[论文解读] A simulated annealing approach to optimal storing in a multi-level warehouse
本文提出一种定制化的模拟退火算法，用于优化多层仓库中的存储分配，以最小化大规模预分批订单的总取货时间。与基于频率的启发式方法相比，该方法将取货时间减少了21%，表明对相关联物品进行聚类并不总是最优，并揭示了复杂且非直观的存储配置。
We propose a simulated annealing algorithm specifically tailored to optimise total retrieval times in a multi-level warehouse under complex pre-batched picking constraints. Experiments on real data from a picker-to-parts order picking process in the warehouse of a European manufacturer show that optimal storage assignments do not necessarily display features presumed in heuristics, such as clustering of positively correlated items or ordering of items by picking frequency. In an experiment run on more than 4000 batched orders with 1 to 150 items per batch, the storage assignment suggested by the algorithm produces a 21\% reduction in the total retrieval time with respect to a frequency-based storage assignment.
研究动机与目标
- 解决人工拣选员到物料仓库中专用存储分配优化缺乏分析模型的问题。
- 为多层仓库中大规模预分批订单开发存储分配与路径规划的联合优化方法。
- 探究传统启发式方法（如将相关联物品聚类存放或基于频率的布局）是否能提升取货效率。
- 评估复杂批次结构对最优存储配置及取货时间分布的影响。
- 提供一种快速、可定制且非黑箱化的算法，适用于实际仓库部署。
提出的方法
- 专为复杂预分批订单约束下的存储位置分配问题（SLAP）设计了模拟退火算法。
- 通过基于隐式S形路径启发式方法的可变参数，将宽通道仓库布局中的移动时间建模纳入算法。
- 目标函数最小化总取货时间，定义为移动时间与拣选时间之和，其中拣选时间按货架层级视为每件物品的常数。
- 通过将路径成本模型（公式4.3）扩展以涵盖跨层级的垂直与水平移动，使算法适用于多层仓库。
- 优化过程不改变路径启发式方法，也不拆分大型批次，从而保持装配流程的线性和高效性。
- 该方法避免使用黑箱求解器，计算效率高，适用于工业场景中的实时应用。
实验结果
研究问题
- RQ1在大规模预分批订单系统中，将正相关联物品集中存放于专用存储位是否能减少总取货时间？
- RQ2在具有大规模批次的多层仓库中，基于频率的存储分配性能与全局优化配置相比如何？
- RQ3在不改变批次结构的前提下，对存储分配与路径启发式方法进行联合优化，是否能显著减少总取货时间？
- RQ4当分批订单包含100多个物品且存在复杂相关性时，最优存储配置具有哪些特征？
- RQ5优化后的存储分配是否能降低罕见或异常批次出现极长取货时间的概率？
主要发现
- 在欧洲某制造商仓库的真实数据上，所提出的模拟退火算法相比基于频率的存储分配，将总取货时间减少了21%。
- 最优存储配置并未表现出直观的关联物品聚类特征，挑战了仓库设计中常见的启发式假设。
- 该算法改变了单个批次拣选时间的分布，减少了长尾效应，降低了出现极长取货时间的概率。
- 即使对于包含100多个物品的批次，聚类启发式方法也未能获得更优的取货时间，表明物品间距离的影响相对较小，相较于总拣选时间而言。
- 与随机存储分布相比，该算法将整体拣选时间减少了约38%，显示出显著的性能提升。
- 优化后的配置极为复杂，无法简化为“热区”与“冷区”的简单划分，原因在于大规模批次中存在复杂的关联结构。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。