货架能够匹配大多数的货物，匹配率均可达到了78％。综上所述，本发明的算法在三个不同的医药仓储场景下都有较好的匹配效率。