配送中心作为物流系统的一个重要组成部分，其订单拣选和商品配送两个环节的效率直接影响配送中心的效率，并进而影响物流系统的效率。大型配送中心中，每天要处理的订单成百上千，不同订单中的商品数量和类别可能差异很大。如何安排合适的订单分批拣选方案和配送方案，以最小的成本将订单拣选出来并送到客户手中，是配送中心亟待解决的重要问题。
　　在实际操作中，拣选是由负责拣货的人员根据客户订单将相应的货物从库位或货架上拣选出来送至待发货区域，配送是由负责运输的人员将拣选出的货物送达客户手中。这两项工作紧密衔接，但是一般是由配送中心的不同部门负责的两个独立环节。因此，众多研究是把分批拣选问题和配送路径问题作为两个独立问题进行优化求解。然而，拣选优化结果会直接限制后续配送问题的求解，造成配送成本的增高；反过来，先完成配送优化方案，也会影响拣选方案的优化。由于拣选和配送问题的紧密相关，本文把订单拣选和配送两个环节集成考虑，建立集成问题模型和求解方法，以期帮助配送中心从总体上降低拣选和配送的成本。同时，新能源汽车的运用已成为发展趋势，随着越来越多的电动车投入配送业务，本文在配送阶段中替代传统的燃油车辆研究电动车辆的配送问题。
　　本文主要包含如下两个方面的研究内容：
　　(1)建立订单拣选与配送集成优化问题模型。该集成问题中引入了电动配送车辆，并以最小化订单的拣选与配送总成本(包括拣选和配送时间成本、电动车辆使用成本、电动车辆充电时间成本)为目标。在已知商品货位分布信息、S型拣货路径策略、充电站位置信息、客户需求信息和电动车辆参数信息的情形下，建立带拣货车容量约束、电动车辆时间窗约束、容量约束和电量约束的订单分批拣选与电动车辆配送路径集成优化模型。
　　(2)设计一个基于分布估计算法(Estimation of Distribution Algorithm, EDA)的集成模型求解方法。首先，EDA使用一个精心设计的解码方法求解算法中每个个体对应的分批拣选方案和配送方案。解码方法的第一步，设计订单序列切分算法以求解订单的配送方案；第二步，设计改进种子算法以求解每条配送线路中订单的分批拣选方案。然后，使用概率模型记录优势种群的统计信息并指导生成新的种群。
　　最后利用实验验证该模型和算法的有效性，结果表明EDA能够有效减少订单拣选和配送的总成本，集成求解订单分批拣选方案和配送方案比分阶段求解两个环节的方案更优。