杜志平 常路紅 溫衛(wèi)娟

摘?要：文章基于多目標(biāo)規(guī)劃理論研究X公司多倉倉儲訂單優(yōu)化方案，考慮干線運輸和倉儲物流配送，構(gòu)建了多倉倉儲下的訂單分配兩階段模型。第一階段訂單分倉問題，利用縮小問題解空間的思想，構(gòu)建轉(zhuǎn)運問題的數(shù)學(xué)模型，得出符合實際的訂單分配方案;第二階段物流車輛配送問題，運用K-means算法對大規(guī)模VRP的客戶點聚類分析，再用粒子群算法運算求解，得出優(yōu)化的配送路線方案。最后，參考X公司的倉租和配送成本驗證方案的可行性。

關(guān)?鍵?詞：訂單分配;VRP問題;K-means聚類分析;粒子群算法

中圖分類號：F252.24?文獻(xiàn)標(biāo)識碼：A?文章編號：2096-7934（2020）07-0119-10

一、?引言

多倉倉儲運營的訂單處理，需要根據(jù)市場需求選擇不同地點的倉庫進(jìn)行分配，保證快速響應(yīng)時間。在整個倉儲配送作業(yè)流程中，如何挑選合適的倉庫發(fā)貨、安排多少物流車、走哪條路線、配送哪些門店，是影響倉庫總成本的關(guān)鍵工序。在隨機(jī)性倉儲訂單環(huán)境下，訂單通常是按照就近距離原則分配給各地倉庫[1]，倉庫管理者根據(jù)歷史訂單數(shù)量預(yù)測倉庫容量和物流車數(shù)量。實際調(diào)研中發(fā)現(xiàn)，公司往往會將物流配送作業(yè)外包給第三方，訂單分配和物流車輛配送兩個決策相互獨立，會出現(xiàn)訂單需求、物流到貨的信息延遲等問題。例如，當(dāng)?shù)匚锪鬈嚁?shù)量較少時，雖然倉庫容量滿足訂單需求，但是配送無法在規(guī)定時間內(nèi)完成，從而產(chǎn)生大量拒單，降低物流服務(wù)水平;反之，物流車過多，在配送路線規(guī)劃方面會出現(xiàn)較多重疊，浪費物流基礎(chǔ)設(shè)施，增加倉儲配送成本。因此，能夠根據(jù)訂單分配的數(shù)量合理安排物流車輛的數(shù)量和配送路徑，對于多倉倉儲精細(xì)化運營至關(guān)重要。

本文的創(chuàng)新點在于通過建立多目標(biāo)規(guī)劃模型，設(shè)計聚類分析和粒子群算法應(yīng)用于模型求解過程中。結(jié)合多倉倉儲網(wǎng)絡(luò)化、精細(xì)化的系統(tǒng)運營特點，從實際調(diào)研中發(fā)現(xiàn)由于倉儲訂單處理中對倉庫選擇和物流配送獨立決策，再加上二者信息反饋的時間延遲，造成倉庫訂單分配和物流車輛安排的不合理，因此本文提出的訂單優(yōu)化方案，對提高企業(yè)多倉倉儲管理的科學(xué)化水平具有現(xiàn)實指導(dǎo)意義。同時，為以后訂單優(yōu)化領(lǐng)域的研究提供參考文獻(xiàn)，豐富和完善了運籌學(xué)理論模型在物流管理的應(yīng)用。

二、文獻(xiàn)綜述

學(xué)者對訂單優(yōu)化做了大量的理論和實證研究。在理論研究方面，Hoser?et?al.[2]在文章中指出，揀貨作業(yè)是與訂單交付時間聯(lián)系最為緊密，提出一種離散交叉通道的倉庫布局，并通過有效的搜索算法尋找到最優(yōu)通道位置。Lenoble?et?al.[3]研究帶有傳送帶等自動化設(shè)備的系統(tǒng)，考慮單一和多個獨立運行的傳送帶兩種情況，構(gòu)建了訂單揀選過程中的訂單批處理問題模型，通過算例驗證了模型處理的有效性。Boysen?et?al.[4]在一個自動存儲檢索系統(tǒng)中，對訂單釋放進(jìn)行排序，以便在包裝站快速揀選合并訂單。邵澤熠[5]等針對倉庫訂單的多品種小批量需求特點，以訂單相似度最高為目標(biāo)，結(jié)合改進(jìn)的K-means算法確定最優(yōu)分批數(shù)量，并利用穿越式路徑策略計算分批優(yōu)化后的揀選距離。在實證研究上，Jasin?and?Sinha[6]以最小化配送時間為目標(biāo)，通過實證在訂單分配NP-hard問題模型中增加了對未來訂單的預(yù)測，對線性規(guī)劃模型的松弛后求得了問題的下界。Malaguti?et?al.[7]研究倉庫網(wǎng)絡(luò)中的訂單分配問題，綜合考慮顧客需求和服務(wù)水平、價格決策和退貨，建立了線性和二次整數(shù)規(guī)劃模型，為國際電子商務(wù)零售商確定商品的初始分配數(shù)量和價格提供很好的決策支持。Mohammed?et?al.[8]還研究了供應(yīng)商選擇與訂單分配問題、多工廠多車間訂單分配與排序等傳統(tǒng)訂單分配問題。王迪[9]通過對一家電商倉儲的聯(lián)合訂單批次排序，綜合考慮訂單批次和揀貨路徑，建立了混合整數(shù)規(guī)劃模型，設(shè)計啟發(fā)式算法實現(xiàn)最小化訂單批次的總延遲時間。

基于以上討論，本文從實證調(diào)研和多目標(biāo)規(guī)劃理論出發(fā)，研究多倉倉儲運營中的訂單分配和車輛配送問題，提出同時考慮倉庫訂單分配和物流車輛配送的兩階段訂單優(yōu)化方案。方案分為兩個階段：第一階段，工廠收到客戶訂單，通知訂單處理中心做出倉庫分配決策，需要解決的是帶有倉庫容量約束的訂單分配問題;第二階段，完成訂單分配后，倉庫安排當(dāng)?shù)匚锪鬈嚺绍嚢l(fā)貨，需要解決的是帶有時間窗的車輛路徑問題。兩個階段的決策存在先后關(guān)系并相互影響。訂單優(yōu)化的目標(biāo)是在第一階段結(jié)合轉(zhuǎn)運問題，合理分配倉儲訂單，減少倉庫租賃成本;第二階段，結(jié)合車輛路徑問題，優(yōu)化城市配送路線，降低最后一公里的物流配送成本，實現(xiàn)資源最優(yōu)配置。

三、?模型分析與建立

本文研究的問題描述為：在多倉運營網(wǎng)絡(luò)環(huán)境下，以最小化倉庫總成本為目標(biāo)，根據(jù)“倉庫總成本=倉租成本+配送成本+裝卸成本+附加費用”的核算方式，在不考慮人工裝卸和附加成本變動情況下，將其轉(zhuǎn)化為倉租成本最小和配送成本最小的多目標(biāo)問題。實際調(diào)研中發(fā)現(xiàn)，倉租成本與配送成本在一定程度上存在此消彼長的博弈傾向，即當(dāng)倉庫容量增加或在某個工廠附近增設(shè)倉庫時，倉租費率不變的情況下，倉庫租賃成本會上升，與此同時，由于一次性囤貨較多，可以滿足較長時間的訂單需求，因此工廠到倉庫的干線配送次數(shù)較少，配送成本下降;反之，當(dāng)出現(xiàn)倉庫減容或撤倉的情況時，倉租成本會下降，但是由于承運商配送次數(shù)增加，也會造成配送成本的上升。要實現(xiàn)二者總成本最小，關(guān)鍵在于合理安排訂單數(shù)量和物流配送線路，這正是本文兩階段需要解決的問題。

（一）階段1：訂單分配

訂單分配屬于復(fù)雜的NP-hard問題，隨著問題規(guī)模擴(kuò)大，這類問題的解空間呈指數(shù)級增長，求解難度也會增大。若從訂單分倉的問題出發(fā)，需要利用縮小問題解空間的思想，對企業(yè)的倉儲訂單分為一單一品和一單多品，并根據(jù)訂單配送情況進(jìn)行分類[10]。這種根據(jù)品類決定訂單的處理方式，是倉庫到門店的末端配送經(jīng)常參考的定量決策方式。當(dāng)訂單拆分的倉庫組合不唯一，或者只按照簡單的經(jīng)驗規(guī)則難以有效分配訂單時，需要借助定量的運籌學(xué)優(yōu)化工具進(jìn)行建模求解，同時再輔以簡單的經(jīng)驗規(guī)則對模型結(jié)果加以偏差修正，使倉租成本和干線配送成本之和達(dá)到理論最小。下面對第一階段訂單分配做出模型假設(shè)：

（1）一個訂貨周期內(nèi)，每個倉庫中儲存商品的數(shù)量是已知的定值;

（2）每個顧客的訂單需求可以由一個或多個倉庫提供，單個倉庫可以缺貨，但是全部倉庫不缺貨，即不存在外包訂單;

（3）每個倉庫存儲多種商品SKU，各個倉庫存儲的商品有一部分是所有倉庫所共有的品類，有一部分是各倉庫獨有的品類，即多個倉庫存儲的商品SKU之間有重合，倉庫之間調(diào)撥成本遠(yuǎn)大于配送成本;

（4）運費=運費單價×運量，干線運費單價僅與運量噸數(shù)相關(guān)，與運送貨物類型無關(guān)。

模型建立過程如下：

式（1）為目標(biāo)函數(shù)表示最小化配送成本，其中配送成本由工廠到倉庫和倉庫到顧客兩部分組成。式（2）表示每個工廠的商品運出量不大于生產(chǎn)量;式（3）表示每個倉庫的商品運出量不大于運入量;式（4）表示倉庫配送給每位顧客運入量等于需求量;式（5）對工廠到倉庫、倉庫到顧客運量的非負(fù)約束。

（二）階段2：物流車輛配送

為了解決物流車輛配送問題，利用經(jīng)典的VRP問題研究如何安排運輸車輛的行駛路線，使運輸車輛依照最短的行駛路徑或最短的時間費用，依次服務(wù)于每個客戶后返回起點，最終使總運輸成本實現(xiàn)最小。對X公司而言，配送的KA門店、直營賣場對于配送時間都有著一定的要求，超過了要求的配送時間，部分門店會直接拒單或產(chǎn)生一定的虧損。因此，第二階段物流車輛配送屬于硬時間窗的車輛路徑問題。下面對第二階段做出模型假設(shè)：

（1）車輛具有裝載能力限制，每條配送路徑上各客戶的貨物需求量之和不超過配送車輛的載重量;

（2）每個門店的需求量已知，每個門店所需貨物只能由1輛車完成配送，且每輛車的配送路線上的所有門店都要進(jìn)行配送，車輛在客戶節(jié)點處的裝卸搬運效率相同;

（3）只有一個配送中心，每輛車由配送中心出發(fā)，配送完成后必須返回該配送中心;

（4）每個門店的地理位置和服務(wù)時間窗已知，同時門店之間的距離、門店與配送中心之間的距離已知;

注：不考慮交通環(huán)境、政策等方面（限行、限載等）對末端配送任務(wù)的影響。

模型建立過程如下：

其中，目標(biāo)函數(shù)式（6）表示成本最低的路徑方案，包括車輛的固定成本和變動成本。當(dāng)i或j為0時，表示配送中心，否則為客戶節(jié)點;約束條件（7）式表示客戶需求量要小于等于貨車裝載量;（8）式表示每一個客戶節(jié)點都只由一輛車完成配送;（9）式表示車輛從配送中心出發(fā)，最后回到配送中心;（10）式（11）式表示每個客戶點的需求只有一輛車服務(wù);（12）式車輛k到達(dá)j點的時刻等于車輛到達(dá)i點的時刻+在i點的卸貨時間+從i到j(luò)行駛的時間;（13）式車輛k從i點到達(dá)j點的時間=i點與j點間的距離/車輛k的平均速度;（14）式時間窗約束。

四、案例分析

X公司是一家食品營銷公司，主要從事米、面、油和啤酒等快消產(chǎn)品的加工和銷售業(yè)務(wù)，公司在全國倉儲物流業(yè)務(wù)主要分為東北、京津冀、華北、江滬、西南、西北、華中、華南等八個區(qū)域，通過合理規(guī)劃各個區(qū)域的倉庫輻射范圍，來提高供應(yīng)鏈效率，縮短運輸距離，降低在途破損;避免倒流現(xiàn)象，減少單個倉庫的庫存量，同時客戶可以將產(chǎn)品儲存在企業(yè)在各地的倉庫內(nèi)，保證了快速的市場響應(yīng)時間且降低了單個倉庫的安全庫存。目前，X公司的倉儲物流運營網(wǎng)絡(luò)，能夠同時為工廠到倉庫的干線運輸和倉庫到門店客戶的配送提供服務(wù)，實現(xiàn)倉干配一體化的敏捷供應(yīng)鏈管理。區(qū)域中轉(zhuǎn)倉配送的客戶類型有KA大倉、KA門店、電商客戶、電商旗艦店、經(jīng)銷商客戶、特渠客戶等。

（一）階段1：訂單分配

第一階段對訂單分倉可以轉(zhuǎn)化為轉(zhuǎn)運問題，將其看作帶有中轉(zhuǎn)倉的三階段運輸問題，假設(shè)工廠的產(chǎn)量、門店的需求量、工廠到倉庫以及倉庫到門店的配送成本都是已知條件。由于快消品行業(yè)的訂單配送具有訂單需求量存在淡旺季、產(chǎn)品品項豐富、客戶個性化需求越來越強(qiáng)、配送難度越來越高以及“三流”融合度越來越高等特點，要在隨機(jī)性倉儲訂單環(huán)境下準(zhǔn)確預(yù)測訂單分配數(shù)量、全國和當(dāng)?shù)氐能囕v運輸資源等，難度很大并且超出了可獲得的企業(yè)數(shù)據(jù)范圍。因此，這里的算例求解數(shù)據(jù)取自X公司2019年外租倉干線和倉配業(yè)務(wù)招標(biāo)的測算數(shù)據(jù)。

對訂單分倉問題的求解，以X公司京津冀工廠（A）、華北工廠（B）為例，北京倉（X）、天津倉（Y）、唐山倉（Z）?3個倉庫轉(zhuǎn)運，倉庫輻射范圍主要是京津冀大區(qū)。為了便于計算，對5類門店配送一種植物油，按照地理位置分別處于北京市（1）、天津市（2）、唐山市（3）、保定市（4）、承德市（5），?工廠植物油的產(chǎn)量分別為7000、6000，5類門店需求量大約為5500，3000，2000，1500，1000（單位：標(biāo)準(zhǔn)箱）;工廠到倉庫、倉庫到門店的配送成本，如表1所示。

用lingo軟件編程求解，運行結(jié)果表明：

工廠A—倉庫X運輸5000箱，工廠A—倉庫Z運輸2000箱;工廠B—倉庫X運輸3000箱，工廠B—倉庫Y運輸3000箱;倉庫X—顧客1運輸5500箱，倉庫X—顧客4運輸1500箱，倉庫X—顧客5運輸1000箱;倉庫Y—顧客2運輸3000箱，倉庫Z—顧客3運輸2000箱?？傔\費為78150元。

（二）階段2：物流車輛配送

由于案例中X公司在全國擁有30個外租倉，每個倉庫負(fù)責(zé)配送的門店眾多，全國物流承運商需要配送的線路大約有500多條，具體到末端配送的物流車輛需要到達(dá)的總結(jié)點有5000多個。因此，后續(xù)對物流車輛配送問題的研究屬于大規(guī)模VRP問題，在此先聚類分析簡化為小規(guī)模的車輛路徑問題，從而解決由于問題規(guī)模增大而引起解的搜索困難。

1.?聚類分析

K-Means算法是已知聚類類別數(shù)，可以處理大數(shù)據(jù)集，且具有高效性的一種基本的聚類分析劃分算法。算法的核心思想是把n個數(shù)據(jù)對象劃分為k個聚類，使每個聚類中的數(shù)據(jù)點到該聚類中心的平方和最小。

為了說明物流車輛配送問題，下面以北京倉在市內(nèi)的配送門店為例。收集X公司在北京市內(nèi)132家配送門店的地理位置信息，采用SPSS軟件進(jìn)行分區(qū)聚類分析。其中，根據(jù)公司多年來的配送經(jīng)驗，每條路線的門店數(shù)量范圍15-20家，結(jié)合初步計算結(jié)果，將聚類區(qū)域k設(shè)為8個，迭代次數(shù)為10次。聚類分區(qū)后的結(jié)果在地圖上呈現(xiàn)出來（如圖1所示）。

2.?粒子群算法

粒子群算法（?particle?swarm?optimization，PSO）是一種模擬鳥群飛行捕捉食物的仿生算法，它是從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解。通過適應(yīng)度來評價。它通過追隨當(dāng)前搜索到的最優(yōu)值來尋找全局最優(yōu)。在PSO算法中，鳥被抽象為沒有質(zhì)量和體積的粒子，并延伸到N維空間，粒子I在N維空間的位置表示為矢量Xi=x1，x2，...，xN，飛行速度表示為矢量Vi=v1，v2，...，vN。每個粒子都有一個由目標(biāo)函數(shù)決定的適應(yīng)值，并且知道自己到目前為止發(fā)現(xiàn)的最好位置（pbest）和現(xiàn)在的位置Xi，這個可以看作是粒子自己的飛行經(jīng)驗。除此之外，每個粒子還知道到目前為止整個群體中所有粒子發(fā)現(xiàn)的最好位置（gbest）。這個可以看作是粒子同伴的經(jīng)驗，粒子就是通過自己的經(jīng)驗和同伴中最好的經(jīng)驗來決定下一步的運動。

從市內(nèi)配送量來看，朝陽、通州位于前兩位，結(jié)合聚類分析結(jié)果，配送門店在1、2號兩個區(qū)的聚類效果也很好。因此，以這兩個區(qū)（共30家門店）為例，進(jìn)行粒子群算法的線路優(yōu)化。

在計算機(jī)上運行Matlab，求解配送路徑優(yōu)化模型。將物流承運商在朝陽、通州兩個區(qū)自有的13輛車編號為1-13號，分析數(shù)據(jù)運行結(jié)果如下：

Solution1：1至15列1，13，13，13，1，13，13，13，13，1，13，1，13，13，1;16至30列13，13，1，1，13，13，13，1，1，13，1，13，13，1，1。即安排1號和13號車進(jìn)行30家門店的配送，第1家門店由1號車進(jìn)行配送，第2家門店由13號車進(jìn)行配送，第3家門店由13號車進(jìn)行配送，以此類推。

Solution?2：1至8列30.00，0.11，30.00，30.00，0.56，0.23，0.21，30.00;9至16列30.00，30.00，0.32，0.65，30.00，30.00，0.00，30.00;17至24列30.00，30.00，30.00，0.11，30.00，30.00，0.21，0.12;25至30列30.00，0.11，30.00，30.00，30.00，30.00。Solution2為根據(jù)目標(biāo)函數(shù)得到的待配送門店的權(quán)重，權(quán)重越小，門店越需要優(yōu)先配送。從計算結(jié)果來看，有9家門店需要優(yōu)先配送。

（三）預(yù)測

為了驗證本文提出的模型與算法，將X公司倉租成本、配送路線和配送成本三方面的優(yōu)化結(jié)果，與企業(yè)目前采用的訂單處理方法和車輛配送路線進(jìn)行比較，預(yù)測在企業(yè)實際運營管理中的有效性。

1.倉租成本

目前北京倉配送范圍覆蓋北京市內(nèi)、市郊、天津、保定、承德等地，天津倉和唐山倉只配送本市市內(nèi)和市郊門店。調(diào)研還發(fā)現(xiàn)，北京倉、唐山倉、天津倉的倉庫容量分別為21萬標(biāo)準(zhǔn)箱、3萬標(biāo)準(zhǔn)箱、5萬標(biāo)準(zhǔn)箱，倉庫租賃費率北京倉1.8元/標(biāo)準(zhǔn)箱/月、天津倉1元/標(biāo)準(zhǔn)箱/月、唐山倉0.6元/標(biāo)準(zhǔn)箱/月。根據(jù)第一階段模型運算結(jié)果，若將北京倉至保定的配送改為天津倉覆蓋，會增加配送成本300元/月，減少倉租成本1200元/月;同理，將北京倉至承德的配送改為唐山倉覆蓋，會增加配送成本200元/月，減少倉租成本1200元/月，平均每年倉庫總成本可以降低大約2.9%?因此，提出建議，新增天津倉到保定的配送路線，新增唐山倉到承德配送路線，在倉庫中轉(zhuǎn)量可允許范圍內(nèi)，為原來由北京倉覆蓋的每周1-2次配送需求的門店提供倉儲配送服務(wù)。

2.配送成本

北京市內(nèi)的配送路線1、2號區(qū)優(yōu)化前有3條配送線路，3輛車配送，分別覆蓋10、13、7家門店。從圖2中可以看出，優(yōu)化前車輛路線存在一定不合理性，重復(fù)路線較多，影響了整體配送的效率。

模型運算結(jié)果顯示，優(yōu)化后有2條配送線路，如圖3所示分別覆蓋12、18家門店，這兩個區(qū)域只需要2輛貨車進(jìn)行配送即可滿足所有門店的需求量，車輛縮減為原來的2/3，且大大減少了重復(fù)路線，提高了效率。

從配送成本來看，優(yōu)化前所選區(qū)域的配送成本約為40000元，而優(yōu)化后成本約為30000元，在車輛需運輸送達(dá)的點數(shù)量相同且各點需求量不變的情況下，成本下降約25%?？傮w來看，算例結(jié)果能較好地反應(yīng)對實際算例優(yōu)化情況，滿足了客戶降低成本，提高效率的需求。所以優(yōu)化結(jié)果比較理想。

3.總體情況預(yù)測

訂單分倉階段選取的京津冀工廠三個倉庫五類配送門店，對植物油的需求量較大，可以覆蓋80%的配送區(qū)域，因此具有樣本點較好的代表性。物流車輛配送階段選擇北京市內(nèi)的車輛路徑規(guī)劃，門店數(shù)量132家，占京津冀大區(qū)的1/3，基于以上考慮，預(yù)測北京市其他區(qū)域、京津冀其他倉庫也可以達(dá)到較理想的水平。

通過協(xié)同干線運輸?shù)挠唵螖?shù)量分配決策和倉庫配送的城市物流車輛路線規(guī)劃，X公司能夠?qū)崿F(xiàn)與全國倉庫的物流承運商、上游的糧油供應(yīng)商和工廠、下游的經(jīng)銷商客戶和賣場共同探索高質(zhì)量的供應(yīng)鏈綜合服務(wù)平臺，減少信息決策的延遲時間，從而減少流通環(huán)節(jié)和配送成本。通過平臺直接服務(wù)需求終端，使訂單分配數(shù)量、車輛調(diào)度和配送路線全程透明化、可追溯。

五、結(jié)論

多倉倉儲是企業(yè)實現(xiàn)敏捷供應(yīng)鏈管理和精細(xì)化運營的關(guān)鍵，訂單分配問題和車輛路徑問題是多倉訂單優(yōu)化中非常重要的問題。本文結(jié)合多倉訂單分配和物流車輛配送問題的特點，提出了兩階段算法求解問題。在處理訂單分倉問題時，利用倉庫訂單的需求信息建立配送成本最小的數(shù)學(xué)模型，在lingo編程下得出訂單分配的數(shù)量，進(jìn)而提出倉庫配送路線的優(yōu)化方案;在處理大規(guī)模VRP問題時，對客戶點采用改進(jìn)的k-means算法進(jìn)行不同數(shù)目的配送區(qū)域的劃分，再在各個配送區(qū)域內(nèi)進(jìn)行算法求解，得出改進(jìn)結(jié)果。

未來改進(jìn)方向可以從以下幾個角度展開：①本文的聚類分析僅僅按照距離分類，分類數(shù)量是人為劃分，且在進(jìn)行聚類分區(qū)時并沒有將考慮各門店需求量，因此在準(zhǔn)確性上仍可有所提高。②文中算例的選擇沒有考慮實際路網(wǎng)，在現(xiàn)實生活中，客戶點之間距離并不是直線相通，車輛行駛中會遇到障礙物，單行線等現(xiàn)實問題。下一步研究可以結(jié)合真實網(wǎng)絡(luò)拓?fù)鋱D，對客戶點間距離以及各條線路進(jìn)行真實數(shù)據(jù)的采集，應(yīng)用到算法當(dāng)中。③本文在訂單分倉問題的算例驗證中，僅考慮一種商品的配送，缺少對一單多品分配的研究，以及考慮配送多個訂單的優(yōu)先級別等。由于時間精力所限和當(dāng)前學(xué)術(shù)能力的局限性，本文實證分析的模型算法仍然存在一些不足，需要后續(xù)工作更進(jìn)一步的完善補(bǔ)充與系統(tǒng)研究。

參考文獻(xiàn)：

[1]ARDJMAND?E，SANEI?BAJGIRAN?O，RAHMAN?S，et?al.?A?multi-objective?model?for?order?cartonization?and?fulfillment?center?assignment?in?the?e-tail/retail?industry[J].?Transportation?research?Part?E：?logistics?and?transportation?review，2018，115：16-34.

[2]NICOLAS?L，YANNICK?F，RAMZI?H?.?Optimization?of?order?batching?in?a?picking?system?with?Carousels[J].?Ifac?papersonline，2017，50（1）：1106-1113.

[3]HOSER?D，ZTRKOGLU??.?A?discrete?cross?aisle?design?model?for?order-picking?warehouses[J].?European?journal?of?operational?research，2018.

[4]BOYSEN?N，F(xiàn)EDTKE?S，WEIDINGER?F?.?Optimizing?automated?sorting?in?warehouses：?the?minimum?order?spread?sequencing?problem[J].?European?journal?of?operational?research，2018.

[5]邵澤熠，董寶力.基于改進(jìn)遺傳K-均值算法的多品種小批量訂單分批方法[J].浙江理工大學(xué)學(xué)報（自然科學(xué)版），2018，39（6）：732-738.

[6]JASIN?S，SINHA?A.?An?LP-based?correlated?rounding?scheme?for?multi-item?ecommerce?order?fulfillment[J].?Operations?research，2015，63（6）：1336-1351.

[7]MALAGUTI?E，NANNICINI?G，THOMOPULOS?D.?Optimizing?allocation?in?a?warehouse?network[J].?Electronic?notes?in?discrete?mathematics，2018，64：195-204.

[8]MOHAMMED?A，HARRISC?I，GOVIND?K.?A?hybrid?MCDM-FMOO?approach?for?sustainable?supplier?selection?and?order?allocation?[J].?International?journal?of?production?economics，2019.

[9]王迪.電商倉儲聯(lián)合訂單批次分配排序和路徑問題[J].上海管理科學(xué)，2018，40（5）：84-89.

[10]CATHY?H?Y?L，CHOY?K?L，CHUNG?S?H.?A?decision?support?system?to?facilitate?warehouse?order?fulfillment?in?cross-border?supply?chain[J].?Journal?of?manufacturing?technology?management，2011，22（8）：972-983.

[11]羅曉萌，夏雪垠，李建斌.?快消品電子商務(wù)倉儲訂單批次問題研究[J].?系統(tǒng)科學(xué)與數(shù)學(xué)，2016，36（6）：847-859.

[12]MCNABB?M?E，WEIR?J?D，HILL?R?R，et?al.?Testing?local?search?move?operators?on?the?vehicle?routing?problem?with?split?deliveries?and?time?windows[J].?Computers?&?operations?research，2015，56（C）：93-109.

[13]TANG?B，ZHANXIA?Z，LUO?J?.?A?convergence-guaranteed?particle?swarm?optimization?method?for?mobile?robot?global?path?planning[J].?Assembly?automation，2017，37（1）：114-129.

[14]?KHALID?W，?HANSEN?Z?N?L.?Using?k-means?clustering?in?international?location?decision[J].?Journal?of?global?operations?and?strategic?sourcing，2018.

[15]CARDOSO?P?J?S，?SCHTZ?G，?MAZAYEV?A，et?al.?A?solution?for?a?real-time?stochastic?capacitated?vehicle?routing?problem?with?time?windows[J].?Procedia?computer?science，2015，51：2227-2236.

[16]李建斌，孫哲，陳威帆，等.面向最小化拆單率的基于訂單分配順序的庫存優(yōu)化研究[J].工業(yè)工程與管理，2017，22（6）：78-84.

[17]MASOUD?R，POOYA?P，HAMED?F?A，et?al.?A?hybrid?genetic?algorithm?for?multi-depot?vehicle?routing?problem?with?considering?time?window?repair?and?pick-up[J].?Journal?of?modelling?in?management，2018.

[18]GRANGIER?P，GENDREAU?M，LEHUD?F，et?al.?A?matheuristic?based?on?large?neighborhood?search?for?the?vehicle?routing?problem?with?cross-docking[J].?Computers?&?operations?research，2017，84（C）：116-126.