设置货箱缓存区的自动小车存储及取货系统订单分批拣选问题

针对自动小车存储及取货系统(AVS/RS)中拣选不同批次订单可能需要出库同一货箱的情况,研究了设置货箱缓存区的订单分批拣选问题。在考虑订单中商品订购数量、货箱中商品存储量,以及货箱缓存区容量的情况下,以订单分批、批次排序、货箱出入库为决策变量,以最小化货箱出库总次数为目标,建立了订单分批拣选联合优化问题的混合整数规划模型。进一步将联合优化问题分解成3个子问题:订单分批问题、货箱出库问题、批次排序问题,并设计了求解模型的三阶段启发式算法。利用不同规模的算例进行模拟计算,验证了三阶段启发式算法的有效性和快速性。通过分析拣选台容量和货箱缓存区容量变化对求解结果的影响,发现增大拣选台容量或货箱缓存区容量均可以降低货箱出库总次数。对于给定的待拣选订单,随着货箱缓存区容量的增大,每增加一个单位货箱缓存区容量所带来的出库货箱次数降低量越来越小。最后通过对比分析设置货箱缓存区和不设置货箱缓存区情况下的订单分批拣选策略,验证了设置货箱缓存区的优越性。

随机需求下基于“自营+外包”模式的配送中心选址-配送问题研究

针对顾客需求量不确定情况下末端配送中心选址及提前备货问题,提出了基于“自营+外包”配送模式的配送中心选址-配送问题。以自营配送中心的固定运行成本、提前备货成本和各种场景下的自营配送成本、外包配送成本以及缺货损失成本的期望值之和最小化为目标,建立了两阶段连续型随机规划模型。第一阶段确定自营配送中心的选址位置和各个配送中心的提前备货量;第二阶段确定各种场景下的自营配送货运量、外包配送货运量和客户点的缺货量等,使总成本期望值达到最小。基于Monte Carlo抽样理论设计了求解模型的样本均值近似方法;以及求解大规模问题L-shaped分解算法。通过模拟算例验证了两阶段随机规划模型的优越性和样本均值近似方法的有效性;并对自营配送中心固定运行成本、单位商品的自营配送成本和外包配送成本等进行灵敏度分析,得到了不同参数对应的最优配送策略,结果表明,正常情况下“自营+外包”配送模式是企业的最佳选择。本文同时将配送中心选址和提前备货量作为随机规划模型的第一阶段决策变量,可以帮助企业降低物流成本、提高顾客的满意度。