随着移动互联网的迅猛发展,在线零售业发展愈发繁荣,订单拣选效率备受关注。目前能够显著提高人工效率、订单准确性和订单利用率的“货到人”拆零拣选解决方案AutoStore系统正在兴起。该系统是最近十年才受到关注,许多优化研究还未形成体系。对AutoStore系统进行优化研究,可以提高仓储系统的运行效率,进而提高物流系统的响应能力和运作效率,具有重要的理论与现实意义。基于此,本文对AutoStore系统中关键运行策略的优化展开研究,具体研究内容与成果如下:提出了六种AutoStore系统运行模式,针对每一种模式构建了基于半开放排队网络的系统绩效指标评估模型。根据AutoStore系统的实际需求,本文考虑了不同的机器人分配规则和存储策略:在机器人分配规则中,考虑了机器人是否有归属拣选站的专用机器人和通用机器人,在存储策略方面,考虑了指定存储和共享存储策略,另外还考虑了共享存储中立即和延迟翻箱策略。将不同策略组合,确定并构建了六种半开放排队网络模型进行研究,先分析处理单行订单,再扩展到多行订单模式。通过求解排队网络对AutoStore系统进行绩效评估分析。首先采用近似平均值分析对排队网络中的服务节点时间求解,然后再使用矩阵几何法近似求解排队网络,确定订单平均吞吐时间、机器人和拣选站利用率,以及订单和机器人的平均排队时间为系统绩效参数,最后构建了仿真模型验证理论模型。研究结果表明,机器人数量较少时,通用机器人规则更有利于提高系统吞吐性能,而数量较多时,专用机器人规则更适合;指定存储策略虽然更有利于提高系统的订单拣选效率,但需要更大的存储空间,投资成本较高;翻箱策略方面,使用立即翻箱可以获得更好的吞吐性能。利用实验仿真的方法对AutoStore系统中的结构设计和资源配置优化进行了扩展分析。结果表明,在结构设计方面,高网格更加适合指定存储策略,而扁平网格则更加适合分享式存储策略;其次,通用机器人规则下网格货架的最佳长宽比例r*约为0.65,专用机器人规则下则略小于r*约为0.52。在系统资源配置方面,专用机器人规则下平均订单吞吐时间随β增加而递减,而在通用机器人规则下吞吐时间先减小后增加,且存在机器人和拣选站的比例β*约为12,当小于β*时,通用机器人规则的系统绩效优于专用机器人规则,大于β*时反之。