網上超市訂單分批問題研究

黃曉旭 華北電力大學經濟與管理學院

網上超市訂單分批問題研究

黃曉旭 華北電力大學經濟與管理學院

本研究針對網上超市的訂單分批問題，對訂單分批影響因素進行了分析，并運用遺傳算法對訂單分批問題的求解思路進行了分析概括。本研究對網上超市減少訂單分揀時間、提高分揀效率，從而提高網上超市配送水平，具有重要價值。

網上超市 訂單分批問題 遺傳算法

一、引言

近年來，網上超市快速發(fā)展，逐漸成為主流的商品零售方式之一。截至到2015年，中國網上零售市場交易規(guī)模達3.83萬億元人民幣，在整個網上零售發(fā)展已較為成熟的背景下，增長率（35.71%）依然維持高位，成為中國經濟社會中一般不可忽視的力量。網上超市主要銷售使用頻率最高的日常快消品，其訂單具有數量龐大、訂單所含商品品項多、客戶收貨時間要求嚴格并多樣，一單多品訂單的履行問題已成為擁有海量商品的大型網上超市面臨的難題。于是，就有必要對數量龐大的訂單進行分批揀選。

訂單分批是指為了提高揀選作業(yè)效率而把多張訂單集合成一批，進行批次揀取作業(yè)，其目的是縮短揀取時平均行走搬運的距離和時間[1]。換句話說，對訂單分批問題進行分析處理時，首先采用某種方式對所有訂單作分批處理，然后確定出揀選的次序和適當的揀選路徑，來達到目標函數的最優(yōu)。其目標函數分為兩種，一是使揀選行走的總時間最短，二是使揀選行走的距離最短而提高揀選作業(yè)效率。當采用分批策略時，在同一時間，揀選人員或揀選設備可以處理多張訂單，縮短揀選人員重復尋找儲位的時間，從而有效的提高揀選效率。因此，在配送中心或物流中心等需要處理大量訂單的物流功能節(jié)點中，訂單分批得到了廣泛的應用[2]。

為了提高訂單分批的求解效率，不僅要考慮訂單分批的影響因素，而且還要創(chuàng)建或改進分批的算法，這樣才可以提高訂單分批求解方法的通用性和求解效率。本研究為實現上述目標，結合網上超市訂單的特點，總結了影響其訂單分批的影響因素和常用算法，實現網上超市訂單的分批。

二、訂單分批影響因素分析

訂單分批揀選作業(yè)主要適合以下兩種情形：

1.當倉庫商品中，商品品項數比較少，某種商品的存儲量比其他商品存儲量大，那么，所有訂單中重復出現這種存儲量大的商品的概率就高，將訂單中相同品項的商品放在一起后進行揀選，就能減少揀選次數，這樣就能充分體現分批揀選的優(yōu)勢。

2.當所有訂單中的商品具有較高相似性時，也適合采用分批揀選方式。例如在對倉庫存儲品項數目沒有限制的前提下，對某一時間段內或者某個批次類似品項出行頻率較高的訂單就可以實施訂單分批策略。

經過調查，本文將訂單分批的影響因素分為兩類，即客戶信息、配送站信息。

（1）客戶和訂單信息。包括客戶重要等級、訂單包裹送達時間要求等；①客戶重要等級：分為三個等級，特別重要，重要，一般。屬于“特別重要”的客戶將具有最優(yōu)先被服務的特權。②送達時間要求：客戶所要求的送達時間是影響分批的一大因素，如果以天為單位安排配送計劃，可按照客戶要求的送貨時間分為上午，下午，晚間三個時間段的客戶群。顧客對網上超市商品的收貨時間的要求越來越嚴格。如，京東商城針對不同消費者的配送需求，推出了211限時達、夜間配、定時達、極速達等特色服務。一號店也推出半日達、定時達、一日三送的特色服務。

（2）配送站信息。包括送貨區(qū)域，以及配送車輛在客戶點間的行駛距離。①送貨區(qū)域：客戶所在的送貨區(qū)域是影響分群的主要依據，可按送貨地點的分布特征來分類；②行駛距離：點與點間的直線距離不能代表行駛時間，因此需要在分批時將該因素考慮在內。

三、基于遺傳算法的訂單分批求解算法

遺傳算法（Genetic Algorithm，GA）GA是由Holland在1975年提出來，主要是模仿生物進化的過程，將初始可行解二進制化為所謂“基因”，并利用遺傳和變異的思想對解進行優(yōu)化[3]。遺傳算法是一種比較經典的智能優(yōu)化算法，由于其收斂速度快而局部搜索能力弱，因此通常用來和其他局部搜索快的方法如禁忌搜索算法等相結合。在訂單分批問題中，經常采用雙目標函數的表現矩陣，將染色體對不同的目標函數值的優(yōu)劣進行綜合排序。而且，在控制種群向目標函數方向進化時，通常采用基于個體適應性的交叉和變異概率函數，以此來保持種群的多樣性。

遺傳算法主要包括的步驟如下所示：

（1）染色體編碼。編碼方式采用實數編碼,即每條染色體代表一種可能的訂單合并批次序列，其基因序列為（G1,G2...,GK），即所有訂單的所有可能的合并組合，其中GK代表一批合并的訂單。（2）生成種群。隨機生成一定數量的染色體,即不同的訂單組合。（3）計算各染色體的適應度。計算不同訂單排列的目標函數的值，采用種群各個體的目標函數的值轉化為不同個體的綜合適應度。（4）交叉和變異。依據染色體的適應度大小選擇個體進行交叉和變異操作，生成新的個體。交叉概率和變異概率由常數確定。（5）更新種群。將原始種群和新生成的個體采用優(yōu)解保存策略合并后得到新的種群,返回（3）直到迭代結束后得到最優(yōu)解。

四、結論

本研究有助于為解決網上超市訂單分揀問題提供科學有效方法，豐富了網上超市訂單分揀理論，具有重要的理論意義和實際意義。

在理論方面，本研究在分析了網上超市訂單特點的基礎上，分析了訂單分批的影響因素，為網上超市訂單的分批提供了一種新方法，為計算機在線智能地生成訂單分批方案提供新工具，可提高訂單分批理論的科學性、實用性和普適性。

在實際應用方面，本研究的理論成果可用來指導網上超市或其它B2C電子商務企業(yè)的訂單分批作業(yè)工作，有助于電子商務企業(yè)實現效率與客戶服務水平的綜合提升，從而提高其競爭優(yōu)勢。

[1]李詩珍,杜文宏.基于聚類分析的訂單分批揀貨模型及啟發(fā)式算法[J].統(tǒng)計與決策,2008, 2008（12）: 53-56.

[2]王艷艷,周以齊,沈長鵬,吳耀華.一種兩類“貨到人”訂單揀選系統(tǒng)的適用性選擇方法[J]. 機械工程學報,2015,04:206-212.

[3]Koch, S, Wascher, G.. A Grouping Genetic Algorithm for the Order Batching Problem in Distribution Warehouses.FEMM Working Papers, 2011.