英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

人工订单拣选中拣选、存储和路径策略的比较

Charles G. Petersen, Gerald Aase*

Department of Operations Management and Information Systems (OMIS), College of Business, Northern Illinois University, DeKalb, IL 60115, USA

Received 1 November 2002; accepted 1 September 2003

摘要

本文探讨了三个流程决策（拣货，存储和路径）对订单拣货员出行的影响，这是订单履行的主要组成要素。作者使用的是基于配送中心操作的仿真模型，该配送中心目前一次选择一个订单，以无计划或随机的方式存储产品，并使用一个简单的路径选择策略。再评估多个拣配，存储和路由策略，以确定哪个流程决策相对于当前基准策略提供了最大的节省百分比。完成了几项敏感性分析，以检查订单大小，仓库形状，提货/下车点位置和需求分布对绩效的影响。结果表明，订单批量产生最大的节省，特别是当订单规模通常较小的时候。结果还显示，使用基于种类或基于容积的存储策略提供与批处理几乎相同的节省水平，但对平均订单大小不太敏感。

关键词:指令拣选;仓库;存储;路径;模拟

1 介绍

订单拣选，即从仓库中提取存储单元(SKUs)以满足客户订单，是许多公司供应链的重要组成部分。对于一个典型的仓库来说，订单提取占总运营成本的50-75% (Coyle et al.， 1996)。自动化的使用经常被认为是降低劳动力成本的一种手段，但是由于SKU的形状和大小的可变性，许多公司继续使用人工挑选订单。根据需求、产品的季节性或所需的大笔投资的自动化拣货系统。现有的研究解决了各种设计和操作问题，目的是降低订单履行成本或提高整个系统的性能。最常被考虑的三个流程决策是:(1)如何选择SKUs，(2)如何存储SKUs，(3)如何在仓库中安排拣选路径。

本文同时研究多个拣选、储存或路径策略，以确定哪些流程决策对性能影响最大。虽然一些现有的研究通过结合主要实验和敏感性分析来检验这三个决策，但已证实的结果不允许管理者确定这三个决定的相对重要性。本研究将有助于在订单履行绩效方面进行这样的比较。换句话说，管理者们将能够决定哪个决策最“物有所值”。企业应该实现批量订单、优化路径、基于容积的存储，还是这些策略的某些组合? 本文通过对这三个决策的相对重要性的讨论，说明了这三个决策的管理意义。

2 文献综述

在过去的几十年里，订单选择一直是许多研究的主题。大多数研究的主要焦点是确定更有效的选择、存储或路径策略。

拣选策略确定哪些SKU放置在拣配清单上，然后由单个拣货员从其存储位置拣选。严格拣选是一种常见的政策，其中拣货员完成仓库之旅以拣选单个订单的所有SKU。此策略通常是首选，因为它易于实现并始终保持订单完整性。将几个订单分批组合是一种替代政策，已被证明可以显著减少总拣选时间（Gibson和Sharp，1992 ; Petersen，2000 ; De Koster等，1999）。先到先得(FCFS)批处理将订单组合在一起，直到达到最大批处理大小。Petersen（2000）在他的论文中使用这种方法来比较拣选策略。根据bin-packing文献中的结果，很明显其他bin-packing启发式算法可能会产生更少的拣选行程。已经提出了考虑订单规模和产品数量的更复杂的配料技术（Ruben和Jacobs，1999），但这些配料方法的逻辑难以传达给员工，并且很快被目标公司驳回。因此，在本研究中不考虑它们。

区域拣选是另一种将仓库划分为区域并允许拣货员从单个区域内拣选SKU的策略。一些公司已将批处理和分区组合成“波浪”选择，其中每个选择人员负责其区域中的SKU以获得大量订单。随着仓库规模的增加，这些类型的策略的好处变得明显，但区域选择需要二次操作来合并来自不同区域的订单。我们的研究结果推广到每个区域; 因此，在该对比研究中不直接检查区域和波次拣选。

将SKU分配到存储位置的存储策略通常分为三大类。SKU可以随机分配，分组为具有类似SKU的类，这些SKU放置在仓库的同一区域中，或者根据需求或数量分配到位置。随机存储在许多仓库中被广泛使用，因为它易于使用，通常比其他存储方法需要更少的空间，并且导致所有拣选通道的更高级利用率。基于容积的存储策略将对需求最大的SKU分配给提货/放置（p / d）点附近的位置。研究表明，基于容量的存储的内部通道实施大大减少了旅行时间（Jarvis和McDowell，1991 ; Petersen和Schmenner，1999）。基于种类的存储只需三个存储类，与自动存储和拣选系统（AS / RS）中的基于容积的存储几乎相同，同时需要较少的数据处理（Eynan和Rosenblatt，1994）。

路径策略确定选择列表中SKU的选取顺序。使用简单的启发式或最优过程，拣选路径策略的目标是选择最小的人员行进的距离。最优过程提供了最佳解决方案，但可能导致路线混乱（Ratliff和Rosenthal，1983）。启发式算法通常会产生接近最优的解决方案，同时易于使用（Petersen和Schmenner，1999 ; Hall，1993）。遍历路径由于其简单性而在许多仓库中广泛使用，当每个拣选通道的拣选密度很大时，提供了良好的结果。使用遍历策略时，选择人员必须在输入后完全遍历整个过道。组合启发式结合了遍历和返回路线，以进一步减少选择人员的行程来产生近乎最优的解决方案（Petersen，1997 ; Roodbergen和Koster，2001）。

目前的研究涉及其他主题，如技术的使用（Graves等，2002），随机工作水平（Bartholdi等，2001），替代布局（Caron等，2000）和（kittingBrynzer和Johansson，1995）。但是，这项研究的一个共同特点是，之前讨论的三个决策（拣选，路径和存储）中的至少两个是固定的。一般而言，大多数研究都会针对三个决策之一研究替代策略。本研究的目的是同时检查这三个政策决策的影响，以确定哪个政策决策对系统绩效的影响最大。De Koster等人（1999年）考虑所有这三个决策，但几个敏感性分析的重点是确定路径和存储策略对批处理算法性能的影响。因此，结果的结构不能确定决策政策的相对重要性。

3 仓库仿真模型描述

本节描述了本研究中使用的仓库模拟模型。它基于零售商的操作，在我们访问时使用严格的订单拣选，随机存储和遍历路径。此业务情景用作比较不同策略组合的基准。此实验的目标是确定哪种策略或策略组合可以最大限度地减少一天内所有订单的总选择时间。此外，还会检查仓库模型的多种敏感性分析和扩展，以便将结果推广到其他仓库环境。

仓库仿真模型规范如下:

·仓库布局有10个拣选通道，前后交叉，如图1所示。拣选通道是双面的，足够宽的双向行走路线。

图1 仓库的布局

·每次拣选之旅开始和结束于位于前交叉通道中间的p/d点。

·对SKU的需求基于80 - 20分布，因此20%的SKU占拣选活动的80%。

·拣选区域使用箱式货架，总存储容量为1000 SKU

·每个SKU只分配给一个存储位置，每个存储位置的大小相同。

·假设每分钟150英尺的拾取器行进速率和每SKU的0.30 分钟的拾取时间是恒定的。拣选时间包括SKU的所有处理和管理时间。这些估计与各种拣选操作和文献的观察结果一致（Petersen，2000 ; Gray，1992）。

·使用容量为50 SKU的拣货车手动完成拣货。如果是批量订单，则最大批量大小设置为等于购物车容量。拣货车允许以维持订单完整性的方式挑选多个订单，从而不需要下游分拣。这通常被称为挑选时挑选。

4 实验设计

此研究的目的是评估多个拣选，路径和存储策略，以确定与基准方案相比，哪个策略或策略组合将最大程度地减少总拣选时间。本实验的基线场景对应于一个企业当前的操作，该企业使用严格的顺序选择，遍历路径和随机存储。对这三个过程决策中的每一个都要检查另外两个策略，总共产生27个处理。表1总结了实验设计，并给出了所有因素级别的表示法。

表1 实验因素和水平

拣货政策是严格的订单（S），FCFS批处理（F）（Petersen，2000）和bin-pack批处理（B）。基于几种bin打包启发式的比较，本研究使用最大的第一启发式来建立选择列表分组。初步结果表明，这种启发式方法比FCFS启发式方法在减少所需的旅行总数方面更有效，特别是当批次只包含少量订单时。路径过程是遍历（T），组合（K）（Petersen，1997 ; Roodbergen和Koster，2001），以及最优（O）（Ratliff和Rosenthal，1983）。存储策略是随机（R），基于种类的存储（C）（Eynan和Rosenblatt，1994）和过道内基于容量的存储（W）（Jarvis和McDowell，1991 ; Petersen和Schmenner，1999）。对于基于种类的存储，有三类SKU：A，B和C.A SKU是最常请求的，并且将被随机存储在最靠近p / d点的两个拾取通道内。B SKU将位于A SKU两侧的拣选通道中，C SKU将占用剩余的仓库空间。

利用蒙特卡罗模拟生成的数据集对3times;3times;3全因子设计的处理结果进行了评价。通过改变这些数据集的平均顺序大小，可以更容易地推广结果

使用通过蒙特卡罗模拟生成的数据集来评估由3times;3times;3全因子设计产生的处理。通过改变这些数据集的平均订单大小，可以在不同公司之间更容易地推广结果。七个数据集的平均订单大小为 5,10,15,20,25,30 和40个SKU。由于目标公司的订单大小大约是泊松分布，而挑选车限制为50 SKU，截断为50的修改过的泊松分布用于生成订单大小。通常，订单中每个SKU的数量是一个单位，但是在一些情况下随机生成相同的SKU。每个数据集包含500个随机生成的订单，其大致对应于在目标公司的一天中处理的订单的数量。该实验的性能指标是500个客户订单的总完成时间（总行程和拣选时间）。

5 结果与讨论

主实验的原始输出数据如表2所示。将基线处理的总时间(STR)与其余26个处理的总时间进行比较，提供了以下结果的基础。

表2 完成500个客户订单的总时间(分钟)