B2C电商配送中心订单分批策略研究综述

刘晓利

摘 要：本文总结了每种订单分批策略的特点并对其优化方式进行探讨分析。深入研究涉及多拣选员工、订单期限及联合调度优化模式下的订单分批问题。基于各类分批策略自身特性，对比分析每种策略的适用条件，同时对订单分批在电商配送中心的应用前景、当前研究所存在的问题以及未来的研究方向进行了展望。

关键词：订单分批策略;B2C电商配送中心;在线订单;联合调度

中图分类号：F27     文献标识码：A      doi：10.19311/j.cnki.1672-3198.2020.20.023

0 引言

近年来，B2C电商物流发展尤为迅速。相较于传统物流平台，电商物流有着显著的特征：产品品类多批量小、个性化产品多、客户响应时间要求高等。应用传统的按单拣选模式，带来了订单拣选次数多、拣货速度慢等问题，最终导致订单处理效率降低。可见传统订单拣选模式已不适用于B2C电商配送中心，而订单分批策略提供了更好的方案。订单分批包括在线和离线订单分批，将其应用到配送中心，根据订单的特点设计合理的仓储取货系统，并进行有效的仓储分配、订单分类和排序，可以大幅提高订单处理效率。

电商物流平台的最大指标体现的是响应速度要求高，即订单处理时间快。影响订单处理时间的因素包括四个方面：（1）系统性能，如拣选设备自动化程度和处理效率等;（2）设施布局，如作业流程间的衔接程度等;（3）拣选策略，如订单分批和排序策略等;（4）订单履行的准确率。

在不更换系统设备的条件下，上述因素中的订单分批策略为解决电商物流中心的问题提供了可能。本文总结了现有订单分批策略的特点并探讨分析了每种策略所做出的优化方式。基于各分批策略自身特性，对比分析了每种策略的使用条件。

1 订单分批及分类

订单分批是指使用计算机技术，依据预先设定的规则将具有某种共同属性的订单归为同一批次，然后再进行订单拣选作业。目的是减少拣选次数，缩短平均拣选距离。Ackerman于1990年在文献中首次提出订单批处理的概念，自此，大量学者开始投身于订单分批领域。众多学者研究和實际应用均表明合适的订单分批策略的应用确实会提高订单处理效率。

订单分批可分为离线订单和在线订单分批。离线状态研究假设订单同时到达，即订单所有信息均为已知，其研究的是将订单分到哪一个批次。在线状态则是订单所有信息均实时更新，未到达的订单信息未知，存在较大的不确定性。由此可知在线状态更符合电商物流的特点，但离线状态分批研究也可应用于电商物流平台时间段为00∶00-06∶00的订单处理。

1.1 基于在线订单的分批研究

在线订单分批方法主要包括时窗分批和在线启发式算法。其中时窗分批可分为可变时窗和固定时窗分批。

可变时窗是将一段时间内到达的固定数量的订单汇总为同一批次，其研究决策是如何确定批量，其相关研究多数是基于排队论理论展开。Chew等将订单到达系统设计为可合并的排队系统，构建订单排队总时间的概率分布函数，最终确定最优批量。Le-Due等基于排队论理论，确定以最短订单拣选时间为目标的拣选模型。

固定时窗是将固定时间内到达的不同数量的订单汇总为同一批次，其研究决策是如何确定时间窗。Van等基于固定和可变时窗理论，采用排队论模型，构建订单平均拣选时间的概率分布函数，并且证明平均拣选时间为可变时窗和固定时窗最优决策的凸函数。

可变时窗和固定时窗是解决在线订单分批问题的两种主要方法，以上研究均基于排队论的理论分析最优时窗或批量模型，只需计算出固定时窗或批量即可。但并不适用于订单波动大的电商物流平台。因为当使用固定时窗时，若是高峰期，则会在固定时窗内产生大批订单，造成拣选压力大;当使用可变时窗时，若是低谷期，则需等待很长时间以积累到固定批量，拣选人员会出现大量闲置。

马士华等基于上述存在的问题，提出新型延时动态时间窗分批策略。陈方宇采用不同于其他学者利用等待机制的求解思路，其将实时到达的订单输入进行中的拣选系统，并重复性地采用算法优化订单分批和路径设计策略。该策略更适用于电商物流，时效性更高。邹霞借鉴前人基础，综合考虑订单密度等相关因素，引入订单行概念，改进传统分批时窗模型，基于订单行约束的限制，最终求解结果使得批次间效率差异降低，稳定性增强。

1.2 基于离线订单的分批研究

本节对国内外离线订单分批策略研究进行文献回顾。目前常见的分批算法主要有精确求解和启发式算法。启发式算法包括种子算法、节约算法、数据挖掘算法和元启发式算法等。接下来针对这些算法进行简单地论述，并讨论其适用条件。

1.2.1 精确求解算法

离线订单分批已被证明是NP难问题。使用精确求解算法计算困难且计算时间随规模增加呈指数倍增长。因此精确求解只适用于小批量的订单处理，不适用于电商物流中订单分批，有必要采用新型算法求解。

1.2.2 启发式算法

（1）种子算法。种子算法需要先选择种子订单，然后依据设定的分批原则将未分配订单合理地与种子订单组合，组合结果即为分批结果。Tseng研究了两种不同的种子订单选取规则和未分配订单组合规则的分批策略。研究表明该算法适用于订单数量较多的拣选平台。

（2）节约算法。节约算法最早依据VRP问题提出来，是一种基于节约的拣选距离或时间来优化订单分批的算法。王转等将产品体积作为约束，并结合整箱理论，构建最大化节约拣选距离模型。采用综合节约里程的启发式算法，最终得出目标批量。朱友琼等则联合考量订单拣选次数与距离，采用节约算法求解最优批量。将这种算法与时间窗策略共同设计，优化效果更明显。

（3）数据挖掘算法。该算法需要基于数据挖掘技术，探究订单间的关联度，进而确定关联规则。利用制定的规则将具有高度关联性的订单归为同一批次。刘凯等基于数据挖掘技术，分析待处理订单间的数据关系，并定义关联性的概念，进而得到初始分批策略。

（4）元启发式算法。元启发式算法是根据传统启发式算法改进而来的，是多种算法的总称。该类算法灵活度高，可以处理订单数量多、“紧急插单”等复杂情况。可见，该算法也可用于在线订单分批问题。多数学者基于该算法设计求解。如采用改进遗传算法，蚁群算法，变邻域搜索算法等。

2 考虑多拣选员工的订单分批

上述提到的大多研究假设仅有一名拣选人员，未考虑订单分批后的任务分配问题。但在实际运营中，物流平台会雇佣多名拣选员同时作业。因此应结合实际，在订单分批时考虑多名拣选员的问题。接下来将分析考虑多名员工的订单分批与排序。

郜振华等考虑多名拣选人员，基于萤火虫算法研究订单分批问题。陈卓等将搬运等设备的容量限制作为约束建立模型，并设计订单分批、任务分配和路径优化三阶段的算法。

当订单处理涉及多名拣选人员时，会出现两个问题：工作任务不均衡和拣选通道拥挤。黄晓旭针对工作任务不均衡情况，结合对员工工作量的考量，并考虑送达时间和送达区域两个因素，设计改进遗传算法和伪布尔最优求解算法分别解决订单分批和排序问题。张福龙综合考虑多拣选员工和订单期限等因素，以员工工作量差异阈值为约束，构建最小拣选总时间、最大订单处理数量的多目标函数，有效地解决了订单分批、排序和分配问题。

冯爱兰等考虑拣选人员工作量不均衡问题，并将拣选通道堵塞的可能情况考虑在内，设计分区拣选系统，研究最小化相邻区域作业时间差值，减少工作人员等待时间，同时避免拣选通道拥挤。

但上述研究大都基于离线状态下的研究，在线状态多员工拣选订单分批问题需要进一步探讨。

3 考虑订单期限的订单分批

为避免延迟交货，造成低客户满意率，订单处理需要在规定期限内完成。该问题的研究大多对延迟时间或惩罚成本展开考量。

Henn等以订单期限为约束，构建最小化订单总延迟时间的模型，使用两种不同的算法进行求解并分析。并将仿真结果与最早完成期限订单最先拣选规则和领域搜索算法对比，惩罚成本平均提高幅度为44%。

Huang提出改进遗传算法，分析在规定期限内的订单分批与分配的联合优化。

以上为离线状态下的部分分批揀选研究，也有学者针对在线订单分批作出相应研究。王旭坪等针对实时订单分批问题，依据订单期限调整动态时窗以获得最优订单的组合优化。

4 考虑联合调度的订单分批

近些年国内才开始电商订单处理的相关研究，考虑联合调度的研究较少。国外学者则对订单联合调度问题展开了较多研究。例如订单分批和拣选路径优化、拣选与配送系统相结合，并加入设备容量限制，考虑拣选系统拥堵情况等。Chen等考虑订单期限和路径选取两个重要情况，构建最小化订单延迟时间的目标函数，有效地解决了订单分批、排序分配和路径选取的三大问题。

国内也有部分学者考虑多阶段的联合调度问题。王旭坪等引入配送概念，改进传统拣选模型，基于订单期限约束的限制，将订单分批与配送系统联合优化，最终求解结果表明拣选优化效果显著，同时提高了配送资源利用率。李晓杰则是综合考虑订单处理和前向操作环节，基于移动式货架系统，将储货作业与批处理策略相结合，进而优化拣选系统。

5 总结与展望

5.1 现状总结

综上，目前离线订单处理算法及问题研究较为全面，学者基于节约算法、启发式算法提出大量改进算法，较好地解决了离线订单分批处理问题。

而在线订单分批策略考虑多拣选员工的研究较少，且为简化模型，不考虑订单完成期限。但在实际应用中，情况往往更为复杂，不仅包括上述因素，而且还涉及多方面的不可控因素。并且目前在线订单分批的研究大都采用固定时窗和可变时窗来决策最优批量或最优时窗，但订单量波动大的电商物流并不适用，因此有必要进一步研究适合电商订单的改进动态或混合时间窗的订单分批策略和在线算法。

5.2 适用条件

针对现有的分批策略，本文分别对几种代表性的分批方式进行了分析和讨论。1.2节对比了目前常见的订单分批算法的适用情况。

在线状态下订单分批策略更适合于现有电商物流中心订单特点，并结合多员工拣选和考虑期限的订单分批更适用于实际情况。离线状态订单分批策略适用于电商物流中心时间段为00∶00-06∶00的订单处理。企业可结合实际需求与各订单分批策略适用情况，选择合适的订单分批混合策略。

5.3 存在的问题和挑战

基于上述研究，电商物流订单分批研究还需进一步的探讨，本文提出以下展望：

（1）针对算法求解时间。订单分批为NP难问题，在仅仅考虑离线订单时，求解时间随订单数量的增加呈指数倍增长，当考虑多因素的在线订单分批研究更为复杂，可对算法做进一步的优化。

（2）目前在线订单的批处理策略缺乏可变动性，无法完美契合电商物流配送平台多变的特性，因此有必要进一步研究灵活度高的混合时间窗策略。另外还需要改进现有的在线算法，以便能够对实时的订单处理做出快速的反应。

（3）可对考虑订单期限，并且基于多名拣选员工的在线订单分批策略展开更多的探讨。

（4）整个流程应注重整体最优而非局部最优，但目前的研究很少从全局的角度进行分析。综合考虑前期存储策略、订单分批拣选、拣选路径规划以及最终配送路径的决策等，从总体的角度对整个链条进行综合优化是未来的一个研究方向。

（5）在物联网和区块链发展的阶段，未来电商物流平台还有很大的发展空间，可对多式联运配送模式下的订单分配拣选策略和配送策略联合调度问题进行研究。

6 结束语

订单分批策略是订单处理的基础，传统的按单拣选的拣选模式给当前的电商物流中心订单处理带来了一定的问题，而各类订单分批策略有益于解决这些问题。混合时间窗分批拣选和在线算法，突破了传统离线订单的拣选模式，给在线实时订单处理带来了可能。尽管目前还有很多问题需要研究，但混合时间窗分批拣选和在线算法的结合必能带来更大的效益。

参考文献

[1]王文蕊.电子商务配送中心的设计与优化策略研究[D].济南：山东大学，2014.

[2]张福龙.B2C电商配送中心订单拣选作业优化研究及应用[D].重庆：重庆大学，2017.

[3]刘丹.基于定点定线配送的A配送中心订单拣选优化研究[D].北京：北京交通大学，2019.

[4]Chew， E. P.， Tang， L. C. Travel time analysis for general Uem location assignment in a rectangular warehouse[J]. European Journal of Operational Research，1999，112（3）：582-597.

[5]Le-Due， T.， deKoster， R. M. B. M. Travel time estimation and order batching in a 2-block warehouse[J]. European Journal of Production Research，2014，52（8）：2232-2242.

[6]马士华，文坚.基于时间延迟的订单分批策略研究[J].工业工程与管理，2004，（6）：1-4.

[7]陈方宇.多区块仓库环境下订单掠选路线规划研究[D].武汉：华中科技大学，2014.

[8]邹霞.面向B2C电商配送中心的分散式自动存取及拣选系统效率优化研究[D].济南：山东大学，2018.

[9]张珺.B2C电子商务订单分批拣选与配送联合调度[D].大连：大连理工大学，2017.

[10]Gademann. N.， van de Velde， S. Order batching to minimize total travel time in a parallel-aisle warehouse[J]. IIE Transactions，2005，37（1）：63-75.

[11]Y.-C. Ho， Y.-Y. Tseng. A study on order-batching methodsof order-picking in a distribution centre with twocross-aisles[J]. International Journal of Production Research，2006，44（17）：3391-3417.

[12]王转，裴泽平.启发式路径下节约里程的订单分批算法[J].计算机工程与应用，2018，54（23）：203-209，222.

[13]朱友琼，唐思，何进.“货到人”模式下电商物流中心订单分批策略研究[J].现代商贸工业，2019，40（26）：34.

[14]刘凯，彭玲玲.基于智能仓储拣选系统的订单分批问题研究[J].中国储运，2019，（08）：147-148.

[15]冯爱兰，王晨西，孔继利.改进遗传算法求解订单分批优化模型[J/OL].计算机工程与应用用：1-11[2019-12-05]. http：//kns.cnki.net/kcms/detail/11.2127.TP.20190927.1300.005.html.

[16]吴天行.改进的蜂群算法在订单分批问题中的应用研究[D].北京：北京物资学院，2017.

[17]Xi Xiang， Changchun Liu， Lixin Miao. Storage assignmentand order batching problem in Kiva mobile fulfillment system[J]. Engineering Optimization，2018，50（11）：1941-1962.

[18]郜振华，陈卓.基于萤火虫算法的订单分批问题研究[J].物流科技，2019，42（07）：10-15.

[19]孫辉.A电商企业配送中心拣选作业优化研究[D].厦门：厦门大学，2017.

[20]黄晓旭.基于混合装配流水线的网上超市订单分拣优化方法研究[D].华北电力大学（北京），2018.

[21]Henn， S.， Schmid， V. Metaheuristics for order batching and sequencinginmanual order picking systems[J]. Computers & Industrial engineering，2013，66（2）：338-351.

[22]Huang， M.， Wang， Y.， Liu， J.， et al. Delivery tour-based order batching method for online supermarkets[J]. ICIC Express Letters，2016，10（6）：1497-1503.

[23]王旭坪，张珺，马骏.考虑完成期限的电子商务在线订单分批模型及算法[J].管理科学，2014，27（06）：103-113.

[24]王旭坪，张珺，易彩玉.B2C电子商务环境下订单拣选与配送联合调度优化[J].中国管理科学，2016，24（07）：101-109.

[25]李晓杰.移动货架仓库系统中货位分配和订单分批联合优化研究[D].清华大学，2016.