储位分配是保证仓库运作效率的重要基础环节。在货到人智能仓库中,储位分配的结果决定了订单生产环节的货架选择进而影响着拣货效率,与传统仓库储位分配问题不同,货到人智能仓库储位分配问题不再是简单的一对一的关系,而是一对多的决策,即一种商品存放在多个储位上,保证商品分布的分散性及整个仓库系统的柔性。在商品储位确定之后,随着拣选订单的增多,货架上的商品发生变化,为了继续保证商品分布的分散性,需要对货架进行调整。本文结合货到人智能仓库的实际情况,研究了货到人智能仓库的储位分配问题,主要研究内容包括以下几个方面:首先搜集相关资料和信息,介绍了货到人智能仓库运作流程、储位分配问题、遗传算法,然后分别研究了一般货到人智能仓库储位分配问题和分区同步拣货情况下智能仓库储位分配问题,建立了各个问题的数学模型并设计了相应的求解算法。对于一般智能仓库储位分配问题,在考虑了商品之间的关联度的基础上,通过数据挖掘的方法提取商品关联度矩阵,建立了以同一货架上的商品总关联度最大为目标的整数规划模型,并设计了求解储位分配问题的混合算法。首先利用贪婪算法确定储位分配初始解,然后利用改进的单亲遗传算法对初始解进行优化。通过与CPLEX求解整数规划得到的精确最优解进行对比,验证了本文提出模型及算法的有效性,也证明了本文提出的算法能解决CPLEX无法求解的大规模储位分配问题。对于分区同步拣货情况下智能仓库储位分配问题,在一般智能仓库储位分解问题求解结果的基础上,将储位分配问题转化为货架布局优化问题,考虑了货架之间的关联度,建立了以搬运货架总距离最小为目标的整数规划模型,设计了求解模型的混合算法。首先采用机器学习的方法对货架进行聚类,然后采用本文设计的贪婪算法对货架进行分配。并在真实的货到人智能仓库中进行仿真实验,结果显示,优化后的货架布局完成同一批订单时机器人移动总距离降低,验证了提出模型及算法的有效性。