1.3.4 订单拣选的动态性与不确定性

正如前文提到的，现代物流、电子商务的发展对拣选流程带来的最大挑战就是来自顾客需求的订单是动态产生的，更重要的是，顾客下达订单时，希望得到即时处理。可现有的策略中，如布局设计、货位分配、作业分区属于战术层面，与订单的即时处理关联不大，只有运作层面的订单分批和拣选路线规划更具有针对在线订单进行改进的可行性。

在订单分批策略方面，离线（静态）订单内容在开始分批前已经知道，而在线（动态）订单则是随时到达，内容无法提前获知[53]，所以，根据订单中货物的所处位置进行位置邻近分批的策略无法适用。处理这类在线订单，最常用的分批策略是时间窗分批[84]。该策略根据订单的到达时间将其分批为一个批次，主要可以分为两种：固定时间窗（fixed time window）和变动时间窗（variable time window）。固定时间窗是指将在一个固定时间段内到达的订单分批，变动时间窗则是将达到一定数量或者拣货员携带的容器容量上限的订单分批。文献[84]针对变动时间窗建立一个分析订单服务时间的模型，并通过仿真实验证明这种时间窗模式的准确率较高，且规则简单，比较容易在实际中应用。文献[85]描述了一个有限数量在线订单系统下的分批算法，并为该算法设计了一个使用S-Shape（S型策略）拣选路线规划策略的订单服务时间分析模型。文献[97]提出了一个将分批和拣选路线规划联合的算法，试图在总体服务时间和单个订单拣选服务时间之间取得平衡，其目标函数就是拣选服务时间和等待构建批次时间的加权和，唯一的缺陷是该方法假设订单的到达时间是已知的。针对一个双区块仓库，文献[143-144]验证了一个测算使用随机订单假设的批次作业时间的算法，其分析数据与文献[85]中使用均匀分布需求订单得出的结论相同。他们认为批次的作业时间是批次大小的凸函数，并发现：批次越大，每个单独订单的平均拣选服务时间越短，但等待构建批次的时间越长[145]；批次越小，等待构建批次时间越短，但平均拣选服务时间越长。其中，文献[144]同时还提出了该算法针对，如多拣货员等情况的扩展。文献[146]则是给出了一个队列模型以分析在双区块仓库中，固定时间窗和变动时间窗产生的单个订单的拣选服务时间。文献[147]针对动态拣选系统，提出了一个单物品订单动态拣选模型，在实验中，该方法能取得比现有的分批方式更短的订单拣选服务时间和响应时间。文献[148]试图将已有的静态分批方法通过启发式策略融合起来，以应用于在线订单处理，文献[149]则是针对在线订单，在考虑订单货位相似性和使用蚁群算法的基础上，给出一个订单分批和路线规划联合优化算法。

使用时间窗的最大难点在于其最佳批次尺寸受到多重因素，如通道数量与长度、订单到达速率的影响[150]。然而，在线环境中，客户对服务效率的要求更高，但拣选作业经常会偏离最佳作业参数[146]。此外，时间窗分批取得最高服务水平和最小化平均服务时间所需要设定的批次尺寸并不相同[19]。因此，并不存在一种时间窗分批模式能够满足多目标订单分批问题。

通过总结订单分批相关的研究成果，从表1-2可见，多数相关文献聚焦于人工拣选仓库、有限容量、启发式路线算法等主要假设。只有少部分文献关注在线环境，并且均假设订单无法被拆分，拣货员在拣选中不能对拣选任务进行修改。但是，在在线环境下我们认为可以通过对这些假设作适当放松以提高拣选效率。

此外，文献[12-13]提出订单拣选还具有不确定性，这种不确定性来源于拣选单个货物时的用时差异，并且在之后的实验分析中，作者认为这种不确定性会产生拣货员堵塞的问题。

综上所述，以上文献主要用批处理的方式研究了订单的动态性问题，但是缺乏能够实时处理新到订单的策略设计研究，难以满足快速响应的要求。此外，虽然有文献提到了拣选作业的不确定性，但没有相关的文献在策略设计中考察这种不确定性带来的诸如拣货员堵塞等问题对拣选效率的影响，并尝试给出应对方法。