仓库管理系统设计思路精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的仓库管理系统设计思路主题范文，仅供参考，欢迎阅读并收藏。

第1篇：仓库管理系统设计思路范文

关键词：条码自动化；航材管理

1前言

航材仓储在学院的整个供应链中起着至关重要的作用，如果不能保证正确的入库和库存控制及出库，将会导致管理费用的增加，服务质量难以得到保证。传统静态的仓库管理已无法保证航材资源的高效利用。如今仓库作业和库存控制作业十分复杂多样化，仅靠人工记忆和手工录入，不但费时费力，而且容易出错，给学院带来很大的潜在风险。

2自动化航材仓储管理系统的意义

为进一步加强学院信息化规范建设及管理，实现飞机维修各零部件自动化仓储管理，达到信息准确、快速查询统计，特设计该系统来满足此需求。自动化航材仓储解决方案在仓库管理中引入条码技术，对仓库的入库、出库、调拨、移库移位、库存盘点等各个作业环节的数据进行自动化的数据采集，保证仓库管理各个作业环节数据输入的效率和准确性，确保学院及时准确地掌握库存的真实数据，合理保持和控制航材库存。通过科学的编码，可方便地进行材料的批次、保质期、序号等追溯管理。

3自动化航材仓储管理系统设计与实现

3.1传统仓储管理

传统的仓库系统内部,依赖于一个非自动化的、以纸张文件为基础的系统来记录、追踪进出的材料，以人为记忆实施仓库内部的管理。对于整个仓储区而言，人为因素的不确定性，导致劳动效率低下，准确率无以保证。随着库存品种及数量的增加以及出入库频率的增加，传统的仓库作业模式严重影响正常的运行工作效率。而现有已经建立的计算机管理的仓库管理系统，随着航材流通的加剧，也难以满足仓库管理快速准确实时的要求。

3.2条码技术介绍

条码是由一组按一定编码规则排列的，用以表示一定的字符、数字及符号组成的信息。条码系统是由条码符号设计、制作及扫描阅读组成的自动识别系统。条码是迄今为止最经济、实用的一种自动识别技术。条码技术具有几个方面的优点：可靠准确，数据输入速度快，经济便宜，灵活、实用，设备简单，易于制作，。条码标签易于制作，对印刷技术设备和材料无特殊要求。　以各种一维码为代表的条形码技术已经是一门高度成熟技术，考虑到我们分院航材条码涵盖信息大的特点，本次选用PDF417二维条码技术来作为航材的条码技术标准。

3.3用友管理系统与自动化航材仓储管理系统的关系

用友管理系统需要大量的数据输入，只有在得到及时有效正确的输入的前提下，用友管理系统才能真正为分院起到管理和决策支持作用。用友管理系统可以在分院范围内共享正确的数据，大大提高生产力。但是输入错误的数据，其影响也一样会遍及分院范围的每一个角落。这种对于输入数据的依赖性已经成为ERP系统实施中的一个重要问题。研究人员已经在这方面做了大量的工作。目前看来最有效的解决方案仍然是自动识别技术，尤其是条形码技术。目前条码生成识读技术已经相当成熟，在ERP系统中实施条码应用关键点在于如何与原有的ERP系统结合。从连接形式来看，条码支持模块与ERP系统有紧耦合连接和松耦合连接两种形式。在紧耦合中，条码支持模块实际上与ERP系统是一体的。条码支持深入到ERP的业务层次。一般来说，这种情况多数是在ERP实施中已经考虑到了条码支持。紧耦合方式的效率是最高的，对于原有的ERP系统几乎没有什么性能影响；同时对于当前的业务融合的最好。但是紧耦合方式也有缺点，就是因为两部分关联比较紧密，在业务过程变迁中灵活性不高。而在松耦合方式中条码支持模块实际上是独立的一块，是作为ERP系统的延伸部分独立存在的。不符合本次项目的要求，故不建议使用这种方式。本管理系统选用紧耦合方式和用友管理软件进行对接，主要考虑到用友管理系统和自动化航材仓储管理系统之间存在数据和指令的双向流动，还有就是项目组对用友管理系统的充分了解，为紧耦合建立了技术基础。

3.4系统操作实施

3.4.1采购入库环节实施根据实物到货情况手动编制11位定长的内部批号。采购入库单根据实物到货情况直接手动录入用友系统，包括供应商、仓库、收发类别、材料名称、数量、金额、质量、批次、序列号等信息。自动化航材仓储管理系统自动读入用友系统采购入库单信息，提供入库单号、入库日期、供应商、产品名称、批次号、序列号查询条件。根据查询结果可选择批量或单条记录打印标签。库管在入库条码打印时，按照查询条件查询需打印标签进行打印。3.4.2材料出库环节实施根据实际需领料情况将需出库产品统一配齐后，放在条码枪可读范围内（离电脑主机3米以内），如是大件材料不便搬运，可只提供大件的条码标签。在用友系统新增材料出库单，输入表头信息，包括单号、部门、仓库、备注等。将光标定位在表体“条形码”处，通过条码枪将产品标签中的二维码扫入系统。和条码相关信息如产品、批次、序列号、质量等将自动填入。然后输入本次出库数量和项目。如还有其他产品，重复以上步骤后保存。3.4.3材料退库环节实施退库时，可查询原领料时的产品标签，以便通过条码枪进行扫描录入。如无法取得原领料时的产品标签，可在自动化航材仓储管理系统中进行查询并打印，以便通过条码枪进行扫描录入。

4结语

通过系统的设计，将单据所需的大量纸张文字信息转换成电子数据，实现数据的自动化采集，解决手工单据信息不准确的问题，去掉了手工录入航材信息的步骤，能大大提高工作效率。

参考文献：

第2篇：仓库管理系统设计思路范文

关键词：聚集优化;数据仓库;决策支持；最优路径算法

中图分类号：TP311 文献标识码：B

文章编号：1004-373X(2008)10-030-03

DAOA：A Dynamic Data Warehouse Aggregation Optimization Approach

ZHANG Baili1,ZHU Wen2,LV Jianhua1

(1.School of Computer Science and Engineering,Southeast University,Nanjing,210096,China;

2.College of Science,Nanjing University of Science & Technology,Nanjing,210094,China)

Abstract：Nowadays,more and more enterprises have built up or are going to build up their data warehouse for supporting enterprises′ decisions.But it is necessary for us to optimize the DW constantly and periodically,for that users′ requirement can′t be caught correctly at the beginning of its creation and that users′ requirement is altering frequently.DW aggregation optimization is one of the most important part of DW optimization.In this paper aggregation route_optimize algorithm and aggregation materialization Select_Optimize algorithm are proposed,and then we design an effective method-DAOA to get an aggregation scheme that respond to users demand with best time-space complexity.At last we apply this scheme to a company′s decision system.It proves that the scheme has good efficient.

Keywords：aggregation optimization;data warehouse;decision support;optimized route algorithm

目前，我国大、中型企业约有50多万家，分布在各大、中城市以及县城中，由于政府职能的转换以及环境和条件的限制，这些企业受到国内外市场很大的冲击和影响，为了应对这种局面，企业决策层都逐步意识到企业信息化对其发展的重要意义。因而他们对企业内外的信息需求日益增强，对信息的收集、加工、查询以及预测决策也越来越重视。企业原来的管理方式和手段已不再适应这些需求，也将严重妨碍企业的生存与发展。为了提高企业的生存能力和竞争力，同时也为了改变企业落后的管理体制、管理方式和手段，他们强烈地感到建立信息管理系统并在此基础上建立决策支持系统的重要性，而新兴的数据仓库技术则为他们建立企业决策支持系统提供了很好的解决途径[1]。

数据仓库是计算机应用的新领域，旨在通过通畅、合理、全面的信息管理，达到有效的决策支持[1,2]。作为数据仓库的关键技术之一，聚集优化技术承担着对现有数据仓库不断地进行优化，弥补设计开发阶段的不足，提高数据仓库的运行效率以及可用性、实用性等重要任务。同时，聚集优化则直接影响了查询的响应速度，从而最终关系到用户满意程度和数据仓库的生命周期。

1 数据仓库与聚集优化

1.1 数据仓库

数据仓库的定义是：数据仓库是面向主题的、集成的、稳定的，不同时间的数据集合，用于支持经营管理中决策制定过程[2]。数据仓库的思想随着逐渐尝试对数据库中的数据进行再加工，形成一个综合的、面向分析的环境，更好地支持决策分析而逐渐形成。他不同于传统的数据库，传统数据库中存放的是操作性的数据，主要用于联机事务处理（OLTP），也叫操作型处理，是指对数据库联机进行日常操作，他关心的是响应时间；而存放在数据仓库中的数据是分析性的数据，主要用于联机分析处理（OLAP），也称分析型处理，检索的内容随机性和数量更大，不但存储近期数据，也存储历史数据，且当前数据不断得到补充、更新，并可实现不同来源数据的融合。数据仓库支持随机的查询，为使用者提供更多的信息，而不是数据，为决策者提供了更好的决策支持，他是建立决策支持系统（DSS）的基础[2-4]。

1.2 数据仓库优化和聚集优化

当前主流数据仓库管理系统和联机分析服务器，都要求用户必须熟知企业模型、了解原始数据、对数据仓库具备相当程度的知识背景。然而对于企业在数据仓库设计和开发阶段，由于用户和开发人员对此认识有所不同和不足，导致在使用过程中暴露出大量问题。因此如何根据系统运行情况和用户需求的变化，对数据仓库不断地进行优化，弥补设计开发阶段的不足，以提高数据仓库的运行效率以及可用性、实用性，已经是数据仓库应用中迫切需要解决的重要问题[5-7]。

作为数据仓库优化的一项重要组成，数据聚集优化主要针对数据仓库数据聚集部分的选择而进行优化，他包括了对进入聚集空间的维、层次以及路径依据实际使用效果从获得最佳时间复杂度与空间复杂度的角度进行选择[4,5]。具体而言，聚集通过对数据进行分组汇总，使数据到达一个用户感兴趣的层次，然后可以在这个概念更为清晰的数据集进行数据分析。例如对一个药品销售企业的数据仓库而言，可以聚集药品的销售额或销售量，得到月、季、年的销售数据，然后再分析哪些因素对月、季、年的销售数据产生影响，而在聚集前的数据集，进行这种数据分析研究比较困难或可能本身就没有意义。

在数据仓库的设计开发阶段，如果想获得较好的聚集物化方案，需要分析所有用户和应用的需求，研究实际使用中需要哪些维度、粒度层次的汇总信息，从而确定所有可能涉及的聚集和估算使用的频度。但在数据仓库创建初期，进行这种需求分析显然是比较困难或不太现实，且很多情况下可能并不准确。为此本文提出2种动态聚集优化算法：聚集路径优化算法Route_Optimize和聚集物化选择算法Select_Optimize，并以他们为基础，获得一种比较切实可行聚集优化的实施方案DAOA：在初期采用系统缺省的聚集物化方案，而在系统运行的过程中，通过对用户查询信息不断的统计分析，利用聚集路径优化和物化选择2种算法对聚集进行周期性优化，从而实现数据仓库中聚集跟随用户和应用的变化而进行动态调整，提高了数据仓库查询响应性能，以更好地满足用户的需求。

2 聚集动态优化方案DAOA

2.1 方案的具体步骤

针对一般商业企业决策支持系统的特点,提出以下的步骤,以有效地实现聚集的优化。

（1） 建立初始聚集物化方案；

（2） 确定并录入与聚集优化的相关参数指标；

（3） 启动/周期性触发聚集监测进程，采集系统运行记录；

（4） 系统日志分析和用户需求分析。在对系统日志分析的基础上，按照维和粒度层次的取舍原则和应用需求度的判断流程，确定哪些聚集需要物化，哪些可以删除，哪些聚集需要经过下一步算法的判断；

（5） 建立有向聚集关系表，获取各聚集权重；

（6） 交替执行物化选择算法和聚集路径的优化算法，在满足用户期望值和系统性能要求的基础上，确定哪些聚集需要物化，确定哪些聚集无需物化，而转为查询关系，实现聚集方案的聚集总代价最小；

（7） 根据优化算法处理后得到的物化聚集方案集合和最优路径，重新调整数据仓库的聚集。

2.2 最优聚集路径优化算法Route_Optimize

对于具有n维的立方体，每一个聚集最多都可以由n个聚集直接生成，如图1所示，图中给出了一个聚集方案(222)和由他可以生成及生成他的其他聚集方案之间的关系，聚集方案之间的箭头方向为聚集生成方向也即上卷方向，若―个聚集方案能够由另外一个聚集方案经过某一维的1次聚集 (指跨一个层次)生成，那么第二个聚集方案就称为第一个聚集方案的双亲，如(222)是(122)的双亲，即(122)是由(222)产生的，反过来，(122)是(222)的孩子。由图分析推论可得：每一个聚集方案至多能够直接生成n个聚集，每一个聚集最多都可以由n个聚集直接生成，任何一个聚集都可以由细节数据(999)即事实表直接或间接生成。但由这nЦ鏊亲生成目标聚集的效率是不同的，还有可能存在有的双亲聚集没有生成，这可能就要用到祖父层的聚集。因此产生了最优聚集路径选择的问题：在聚集中查找最有效路径，从而以最小的聚集成本、最快的速度产生结果。但最优聚集路径的选择是一个NP问题[5]，只能通过启发式规则，应用优化方法来接近最优效果。

目前应用较多的优化方法有最小父亲方法、缓存计算结果方法、分期清偿扫描方法、贪心算法[5-7]等，但是其中多数算法仅适用于系统建立立方体，属于一次性物化路径生成，没有考虑实际的查询执行情况和用户需求的变化，聚集的物化都是在查询开始之前定义好的，因此，可以称作静态的聚集优化。另外，其中的一些算法仅侧重考虑聚集代价的最优或用户响应最优，未能加以有效综合。

Route_Optimize是在贪心算法基础上进行的改进算法，用于动态地实现解决聚集方案之间的最优路径问题。其基本思路是：简化聚集方案之间的关系，每1个节点有且只有1个父节点，允许没有或有多个子节点，被淘汰的父子关系转变为虚关系，其约束条件是聚集方案关系图权值总和最低。Route_Optimize算法的基本步骤为：

（1） 输入带权值的聚集关系图R0（由属于P1和P2的聚集方案组成）；

（2） 从聚集关系图R0的最低层出发，逐层扫描各聚集方案节点Xi；

（3） 选择连接Xi权值最小的父节点Qi为节点Xi的最优父节点；

（4） 断开Xi与其他聚集方案父节点之间的连接，以聚集方案节点Xi与Qi的聚集权值累计图R0的总体聚集成本C0；从而得到基于R0的最小代价为C0Ь奂方案关系图。

算法中的P1，P2的含义如下:P1代表需物化的聚集方案集合；P2代表需要根据聚集和查询阀值进一步判断的聚集方案集合，另外用P3代表原则上无需物化的聚集方案。

2.3 聚集的物化选择算法Select_Optimize

在聚集方案关系图中，存在一些聚集方案：在满足用户和应用要求的条件下，其父节点得到这些聚集方案的聚集成本很低，同时通过他们的父节点得到其子节点的聚集成本也很低，即如果不对这些聚集方案进行物化，则由这些聚集方案的父节点聚集产生这些聚集方案的子节点的聚集成本将低于聚集阈值，这些聚集方案的父节点在用户查询的时候，临时聚集产生这些聚集方案的查询成本将低于查询阀值(本文把这样的聚集方案称为满足聚集阈值与查询阈值的聚集方案)；更重要的是，即便是不对这些聚集方案进行物化，对其他聚集方案进行物化的总体聚集成本将低于对这些聚集方案进行物化的总体聚集成本。因而，出于降低数据冗余度和降低聚集复杂性的要求，完全可以摒弃对这些多余的聚集方案进行物化，而在查询需要的时候，对没有物化的聚集方案进行临时聚集。这就是聚集方案物化选择的问题。

与Route_Optimize算法类似，本文参考了包括贪心算法在内的一些已有算法的基础上，结合动态优化的特点，提出Select_Optimize算法。其基本思路是：在原有关系图的基础上，将属于集合P2中，满足最低权值条件(聚集阈值、查询阈值) 和关系图权值总和最低的聚集方案转变为虚聚集方案，将该聚集方案的父关系转变为虚关系或查询关系，将该虚聚集方案的子关系转交给该方案的父聚集方案。Select_Optimize算法的基本步骤为：

（1） 输入携带权值的聚集关系图R0（由属于P1和P2的聚集方案组成）、聚集阈值L0、查询阈值Q0 ；

（2） 备份聚集关系图R0，基于聚集关系图R0运行Route_Optimize算法，获得初始总体聚集成本C0 (已删除节点不参与运算),恢复聚集关系图R0；

（3） 筛选出聚集关系图R0中属于集合P2且满足聚集阈值与查询阈值的聚集方案节点X={Xl，X2，…，Xm}，即节点Xi删除后（i ∈ (1,2,…,m)），节点Xi可以由其最低权值父节点Xi′查询生成，且这个权值不大于查询阈值；节点Xi的子节点Xi″可以由其最低权值父节点Xi′聚集生成，且若这个子节Xi″点是已经被删除的节点，则节点Xi与其子节点Xi″之间的查询权值加上节点Xi与父节点Xi′之间的聚集权值的和应不大于查询阈值；若这个子节点Xi″不是已经被删除的节点，则节点Xi与其子节点Xi″之间的聚集权值加上节点Xi与父节点Xi′之间的聚集权值的和应不大于聚集阈值。如没有一个这样的聚集方案节点则转至步骤（7）；

（4） 分别得到删除聚集方案节点Xi后的聚集关系图Ri (即节点Xi的聚集方案转变为虚聚集方案；节点Xi与其最低权值父节点Qi建立查询关系，断开节点Xi与其他父节点之间的关系：节点Xi的未删除子节点Xi″与节点Xi的最低权值父节点Qi建立聚集关系，权值为父权值与子权值之和；节点Xi的已删除子节点Xi″与节点Xi的最低权值父节点Qi建立查询关系，权值为父权值与子权值之和。其中i ∈ (1,2,…,m))，基于聚集关系图Ri运行Route_Optimize算法，得出他们对应的总体聚集成本Ci。

（5） 筛选出节点Xt (这里t ∈ （1,2,…,m）)，他满足条件：总体聚集成本Ct=Min(Cl，C2,…Cm)且总体聚集成本Ct

（6） 用Rt替换R0，转至步骤（2）运行；

（7） 基于聚集关系图R0运行算法Route_Optimize，返回新的聚集关系图R0及总体聚集成本C0。И

经过在Select_Optimize算法尾部调用Route_Optimize算法，能够得到总体聚集成本最低的聚集关系图以及各聚集方案之间的查询关系图(针对虚聚集方案)。

3 结 语

以上的算法模块利用VC++在Oracle9i中得以实现，并在实验中进行验证。在实验室的环境中，原型系统所用的Dell Power Edge 6600硬件平台是一款双至强（XEON）CPU的企业级服务器，良好的系统性能为实验提供了很好条件。但由于实验数据量尚达不到海量，为了较清晰反映物化调整后的效果，实验过程中尽量采用了一些极端取值，以更好地验证算法。具体做法是：一方面采用较大范围内改变聚集的权重系数大小（可人为设定的代表聚集重要性的参数）影响聚集物化的取舍，其直接可以从聚集查询的响应速度上反映出来。另一方面通过专门编写的程序模拟日志的数据改变或修改聚集阀值等参数，观察聚集的效果，均达到预期的目标：利用最优路径算法使聚集关系图得到了很大的简化，大大低于原先缺省的聚集成本，为后来的物化选择算法提供了方便。

迄今为止，由于具体实现的复杂性和多变性，目前国内数据仓库技术在商业企业中的应用还十分有限。本文针对现阶段企业数据仓库建设中关键的聚集优化问题，提出一种切实可行的实施方案，并在实验中和具体应用收到了良好的效果，说明方案有效可行。

参 考 文 献

［1］Efrem G M.决策支持和数据仓库系统［M］.北京：电子工业出版社，2001.

［2］Inmon W H.Building the Warehouse\[M\].2nd Edition.NewYork:John Wiley and Sons,1996.

［3］Michael C.Oracle8i数据仓库［M］.北京:机械工业出版社，2002.

［4］袁林.基于数据仓库的辅助决策系统设计与实现［J］.电力系统自动化，2001，25(21):25-27.

［5］迟忠先，王红新，于凤友．数据仓库中聚集管理与导航策略［J］．小型微型计算机系统， 2002，26(12):1 456-1 461.

［6］张忠能，尤毅，程伟宁,等．设计数据仓库［J］.上海交通大学学报，1998，32(10):50-52.

［7］Zohra B.Schema Evolution in Data Warehouses［J］.Knowledge and Information System,2002,(4):283-304.

作者简介 张柏礼 男，1970年出生,江苏盐城人,博士,讲师。主要研究方向为数据仓库、数据挖掘和Web。