Die Kommissionierung gilt nach wie vor als einer der personalintensivsten Prozesse in Lägern. Im E-Commerce mit Lebensmitteln, der sich in den letzten Jahren zunehmend entwickelt, sind Unternehmen aufgrund hoher Erwartungen an den Service (Same Day Delivery) sowie an die Qualität und Vielfalt der Produkte mit besonderen Herausforderungen konfrontiert, den Prozess der Kommissionierung effizient zu gestalten. An dieser Stelle knüpft dieses Paper an, indem unter Anwendung einer Clusteranalyse und eines genetischen Algorithmus die Lagerplatzvergabestrategie eines Food Fulfillment Centers optimiert und im Rahmen von Simulationsexperimenten bewertet wird. Dabei soll durch die Correlated Storage Assignment Strategy (CSAS) die Kommissionierleistung eines manuellen Person-zur-Ware-Kommissioniersystem erhöht werden. Der Optimierungsansatz zur CSAS wird in einem zweistufigen Verfahren umgesetzt: Während auf der ersten Stufe zunächst disjunkte Cluster mit zwei unterschiedlichen Clusteralgorithmen gebildet werden, werden diese Cluster auf der zweiten Stufe unter Verwendung eines genetischen Algorithmus den Lagerplätzen zugewiesen. Vor dem Hintergrund, dass Planungsprobleme der Kommissionierung in Wechselwirkung zueinanderstehen, wird mit dem Order Batching Problem ein weiteres Planungsproblem bearbeitet. Dafür werden mithilfe einer Heuristik, die an die Smallest Number of Additional Aisles (SNAPA)-Strategie angelehnt ist, Kundenaufträge zu Kommissionierrundgängen zusammengefasst werden. Die Rückkopplungen zwischen der CSAS und der Order-Batching-Heuristik sollen durch die Simulationsexperimente analysiert werden. Die Ergebnisse der Simulationsdurchläufe legen offen, dass die Kommissionierleistung durch die CSAS maximiert werden kann. Durch die simultane Verwendung der Order-Batching-Heuristik können zusätzliche Optimierungspotenziale erzielt werden.