在人工操作为主的仓储环境下,传统的储位分配和订单合并方式已经无法满足消费者日益增长的时限要求。在大多数企业现状中,仓储中心的各作业环节各自为营,运营上鲜有关联,特别是储位分配和订单拣选的环节,前者决定了拣选商品的位置,后者决定的拣选商品的顺序,两个环节的组合直接决定了拣选员拣选商品时的所有路径,是提高人工仓储效率的重中之重。同时,随着企业数据量随着电商订单量的增加而大幅上升,大规模的数据处理和数据挖掘的方法也能够帮助企业去挖掘历史订单数据中的关联信息,从而支持储位分配和订单分批的优化。本文工作如下:（1）简要介绍W企业的分区拣选系统,对该企业仓储的人工拣选作业进行梳理,分析仓储运营的问题所在,确定货位分配和订单分批是本文的关键优化方向,二者在决定拣选距离上具有关联性,需要考虑商品相关性和订单相似性;（2）针对分区系统的均衡分区工作量和缩短拣选时间长度的需求,构建订单相似度系数,定义了订单拣选的时间模型表达式,建立了以分区系统拣选总时长最短的订单分批模型和储位优化模型,并构建了基于商品关联规则的货位分配算法和基于订单相似度的订单分批算法;（3）利用python语言进行数据清洗、关联规则apriori挖掘算法编写,货位优化和订单分批的算法求解,两种和随机存储、基于需求频率存储两种货位分配方案、先到先服务的订单分批对比,分析货位分配和订单分批的优化效果。结果表明:基于关联规则的货位分配和基于订单相似度的订单分批在减少批次拣选时长、降低分区系统总拣选时间,提高分区工作均衡度上优化较好,联合优化后可降低20%以上的总拣选时间。