随着电子商务的快速发展,配送中心对拣货作业的要求不断提高,拣货效率的高低直接影响整个配送中心的工作效率。为提高整个配送中心的工作效率,本文应用数据挖掘技术分析拣选作业产生的海量数据,将挖掘的有用信息反馈到作业中,优化拣选作业,减少拣货时间。本文将从储位分配、订单分批和拣货路径等三部分对拣货作业进行优化。先基于大量历史订单数据并结合现有仓库布局和存储策略,运用EIQ-ABC法对仓库储位进行初步指派。同时,采用数据挖掘的关联算法综合分析货物订货频率和相关性,将相关性货物安排在相邻储位,实现储位分配结果的合理化。再对订单分批和拣货路径进行联合优化。建立了以大量订单为前提的拣货总时间最短为目标的联合优化模型,考虑双重优化的复杂性,设计一种嵌套遗传算法求解模型。在满足拣货车容量条件下,应用聚类算法得到初始订单分批结果,作为外层优化的初始解;外层遗传算法优化订单分批结果,内层遗传算法优化拣货路径,内外层相互关联,相互反馈得到最优值。结果表明:与按单拣选、分批分步优化策略对比,联合优化模型得出的拣选时间最少,且随着订单量的增加,整体拣选距离和时间进一步减少,解决了传统订单分批和拣货路径分步优化难以获得整体最优解的问题。接着在大量拣货单同时拣选的前提下,设计了一种货位调整与拣货协同作业的动态拣货方法。建立了以拣货时间最短为目标函数构建数学模型,分别设计了遗传算法和混合遗传模拟退火算法进行最优化求解。结果表明:相对于遗传算法,混合遗传算法更适合该模型的求解,算法性能更稳定,求解得到的拣货时间和拣货距离也更优。在不同拣货单量条件下,相对于静态拣货策略,通过动态调整后续拣货单中货物的位置,可以进一步减少拣货时间,平均拣货作业效率提高5.38%。同时,随着拣货单量增加,节约的拣货时间和拣货距离就越多。最后在动态拣货策略的基础上,将拣货单排序、货位调整和路径优化合为一体,设计了一种改进的动态拣货优化方法,建立了以拣货时间最短为目标的数学模型,设计了遗传和混合遗传两种算法求解。结果表明:在不同拣货单条件下,相比于动态拣货策略,改进动态拣货策略的时间和距离都更小,平均拣货作业效率提高了 15.44%,可知改进动态拣货策略更优,且随着拣货单量增加,改进动态拣货策略的时间节约占比越大,效果越明显,更适合解决大批量订单拣货任务。实现了提高订单拣选效率,大规模减少运营成本,本文的模型和数值仿真的结论为实际配送中心拣货优化提供决策参考。