本研究论文探讨了在物流仓储系统中，采用智能算法优化的人机协作拣选方案，旨在提高作业效率与灵活性。通过分析和模拟实验验证了多种动态调整机制的有效性，为未来自动化仓库的运作提供了新的视角。
在过去的几十年里，许多零售商开始将传统的商店交付与通过日益自动化的全渠道仓库向消费者进行在线销售相结合。其中一种流行的自动化方式是使用自动移动机器人（AMR），这些机器人能够与人工拣选人员协作，以减少拣选员的非生产性步行时间来高效地完成订单挑选工作。通过对存储系统分区处理，进一步缩短了拣货器行走的时间，在这种情况下，机器人负责在各个区域间行进。然而，关于如何对这些自动化系统的最佳分区策略尚不清楚：一些大型商店可能更倾向于较少但较大的仓库区域以满足其订单需求；而许多小型在线订单则更适合于较多的小型仓库区域的安排。
因此，我们探讨了一种动态分区策略的效果，在这种策略下可以根据需要在无分区（NZ）和渐进式分区（PZ）之间进行切换。为了解决这个问题，我们将研究分为两个阶段：首先开发了一个排队网络模型来获得与负载相关的拣货吞吐速率——即给定数量的AMR和固定区域数下的拣选策略；其次建立一个马尔可夫决策模型以探讨如何在不同的分区选择间动态地切换策略，从而实现更高的性能。通过使用处理各种订单大小的全渠道仓库中的数据进行分析后发现，这种动态切换（DS）策略能够将运营成本降低最多7%。然而，在每个拣货员配备更多机器人的情况下，这些节省的成本会逐渐减少。
5星
