M超市订单拣选与配送路径联合优化研究

作     者：丁佳 

作者单位：山东财经大学 

学位级别：硕士

导师姓名：孙国华;刘瑞贤

授予年度：2021年

学科分类：02[经济学] 0202[经济学-应用经济学] 020205[经济学-产业经济学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：在线订单 订单拣选 订单配送 遗传算法 

摘      要：随着大数据以及人工智能技术的突飞猛进,商品的生产、流通与销售过程不断的升级改造,传统零售业逐渐发展成为“线上线下相融合的新零售模式。新模式环境下的顾客对于购物体验感的追求越来越高,同时线上订单又有着客户众多、配送目的地分散、单个订单中商品需求量相对较少而商品品类差异性较大等特点,因此会导致订单拣选和配送难度增大,出现了订单履约成本高、订单履约时间长甚至超时等问题;所以对于企业来说,能否通过物流管理协调好线上零售项目的拣选环节和配送环节,在履行服务承诺时间的同时以较低的成本将商品从快仓区拣出、打包配送到顾客手中,是当前亟待解决的问题。本文以M超市线上零售项目为研究对象,通过调研发现,其线上零售项目存在订单拣选与配送环节联系不够密切、拣选时间过长、效率低下、配送服务时效性不足等问题。针对这些问题,在订单在线实时到达、拣选路径为“S-shape型、拣选人员数量有限、订单需求量未知且必须保证履约服务时间的前提下,本文以订单拣选到配送两个过程的完成总履约成本最小化为目标,综合考虑配送车辆固定成本、配送可变成本、拣选成本等因素,建立了具有容量约束以及装载率约束的订单拣选与配送路径联合优化模型。订单拣选与配送路径联合优化属于典型的NP-hard问题,而对于此类大规模问题难以用精确算法获得精确解,因此本文设计了三阶段启发式求解算法。第一阶段为配送区域预处理,根据M超市历史订单数据,确定划分区域的数量;第二阶段为订单配送路径优化算法,以每十分钟为一个集单时间,利用K-means聚类算法将集单时间内的订单生成不同的聚类簇,并在考虑各配送路线装载率的前提下将重聚类思想加入到遗传算法中用以规划各聚类簇内的配送路径,同时基于当前集单时间内的配送路径和拣选进度,在满足约束的前提下,将下一集单时间内已到达的订单采用最近插入法插入当前集单时间内未分拣的配送路径中并更新拣选批次,以提高车辆装载率,降低履约成本;第三阶段为订单拣选优化,计算每条配送路径的最晚出发时间,将其按照时间顺序排列确定配送路径订单的拣选顺序,之后对各配送路径上的订单基于相似度聚类规则,建立订单分批优化模型,并利用种子算法进行实现订单拣选批次的分批。最后,将订单拣选与路径联合优化研究方案应用到M超市的线上零售项目中,通过与M超市实际运行数据进行对比证明,联合优化算法不仅可以严格在承诺时间内完成订单配送从而提高了顾客的满意度,并且在履约成本方面,通过提高拣选效率和配送效率,使得联合优化后的履约成本下降了18.3%,有效地提高了企业的收益,这验证了本文算法的有效性和优越性。最后,为了给顾客提供更优质的服务以及提高员工工作的积极性,本文采用将层次分析法和灰色关联度法相结合的方式来综合评价配送员的服务质量,从而为M超市选择更优质的员工完成配送服务。