在当今激烈的竞争环境下,企业需要及时准确的交付产品,才能确保高质高效的服务与竞争能力。尤其是对于以Make to Order生产模式为主的企业,其订单交付能力决定了其向客户提供服务的水平,而订单分拣和包装是整个过程中较为重要的一环。在一些劳动密集型的转运中心,由于产品的特殊性或者客户对于订单包装和分拣的个性化要求,订单分拣一般以人工为主。比如以生鲜产品为主的供应商,对于种类较多的蔬菜,需要分拣人员有很高的识别能力。然而,以人为主体的分拣和包装活动中常常伴随着学习,即员工自身的认知能力和经验不断增加,导致订单的处理时间逐渐减少。同时,重复的操作导致员工的遗忘和疲劳,导致恶化的产生,使得订单的处理时间比标准处理时间增加。基于以上背景下人工分拣和包装订单的过程,分别考虑工人的学习效应和恶化效应两种情形,结合订单就绪时间的影响,本文形成以下两类研究问题。第一类问题研究了工人产生学习效应,且订单有自身就绪时间的订单调度。订单准备就绪后,工人对接到的订单依次进行分拣和包装,两个过程不可间断。在订单处理过程中因工人产生学习效应,导致后续处理的订单时间减少,目标是最小化所有订单的完工时间和与最大完工时间。针对该问题,构建订单处理时间受学习效应和就绪时间影响的模型。针对该问题,具体对订单数量较少和较多两种情形进行研究。(1)针对订单数量较少的小规模订单调度问题,本文设计改进分支定界算法进行求解。其中改进策略包括设计新的上界和下界。上界为通过启发式算法得到的解,下界为通过归纳的方式得到。为了评估分支定界算法和启发式算法的优劣,实验数据记录了分支定界算法的平均节点数、最大节点数和运行时间,记录了启发式算法的运行时间以及误差百分比。实验结果表明,分支定界算法是有效的。从准确度来看,相对与分支定界算法,启发式算法的误差较小,误差百分比基本分布在0.3%以内。从耗时看,分支定界算法总体来说效果较好。虽然耗时较启发式算法长,但求解小规模问题所需平均时间仅需几毫秒,基本平衡了算法效率和解的质量。(2)针对订单数量较多的大规模的订单调度问题,本文设计了文化基因算法求解,对其局部搜索策略和全局搜索策略进行改进。为了验证该算法的有效性,将该算法与NSGA-Ⅱ算法,粒子群算法,量子遗传算法,MOEA/D算法和模拟退火算法进行对比。对比指标为HV均值和IGD均值。实验结果表明,改进的文化基因算法拥有最小的IGD值和最大的HV值,改进策略有效。通过方差分析发现,分支定界算法的节点数量和MFL启发式算法的误差百分比受到就绪时间变化的显著影响;文化基因算法的HV值受到订单数量和学习效率变化的显著影响。第二类问题研究了工人产生恶化效应,且订单有自身就绪时间的订单调度。。订单就绪后,工人根据订单性质对订单进行分组,然后依次进行分拣,随着时间的延长工人产生恶化效应,后续订单的处理时间变长。目标是最小化最大完工时间,该问题可抽象为针对该问题,构建订单处理时间受恶化效应、就绪时间影响的模型。针对该问题,研究考虑了订单分组数确定和不确定两种情形。对于订单分组数确定的情况,证明问题可以在多项式时间内求得最优解,并设计精确求解算法1。对于订单分组数不确定的情形,改进分支定界算法进行求解。改进策略包括设计新的上界和下界,上界为通过设计启发式算法2得到的解,下界为通过归纳的方式得到。为了验证分支定界算法的有效性,将其与算法2进行对比。实验分别记录了算法的平均和最大运行时间,记录了算法2相对于分支定界算法的误差百分比。实验发现,从运行时间来看,算法2所耗费的时间最多,其次是分支定界算法,两者耗时相差较小。分支定界算法虽然耗时比启发式算法2长,但总耗时较短,可以在15或者16毫秒的时间内求解订单规模为300,机器数量为1 1的调度问题,分支定界算法是有效的。从误差百分比来看,分支定界算法为精确算法,算法2的误差百分比较小,最大值为0.068,不超过10%,均值位于0.000附近,不超过0.01,算法2表现良好。综上两类问题的研究发现,分支定界算法作为一种精确求解算法,结合启发式算法改进上界并设计新的下界后,可以到达解的质量与效率的平衡。