综述：订单分批问题优化方法50年文献回顾与文献计量分析

《Journal of Industrial Information Integration》：A Literature Review and Bibliometric Analysis of 50 Years of Optimization Approaches Applied to the Order Batching Problem

本综述系统回顾了订单分批问题（OBP）50年研究进展，结合文献计量分析揭示了该领域演化脉络。研究聚焦拣选优化方法（POMs）在提升仓库（WAs）效率中的应用，指出拣选成本占比高达50%-70%。分析表明，元启发式算法（如遗传算法、可变邻域搜索）结合构造性启发式是解决经典OBP（静态订单、矩形布局、拣选员至货位系统）最有效方案，主要性能指标为总拣选时间、总路径距离和计算处理时间。文献计量覆盖77种期刊、169所大学和331位研究者，凸显了欧亚研究主导地位及未来适应现实仓库权衡的POMs设计挑战。

　　

文献综述与文献计量分析方法

本研究采用文献回顾与文献计量分析相结合的方法，系统梳理了订单分批问题（Order Batching Problem, OBP）过去50年的研究轨迹。研究范围严格限定于拣选系统操作层面的优化方法，共分析了168篇出版物，其中包括30篇文献综述和138篇拣选优化方法（Picking Optimization Methods, POMs）应用研究。所有文献均来自77个科学平台，涵盖了期刊、会议和书籍章节等多种类型。研究方法本质上是定性且描述性的，旨在通过纵向的十年周期分析，识别OBP研究模式的转变趋势与关键空白领域。

订单分批问题

订单分批问题的研究根源可追溯至Clarke和Wright（C&W）的经典研究。然而，真正为OBP应用奠定基础的是Vinod提出的整数规划（Integer Programming, IP）模型。随后，Armstrong等人开发的混合整数规划（Mixed Integer Programming, MIP）作出了重要贡献。而Ratliff和Rosenthal提出的动态规划（Dynamic Programming, DP）则激发了研究者们更大的研究热情，推动了该领域的深入发展。

大多数现有方法针对的是具有静态（离线）订单的假设性仓库，这构成了经典的OBP场景。这些仓库通常采用矩形布局（单区块和平行通道），配备低层级的拣选员至货位（picker-to-parts）系统，并设有一个拣货点与卸货点（Pick-up and Drop-off, P&D）。在解决方案方面，元启发式算法与构造性启发式的结合已被证明是最有效的途径，其中遗传算法（Genetic Algorithm）和可变邻域搜索（Variable Neighborhood Search）是最常被使用的技术。研究的主要性能与结果评估指标（Performance and Outcome Assessment Metrics, POAMs）集中在总拣选时间（Total Picking Time）、总路径距离（Total Routing Distance）和计算处理时间（Computational Processing Time）上。

文献计量分析

文献计量分析涵盖了截至2024年12月发表的168篇科学研究论文。分析对象包括77种期刊、169所大学和331位研究人员。从地域分布来看，大多数出版物源自欧洲和北美的期刊。就国家而言，拥有大学和研究人员最集中的是美国和中国。然而，从作者贡献度分析来看，中国和德国的表现超过了美国。从大洲层面看，亚洲和欧洲拥有数量最多的研究人员，但按作者出版物数量排名显示，发表成果最多的研究者来自欧洲和南美洲。这项分析成功识别了该领域内国家、组织、研究团体和有影响力的研究人员的贡献。

数十年演化分析

通过对OBP结构在过去五个十年（1970-2024）的演化进行分析，本研究采用纵向方法旨在识别OBP所提出方法的模式与趋势。这种动态分析有助于绘制现有文献中的关键空白点，并突出OBP周围尚未充分探索的研究领域。分析强调了为适应现实世界仓库（WAs）中复杂的权衡关系而制定更具适应能力的拣选优化方法（POMs）是当前的主要挑战，也是最有望的未来研究方向。

合规性与贡献声明

作者声明不存在任何竞争性利益。本研究获得了巴西国家科学与技术发展委员会（National Council for Scientific and Technological Development – CNPq，项目编号：312585/2021-7, 404819/2023-0, 402671/2025-2）和全国私立高等教育发展基金会（National Foundation for the Development of Private Higher Education – FUNADESP，项目编号：2700441）的资助。所有作者均对其在概念化、方法论、调查、数据分析、原创草稿撰写、项目管理和最终审阅等方面的贡献予以确认。