一个集成Metaheuristic路由方法多个块仓库Ultranarrow通道和访问限制

文摘

问题特定的路由算法将蚁群优化(华)和integer-coded遗传算法(遗传算法)是发达国家应对新近观察到限制ultranarrow通道和访问限制,它存在于在中国最大的电子商务企业自营物流。这些限制禁止采摘者穿过整个过道,和访问限制甚至允许他们访问选择通道只能从特定的入口。蚁群优化主要是负责生成的初始染色体遗传算法,然后搜索与我们的小说picker-routing染色体设计的算法解决方案通过记录访问模式和subaisles的详细信息。为了演示算法的优点,进行全面的仿真比较与12仓库布局与实际订单信息。仿真结果表明,该混合算法优于启发式专用解决方案的质量。的影响参数对仓库布局的选择效率进行了分析。设置更多的连接通道和交叉通道提出有效地优化picking-service效率的访问限制。

1。介绍

对于大多数电子商务企业或在线分销商来说,一个设计良好的指令拣选策略(从仓库位置1)路由方法(2)能促进整个供应链的效率(3]。由于电子商务的出现,指令拣选的意义已经[4,5]。因此,我们专注于一个picker-routing问题的基础上,观察在中国电子商务企业。

订单服务时间是仓库的主要性能测量系统。在picker-to-parts仓库,彼得森(6)指出,服务时间可以表示成正相关的函数选择器的旅行距离。因此,一个适当的路由方法,确定选最短的路线可以最小化订单服务时间,因此提高选择效率。另一个选项,是能够降低仓储管理成本是提高空间利用率,这通常是由仓库所有者减少选择通道的宽度,广泛采用picker-to-parts narrow-parallel过道的仓库。在窄走廊仓库与多个订单农户、可能产生的(7]。

最近,我们观察到一个有趣的仓库系统ultranarrow通道在一个现实的中国在线零售商与自营物流,D公司,这意味着选择通道的宽度是进一步缩小,相对于前面提到的狭窄的过道。ultranarrow过道妨碍秩序拾荒者进入而把他们的选车。他们应该存车在入口处。当所有的选择完成,他们应该走出通道,将他们的车。连接通道和交叉通道,位于仓库,让农户改变工作通道,因为它们的宽度是足够的对于车的行走,如图1。对于这样一个仓库,毫无效用现有路由方法,允许秩序的人走过整个选择通道。此外,物理空间的限制导致访问限制。例如,位于前面的货架仓库系统可以放置在前壁;订单农户只能访问这些通道入口。促进电子商务热潮,本文旨在提出有效的路由方法仓库考虑到ultranarrow通道和访问限制。

我们提出一个方法通过将蚁群优化(华)和遗传算法(遗传算法),命名为与(混合动力华和遗传算法ultranarrow通道和访问限制)。的小礼品与如下。首先,避免穿越过道,过道与选择限制被指定的访问模式,访问和访问模式将地图选择特定的入口。其次,处理访问限制引起的独特特点,确定可行的机制之间的旅行路线指定入口是嵌入与。第三,提高收敛速度和性能的路由方法,华负责生成的初始染色体遗传算法,integer-coded遗传算法是为了搜索算法的解决方案主要是通过小说染色体设计代表所有的访问模式选择的通道。验证了改进后的路由方法的有效性,进行全面的仿真研究与上述收集到的数据D公司。与此同时,仓库布局的影响阐明。我们发现与方法可以方便地部署在不同的仓库布局场景由于其灵活性。

本研究的主要贡献在于以下几个方面。首先,我们开发了一个混合与的路由方法处理的方法挑战仓库ultranarrow通道和访问限制。应对路由问题的独特的特点在这样的仓库,许多创新机制对可行性判断和染色体编码要纳入我们的混合与的算法。其次,与客户订单信息的真实数据仓库收集的配置D公司,仿真研究是用来表明了该方法的有效性和药效。新特性带来的负面影响进行了分析。

本文的其余部分安排如下。部分2提供了一个审查的相关文献,介绍了现有专用启发式单块仓库。这些启发式可以应用在仓库有关本文改进后,启发式方法相比,我们的设计和修改与方法。节3优化模型,根据有关仓库定义的路由问题。的与提出了部分4。全面实现仿真验证该方法的效率5。最后,本文的结论部分6并介绍了我们正在进行的研究课题。

2。文献综述

密切相关文献研究可以分为两个主要来源:一个是通道宽度的影响,构成一个关键特性在我们的研究中,而另一个是picker-routing问题。在下面,我们将审查这两种文学流分开。

2.1。通道宽度的影响

减少选择通道的宽度是另一种扩大的空间利用率7]。然而,狭窄的通道导致更频繁的交通拥堵。在这方面,通过改变比例的选择:时间走路,分析模型来评估订单选择器堵塞(阻塞)窄走廊和wide-aisle仓库都是由帕里克说,情节剧电影8,9]。香港et al。10)提出了一个批处理方法在仓库狭窄的过道。同样,陈等人。11,12]介绍了一些路由方法窄走廊仓库拥挤的考虑。

以往的文献主要考虑传统wide-aisle或窄走廊仓库系统。虽然陈et al。13]提出一组启发式路由方法ultranarrow货架仓库系统考虑的访问限制,这些启发式发达在现有基本仓库布局的方法。这些方法易于实现的优点。然而,他们可以严重偏离最优解,进一步提高运营成本。为此,为了更好地优化影响采摘效率,我们专注于设计一个基于metaheuristics明智的路由方法。

2.2。路由方法

我们可以把所有现有的路由方法的相关文献分为两组:专用启发式和metaheuristics。专用的启发式发现普遍申请指令拣选,考虑到方便他们的部署14- - - - - -16]。在现有的专用的启发式,只有最大的差距和返回禁止顺序器遍历方法subaisles对于大多数情况,如图2。然而,这两种方法不能容易地部署在仓库系统有关。例如,最大的差距方法请求命令的人走过第一个通道选择块的后面。

对于更复杂的环境,metaheuristics是更合适的17- - - - - -19]。除了生成选择路线在复杂的环境中,例如多级的器(12),大部分相关文献都集中在设计集成解决方案order-batching和picker-routing [20.- - - - - -22]。尽管许多metaheuristics已经提出,如粒子群优化(23和模拟退火24),华是最受欢迎的picker-routing问题[25- - - - - -27]。为感兴趣的仓库设计选择的路线在我们的研究中,我们通过整合设计路由方法华和遗传算法。这种综合方法可以动态控制的调用时间华和遗传算法和提高算法的收敛速度和性能。

3所示。问题定义

3.1。仓库配置和假设

相关文献[4,28)和实践普遍关注多个块picker-to-parts仓库,这是有关在我们的论文中,如图3。我们研究的主要区别在于,所有的并行选择通道的宽度是假定为ultranarrow。此外,一些通道可能访问限制在指定的入口。的CA(横通道)位于正反面的方向。同样的,有中央社(连接通道)左右方向。的宽度CA和中央社足以允许订单农户走拿车,它允许订单农户改变工作通道。的交叉点之间的交集吗CA和一个中央社。仓库分为多个块(B),这些CA年代和中央社年代的正反面和左右方向。每一个选择通道也分为许多subaisles (年代)。

一个行包含块按左右方向,相应列是指那些在正反面的方向。对于一个年代,和分别表示前门和后门。一个块,有两个邻边CA年代,一个是(前面横通道),另一个是(回交过道)。订单选择器、工作交叉通道来标示(当前横通道)。描述从一个subaisle路由到另一个,(开始Subaisle)表示subaisle顺序选择开始,和(目标Subaisle)表示subaisle顺序选择访问。此外,前面的入口和是和 ,分别和他们的入口和 ,分别。鉴于这种布局,一些假设是值得注意的。首先,在这样的一个仓库,双向选择政策选择的秩序的人(29日]。与此同时,我们忽略了时间成本达到不同层次和侧面的货架上。

在电子商务企业的仓库中,动态客户订单的到来意味着我们可以复合成批量订单只依赖他们的到达时间。我们假设仓库采用random-storage政策(30.]。我们将限制强加于挑选车避免过载的能力(31日),选择器堵塞被忽略。为简单起见,我们忽略的顺序不同的人的步行速度和时间完成一个任务被认为是常数(32,33]。秩序的人没有限制,可以改变行走方向任何通道(34]。选择操作开始和完成在仓库,在操作时间被忽略。

3.2。路由模型

根据最大的差距和返回方法,以避免遍历和处理访问限制,每个subaisle选择最有效的选择解决方案可以通过三种访问模式:面前来回,返回的,Gap-return(如图4)。的面前来回模式查询订单农户走进及离开之后通过门口subaisle访问所有的选择。相应地,在返回的模式中,秩序的人只使用后门进入和离开。在Gap-return模式,订单农户进入选择通道但差距最大的一个路口掉头。秩序的人可能需要访问subaisle两次:一次通过和另一个 。因为最大的差距可能把subaisle切成两部分,这意味着Gap-return模式对应于两种访问模式:访问前部和后部。的Gap-return模式不需要订单农户访问其余部分完成后立即subaisle的一部分。subaisle访问模式确定后,选择的路线在这个subaisle决定,和选择在其中将映射到入口应该访问的顺序器。的面前来回模式将映射所有选择 ,的返回的模式将映射所有选择 ,和Gap-return将地图选择模式和 ,分别。然后,路由方法只需要找到一个令人满意的移动路线经过的所有入口映射选择。最后,一个集成的路线是由结合移动路线和选择路线subaisles挑选。因此,路由问题可以等价表示通过确定最好的访问模式,找到最好的访问序列的subaisles挑选。

基于上述假设和访问模式,目标是最小化总旅行的距离为一批。然后,我们可以制定一个0 - 1整数线性优化模型。

指数和集 :组subaisles挑选和仓库 :索引的subaisles用镐和仓库, 意味着得宝 :从subaisles组可行的移动路线来 :从subaisles指数的可行的移动路线来 :subaisle可行的访问模式的设置 :指数subaisle的可行的访问模式

参数和集 :组的移动距离从subaisles可行的移动路线来 :移动的距离从subaisles可行的移动路线来 :组的选择距离subaisle的可行的访问模式 :选择的距离subaisle可行的访问模式

决策变量 :二元决策= 1 ( )意味着subaislesubaisle后直接访问吗 :二元决策= 1 ( )意味着选择可行的移动路线从subaisles来 :二元决策= 1 ( )意味着选择可行的访问模式访问subaisle来

模型公式 受

函数(1)的目标函数是最小化总旅行的距离为一批。约束(2)确保只有一个移动路线选择当拾荒者从subaisle秩序来 。约束(3)确保每个subaisle只选择一个访问模式。约束(4)(6)定义的变量域。

路由模型不同于基本picker-routing问题,它可以被定义为Steiner-TSP(施泰纳旅行推销员问题)(14]。所有城市(subaisles)在TSP只需要访问一次。然而,如果一个subaisle(市)选择Gap-return模式,订单农户可能访问这个subaisle两次:一次和另一个时间 。对于我们的模型,这消除了TSP的共同约束的必要性,每个subaisle(市)准确唯一的前任和接班人。此外,当Gap-return模式是决定subaisle和顺序器需要访问后立即 ,TSP的共同约束,只有一个单一的旅游也同样呈现不必要的对我们的模型。

此外,访问限制的影响不能被纳入模型。当选择的块访问限制,一些subaisles访问模式将变得不可行。例如,如果一块的访问限制,只有返回的模式可以选择subaisles的这一块。此外,访问模式的选择将影响subaisles之间移动路线。例如,如果面前来回模式选择和 ,秩序的人将不得不进入和离开这些subaisles和 ,表示之间的移动路线和必须通过和 。

一般来说,有一个相互作用的价值观和 。在钻孔灌注开始之前,对于每个subaisle,我们可以得到一组“选择”访问模式和相应的详细的选择路线为这些访问模式也取决于访问限制约束。的“选择”任意两个之间移动路线subaisles可以确认在这个阶段。

当订单选择器选择的访问模式 ,通过提取的设置”选择“移动的路线,我们可以确定可行的集合之间移动路线和 。当前的访问模式也会影响移动路线的选择从当前到下一个 ,一旦下一个的访问模式是确定的。由于上述特点,准确的组不能确定之前的选择最优路由解决方案。因此,我们不能仅仅通过优化解决解决问题,如行话和最大化策略,激励我们设计metaheuristic-based路由方法。

4所示。解决方法

在本节中,混合算法集成华(蚁群优化)和integer-coded遗传算法(遗传算法)提出了处理指定的路由问题。一方面,华生成的初始染色体integer-coded遗传算法在初始化。这种结构不仅可以动态控制的调用时间遗传算法和华同时提高算法的收敛速度和性能。另一方面,integer-coded遗传算法picker-routing搜索算法的解决方案。服务的总旅行距离一批可以被定义为integer-coded染色体的适应度值获得的遗传算法。

4.1。距离初始化

为不同的访问模式subaisle,相应的挑选和选择路线的距离彼此不同。同样,移动路线和移动的距离和也受到他们的访问模式。可以确定的访问模式subaisle只有当这个subaisle选为 。之后,它的选择路线和移动路线可以相应确认。表示路由问题作为一个可控的组合优化问题与,所有的选择路线subaisles和任意两个之间移动路线subaisles不同的访问模式应该在初始化记录。

subaisle,每个访问模式将决定相应的选择路线和选择距离。这尤其适用于Gap-return模式,在前面和后面部分导致不同的选择路线和选择距离。这意味着,对于每个subaisle没有访问限制,一般有四种选择路线用:对面前来回的模式,返回的模式,为前面的一部分Gap-return模式,和后面的部分Gap-return模式。在初始化,所有相应的选择路线和选择距离计算和记录作为输入路由方法。

此外,有四种情况下的移动路线和移动的距离和 ,哪一个是访问模式的影响呢和 。

案例1。的面前来回模式选择和 ,或者是Gap-return模式是为他们选择,只有前面的一部分完成前面的一部分需要访问。然后,将从移动路线和结束时 。

例2。的面前来回模式选择 ,或者是Gap-return模式选择,只完成了前面的部分。相反,返回的模式选择 ,或者是Gap-return模式选择,只有后面部分需要访问。然后,将从移动路线和结束时 。

例3。的返回的模式选择 ,或者是Gap-return模式选择,只有部分完成。相反,面前来回模式选择 ,或者是Gap-return模式选择,只有前面部分需要访问。然后,将从移动路线和结束时 。

例4。的返回的模式选择和 ,或者是Gap-return模式选择他们两人,只有后面的一部分完成后面的一部分需要访问。然后,将从移动路线和结束时 。

值得关注的移动路线及其移动的距离和仍然需要为每种情况计算。移动的距离通常是计算任意两个之间的路径指定入口与曼哈顿距离(他们et al ., 2010)。然而,曼哈顿距离不能完全满足ultranarrow通道的布局。根据多元化的指定入口之间的空间关系和 ,如图5,移动路线的详细定义和移动距离描述如下(13]。

(我)入口在同一个CA。秩序的人可以直接从指定的入口指定的入口 ;看路线ⓐ如图5。

(2)入口在不同CAs但在同一列中。通常,两个可选指定入口之间的路线移动和指定的入口可用于顺序器。为简单起见,较短的一个选择;指的路线ⓑ如图5。

(3)在不同的列入口。秩序的人走通过离开从所选的入口,直到到达中央社毗邻CA的选择入口属于。然后,设置后作为 ,秩序的人走并输入 ;看路线ⓒ如图5。

所有的移动路线和选择路线不同的访问模式和他们的距离是记录并将用于线路建设和适应性价值评估。如果一些访问模式是不可行的由于访问限制,相关选择距离和移动距离将记录为无穷大。

4.2。ACO-Based染色体初始化

基于距离,初始化华是用来初始化路由染色体的人口。我们假设蚁群 蚂蚁,它们表示的顺序器。蚂蚁发现未完成的subaisles和确定的访问模式 。接下来,它记录了移动的距离来选择距离 。当所有subaisles都完成了,蚂蚁会走回仓库。然后, ,总旅行距离,是由所有选中的挑选距离和移动的距离,似乎将作为评价标准。之前华开始,计算信息素的初始值 在哪里信息素浓度吗从subaisle可行的移动路线来在时间和是可行的移动路线的数量的总和所有subaisles被蚂蚁或顺序访问器。

每只蚂蚁选择并确定移动路线随机根据转移概率,subaisle完成后将立即访问subaisle吗在时间由移动的路线,这是表示为 在哪里上的信息素浓度吗移动从subaisle来在时间 , 这条路线测量能见度,是未完成的subaisles的集合。的价值通常定义为的倒数之和移动距离的移动从subaisle来和相应的挑选subaisles距离和 。转移概率的定义会导致高优势最短旅行和选择路线,和推动熟悉的移动路线,路线选择的这些蚂蚁。认识到的参数和协调信息素浓度和路线之间的相对重要性可见性( )。通常情况下,和估值是前观察。

当所有蚂蚁完成任务,更新信息素浓度在所有航线 在哪里信息素浓度的衰退参数吗 。 信息素浓度的改变放在移动路线从subaisle对subaisle之间的时间和 ,由 在哪里 路线上的信息素浓度离开吗从subaisles来由蚂蚁从倍来 ,这是定义为 在哪里意味着选择路线的总旅行距离完成蚂蚁。

当所有蚂蚁完成旅行,一些解决方案将被保存在一个队列( )。如果一个新的解决方案在队列外,但比发现队列中最糟糕的解决方案,它将取代队列最严重的解决方案。的华迭代后将停止预定的数量相等。终止时,将使用解决方案保存在队列的初始化染色体integer-coded遗传算法。

4.3。Integer-Coded遗传算法(GA)

4.3.1。和初始种群生成染色体表示

在线路施工过程中华,订单农户选择首先,然后决定访问模式。没有被选中的访问模式容易被忽略在以后的迭代。为了避免收敛于局部最优,integer-coded遗传算法生成算法解决方案通过搜索访问模式和访问序列的所有subaisles挑选。每个基因在染色体的价值不仅记录的访问顺序一定subaisle也决定了这个subaisle的访问模式。在我们的算法中,如果一个基因的关联subaisle和模式,这种基因被定义为的价值 。是对应所有的访问模式,我们集 随着面前来回模式, 随着返回的模式, 作为访问的前部Gap-return模式, 作为访问的前部Gap-return模式。因此,这个值公式帮助我们确定每个基因的独特subaisle和访问模式。

值得注意的是尽管华已经生成的访问顺序传递所有subaisles可行的访问模式,这个解决方案可能不够有效,忽略了其他未经选择的访问模式。染色体表示应该包括所有subaisles和访问模式,和染色体的长度 。因此,解决华可以作为最初的几个基因,编码基础,其余基因的染色体将辅以随机编码。图6展示了一个例子,integer-coded染色体表示包括四个subaisles没有访问限制,这意味着染色体的长度 。生成的解决方案华是按顺序表示为 , , , , ,和 。这样的顺序表示意味着访问所有subaisles选择下列顺序:访问的一部分subaisle的Gap-return模式;访问subaisle的面前来回模式;访问前的一部分subaisle的Gap-return模式;访问subaisle的返回的模式;访问的一部分subaisle的Gap-return模式;和访问前的一部分subaisle的Gap-return模式。因此,在染色体的初始化,前6基因将价值27日8日18日,12日,54岁的和9,而其余的10个基因将随机编码的未经选择的访问模式进行进一步的优化。

染色体的人口 。编码完成后的染色体,交叉和变异操作将开始。

4.3.2。健身价值评价

所有的总旅行距离integer-coded染色体选择作为他们的健身价值。因为每个染色体包含所有与选择每个subaisle的访问模式,并不是所有的基因需要计算评估的健身价值。例如,如果subaisle已经由前表示基因的选择面前来回模式,其余的基因表明subaisle访问其他模式将被排除在外。每个基因在染色体解码,应该先检查一遍,以避免任何重复或错过了subaisles访问。如果subaisle未完成和访问模式是可行的,该基因会通过验证和计算的健身价值。验证每个基因的过程可以被描述为在图7。

每个染色体的总旅行距离的计算描述如下。

步骤1。集 和 表示订单农户从仓库。

步骤2。得到下一个基因。

步骤3。解码基因subaisle和访问模式。

步骤4。如果subaisle和访问模式通过验证,设置 ;然后继续第5步;否则,返回步骤2。

第5步。访问模式的基础上和 ,确定移动路线从来 。得到移动的距离和选择的距离 ;然后设置 和 。

步骤6。如果所有subaisles都完成后,继续第7步;否则,返回步骤2。

步骤7。返回到仓库并确定移动路线 ;集 和 。

步骤8。互惠的价值这个解决方案的健身价值。

第9步。如果与健身价值比的算法解决方案到目前为止人口在过去的一代,准备好了吗 。

4.3.3。交叉和变异

指定的父母进行交叉和变异的采用比例选择的方法。在这种方法中,父母都是随机选择的。然而,健身价值较高的父母倾向于选择高概率。因为染色体的基因在前面更容易计算的健身价值,有效的基因应该包含在交叉和变异。提高进化速度,采用四点交叉方法创建新的后代。四分割以同样的长度确定;第二和第四次基因选择分割交叉操作。然后,我们使用顺序交叉合法性修复。图8(一个)说明了交叉操作。

变异操作保证了多样性和避免过早收敛。座(Swap-based突变)−选择两个随机元素(一个从第一第三染色体的一部分,剩余的其他部分)和交流他们的立场−应用生成的后代。图8 (b)演示了这些变异算子。

4.4。停止条件

的遗传算法在两种情况下算法终止。第一个是如下:一旦迭代达到预定数量的后代 ,的遗传算法将终止。第二个标准是,遗传算法将终止如果最好的解决方案为固定数量的后代是相同的吗 。同样的标准中可以看到华部分和相应的参数和 ,分别。图9描述的整体过程与。

5。实验研究

5.1。实验设计

我们进行一个全面的实验评价了该方法的有效性,它包含12种仓库布局场景从一个现实的仓库系统D公司,如图10。详细配置参数如表所示1,它是指陈et al。13]。

通常有至少11通道在每一块中。对于每一个单一subaisle,存储位置的最低数量是384。每一个subaisle的平均长度和宽度是12.048米和0.8米,分别。对于每一个单一的架子上,平均宽度0.7米。此外,每一个的平均宽度中央社和CA分别为3.64米和3.3米,。

5.2。实验结果

仿真与实际的订单信息输入一个多月在此提到的仓库。对于所有的场景,至少547754订单本月抵达。订单只包含指定的存储位置的信息,没有其他客户相关信息。根据实际情况,我们限制每个选车携带最多60项。此外,通常只有在一个在线客户订单1 - 2项。最大化的利用购物车、订单合并成批量。在这个网上仓库中,我们使用的变量时窗分批规则,也被称为“先来先得”的,综合所有订单批次根据他们的到达时间。批处理操作后,生成13060批次。至少有1165个挑选任务分配与单块的场景。比较我们的混合与与专用的启发式方法,我们也提高了基本返回和最大的差距方法适应有关仓库本文,分别命名为核糖核酸(换取ultranarrow通道和访问限制)采用多次(最大差距ultranarrow通道和访问限制)。为核糖核酸和采用多次,每个subaisle还需要选择访问模式。的核糖核酸有面前来回和返回的模式,采用多次有面前来回,返回的,Gap-return模式。的程序核糖核酸和采用多次描述如下(13]。

步骤1。排序和索引的所有CA逐步在列然后在行年代。

步骤2。选择可行的访问模式的选择距离最短的所有subaisles挑选。然后,选择将映射到指定的入口。

步骤3。如果选择任务映射到一个入口,CA这个入口可以贴上CA与选择。

步骤4。通过遍历索引的CA年代增量,第一个发现CA与选择 ;然后订单农户将走到左边交叉点的 。

第5步。输入 ,并访问所有指定的入口映射选择任务。

步骤6。如果所有的CA年代与选择,继续步骤9;否则,继续步骤7。

步骤7。如果下一个CA与选择是相同的列作为 ,离开从近交叉点;如果下一个CA选择的不同列年代,离开从右边交叉点的 。

步骤8。到达下一个CA与选择和设置CA作为 。然后,回到步骤5。

第9步。离开并返回到仓库。

仿真平台是由c#开发。net 4.00 ghz的电脑。在所有的与解决方案,下面的搜索参数的值,如表所示2在先前的研究,验证是健壮(11),方差分析测试。为核糖核酸和采用多次,一批的平均计算时间小于1。为与,这一次还不到5 s。结果表明,在8个场景,与获得最佳性能。在剩下的四个场景,这三个路由方法得到相同的结果,如表所示3。数据在斜体字体意味着最好的结果对应的场景。由于灵活的定义为subaisle访问序列,与能有效地优化旅游路线。此外,访问模式源于现有基本的启发式,秩序的人很熟悉。因此,秩序的人可以很容易地接受新设计的路由方法。因此,与可以方便地应用于多个块仓库的设置。

5.3。讨论

根据结果,我们可以分析以下参数的影响。

(1)访问限制。在四个场景,所有方法产生相同的结果。他们都是只有一个布局行和访问限制是对一方的所有块暗示所有subaisles允许访问从只有一个入口。这意味着只有一个相同的访问模式使用相同的旅行距离将被所有的路由选择方法。出于同样的原因,与优于核糖核酸和采用多次用更少的访问限制的其他八个场景(见表4)。我们计算的百分比差异 , ,和 ,在哪里 , ,和引用的平均出行距离核糖核酸,采用多次,与,分别。更少的访问限制的实施将提高这些方法之间的优化空间。

(2)区域。虽然中央社只是负责订单的人改变工作通道,与产生更好的性能在一个场景中央社年代。例如,轻微的增加的数量中央社从两个(s场景三() )转化为重要的同步增加百分比之间的区别与和核糖核酸。类似的对比与和核糖核酸如图11。这一观点的含义是:访问限制的负面影响可以通过减轻设置的最优数量中央社年代。

(3)ca的数量。更多的存在CA年代有助于减少访问限制的相对比例,秩序的拾荒者可以享受更大的灵活性。如表所示4,与场景有优于其他方法CA年代。如果访问限制是不可避免的,我们建议仓库设计师可以设置更多CA年代。

6。结论

本文研究了一种新的多个块仓库与ultranarrow通道观察到从一个大型在线零售商在中国。在这样一个仓库系统,订单选择器是禁止进入ultranarrow通道选车。此外,我们还考虑到访问限制,已对一些特殊选择通道限制订单农户访问指定的入口。在这样的一个仓库,不能立即应用现有路由方法不修改。本研究设计了一个路由通过集成方法华和遗传算法解决这些实用功能,目的是提高运营效率。具体来说,核心的过程与在于识别不仅最好的访问模式,而且算法访问序列和移动路线,访问所有的subaisles挑选。

全面模拟是故意设计来验证该方法的功效。输入数据的仿真,包括仓库配置和订单信息,收集D公司。此外,两个改进专用启发式也检查进行比较。通过模拟,我们发现与在大多数场景可以显著提高选择效率。此外,的机理与负责仓库的访问限制可以部署与传统的通道。此外,减少访问通过设置更多的限制CA年代和中央社可以有效地优化picking-service效率。

本文提出的方法为设计开发的仓库布局。如果ultranarrow通道和访问限制是不可避免的,设计最优布局是一个值得进一步研究的问题。此外,指定存储分配和order-batching这样一个仓库系统的设置方法也值得进行进一步的研究。

数据可用性

数据将被访问。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(拨款71701213和71701213号)和教育部在中国(教育部)人文社会科学项目(基金号。15 yjc630008 14 yjc630136]。

引用

1. j·l·加西亚,a·阿尔瓦拉多j·布兰科·e·吉梅内斯,a . a . Maldonado g·科尔特斯,“多属性评价和选择的网站对农业产品仓库基于层次分析法,”计算机和电子产品在农业卷。100年,60 - 69、2014页。视图:出版商的网站|谷歌学术搜索
2. r·德桑蒂斯r . Montanari g . Vignali大肠Bottani,”一个适应蚁群优化算法最小化的拾荒者的旅行距离手动仓库,”欧洲运筹学杂志》上,卷267,不。1,第137 - 120页,2018。视图:出版商的网站|谷歌学术搜索|MathSciNet
3. j·a·汤普金斯j . a .白色y . a . Bozer和j·m·a . Tanchoco设施规划约翰•威利& Sons 2010。
4. f·陈、魏y和h . Wang”基于启发式的批处理和分配方法在线客户订单,”灵活的服务和生产日报,30卷,不。4、640 - 685年,2018页。视图:出版商的网站|谷歌学术搜索
5. 王j .张x k黄,“在线调度指令拣选和交付的多个区域和车辆容量有限,”ω-国际管理科学杂志》上卷,79年,第115 - 104页,2018年。视图:谷歌学术搜索
6. c·g·彼得森II,“订单拣选路径选择策略的评价,”国际期刊的操作和生产管理,17卷,不。11日,第1111 - 1098页,1997年。视图:出版商的网站|谷歌学术搜索
7. k .想,r .情节剧电影和j . Skufca”选择的影响密度指令拣选区域狭窄通道上,“工业工程师学会(IIE)。国际教育协会事务,38卷,不。10日,859 - 868年,2006页。视图:谷歌学术搜索
8. p•j•帕里克说,r . d .情节剧电影”,估计选择器阻塞在wide-aisle订单拣选系统中,“工业工程师学会(IIE)。国际教育协会事务第41卷。。3、232 - 246年,2009页。视图:谷歌学术搜索
9. p•j•帕里克说,r . d .情节剧电影”,车上订单拣选系统,行程时间模型”欧洲运筹学杂志》上,卷200,不。2、385 - 394年,2010页。视图:出版商的网站|谷歌学术搜索
10. 美国香港,a·l·约翰逊和b·a·彼得斯“批量选择窄走廊顺序选择考虑选择器系统阻塞,”欧洲运筹学杂志》上,卷221,不。3、557 - 570年,2012页。视图:出版商的网站|谷歌学术搜索
11. c·f·陈,h . Wang气,y谢,”一个蚁群优化路由算法与拥挤的考虑,两位选顺序”计算机与工业工程,卷66,不。1,第85 - 77页,2013。视图:出版商的网站|谷歌学术搜索
12. h . f . Chen王、谢y和c .气”ACO-based网络路由方法对多个订单农户与拥堵考虑仓库,”《智能制造,27卷,不。2、389 - 408年,2016页。视图:出版商的网站|谷歌学术搜索
13. 徐f, g, y,“启发式路由方法在多个块仓库与超窄通道和访问限制,”国际期刊的生产研究卷,57号1,第249 - 228页,2018。视图:出版商的网站|谷歌学术搜索
14. r·德·科斯特、t . le duc和k . j . Roodbergen”设计和控制仓库指令拣选:一个文献综述,”欧洲运筹学杂志》上,卷182,不。2、481 - 501年,2007页。视图:出版商的网站|谷歌学术搜索
15. r·w·霍尔,“距离近似路由手工采摘工人在仓库里,“工业工程师学会(IIE)。国际教育协会事务,25卷,不。4、76 - 87年,1993页。视图:谷歌学术搜索
16. n Gademann和s·范·德·”命令批处理parallel-aisle仓库总出行时间最小的”工业工程师学会(IIE)。国际教育协会事务,37卷,不。1,第75 - 63页,2005。视图:谷歌学术搜索
17. a . Alvarado-Iniesta j·l·Garcia-Alcaraz Rodriguez-Borbon,和a . Maldonado”优化物流在制造工厂的人工蜂群算法的使用,“专家系统与应用程序,40卷,不。12日,第4790 - 4785页,2013年。视图:出版商的网站|谷歌学术搜索
18. 李c, h .郭,y, c,和y王”的非线性整数规划模型集成的位置、库存、和路由决策闭环供应链,”复杂性ID 2726070条,卷。2018年,17页,2018。视图:出版商的网站|谷歌学术搜索
19. 刘黄c . y .局域网,y et al .,“无人机的新动态路径规划方法,”复杂性ID 8420294条,卷。2018年,17页,2018。视图:出版商的网站|谷歌学术搜索
20. o . Kulak y,和m . e . tan“联合订单批处理和选择路由在单和multiple-cross-aisle仓库使用基于集群的禁忌搜索算法,”灵活的服务和生产日报,24卷,不。1、52 - 80年,2012页。视图:出版商的网站|谷歌学术搜索
21. m . Matusiak r·科斯特·德·l·克朗和j . Saarinen”快速模拟退火方法配料precedence-constrained客户订单在一个仓库中,“欧洲运筹学杂志》上,卷236,不。3、968 - 977年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
22. c·a·瓦尔·j·e·比斯利,a . s . da Cunha”优化联合订单批处理和选择路由的解决问题,“欧洲运筹学杂志》上,卷262,不。3、817 - 834年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. c c。林,J.-R。康,c c。侯,彭译葶。程,”曼哈顿联合订单批处理和选择路由问题。”计算机与工业工程卷,95年,第174 - 164页,2016年。视图:出版商的网站|谷歌学术搜索
24. e·h·Grosse、c·h·格洛克和r . Ballester-Ripoll“模拟退火方法联合订单批处理和订单重量限制,选择路由问题”国际期刊的操作和定量管理,20卷,不。2、65 - 83年,2014页。视图:谷歌学术搜索
25. T.-L。陈,彭译葶。程,y y。陈,L.-K。陈”,一种有效的混合集成订单批处理算法,排序和路由问题,“国际生产经济学杂志》上卷,159年,第167 - 158页,2015年。视图:出版商的网站|谷歌学术搜索
26. 彭译葶。程,y y。陈,T.-L。陈,j . Jung-Woon柳”使用混合方法基于粒子群算法和蚁群优化解决联合订单批处理和选择路由的问题,“国际生产经济学杂志》上卷,170年,第814 - 805页,2015年。视图:出版商的网站|谷歌学术搜索
27. 黄r . j . Li, j·b·戴“联合优化订单批处理和选择路由的网络零售商在中国的仓库,”国际期刊的生产研究,55卷,不。2、447 - 461年,2017页。视图:出版商的网站|谷歌学术搜索
28. 朔尔茨,美国嗯,m . Stuhlmann g·沃斯切尔一如既往,“一个新的数学规划制定single-picker路由问题,“欧洲运筹学杂志》上,卷253,不。1,第84 - 68页,2016。视图:出版商的网站|谷歌学术搜索|MathSciNet
29. 郭宏源。Chang H.-P。傅,K.-Y。胡,”一个双边选择模型的必备读物/ RS aisle-assignment算法,”国际期刊的生产研究,45卷,不。17日,第3990 - 3971页,2007年。视图:出版商的网站|谷歌学术搜索
30. x徐,k, t . Liu和w .咚,”评估订单批处理吞吐量和变量时间窗口,“国际期刊的生产研究,52卷,不。8,2232 - 2242年,2014页。视图:出版商的网站|谷歌学术搜索
31. 美国Henn诉施密德,“Metaheuristics订单批处理和测序手动指令拣选系统,”计算机与工业工程,卷66,不。2、338 - 351年,2013页。视图:出版商的网站|谷歌学术搜索
32. k . j . Roodbergen和r·德·科斯特”,与多个横通道路由方法仓库”,国际期刊的生产研究,39卷,不。9日,第1883 - 1865页,2001年。视图:出版商的网站|谷歌学术搜索
33. j .学术界。锅,林志信。施,M.-H。吴”,订单批处理与群体遗传算法pick-and-pass仓储系统中,“ω-国际管理科学杂志》上57卷,第248 - 238页,2015年。视图:谷歌学术搜索
34. k . j . Roodbergen r·德·科斯特,“路由命令拾荒者在一个仓库中间过道,”欧洲运筹学杂志》上,卷133,不。1,32-43,2001页。视图:出版商的网站|谷歌学术搜索|MathSciNet

版权

版权©2019 Fangyu陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。