零售电商日益火爆的今天,鞋服行业作为网上销售的主力行业,每年销售额高达数千亿。一个鞋服品牌零售电商仓,单仓一天的发货量就需要高达几十万单。集合鞋服行业单量大、商品种类多、每个订单购买量小且购买商品极度分散等特点,使得鞋服电商仓出库作业成本高、难度大。在不改变仓库布局和增加自动化设备投入的情况下,如何保障鞋服电商仓的发货效率,是现实中面临的重要问题,也是非常具有研究意义的。本文在学习总结以往研究及不足的基础上,以鞋服零售电商仓为大背景,以并行多区作业、货物随机存储、订单分配库位已知、投入资源和人数固定等为关键前提,提出拣货规划优化不仅需考虑拣货单一环节的效率提升,还需兼顾整体出库作业的连贯性和高产,建立了基于分步式融合算法的订单分批和批次集合拆分的优化模型,既可以缩短拣货任务执行时间,同时兼顾拣货任务调度,平衡和提高阶段时间的拣货产出。针对订单分批问题,本文以分批结果的总的订单间距离之和最小为目标函数,结合了时间窗和智能算法分批策略,使得算法更符合鞋服电商仓业务需要,减小计算性能压力,更具实用性。智能算法方面,应用K-Means聚类算法,利用单多件订单的特性,分别使用单件订单所在库位间的距离和多件订单库位所在通道集合的距离作为订单间的距离判断标准,进行聚类设计。针对批次集合拆分问题,本文以拣货后续环节（如复核打包、播种等）的输入要求和提前期要求为关键约束,计算应拆分的批次集合数量范围。应用遗传算法,将批次和批次集合设计成染色体,将拆分后的所有批次集合整体自然拣货时长（固定拣货人数作业情况下）最短作为目标函数,通过不断迭代,得到适应度最高的较优解。其中,为计算自然拣货时长,分别进行了仿真模拟拣货任务调度,以及基于返回型和S型拣货路径策略的出单个拣货任务所需时长的计算。本文提出的分步式融合算法,均使用Python语言实现。算法设计和实现后,通过采集和处理A鞋服电商公司仓库真实业务数据,分别对比真实业务、先到先服务基础策略、本文算法、密度聚类算法的拣货规划效果;随后,又对比分析了本文算法在S型和返回型拣货路径策略下的应用效果,发现:1)本文算法在拣货规划整体效果上,大幅度优于实际作业和先到先服务策略;同时,也明显优于仅考虑订单分批效果的密度聚类算法。2)S形和返回型拣货路径策略应用效果没有太大区别,但是在订单分布库位密度较小,库区较大、通道较长的情况下,返回型路径策略整体表现更优。