Anylogic關聯仿真下倉儲管理系統的資源利用率優化研究

摘要：隨著信息的共享，客戶需求逐漸趨向于不確定性，給倉儲正向作業和逆向作業流程帶來了極大的挑戰。針對中小型物流企業倉儲活動現狀，基于Activiti6.0和物聯網技術，設計了靈活設計的倉儲作業流程。為進一步驗證與優化資源利用率，基于Anylogic將倉儲管理系統數據庫和仿真系統的數據庫集成，對倉儲管理系統的資源利用率進行仿真，結果發現當前企業人員、叉車利用率均低于60%，通過對人員與叉車數量改變進行多組仿真實驗，最終得到人員資源利用率為69%，叉車資源利用率為88%。

關鍵詞：關聯仿真；倉儲管理系統；資源利用率；Anylogic

中圖分類號：TB 文獻標識碼：Adoi：10.19311/j.cnki.16723198.2025.16.081

0 引言

在現代物流體系中，倉儲作為連接生產與消費的關鍵環節，其重要性不言而喻。它不僅是物資存儲的場所，更是物流信息的匯聚點，對整個物流流程的順暢運作起著決定性作用。隨著市場競爭的日益激烈，客戶需求逐漸呈現出多樣化、個性化和不確定性的特點，這對倉儲管理提出了更高的要求。傳統的人工倉儲作業模式在應對這些變化時顯得力不從心，暴露出諸多問題，如倉儲閑置率高、作業效率低、成本居高不下等。盡管倉儲管理系統的出現，在一定程度上提升了倉儲作業的效率，但物流倉儲成本仍然未能得到有效控制。深入分析發現，現有倉儲管理系統往往側重于貨物和設備的管理，卻忽視了對處理貨物的人員和設備利用率的關注。這就導致在倉儲入庫、出庫等關鍵流程中，存在嚴重的資源浪費現象，極大地限制了倉儲管理系統效能的充分發揮。

1 文獻綜述

倉儲成本居高不下是一個復雜的系統性問題，涉及多個方面的因素。倉儲閑置率高與資源配置不合理之間存在緊密的內在聯系[1]。由于缺乏精準的市場需求預測和科學的倉儲規劃，企業往往難以合理安排倉儲空間和設備資源，導致部分倉庫區域長期閑置，而在業務高峰期又面臨空間和設備不足的困境。例如，在一些季節性產品的倉儲管理中，淡季時倉庫大量空間閑置，設備利用率極低；而到了旺季，由于前期規劃不足，無法及時調配足夠的資源滿足業務需求，貨物積壓嚴重，進一步增加了倉儲成本。同時，倉儲軟硬設備更新不及時也嚴重制約了倉儲作業效率的提升。老舊的設備不僅運行速度慢、故障率高，而且難以與先進的倉儲管理系統相適配，影響了整個倉儲作業流程的協同性。

工作流技術在近年來得到了廣泛的研究和應用，其在倉儲管理領域的潛力逐漸被挖掘。基于工作流引擎的倉儲管理系統能夠通過可視化技術，將倉儲作業流程、任務分配以及資源利用情況清晰地呈現給管理者，是解決當前倉儲成本高、資源利用率低等問題的有效途徑。眾多研究者基于 WfMC 參考模型及相關標準，對倉儲管理系統的效率提升展開了廣泛研究。邱小平[2]等人建立了工作流引擎信息模型，為該技術在企業中的應用提供了有力支持，并成功將其應用于采購管理信息系統，實現了業務流程的柔性化；周子敬[3]深入探討了工作流技術與企業物資管理業務處理之間的關系，并基于此設計了物資管理系統，充分驗證了工作流技術在以流程控制為主的系統開發中的有效性；谷江帆等人[45]基于工作流引擎完成了物流管理系統的設計，有效降低了物流系統的耦合度，實現了物流作業流程的高效化管理。F.Yin[6]通過將業務屬性添加到工作流模型中，提出了改進的業務工作流模型。Mandal A[7]等提出了一個基于網絡云系統的科學工作流自主適應的端到端框架，這使得工作流管理系統能夠解決工作流操作，特別是數據移動的競爭優先事項。Amelie[8]提出了一種通用的基于轉換的工作流優化框架 ToF，該框架能捕捉到針對不同工作負載和云產品的優化機會。Naboni[9]提出了從單一數字工作流中使用一個原型工作流對現有的城市再生設計進行評估，證明了工作流在城市再生設計應用的潛力。然而，針對中小型物流企業倉儲管理中資源利用率低這一核心問題，現有研究的針對性和深入程度仍有待提高。

為了進一步驗證和優化基于工作流的倉儲管理系統的資源利用效率和作業流程，本研究建立了Anylogic仿真模型。通過模擬不同的倉儲作業場景和資源配置方案，對倉儲流程中的資源利用情況和作業效率進行量化分析，為系統的優化提供科學依據。

2 工作流引擎

工作流引擎在整個倉儲管理系統中扮演著核心角色，它能夠對系統流程執行過程中的各類數據進行詳細記錄，從而實現倉儲資源管理的高度可視化。基于工作流引擎的系統具有耦合度低、便于流程管理的顯著特點，這為系統的二次開發提供了極大的便利。工作流引擎本質上是應用系統的重要組成部分，它為各應用系統提供了核心解決方案，能夠根據不同的角色、分工和條件，精確決定信息傳遞的路由和內容等級。其具備多項重要功能，包括流程的節點管理、流向管理以及流程樣例管理等。在節點管理方面，工作流引擎可以對流程中的各個節點進行詳細的定義和配置，包括節點的功能、執行條件、參與角色等；流向管理則負責控制流程在不同節點之間的流轉方向，確保流程按照預定的邏輯順序執行；流程樣例管理用于存儲和管理不同的流程模板，以便在實際業務中快速調用和復用。

圖1 工作流管理系統體系結構圖

在本文所研究的倉儲管理系統中，工作流引擎貫穿于整個系統的運行過程。它的主要職責是對工作流過程實例進行全面管理，借助過程定義工具，不僅可以完成確定性工作流過程（如常規的入庫、出庫流程）的定義，還能夠靈活處理非確定性工作流過程（如應對突發情況的緊急作業流程）。在過程實例化的進程中，工作流引擎會依據預先定義的邏輯，準確判斷活動間的執行順序、確定每個活動的執行角色以及活動執行所需滿足的條件。例如，在入庫流程中，工作流引擎會根據貨物的類型和數量，安排合適數量的檢驗人員進行貨物檢驗，檢驗合格后，再調度相應數量的叉車司機和叉車將貨物搬運至指定貨架存儲。圖1為工作流管理系統體系結構圖。

3 Anylogic仿真數據庫集成

3.1 問題分析

3.1.1 倉儲作業流程、活動資源分配問題

在實際倉儲作業過程中往往存在需求和供給不能匹配的情況，這就是容易造成資源分配不合理導致整個入庫流程或者出庫流程整體效率變低，倉儲成本增加。面對這種情況以往只能通過有經驗的倉儲作業人員利用其豐富的經驗通過對繁雜的紙質訂單和倉儲記錄單來進行整理才能發現流程作業中的問題，并根據倉儲作業數據進行倉儲資源優化配置，實現倉儲流程優化。這類形式極大地依賴于人員水平和收集數據的準確性。

3.1.2 仿真數據源收集與獲取問題

倉儲仿真能夠對實際倉儲活動進行模擬，最大程度還原實際情況，減少誤差。通過仿真能真實地反映實際作業流程中的資源使用情況、任務處理時間、作業成本等問題，能夠極大地縮短作業流程優化和驗證周期。

3.1.3 Anylogic與MySQL5.6數據庫連接

在Anylogic中建立與本地數據庫連接，需對數據庫的JDBC、鏈接地址、登錄名和密碼等屬性進行配置，詳細配置如下圖2所示；

圖2 Anylogic數據庫配置

屬性描述如下所示：

名稱：此處名稱為數據庫連接器在Anylogic中的名稱，不需要與本地數據庫相連。

類型：Anylogic中除了access和sql server均為其他數據庫，本文中選用的時my sql數據庫。

JDBC驅動：需要下載mysql連接，本文選用的是5.1.2jar。

鏈接地址：表示本地數據庫鏈接地址，fangzhen為要連接的本地數據庫名稱。

登錄：本地數據庫名稱。

密碼：本地數據庫密碼。

Anylogic支持各個模塊屬性值直接從數據庫表中讀取數據，并將仿真結果存儲到連接數據庫的相應數據庫表中。從數據庫表中讀出數據時，需要在需要寫入的模塊屬性處將值修改為數據庫引用，并選擇相應數據庫表即可。將仿真數據存儲到Mysql數據庫表中時，需要修改anylogic的main屬性值銷毀時寫入如（wms.modify（\"UPDATE LIYONGLV SET PEROSONU=\"

+Manager.utilization（）+\"WHERE name=’Manager utilization’\"）;

wms.modify（\"UPDATE LIYONGLV SET caru=\"

+car.utilization（）+\"WHERE name=’car utilization’\"）;）

在銷毀時寫入的wms.modify表示：數據庫名+方法，括號中寫入相應的SQL語句，進行數據庫修改即可。

3.2 入庫案例分析

3.2.1 入庫仿真假設

為保證模型仿真模型的正確構建以及最大程度還原現實作業流程，本文將對倉儲管理系統入庫流程和出庫流程分別作出以下假設。

假設1：倉庫中的運輸設備只有叉車，且叉車運輸速度不受其他因素影響，為勻速運行，叉車運行過程中不存在故障等情況；

假設2：倉庫人員單位時間處理貨物數量為平均狀態，倉庫人員在作業過程中不存在特殊情況，默認為一直工作；

假設3：入庫過程中不存在貨物取消、回退等異常情況，且當貨物到達量大于倉儲當前最大處理能力時，仿真結束并報錯，流程異常；

假設4：為簡化仿真模型，流程中的貨物數量校驗、質量校驗簡化為一個校驗環節，且校驗均通過；

假設5：為便于仿真數據輸入，將貨物種類簡化為一種并忽略其大小和重量，且對運輸條件、包裝沒有特殊要求；

假設6：忽略入庫流程中的設備和人員準備時間，且不考慮出庫等倉庫作業流程對入庫流程的影響。

3.2.2 物理模型

根據3.2節入庫作業流程圖，貨物到達倉庫后首先進入暫存區，然后由倉儲人員進行貨物校驗，檢驗完成后，叉車工人根據訂單將貨物運送到貨架前，將貨物卸下，然后存儲到貨架上，如圖3所示。

3.2.3 仿真結果分析

在仿真運行前需確定仿真運行時間，在本研究中數據是通過對3個月倉庫數據進行分析所得，所以時間長短不影響實驗結果。在本研究中將仿真時間長度設置為1個小時，在Anylogic中仿真運行時間為3600秒，仿真時間單位為秒。采用條形圖收集工人利用率、叉車利用率以及單個貨物的入庫時間連續運行5次結果過如表1，表2所示。

通過入庫時間和叉車人員使用率分析結果可以看出當前企業在滿足入庫貨物需求的同時，人員資源和叉車設備資源利用率均低于60%，因此，可以根據入庫需求對人員和設備分配進行優化。

通過對入庫作業流程進行分析，發現其資源利用率情況很不合理，倉儲設備和人員利用率均低于60%。為此希望在保證滿足入庫需求的同時提高資源利用率。分別將倉儲作業人員數量和叉車數量重新分配，分配結果如表3。

根據仿真結果發現，第2、3、9組數據在進行仿真時出現異常，異常原因為貨物到達為負，說明在該種資源分配下無法處理完到達貨物。與此同時，1個小時內第4、5、8、11組處理貨物數量明顯高于其他組，叉車和人員利用率最高的為第7、10、11組入庫時間最短的為1、4、5、8、10組。考慮以上3個方面，最優資源分配策略為10組。

4 總結

本研究圍繞基于工作流的倉儲管理系統及 Anylogic 關聯仿真技術展開，取得了一系列具有實踐價值的成果。通過實際驗證，基于工作流的倉儲管理系統展現出顯著優勢，成功實現了倉儲作業流程和任務處理的可視化。借助工作流引擎對各類數據的記錄和分析，管理人員能夠實時掌握倉儲作業效率和資源使用情況，為及時調整作業策略和優化資源配置提供了有力支持。該系統在應對復雜多變的倉儲業務環境時，展現出良好的靈活性，能夠有效處理因市場需求變化、設備故障、人員變動等多種因素導致的流程變化問題，確保倉儲作業流程的順暢運行。在研究過程中，以倉儲入庫流程為切入點，詳細闡述了基于 Anylogic 軟件與 MySQL 數據庫連接的方法和應用。通過將實際生產數據與仿真數據相結合，顯著提高了仿真輸入數據的準確性，從而更精確地獲取倉儲作業中的資源利用率情況。通過多組仿真實驗，深入分析不同資源配置方案下的作業效果，最終獲得了人員資源利用率為 69%、叉車資源利用率為 88% 的較優資源分配策略，有效提升了倉儲作業的資源利用效率。

5 展望與不足

本文存在一定的局限性。在仿真模型構建方面，盡管對部分假設條件進行了完善，但仍然無法完全涵蓋實際倉儲作業中的所有復雜因素。如天氣對室外倉儲作業的影響、供應商交貨延遲對倉儲計劃的影響等。在數據處理上，雖然采取了一些措施提高數據質量，但在數據的完整性和實時性方面仍有提升空間。此外，研究主要集中在倉儲入庫流程，對于出庫、移庫、盤點等其他關鍵流程的研究相對較少，尚未形成對整個倉儲管理系統全面、深入的優化方案。

針對上述不足，未來的研究可以從以下幾個方向展開。進一步完善仿真模型，考慮更多實際因素對倉儲作業的影響，通過引入更復雜的算法和模型，提高仿真的準確性和可靠性。加強對數據處理技術的研究，探索更先進的數據采集、清洗和整合方法，確保數據的完整性、準確性和實時性，為仿真分析提供更堅實的數據基礎。將研究范圍擴展到整個倉儲管理系統的各個流程，綜合考慮各流程之間的相互關聯和影響，構建全面的倉儲管理系統優化模型，實現倉儲管理的整體效能提升。還可以結合人工智能、物聯網等新興技術，進一步優化倉儲管理系統的功能和性能，如利用人工智能算法實現智能倉儲調度，借助物聯網技術實現設備的實時監控和智能管理，推動倉儲行業向智能化、高效化方向發展。

主要參考文獻

［1］李靜宇.傳化“云倉”特色庫新體驗[J].中國儲運，2018，（06）：4647.

[2]阮宏梁，邱小平，楊俊，等.工作流引擎管理下柔性采購管理信息系統設計實現[J].計算機應用，2010，30（S1）：312314+323.

[3]周子敬.基于工作流的物資管理系統設計與實現[D].西南交通大學，2009，811.

[4]楊野.基于工作流的倉庫管理系統的設計與實現[D].吉林大學，2004，17.

[5]谷江帆.基于J2EE與JBPM的物流管理系統的設計與實現[D].北京工業大學，2016，112.

[6]Promsakul K，Limsiroratana S.Workflow simulation based on cloud platform for office automation system[C]//2017 14th International Joint Conference on Computer Science and Software Engineering（JCSSE）.IEEE，2017：15.

[7]Mandal A，Ruth P，Baldin I，et al.Toward prioritization of data flows for scientific workflows using virtual software defined exchanges[C]//2017 IEEE 13th International Conference on e-Science（e-Science）.IEEE，2017：566575.

[8]Zhou，Amelie Chi.He，Bingsheng.TransformationBased Monetary CostOptimizations for Workflows in the Cloud[J].IEEE Transactions on Cloud Computing，2014，2（1）：8598.

[9]Emanuele Naboni，Jonathan Natanian，Giambattista Brizzi，Pietro Florio，Ata Chokhachian，Theodoros Galanos，Parag Rastogi. A digital workflow to quantify regenerative urban design in the context of a changing climate[J]. Renewable and Sustainable Energy Reviews，2019，113.