基于訂單整零分批的醫藥電商配送中心揀貨效率

李莉， 張娟

(新疆農業大學交通與物流工程學院， 烏魯木齊 830052)

在配送中心中，訂單揀選環節包含很多復雜工序同時耗時長且成本高，其中訂單分批作為揀選工作的首要工序直接決定揀貨作業的效率[1-2]。因此如何優化訂單分批工序是配送中心亟須解決的問題[3]。國內外學者對優化訂單分批方式的研究從未停止，Gil-Borrás S[4]通過對最小化完成時間、最小化揀選時間和最小化揀選者之間的工作量差異的對比，提出混合可變鄰域下降元啟發式的多階段算法解決訂單分批問題；王珊珊等[5]建立以料箱總出庫次數最小為目標函數的訂單分批優化模型并設計混合交叉策略的遺傳算法求解模型，提高了揀貨效率； Jiang等[6]提出基于情境的種子(situation-based seed,SBS)算法用來解決訂單分批排序問題；秦馨等[7]研究了聚類算法在“貨到人”模式下的訂單分批問題，得到基于余弦相似性的聚類算法更加能夠提高揀選效率；Borja等[8]提出了可變鄰域策略進行訂單揀選，縮短訂單揀選時間；陳曉艷等[9]把倉庫揀選問題轉換成旅行商問題(traveling salesman problem,TSP)，對比分析各類智能算法在訂單量發生變化下對揀貨效率的優化結果，結果表明蟻群算法的優化結果更好；胡小建等[10]將Canopy編程環境與聚類算法相結合，提出了基于兩者結合的Canopy-K-means算法，提高了揀貨效率；李詩珍等[11]建立基于相似系數的訂單分批模型，設計啟發式算法求解訂單分批模型，得到了揀選貨物最短路徑。 Zhu等[12]針對訂單分批問題提出兩階段智能啟發式訂單分批算法，幫助零售商解決訂單分批問題。 Leung等[13]提出按訂單排序的批處理方法來提高配送中心處理B2B(business to business)電子商務訂單的核心能力。

然而，在現有研究中考慮配送中心分區情況對訂單進行分批的研究還比較少，大多停留在研究訂單相似系數[14]以及在線動態訂單[15]上，而把揀貨工人產生的信息偏差引入訂單分批的研究也比較少。因此，需要進一步分析訂單特性，研究按照分區進行訂單分批揀選的方法并考慮到信息偏差對揀貨效率產生的影響，為物流企業提高運作效率提供新的思路和方法。

圖1 配送中心布局圖Fig.1 Distribution center layout

現在醫藥電商物流配送中心整零分區而揀貨訂單未分批情況下，考慮信息偏差因素對揀貨效率產生的影響，通過程序語言實現揀貨訂單整零分批，構建基于修正系數和寬裕時間的最小揀選標準時間模型，將揀貨訂單分批前后的相應效率指標做對比 ，驗證所構建模型的可行性，期望可以為配送中心分區揀選系統的效率管理和優化控制提供決策依據，進一步豐富訂單揀選系統的理論研究。

1 問題描述

如圖1所示，物流配送中心一般由揀貨區、儲存區、包裝區、驗收區等組成，其中揀貨區又被分為整揀區和零揀區，當系統下達訂單揀貨任務后，揀貨工人沿著指定路線到達貨物儲存位置揀取貨物送至包裝臺，重復上述過程直至所有揀貨任務完成。此場景下揀貨任務存在問題如下：①如何劃分訂單批次；②訂單中存在整揀和零揀貨物時，揀貨工人需跨越整個揀貨區，是否影響揀貨效率；③揀貨工人是否根據自己所掌握信息素的多少優先挑選整揀貨物多的訂單進行揀選，進而影響揀貨效率。上述三個問題可以看出，訂單分批是進行揀貨工作的首要和核心環節，直接影響到揀貨效率的高低。

為了便于開展研究，做出以下假設：①訂單信息、貨架存儲信息已知，所有貨物按照整揀區和零揀區擺放在貨架上；②貨架規格按照整揀區和零揀區進行區分；③配送中心無缺貨現象；④同一批次內訂單交付時間無先后之分；⑤揀貨工人揀選完一批次訂單后回到初始位置繼續下一批次的揀選。

2 模型構建

首先對模型中的常量和變量做以下定義，如表1所示。

表1 模型中的常量和變量

揀選作業時間是由三部分組成，第一部分是揀選物品的行走時間，第二部分是揀選物品的揀取時間，這兩部分都是揀貨作業的正常工作時間，第三部分是揀貨工人的寬放時間，包括工人的疲勞寬放、生理寬放以及管理寬放。因此，目標函數為

(1)

(6)

目標函數(1)是以揀選時間最短為目標函數，揀選包括兩個動作，行走和揀取，再加上工人們的寬放時間；約束條件(2)表示訂單i在批次k中，且只在一個批次中；約束條件(3)是指目標函數的組成部分；約束條件(4)是指合并后的批次不能超過商品量的上限；約束條件(5)表示貨物揀選開始時間為0；約束條件(6)表示貨物揀選結束時間。

3 算法設計

3.1 確定寬裕率

寬裕時間是指在生產操作過程中操作人員所消耗的附加時間，寬裕率為總寬裕時間與總工作時間的比例百分比，用來評定工人的工作效率，其表達式為

(7)

式中：S表示寬裕率；taff表示寬裕時間；tnor表示正常時間。

3.2 確定修正系數

采用基于BP神經網絡的平準化系數法把主管和客觀結合起來，對觀察到的數據進行偏差修正。確定主體影響因素后并對影響因素進行模糊賦值，利用BP神經網絡算法進行擬合得到修正系數。流程圖如圖2所示。

圖2 計算修正系數流程圖Fig.2 Flow chart of calculating correction coefficient

3.2.1 計算各層指標模糊值

建立研究對象修正系數T層評價指標體系，確定T層指標權重。第T層指標權重經過層次分析法計算得到，第T-1層指標模糊值計算如下。

(1)對T-1層指標采用模糊語言進行模糊賦值，形成模糊語言量表。

3.2.2 利用BP神經網絡進行仿真計算

對數據進行網絡訓練之前先對網絡權值和閾值進行設置，確定訓練速度以及訓練步長和精度。選用MATLAB R2016進行模擬仿真，網絡權值和閾值采用MATLAB中的默認值，訓練速度、最小誤差和訓練次數根據所得數據進行相應設置。調用Netff函數實現神經網絡的創建，傳遞層使用purelin函數，采用梯度下降法進行訓練，達到最小誤差時采用Sim函數計算得到修正系數。

3.3 實現訂單三階段分批

將收集到的訂單數據和基礎數據通過JAVA程序語言在數據庫中建立對應的表字段，采用Mysql實現3階段訂單分批，依次為整箱、中包裝、零散，部分程序語言如下所示。

id="selectByAll" resultType="com.atguigu.srb.core.bo.TbCommodityInformationBo">

select distinct

floor((#{sum}/ #{fullContainerSpecifications})) as fullContainerSpecifications,

floor((#{sum}%#{fullContainerSpecifications})/#{mediumBoxSpecifications})as mediumBoxSpecifications,

floor((#{sum}%#{fullContainerSpecifications})%#{mediumBoxSpecifications}) as bulk

from

tb_commodity_information tci,

tb_order to2

where

to2.product_number = #{number} and tci.product_number =#{number}

通過Test測試類注入實現類的Bean對象并調用實現類Bean對象的screen方法，得到上述Mysql中3階段的結果并整合成bo對象集合，循環遍歷bo集合得到此次訂單分揀的結果。

4 實例構造與分析

4.1 實例構造

以某醫藥物流公司為例，對零散和整箱混合揀選和分開揀選的揀貨時間進行定量分析。共測試3 025個訂單，760單為整箱，601單為零散，1 664單為中包裝，分批結果如圖3所示。基礎數據如表2所示。

此實例場景中寬裕率為13%，建立3層揀貨作業評價指標體系，計算得到第二層指標權重和第一層指標模糊值，結果如表3和表4所示。

圖3 訂單分批結果Fig.3 Order batch results

表2 揀貨基礎數據

表3 第二層影響因素權重表

表4 第一層影響因素模糊值

隱含層參數的取值范圍為[3,12]，訓練速度為0.05，最小誤差為0.000 01，訓練次數為1 000次，構建BP神經網絡模型。選取了25組數據，其中前20組作為模型訓練樣本，后5組數據作為模型測試樣本。通過對模型進行訓練得到，當訓練次數為1 500次時，隱含層為7時，達到最小誤差，如圖4所示。

采用Sim函數進行仿真計算，得到α1=-5.45%，α2=-15.79%。

圖4 期望值與預測值誤差圖Fig.4 Error diagram between expected value and predicted value

4.2 結果分析

根據實際觀察的數據和對揀貨工作人員一系列工作進行觀察和計時，得到訂單分批前揀選總路程為198 270 m，訂單分批后揀選總路程為138 940 m，分批前揀選最小標準時間T=5.4 h，分批后揀選最小標準時間T=3.8 h，揀選時間縮短了0.7 h。其中加入寬裕率和修正系數對揀貨時間產生的影響如表5所示。

表5 寬裕率和修正系數對揀貨時間的影響

從表5可以看出，寬裕率和修正系數對訂單分批前的影響大于訂單分批后，同時也說明訂單分批前由于訂單零散導致揀貨工人工作積極性不高，產生寬放時間，導致揀貨效率降低，訂單分批后產生不同種類的訂單，加上信息偏差存在的影響調動了工人工作的積極性，縮短了一部分寬放時間，提高了揀貨效率。

5 結論

配送中心運營過程中，揀貨環節占比最大，如何提高揀貨效率是重中之重，調查中發現配送中心設置了整揀和零揀區但訂單未分批，影響了揀貨效率且信息偏差的存在也影響揀貨效率。針對這些問題，設計程序語言實現訂單整零分揀并建立最小揀貨標準時間模型，引入寬裕率和修正系數來考慮揀貨工人工作中存在的寬放時間對揀貨時間的影響，通過觀測實際揀貨作業和記錄揀選時間，將訂單分批前和分批后的揀貨時間進行對比發現，訂單分批后，揀貨工人在進行訂單揀選時效率更高也更快，誤差率低。引入的寬裕率和修正系數對揀貨時間都產生了影響，寬裕率的引入更加考慮揀貨工人的生理需求，使模型更加貼合實際，修正系數的引入減少了實際數據產生的偏差，訂單分批后減少信息偏差對揀貨效率的影響，縮短揀貨時間，提高揀貨效率。