隨著電商的發展，倉儲的管理也越來越復雜，涉及的系統有WMS、WCS、QMS、TMS等，很多倉儲服務商推出的“倉配一體化、倉儲智能化、智慧管理、云倉管理”等具有特色的服務都是基于大數據和云計算所做出的改變。

所有的這些都需要基于倉儲實際作業流程及生產數據不斷地優化并改進，這里收集了關于路徑、庫區、單量、補貨和波次的算與優化模型，可以作以了解。

路徑優化

揀貨路徑優化可以將各揀貨庫位間的最短行走距離看成一個旅行商問題，可以基于TSP等方法進行建模實現各揀貨庫位間的揀貨距離最短。通常采用遺傳算法，蟻群算法、模擬退火算法和禁忌搜索等對該類問題進行求解。

SKU與貨位為1對1：揀貨路徑主要是基于已生成集合單信息進行最短距離優化，主要是基于一個sku對應一個庫位的前提下，事實上此種揀貨路徑距離的優化效率有限。

SKU與貨位為1對多: 揀貨路徑可以基于實時庫存信息進行操作，解決難適應單個sku多庫位擺放的情況，綜合利用倉庫中貨位擺放及隨機補貨結果等信息，如此可以有機整體的對倉庫總體效率進行提升，突破當前揀貨路徑優化效率的上線。

庫區優化

目前大部分倉庫劃分了揀貨區(forward area OR fast pick area)和存儲區(reserve area)，在倉庫實際存儲過程中，通常是倉庫工作人員根據已有經驗隨意擺放，且每個SKU是集中在一個庫位(或者數個相鄰庫位)。

對于一些高銷量、強關聯性的SKU，倉庫工作人員進行揀貨時揀貨距離過長，導致揀貨任務耗時的增加。

庫位優化的意義主要在于，根據貨主的歷史銷量數據，動態地調整 SKU在倉庫中的存儲庫位，將高銷量、高熱度的 SKU擺放在距離揀貨任務起終點更近的庫位，將關聯性高的 SKU的存儲庫位盡量靠近，另外可以根據倉庫和貨主的實際要求，對 SKU采用分散化存儲的策略；

通過庫位優化模塊計算后的 SKU存儲庫位， 達到提高倉庫存儲庫位合理性、提升揀貨效率、降低揀貨耗時的效果。

單量預測

物流行業的件量預測主要是根據歷史件量，利用時間序列模型或者機器學習算法通過倉庫維度和時間維度學習單量的增長趨勢和周期趨勢進行預測，較為常見的方法有傳統的時序模型，廣義可加模型，回歸模型等。

由于倉庫商品具有季節性或促銷信息對其較為明顯的影響，容易出現單量突增或者突減的突變點，因此需要集合多種模型的優缺點，針對倉庫貨主的銷量特性提供一套預測模型，為倉庫管理人員提供較為準確的單量預測，為人員排班提供合理建議。

補貨策略

常見的倉庫訂貨策略通常采用（S，s）策略（永續盤存制）、（s,S,R）策略（定期盤點制）、（R,S）策略（定期庫存盤點制）等，每種模型均有其特點和缺點。

通常利用所采集的 SKU 出庫數據計算貨品受歡迎度，預測單位出庫周期內的 SKU 出庫量，根據 SKU 的受歡迎程度設置 SKU 的安全庫存天數和最大庫存天數，通過安全庫存天數和最大庫存天數計算 SKU 的安全庫存量和最大庫存量。

補貨策略可以提供系統化、定量化的補貨管理，為解決倉庫補貨過于依賴人員經驗、緊急補貨次數過多、時效水平較差等補貨行為提供了有效的解決方案。

波次優化

現有的集合單生成技術包括鄰域搜索，節省模型，種子單模型等。

鄰域搜索通過搜索可行解的鄰域尋找更優解；

節省模型計算每對訂單一起揀能節省的距離，并盡量將節省距離大的訂單組合成集合單；種子單模型選擇一個或多個訂單作為種子單，再不斷選擇相似度最大的訂單組合成集合單；

種子單也可與節省模型組合，選擇節省最大的一對訂單作為種子單，并不斷加入節省距離最大的訂單組合成集合單；

其中種子模型中的相似度和節省模型可以依據不同倉庫的實際業務場景進行選擇。當前在XX的XX倉庫中，仿真了種子單算法 +相似度的集合單模型效果。

寫在最后

關于倉儲作業流程的優化離不開數據和模型算法，這些需要專業的能力和對實際工作場景的理解與實踐。我曾服務的一家公司便設有專門的軟件研究院進行圖像搜索、大數據等模型研究與實踐，當時的揀貨路徑優化便是由他們幫助倉儲研發組協作完成的。