揀貨作業模型優化必定包含調度規劃，傳統的調度模型決策變量、優化目標和約束條件往往非常簡化，然而實際工業場景具有復雜性，絕大部分實際場景的決策優化問題很難描述的如此簡單。文章研究智能規劃方向屬于動態優化問題，擬在揀貨作業優化系統的設計中借助機器學習對多源異構數據進行準確預測、建立模型，研究包括以下幾大模塊：
（1）借助大數據平臺收集相關揀貨數據
京東倉庫每天產生巨量的訂單揀貨日志、步行揀貨軌跡數據，這些大量真實的數據信息構成了揀貨作業大數據平臺。利用大數據平臺對揀貨作業數據進行分析、挖掘，會得到配送中心、揀貨員、倉庫區域，分揀區的個性化信息，以及有關各倉庫區塊路徑的有效數據；
（2）利用機器學習從數據中尋求規律，對數據進行準確預估
機器學習模塊負責從大量數據中尋求規律和知識，利用歷史的揀貨員接收訂單、揀貨時長、空駛耗時等數據，對未來訂單的到達時間、揀貨速度、步行導航路徑等數據因素進行準確預估，并通過實時維度的特征進行修正，為構建模型提供準確的參數信息；
（3）構建訂單分配模型及路徑優化模型并設計相應的算法
在揀貨作業大數據平臺以及機器學習的預測數據基礎上，結合領域知識、優化算法、機器學習策略以及相關圖論算法，基于分解協調思想，構建訂單分配模型及路徑優化模型，并設計了相應的算法。首先通過訂單分配優化算法求解初始的訂單分配，然后通過路徑優化算法獲取各揀貨員的最佳行駛路線，進而，訂單分配優化算法根據路徑優化結果調整分配方案。通過不斷反復迭代，形成智能的揀貨作業規劃，以做出全局最優的分配決策，并和揀貨者高效互動，規劃出揀貨者最優路徑，實現動態最優化；
（4）根據實例驗證研究的可行性及有效性
在已研究的基礎上，對京東倉庫進行實地調研，實際操作揀貨作業過程，獲取所需模型參數，運用MATLAB 軟件進行數值仿真，驗證研究的可行性及有效性。