订单分批问题（Order Batching Problem, OBP）是物流管理特别是仓库运营中的核心问题，其目标是通过有效的订单分配策略来最小化拣选过程中的行走路径时间，从而提高拣选效率并降低运营成本。在现代电子商务环境中，由于订单数量庞大且变化频繁，这个问题变得尤为复杂。
吴仁超等人提出的混合元启发式算法是一种创新的解决方案，它结合了多种优化策略以构造高质量的拣选批次。该算法基于自适应大邻域搜索（Adaptive Large Neighborhood Search, ALNS）框架，这是一种广泛应用于组合优化问题的高效搜索方法。ALNS的特点在于它能够探索大的解空间，通过破坏和重建解来寻找全局最优解。
在ALNS的基础上，算法融入了基于不可行下降的局部搜索策略，这种策略允许算法在搜索过程中偏离当前解，寻找更优的解决方案。此外，还引入了自适应惩罚机制，以处理解的不合规性，确保生成的批次满足实际操作的约束。同时，结合了基于订单和基于批次的移除启发式，这些策略能够动态调整批次构成，进一步优化解的质量。
为优化拣选路径并降低批次旅行时间，研究者提出了单向启发式方法。这种方法运用动态规划（Dynamic Programming, DP）来优化多条路径的选择，确保拣货员在仓库内的移动路径最短。动态规划是一种有效解决最优化问题的方法，它通过分解问题到子问题，然后组合最优的子问题解来得到全局最优解。
实验结果显示，提出的混合元启发式算法在合理计算时间内，相比多重启变邻域搜索（Multi-start Variable Neighborhood Search, MS-VNS）、混合自适应大邻域搜索与禁忌搜索（Adaptive Large Neighborhood Search with Tabu Search, ALNS/TS）等方法，能获得更高的求解质量。最大路径长度减少了22.36%，这显著降低了拣选时间，提高了仓库作业效率。
关键词涉及的领域包括：订单拣选，订单分批问题，混合元启发式算法，不可行下降策略，以及单向启发式路径优化。这些技术的应用对于优化仓库运营，降低物流成本，提升客户满意度具有重要意义。这项工作展示了混合元启发式算法在解决实际供应链问题中的潜力，并为后续研究提供了有价值的参考。
