基于改進(jìn)遺傳算法的直發(fā)包裝SKU歸并優(yōu)化方法

徐暢，王軍,2*，潘嘹,2

基于改進(jìn)遺傳算法的直發(fā)包裝SKU歸并優(yōu)化方法

徐暢1，王軍1,2*，潘嘹1,2

（1.江南大學(xué) 機(jī)械工程學(xué)院，江蘇 無錫 214122； 2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無錫 214122）

采用直發(fā)包裝SKU歸并優(yōu)化方法，通過減少最小存貨單位（Stock Keeping Unit，SKU）的種類，來達(dá)到節(jié)省物料成本的目的。綜合運(yùn)用k-means聚類分析和組合優(yōu)化理論，建立直發(fā)包裝SKU歸并模型，并設(shè)計(jì)基于非均勻變異算子的遺傳算法求解方法。以隨機(jī)生成SKU尺寸信息及其對(duì)應(yīng)的直發(fā)包裝訂購(gòu)數(shù)量的測(cè)試數(shù)據(jù)集為例，通過對(duì)比歸并前后的SKU種類數(shù)和物料成本來驗(yàn)證優(yōu)化方法的有效性和可行性。優(yōu)化后，直發(fā)包裝SKU歸并方案中SKU種類的平均降低率為33.13%，歸并可使物料成本平均下降2.84%。研究成果可豐富直發(fā)包裝領(lǐng)域的相關(guān)研究，對(duì)優(yōu)化供應(yīng)鏈結(jié)構(gòu)，促進(jìn)包裝系列化、智能化發(fā)展具有指導(dǎo)意義。

最小存貨單位；直發(fā)包裝；聚類分析；非均勻變異算子；遺傳算法

截至2021年12月，我國(guó)的網(wǎng)絡(luò)購(gòu)物用戶規(guī)模已達(dá)8.4億，是全球最大的網(wǎng)絡(luò)零售市場(chǎng)，而伴隨網(wǎng)絡(luò)購(gòu)物而生的是井噴式增長(zhǎng)的快遞量[1]。2021年9月15日印發(fā)的《“十四五”塑料污染治理行動(dòng)方案》中明確，到2025年，電商快件基本實(shí)現(xiàn)不再二次包裝。應(yīng)對(duì)此現(xiàn)狀，包裝供應(yīng)鏈物流相關(guān)企業(yè)正大力推進(jìn)原廠直發(fā)包裝（Delivered With Original Package，DWOP），即減少原供應(yīng)鏈路里品牌商倉(cāng)庫(kù)和電商平臺(tái)這2個(gè)流程，將產(chǎn)品直接從工廠發(fā)出后進(jìn)行訂單配送，到達(dá)消費(fèi)者手中。

消費(fèi)者網(wǎng)購(gòu)需求日益廣泛，也導(dǎo)致了最小存貨單位（Stock Keeping Unit，SKU）種類的暴增，由此引發(fā)的快遞件數(shù)上漲[2-4]、二次包裝需求量擴(kuò)大[5-7]、包裝廢棄物增加[8-10]、材料和資源浪費(fèi)[11-13]等一系列現(xiàn)實(shí)問題，已引起了社會(huì)各界的廣泛關(guān)注。Zhu等[14]基于客戶訂單和倉(cāng)庫(kù)的分布，提出了一種K-links啟發(fā)式聚類算法來歸并多個(gè)倉(cāng)庫(kù)之間的SKU，以達(dá)到降低運(yùn)輸成本的目的；Zhang等[15]提出了一種多倉(cāng)庫(kù)整合的儲(chǔ)存優(yōu)化方法，通過倉(cāng)庫(kù)間的轉(zhuǎn)運(yùn)來歸并多個(gè)子訂單中的SKU，并利用Benders分解算法求解，有效地降低了總成本；Bahrami等[16]以總揀選時(shí)間和訂單交付周期為衡量標(biāo)準(zhǔn)，提出了一種新的SKU存儲(chǔ)歸并優(yōu)化方法，可以更好地縮短總揀選行程距離和訂單完成時(shí)間；Wang等[17]提出了一種優(yōu)化訂單揀選操作的方法，引入“good move pair”的概念，根據(jù)不同訂單中SKU的數(shù)據(jù)特征來進(jìn)行歸并，以快速地得到更好的儲(chǔ)位分配方式；黃敏芳等[18]提出了為簡(jiǎn)化打包的兩階段在線智能優(yōu)化方法，能夠生成不同情景及倉(cāng)庫(kù)配置時(shí)打包的歸并優(yōu)化方案，有效降低了網(wǎng)購(gòu)訂單的履行成本。綜上所述，面對(duì)急劇增長(zhǎng)的SKU種類數(shù)，可根據(jù)不同的數(shù)據(jù)特征對(duì)SKU進(jìn)行歸并，并對(duì)倉(cāng)儲(chǔ)部署、揀貨路徑、訂單打包等進(jìn)行有效整合，從而達(dá)到降低成本、提高效率的目的[19-21]。

然而，現(xiàn)有的SKU歸并研究主要集中在傳統(tǒng)包裝供應(yīng)鏈路的電商平臺(tái)環(huán)節(jié)（儲(chǔ)存、揀貨、打包），原廠直發(fā)包裝的出現(xiàn)簡(jiǎn)化了原供應(yīng)鏈路，使其不再具備該環(huán)節(jié)。但龐大的SKU種類使得直發(fā)包裝在產(chǎn)品工廠環(huán)節(jié)就存在尺寸規(guī)格繁多、物料成本昂貴的問題。同時(shí)，直發(fā)包裝投入使用的時(shí)間尚短，在該領(lǐng)域進(jìn)行SKU歸并的研究尚為空白，目前在實(shí)際應(yīng)用中，仍采用人工計(jì)算或憑經(jīng)驗(yàn)的方式對(duì)直發(fā)包裝SKU進(jìn)行歸并，不僅效率低下，還往往不能取得期望的效果。因此，為適應(yīng)直發(fā)包裝應(yīng)用場(chǎng)景，本文提出了產(chǎn)品工廠環(huán)節(jié)中的直發(fā)包裝SKU歸并優(yōu)化模型及方法，嘗試通過直發(fā)包裝SKU歸并來降低SKU種類數(shù)，以達(dá)到節(jié)省物料成本的目的。

1 問題描述與建模

1.1 問題描述

使用直發(fā)包裝雖然減少了品牌商倉(cāng)庫(kù)（二次包裝）和電商平臺(tái)（儲(chǔ)存、揀貨、打包）2個(gè)環(huán)節(jié)，如圖1所示。但在直發(fā)包裝應(yīng)用場(chǎng)景中，一種SKU對(duì)應(yīng)著與之尺寸匹配的一種直發(fā)包裝，品牌商向紙板廠訂購(gòu)不同尺寸的直發(fā)包裝盒時(shí)，也會(huì)根據(jù)該SKU的需求量、銷量等因素綜合考慮每種直發(fā)包裝盒的訂購(gòu)量。因此，龐大的SKU種類使直發(fā)包裝在產(chǎn)品工廠環(huán)節(jié)便存在著尺寸規(guī)格繁多、物料成本居高不下的問題，這也成為了推動(dòng)直發(fā)包裝應(yīng)用的阻力之一。本文要解決的問題是對(duì)直發(fā)包裝SKU進(jìn)行歸并，以此來降低品牌商向紙板廠商訂購(gòu)不同尺寸直發(fā)包裝時(shí)的分散訂購(gòu)量，增加同尺寸直發(fā)包裝的訂購(gòu)量，使其達(dá)到以訂購(gòu)量為階梯的數(shù)量折扣，滿足降低物料成本的目的。

1.2 歸并描述

將不同的SKU分別進(jìn)行直發(fā)包裝作業(yè)，直發(fā)包裝的種類會(huì)和SKU種類一樣繁多，如圖2所示，每種SKU都對(duì)應(yīng)著與其匹配尺寸的直發(fā)包裝盒。直發(fā)包裝SKU歸并指將若干不同尺寸的SKU（即不同種類）采用同一尺寸的直發(fā)包裝，如2種SKU經(jīng)歸并后使用的直發(fā)包裝尺寸相同，則稱兩者得到了歸并，SKU種類數(shù)從2個(gè)變?yōu)?個(gè)。以2種SKU做歸并為例，若SKU1的長(zhǎng)寬高分別為1、1、1，SKU2的長(zhǎng)寬高分別為2、2、2，在歸并時(shí)會(huì)出現(xiàn)如表1中的8種情況。

圖1 傳統(tǒng)包裝與直發(fā)包裝供應(yīng)鏈的比較

表1 尺寸比較情況

Tab.1 Size comparison

在討論直發(fā)包裝SKU歸并時(shí)，為保證歸并后的SKU均能裝入直發(fā)包裝，需要分別將各個(gè)SKU的長(zhǎng)、寬、高進(jìn)行比較，選取較長(zhǎng)邊作為歸并后的尺寸。雖然可能存在“小SKU裝大盒子”的情況，但越多SKU選用同尺寸的直發(fā)包裝盒，品牌商也會(huì)相應(yīng)地增加該種直發(fā)包裝盒的訂購(gòu)量，生產(chǎn)紙盒時(shí)所能達(dá)到的數(shù)量折扣也就越高。將“分散訂購(gòu)”變?yōu)椤皻w并訂購(gòu)”，在很大程度上存在著使物料成本降低的可能。需注意的是，本文所指的SKU尺寸為該SKU所代表的最小外切長(zhǎng)方體的長(zhǎng)、寬、高。

1.3 模型假設(shè)

1）SKU和直發(fā)包裝所代表的空間形狀均為長(zhǎng)方體。

2）SKU在直發(fā)包裝中正交裝載。

3）所有SKU均能夠被其所對(duì)應(yīng)的直發(fā)包裝容納，即直發(fā)包裝的尺寸在理論上不受限，且尺寸大于被裝載的SKU。

4）忽略直發(fā)包裝材料厚度變化。

5）不考慮直發(fā)包裝破損情況。

圖2 不同尺寸SKU進(jìn)行直發(fā)包裝作業(yè)

1.4 符號(hào)說明

本文建模所用三維坐標(biāo)系如圖3所示。以SKU的長(zhǎng)、寬、高所在的直線作為軸、軸和軸，其左-后-下角所在的點(diǎn)為坐標(biāo)原點(diǎn)，各邊所在的方向?yàn)檎较颉?/p>

圖3 空間坐標(biāo)系建立示意圖

模型中所涉及的參數(shù)定義如表2所示。

表2 參數(shù)定義

Tab.2 Parameter definition

1.5 模型構(gòu)建

目標(biāo)函數(shù)：

約束條件：

式（1）為模型的目標(biāo)函數(shù)，表示歸并后直發(fā)包裝SKU的總物料成本函數(shù)；式（2）表示各個(gè)聚類中心下所形成的直發(fā)包裝長(zhǎng)應(yīng)該大于等于該簇內(nèi)SKU長(zhǎng)的最大值；式（3）表示各個(gè)聚類中心下所形成的直發(fā)包裝寬應(yīng)該大于等于該簇內(nèi)SKU寬的最大值；式（4）表示為各個(gè)聚類中心下所形成的直發(fā)包裝高應(yīng)該大于等于該簇內(nèi)SKU高的最大值；式（5）表示每一個(gè)SKU都應(yīng)該被包裝，且單個(gè)直發(fā)包裝內(nèi)只能裝載單個(gè)SKU，不能混裝，其中0表示待包裝，1表示已包裝；式（6）—（8）表示SKU必須與直發(fā)包裝正交放置，不能傾斜放置于直發(fā)包裝內(nèi)。

2 算法設(shè)計(jì)

2.1 初始解的快速生成

直發(fā)包裝SKU歸并優(yōu)化問題面臨的首要難點(diǎn)就是歸并方案的可行空間會(huì)隨SKU種類的增加而急劇膨脹，使得歸并優(yōu)化操作時(shí)的求解復(fù)雜度極高。針對(duì)該難點(diǎn)，本文圍繞哪些SKU可以使用同一種直發(fā)包裝即可以進(jìn)行歸并這個(gè)關(guān)鍵問題，采用聚類分析思想，以SKU的尺寸信息作為歸并的關(guān)聯(lián)紐帶?；谌斯そ?jīng)驗(yàn)知識(shí)（尺寸信息中的長(zhǎng)、寬、高距離）進(jìn)行初步k-means聚類，針對(duì)數(shù)目為50種及以下的SKU數(shù)據(jù)集，由于體量較小，根據(jù)經(jīng)驗(yàn)值設(shè)定初始聚類數(shù)目；當(dāng)SKU種類數(shù)大于50時(shí)，本文設(shè)定聚類數(shù)目計(jì)算方式為SKU種類數(shù)除以16取整，快速生成較好的初始可行解，以降低后續(xù)處理的復(fù)雜度[22-23]。

式中：X為第個(gè)對(duì)象；C為第個(gè)聚類中心；X為第個(gè)對(duì)象第個(gè)屬性，對(duì)SKU樣本X而言，X1為第種SKU的長(zhǎng)度，X2為SKU的寬度，X3為SKU的高度；C為第個(gè)聚類中心第個(gè)屬性。

2.2 基于非均勻變異算子的遺傳算法

在解決直發(fā)包裝SKU歸并優(yōu)化問題時(shí)，需首要考慮SKU的尺寸信息，k-means聚類分析得到初始解后，運(yùn)用組合優(yōu)化理論，結(jié)合非均勻變異算子的特性更新全局最優(yōu)解，算法流程見圖4。

具體實(shí)現(xiàn)過程如下：

1）讀取數(shù)據(jù)并進(jìn)行預(yù)處理。其中包含的數(shù)據(jù)有直發(fā)包裝訂購(gòu)數(shù)量折扣、紙板單價(jià)、直發(fā)包裝內(nèi)尺寸、制造尺寸、外尺寸及其對(duì)應(yīng)的數(shù)量。為了減少初始SKU種類，對(duì)讀取的直發(fā)包裝SKU數(shù)據(jù)進(jìn)行k-means聚類分析。

2）產(chǎn)生初始化群體。通過遺傳算法進(jìn)行求解，設(shè)置進(jìn)化計(jì)數(shù)器為0，個(gè)體數(shù)目為，隨機(jī)生成個(gè)個(gè)體作為初始種群。將遺傳算法中的個(gè)體通過二進(jìn)制編碼形式進(jìn)行存儲(chǔ)，所構(gòu)成的二進(jìn)制編碼集群如圖5所示。

3）個(gè)體評(píng)價(jià)。利用適應(yīng)度函數(shù)對(duì)每一個(gè)個(gè)體進(jìn)行適應(yīng)度計(jì)算，本文選取個(gè)體所代表的物料成本作為適應(yīng)度函數(shù)。

4）選擇操作。采用錦標(biāo)賽制進(jìn)行“優(yōu)勝劣汰”，隨機(jī)選取u數(shù)量個(gè)體進(jìn)行比較，從中選取最大適應(yīng)度值的個(gè)體進(jìn)入下一代種群，不斷重復(fù)該過程，直到下一代種群數(shù)量與上一代種群數(shù)量一致。

5）交叉操作。采用洗牌交叉方法對(duì)親代個(gè)體進(jìn)行交叉操作，從而產(chǎn)生子代個(gè)體，并計(jì)算其個(gè)體適應(yīng)度值。其中，洗牌交叉定義為，將一個(gè)親代基因取一半，再加上來自另外一個(gè)親代基因的一半，構(gòu)成一個(gè)新的子基因。

式中：為自定義的非負(fù)實(shí)數(shù)，通常取1；的取值為0～1的隨機(jī)數(shù)。在每個(gè)個(gè)體存儲(chǔ)當(dāng)前結(jié)果下計(jì)算適應(yīng)度函數(shù)的結(jié)果，再進(jìn)行判斷是否達(dá)到最大迭代次數(shù)。

圖5 遺傳算法二進(jìn)制編碼集群

7）優(yōu)化變異操作。在標(biāo)準(zhǔn)遺傳算法的變異過程中添加優(yōu)化變異操作，優(yōu)化過程通過非均勻變異算子進(jìn)行更新，非均勻變異算子可以表示如下：

式中：max為最大迭代次數(shù)；為決定非均勻度的參數(shù)。在進(jìn)行非均勻變異算子優(yōu)化時(shí)，依次對(duì)每一個(gè)個(gè)體進(jìn)行非均勻遺傳變異。變異運(yùn)算流程如圖6所示。

圖6 變異運(yùn)算流程

8）新個(gè)體評(píng)價(jià)。對(duì)上一步產(chǎn)生的新個(gè)體計(jì)算其適應(yīng)度值，更新全局最佳值.

9）檢查終止條件。若算法滿足終止條件，則輸出結(jié)果，算法結(jié)束；否則，返回步驟4。

通過以上方法，可確定直發(fā)包裝SKU歸并的最優(yōu)方案，將所有歸并后的目標(biāo)函數(shù)的負(fù)數(shù)作為其適應(yīng)值返回給遺傳算法，通過迭代可確定該歸并方案是給定當(dāng)前信息下滿足約束條件的全局最優(yōu)解。

3 試驗(yàn)分析

目前，在直發(fā)包裝領(lǐng)域，還沒有公開的測(cè)試集，常見的做法是隨機(jī)生成數(shù)據(jù)以驗(yàn)證優(yōu)化方法?，F(xiàn)建立一個(gè)包含100種SKU的測(cè)試數(shù)據(jù)集，長(zhǎng)、寬、高的取值范圍分別為140～260 mm、40～120 mm、40～120 mm，SKU所對(duì)應(yīng)的直發(fā)包裝訂購(gòu)數(shù)量取9 000～100 000內(nèi)的隨機(jī)數(shù)。本次測(cè)試選取紙板材質(zhì)為廠商提供的型號(hào)為K5R的C楞紙板，單價(jià)為3.85元/m2。物料成本計(jì)算見式（13），廠商提供的直發(fā)包裝盒紙板面積計(jì)算見式（14），表3為不同直發(fā)包裝盒訂購(gòu)量對(duì)應(yīng)的數(shù)量折扣。

式中：SUM為總物料成本；為直發(fā)包裝種數(shù)，=1,2,…,；為直發(fā)包裝盒紙板面積；為紙板單價(jià)；為數(shù)量；為數(shù)量折扣。

式中：為直發(fā)包裝盒紙板面積；分別為直發(fā)包裝盒制造尺寸的長(zhǎng)、寬、高。

表3 直發(fā)包裝訂購(gòu)數(shù)量及其數(shù)量折扣

Tab.3 Order quantity of DWOP and its quantity discount

3.1 遺傳算法參數(shù)設(shè)置

參考范厚明等[24-25]的研究，本文設(shè)置了若干組不同的種群規(guī)模、交叉概率（c）和變異概率（m）進(jìn)行正交試驗(yàn)。先控制種群規(guī)模為200不變，確定最優(yōu)的（c，m）組合。每個(gè)組合試驗(yàn)做10次并取平均值，得到優(yōu)化結(jié)果如圖7～8所示。

從圖7可以看出，c=0.75時(shí)，歸并后的物料成本和SKU種類數(shù)都最少；從圖8可以看出，m=0.001時(shí)歸并后物料成本和SKU種類數(shù)都相對(duì)較小。因此，本文確定了交叉概率和變異概率的最優(yōu)組合為(c,m)=(0.75, 0.001)，基于該組合，改變種群數(shù)量，得到試驗(yàn)結(jié)果如表4所示。

隨著種群規(guī)模的增大，優(yōu)化結(jié)果在種群規(guī)模為200時(shí)達(dá)到最小值，出于迭代次數(shù)和優(yōu)化效果的考慮，文中遺傳算法各參數(shù)的設(shè)置見表5。

圖7 交叉概率對(duì)物料成本和歸并后 SKU種類的影響

圖8 變異概率對(duì)物料成本和歸并后 SKU種類的影響

表4 種群規(guī)模對(duì)物料成本和歸并后SKU種類的影響

Tab.4 Effect of group size on packaging material cost and number of SKUs after merging

表5 遺傳算法參數(shù)

Tab.5 Genetic algorithm parameters

3.2 試驗(yàn)運(yùn)算及結(jié)果

本文的實(shí)驗(yàn)環(huán)境為MATLAB R2020a，選取隨機(jī)生成的SKU尺寸信息及對(duì)應(yīng)的直發(fā)包裝訂購(gòu)數(shù)量的測(cè)試數(shù)據(jù)集為例，采用本文設(shè)計(jì)的算法進(jìn)行尋優(yōu)測(cè)試，驗(yàn)證該方法的可行性和有效性。SKU的長(zhǎng)、寬、高取范圍分別為140～260 mm、40～120 mm、40～120 mm，SKU所對(duì)應(yīng)的直發(fā)包裝訂購(gòu)數(shù)量取9 000～100 000內(nèi)的隨機(jī)數(shù)，紙板材質(zhì)為K5R的C楞紙板，數(shù)量折扣如表3所示，直發(fā)包裝盒面積采用式（14）的計(jì)算方式。為了保證結(jié)果的準(zhǔn)確性，實(shí)驗(yàn)將在SKU種類數(shù)為25、50、100、200這4個(gè)規(guī)模下，各做10組求平均值。

首先，對(duì)數(shù)據(jù)進(jìn)行k-means聚類分析處理得到初始解，當(dāng)SKU種類數(shù)為25和50時(shí)，根據(jù)經(jīng)驗(yàn)值設(shè)定初始聚類數(shù)目分別為3和5。當(dāng)SKU種類數(shù)為100和200時(shí)，設(shè)定初始聚類數(shù)目的計(jì)算方式為SKU的數(shù)目除以16并取整，即取初始聚類數(shù)目分別為6和12。圖9為得到的聚類散點(diǎn)圖。

實(shí)驗(yàn)按照表5的參數(shù)進(jìn)行設(shè)定，運(yùn)行算法求解模型，尋優(yōu)測(cè)試結(jié)果如表6～7所示。

觀察表6～7可知，當(dāng)=25（歸并前SKU種類數(shù)為25）時(shí)，物料成本下降得最多，經(jīng)過歸并后，SKU種類數(shù)從25變?yōu)?5，即歸并前25種SKU對(duì)應(yīng)著25種不同尺寸的直發(fā)包裝盒，但歸并后，可在使用15種直發(fā)包裝的情況下，將物料成本下降5.46%。對(duì)比4種SKU種類數(shù)下的尋優(yōu)結(jié)果可知，經(jīng)過歸并后的SKU種類數(shù)都相較歸并前下降明顯，物料成本也都有一定程度的下降。其中，SKU種類降低率的范圍為18.00%～40.00%，平均值為33.13%；物料成本下降率范圍為1.70%～5.46%，平均值為2.844%。這充分說明了，通過直發(fā)包裝SKU歸并，不僅可以減少不同種類直發(fā)包裝的分散訂購(gòu)量、促進(jìn)包裝系列化，還可以使同種直發(fā)包裝訂購(gòu)量跨越數(shù)量折扣階梯，達(dá)到降低物料成本的目的，同時(shí)也證明了該算法的可行性。

尋優(yōu)效果方面，在4種SKU種類規(guī)模下運(yùn)行本文設(shè)計(jì)的基于非均勻變異算子的遺傳算法與同參數(shù)設(shè)置下的標(biāo)準(zhǔn)遺傳算法，將兩者的收斂曲線進(jìn)行對(duì)比，如圖10所示。從圖10可以看出，在相同的迭代次數(shù)下，本文遺傳算法的迭代過程更曲折，優(yōu)化結(jié)果也優(yōu)于標(biāo)準(zhǔn)遺傳算法。由此可知，相較于標(biāo)準(zhǔn)遺傳算法，本文設(shè)計(jì)的基于非均勻變異算子的遺傳算法具有更好的全局搜索能力，能夠獲得更加優(yōu)秀的直發(fā)包裝SKU歸并方案，證明了該優(yōu)化遺傳算法的有效性。

圖9 聚類散點(diǎn)圖

表6 歸并前后SKU種類比較

Tab.6 Comparison of SKU type before and after merging

表7 歸并前后物料成本比較

Tab.7 Material cost comparison before and after merging

圖10 遺傳算法收斂曲線對(duì)比

4 結(jié)語

根據(jù)以上分析，可得出如下結(jié)論：所建模型考慮了紙板類型及其單價(jià)、SKU尺寸信息及其對(duì)應(yīng)的直發(fā)包裝訂購(gòu)量和數(shù)量折扣，包含了直發(fā)包裝生產(chǎn)中的大部分因素，貼近實(shí)際；使用該優(yōu)化方法能通過歸并降低SKU種類數(shù)，達(dá)到降低物料成本的目的，且操作簡(jiǎn)單，僅通過歸并訂購(gòu)增加了同種直發(fā)包裝盒的訂購(gòu)量，不會(huì)改變?cè)挟a(chǎn)品的生產(chǎn)結(jié)構(gòu)，具有可行性；基于非均勻變異算子的遺傳算法相較于標(biāo)準(zhǔn)遺傳算法的局部搜索能力有所提高，能獲得更加優(yōu)秀的直發(fā)包裝SKU歸并方案，具有有效性。

未來可以在以下3個(gè)方面繼續(xù)探究：在模型中考慮人工成本、運(yùn)輸成本；數(shù)據(jù)處理時(shí)加入一些其他需要考慮的因素，如運(yùn)輸距離，使問題更貼近實(shí)際；進(jìn)一步提高遺傳算法在求解該類問題上的效果。

[1] 朱江. 淺談我國(guó)物流包裝的發(fā)展現(xiàn)狀及問題[J]. 物流工程與管理, 2018, 40(9): 140-141.

ZHU Jiang. The Present Situation and Problems of the Development of Logistics Packaging in China[J]. Logistics Engineering and Management, 2018, 40(9): 140-141.

[2] 鄭克俊, 翟小可, 李錦瑩. 快遞包裝混合回收閉環(huán)供應(yīng)鏈決策與協(xié)調(diào)[J]. 包裝工程, 2022, 43(21): 224-231.

ZHENG Ke-jun, ZHAI Xiao-ke, LI Jin-ying. Decision-Making and Coordination of Closed-Loop Supply Chain for Mixed Recycling of Express Packages[J]. Packaging Engineering, 2022, 43(21): 224-231.

[3] ZHOU Min, HUANG Jin-long, WU Ke-xin, et al. Characterizing Chinese Consumers' Intention to Use Live E-Commerce Shopping[J]. Technology in Society, 2021, 67(6): 101767.

[4] XIAO Quan, WAN Shan-shan, ZHANG Xing, et al. How Consumers' Perceptions Differ towards the Design Features of Mobile Live Streaming Shopping Platform: A Mixed-Method Investigation of Respondents from Taobao Live[J]. Journal of Retailing and Consumer Services, 2022, 69(2): 103098.

[5] 吳衛(wèi), 姚文靜. 物聯(lián)網(wǎng)時(shí)代下減少二次包裝的新思考[J]. 包裝工程, 2017, 38(12): 200-203.

WU Wei, YAO Wen-jing. New Thinking for Reducing Secondary Packaging in the Internet of Things[J]. Packaging Engineering, 2017, 38(12): 200-203.

[6] GHISELLINI P, ULGIATI S. Circular Economy Transition in Italy. Achievements, Perspectives and Constraints[J]. Journal of Cleaner Production, 2019, 243: 1-18.

[7] HUBER M, ARCHODOULAKI V M, POMAKHINA E, et al. Environmental Degradation and Formation of Secondary Microplastics from Packaging Material: A Polypropylene Film Case Study[J]. Polymer Degradation and Stability, 2022, 195: 109794-109801.

[8] 張異. 包裝廢棄物回收車輛路徑問題的改進(jìn)遺傳算法[J]. 包裝工程, 2018, 39(17): 147-152.

ZHANG Yi. Improved Genetic Algorithm for Vehicle Routing Problem in Packaging Waste Recycling[J]. Packaging Engineering, 2018, 39(17): 147-152.

[9] LI Zeng, ZHOU Ya, ZHANG Hui-jun, et al. Driving Factors and Their Interactions of Takeaway Packaging Waste Generation in China[J]. Resources Conservation and Recycling, 2022, 185(7): 106467.

[10] KIM Y, KANG J, CHUN H. Is Online Shopping Packaging Waste a Threat to the Environment[J]. Economics Letters, 2022, 214: 110398-110401.

[11] 賈縣民, 屈亞美. 低碳物流國(guó)內(nèi)研究綜述[J]. 包裝工程, 2022, 43(15): 289-300.

JIA Xian-min, QU Ya-mei. Review of Domestic Research on Low-Carbon Logistics[J]. Packaging Engineering, 2022, 43(15): 289-300.

[12] YANG Jia-hui, LONG Ru-yin, CHEN Hong. Decision-Making Dynamic Evolution among Groups Regarding Express Packaging Waste Recycling under Different Reference Dependence and Information Policy[J]. Waste Management (New York, N Y), 2022, 138: 262-273.

[13] 曹巍, 劉南. 終端網(wǎng)點(diǎn)參與下電子商務(wù)物流外包的協(xié)調(diào)策略研究[J]. 管理工程學(xué)報(bào), 2015, 29(4): 194-204.

CAO Wei, LIU Nan. Coordination Strategy of E-Commerce Logistics Outsourcing with Channel End- Nodes Involved[J]. Journal of Industrial Engineering and Engineering Management, 2015, 29(4): 194-204.

[14] ZHU Shan, HU Xiang-pei, HUANG Kai, et al. Optimization of Product Category Allocation in Multiple Warehouses to Minimize Splitting of Online Supermarket Customer Orders[J]. European Journal of Operational Research, 2020, 290(2): 556-571.

[15] ZHANG Yuan-kai, LIN Wei-hua, HUANG Min-fang, et al. Multi-Warehouse Package Consolidation for Split Orders in Online Retailing[J]. European Journal of Operational Research, 2021, 289(3): 1040-1055.

[16] BAHRAMI B, AGHEZZAF E H, LIMèRE V. Enhancing the Order Picking Process through a New Storage Assignment Strategy in Forward-Reserve Area[J]. International Journal of Production Research, 2019, 57(11): 1-22.

[17] WANG Meng, ZHANG Ren-qian, FAN Kun. Improving Order-Picking Operation through Efficient Storage Location Assignment: A New Approach[J]. Computers & Industrial Engineering, 2020, 139(1): 1-13.

[18] 黃敏芳, 張?jiān)磩P, 王顏新. 網(wǎng)上超市拆分訂單的合并打包優(yōu)化決策方法[J]. 系統(tǒng)工程理論與實(shí)踐, 2021, 41(2): 286-296.

HUANG Min-fang, ZHANG Yuan-kai, WANG Yan-xin. A Decision-Making Method of Package Consolidation for Split Orders in Online Supermarket[J]. Systems Engineering —Theory & Practice, 2021, 41(2): 286-296.

[19] JOHANSSON L, SONNTAG D, MARKLUND J, et al. Controlling Distribution Inventory Systems with Shipment Consolidation and Compound Poisson Demand[J]. European Journal of Operational Research, 2019, 280(1): 90-101.

[20] 胡志才. “新零售” 背景下智能包裝設(shè)計(jì)的發(fā)展與應(yīng)用研究[J]. 包裝工程, 2022, 43(14): 221-228.

Hu Zhi-cai. Development and Application of Intelligent Packaging Design under the Background of New Retail[J]. Packaging Engineering, 2022, 43(14): 221-228.

[21] STASKIEWICZ A, HVAM L, HAUG A. A Procedure for Reducing Stock-Keeping Unit Variety by Linking Internal and External Product Variety[J]. CIRP Journal of Manufacturing Science and Technology, 2022, 37(1): 344-358.

[22] 趙晨. 大型網(wǎng)上超市拆分訂單的合并打包方案決策方法研究[D]. 遼寧: 大連理工大學(xué), 2018: 18-25.

ZHAO Chen. Package Consolidation Scheme Decision Method for the Split-Orders of Hyper Online Supermarkets[D]. Liangning: Dalian University of Technology, 2018: 18-25.

[23] 傅立偉, 武森. 基于屬性值集中度的分類數(shù)據(jù)聚類有效性內(nèi)部評(píng)價(jià)指標(biāo)[J]. 工程科學(xué)學(xué)報(bào), 2019, 41(5): 682-693.

FU Li-wei, WU Sen. A New Internal Clustering Validation Index for Categorical Data Based on Concentration of Attribute Values[J]. Chinese Journal of Engineering, 2019, 41(5): 682-693.

[24] 范厚明, 張躍光, 田攀俊, 等. 時(shí)變路網(wǎng)下異型車輛動(dòng)態(tài)配置與路徑優(yōu)化[J]. 系統(tǒng)工程理論與實(shí)踐, 2022, 42(2): 455-470.

FAN Hou-ming, ZHANG Yue-guang, TIAN Pan-jun, et al. Dynamic Vehicle Routing Problem of Heterogeneous Fleets with Time-Dependent Networks[J]. Systems Engineering —Theory & Practice, 2022, 42(2): 455-470.

[25] ARRAM A, AYOB M. A Novel Multi-Parent Order Crossover in Genetic Algorithm for Combinatorial Optimization Problems[J]. Computers & Industrial Engineering, 2019, 133(3): 267-274.

Optimization Method of SKU Merging for Delivered with Original Package Based on Improved Genetic Algorithm

XU Chang1,WANG Jun1,2*, PAN Liao1,2

(1. School of Mechanical Engineering, Jiangnan University, Jiangsu Wuxi 214122, China; 2. Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Jiangsu Wuxi 214122, China)

The work aims to use the SKU merging optimization method of delivered with original package (DWOP) to achieve the purpose of saving material costs by reducing the types of stock keeping units (SKUs). K-means clustering analysis and combinatorial optimization theory were used comprehensively to establish the SKU merging model of DWOP. Afterwards, the genetic algorithm based on non-uniform mutation operator was designed to solve this problem. With the test data set of randomly generated SKU size information and its corresponding order quantity of DWOP as an example, the effectiveness and feasibility of the optimization method were verified by comparing the number of SKU types and the material cost of DWOP before and after merging. The results showed that the average reduction rate of the SKU types in the DWOP SKU merging scheme after optimization was 33.13%, and the average material cost reduction rate was 2.84%. The research results can enrich the related research in the field of DWOPand have guiding significance for optimizing the supply chain structure and promoting the serialization and intelligent development of packaging.

stock keeping unit; delivered with original package; clustering analysis; non-uniform mutation operator; genetic algorithm

TS206.4

A

1001-3563(2023)19-0248-10

10.19554/j.cnki.1001-3563.2023.19.032

2023-01-13

國(guó)家自然科學(xué)基金（51205167）；江蘇省自然科學(xué)基金（BK20151128）；國(guó)家一流學(xué)科建設(shè)輕工技術(shù)與工程（LITE 2018-29）

責(zé)任編輯：曾鈺嬋