链上镖师 / Chain Biaoshi
TRE|仓库拣选任务分配：动态能力识别与在线调度优化
从15名拣选员的WMS日志中学习日内能力波动，并用可用人员比例触发滚动派单
论文从真实WMS日志中识别拣选员随时间变化的能力周期，并将预测结果嵌入在线任务分配模型，在保持实时求解能力的同时改善劳动均衡。
- 01：案例数据包含15名拣选员和158467条任务级记录。
- 02：DCDC在留出测试集上的MAPE为7.16%，SC基准为21.84%。
- 03：VTW-PAP依据可用拣选员比例触发滚动任务分配。
- 04：实验报告的劳动均衡改善超过20%，任务完成率达到99.55%。
从随机派单到动态能力驱动
人工拣选仍占仓库运营的重要位置，任务分配直接影响执行时间和用工均衡。案例仓库原有WMS将新任务随机发给可用拣选员，未区分人员之间的能力差异，也未跟踪同一人员在一天内的非单调波动。论文据此把问题定义为持续到达任务下的在线分配，并要求每次决策同时识别人员状态、任务属性和执行时点。
动态能力刻画与在线任务分配的一体化研究框架（来源：Fig. 1）
研究主线由三个连续环节组成：WMS日志形成能力训练样本，动态周期模型预测不同人员在不同时段的任务执行时间，在线优化模型再据此确定任务由谁执行以及何时开始。
成都仓库的158467条任务记录
案例来自成都一座B2B酒类仓库，场地约30米乘40米，设有四个收货区、八排货架并经营近千个SKU。仓库配备15名拣选员，论文提取2024年1月1日至6月30日的158467条任务记录。每条记录包含到达与释放时刻、首末次扫描、订单行数、重量、行走距离和累计作业经验，为识别个体差异与日内变化提供基础。
案例仓库的收货区、货架、通道与工作台布局（来源：Fig. 2）
仓库任务日志的数据清洗与能力训练样本构建流程（来源：Fig. 3）
任务记录
158467条
拣选员
15名
把日内波动切成可学习的能力周期
数据处理先修正连续集中扫描造成的执行时间低估，再用订单行数、总重量、单位重量、行走距离和累计经验解释任务耗时。入选回归组合的决定系数为0.785，测试MSE为0.506。处理后的时序散点显示，任务记录会局部聚集，人员能力在一天内呈非单调变化，稠密时段相对稳定，稀疏时段具有更高的不确定性。
基于密度聚类生成拣选员动态能力周期的过程（来源：Fig. 5）
1按任务发生时间与标准化执行能力组织每名拣选员的历史记录
2用密度聚类识别稠密区、稀疏区及周期边界
3在稠密周期内用任务属性回归估计执行时间
4结合运营负荷、前一日工作量和月度效应调整跨日能力
动态周期无需预设统一数量和固定长度，每名拣选员可以形成不同的周期结构。消融分析显示，运营负荷、前一日工作量和月度效应联合进入模型时取得最佳预测表现。
用可用拣选员比例触发滚动派单
OTA-DCDC模型为任务增加拣选员和能力周期索引，目标是最小化全部任务的总执行时间。约束保证每项任务只分配一次、任务到达后才能开始、同一拣选员顺序执行任务，并将前一日工作量带入能力衰减函数。系统同时记录执行时间差、任务数量差、平均等待延迟、平均逾期延迟和截止时点前完成率。
基于可用拣选员比例的VTW-PAP在线分配流程（来源：Fig. 7）
阶段 1 持续接收新到达任务并更新等待队列
阶段 2 计算当前可用拣选员占比并判断时间窗触发条件
阶段 3 构造当前窗口的多阶段任务分配子问题
阶段 4 使用Gurobi求解混合整数规划并下发任务
阶段 5 进入下一决策时点并更新人员可用状态
VTW-PAP把人员状态加入时间窗触发机制。等待任务进入窗口后，算法依据可用拣选员比例决定何时重算，并在每个决策时点精确求解规模较小的分配子问题。任务量为1000时，三档到达强度下的窗口平均求解时间为0.03至0.05秒，显示该滚动机制具备实时运行所需的计算速度。
能力预测与规模化调度结果
实验使用2024年1月至5月记录训练模型，将6月作为完全留出的测试期，并通过按时间扩展的交叉验证完成模型选择。DCDC测试集MAPE为7.16%、MSE为0.0830；静态能力模型对应数值为21.84%和0.2599。实验还构造500至3000个任务及三档到达率缩放系数，检验在线算法在不同规模和需求强度下的表现。
DCDC、DCF、SC及机器学习模型的能力刻画精度（来源：Table 6）
VTW-PAP、FTW与VTW-NT在不同任务规模下的计算结果（来源：Table 9）
DCDC测试集MAPE
7.16%
SC测试集MAPE
21.84%
劳动均衡、延迟与阈值联动
端到端实验显示，动态能力刻画带来的收益集中在人员负荷分配。论文摘要报告总执行时间获得小幅下降，劳动均衡改善超过20%。综合指标中，VTW-PAP取得更低的执行时间差、平均等待延迟和平均逾期延迟，任务完成率达到99.55%。这些结果说明能力预测既影响效率，也会改变任务在人员之间的分布。
OTA-DCDC在执行时间、劳动均衡和延迟指标上的改善（来源：Fig. 8）
三种在线分配算法的劳动均衡、延迟与任务完成率（来源：Table 10）
可用拣选员比例阈值α对劳动均衡与执行延迟的影响（来源：Fig. 13）
可用拣选员比例阈值会同时改变窗口触发频率、劳动均衡、等待延迟、逾期延迟和完成率。仓库设置该参数时需要依据自身任务到达强度和人员可用状态联合校准。
模型适用条件与研究边界
该框架面向任务持续到达、人工拣选员能力随时间变化的在线分配场景。论文假设客户订单已经完成批处理，每个未拣批次作为一项任务，任务没有严格交付时间窗，到达信息无法提前获得。用于延迟评估的时间窗属于软服务基准，由任务到达时刻加历史平均服务时间构成。
不同拣选员数量下的效率、延迟、完成率和劳动均衡指标（来源：Fig. 14）
前一日工作负荷敏感系数对总执行时间与执行时间差的影响（来源：Fig. 15）
01实证数据来自一座成都B2B酒类仓库，覆盖15名拣选员和2024年上半年记录。
02对其他仓库布局、自动化水平、用工制度和订单结构的外推效果，论文未报告。
03模型从扫描日志识别能力变化，疲劳、休息和个人偏好时段等具体成因未被逐项识别。
04前一日工作量影响需要按拣选员历史执行数据校准疲劳敏感参数。
05任务存在硬交付时限、订单尚未预分批或缺少连续WMS日志时，论文未报告模型表现。
图14和图15表明，用工数量与跨日工作负荷参数都会改变效率和劳动均衡。落地时需要持续更新人员能力模型，并用本仓库的到达强度、人员规模和历史负荷重新校准关键参数。
论文：Online task assignment in warehouse considering the pickers’ dynamic capability: A data-driven optimization approach
作者：Kun Wang，Yunhai Xiang，Wanying Chen
期刊：Transportation Research Part E
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
