李莉， 張娟

(新疆農(nóng)業(yè)大學(xué)交通與物流工程學(xué)院， 烏魯木齊 830052)

在配送中心中，訂單揀選環(huán)節(jié)包含很多復(fù)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(yè)的效率[1-2]。因此如何優(yōu)化訂單分批工序是配送中心亟須解決的問題[3]。國內(nèi)外學(xué)者對優(yōu)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(fā)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(shù)最小為目標(biāo)函數(shù)的訂單分批優(yōu)化模型并設(shè)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(jìn)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(zhuǎn)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(fā)生變化下對揀貨效率的優(yōu)化結(jié)果，結(jié)果表明蟻群算法的優(yōu)化結(jié)果更好；胡小建等[10]將Canopy編程環(huán)境與聚類算法相結(jié)合，提出了基于兩者結(jié)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(shù)的訂單分批模型，設(shè)計啟發(fā)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(fā)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(wù)訂單的核心能力。

然而，在現(xiàn)有研究中考慮配送中心分區(qū)情況對訂單進(jìn)行分批的研究還比較少，大多停留在研究訂單相似系數(shù)[14]以及在線動態(tài)訂單[15]上，而把揀貨工人產(chǎn)生的信息偏差引入訂單分批的研究也比較少。因此，需要進(jìn)一步分析訂單特性，研究按照分區(qū)進(jìn)行訂單分批揀選的方法并考慮到信息偏差對揀貨效率產(chǎn)生的影響，為物流企業(yè)提高運(yùn)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(xiàn)在醫(yī)藥電商物流配送中心整零分區(qū)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(chǎn)生的影響，通過程序語言實(shí)現(xiàn)揀貨訂單整零分批，構(gòu)建基于修正系數(shù)和寬裕時間的最小揀選標(biāo)準(zhǔn)時間模型，將揀貨訂單分批前后的相應(yīng)效率指標(biāo)做對比 ，驗(yàn)證所構(gòu)建模型的可行性，期望可以為配送中心分區(qū)揀選系統(tǒng)的效率管理和優(yōu)化控制提供決策依據(jù)，進(jìn)一步豐富訂單揀選系統(tǒng)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(qū)、儲存區(qū)、包裝區(qū)、驗(yàn)收區(qū)等組成，其中揀貨區(qū)又被分為整揀區(qū)和零揀區(qū)，當(dāng)系統(tǒng)下達(dá)訂單揀貨任務(wù)后，揀貨工人沿著指定路線到達(dá)貨物儲存位置揀取貨物送至包裝臺，重復(fù)上述過程直至所有揀貨任務(wù)完成。此場景下揀貨任務(wù)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(qū)，是否影響揀貨效率；③揀貨工人是否根據(jù)自己所掌握信息素的多少優(yōu)先挑選整揀貨物多的訂單進(jìn)行揀選，進(jìn)而影響揀貨效率。上述三個問題可以看出，訂單分批是進(jìn)行揀貨工作的首要和核心環(huán)節(jié)，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(shè)：①訂單信息、貨架存儲信息已知，所有貨物按照整揀區(qū)和零揀區(qū)擺放在貨架上；②貨架規(guī)格按照整揀區(qū)和零揀區(qū)進(jìn)行區(qū)分；③配送中心無缺貨現(xiàn)象；④同一批次內(nèi)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(xù)下一批次的揀選。

2 模型構(gòu)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(yè)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(yè)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(biāo)函數(shù)為

(1)

(6)

目標(biāo)函數(shù)(1)是以揀選時間最短為目標(biāo)函數(shù)，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(biāo)函數(shù)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(jié)束時間。

3 算法設(shè)計

3.1 確定寬裕率

寬裕時間是指在生產(chǎn)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(dá)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(shù)

采用基于BP神經(jīng)網(wǎng)絡(luò)的平準(zhǔn)化系數(shù)法把主管和客觀結(jié)合起來，對觀察到的數(shù)據(jù)進(jìn)行偏差修正。確定主體影響因素后并對影響因素進(jìn)行模糊賦值，利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行擬合得到修正系數(shù)。流程圖如圖2所示。

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

3.2.1 計算各層指標(biāo)模糊值

建立研究對象修正系數(shù)T層評價指標(biāo)體系，確定T層指標(biāo)權(quán)重。第T層指標(biāo)權(quán)重經(jīng)過層次分析法計算得到，第T-1層指標(biāo)模糊值計算如下。

(1)對T-1層指標(biāo)采用模糊語言進(jìn)行模糊賦值，形成模糊語言量表。

3.2.2 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真計算

對數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練之前先對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行設(shè)置，確定訓(xùn)練速度以及訓(xùn)練步長和精度。選用MATLAB R2016進(jìn)行模擬仿真，網(wǎng)絡(luò)權(quán)值和閾值采用MATLAB中的默認(rèn)值，訓(xùn)練速度、最小誤差和訓(xùn)練次數(shù)根據(jù)所得數(shù)據(jù)進(jìn)行相應(yīng)設(shè)置。調(diào)用Netff函數(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的創(chuàng)建，傳遞層使用purelin函數(shù)，采用梯度下降法進(jìn)行訓(xùn)練，達(dá)到最小誤差時采用Sim函數(shù)計算得到修正系數(shù)。

3.3 實(shí)現(xiàn)訂單三階段分批

將收集到的訂單數(shù)據(jù)和基礎(chǔ)數(shù)據(jù)通過JAVA程序語言在數(shù)據(jù)庫中建立對應(yīng)的表字段，采用Mysql實(shí)現(xiàn)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(shí)現(xiàn)類的Bean對象并調(diào)用實(shí)現(xiàn)類Bean對象的screen方法，得到上述Mysql中3階段的結(jié)果并整合成bo對象集合，循環(huán)遍歷bo集合得到此次訂單分揀的結(jié)果。

4 實(shí)例構(gòu)造與分析

4.1 實(shí)例構(gòu)造

以某醫(yī)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(jìn)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(jié)果如圖3所示?；A(chǔ)數(shù)據(jù)如表2所示。

此實(shí)例場景中寬裕率為13%，建立3層揀貨作業(yè)評價指標(biāo)體系，計算得到第二層指標(biāo)權(quán)重和第一層指標(biāo)模糊值，結(jié)果如表3和表4所示。

圖3 訂單分批結(jié)果Fig.3 Order batch results

表2 揀貨基礎(chǔ)數(shù)據(jù)

表3 第二層影響因素權(quán)重表

表4 第一層影響因素模糊值

隱含層參數(shù)的取值范圍為[3,12]，訓(xùn)練速度為0.05，最小誤差為0.000 01，訓(xùn)練次數(shù)為1 000次，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。選取了25組數(shù)據(jù)，其中前20組作為模型訓(xùn)練樣本，后5組數(shù)據(jù)作為模型測試樣本。通過對模型進(jìn)行訓(xùn)練得到，當(dāng)訓(xùn)練次數(shù)為1 500次時，隱含層為7時，達(dá)到最小誤差，如圖4所示。

采用Sim函數(shù)進(jìn)行仿真計算，得到α1=-5.45%，α2=-15.79%。

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

4.2 結(jié)果分析

根據(jù)實(shí)際觀察的數(shù)據(jù)和對揀貨工作人員一系列工作進(jìn)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(biāo)準(zhǔn)時間T=5.4 h，分批后揀選最小標(biāo)準(zhǔn)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(shù)對揀貨時間產(chǎn)生的影響如表5所示。

表5 寬裕率和修正系數(shù)對揀貨時間的影響

從表5可以看出，寬裕率和修正系數(shù)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(dǎo)致揀貨工人工作積極性不高，產(chǎn)生寬放時間，導(dǎo)致揀貨效率降低，訂單分批后產(chǎn)生不同種類的訂單，加上信息偏差存在的影響調(diào)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(jié)論

配送中心運(yùn)營過程中，揀貨環(huán)節(jié)占比最大，如何提高揀貨效率是重中之重，調(diào)查中發(fā)現(xiàn)配送中心設(shè)置了整揀和零揀區(qū)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(shè)計程序語言實(shí)現(xiàn)訂單整零分揀并建立最小揀貨標(biāo)準(zhǔn)時間模型，引入寬裕率和修正系數(shù)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(shí)際揀貨作業(yè)和記錄揀選時間，將訂單分批前和分批后的揀貨時間進(jìn)行對比發(fā)現(xiàn)，訂單分批后，揀貨工人在進(jìn)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(shù)對揀貨時間都產(chǎn)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(shí)際，修正系數(shù)的引入減少了實(shí)際數(shù)據(jù)產(chǎn)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。