order batching policy for performance evaluation of order...

中華大學

碩士論文

訂單批量策略於物流中心揀貨作業之績效

評估 Order Batching Policy for Performance Evaluation of Order Picking System in

Distribution Center

系所別：科技管理學系碩士班

學號姓名：M09703009 范嘉芸

指導教授：謝玲芬博士

中華民國九十九年七月

謝辭

聽到校園內，蟬聲大作時，代表夏天來臨了!

在中華大學度過六年的夏天，終究要和這培育我六年成長之校園道別。感

謝，中華大學科技管理系上所有的老師與同學，給予我許多關心與指教。謝謝

您們的教導，使我擁有更豐富的知識。

在這段日子中，非常感謝指導教授，謝玲芬教授，無論在學術領域之教導，

或是人與人之間的相處之道，皆給予我最大的支持與鼓勵。使我在撰寫此文

時，以最認真的態度，去表現這兩年來在物流領域上之所學。在此，感謝老師

在繁忙會議中，撥空給予我細心的教導與修正，使論文更趨完整。

感謝陳振東教授、靳炯彬教授與謝玲芬教授之三位口試委員，百忙之中撥

空給予論文指導，此論文有了老師們的實務經驗與文章撰寫之建議，更臻完

備，在此表達最深之感謝。

在此感謝麗幸老師，在這六年的鼓勵與支持，讓我了解生活要充滿樂觀之

態度才能克服困難，等待甜美之果實(食物)。感謝瑞琪姊、牧臻學姊、小明學

長、思思學長、小黑學姊、筱儒學姊、小小民學長與家族畢業之學長姊，給予

關心與支持，總是在我困惑時刻給予最即時的救援；感謝馨文、怡秀、小美、

小 Q、大陸 G、凱婷、育君、Seva、叡、俐苓姊、亮亮與 142 的同學，謝謝妳

們在我求學期間的陪伴與學習，讓我在中華的生活，多采多姿；此外，感謝江

怡、千千、依庭、哲涵等學弟妹的協助，你/妳們是很強又很乖的學弟妹。

最後感謝我最敬愛的家人，最愛的爸爸和媽咪、最疼我的姊姊和妹妹、可

愛的弟弟和阿姨、加上最麻吉的朋友，有您們的資助與支持，我才能順順利利

完成學業，謝謝您/你/妳們。

以最誠摯與敬愛之感謝。送給在我求學生涯中，最重要的您/你/你!

范嘉芸謹識於中華科管所中華民國 99 年 6 月

i

摘要在全球經濟不景氣的環境下，企業為達減少營運成本支出，積極於供應鏈

各個環節上減少成本，增加利潤。物流中心之揀貨作業可以提升營運效率並控

制營運成本。因此本研究主要目的應用訂單批量方法於物流中心之揀貨作業

上，以提升揀貨績效。

本研究主要期望改善物流中心之揀貨績效，針對訂單批量策略，發展兩種

新的訂單批量法則，包括應用類神經網路之自組織映射圖神經網路批量法(Self

Organization Map Batching, SOMB)與自適應粒子群最佳化批量法(Adaptive

Particle Swarm Optimization, APSOB)，利用演算法群聚之概念，將相似性高之

訂單群聚為一批量，以減少總揀貨距離，提高揀貨車容積利用率

SOMB 法中隨著每一訂單內之品項數增加，是否會影響 SOMB 法之最適

權重，導致其權重設定應更精確。研究結果顯示品項數確實顯著影響 SOMB

之權重組合，精確之最適權重組合可以縮短揀貨距離、增加揀貨車容積利用

率。APSOB 法主要目的在於訂單在分批過程中，可以縮短作業時間及揀貨總

距離，模擬實驗證實 APSOB 讓每一訂單快速歸類於最適批量，減少求解時間，

進而節省物流中心揀貨作業之時間成本。

本文最後整合儲位佈置、儲位指派、訂單批量與揀貨路徑規劃等策略於物

流中心之揀貨作業中，並整體評估其績效表現。

關鍵字：物流中心、揀貨作業、訂單批量、自組織映射圖神經網路批量法、自

適應粒子群最佳化批量法

ii

Abstract Base on the global economics crunch, the enterprise start to reduce the cost in

many segments of supply chain in order to raise their profits. The order picking

operation of logistics center can enhance their operation efficiency to control

operation cost. Therefore, this research applies the Order volume method in

picking operation of logistics centers in order to enhance their order picking

performances.

This research aims order volume strategy hoping to improve the order picking

performance for logistics center. Besides, this research develops two new rule of

order volume. They are Self Organization Map Batching (SOMB) and Adaptive

Particle Swarm Optimization (APSOB). Those method is applied the concepts of

clustering algorithm which put the similar order as a order volume in order to

reduce the distance of order picking to raise the picking truck capacity utilization.

This research aims the SOMB method to examine the increasing of order items

would effect the optimal weights, or the increasing the order items would cause the

optimal weights be more accuracy. From the research result which shows the

order items can really effect the SOMB weights combinations. The accurate

optimal weights combinations can reduce the order picking distances also can

increase the picking truck capacity utilization. Moreover, the APSOB method

aims the process of order batch operation in order to reduce the operation times and

the distance of order picking. From the Simulation demonstrates prove that the

APSOB can classified as optimal volume more quickly, also reduce the solving

time and save the time cost for the logistics center order picking operations.

Finally, this research integrated storage layout, storage assignment, bulk orders

and picking path programming strategy in the logistics center operations of order

iii

picking, and evaluating the overall performances.

Keyword: Distribution Center, Order Picking, Order Batching, Self-Organizing Map Batching, Adaptive Particle Swarm Optimization Batching.

iv

目次

摘要 ............................................................................................................................. i

Abstract ...................................................................................................................... ii

目次 ........................................................................................................................... iv

表次 ........................................................................................................................... vi

圖次 ........................................................................................................................ viii

第一章緒論 ...................................................................................................... 1

第一節研究背景 .............................................................................................. 1

第二節研究動機 .............................................................................................. 3

第三節研究目的 .............................................................................................. 4

第四節論文架構 .............................................................................................. 5

第五節研究架構 .............................................................................................. 6

第二章文獻探討 .............................................................................................. 7

第一節儲位規劃 .............................................................................................. 7

第二節訂單批量方法 ...................................................................................... 9

第三節揀貨路徑規劃 .................................................................................... 11

第四節類神經網路演算法 ............................................................................ 13

第五節粒子群最佳化演算法 ........................................................................ 16

第三章研究方法 ............................................................................................ 18

第一節訂單批量 ............................................................................................ 21

第二節自組織映射圖神經網路之最適權重分析 ........................................ 31

第三節自適應粒子群最佳化批量法 ............................................................ 35

第四章模式建構與分析 ................................................................................ 40

第一節模式建構 ............................................................................................ 40

第二節模擬結果 ............................................................................................ 46

v

第三節結果分析 ............................................................................................ 48

第五章結論與建議 ........................................................................................ 73

第一節研究結論 ............................................................................................ 73

第二節研究建議 ............................................................................................ 74

參考文獻 .................................................................................................................. 75

vi

表次表 1 相關參數之批量定義 ................................................................................... 29

表 2 PSOBM 參數設定 ........................................................................................ 29

表 3 不同訂單關聯度於混合訂單之平均揀貨距離與平均揀貨車容積利用率

...................................................................................................................... 33

表 4 PSOB 與 APSOB 之模擬結果 .................................................................... 39

表 5 PSOB 與 APSOB 於平均訂單批量 CPU 運算時間變異數分析表 ........... 39

表 6 實驗因子組合代號表 ................................................................................... 43

表 7 績效評估準則 ............................................................................................... 44

表 8 APSOBM 參數設定 ..................................................................................... 45

表 9 實驗代號 ....................................................................................................... 47

表 10 混合訂單實驗結果 ....................................................................................... 47

表 11 揀貨距離之變異數分析表 ........................................................................... 49

表 12 平均揀貨距離變異數分析表 ....................................................................... 50

表 13 揀貨距離於各因子之 Duncan 檢定 ............................................................ 51

表 14 儲位指派與訂單批量交互作用下平均揀貨距離之 Duncan 檢定 ............ 51

表 15 儲位指派與揀貨路徑規劃交互作用下平均揀貨距離之 Duncan 檢定 .... 52

表 16 訂單批量與揀貨路徑規劃交互作用下平均揀貨距離之 Duncan 檢定 .... 52

表 17 三因子交互作用下平均揀貨距離 Duncan 檢定 ........................................ 53

表 18 CPU 運算時間之變異數分析表 ................................................................. 54

表 19 平均 CPU 運算時間變異數分析表 ............................................................. 55

表 20 平均 CPU 運算時間於各因子之 Duncan 檢定 .......................................... 55

表 21 儲位指派與訂單批量交互作用下平均總 CPU 運算時間之 Duncan 檢定

...................................................................................................................... 56

vii

表 22 儲位指派與揀貨路徑規劃交互作用下平均 CPU 運算時間 Duncan 檢定

...................................................................................................................... 56

表 23 訂單批量與揀貨路徑規劃交互作用下平均 CPU 運算時間 Duncan 檢定

...................................................................................................................... 57

表 24 三因子交互作用下平均 CPU 運算時間 Duncan 檢定 .............................. 58

表 25 平均訂單批量 CPU 運算時間變異數分析表 ............................................. 58

表 26 平均訂單批量 CPU 運算時間於各因子中 Duncan 檢定 .......................... 59

表 27 雙因子交互作用下平均訂單批量 CPU 運算時間 Duncan 檢定 .............. 60

表 28 平均揀貨路徑規劃 CPU 運算時間變異數分析表 ..................................... 60

表 29 平均揀貨路徑規劃 CPU 運算時間變異數分析表 ..................................... 61

表 30 平均揀貨路徑規劃 CPU 運算時間於各因子之 Duncan 檢定 .................. 61

表 31 儲位指派*訂單批量交互作用下平均路徑規劃 CPU 運算時間 Duncan 檢

定 .................................................................................................................. 62

表32 儲位指派*揀貨路徑規劃交互作用下平均路徑規劃CPU運算時間Duncan

檢定 .............................................................................................................. 63

表33 訂單批量*揀貨路徑規劃交互作用下平均路徑規劃CPU運算時間Duncan

檢定 .............................................................................................................. 63

表 34 三因子交互作用下平均揀貨路徑規劃 CPU 運算時 Duncan 檢定 .......... 64

表 35 平均揀貨車容積利用率變異數分析表 ....................................................... 65

表 36 平均揀貨車容積利用率於各因子中 Duncan 檢定 .................................... 65

表 37 雙因子交互作用下平均揀貨車容積利用率 Duncan 檢定 ........................ 66

表 38 五項績效指標之單因子 Duncan 分析結果 ................................................ 70

表 39 五項績效指標之雙因子 Duncan 分析結果 ................................................ 71

表 40 五項績效指標之三因子 Duncan 分析結果 ................................................ 72

viii

圖次圖 1 物流的涵義 ..................................................................................................... 2

圖 2 論文架構 ......................................................................................................... 5

圖 3 研究架構圖 ..................................................................................................... 6

圖 4 倉儲佈置 ......................................................................................................... 8

圖 5 揀貨路徑 ....................................................................................................... 12

圖 6 二維矩陣 SOM 架構圖 ................................................................................ 14

圖 7 調整權重之鄰近關係圖 ............................................................................... 14

圖 8 粒子搜尋示意圖 ........................................................................................... 16

圖 9 ABC 分區儲存佈置圖 ................................................................................. 19

圖 10 Apriori 演算法範例說明 ............................................................................. 20

圖 11 關聯批量流程圖 ........................................................................................... 23

圖 12 KMB 流程圖 ................................................................................................ 25

圖 13 三維轉換至二維 SOM 架構圖 .................................................................... 26

圖 14 SOMB 流程圖 .............................................................................................. 28

圖 15 PSOB 流程圖 ............................................................................................... 30

圖 16 儲位環境圖 ................................................................................................... 32

圖 17 模擬實驗設計架構圖 ................................................................................... 32

圖 18 混合訂單型態下關聯度權重於分區儲存之揀貨距離績效差異圖 ........... 34

圖 19 混合訂單型態下關聯度權重於分區儲存之揀貨車容積利用率績效差異圖

...................................................................................................................... 34

圖 20 SOMB 於 50 品項數區間權重之距離 ........................................................ 35

圖 21 SOMB 於 50 品項數區間權重之揀貨車容積利用率 ................................ 35

圖 22 APSOB 流程圖 ............................................................................................ 38

圖 23 揀貨環境 ....................................................................................................... 41

ix

圖 24 實驗因子組合架構圖 ................................................................................... 42

圖 25 平均揀貨距離績效指標之最佳因子組合 ................................................... 67

圖 26 平均總 CPU 時間績效指標之最佳因子組合 ............................................. 68

圖 27 平均訂單批量 CPU 時間之最佳因子組合 ................................................. 68

圖 28 平均揀貨路徑規劃 CPU 時間之最佳因子組合 ......................................... 68

圖 29 平均揀貨車容積利用率之最佳因子組合 ................................................... 69

1

第一章緒論在全球經濟不景氣的環境下，企業為達減少營運成本支出，積極於供應鏈

各個環節上減少成本，增加利潤。2008 年爆發金融風暴，原物料上漲，各企

業在經濟衰退趨勢下，為尋求商機與生存空間條件下，減產、裁員，不求利潤

提高下，積極降低營運成本。企業營運成本包含物流、金流、資訊流以及供應

鏈上之各項資源流通，而物流是企業必須支出之成本，因此降低物流成本可有

效降低營運成本。

第一節研究背景在金融風暴影響下，政府對於國家重點發展計畫，推動「物流利基化與供

應鏈服務推動計劃」，目的加強國際化之整合物流業者資訊共用平台，期望透

過物流、金流、資訊流整合供應鏈上之所有資源，強化我國經濟競爭力。

物流是指產品或服務從供應商至使用者的流通過程，由一系列創造時間價

值與空間價值之經濟活動所組成，物流包括產品集散、運輸、配送、包裝、倉

儲、裝卸、流通加工及物流信息處理以上多項基本活動之總和。簡單來說，就

是產品流通之過程中。在物流種類有四大項較多數學者探討，原料物流、生產

物流、銷售物流、廢棄物物流又稱逆向物流，如圖 1。原料物流主要過程是從

原物料至製造商之間的物料流通；生產物流指的是原料在製造商製成完成品中

間過程中物料或零件的流通；銷售物流是製造商將製成品送至零售商或批發

商，最後將產品送至顧客手中之間的過程；逆向物流的部分，主要在於商品毀

損或故障保修，必須將商品送回維修中心，相反於產品至顧客的流通。

2

圖 1 物流的涵義

資料來源：「物流架構與定位」，顏憶茹、張淳智，2008，物流管理，頁 38

物流過程中，從原物料經過工廠完成商品，最後到了顧客手中，中間經過

了物流中心的倉儲與配送。而經濟部商業司定義「物流中心」，是指提供流通

服務及幫助企業有效率的移動貨品之處理中心。因此因應產銷系統之連貫性，

現代化物流中心為滿足生產與銷售之間的需求，大多數物流中心扮演之角色在

於製造商與批發商之間。物流中心主要功能在於儲存大量產品，依批發商或消

費者之需求，將來自不同製造商之產品利用系統化資訊整合其所需，配送至批

發商或消費者手中，並以縮短距離，加速流通效率，減少製造商營運成本為物

流中心營運績效。

物流中心類型會依特性不同而有其不同作用之營運中心，主要分類會依照

成立背景與經營策略而分類：

3

1.製造商物流中心(Manufacturer Distribution Center, M.D.C):確保商品通路，配

合製造商產品配銷向下整合而成立的。例如:神通集團之聯強國際。

2.批發商物流中心(Wholesaler Distribution Center, W.D.C):由批發商或代理商所

構成，以進出口之商品為主的物流中心。例如:德記洋行之德記物流。

3.零售商物流中心(Retailer Distribution Center, R.D.C):目前以連鎖型便利商店

為主，因消費者喜好而產生向上整合之物流中心。例如:全家便利商店之全台

物流。

4.直銷商物流中心(Catalog Seller Distribution Center, C.D.C):因直銷商產品少量

多樣並要求指定送達時間，屬於 B2C 而產生的物流中心。例如:安麗、雅芳。

5.轉運型物流中心(Transporting Distribution Center, T.D.C):由貨運公司轉型而

成，從以前簡單貨物轉運發展成現今共同配送物流中心。例如:新竹貨運。

6.生產處理物流中心(Processing Distribution Center, P.D.C):基於現今生活型態

要求運送途中保持食材之新鮮、低溫送達而具備低溫設備之物流中心。例如:

中青公司。

物流中心主要作業有商品入庫、保管、揀貨、包裝、出庫、運輸、通關、

資訊處理。物流作業成本項目有訂貨作業處理費、入庫驗收費、入庫作業費、

保管費、揀貨作業費、流動加工費、出貨檢查費、包裝費、裝車作業費、配送

費、退貨處理費、物流管理費等費用，其中揀貨作業為人力、時間、成本最多

投入之作業，揀貨時間佔物流中心作業時間 30 至 40%。同樣的，揀貨成本亦

佔物流中心營運成本 30 至 40%。部分物流中心不提供包裝作業。因此揀貨作

業的效率提升有助於物流中心營運效率之提升。

第二節研究動機期望物流中心營運效率之改善，在於揀貨作業之相關因子組合，以尋求最

佳效率組合。多數學者在於物流中心揀貨作業之倉儲佈置、儲位指派、訂單批

量與揀貨路徑規劃之個別策略皆有探討其最佳模式。以整個揀貨系統而言，在

4

許多最佳模式中如何依照環境的不同而決定各個策略合適之組合，以達到物流

中心效率最佳化。已有許多學者探討訂單批量策略對於揀貨作業效率之改善效

果，但在訂單批量策略方面的法則相當多，各法則依訂單大小的不同具有不同

之參數設定，但均以提升揀貨作業效率為目標。因此本文主要深入探討黃羿蓁

(2009)於物流中心整合策略管理在訂單批量發展自組織映射圖批量法(SOMB)

於訂單大小不同時，其最適權重之選擇，並應用具有群聚效果之自適應粒子群

演算法(Adaptive Particle Swarm Optimization, APSO)在於訂單批量時之應用，

發展出一新訂單批量法則，稱為 APSOB 法。

第三節研究目的以訂單批量策略為主軸，結合物流中心之倉儲佈置、儲位指派與揀貨路徑

規劃，除了提出創新之訂單批量法則，並以模擬驗證其成效。本研究目的分述

如下：

1.應用自適應粒子群最佳化法(Adaptive Particle Swarm Optimization , APSO)，

依適當的權重值更新粒子的速度與位置，而發展自適應粒子群最佳化批量法

(Adaptive Particle Swarm Optimization Batching, APSOB)，主要目的調整其慣

性權重，於訂單批量過程中改善運算時間。

2.探討黃羿蓁(2009)發展之自組織映射圖神經網路批量法(Self-organizing map

Batching, SOMB)，當訂單大小改變時，其權重是否會因環境不同而導致訂單

批量效率有所不同，並分析不同環境下之最適權重。

3.在訂單批量策略多種法則中，考慮過去文獻以驗證其績效較佳之關聯批量、

K-means 批量法(K-means Batching, KMB)、自組織映射圖神經網路批量法

(SOMB)、粒子群最佳化批量法(PSOB)，與本研究所提出之 APSOB 法相互

比較，以模擬方式驗證以上五種訂單批量法在揀貨系統之績效。

4.探討訂單批量策略結合儲位指派與揀貨路徑規劃於揀貨系統作業上之績效

差異。

5

第四節論文架構本文文章架構如圖 2，首先以文獻評析整理國內外學者在物流作業上之研

究。其中訂單批量策略中，分別探討之前學者所提出之類神經網路批量法與粒

子群批量法之研究；研究方法主要在於訂單批量的改善，類神經網路演算法之

自組織映射圖神經網路具有將分散的個體有效聚集於群體之特性，本文將其應

用於訂單批量，並以線性搜尋之方式找出最佳權重之設定。此外，本文提出自

適應粒子群最佳化批量法，以粒子群最佳化演算法之觀念為基礎，於 PSO 演

算法求解過程中，加入適時調整參數之機制，在維持求解品值的前提下，以減

短求解時間。本文構建物流中心揀貨系統之模擬環境，應用 VBA(Visual Basic

for Application, VBA)為模擬軟體撰寫程式，比較過去文獻已發表之訂單批量法

則，與本文提出之 APSOB 之績效，最後，為最佳化物流中心揀貨系統之整體

績效，以訂單批量策略為主軸，結合儲位指派與揀貨路徑規劃策略，以模擬方

式驗證各種組合之整體績效，並利用 SPSS 17.0，分析各種可能之因子組合之

績效差異與適用環境，並提出研究結論與後續研究建議。

圖 2 論文架構

6

第五節研究架構本研究主要探討物流中心揀貨系統之三大策略，包括儲位規劃、訂單批量

與揀貨路徑規劃，考量過去學者提出之五種訂單批量演算法，包括關聯批量、

K-means 批量法 (K-means Batching, KMB)、自組織映射圖神經網路批量法

(Self-organizing map Batching, SOMB)、粒子群最佳化批量演算法(Particle

Swarm Optimization, PSOB)與本研究發展之自適應粒子群最佳化批量法

(Adaptive Particle Swarm Optimization, APSOB)進行模擬分析，以驗證其績效。

此外，本文亦嘗試改善黃羿蓁(2009)所提出之 SOMB 法，以線性搜尋之方式找

出其最適之參數設定。本文之研究架構，如圖 3。

圖 3 研究架構圖

7

第二章文獻探討許多學者探討物流中心效率之影響，主要探討有四大部分，分別為倉儲佈

置、儲位指派、訂單分派、揀貨路徑規劃。此章共分五大節，第一節介紹學者

在物流中心儲位設計之探討與對於學者在物流中心儲位指派之研究；第二節為

本文主要探討在揀貨作業中主要因素，其中訂單批量是目前多數學者證明訂單

批量方法的優劣影響揀貨作業績效最顯著之因子；第三節整理學者在揀貨路徑

規劃主要是如何讓揀貨距離最短，減短貨物停流在物流中心的時間，並有效利

用物流中心之空間；第四節介紹類神經網路演算法之自組織映射圖神經網路之

應用；第五節主要介紹學者在具有群聚特性之粒子群最佳化演算法之應用。

第一節儲位規劃倉儲佈置的優劣在於好的規劃與執行其影響儲存空間利用率、貨物搬運風

險以及作業人員之生產力。企業設立物流中心必須在儲位設置做為優先考量。

物流中心提供貨品儲存之功能，因此必須考量因素有地面負荷、貨品狀況、出

入口、通道設計以及其他安全消防之設施。儲位管理包含了倉儲佈置與儲位指

派。

一、倉儲佈置

倉儲佈置主要在於料架與地面相互的關係。在大型倉儲環境中，料架的縱

橫排列、走道數量與走道寬度都影響揀貨作業中空間與時間之安排。Pohl, L. M.,

Meller, R. D. and Gue, K. R. (2009)提及常見的倉儲佈置有以下三種，佈置 A 為

垂直走道，儲位格終端有兩條上下走道；佈置 B 如同倉儲佈置 A，中間加了交

叉走道；佈置 C 為平行走道，中間為交叉走道，P&D 為揀取點，如圖 4。

8

圖 4 倉儲佈置 Note.From “An analysis of dual-command operations in common warehouse designs” by Pohl, L. M., Meller, R. D., & Gue, K. R. Transportation Research Part E: Logistics and Transportation Review, 45(3), 367-379.

二、儲位指派

良好的儲存策略可以減短出入庫移動之距離、縮短揀貨時間。孫海蛟、董

福慶(1995)提到常見儲存策略有以下分類：

1.定位儲存(Dedicated Location)：

每項貨品有固定儲位，貨品無法互相使用儲存，規劃貨品之儲位容量不可

小於可能最大在庫量。適用儲存條件對於貨品儲存相當重要，例如:易燃物。

其優點在於揀貨員容易熟悉貨品位置、可依照貨品週轉率安排，縮短搬運距

離、不同貨品相互影響降至最小;缺點為廠房空間必須夠大。

2.隨機儲放(Random Location)：

每項貨品經由隨機過程儲存位置不同，可經常改變其儲存位置。品項可被

存放在可利用之空間。適用於貨品入庫時間不同，而儲放靠近揀貨點。其優點

為儲位可互相共用，依照所有庫存貨品最大在庫量設計，儲位使用效率較高。

缺點為盤點工作困難度高、週轉率高之貨品可能被儲放離揀貨點較遠，增加揀

貨距離。

3.分類儲放(Class Location)：

貨品依照其特性，分類存放。各類商品有固定存放之位置，同類商品又可依其

佈置 A 佈置 B 佈置 C

9

特性指派儲放。貨品特性一般按照貨品相關性、貨品週轉率、尺寸或重量來分

類。其優點為對於週轉性較高之品項，有定位儲存之優點亦具彈性調整。並有

助於儲存管理。其缺點為儲位空間使用效率較低。

4.分類隨機儲放(Random Within Class Location)：

每類貨品有固定儲放位置，在同類之儲區內，品項儲放在儲位是隨機產生

的。其優點具有分類儲放之特性，可節省儲位數量並提高儲區利用率。缺點如

同隨機儲放之缺點，盤點不易。

5.共用儲放(Utility Location)：

確定貨品進出倉庫時間，將不同貨品共用相同儲位之方式。其優點為將儲

存空間與搬運時間發揮其經濟效用；缺點為管理不易，具特殊特性之貨品不適

用其儲放策略，增加貨品與貨品之間的影響。

何應欽與陳偉娜(2009)在分區揀貨中揀貨人員影響揀貨作業整體績效是

重要因子之一，其研究指出不同儲存策略所對應之合作策略有所差異。在

Petersen, Siu and Heiser (2005)提出黃金區塊(golden zone)的概念進行儲位指

派，其黃金區塊為揀貨人員腰與肩膀間之儲位格，研究結果指出考慮黃金區域

時有助於減少揀貨時間。蘇雄義(2007)文獻指出目前常見分類主要利用柏拉圖

法則(Pareto’s low)亦稱80/20法則發展出的ABC分類法。主要將貨品分為三類：

A：高貨量、高週轉率之品項。

B：中貨量品項

C：低貨量、低週轉率之品項

亦有將分類更詳細之分類方法，必須依照貨品實際狀況決定其最佳分類方

法。

第二節訂單批量方法揀貨員揀取貨品依照訂單的特性其揀取方法不同，Tompkins and

Sminth(1998)將訂單揀取方法作了以下分類：

10

1.單一訂單揀取(Discrete/Order Picking)：

依照顧客訂單上之品項直接揀取，訂單沒有作合併動作。揀貨員一次只揀

取一張訂單。其優點在於省略前置作業時間，訂單品項揀錯機率較低；但在大

型訂單或品項過多時，造成揀取頻率較高，增加揀貨距離。

2.分區揀取(Zone Picking)

當儲位佈置以分區時，揀貨員依區域揀貨，揀貨作業只需負責該負責之區

域。分區揀貨可分為連續型分區(Sequential Zone/progressive zoning)與同步型分

區(Simultaneous Zone/synchronised zoning)。

3.批量揀取(Batch Picking)

將多張訂單彙整成一張批量訂單，揀貨員依照批量訂單揀貨，再將貨品依

照原始訂單分類。

4.波浪揀取(Wave Picking)

各群訂單分別排定在特定時間內揀取。而時段內的訂單不只一張，而揀貨

員依特定時間區間都有一張以上訂單揀取期間，等同於特定時間區間會分為好

幾段揀貨期間。

本研究主要探討為批量揀取方法，文獻主要以訂單批量方法做整理。訂單

批量屬於NP-Hard問題，計算時間複雜度(Time complexity)隨問題增大，即當訂

單數量增加時，求解時間也隨著指數遞增，許多學者運用啟發式演算法

（Heuristic algorithm）於訂單批量問題上，Hwang and Lee (1988)提出新的啟發

式演算法在訂單批量，在每批訂單批量上可找到最小旅行時間。Hsu, Chen and

Chen (2005)應用基因演算法(Genetic Algorithm)發展啟發式演算法(Genetic

Algorithm Batching-Method, GABM)，依照不同倉儲大小與訂單大小，與Gibson

and Sharp’s batching method (GSBM) 和先進先出(FCFS)比較，結果顯示GABM

具有改善訂單批量之問題。

之後，黃昭蓉(2005) 提出關聯訂單批量之方法，藉由關聯法則應用在訂

單品項上儲位指派而找出高度關聯性之品項，將具有高度關聯性品項之訂單進

11

行訂單合併，將數張訂單合併為訂單批量。王正安(2008)則應用粒子群最佳化

演算法(Particle Swarm Optimization；PSO)求解訂單批量問題，發展粒子群最

佳化批量法(PSO Batching-Method, PSOBM)，其模擬實驗結果證明PSOBM在總

揀貨距離優於FCFS，在PSOBM揀貨車容積利用率也高於GABM，在訂單批量

約節省35%規劃時間。黃羿蓁(2009)應用資料探勘法中的 K-means 演算法，發

展出K-means 批量法(K-means Batching-Method, KMBM)；另外，應用自組織

映射圖神經網路(self-organizing map)，發展自組織映射圖神經網路批量法

(Self-organizing map Batching-Method, SOMBM)，其研究結果驗證KMBM與

SOMBM在訂單批量運算時間優於之前學者在關聯批量與PSOBM；而SOMBM

於總揀貨距離及揀貨車利用率上面都有最佳表現。

第三節揀貨路徑規劃揀貨員依照訂單揀貨之距離影響其揀貨效率，Petersen(1997)在揀貨作業研

究上提出了主要幾種揀貨路徑策略，包括穿越策略(Traversal Strategy)、返回策

略(Return Strategy)、中間點策略(Midpoint Strategy)、最大間隙策略(Largest Gap

Strategy)、合成策略(Composite Strategy)，如圖5。

Ratliff and Rosenthal(1983)提出最佳路徑法 (Optima routing)，首先個別求

出每條走道之最佳揀取距離組合，連接下一條走道再依序重複進行運算，以所

有品項揀取完畢後，停止運算。Roodbergen and Koster(2001a)延伸最佳路徑法

於交叉走道倉儲環境，而後(Roodbergen & Koster, 2001b)比較S型(S-shape

Heuristic)、最大間隙法(Largeest Gap)、走道接走道法(Aisle-by-aisle Heuristic)、

結合啟發法 (Combined Heuristic)與所提出之改良結合啟發法 (Combined+

Heuristic)，實驗驗證比較之五種方法仍劣於最佳路徑所求出之解。

黃建霖(2007) 依照文獻提出之揀貨法則，針對揀取儲位整體規劃之概

念，提出提出最大迴圈插入法(Maximum Loop Insertion, MLI)來解決此問題，

MLI演算法首先找出最左邊走道之最遠與最近的揀取點，再從最後一條走道中

12

找最遠之揀貨點，以上三點形成一個迴圈，再依次找尋揀貨點加入後距離最小

的點作為下一個加入之揀取點，重覆以上步驟直到訂單上所有品項揀取完畢後

停止。並經模擬驗證MLI演算法在揀貨路徑規劃上結合不同儲存策略、批量策

略上皆有優良表現。

圖 5 揀貨路徑 Note. From “An Evaluation of Routing and Volume-based Storage Policies in an Order Picking Operation” by Petersen, C. G., & Schmenner, R. W. (1999) Decision Sciences, 30(2), 481-501.

13

第四節類神經網路演算法類神經網路（Artificial Neural Networks, ANN），是一種計算系統，包括軟

體與硬體，使用大量簡單之相連人工神經元來模仿生物神經網路的能力。當人

工神經元取得資訊，以非常簡單的運算，而後輸出結果至人工神經元。類神經

網路理論可衍生包含心理學、數學、神經科學、物理學、計算機科學、生物學、

工程科學、哲學等領域之研究方向，主要目標建立智慧型的系統，解決各領域

之相關問題。從 1957 年 Rosenblatt 提出感知機網路(Perceptron)ANN 模式至

現今已有多位學者應用類神經網路研伸各種模式。

本研究主要探討類神經網路之自組織映射圖神經網路(Self-Organizing

Map, SOM) (Kohonen, T.,1998)，由 T. Kohonen 於 1982 年提出，屬無監督式學

習網路模式，具有分群之作用。其基本原理來自人類腦部，將視覺、聽覺、位

覺等感覺分區塊互相連結，當受到末梢神經受到外界刺激時，將感受的狀況反

映至大腦皮層區塊，透過神經系統學習之過程，皮層細胞完成映射圖，神經系

統將回應其動作。

應用 SOM 之原理主要目的將任意維度上無分類標示之個體，透過特徵向

量映射至特徵映射圖，亦稱拓樸圖，並依據輸入向量在神經元之間彼此競爭尋

找優勝神經元。而優勝神經元獲得優先調整神經元及鄰近權重向量，尋找相似

特性或屬性，將相似特性之個體聚類成一群體，最後輸出神經元映射至拓樸圖

上，此時神經元之間擁有相似特性之拓樸結構。SOM 目前主要應用在資料探

勘技術、影像識別研究等領域。

SOM 演算法(張斐章、張立秋、黃皓倫，2003)之計算步驟如下：

步驟一：n 維度的個體 nx 透過權重向量 jw 連接網路神經元 j，形成初始拓

樸圖，如圖 6。其中 1 2, ,...,T

nX x x x ， X 表示為n 個維度的輸

入向量； 1 2, ,...,T

j j j jnw w w w ， jw 為 n個維度之神經元權重。

14

圖 6 二維矩陣 SOM 架構圖

步驟二：決定優勝神經元，利用歐幾里德距離公式，計算輸入向量與神經

元的權重，選取距離最小的神經元為優勝神經元。

( ) min Jjq X X w (1)

其中 ( )q X 表示為輸入向量 X 與神經元連接權重向量的最短距離

步驟三：由於神經元間有鄰近關係，因此當優勝神經元調整連接權重時，

也會將訊息傳達至鄰近神經元並隨之調整。其鄰近關係之函數如

方程式 2。

圖 7 調整權重之鄰近關係圖資料來源：「類神經網路:理論與實務」，張斐章、張立秋、黃皓倫，東華書局。

q

R

15

)/exp( 22

Rrr qjqj (2)

其中 qj 表示為第 j 個神經元與優勝神經元 q 之相鄰的關係值； jr

是鄰近區域當中神經元的座標位置； qr 是優勝神經元於拓樸圖之

座標位置； R 是鄰近區域的半徑。

由於找出優勝神經元可調整權重向量，因此如方程式 3，所示：

( ) ( ) ( ) ( )j qj jw k k x k w k ， 0 ( ) 1k (3)

其中 ( )k 表示為第 k 代迭次次數之神經元學習速率，隨著次數

與時間的增加會隨之遞減，進而達到收斂。 ( )qj k 表示第 k 代迭

次相鄰之關係值； ( )x k 表示第 k 代迭次之個體輸入向量； ( )jw k

標示為第 k 代迭次之權重向量。

優勝元調整權重時有助於鄰近神經元的關係，其增強其神經元彼

此之間特性，其調整權重如下所示：

( 1) ( )j j jw k w k w (4)

最後，權重向量 ( 1)jw k 為當第 k 迭次之權重向量 ( )jw k 加上調

整後向量之間的差值 jw 。

步驟四：重複步驟三，適當縮小鄰近區域的範圍，其拓樸圖上逐漸形成如

網狀般之拓樸圖

步驟五：當鄰近區域範圍皆形成拓樸圖上的點時即為達到停止條件，並停

止運算。

黃羿蓁(2009)應用自組織映射圖神經網路(self-organizing map)發展自組織

映射圖神經網路批量法 (Self-organizing map Batching-Method, SOMBM)，

SOMBM在訂單批量運算時間、揀貨距離及揀貨車利用率上面都有優於先前文

16

獻提出訂單批量演算法之最佳表現。

第五節粒子群最佳化演算法粒子群最佳化演算法(Particle Swarm Optimization, PSO)是Kennedy and

Eberhart(1995)所提出，主要觀念為觀察鳥群或魚群覓食行為，透過彼此傳遞的

訊息，使整個群體朝同一方向或目標群聚。PSO演算法裡在空間中每個粒子就

像是飛行中的鳥，所有飛行中的鳥各自有不同的速度決定自己飛行方向與距

離，透過目標函數所對應的適應值(Fitness Value)比較飛行位置；在搜尋最佳距

離過程中，每個粒子依靠本身之最佳經驗與群體最佳經驗調整個體的飛行方向

與速度，當粒子達到本身最佳位置時，將位置記錄在個體最佳值(Pbest)，粒子

再根據Pbest 修正下一次飛行之搜尋方向，此為粒子的認知模式；在每次迭代

群體的最佳位置被紀錄為群體最佳值(Gbest)，粒子也會依據Gbest去修正下一

次迭代的搜尋方向，以上稱為粒子的社會模式。搜尋模式如圖8所示。

圖 8 粒子搜尋示意圖 Note. From “Applying Particle Swarm Optimization to Schedule Order Picking Routes in a Distribution Center.” by L. F. Hsieh, C. J. Huang &, C. L. Huang, (2008) Asian Journal of Management and Humanity Sciences, 1(4), p.561.

其搜尋的方式如圖8 所示，圖8(a)之T值設為目標，A至E 為搜尋粒子，初

始粒子群分散於各處，此時pbest 的粒子是離目標T 最近的粒子D；粒子經過

(a) (b)

17

三次移動之後，假設位置如圖8 (b)所示，此時gbest 的粒子則為E4；如此粒子

群就可依照pbest、gbest來進行最佳值之搜尋。藉由上述不斷的迭代搜尋，PSO

演算法根據最佳適應值找出問題的最佳解，而PSO改變速度及位置的方程式如

下：

11 2() ( ) () ( )

n n n nid id id id gd idV w V c rand P x c rand P x (5)

1n n newid id idx x V (6)

其中 nidV 表示第 i個粒子在第 d 個維度在第 n 階段的速度；1n

idV 表示第 i個粒

子在第 d 個維度在第 1n 階段的速度； newidV 表示第 i 個粒子在第 d 個維度新的

速度；w為慣性權重； 1c 、 2c 為學習因子； ()rand 為介於0至1之間的隨機亂數

值； idP 表示運算到目前為止的第 i個粒子在第 d 個維度之個體最佳位置； gdP 表

示運算到目前為止的第 i個粒子在第 d 個維度之個體最佳位置； nidx 表示第 i 個

粒子在第 d 個維度之位置； 1nidx 表示第 i 個粒子在第 d 個維度於 1n 階段之位

置；

王正安(2008)應用PSO演算法應用在訂單批量上，發展粒子群最佳化批量

法(PSO Batching Method, PSOBM)，藉由PSO演算法全域搜尋之優點搜群最佳

訂單批量組合。PSO相關參數轉為批量定義，粒子為一組訂單批量之結果；位

置為訂單順序；粒子速度為訂單順序異動之程度；適應值是訂單批量後的總揀

貨距離。最後比較關聯批量、GABM與先進先出(FCFS)，PSOBM在總揀貨距

離、揀貨作業時間和揀貨車容積利用率的績效表現優於其他訂單批次策略。

Shi and Eberhart(1998)針對慣性因子做研究，提出最佳的慣性因子設定值

為0.9到1.2之間。Ueno, Yasuda and Iwasaki(2002)將自適應(Adaptive)調整PSO

慣性因子，當粒子數愈大時與原始PSO比較，調整後的PSO在群體速度上於每

次迭代後會加速收斂。

18

第三章研究方法在物流中心揀貨作業中，從倉儲佈置、儲位指派、訂單分配與揀貨路徑規

劃之間，每項都影響了揀貨作業之效率。現今顧客之需求屬於多樣少量之產品

屬性，對於物流中心而言，其揀貨作業更複雜。訂單內品項數愈多，在數量不

變、種類變多時，如何讓訂單分配更具效率，是本研究之重點。因此在揀貨作

業之訂單批量，多位學者發展出許多演算法。在各個演算法中其涵蓋的參數設

定，其影響整個批量方法之效率，因此本章主要深入探討黃羿蓁(2009)發展之

SOMB 影響訂單關聯度之最適權重；此外，延伸王正安(2008)發展之 PSOBM，

以適時改變其慣性因子，加速收斂速度，減少求解時間。

本研究在儲位指派上採不分區儲存與分區儲存，兩種儲存方式。不分區儲

存主要是隨機指派，將品項隨機指派至儲位格；分區儲存以目前常見之 ABC

儲存策略。ABC 儲存策略前，先隨機產生 10000 筆歷史訂單，設定訂單依照

80/20 法則分配，等同於 20%的品項數占揀取活動 80%。本研究揀貨作業之模

擬倉儲環境最大容納 400 個品項數。揀貨車容積為 100 個，為避免品項揀取頻

率呈現均勻分配，因此本研究設計 80 個品項占 80%揀取作業。

應用 ABC 分區儲存，首先將倉儲分為 A、B、C 三個區域，其三類分別占

總儲位格 A 類品項為 20%、B 類品項為 30%、C 類品項為 50%，如圖 9 所示。

19

圖 9 ABC 分區儲存佈置圖

以 ABC 法進行儲位指派後，再以關聯法則之 Apriori 演算法計算，先前已

隨機產生之 10000 筆歷史訂單間之品項支持度。當品項支持度超過門檻值，進

行儲位調整。目的在於存取頻率較高的品項應用 ABC 儲位指派策略可離揀取

點(P/D)較近，再經由關聯法則調整品項儲位後，關聯度較高之品項會放置相

同走道或是鄰近位置，便於縮短揀貨距離。利用 Apriori 演算法運算品項間支

持度，在演算法中項目集合為品項集合；項目長度代表品項集合個數，當項目

長度為 2，表示品項集合有兩個品項；支持度表示品項集合同時出現之狀況，

如範例圖 10 所示。

20

圖 10 Apriori 演算法範例說明

Apriori 演算法步驟說明如下：

步驟一：搜尋整個訂單集合之資料庫。如圖 10(a)，令每個項目長度為 1，

I1 在範例中項目長度為 6。令 1k ，運用 Apriori 演算法計算候

計算支持

度，將小於

支持度剔

除產生 L3大項目集

合

從 L2 中找出大於最

小支持度

之項目，產

生候選項

目 C3

計算支持

度，將小

於支持度

剔除產生

L2 大項目集合

從 L1 中找出大於最

小支持度

之項目，產

生候選項

目集合 C2

計算支

持度，

大於門

檻值放

入大項

目集合

(L1)

搜尋資

料庫找

出候選

項目集

合(C1)

(a)訂單資料庫 (b)候選項目集合(C1) (c)大項目集合(L1)

(d)候選項目集合(C2) (e)大項目集合(L2)

(f)候選項目集合(C3) (g)大項目集合(L3)

最後項目結果

21

選項目集合( kC )的支持度。假設最小支持度為 2，判斷候選項目

集合( kC )之支持度是否有大於 2，如圖 10(b)。如果大於門檻值則

產生大項目集合 kL ，如圖 10(c)。

步驟二： 1k k ，以長度為 1 的大項目集合 kL 兩兩組合產生長度為 2 的

候選項目集合 1kC ，如圖 10(d)。計算支持度，同樣找出支持度

大於 2 的集合，為大項目集合 1kL ，如圖 10(e)。

步驟三：重覆步驟二，產生項目長度為 3 的候選項目集合 1kC ，如圖 10(f)。

最後產生大項目集合利用大項目集合 1kL ，直到 1kL 無法產生新

的項目組合。最後品項組合，如圖 10(g)， 1, 2, 3I I I 與 1, 2, 5I I I

中的四項品項 1, 2, 3, 5I I I I 為關連度最高，優先指派與揀貨點(P/D)

最近的儲位格。

步驟四：重複以上步驟，直到所有品項都指派至儲位格上，停止。

第一節訂單批量在物流中心揀貨作業上，訂單批量會影響揀貨作業之效率，因此本章對於

訂單批量策略，主要運用先前學者發展之方法與改善粒子群批量法作介紹。研

究中應用關聯批量、k-mean 批量(k-mean Batching, KMB)、自組織映射圖神經

網路批量法 (Self-organizing map Batching, SOMB)與粒子群批量法 (PSO

Batching, PSOBM)於揀貨作業上訂單批量，分別介紹如下：

一、關聯批量

黃昭蓉(2005)應用關聯法則發展出關聯批量，藉由關聯法則應用於儲位指

派而找出之高度關聯性貨品，將具有高度關聯性貨品之訂單進行訂單合併，將

數張訂單合併為訂單批量。Apriori 演算法在儲位規劃時為品項之間支持度的

計算；訂單批量是計算兩兩訂單之間的關聯度以及批量與訂單之間的關聯度找

尋最大支持度，將訂單納入批量中。Chen & Wu,(2005)實驗結果證實，以關聯

22

法則之 Apriori 演算法進行訂單批量設計，有效減少揀貨距離。以下為關聯批

量法之步驟：

步驟一：以 Apriori 演算法計算訂單集合(Order Set, OS) 中每兩兩訂單的

支持度 Sij。

步驟二：選擇 OS 中支持度最高的 Sij，將訂單 i、j 作為批量訂單 k 之種

子訂單。

步驟三：將訂單 i、j 由訂單集合 OS 中刪除。

步驟四：將 OS 中小於揀貨車容積之剩餘容量之訂單加入 OST 集合中。

步驟五：計算批量訂單 k 與臨時暫存訂單集合(Order Set Temporary, OST)

中的訂單之支持度，找出支持度最高者加入批量訂單 k，並從

OS 中刪除。

步驟六：檢查 OS 是否還有符合剩餘容積之訂單，若有則回到步驟四；沒

有則跳至下一步驟。

步驟七：檢查 OS 中是否還有訂單未進行批量規劃，若有則回到步驟二。

沒有則跳至下一步驟。

步驟八：輸出訂單批次結果。

關聯批量法之計算流程，如圖 11。

23

圖 11 關聯批量流程圖

是

以 Apriori 演算法計算訂單集合OS 中兩兩訂單之支持度 Sij

選擇 OS 中支持度最高的兩張訂單 Oi、Oj，加入批量訂單 Bk

將 Oi、Oj，由 OS 中刪除

將 OS 中容積小於 Vr 者將訂單加入至 OST 集合中

選擇OST集合中Bk支持度最高者 Ok，加入批量訂單 Bk，將訂單 Ok 由訂單集合 OS 中刪除

訂單集合 OS 中有無訂單容積

小於 Vr?

訂單集合 OS 中是否有剩餘訂

單未加入批量?

輸出訂單批量結果 R

批量數加 1 (k=k+1)

是

否

否

24

二、K-means 批量(K-means Batching, KMB)

黃羿蓁(2009)應用資料探勘法之 K-means 特性，主要反覆求取離所有點最

近之中心點，以中心點為基準將附近的點加入群聚中。將其特性應用在訂單批

量上，空間中的點為訂單內品項集合；中心點為揀貨距離最小之品項集合，此

集合為中心集合。中心集合改變會因為不同訂單品項而不同。起始中心集合是

以直接挑選擁有最少揀貨距離的品項集合。批量以中心集合為基準點並計算剩

下訂單中的品項集合與中心集合合併後的揀貨距離，之後挑選揀貨距離最小的

品項集合加入中心集合，形成新中心集合，反覆進行以上過程完成批量訂單。

為 KMB 法之演算過程，如圖 12。

KMB 計算步驟如下：

步驟一：計算訂單集合( OS )內所有訂單品項集合( kO )的揀貨距離，令批

量數為 k ， 1k 。

步驟二：從OS 中挑選距離最小的 kO ，加入批量 k 中，此批量稱為 kB 。令

kB 為中心集合，將 kO 從OS 中刪除，並更新批量 kB 之揀貨車容

積 kC 。

步驟三：將OS 中品項數小於剩餘揀貨車容積 (1 )kC 的訂單品項集合加入

至臨時訂單集合 ( )OST 。

步驟四：計算所有OST ，加入 kB 後導致揀貨距離增加。最小的訂單品項

集合 iO ，從OS 將 iO 刪除，更新 kC 。

步驟五：判斷OS 是否仍有符合剩餘車容積之訂單品項集合。若有，回到

步驟二；若否，則跳至下一步驟。

步驟六：判斷OS 中是否仍有訂單未進行批量規劃。若有，回到步驟二；

若否，跳至下一步驟。

步驟七：輸出訂單批量結果。

25

圖 12 KMB 流程圖

否

否

是

計算訂單集合中 ( )OS 中每筆訂單品項集合的揀貨距離

1k

從OS 中挑選距離最小的 kO ，加入批量

kB 中。令 kB 為中心，將 kO 從OS 中刪除並更新批量 kB 之車容積 kC 。

將OS 中品項數小於剩餘車容積 (1 )kC 的訂單品項集合加入至臨時訂單集合 ( )OST 。

計算所有OST ，加入揀貨距離最小的訂單品項集合 iO ，從OS 將 iO 刪除，

更新 kC

OS 是否仍有符合剩餘車容積之訂單品項

集合?

OS 中是否仍有訂單未進行批量規劃?

輸出訂單批量結果


是

26

三、自組織映射圖神經網路批量法(Self-organizing map

Batching, SOMB)

黃羿蓁(2009)應用類神經網路中之自組織映射圖神經網路(Self-Organizing

Map, SOM)群聚之特性，利用訂單特性將特性相近的訂單組成為一批量，縮短

訂單揀貨距離，輸入層之輸入變數定義為每筆訂單特性；神經元定義為訂單；

優勝神經元定義為負荷量較大的訂單。SOM 法主要將輸入變數映射至拓樸圖

上，因此在映射過程中，對於維度上之座標點必須有其相對關係，其利用三維

空間概念將訂單關係映射至座標上，如圖 13(a)。 X 軸為涵蓋走道數，表示每

筆訂單內品項座落的走道數量；Y 軸為每張訂單內之品項數；Z 軸為相同走道

數，表示訂單與訂單間之品項座落在相同走道的數量。研究將三維維度轉換為

二維維度，如圖 13(b)。訂單關聯度是原 Z 軸的相同走道數與原 Y 軸的品項數

之函數關係，如方程式所示如下。

1 2( )f w w 訂單關聯度品項數,相同之走道數品項數相同之走道數 (7)

圖 13 三維轉換至二維 SOM 架構圖

1w 與 2w 為連結的權重， 1w 與 2w 之總和必須等於 1。權重主要是調整訂單

之間的關係。原始 SOM 在分群時，並沒有限制每群的數量，因此在訂單批量

(1, 1)

(1, 2)

(1, 3)

(1, 4)

(1, 5)

(2, 1)

(2, 2)

(2, 4)

(2, 3)

(2, 5)

(3, 2)

(3, 1)

(3, 3)

(3, 4)

(3, 5)

(4, 1)

(4, 2)

(4, 5)

(4, 3)

(4, 4)

(5, 1)

(5, 2)

(5, 3)

(5, 4)

(5, 5)

X (涵蓋走道數)

Y 訂單關聯度Z (相同走道數)

Y (品項數)

X (涵蓋走道數)

(a) (b)

27

問題上，將映射出的神經元(所有訂單)之座標後，相似性愈高之訂單群聚愈明

顯，接下來選擇優勝神經元，優勝神經元為批量負荷較大者，也就是品項數量

較多的訂單，接著以優勝神經元為主，計算所有拓樸圖上神經元與優勝神經元

之距離，在符合批量容積之限制的前提下，將神經元加入批量中，反覆執行上

述程序，最後得到批量數與每筆批量之訂單內容。SOMB 流程，如圖 14。

SOMB 計算步驟如下：

步驟一：將每筆訂單映射至三維空間座標，再依據方程式(7)轉換為二維

空間，並顯示每筆訂單之神經元座標，令批量數為 k ， 1k 。

步驟二：挑選優勝神經元，在所有神經元(訂單集合)(OS )挑選最大連結權

重之神經元(訂單容積負荷量) kO ，令 kO 為優勝神經元， kO 加入

批量 ( )kk B ，更新 kB 內之容積( kC )之神經元，從OS 將 kO 刪除。

步驟三：在OS 選出品項數小於剩餘批量車容積(1 kC )之神經元加入臨時

神經元集合 ( )OST 。

步驟四：計算OST 內所有神經元與優勝神經元之距離。

步驟五：在OST 中選擇與優勝神經元距離最小之神經元 iO ，從OS 將 iO 剔

除，並將 iO 加入批量內，更新 kC 。

步驟六：檢查OS 中是否仍有符合剩餘車容積(1 kC )之神經元。若有，回

到步驟三；若否，跳至下一步驟。

步驟七：檢查OS 中是否仍有神經元未進行批量規劃。若有，回到步驟二；

若否，跳至下一步驟。

步驟八：輸出訂單批量結果。

28

圖 14 SOMB 流程圖

否

否

是

每筆訂單映射為二維空間，並顯示每

筆訂單之神經元座標

1k

挑選優勝神經元 kO ，將加入批量( )kk B ，更新 kB 內之容積( kC )之神經

元，從OS 將 kO 刪除。

在OS 選出品項數小於 1kC 之神經元加入臨時神經元集合 ( )OST

計算OST 內所有神經元與 kO 距離

OS 中是否仍有符合剩餘容積之

神經元?

OS 中是否仍有神經元未進行批

量規劃?



是

在OST 中選擇與 kO 距離最小之神經元 iO ，從OS 將 iO 剔除，並將 iO 加入

kB 內，更新 kC 。

29

四、粒子群最佳化批量法(PSO Batching, PSOB)

粒子群最佳化演算法(Particle Swarm Optimization, PSO)源自對鳥類或魚

類群體捕食的行為研究，屬於群體智慧(Swarm Intelligence)之表現。王正安

(2008)應用粒子群演算法於訂單批量問題上，發展出粒子群最佳化批量法(PSO

Batching, PSOB)，其相關參數之批量定義如表 1 及表 2 所示：

表 1

相關參數之批量定義批量定義

粒子 i 一組訂單批量結果位置(Xi) 訂單順序速度(Vi) 訂單順序異動程度適應值批量後之揀或距離

表 2

PSOBM 參數設定參數值範圍

粒子數 25 慣性權重( w ) 0.9

學習因子( 1 2,c c ) 2 速度( idV ) (-2,2) 迭代數 200

其演算步驟如下：

步驟一：設定 PSO 參數，如表 2 所示。

步驟二：隨機產生訂單揀取順序，以揀貨車容積為批量之限制，建立一批

量初始解及隨機產生每個粒子的初始速度。

步驟三：依揀貨路徑法則計算各粒子適應函數，並求得各個體最佳值位置

(Pbest)與群體最佳值位置(Gbest)。

步驟四：更新個別粒子之最佳值位置。判斷適應值是否大於原先適應值來

30

決定是否更新。

步驟五：依目前位置與慣性權重、各個個體最佳值位置(Pbest)與群體最佳

值位置(Gbest)修正粒子速度(Vi)。

步驟六：迭代數加 1。終止條件為(1)當迭代次數到達 200 次或(2)所有粒子

皆已收斂至同一點或群體之最佳位置經歷 30 迭代未改變，假設

滿足以上敘述任一點，則跳至下一步驟。否則回到步驟三。

步驟七：輸出訂單批量結果

PSOB 流程圖，如圖 15：

圖 15 PSOB 流程圖

是

否

計算每個粒子的適應值 FV (計算每個批次後的揀貨距離)

更新每個粒子的個體最佳位置

(Pbest)與群體最佳值位置(Gbest)

是否滿足終止條件?


依速度與位置更新公式，更新各

粒子之速度與位置(修正 Xid)

設定參數

隨機產生粒子之起始速度(Vid)與起始位置(Xid)。速度為訂單排序異動程序大小；位置為訂單批量順序

迭代數加 1 (Iteration= Iteration+1)

31

第二節自組織映射圖神經網路之最適權重分析自組織映射圖神經網路應用在揀貨作業之訂單批量策略，黃羿蓁(2009)發

展出自組織映射圖神經網路批量法(Self-organizing map Batching, SOMB)，

Hsieh and Huang(2009)證明 SOMB 在揀貨作業之訂單批量上比較其他批量方

法有較優良之效率表現。因此本研究對於 SOMB 之訂單關聯度作深入探討，

發現影響訂單關聯度之因子有品項數與權重分配。訂單大小與品項個數有關，

一張大訂單涵蓋的品項數較多；反之，小訂單涵蓋的品項數較少。因此本研究

以訂單大小為變數，模擬測試 SOMB 在訂單大小不同時，是否具有不同之效

率表現。再者，影響 SOMB 的另一因子為權重，權重代表對於品項數或是訂

單相同走道數的重視程度。當 1w 大於 2w 時，表示對於品項數的在乎程度較高，

因此品項數大小就會影響整個 SOMB 在揀貨作業中的效率表現；當 1w 小於 2w

時，表示在訂單內的品項中走道數影響較大。因此本節主要針對此兩項因子進

行分析。

模式主要以完整揀貨作業測試 SOMB 權重，如圖 17 為模擬實驗設計架構

圖。倉儲環境屬於單層倉儲物流中心，如圖 16，具有 400 格儲位格，10 條走

道，前、中、後走道分別與 10 條走道交叉是為交叉走道，其 P/D 點位於第 5

走道與第 6 走道之間。其測試環境主要將倉儲劃分 A、B、C 三種區域，品項

分別佔 20%、30%、50%的 80/20 分配儲存空間。訂單大小為混合型訂單，小

訂單品項數為 5、中訂單品項數為 15、大訂單品項數為 50，以 10000 筆訂單

隨機抽取 300 筆為混合型訂單，作為實驗訂單，儲位指派以 ABC 分區儲存方

式，模擬實驗次數為 30 次。

32

圖 16 儲位環境圖

圖 17 模擬實驗設計架構圖

一、品項數大小

品項數大小主要與Hsieh and Huang(2009)之品項數不同做比較，觀察其品

項數大小具有影響權重組合。本研究以30品項數為訂單大小之上限，測試其

0.1~0.9之間權重組合，當權重值改變，其揀貨距離與揀貨車容積利用率之結

果，如表3。

33

表 3

不同訂單關聯度於混合訂單之平均揀貨距離與平均揀貨車容積利用率品項數

( 1w ) 相同走道數

( 2w ) 距離利用率

20 品項數 30 品項數 20 品項數 30 品項數0.10 0.90 6516.00 6343.00 98.50% 97.51% 0.20 0.80 6467.00 6343.00 99.30% 97.51% 0.30 0.70 6467.00 6294.00 99.30% 98.43% 0.40 0.60 6467.00 6294.00 99.30% 98.43% 0.50 0.50 6464.00 6294.00 99.40% 98.43% 0.60 0.40 6461.00 6571.50 99.40% 97.62% 0.70 0.30 6461.00 5974.50 99.40% 98.82% 0.80 0.20 6461.00 6294.00 99.40% 98.00% 0.90 0.10 6461.00 6343.00 99.40% 98.84%

從圖18 中，得知當設定權重 1w 為0.7， 2w 為0.3時之間平均揀貨距離最短，

而Hsieh, et al. (2009)研究假設為品項數20，建議SOMB品項數權重 1w 適合設定

於0.6至0.9範圍之間，相同走道數權重 2w 設定於0.1~0.4之間有較佳揀貨效率。

在本研究實驗分析，當改變品項數時，測試權重 1w 與 2w 之過程中，發現當品

項數愈大時，其權重適合設定值範圍縮小。在揀貨車容積利用率部分，如圖19

所示。權重 1w 設定為0.7， 2w 設定為0.3時，有較佳之揀貨車容積利用率，與揀

貨距離具有相似之情況。

34

圖 18 混合訂單型態下關聯度權重於分區儲存之揀貨距離績效差異圖

圖 19 混合訂單型態下關聯度權重於分區儲存之揀貨車容積利用率績效差異圖

二、線性搜尋

本研究進一步利用線性搜尋之方法找出精確的權重值，因此利用上節研究

之結果，繼續探究 1w 介於 0.6 至 0.8 之間， 2w 於 0.2 至 0.4 之間之最適權重值。

但由於 MLI 揀貨路徑法則中運算時間冗長，因此本研究改採用穿越法則，驗

證 SOMB 批量法之策略中其績效表現，其模擬驗證結果如圖 20，表現揀貨距

離之績效表現。以圖 20 結果顯示 1w 於 0.75， 2w 於 0.25 時有最短之揀貨距離；

35

以揀貨車容積利用率而言，研究結果顯示將權重 ( 1, 2)w w 設為(0.66,0.34)或

(0.79,0.21)有較佳的揀貨車容積利用率表現。由於揀貨車容積利用率差異至

0.1%以下，因此研究建議將 SOMB 參數折衷設定於 1w 於 0.75， 2w 於 0.25。

圖 20 SOMB 於 50 品項數區間權重之距離

圖 21 SOMB 於 50 品項數區間權重之揀貨車容積利用率

第三節自適應粒子群最佳化批量法自適應粒子群最佳化批量法(Adaptive PSO Batching, APSOB)是以自適應

(Adaptive)動態調整 PSO 慣性因子，來改善粒子群最佳化批量法(PSOB)。主要

調整速度與位置如方程式(8)與方程式(9) 。

11 2() ( ) () ( )

n n n nid id id id gd idV w V c rand P x c rand P x (8)

1n n newid id idx x V (9)

王正安(2008)所提出PSO訂單批量法之慣性因子( 0.9w )更新方式為固定

36

參數值；而本研究將慣性因子視為變數。Shi and Eberhart (1998)說明了在w介

於0.9 到1.2 時，有較高機率找到全域最佳解，慣性權重呈現線性遞減，而Ueno,

Yasuda and Iwasaki(2005)在演算過程以變動的權重值調整公式，如方程式

(10)~(11)，其粒子最佳位置表現可快速收斂，找到全域最佳解，因此本文將此

概念加入PSOB，而提出APSOB。

exp max

exp max

1.81 , 0 2

0.20.2 , 2

t TV V tT

t TV V t TT

(10)

expmax min

max

( )( )gd

new

V Vw w w

Vw w w

(11)

固定之權重利用上式之公式將慣性權重視為變數，其中 expV 表示為期望之

速度； maxV 表示粒子最大速度； gdV 表示群體最佳速度； t表示迭代數；T 表

示總迭代數； w 表示權重之區間； maxw 表示最大慣性權重，本研究以1.2為最

大慣性權重值； minw 表示最小慣性權重值，本研究以0.9為權重最小值；neww 為

更新的慣性權重。但由於新的慣性權重會超過最大值或是最小值，因此為限制

更新後的權重，假如 w 大於 maxw ，則 w 等於 maxw ；反之， w 小於 minw ，則

min w w 。慣性權重的改變在更新粒子位置，使其更接近個體最佳位置與群體

最佳位置。因此將演算法步驟說明如下：

步驟一：設定 PSO 參數。

步驟二：隨機產生訂單揀取順序，以揀貨車容積為批量之上限，建立一批

量初始解及隨機產生每個粒子的初始速度。

步驟三：依揀貨路徑規劃法則，計算各粒子之適應函數，並求得各個體最

佳值位置(Pbest)與群體最佳值位置(Gbest)。

步驟四：更新粒子之個體最佳值位置。判斷適應值是否大於原先適應值來

決定是否更新。

37

步驟五：依個體最佳值位置(Pbest)之速度與群體最佳值位置(Gbest)之速度

更新慣性權重。

步驟六：依目前位置、更新後的慣性權重、各個個體最佳值位置(Pbest)

與群體最佳值位置(Gbest)，來修正粒子速度(Vi)與訂單批量內之

揀貨順序(Xi)。

步驟七：終止條件包括：(1)當迭代次數到達 100 次；(2)所有粒子皆已收

斂至同一點；或(3)群體之最佳位置經歷 25 次迭代未改變，若滿

足以上任一終止條件。則跳至下一步驟。否則，迭代數加 1，回

到步驟三。

步驟八：輸出訂單批量結果

以圖 22，表示 APSOB 流程圖。

38

圖 22 APSOB 流程圖

在表 4 顯示模擬 PSOB 與 APSOB 之模擬結果，慣性權重的變動在揀貨車

利用率之結果影響並不顯著，但在平均訂單批量 CPU 運算時間部分，PSOB

之訂單批量求解時間是 APSOB 的兩倍。PSOB 與 APSOB 於平均訂單批量 CPU

是

否

計算每個粒子的適應值 FV (計算每個批次後的揀貨距離)

更新每個粒子的個體最佳位置

(Pbest)與群體最佳值位置(Gbest)

是否滿足三項終止

條件之任一項?


依速度與位置更新公式，更新各粒

子之速度與位置(修正 Xid)

設定參數

隨機產生粒子之起始速度(Vid)與起始位置(Xid)。速度為訂單排序異動程序大小；位置為訂單批量順序

迭代數加 1 (Iteration= Iteration+1)

依個體最佳速度(Pbest)之速度與群體最佳位置(Gbest)之速度更新慣

性權重

39

運算時間變異數分析如表 5，其中 P 值小於 0.05，證明 PSOB 與 APSOB 在平

均訂單批量 CPU 運算時間具有顯著差異性。

表 4

PSOB 與 APSOB 之模擬結果來源平均揀貨車利用率平均訂單批量 CPU 運算時間

隨機儲存*PSOB 0.850 10259.160 分區儲存*PSOB 0.839 6633.934 隨機儲存*APSOB 0.850 4009.468 分區儲存*APSOB 0.830 4009.468

表 5

PSOB 與 APSOB 於平均訂單批量 CPU 運算時間變異數分析表來源平均數標準差 F 檢定顯著性 PSOB 8446.547 8396.967 12.497 0.002 APSOB 4009.469 910.003

40

第四章模式建構與分析本章主要以模擬實驗驗證訂單批量在揀貨作業是否有顯著之影響，並驗證

本研究提出之 APSO 是否與 PSO 有顯著差異。以混合訂單比較儲位規劃、訂

單批量與揀貨路徑規劃以上三種影響揀貨作業之因子之效率。第一節介紹模擬

環境與假設；第二節為模擬實驗結果，並以統計分析軟體 SPSS 進行分析；第

三節整理揀貨作業在三種因子組合下分析之結果。

第一節模式建構本節主要分述環境與假設、實驗因子組合、績效評估準則、實驗因子參數

設定與測試。

一、模擬環境與假設

本模擬軟體為 Microsoft Excel VBA 建構模擬環境。以抽樣方法採隨機抽

樣方式，抽取母體的一部份資料為樣本，樣本必須具有母體的代表性。因此在

進行模擬實驗之前。首先隨機產生 10000 張訂單為母體，訂單呈現 80/20 法則

分配，品項種類總共 400 種，以上假設主要是避免所有品項揀取頻率呈現均勻

分配，並讓品項與品項之間揀取頻率具有落差，使整體訂單形態符合實務情

況。因此產生 10000 筆歷史訂單後，每次實驗皆從 10000 筆訂單中抽選 300 筆

訂單為樣本進行模擬，並反覆 30 次模擬實驗，將模擬之結果應用統計分析軟

體 SPSS 17.0 分析。程式撰寫環境為個人電腦 Intel Pentium D 2.8GHz，作業系

統為 Windows XP Professional SP3 進行模擬運算。

環境設定主要以黃建霖(2007)環境設定為主，研究限制每一個儲位格只能

放置 1 種品項，因此儲位格佈置如圖。設定共有 10 條走道，每條走道左右兩

側各個 20 格儲位格，共有 400 格儲位格。倉儲長寬比例以 Petersen and

Aase(2004)驗證，倉儲長寬比俐以1 1 、1 2 與 2 1 為最適之比例，本研究倉

儲長寬比為2 1 。並於中央加入交叉走道，以多位學者證明交叉走道之倉儲佈

置可減短揀貨之距離，但是過多的交叉走道會增加揀貨之複雜性，因此為了避

41

免揀貨路徑複雜，本研究以 Hsieh and Tsai(2006)之結果，加入 1 條交叉走道於

倉儲環境中，儲位格之最前方與最後方各加入一條橫向走道。領貨點與集貨點

(P/D)位於中央並為同一點，主要因文獻指出當領貨點與集貨點為同一點時比

不同位置時較有較佳之效率。揀貨員揀貨程序為依照揀貨單從 P 點出發，經過

揀貨單品項上之走道，至品項之儲位格揀取所有品項，揀取揀貨單所有品項後

回到 D 點，進行下一次揀貨。

圖 23 揀貨環境

本研究主要了解揀貨作業之儲位指派、訂單批量以及揀貨路徑規劃以上三

項策略對於揀貨作業績效表現，因此對於模擬實驗作以下假設與限制。

1.固定的揀貨區域佈置，揀貨作業期間不做變動。

2.實驗訂單為一期間內之訂單集合。

3.揀貨人員與揀貨車皆不發生閒置情形。

4.一位揀貨員一次只領取一張批量訂單，進行揀貨。

5.無訂單分割與臨時插單之狀況。

42

6.無缺或補貨之情況，實驗開始前補貨完成。

7.所有品項體積大小皆為固定，一個儲位格只能放置一種品項。

8.揀貨員行走於直向走道時可以同時揀走道兩側之品項。

9.當揀貨員揀取完該走道之品項，走道內不得迴轉揀取重覆品項。揀取完所有

品項的最後一條走道可走道內迴轉，回到 P/D。

10.不考慮揀貨員與揀貨車之加速度與減速，揀貨車以等速度前進。

二、實驗因子組合

本研究之目的為整體性評估揀貨作業之決策因子的相對重要性，實驗因子

主要分別為儲位指派、訂單批量與揀貨路徑。儲位指派分為不分區儲存與分區

儲存於 ABC 結合關聯法則之兩種儲位佈置；訂單批量有五種批量方法，關聯

批量、KMB、SOMB、PSOB 與 APSOB。揀貨路徑主要以傳統常用揀貨路徑

規劃之穿越法則、最佳路徑與 MLI 法。本研究訂單型態為混合訂單，黃羿蓁

(2009)研究結果在混合訂單型態下，以上三項策略具有顯著差異，因此本研究

以大中小訂單之品項數 5 至 20 個品項混合為混合訂單。實驗因子如圖所示：

圖 24 實驗因子組合架構圖

43

本研究總共有 30 種組合(2*5*3)實驗因子代號表示，第一組字母表示為儲

位指派之方法，共兩種方法以隨機儲存(R)、分區儲存(A)表示；第二組字母為

訂單批量，共有五種方法：關聯批量(A)、KMB(K)、SOMB(S)、PSOMB(P)、

APSOBB(AP)；第三組字母代表揀貨路徑規劃，共有三種方法：穿越法則(T)、

最佳路徑(O)、MLI(M)。

表 6

實驗因子組合代號表實驗序號實驗代號實驗因子組合

1 RAT 隨機儲存(R)*關聯批量(A)*穿越法則(T) 2 RAO 隨機儲存(R)*關聯批量(A)*最佳路徑(O) 3 RAM 隨機儲存(R)*關聯批量(A)*MLI(M) 4 AAT 分區儲存(A)*關聯批量(A)*穿越法則(T) 5 AAO 分區儲存(A)*關聯批量(A)*最佳路徑(O) 6 AAM 分區儲存(A)*關聯批量(A)*MLI(M) 7 RKT 隨機儲存(R)*KMB(K)*穿越法則(T) 8 RKO 隨機儲存(R)*KMB(K)*最佳路徑(O) 9 RKM 隨機儲存(R)*KMB(K)*MLI(M)

10 AKT 分區儲存(A)*KMB(K)*穿越法則(T) 11 AKO 分區儲存(A)*KMB(K)*最佳路徑(O) 12 AKM 分區儲存(A)*KMB(K)*MLI(M) 13 RST 隨機儲存(R)*SOMB(S)*穿越法則(T) 14 RSO 隨機儲存(R)*SOMB(S)*最佳路徑(O) 15 RSM 隨機儲存(R)*SOMB(S)*MLI(M) 16 AST 分區儲存(A)*SOMB(S)*穿越法則(T) 17 ASO 分區儲存(A)*SOMB(S)*最佳路徑(O) 18 ASM 分區儲存(A)*SOMB(S)*MLI(M) 19 RPT 隨機儲存(R)*PSOB(P)*穿越法則(T) 20 RPO 隨機儲存(R)*PSOB(P)*最佳路徑(O) 21 RPM 隨機儲存(R)*PSOB(P)*MLI(M) 22 APT 分區儲存(A)*PSOB(P)*穿越法則(T) 23 APO 分區儲存(A)*PSOB(P)*最佳路徑(O) 24 APM 分區儲存(A)*PSOB(P)*MLI(M) 25 RAPT 隨機儲存(R)*APSOB(AP)*穿越法則(T) 26 RAPO 隨機儲存(R)*APSOB(AP)*最佳路徑(O) 27 RAPM 隨機儲存(R)*APSOB(AP)*MLI(M) 28 AAPT 分區儲存(A)*APSOB(AP)*穿越法則(T) 29 AAPO 分區儲存(A)*APSOB(AP)*最佳路徑(O) 30 AAPM 分區儲存(A)*APSOB(AP)*MLI(M) 31 RDT 隨機儲存(R)*單一訂單(D) *穿越法則(T) 32 RDO 隨機儲存(R)*單一訂單(D) *最佳路徑(O) 33 RDM 隨機儲存(R)*單一訂單(D) *MLI(M) 34 ADT 分區儲存(A)*單一訂單(D) *穿越法則(T) 35 ADO 分區儲存(A)*單一訂單(D) *最佳路徑(O) 36 ADM 分區儲存(A)*單一訂單(D) *MLI(M)

44

三、績效評估準則

本研究以五項準則為模擬實驗評估準則評估因子組合之效率表現。評估準

則為批量 CPU 運算時間、揀貨車容積利用率、揀貨距離、路徑 CPU 時間與總

CPU 運算時間。

表 7

績效評估準則分類績效評估準則說明

揀貨距離揀貨距離(公尺)

由 P/D 點出發，依照批量訂單行走倉儲環境揀取品項，最後

回到 P/D 點將品項集合分類後，領取下一張批量訂單，直

到期間內批量訂單揀取完畢行

走之距離總合。

CPU 運算時間

訂單批量運算時間(秒) 比較不同訂單批量方法之 CPU運算時間

揀貨路徑規劃運算時間

(秒) 比較不同揀貨路徑規劃方法之

CPU 運算時間

總 CPU 運算時間(秒) 不同因子組合之揀貨距離 CPU運算時間

揀貨車容積利用率揀貨車容積滿載率比較不同訂單批量方法之揀貨

車滿載率

四、實驗因子參數設定與測試實驗參數之不同會影響各個演算法之運算，因此本研究對於關聯法則門檻

值設定、訂單批量之 PSOB、SOMB 之參數設定做以下描述。

(一)關聯法則門檻值設定

在本研究中關聯法則主要是探討訂單內某項品項同時出現之情況。本研究

在儲位指派上運用關聯法則結合 ABC 分類，以 Apriori 演算法計算 10000 筆歷

史訂單內品項支持度，當支持度大於門檻值時，進行儲位調整。在混合型訂單

環境下，以隨機方式產生 10 組同樣為 80/20 法則的 10000 筆訂單，分別計算

45

存取頻率前 10%之品項數，發現彼此兩兩支持度介於 2%~4%之間，代表 10000

筆訂單中，同時出現每兩種品項訂單數為 200~400 筆之間，因此本研究折衷將

門檻值設為 3%。第一階段 ABC 分類以將存取頻率高的品項調整至離 P/D 點

進的儲位，因此 3%的門檻值在此研究範圍屬於較嚴謹之設定值。

(二)SOMB

在 SOMB 中，將涵蓋之走道數、品項數與相同走道數之三維度空間，利

用函數型態轉換為二維空間。

1 2( )f w w 訂單關聯度品項數,相同之走道數品項數相同之走道數

因 SOMB 之參數會因訂單大小品項數不同而設定值不同，本研究以上節

SOMB 模擬實驗之結果以 1w 為 0.7、 2w 為 0.3 為權重設定；線性權重測試結果

以 1w 為 0.75、 2w 為 0.25，因此以整體揀貨作業模擬測試之權重以 1w 為 0.7、 2w

為 0.3 為主。

(三)APSOB

本研究發展自適應粒子群最佳化批量法其設定之參數如下表 8，與 PSO 參

數設定差別在於不固定慣性權重。在 PSOB 與 APSOB 演算法之差別在於訂單

批量演算過程中，APSOB 可快速收斂，因此迭代數設定少於 PSOB。

表 8

APSOBM 參數設定參數值範圍

最大慣性權重( maxw ) 1.2 最小慣性權重( minw ) 0.9 學習因子( 1 2,c c ) 2

速度( maxV ) 2, 2 粒子數(Population) 25 迭代數(Iteration) 100

46

第二節模擬結果本節主要以混合訂單在兩種儲位指派策略上，五種訂單批量策略下結合三

種揀貨路徑規劃進行因子組合分析結果，實驗代號說明，如表 9 所示。

以實驗結果分析，如表 10 所示。在平均揀貨距離上，在儲位規劃上，分

區儲存結合六種訂單批量法則與揀貨路徑規劃之最佳路徑均有最佳表現。在訂

單批量策略上，關聯法則在平均揀貨距離表現最短，其次為 SOMB，而後依序

為 KMB、PSOMB、APSOB，平均揀貨距離最長之訂單批量法則為單一訂單。

在平均總 CPU 運算時間上，其績效表現如同平均揀貨距離指標，在分區

儲存結合訂單批量策略之六項批量法則與揀貨路徑規劃之最佳路徑，運算時間

較短，表示在儲位佈置上，分區儲存可以降低物流中心揀貨作業時間與成本。

在訂單批量策略中，關聯法則為總 CPU 運算時間最短，其次為 SOMB。其餘

KMB、PSOB 與 APSOB 三項訂單批量法則在總距離與總 CPU 運算時間上差

異不大，CPU 運算時間最久為單一訂單揀取法則。

在平均訂單批量 CPU 運算時間，訂單批量法則之 SOMB 花費時間最短；

其次為 KMB，本研究發展之 APSOB 表現適中，與關聯法則比較，APSOB 之

CPU 運算時間較短；與 PSOB 法則比較，其 CPU 運算時間是 PSOB 法則之二

分之一時間；而後，單一訂單揀取法則並不需要計算平均訂單批量之 CPU 運

算時間，主要是因為以一張訂單為一批量訂單，時間等於 0。

平均揀貨路徑規劃 CPU 運算時間上，以穿越法則時間最短，MLI 最長；

但以總距離考量而言，穿越法則使揀貨車繞行距離最長，MLI 法則之揀貨車繞

行距離最短。

平均揀貨車容積利用率上，以 SOMB、KMB 法則揀貨車容積利用率最高，

幾乎呈現滿載狀況，其次為關聯法則。本研究發展之 APSOB 與 PSOB 之揀貨

車容積利用率差異不大。單一訂單揀取法則以一張訂單為一張批量訂單，其揀

貨車容積利用率最低。

47

表 9

實驗代號水準因

order batching policy for performance evaluation of order...

Documents