机器人移动履行系统(RMFS)即“货到人”拣选系统,由于其较好的可扩展性和较低的运转成本,随着人力成本的提升,其在仓库升级中也扮演着越来越重要的角色。在正常的拣选过程中,机器人的移动过程包括三部分:接受订单后从暂存点移动到目标货架,抬着目标货架从其存储点移动到工作台,在工作台完成拣选后抬着货架返回存储点。近些年,构建排队网络模型对RMFS的性能进行评估也是一大研究热点。本文针对前人在构建模型中没有考虑货架状态而可能造成的订单异常匹配的现象提出了“二次拣选”策略,并构建相应的排队网络模型。紧接着,本文提出了“货架指定”策略来减少机器人在订单履行过程的移动距离从而减少订单的周转时间,并在“二次拣选”策略的基础上构建了相应的排队网络模型。为了使得模型更接近实际情况,本文同样考虑了订单包含多个SKU的情况,并分析上述策略在是否包含多个SKU的时候模型上的差别。在求解半开排队网络模型(SOQN)时,常用的解决办法包括近似平均值估计算法(AMVA)、矩阵几何(MGM)等,本文针对AMVA算法在求解SOQN的迭代过程中可能会出现系统不稳定的问题对算法进行了改进。通过改进后的算法得到系统各个状态下的概率,进而得到工作台队长、订单周转时间、机器人忙期、工作台忙期等指标的表达式。最后本文通过构建仿真平台来验证改进后的近似平均值估计算法求得的各个模型的解析解的有效性,在验证了有效性后,本文接着做一系列数值实验来设计最优的仓库系统的布局。发现如下规律:(1)订单的周转时间与仓库布局以及工作台的分布关系密切;(2)“货架指定”策略能够有效降低订单的周转时间,且随着工作台数量的增加降低效果越明显;(3)在系统稳定的前提下,工作台的忙期只与订单的到达速率以及拣选人员的数量有关;(4)在拣选人员总数不变的前提下,增加工作台的拣选人数(减少工作台数),可以提高拣选效率,但对于货架指定策略不增反降;(5)包含多SKU订单的比例越低,货架指定策略对拣选效率的提升越显著。