论文部分内容阅读
当今,信息技术、移动互联网的快速发展,电子商务作为新型的商业运作模式完全融入到人们生活的各个方面。而配送中心是电子商务得以实现的核心,也是发展电子商务的一个瓶颈。在配送中心中,拣货作业就是按照订单上的订单信息将货品项从货架上检出、分类、集中、包装、装箱的作业过程。整个过程中,最耗时且劳动量最高的活动就是拣选作业。尤其是近年来,客户订单逐渐向多样化、小批量的方向发展,对拣货作业运作效率的研究逐渐成为物流供应链研究领域的热点,因此对拣货作业运作过程的优化对提高配送效率有重要意义。本论文研究了拣货订单分批模型、分批拣选并行优化,首先,对一定量的订单按合计量分批、时窗分批、订单量分批、智能型分批模型建立比较,采用智能分批模型利用节约算法进行分批中的订单路径计算,设计遗传算法,在满足约束的条件下寻找局部最优解,使拣货行走时间减少,提高拣货效率。其次,对建立起的分批模型进行进一步的并行改进,对细粒度模型、主从式模型和粗粒度模型三种并行模型研究,选取了主从式模型进行并行改进,将一定数量的订单按种群方式进行初始化并行分批计算,分批订单就是各个种群,各个分批依靠迁移算子传递自己的所有变化信息,使各个批次达到协同最优,通过人工选择系数对每个种群进行最优个体保存,取得较好的收敛度[1],提高了精度,得到最优解。根据论文中设计的拣货分批策略和并行遗传优化目标,对设计策略及并行遗传算法进行测试用例模拟仿真验证,结果表明为方法选择与应用提供了依据并提高了效率。