李莉， 张娟

(新疆农业大学交通与物流工程学院， 乌鲁木齐 830052)

在配送中心中，订单拣选环节包含很多复杂工序同时耗时长且成本高，其中订单分批作为拣选工作的首要工序直接决定拣货作业的效率[1-2]。因此如何优化订单分批工序是配送中心亟须解决的问题[3]。国内外学者对优化订单分批方式的研究从未停止，Gil-Borrás S[4]通过对最小化完成时间、最小化拣选时间和最小化拣选者之间的工作量差异的对比，提出混合可变邻域下降元启发式的多阶段算法解决订单分批问题；王珊珊等[5]建立以料箱总出库次数最小为目标函数的订单分批优化模型并设计混合交叉策略的遗传算法求解模型，提高了拣货效率； Jiang等[6]提出基于情境的种子(situation-based seed,SBS)算法用来解决订单分批排序问题；秦馨等[7]研究了聚类算法在“货到人”模式下的订单分批问题，得到基于余弦相似性的聚类算法更加能够提高拣选效率；Borja等[8]提出了可变邻域策略进行订单拣选，缩短订单拣选时间；陈晓艳等[9]把仓库拣选问题转换成旅行商问题(traveling salesman problem,TSP)，对比分析各类智能算法在订单量发生变化下对拣货效率的优化结果，结果表明蚁群算法的优化结果更好；胡小建等[10]将Canopy编程环境与聚类算法相结合，提出了基于两者结合的Canopy-K-means算法，提高了拣货效率；李诗珍等[11]建立基于相似系数的订单分批模型，设计启发式算法求解订单分批模型，得到了拣选货物最短路径。 Zhu等[12]针对订单分批问题提出两阶段智能启发式订单分批算法，帮助零售商解决订单分批问题。 Leung等[13]提出按订单排序的批处理方法来提高配送中心处理B2B(business to business)电子商务订单的核心能力。

然而，在现有研究中考虑配送中心分区情况对订单进行分批的研究还比较少，大多停留在研究订单相似系数[14]以及在线动态订单[15]上，而把拣货工人产生的信息偏差引入订单分批的研究也比较少。因此，需要进一步分析订单特性，研究按照分区进行订单分批拣选的方法并考虑到信息偏差对拣货效率产生的影响，为物流企业提高运作效率提供新的思路和方法。

图1 配送中心布局图Fig.1 Distribution center layout

现在医药电商物流配送中心整零分区而拣货订单未分批情况下，考虑信息偏差因素对拣货效率产生的影响，通过程序语言实现拣货订单整零分批，构建基于修正系数和宽裕时间的最小拣选标准时间模型，将拣货订单分批前后的相应效率指标做对比 ，验证所构建模型的可行性，期望可以为配送中心分区拣选系统的效率管理和优化控制提供决策依据，进一步丰富订单拣选系统的理论研究。

1 问题描述

如图1所示，物流配送中心一般由拣货区、储存区、包装区、验收区等组成，其中拣货区又被分为整拣区和零拣区，当系统下达订单拣货任务后，拣货工人沿着指定路线到达货物储存位置拣取货物送至包装台，重复上述过程直至所有拣货任务完成。此场景下拣货任务存在问题如下：①如何划分订单批次；②订单中存在整拣和零拣货物时，拣货工人需跨越整个拣货区，是否影响拣货效率；③拣货工人是否根据自己所掌握信息素的多少优先挑选整拣货物多的订单进行拣选，进而影响拣货效率。上述三个问题可以看出，订单分批是进行拣货工作的首要和核心环节，直接影响到拣货效率的高低。

为了便于开展研究，做出以下假设：①订单信息、货架存储信息已知，所有货物按照整拣区和零拣区摆放在货架上；②货架规格按照整拣区和零拣区进行区分；③配送中心无缺货现象；④同一批次内订单交付时间无先后之分；⑤拣货工人拣选完一批次订单后回到初始位置继续下一批次的拣选。

2 模型构建

首先对模型中的常量和变量做以下定义，如表1所示。

表1 模型中的常量和变量

拣选作业时间是由三部分组成，第一部分是拣选物品的行走时间，第二部分是拣选物品的拣取时间，这两部分都是拣货作业的正常工作时间，第三部分是拣货工人的宽放时间，包括工人的疲劳宽放、生理宽放以及管理宽放。因此，目标函数为

(1)

(6)

目标函数(1)是以拣选时间最短为目标函数，拣选包括两个动作，行走和拣取，再加上工人们的宽放时间；约束条件(2)表示订单i在批次k中，且只在一个批次中；约束条件(3)是指目标函数的组成部分；约束条件(4)是指合并后的批次不能超过商品量的上限；约束条件(5)表示货物拣选开始时间为0；约束条件(6)表示货物拣选结束时间。

3 算法设计

3.1 确定宽裕率

宽裕时间是指在生产操作过程中操作人员所消耗的附加时间，宽裕率为总宽裕时间与总工作时间的比例百分比，用来评定工人的工作效率，其表达式为

(7)

式中：S表示宽裕率；taff表示宽裕时间；tnor表示正常时间。

3.2 确定修正系数

采用基于BP神经网络的平准化系数法把主管和客观结合起来，对观察到的数据进行偏差修正。确定主体影响因素后并对影响因素进行模糊赋值，利用BP神经网络算法进行拟合得到修正系数。流程图如图2所示。

图2 计算修正系数流程图Fig.2 Flow chart of calculating correction coefficient

3.2.1 计算各层指标模糊值

建立研究对象修正系数T层评价指标体系，确定T层指标权重。第T层指标权重经过层次分析法计算得到，第T-1层指标模糊值计算如下。

(1)对T-1层指标采用模糊语言进行模糊赋值，形成模糊语言量表。

3.2.2 利用BP神经网络进行仿真计算

对数据进行网络训练之前先对网络权值和阈值进行设置，确定训练速度以及训练步长和精度。选用MATLAB R2016进行模拟仿真，网络权值和阈值采用MATLAB中的默认值，训练速度、最小误差和训练次数根据所得数据进行相应设置。调用Netff函数实现神经网络的创建，传递层使用purelin函数，采用梯度下降法进行训练，达到最小误差时采用Sim函数计算得到修正系数。

3.3 实现订单三阶段分批

将收集到的订单数据和基础数据通过JAVA程序语言在数据库中建立对应的表字段，采用Mysql实现3阶段订单分批，依次为整箱、中包装、零散，部分程序语言如下所示。

id="selectByAll" resultType="com.atguigu.srb.core.bo.TbCommodityInformationBo">

select distinct

floor((#{sum}/ #{fullContainerSpecifications})) as fullContainerSpecifications,

floor((#{sum}%#{fullContainerSpecifications})/#{mediumBoxSpecifications})as mediumBoxSpecifications,

floor((#{sum}%#{fullContainerSpecifications})%#{mediumBoxSpecifications}) as bulk

from

tb_commodity_information tci,

tb_order to2

where

to2.product_number = #{number} and tci.product_number =#{number}

通过Test测试类注入实现类的Bean对象并调用实现类Bean对象的screen方法，得到上述Mysql中3阶段的结果并整合成bo对象集合，循环遍历bo集合得到此次订单分拣的结果。

4 实例构造与分析

4.1 实例构造

以某医药物流公司为例，对零散和整箱混合拣选和分开拣选的拣货时间进行定量分析。共测试3 025个订单，760单为整箱，601单为零散，1 664单为中包装，分批结果如图3所示。基础数据如表2所示。

此实例场景中宽裕率为13%，建立3层拣货作业评价指标体系，计算得到第二层指标权重和第一层指标模糊值，结果如表3和表4所示。

图3 订单分批结果Fig.3 Order batch results

表2 拣货基础数据

表3 第二层影响因素权重表

表4 第一层影响因素模糊值

隐含层参数的取值范围为[3,12]，训练速度为0.05，最小误差为0.000 01，训练次数为1 000次，构建BP神经网络模型。选取了25组数据，其中前20组作为模型训练样本，后5组数据作为模型测试样本。通过对模型进行训练得到，当训练次数为1 500次时，隐含层为7时，达到最小误差，如图4所示。

采用Sim函数进行仿真计算，得到α1=-5.45%，α2=-15.79%。

图4 期望值与预测值误差图Fig.4 Error diagram between expected value and predicted value

4.2 结果分析

根据实际观察的数据和对拣货工作人员一系列工作进行观察和计时，得到订单分批前拣选总路程为198 270 m，订单分批后拣选总路程为138 940 m，分批前拣选最小标准时间T=5.4 h，分批后拣选最小标准时间T=3.8 h，拣选时间缩短了0.7 h。其中加入宽裕率和修正系数对拣货时间产生的影响如表5所示。

表5 宽裕率和修正系数对拣货时间的影响

从表5可以看出，宽裕率和修正系数对订单分批前的影响大于订单分批后，同时也说明订单分批前由于订单零散导致拣货工人工作积极性不高，产生宽放时间，导致拣货效率降低，订单分批后产生不同种类的订单，加上信息偏差存在的影响调动了工人工作的积极性，缩短了一部分宽放时间，提高了拣货效率。

5 结论

配送中心运营过程中，拣货环节占比最大，如何提高拣货效率是重中之重，调查中发现配送中心设置了整拣和零拣区但订单未分批，影响了拣货效率且信息偏差的存在也影响拣货效率。针对这些问题，设计程序语言实现订单整零分拣并建立最小拣货标准时间模型，引入宽裕率和修正系数来考虑拣货工人工作中存在的宽放时间对拣货时间的影响，通过观测实际拣货作业和记录拣选时间，将订单分批前和分批后的拣货时间进行对比发现，订单分批后，拣货工人在进行订单拣选时效率更高也更快，误差率低。引入的宽裕率和修正系数对拣货时间都产生了影响，宽裕率的引入更加考虑拣货工人的生理需求，使模型更加贴合实际，修正系数的引入减少了实际数据产生的偏差，订单分批后减少信息偏差对拣货效率的影响，缩短拣货时间，提高拣货效率。