Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Formulating and Solving Integrated Order Batching and Routing in
Formulating and Solving Integrated Order Batching and Routing in
Historia del artículo: Diferentes empresas minoristas y de comercio electrónico se enfrentan al desafío de reunir grandes cantidades de pedidos de preparación en los
Recibido el 27 de enero de 2021
que el tiempo es crítico, que incluyen pedidos de líneas pequeñas y de varias líneas. Para reducir el recolector improductivo
Aceptado el 31 de agosto de 2022
tiempo de trabajo como en los sistemas tradicionales de almacenamiento de piezas, se proponen diferentes soluciones en
Disponible en línea el 6 de septiembre de 2022
la literatura y en la práctica. Por ejemplo, en una política de almacenamiento de estantes mixtos, los artículos del mismo stock
Palabras clave: las unidades de conservación están distribuidas en varios estantes en un almacén; o vehículos de guiado automático (AGV) son
Logística Se utilizan para transportar los artículos recogidos desde el área de almacenamiento a las estaciones de embalaje en lugar de recolectores
lotes de pedidos humanos. Este es el primer trabajo que combina ambas soluciones, creando lo que llamamos estanterías mixtas asistidas por AGV.
Enrutamiento sistemas de recogida. Modelamos el nuevo problema integrado de procesamiento por lotes y enrutamiento de pedidos en sistemas como
Almacenamiento de estantes mixtos
un problema extendido de rutas de vehículos con múltiples depósitos con una red de tres índices y dos productos básicos
Recolección asistida por AGV
formulaciones de flujo. Debido a la complejidad del problema integrado, desarrollamos un novedoso algoritmo de búsqueda de vecindad variable
para resolver el problema integrado de manera más eficiente. Probamos nuestros métodos con
diferentes tamaños de instancias y concluir que la política de almacenamiento de estantes mixtos es más adecuada que la
política de almacenamiento habitual en sistemas de estanterías mixtas asistidos por AGV para pedidos con diferentes tamaños de líneas de pedido
(ahorro de hasta un 62 % en distancias recorridas para AGV). Nuestro algoritmo de búsqueda de vecindario variable proporciona
soluciones óptimas dentro de un tiempo computacional aceptable.
1. Introducción para los clientes (flexibilidad omnicanal). Debido a la diversidad de tiendas online, nos
concentramos en pedidos pequeños con diferentes líneas de pedido. Especialmente durante
La tarea más importante y que requiere más tiempo en un almacén la pandemia de COVID19, los supermercados en línea
es la recolección de artículos de sus lugares de almacenamiento para cumplir con los pedidos las ventas están creciendo tres veces más rápido (ver Fabric, 2020). Hay demandas crecientes
de los clientes. Este proceso se denomina preparación de pedidos y puede constituir entre el de sistemas de almacenamiento alternativos para aumentar
50% y el 65% de los costos operativos. Por lo tanto, la preparación de pedidos es la eficiencia de la preparación de pedidos, por ejemplo, compactos basados en robots
considerada el área de mayor prioridad para mejorar la productividad sistemas de almacenamiento y recuperación y sistemas robóticos móviles de cumplimiento
(ver De Koster, LeDuc y Roodbergen, 2007). En un sistema manual tradicional de preparación (ver más detalles en Azadeh, De Koster y Roy, 2019). Aquí
de pedidos (también llamado sistema de preparación de piezas), el Consideramos un concepto de almacenamiento relativamente nuevo que no
Los recolectores dedican el 50% de su tiempo de trabajo a la tarea de caminar. utilizan hardware fijo costoso y pueden implementarse fácil y rápidamente, lo que se denomina
(ver Tompkins, 2010; para una descripción general de los sistemas manuales de preparación recolección asistida por AGV (ver Boysen, de Koster y Weidinger, 2019; Azadeh et al., 2019).
de pedidos, ver De Koster et al., 2007). Los tiempos de trabajo improductivos
requieren que el sistema de selección a piezas tenga una gran fuerza laboral, especialmente
para empresas que tienen millones de artículos de pequeño tamaño en
grandes almacenes, como los minoristas Amazon, Alibaba, Zara, Zalando y Walmart. Muchos
1.1. Sistemas de recogida asistidos por AGV
de ellos ofrecen servicios físicos
tiendas y comercios online para crear una experiencia de compra perfecta
Como se describe en Azadeh et al. (2019), existen diferentes variantes
de este tipo de sistema. En este artículo nos concentramos en uno
Autor correspondiente. que se ha comercializado para la industria del almacenamiento, como Locus
Dirección de correo electrónico: xie@leuphana.de (L. Xie). Robótica, 6 River Systems y Fetch Robotics (ver Fig. 1).
https://doi.org/10.1016/j.ejor.2022.08.047
03772217/© 2022 El(los) Autor(es). Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BYNCND
(http://creativecommons.org/licenses/byncnd/4.0/)
Machine Translated by Google
Fig. 2. Ejemplo de sistema de preparación de pedidos asistido por AGV (con dos estaciones de embalaje).
714
Machine Translated by Google
sistemas manuales de preparación de pedidos, incluidos los estratégicos (como el diseño • Se bloquean entre sí delante de los depósitos (hay cola
planificación), táctica (como zonificación y asignación de almacenamiento) y frente a cada depósito; Además, debido al corto tiempo de entrega al retirar los
problemas operativos (procesamiento por lotes, enrutamiento y asignación de trabajos) (ver contenedores de los cobots, asumimos que el
descripción general en Van Gils, Ramaekers, Caris y De Koster, 2018 para el el bloqueo es mínimo).
sistemas manuales tradicionales de preparación de pedidos). Además, tenemos • Influyen mutuamente en los niveles de inventario (esto se formulará en nuestro
Hay varios depósitos en nuestro sistema, y cada cobot tiene su depósito dedicado, es modelo y podría aumentar la complejidad del modelo).
decir, sale de su depósito y regresa a ese depósito. Por lo tanto, también debemos decidir
en qué depósito se manejará un pedido para minimizar las distancias de conducción de
los cobots y al mismo tiempo garantizar lotes equilibrados entre todos los depósitos (esto
Procesamiento por lotes y enrutamiento integrados
se discutirá más adelante en
Sección 2).
Debido al horizonte temporal similar de las decisiones de procesamiento por lotes y
Consideramos en este artículo dos problemas operativos integrados.
rutas y a la fuerte relación entre ellas, la integración
en un sistema de estantes mixtos asistido por AGV de múltiples depósitos: los pedidos de
de ellos está ampliamente estudiado en la literatura; ver una descripción general
los clientes se combinan en varias rondas de selección (lotes) para formar lotes de pedidos
en Van Gils, Caris, Ramaekers y Braekers (2019). La eficiencia de
al decidir desde qué depósito sale un lote, mientras que la secuencia de ubicaciones de
la integración en comparación con el enfoque secuencial para ambos
almacenamiento que Los cobots deben visitar para cargar todos los artículos recuperados
Estos problemas ya se muestran en artículos anteriores, como en
de los recolectores humanos en cada lote.
Van Gils et al. (2019). Por lo tanto, en este artículo no nos centramos en dicha comparación.
enrutamiento.
Sin embargo, no tenemos el mismo significado de depósitos que en la formulación de Ramos et al. (2020) para integrar el enrutamiento de vehículos con el
Weidinger et al. (2019). Definen los depósitos como puntos de acceso al procesamiento por lotes de pedidos en un almacén de estantes mixtos. En otra
Es decir, permitimos que cada lugar sea visitado más de una vez y
sistema transportador, no las ubicaciones de salida y regreso de los cobots.
Entonces, en nuestro caso, hemos dedicado la asignación de cobots a los depósitos. Se desconoce la demanda en cada ubicación (pero el máximo es
Cada cobot comienza en su depósito y termina en el mismo depósito. dado), y permitimos el procesamiento por lotes de pedidos. Puede encontrar más
información sobre esta formulación en la Sección 3.2.
Esta propiedad hace que nuestra formulación sea similar a la ruta de vehículos.
problema con múltiples depósitos. Una descripción general del vehículo con depósitos múltiples Debido a la complejidad de la integración, el problema está resuelto.
Los problemas de ruta se pueden encontrar en MontoyaTorres, Franco, Isaza, en la literatura utiliza principalmente metaheurísticas (ver sexta columna de
Jiménez y HerazoPadilla (2015). Se sabe que se ha demostrado que los problemas de Tabla 1). Hay dos razones principales por las que aplicamos la búsqueda de vecindarios
enrutamiento de vehículos con múltiples depósitos son NPdifíciles (Garey & Johnson, variables a este problema integrado. Primero, Li, Huang y Dai
1979). (2017) mencionaron que existen varios problemas con las metaheurísticas aplicadas
Y consideramos múltiples selectores (en nuestro caso: cobots), en lugar de existentes en la literatura para el procesamiento por lotes integrado.
de un recolector como en Weidinger et al. (2019). Los siguientes problemas se mencionan y problemas de enrutamiento, como el mal rendimiento causado por no
en Weidinger et al. (2019) por considerar múltiples recolectores. utilizando toda la capacidad del vehículo en el proceso de dosificación, o el
largo tiempo de cálculo. No está claro cuál de las heurísticas propuestas hasta ahora en
la literatura es la mejor. En segundo lugar, nuestro almacenamiento en estantes mixtos
• Se bloquean entre sí frente a los estantes (en este artículo aumenta la complejidad del problema de enrutamiento,
Supongamos que los pasillos son lo suficientemente anchos para al menos dos personas. y la búsqueda de vecindario variable se ha aplicado con éxito a
(incluso tres) cobots operando uno al lado del otro (ver Lee & Murray, resolver problemas de rutas de vehículos, como las rutas de vehículos capacitados a gran
2019 para el mismo supuesto). escala en Kytöjoki, Nuortio, Bräysy y Gendreau (2007).
715
Machine Translated by Google
tabla 1
La literatura sobre procesamiento por lotes y enrutamiento integrados. 1: formulación de tres índices; 2: flujo de red de dos productos básicos
formulación; FCFS: primero en llegar, primero en servir; GA: algoritmo genético; TS: búsqueda tabú; SA: recocido simulado; PSO:
optimización de Enjambre de partículas; ACO: optimización de colonias de hormigas; CG: generación de columnas; VNS: vecindad variable
buscar.
1.5. Contribuciones y estructura del artículo. no ha procedido, automáticamente forman una cola en el lugar de recogida). Un lugar de
recogida con una distancia de conducción más corta no
Con base en la revisión de la literatura en la subsección anterior, significa que el tiempo de recolección en ese lugar de recolección es más corto en nuestro
Resumimos las principales contribuciones de este artículo de la siguiente manera: problema. Otra ubicación de recogida con artículos del mismo SKU con
Podría preferirse una distancia de conducción más larga si el tiempo de espera de
• Formulamos el primer problema integrado de dosificación y enrutamiento en un el cobot es más corto.
almacén de estanterías mixtas asistido por AGV. Recolectores en el área de almacenamiento. No analizamos el número de selecciones.
con un nuevo modelo de flujo de red de dos productos y compararlo con el modelo ers y tamaño de sus correspondientes áreas de trabajo (zonas).
clásico extendido de tres índices. Un conjunto determinado de órdenes. Los pedidos de líneas pequeñas y múltiples de
• Debido a la alta complejidad de la integración, se desarrolla una novedosa búsqueda los clientes se proporcionan como entrada para los modelos. No hay nuevos pedidos entrantes
de vecindad variable para proporcionar buenas soluciones en tiempos son considerados.
computacionales más cortos. Nodos de demanda. Para formular el problema como un vehículo.
problema de enrutamiento, necesitamos definir un conjunto de nodos de demanda. Así es
El resto de este documento está organizado de la siguiente manera.
Es posible definir cada elemento como un nodo. Pero hay una gran cantidad de nodos y
La Sección 2 describe los supuestos que utilizamos, mientras que las Secciones 3 y
todos los artículos en un estante comparten las mismas distancias.
4 describen las diferentes formulaciones matemáticas y metaheurísticas implementadas
a artículos en otro estante. Por lo tanto, utilizamos un estante como nodo agregado para
para nuestro procesamiento por lotes de órdenes integrado y
todos los artículos que contiene.
enrutamiento del robot respectivamente. Los resultados computacionales se describen en
Lista de selección de un pedido. El pedido de cada cliente incluye varios
Sección 5. Finalmente, la Sección 6 presenta conclusiones y oportunidades.
SKU con sus cantidades ordenadas dadas. Basado en la propiedad
para futuras investigaciones.
de almacenamiento en estantes mixtos, se pueden seleccionar artículos del mismo SKU
de diferentes estantes. Para simplificar el modelado, dividimos los pedidos de los clientes
2. Supuestos para los modelos matemáticos en una lista de selección. Por ejemplo, tenemos el pedido 1,
incluyendo dos unidades de SKU a, una unidad de SKU b y tres unidades
Se hacen los siguientes supuestos para la formulación de la de SKU c: o1 = (a, 2), (b, 1), (c, 3) (SKU, cantidad pedida); Entonces nosotros
problema integrado en la Sección 3. Tenemos una lista de selección para o1: a1, a2, b1, c1, c2, c3 en nuestros modelos. En esto
Objetivo. Utilizamos el objetivo de minimizar distancias para el De esta manera, se pueden seleccionar dos artículos del SKU a de diferentes estantes.
razón por la que este objetivo nos permite simplificar nuestro sistema integrado Sin carga. Suponemos que todos los cobots que enviamos tienen
problema de tal manera que se pueda ignorar el tiempo de espera de un cobot para que un porcentaje restante suficiente de duración de la batería para un recorrido. Cuando
recolector humano llegue al lugar de recolección determinado. un cobot visita su depósito, se recargará a una tarifa por unidad de
Por lo tanto, los cobots actúan como los clásicos recolectores en un almacén, es decir tiempo.
se trasladan desde sus depósitos a diferentes lugares de recolección para recoger los Congestión de pasillos. Suponemos que los pasillos son lo suficientemente grandes para
artículos para los pedidos. En nuestro modelo, no analizamos la cooperación entre los dos o incluso tres cobots moviéndose uno al lado del otro (la misma suposición es común
recolectores humanos y los cobots en los lugares de recolección. en la literatura, como en Lee & Murray, 2019),
Este objetivo también se utiliza ampliamente en la literatura para el problema integrado de por lo que la congestión del pasillo es mínima, ya que un cobot puede circular
procesamiento por lotes y enrutamiento en sistemas manuales tradicionales. los límites (como: selector, otro cobot).
(ver quinta columna de la Tabla 1). Vale la pena mencionar que esto supone que minimizar Capacidad de carga de lotes. En el procesamiento por lotes y el enrutamiento integrados,
las distancias tiene el mismo significado que minimizar el tiempo total de recolección en la Puede determinar un recorrido para un cobot para cada lote. Entonces, la capacidad de
literatura (Li et al., 2017; Tsai, Liou, carga de cada lote es igual a la capacidad de carga de un cobot. Nosotros
& Huang, 2008 y Won & Olafsson, 2005). Esto es apoyado por Supongamos que las cargas útiles de todos los cobots son las mismas.
la afirmación de De Koster et al. (2007) que el tiempo de viaje es un Misma cantidad de cobots en cada depósito. Suponemos que lo mismo
función creciente de la distancia recorrida, de modo que se minimice la Hay varios cobots disponibles en cada depósito.
Este último se considera un objetivo principal en el diseño de almacenes y Un contenedor/subcontenedor para cada pedido. Cada cobot puede transportar varios contenedores,
mejoramiento. Sin embargo, esto ya no es cierto en nuestro problema, si y un contenedor se puede separar en varios subcontenedores pequeños para artículos de
Considere el tiempo de espera de un cobot para un recolector humano en el tamaño pequeño (ver, por ejemplo, Locus Robotics en la Fig. 1). Un humano
Almacenamiento de estantes mixtos. El tiempo de espera de un cobot por un humano El operador en un depósito puede reorganizar los contenedores quitando o agregando
El recolector en el área de almacenamiento puede incluir el tiempo de viaje del recolector algunas divisiones antes de que el cobot abandone el depósito. La reorganización depende
humano al lugar de recolección y el tiempo de espera en la cola. del tamaño de los pedidos a transportar en el
(si otros cobots llegan antes que el actual y el picking próximo lote por este cobot. Debido a la posibilidad de esta reorganización
716
Machine Translated by Google
En este caso, asumimos que el procesamiento por lotes está limitado por la capacidad Conjuntos:
se debe a la ubicación de los depósitos y los estantes que incluyen los artículos pedidos. contra
pag
Conjunto de estantes que incluye el artículo p P
Por ejemplo, cuando se asignan diez lotes al depósito a mientras que solo se asigna un oh conjunto de pedidos
lote al depósito b, ya que la mayoría de los estantes requeridos están directamente frente
Conjunto de artículos físicos en la lista de selección para pedido o
al depósito a. Esta asignación reduce las distancias; sin embargo, provoca lotes
Correos
desequilibrados entre las estaciones y, en consecuencia, una mala preparación para un bd Conjunto de lotes que salen del depósito d VD
de cobots para cada depósito), y también más Se necesita tiempo de preparación (p. ej. C Carga útil máxima de un cobot
etiquetado) para cada lote adicional. Además, no utilizamos la distribución equilibrada
wp Peso del artículo p P
del número de pedidos entre diferentes depósitos para lograr un buen período de
fabricación, ya que tenemos pedidos de líneas pequeñas y de varias líneas. Por ejemplo, nps Número de artículos que comparten el mismo SKU que el artículo físico p en el nodo de
estantería s VS
tenemos dos depósitos (a y b; cada uno posee un cobot), seis pedidos con pesos
respectivos 4, 1, 1, 1, 1 y 1 (el primero con cuatro artículos mientras que los otros con Variables de decisión:
uno artículo); la capacidad de cada lote está limitada a 5 del peso total. Asignamos los
1, el nodo j V ha sido visitado después del nodo i V en el lote b Bd
primeros tres pedidos al depósito a y los tres últimos al depósito b para lograr una
xijbd saliendo del depósito d en otro lugar
distribución equilibrada del número de pedidos entre dos depósitos. 0,
para los depósitos en nuestro modelo para poder saber desde qué depósito comienza
un lote. Tenga en cuenta que los lotes que salen de un depósito obtenido de nuestro zpsbd = ωobd |Po|, o O, d VD, b Bd (7)
modelo son independientes entre sí, es decir, la secuencia de lotes es irrelevante. Por lo p Po s VS pag
717
Machine Translated by Google
A. Las mismas restricciones que en los problemas clásicos de rutas para vehículos con
múltiples depósitos.
Fig. 3. Rutas de flujo para el lote I para recoger tres artículos. (Para la interpretación de las referencias al
El conjunto de restricciones (3) indica la conservación del flujo y garantiza que cada lote
color en la leyenda de esta figura, se remite al lector a la versión web de este artículo).
salga de su depósito una vez como máximo, y si sale de su depósito, debe regresar a ese
depósito al final del recorrido.
Además, la capacidad de cada lote está limitada en el conjunto de restricciones (4). El
conjunto de restricciones (5) elimina los subtours. Se pueden encontrar restricciones similares, igual (0,3). Los artículos que comparten el mismo SKU están ilustrados con el mismo color y
por ejemplo, en Ramos et al. (2020) para problemas de rutas de vehículos con múltiples forma. Por ejemplo, los artículos indicados por un rectángulo verde están incluidos en los
depósitos. pedidos 2 y 5, y se almacenan en los estantes 1 y 3. En la formulación del flujo, la ruta del
lote I está definida por dos caminos: uno desde el depósito real a al depósito de copias a (a →
B. Restricciones sobre el procesamiento por lotes de pedidos 1 → 3 → a ), definido por yijrb (que representa la carga por lotes); mientras que la ruta de
reserva desde el depósito de copias hasta el depósito real (a → 3 → 1 → a) está definida por
Cada artículo debe asignarse a un lote. Cada artículo en la lista de selección debe
yjibd (que representa el espacio vacío en el lote). Por ejemplo, el flujo ya1Ia indica que el
recolectarse exactamente una vez en un lote en el conjunto de restricciones (6).
lote I sale del depósito con una carga igual a los pesos totales de los tres artículos de
recolección, 0,9; mientras que el flujo ya3Ia = 1 significa que el lote llega vacío al depósito
Sin división. El conjunto de restricciones (7) garantiza que todos los artículos de un pedido
después de dejar los artículos. Para cada borde (i, j) de la ruta dentro de un lote b que sale
se recopilen precisamente en un lote.
del depósito d, tenemos yijbd + yjibd = c, por ejemplo, y13Ia + y31Ia = 0,3 + 0,7 = 1.
Conjunto de limitaciones debidas al almacenamiento en estantes mixtos. El conjunto de
restricciones (8) garantiza que si un artículo p en el estante s se recopila en el lote b, el
estante s debe visitarse en ese lote. Las restricciones (9) garantizan que el stock disponible
de artículos en un estante no se exceda en todos los lotes.
D. Definición de variables Objetivo: minimizar las distancias recorridas para todos los lotes
El modelo sobre la formulación del flujo de red de dos productos se basa en la formulación
presentada por Ramos et al. (2020) para resolver el problema de las rutas de vehículos con
múltiples depósitos. El conjunto de restricciones (3) y los conjuntos de restricciones sobre el (yjsbd − ys jbd ) = 2 p Ps (wp zpsbd ),
j V
procesamiento por lotes de pedidos (6) a (12) se amplían con un conjunto de depósitos de
copias y nuevas variables de flujo. Le mostraremos un ejemplo para ilustrar la idea de la s VS, d VD, b Bb (13)
formulación de flujo.
Primero necesitamos algunas definiciones adicionales de conjuntos, parámetros y variables.
ydjbd = (14)
d VD j VS b Bd wpp P
Conjuntos adicionales:
ENFERMEDAD VENÉREA'
Conjunto de copia de depósitos (V = VS VD VD') yjdbd ≤ c |Bd| − wp (15)
d VD j VS b Bd d VD p P
PD Conjunto de todos los artículos en el estante s VS
j VS
Parámetro adicional:
mi Depósito real del depósito de copias i VD' yijbd + yjibd = c xijbd, i, j V ,d VD, b Bd (17)
Ejemplo. La figura 3 muestra un ejemplo del lote I que sale del depósito a limitado por la
capacidad del lote cI = 1. Se asignan tres pedidos a ese depósito. Incluyen diferentes xjibd = 0, i VD, d = mi, b Bd (20)
718
Machine Translated by Google
restricciones se mantienen como en F(3.1), incluidos (3) y (6)– (12). Para cada lote, la siguientes pasos hasta que κ = κmax: (a) Agitar. Generar
entrada menos la salida en cada nodo de estante es igual al doble del peso de los un punto x al azar desde la κésima vecindad de x (x Nκ (x)); (b)
artículos seleccionados en ese estante (consulte el conjunto de restricciones (13)). La Búsqueda local. Aplicar algún método
salida total de los depósitos reales para todos los lotes indica la carga total, que debe de búsqueda local con x como solución inicial; denotamos con x el
ser igual al peso de todos los artículos (ver restricción (14)), mientras que la entrada óptimo local así obtenido; (c) Mover o no. Si el óptimo local x es
total a los depósitos reales debe ser menor que o igual a la capacidad residual de los mejor que el actual, muévase
lotes utilizados (ver restricción (15)). El conjunto de restricciones (16) garantiza que la allí x ← x y continúe la búsqueda con N1(κ ← 1); de lo contrario,
salida de cada lote que comienza con un depósito de copias i sea menor o igual a la establezca κ ← κ + 1
719
Machine Translated by Google
distancia hipotética desde ese pedido hasta un depósito. Esta definición de FirstFit (línea 12). Dado un conjunto de pedidos, este algoritmo simplemente los asigna al
la distancia desde una orden hasta un depósito se formaliza en la ecuación. (23): primer lote en el que encajan. Si dicho lote no
no existe, se abre un nuevo lote (p.ej. Dósa & Sgall, 2013). Desde
Es un algoritmo en línea, las soluciones de iteraciones anteriores pueden ser
Algoritmo 3: Asignación codiciosa de pedidos a depósitos.
almacenado en caché y ampliado por nuevos pedidos entrantes para mejorar aún más
Resultado: Conjunto de órdenes Od para estaciones d VD la rapidez del procedimiento.
1 Función AsignarPedidosADepósitos(O, Dˆ o) Si una orden no puede asignarse a la estación más cercana debido a
2 OD ← {Od|d VD} a la restricción de equilibrio, la estación se elimina del conjunto
3 μo ← Dˆ o (2) − Dˆ o(1) o O de posibles estaciones para ese pedido (ver línea 17) y se debe determinar un nuevo valor
4 ordenar O según μo en orden descendente de ahorro para ese pedido. Como los nuevos ahorros
5 |Hab| ENV ← |Bd| El valor podría afectar la precedencia de las órdenes restantes, esto es
6 para o O hacer hecho llamando recursivamente a la función AssignOrdersToDepots con
7 si Dˆ o = entonces el conjunto reducido de estaciones por orden y sólo para las órdenes que
8 aún no están asignados (línea 18). Este procedimiento se repite hasta que todos
|Bd| ENV ← |Bd| ENV + 1; Hacer ← {dˆ sobredosis | d VD}
Se asignan órdenes.
9 OD ← AsignarPedidosADepósitos(O, Dˆ o)
10 demás
d sobredosis
= (dds ) o O, d VD mín. (23)
s VS Algoritmo 4: crear un conjunto de lotes y recorridos para los pedidos manejados en el
p Po
pag
depósito d.
donde escribimos dˆ od para indicar la naturaleza hipotética de la distancia entre el Resultado: Conjunto de lotes Bd
orden o y el depósito d. Estos valores se determinan 1 Función AsignarPedidosABatchesAndTours(Od)
en la línea 4 del Algoritmo 2. 2 mientras Od = hacer
Dadas las distancias para todas las combinaciones posibles de (o, d), tenemos 3 w ← 0; recorrido ← [d, d]; Otemp ← ; Oinfeas ← ; Ocopia d ← Odd
Sigue el enfoque de Giosa et al. (2002) y calcular para cada 4 mientras Otemp Oinfeas = Ocopia hacer
d
orden los ahorros potenciales de asignar ese pedido a su más cercano 5 o ← MinDist(Od \ Oinfeas, recorrido)
depósito en lugar del segundo más cercano (línea 3 del Algoritmo 3). Este 6 si w + wo ≤ c entonces // comprobar la capacidad del lote
se realiza de acuerdo con la siguiente ecuación: 7 w ← w + wo
μo = Dˆo(2) (1),− Dˆ o (24) 8 Otemp ← Otemp o
9 recorrido ← GreedyTour(recorrido, o) // actualiza el recorrido
donde Dˆ o con los subíndices (1) y (2) denota las estadísticas de primer y segundo orden 10 Od ← Od \ o
respectivamente, es decir, Dˆ o denota el segundo más pequeño 11 demás
(2)
y hacer la distancia más pequeña en Dˆ o. 12 Oinfeas ← Oinfeas o
(1)
13 fin
Los ahorros se utilizan luego para priorizar los pedidos, es decir, para determinar
la secuencia en la que se asignan las órdenes a los depósitos (línea 14 fin
4). |Bd| ENV se establece inicialmente en el límite superior más pequeño del número de 15 Bd ← Bd (Otemp,gira)
lotes como se define en la ecuación. (1), |Bd| (línea 5). Debido a la restricción de equilibrio, 16 fin
720
Machine Translated by Google
este elemento está almacenado, la posición en el recorrido donde se almacena la distancia 1 función de agitación (x, κ)
agregado se minimiza (ver línea 6 del Algoritmo 5). La distancia adicional creada al agregar 2 Determinar el peso total wb por lote b B en x; Otemp ←
un nuevo nodo s entre los nodos s y s j−1 j 3 repetir κ veces
se puede calcular fácilmente utilizando la fórmula de la línea 7. Al final, el 4 b ← Eliminar lote (B) // destruir un lote
El artículo se recoge en el estante s que agrega la menor distancia al 5 segundo ← segundo \ segundo; Otemp ← Otemp Ob
la posición de distancia mínima previamente determinada (en la línea 13). 7 para o Otemp // órdenes de reparación
8 hacer si b B : wb + wo ≤ c entonces // agregar pedidos a un nuevo
lote
Algoritmo 5: cree un recorrido por lotes codicioso para un pedido.
9 d ← determinar el depósito para el pedido o usando el algoritmo 3
Resultado: recorrido actualizado por orden de recolección o
10 recorrido ← [d, d]; b ← (o,gira); segundo ← segundo segundo
1 Función GreedyTour(tour := [s1, . . ., sn, s1], o) demás
11 // agregar pedidos a un lote existente
2 papá ←∞ 12
mejor b ← seleccione un lote aleatorio b B para el cual wb + wo ≤ c
3 para p Po // iterar sobre elementos de nuevo orden 13 fin
hacer 4 para s VShacer
pag 14 wb ← wb + wo; Ob ← Ob o
5 si nps > 0 entonces //verifique si el estante todavía tiene unidades 15 tourb ← GreedyTour(tourb, o)
6 j ← argmín ds + ds,s j−1,s − dsj 16 fin
j −1, sj
j {2,...,|recorrido|−1}
17 si existe |Bd| > |Bd| d VD entonces
7 papá ← ds +< ds,s j−1,s − dsj
j j −1, sj 18 B ← Reducir lotes (B)
8 si papa papád entonces 19 fin
j
9 papá mejor ← papá
;s ← s; j ←j 20 vuelta x
mejor j
10 fin
11 fin
12 fin Si el número de lotes en cualquier depósito es superior al número mínimo posible
13 recorrido ← [s1, . . .,sj −1, s , s // insertar
. . ., sn,
nodos1] de lotes |Bd| (ver Ec. (1)), entonces haremos
14 nps ← nps − 1 j , // disminuye la oferta en uno intente reducir el número total de lotes mediante ReduceBatches
15 final en el Algoritmo 8, que fue propuesto originalmente por Alvim, Glover,
16 gira de ida y vuelta Ribeiro y Aloise (1999) (véanse las líneas 17 y 18 del algoritmo 6).
Durante la fase de destrucción, el algoritmo 7 primero determina el conjunto
de depósitos VD
candó con el máximo número de lotes entre todos
depósitos (líneas 2 y 3). Para no violar las restricciones de equilibrio de los depósitos,
4.2. Sacudida
se debe destruir un lote que pertenezca a cualquiera de estos depósitos. Por lo
tanto, en la línea 4 el conjunto de lotes Bcand pertenecientes a
Después de obtener una solución inicial utilizando los algoritmos descritos en la
candó está determinado. Tenga en cuenta aquí que Bcand es
cualquiera de los depósitos en VD
subsección anterior, su vecindad puede ser
simplemente el conjunto de todos los lotes si la carga en todos los depósitos está equilibrada.
buscó mejores soluciones. El operador de agitación se utiliza principalmente
La probabilidad de que un lote b Bcand sea seleccionado depende de
buscar vecindarios cada vez más distantes de la solución actual, que luego se
su carga de trabajo, de modo que los lotes que ya están cerca de la capacidad
buscan para un óptimo local
límite tienen una menor probabilidad de ser destruidos (ver línea 5). Después de
(Mladenovic´ y Hansen, 1997). El operador Shaking ayuda a escapar de los óptimos
seleccionar un lote en la línea 6, la función EliminarBatch devuelve el
locales buscando en un vecindario más grande con diferentes
lote respectivo al operador de agitación, que luego lo excluye
cuencas. Si este vecindario aún no ofrece una solución mejor,
del conjunto de lotes (ver líneas 4 y 5 del Algoritmo 6).
Se busca un vecindario aún más grande hasta que se logra una mejora.
o se alcanza la vecindad más distante Nκ .
Para buscar vecindarios más grandes, este trabajo propone un operador de Algoritmo 7: eliminar un lote aleatorio.
destrucción y reparación en Shaking (ver Algoritmo 6). Durante la fase de destrucción,
1 función Eliminar lote (B)
se seleccionan y destruyen κ lotes (ver línea 4). El
2 |B| máximo ← máx. (|Bd|)
La selección de un lote para su destrucción se realiza mediante EliminateBatch en d VD
721
Machine Translated by Google
(véanse las líneas 8 y 9); de lo contrario, se ejecuta un operador de reparación (ver línea 4.3. Busqueda local
11). Si la solución final aún tiene lotes que exceden el máximo
peso, la solución de vecindad se descarta; de lo contrario, se acepta (ver líneas Después de movernos a una cuenca de atracción diferente usando el
1213 del Algoritmo 8). algoritmo Shaking, utilizamos una búsqueda local adaptativa (ALS) como se describe
en el algoritmo 10. Tenemos un conjunto de operadores de búsqueda locales y
dos números más grandes de ella, calcula la diferencia ψ4 ≥ 0. Un valor alto corresponde a un mejor desempeño.
entre ellos y vuelve a colocar solo la diferencia en la lista. Este λ [0, 1] es el parámetro de caída que controla la sensibilidad del
representa una decisión de poner en práctica cada uno de los respectivos pedidos. Los pesos corresponden a cambios en el desempeño del operador. Nota
diferentes lotes. Este procedimiento se repite hasta que solo quede que sólo es necesario actualizar el peso φi del operador seleccionado i ; los
queda un número, que es el valor de la diferencia final del subconjunto pesos de los demás operadores se mantienen sin cambios. Por aquí
(Karmarkar y Karp, 1982). La forma de seleccionar dinámicamente un operador se adopta a partir de la
Se acepta la solución obtenida al redistribuir los pedidos. búsqueda adaptativa de vecindarios variables (Gendreau & Potvin, 2010).
si la diferencia en el peso de los dos lotes correspondientes La codiciosa solución inicial y el operador Shaking pueden llegar
ha disminuido (ver línea 8). Y se repite el procedimiento de reparación. con lotes que tienen que visitar muchos estantes diferentes porque
para cada lote que es inviable o que se ha vuelto inviable aplicando el método Los artículos de cada lote no comparten el mismo conjunto de ubicaciones de almacenamiento.
de diferenciación hasta que todos los lotes cumplan con la capacidad Por lo tanto, los operadores de búsqueda locales se centran en mover pedidos a
restricciones o un lote no se puede equilibrar con ningún otro lote. lotes, donde se minimiza el número de estantes visitados. En el
722
Machine Translated by Google
pedidos
A continuación, presentaremos los operadores de búsqueda local que a
Algoritmo 12: Intercambio de pares de órdenes κ .
se utilizarán en la búsqueda local adaptativa.
El primer operador se llama MoveOrders (ver Algoritmo 11). Este Resultado: Solución actualizada x
1 función ExchangeOrders(x, κ)
2 ocan ←{
ij
Algoritmo 11: Mover κ órdenes. oh
3 yo, j 2 | wboi − woi + woj ≤ c wbo c j − woj + woi ≤
Resultado: Solución actualizada x
1 Función MoveOrders(x, κ) boi = boj
2 Btemp ← 4}
3 no ← determinar para cada pedido o O el número de pedidos requeridos 5 ρo ← determinar para cada orden o Ocand el número de
yo
estantes para visitar estantes que agrega a su lote
4 seleccionar aleatoriamente κ órdenes según probabilidades ρoi +ρo j
No i, j Ocand
φo = 6 φij ← yo
j O nj k,l Ocand
ij ρok + ρol
6
Bcany ← {b B | wb + woi ≤ c} // asegurar la capacidad 8 repetir κ veces
7 ρb ← determine para cada b Bcany el número de elementos en 9 dibujar {i, j} Ocand yo según probabilidades φij
seleccionando el lote al que se moverá el pedido (líneas 7– 6 seleccione aleatoriamente s según probabilidades
|Pbs|
8). Después de seleccionar un nuevo lote, el pedido se elimina del φs =
j VSC |Pbj|
lote antiguo y se inserta en el nuevo (líneas 9 a 11). Al final
7 gira ← gira s
de este algoritmo, los recorridos para los lotes modificados se optimizarán utilizando
OptimizeShelves y soluciones potencialmente inviables. 8 para p Pbs hacer
9 Pb ← Pb \ p
será reparado con RepairNegativeStock. Ambos algoritmos serán
10 nps ← nps −1
explicado más adelante.
11 fin
El segundo operador de búsqueda local se llama ExchangeOrders (ver
Algoritmo 12). En el momento en que los lotes están muy cargados, 12 fin
13 recorrido ← ALS(tourb, T,tour )
Es posible que la reubicación de pedidos ya no funcione debido a limitaciones de
capacidad. Por lo tanto, el operador encuentra dos órdenes oi y b 14 gira de regreso
b
do de dos lotes diferentes boi y boj y los intercambia si
no se viola ninguna restricción de capacidad. Por lo tanto, el primer paso es
determinar todas las combinaciones de órdenes que se pueden intercambiar sin El algoritmo primero determina el conjunto de elementos que contiene (línea 3).
violando cualquier restricción de capacidad y provienen de diferentes lotes Luego, para un lote b dado y para cada estante, se determina el conjunto de artículos
(líneas 2 a 4). De manera similar al operador MoveOrders, el operador Exchange contenidos en el lote b que se almacenan en el estante respectivo (ver línea 5). Para
Orders determina para todos los pedidos el peso ρo especificando el número de preferir soluciones donde potencialmente
estantes que agregan a su lote actual (línea hay que visitar menos estanterías, la cardinalidad de estos conjuntos |Pbs|
5). Ahora, para cada una de las posibles combinaciones i, j, los pesos ρi se normalizan y se utilizan como probabilidades para seleccionar el siguiente
y ρj de los respectivos órdenes se suman y normalizan en estante s que se agregará al recorrido para b (ver líneas 6–7). todos los artículos
para recibir la probabilidad de muestreo φij (línea 6). Ahora, en total κ pares de que se pueden recoger en el estante s se excluyen del conjunto de
órdenes se seleccionan aleatoriamente con probabilidad φij, elementos pertenecientes a b, y se toma una unidad del elemento respectivo
eliminados de su lote actual y agregados al lote del del estante (líneas 8 a 11). El procedimiento se repite hasta que todos los elementos
otro orden en cada caso (líneas 7 a 13). De manera similar a MoveOrders, del lote b han sido asignados a estantes. Por último, la gira resultante
OptimizeShelves se utiliza para optimizar los recorridos de los lotes en se optimiza utilizando el ALS del algoritmo 10 y un conjunto de operadores de
recorrido
Se aplica Btemp y RepairNegativeStock para evitar tener SKU búsqueda locales (línea 13). Tenga en cuenta que aquí utilizamos los siguientes
con stock negativo. operadores de búsqueda local. Primero, el operador de 2 opciones intercambia
723
Machine Translated by Google
dos bordes de un recorrido determinado para generar una solución de vecindad (ver Tabla 2
Algoritmo 14). Asimismo, el operador Swap realiza la misma operación. Parámetros, por ejemplo, generación.
Fig. 4. Distribución con seis pasillos de recogida y un pasillo transversal. Los depósitos están marcados en
rojo en los lados izquierdo y derecho. (Para interpretación de las referencias al color
Para evitar la necesidad de optimizar la asignación de artículosestante para todos los en la leyenda de esta figura, se remite al lector a la versión web de este artículo).
724
Machine Translated by Google
pasillo transversal como 6 m y el ancho de cada pasillo de recogida como 3 m, mientras • el número promedio de líneas de pedido • el
que definimos cada estante como 0,9 m de ancho y 1,3 m de profundidad. Los pasillos de número de estantes.
recolección tienen dos lados y son lo suficientemente anchos para que los cobots viajen
El número de pedidos. Si se procesan más pedidos en un modelo, se necesita más
en ambos sentidos (por ejemplo, en Lee & Murray, 2019 para el mismo supuesto); Por
tiempo de cálculo. La razón es obvia, ya que el conjunto de artículos físicos P para
lo tanto, asumimos que el bloqueo de los cobots es mínimo. Otro diseño pequeño que
selección es mayor para más pedidos, suponiendo que todos los demás factores sean
probamos incluye 24 estantes (2 pasillos × 12 estantes por pasillo, sin pasillo transversal),
iguales.
mientras que utilizamos un diseño grande con 3240 estantes (18 pasillos × 180 estantes
El número promedio de líneas de pedido. Los modelos con pedidos de línea pequeña
por pasillo y cinco pasillos transversales (ver Figs. B.1 y B.2 en el Apéndice B)).
se resuelven más fácilmente que aquellos con pedidos de línea media, ya que los pedidos
de línea pequeña incluyen conjuntos más pequeños de artículos físicos P para selección
Generamos diferentes conjuntos de órdenes (instancias pequeñas: 10 y 20 órdenes;
(consulte la Tabla 3, columnas de línea pequeña versus línea media), supongamos que
instancias grandes: 100 y 200 órdenes) aleatoriamente en función de un número promedio
Los demás factores son los mismos. Por lo tanto, el número de variables de decisión
dado de líneas de orden entre 1 y 10. Según Van Gils et al. (2019), la cantidad de líneas
de pedido impacta la cantidad de lotes creados y, en consecuencia, la complejidad del xijbd y zpsbd aumenta. Tenga en cuenta que debemos considerar el número de pedidos
y el número promedio de líneas de pedido juntos, ya que influyen en el conjunto de
problema. Por lo tanto, probamos dos números promedio diferentes de líneas de pedido
artículos físicos para recolección y el número de lotes creados y, en consecuencia, en la
por pedido: 1,6 (para empresas de comercio electrónico; ver De Koster et al., 2012) y 5.
complejidad del problema. Por lo tanto, los casos de 10 pedidos de línea media son más
No probamos números promedio mayores de líneas de pedido que 5, ya que queremos
difíciles de resolver que los casos de 20 pedidos de línea pequeña.
mantener el peso de cada pedido menor que la capacidad de cada cobot. Tenga en
cuenta que permitimos pedir más de un artículo dentro de una línea de pedido de un
pedido. Establecimos la capacidad de cada cobot, como en la aplicación del mundo real,
en 18 kg según Wulfraat (2016). Eso significa que la capacidad del lote está limitada a 18 La política de almacenamiento. Los modelos que utilizan la política de almacenamiento
dedicado requieren menos tiempo de cálculo que los modelos que utilizan la política de
kg. Llamamos a las órdenes con un promedio de 1,6 líneas de pedido órdenes de línea
almacenamiento de estantes mixtos, suponiendo que los demás factores sean los mismos.
pequeña y a las órdenes con un promedio de 5 líneas de pedido órdenes de línea media.
En la Tabla 3, podemos ver que si más estantes contienen artículos de un SKU (mixto(5)
Para eliminar la aleatoriedad al generar órdenes, generamos tres conjuntos diferentes (a,
y mixto(10) versus dedicado), el problema es más complejo, ya que el conjunto de posibles
b, c) para cada tamaño de orden. Los pesos de los artículos se generan aleatoriamente
estantes que incluyen el artículo p, VS es mayor para todos los artículos de recolección
entre 0,5 kg y 3 kg (artículos de tamaño pequeño según la experiencia práctica). pag ,
la complejidad del modelo: 400, mientras que κmax se establece en 3 y 4. Y configuramos tmax en 3600 segundos.
Se ejecutan cinco repeticiones para eliminar la aleatoriedad. En consecuencia, tenemos
• el número de pedidos • la en
política de almacenamiento
725
Machine Translated by Google
Tabla 3
Comparación de resultados de modelos de tres índices y de dos productos básicos (la brecha promedio y el modelo corriente)
tiempo de los conjuntos de instancias a, b, c) para instancias con 24 y 360 estantes. "" significa que no hay
solución entera factible encontrada dentro del límite de tiempo (tl: 14,400 segundos). ” ” significa que algunos
instancias no pueden encontrar una solución viable dentro del plazo establecido.
10 pedidos 20 pedidos
Instancias con 24 estantes línea pequeña línea media línea pequeña línea media
Tabla 4
Las distancias promedio por ejemplo establecidas a, b, c de 24 y 360 estantes se resuelven con el
formulación de dos productos con la diferencia en %. Las líneas que comienzan con "%" muestran
la mejora porcentual en los resultados del almacenamiento en estantes mixtos en comparación con
la política de almacenamiento dedicado. "" significa que no existe una solución entera factible
encontrado dentro del límite de tiempo (tl: 14,400 segundos). ” ” significa que en algunos casos
no puede encontrar una solución viable dentro del plazo establecido.
10 pedidos 20 pedidos
Instancias de 24 estantes
dedicado 59,2 (0%) mixto(5) 220,2 (1,3%) 105,8 (0%) 364,0 (22%)
44,5 (0%) % 24,8 Instancias 139,0 (27,8%) 71,0 (0%)
de 360 estantes 36,9 32,9
Fig. 5. Comparación del tiempo de ejecución entre la red de flujo de dos productos
total 60 × 4 × 2 × 5 = 2400 observaciones. Nuestros resultados de ajuste muestran
modelo y nuestro VNS. El número en el eje x corresponde a la instancia establecida con
que el tiempo de cálculo aumenta linealmente con los valores crecientes de γ , pero un número azul en la Tabla 5. (Para la interpretación de las referencias al color en este
diferentes valores de γ tienen poco efecto sobre leyenda de la figura, se remite al lector a la versión web de este artículo).
calidad de la solución. Entonces, elegimos γ = 100 para el resto del experimento.
Según nuestra observación, κmax = 3 produce resultados similares a los
resultados de κmax = 4 pero tiempo de cálculo más corto usando el mismo y el conjunto de instancias de 24 estantes no incluye la configuración de instancias
valor de γ . Entonces elegiremos κmax = 3 en el experimento posterior. con los números 4, 10, 11 y 12. Para los conjuntos de instancias con
números 6 a 8, algunos de los cuales nos dan soluciones factibles dentro
5.4. Resultados de nuestra ENV A 4 horas del modelo de dos productos, nuestro VNS proporciona
las mismas o mejores soluciones. Cabe mencionar que el mismo
En la Tabla 5, las distancias promedio para instancias pequeñas con El número de lotes se utiliza en el modelo de dos productos y nuestro
Se muestran κmax = 3 y γ = 100. Cada resultado representa el valor promedio de tres VNS para cada instancia que probamos.
conjuntos de instancias a, b, c en cinco repeticiones. Para el El tiempo de cálculo de nuestro VNS es muy competitivo en comparación con el
conjuntos de instancias donde podemos obtener soluciones óptimas con el modelo de tiempo logrado por el solucionador (ver Fig. 5). disminuye
dos productos en 4 horas, nuestro VNS puede proporcionar soluciones óptimas sustancialmente cuando el problema sea resuelto por el ENV. Tenga en cuenta que el
soluciones (conjuntos de instancias de 24 estantes con los números 1, 2, 3, 5 y 6, el tiempo no es directamente comparable, ya que el modelo para cada instancia
y conjuntos de instancias de 360 estantes con los números del 1 al 4, en la Tabla 5). se resolvió usando ocho subprocesos (para obtener mejores resultados en la
Tenga en cuenta que el número de cada conjunto de instancias representa su comparación), mientras que el VNS se resolvió con un subproceso. Como se muestra en la Fig. 5,
complejidad para cada diseño (24 y 360 estantes respectivamente). Queremos el tiempo de cálculo de cada instancia resuelta por el VNS es menor
mantener la misma configuración con el mismo número en diferentes diseños, de 5 minutos (más del 60% de los casos se pueden resolver en
726
Machine Translated by Google
Tabla 5
Las distancias promedio, por ejemplo, del conjunto a, b, c de 24 y 360 estantes se resolvieron con el VNS en cinco repeticiones con los parámetros γ = 100,
κmax = 3. Las líneas que comienzan con % muestran el porcentaje de mejora de los resultados de los conjuntos mixtos. almacenamiento en estantes en
comparación con la política de almacenamiento dedicado. Cada número entre paréntesis es la diferencia porcentual.
entre la solución VNS y la solución resuelta por Gurobi en la Tabla 4, si existe una solución entera factible. El
Los números azules en las celdas clasifican las instancias según el tiempo de cálculo resuelto con Gurobi. El número marcado
por es la distancia promedio comparable para aquellos casos con soluciones factibles resueltas por Gurobi.
10 pedidos 20 pedidos
Instancias de 24 estantes
dedicado 1 59,2 (0%) 6 220,2 (0%) mixto(5) 2 44,5 (0%) 7 132,2 3 105,8 (0%) 8.313,0 (302,9 (16,8%))
(4,9%) % 24,8 40 Instancias de 360 estantes 5 71,2 (0%) 9 201
32,7 35,8
dedicado 1 233,2 (0%) 6.802 (0%) 110,7 (0%) 3 353,4 (0%) 8 1289
mixto(5) % 2 7.399,6 52,5 50,2 5 170,6 (3,6% ) 9.661,2
51,7 48,2
mixto(10) 4 89,97 (0%) 10 304,8 % 61,4 11 12 545,0
62 153,656,5 57,7
Tabla 6
Las distancias promedio, por ejemplo, establecen a, b, c de 3240 estantes (con 2, 4 y 8 depósitos) resueltas con
el algoritmo VNS. Las líneas que comienzan con "%" muestran la mejora porcentual en los resultados del
almacenamiento en estantes mixtos en comparación con el
política de almacenamiento dedicado.
2 depósitos
mixto 4752.1 18.906,0 9165.1 38.751,8
dedicado(5) 2.895,1 12.657,0 5494,5 24.470,1
% 39,0 40,0 40,0 42.0
mixto(10) % 2.265,4 9.715 4321,1 19.664
4 52,3 53,9 52,9 53,5
depósitos
dedicado 4656.8 18.936,1 9.397,5 38.854,7
mixto(5) % 2843.8 12.589,5 5.162,6 23.677,4
38.9 33,5 45,1 39,1
mixto(10) % 2127.8 9418.6 3949.6 18.529,8
8 54,3 50,3 58.0 52,3
depósitos
dedicado 4956,9 19.623,7 10.053,6 39.158,4
mixto(5) % 2726,3 12.193,9 4.978,7 24.283,7
45,0 37,9 50,5 38.0
mixto(10) % 1967,3 9.107,6 3.707,8 17.788,9
60,3 53,6 63,1 54,6 Fig. 6. El tiempo de cálculo promedio del algoritmo VNS para instancias que
se clasifican según factores que incluyen la política de almacenamiento (dedicado vs. mixto(5) vs.
mixto(10)), el número promedio de líneas de orden (línea pequeña vs. línea mediana), el
número de pedidos (10 pedidos frente a 20 pedidos) y el número de estantes (24 estantes
frente a 360 estantes).
2 minutos), mientras que la mayoría de los casos resueltos por el modelo alcanzan
el límite de tiempo (sin proporcionar soluciones óptimas). La figura 6 muestra
que el tiempo de cálculo aplicando el VNS depende de los artículos en un pedido de línea media se distribuyen en varios estantes,
el diseño y la política de almacenamiento. Nuestro VNS reduce la complejidad del por lo que conviene visitar varios estantes. Usando almacenamiento de estantes mixtos,
almacenamiento en estantes mixtos (no como en el modelo), ya que el la probabilidad es mayor de que un estante cercano contenga el material requerido
El algoritmo GreedyTour proporciona una complejidad similar para ambas políticas de artículos que el almacenamiento dedicado. Y como más estantes contienen
almacenamiento (O(|Po|)). El tiempo de cálculo aumenta ligeramente. artículos de un SKU, los ahorros son mayores para pedidos de línea media. El
a medida que aumenta el número de pedidos o líneas de pedidos debido al aumento Los resultados mixtos(10) para pedidos de línea media son en promedio del 11%.
números de lotes. Nuestros resultados muestran que el algoritmo VNS es un mejores que los resultados de mixto(5).
herramienta eficiente para resolver el procesamiento por lotes y el enrutamiento de pedidos integrados También se puede lograr un ahorro del 54% para los pedidos en grandes instancias (ver
en almacenes de estanterías mixtas con varios depósitos, al menos para nuestras pequeñas empresas. Tabla 6, 2 depósitos). Según los resultados de instancias pequeñas, el tiempo de cálculo podría
posturas. aumentar considerablemente para
Además, podemos continuar con nuestra declaración en las instancias grandes, ya que tienen una distribución más amplia. por lo tanto, nosotros
Sección 5.2 que la política de almacenamiento en estantes mixtos funciona bien limite el tiempo de cálculo para resolver cada instancia a 1 hora.
para pedidos de línea pequeña y mediana. En nuestro AGV asistido Además, probamos las instancias grandes en diferentes diseños, incluidos 4 y 8 depósitos. Los
sistema, la capacidad limitada de los cobots no permite la línea media resultados pueden ser diferentes si tenemos
Se aceptarán pedidos con líneas de pedido muy grandes, a menos que el otra colocación de los depósitos y estanterías. Aun así, podemos ver la
Se permite la división de pedidos (ver, por ejemplo, en Xie, Thieme, Krenzler, Tendencia a que se requieran distancias de conducción ligeramente mayores (alrededor del 4%)
y Li, 2020). La división de pedidos está fuera del alcance de este documento. en almacenamiento exclusivo debido al tamaño cada vez mayor de los depósitos. Sin embargo,
Debido a esta configuración de capacidad limitada de los cobots, la línea media menos distancias de conducción para las instancias con pedidos de línea pequeña
Los pedidos almacenados en estantes mixtos pueden ahorrar hasta un 62 % en la conducción. se requieren en el almacenamiento de estantes mixtos (especialmente mixtos(10))
distancias en comparación con los resultados en almacenamiento dedicado. El con el tamaño cada vez mayor de los depósitos. Si más estantes incluyen artículos
727
Machine Translated by Google
Tabla 7
Comparación de resultados del modelo en Chen et al. (2015) y nuestra ENV (la brecha promedio y
tiempo de ejecución de los conjuntos de instancias a, b, c) dentro del límite de tiempo (tl: 14,400 segundos).
10 pedidos 20 pedidos
Instancias con 24 estantes línea pequeña línea media línea pequeña línea media
Instancias con 360 estantes línea pequeña línea media línea pequeña línea media
modelo distancia 250,6 809,8 0 4,15 tl 379,6 1434.4
distancia 811,0 120,5 0 46,8
(%) 0.3 4682.0 tl
ENV tiempo (s) 250,6 386,6 1318.4
distancia tiempo (s) 111,1 119,2 140.1
de los mismos SKU, esto aumenta la posibilidad de que la línea pequeña entorno, formulamos el nuevo procesamiento por lotes de pedidos integrado y
Los pedidos se pueden preparar de manera eficiente (independientemente del depósito). El enrutamiento con formulaciones de flujo de red de tres índices y dos productos para minimizar
los lotes se equilibran entre los depósitos en casos grandes (igual que en las distancias de conducción de los cobots. Demostramos experimentalmente que la formulación
pequeños casos). La desviación media absoluta del número de lotes asignados a los depósitos del flujo de red de dos productos
se limita, por ejemplo, a menos de 0,6 pulg. Funciona mejor para nuestro problema integrado al lograr brechas más pequeñas.
las instancias de 100 pedidos (ocho depósitos). con menor tiempo de cálculo. Con almacenamiento de estantes mixtos y
múltiples líneas de pedidos, la complejidad del problema aumenta
5.5. Aplicación de nuestro VNS para resolver el procesamiento por lotes de pedidos integrado clásico significativamente. Por lo tanto, proponemos una nueva vecindad variable.
y enrutamiento Algoritmo de búsqueda (VNS) para resolver el problema integrado de manera más eficiente.
Según nuestros experimentos, nuestro VNS puede obtener una óptima
Como se mencionó anteriormente, podemos aplicar nuestro VNS para resolver el problema resultados para instancias pequeñas, que pueden resolverse de manera óptima en el
integrado de procesamiento por lotes y enrutamiento para la recolección manual tradicional. modelo de dos productos básicos en 4 horas. Para esos pequeños casos
sistemas, si consideramos un único depósito y almacenamiento dedicado. Nosotros donde podemos obtener soluciones factibles del solucionador Gurobi
modificar los diseños de instancias pequeñas en la Tabla 2 con un depósito En 4 horas, nuestro algoritmo VNS proporciona una mejor solución con
para las pruebas (todos los demás parámetros siguen siendo los mismos). Ellos son también una mejora de hasta el 16,8% en 5 minutos. Además, aplicamos
disponible en https://github.com/xorlab/rafsdatasets. y solucionamos nuestro VNS para resolver instancias grandes dentro de un tiempo computacional aceptable.
los casos con el modelo de Chen et al. (2015) como referencia Según nuestras soluciones VNS, podemos ver que el almacenamiento en estantes mixtos
(el tiempo de cálculo está limitado a cuatro horas). Los parametros funciona bien tanto para líneas pequeñas como para líneas múltiples.
de nuestro VNS son los mismos que se muestran en las subsecciones anteriores. Pedidos pequeños que probamos. Se puede ahorrar hasta un 62% al conducir
El objetivo de esta subsección no es demostrar que nuestro VNS funciona. distancias aplicando la política de almacenamiento en estantes mixtos en comparación
mejor para el problema integrado clásico en comparación con los métodos aplicados en la con nuestra política de almacenamiento de referencia. Cabe mencionar que el
literatura (ver Tabla 1), pero que funciona bien también El ahorro que logramos se realiza bajo el supuesto de que no se requiere recarga. En el proceso
se muestra en la Tabla 7 (al menos para nuestras instancias pequeñas). Cada resultado de recarga, el almacenamiento en estantes mixtos puede inducir
representa el valor promedio de tres conjuntos de instancias a, b, c. Nuestro VNS puede un mayor esfuerzo al almacenar los artículos en los estantes, por ejemplo, más
proporcionar soluciones que sean casi óptimas (si el modelo proporciona las soluciones óptimas Es necesario visitar los estantes para recargar artículos de un SKU, y esto puede
en cuatro horas) o mejores que las También se requieren más estantes en el almacén. Además, nosotros también
soluciones proporcionadas por el modelo en un plazo de cuatro horas (en este caso el Pruebe nuestras instancias grandes con diferentes depósitos y podremos concluir
Las soluciones proporcionadas por el modelo no son óptimas) para todos nuestros pequeños. que implementar más depósitos no siempre genera más ahorros
instancias. El tiempo de cálculo de nuestro VNS es muy competitivo de distancias de conducción. Puede generar más ahorros, especialmente en los casos
(menos de tres minutos) en comparación con el tiempo para resolver el donde más estantes incluyen artículos del mismo SKU al procesar pedidos de líneas pequeñas.
modelo. Es interesante ver que aplicar dos depósitos en almacenamiento dedicado ahorra un Además, aseguramos lotes equilibrados.
poco las distancias en comparación con aplicar entre estaciones en los modelos y nuestro VNS. Además, tenemos
un depósito, ya que en nuestros diseños dos depósitos están ubicados en diferentes demostrado que nuestro VNS es capaz de proporcionar soluciones competitivas para
lados del área de almacenamiento y es beneficioso evaluar las partes del resolviendo el clásico problema integrado de procesamiento por lotes y enrutamiento con
el área de almacenamiento cercana a los depósitos. Pero como se muestra en la Tabla 6, usando un único depósito en almacenamiento dedicado dentro de un corto tiempo computacional
más de dos depósitos ya no ahorran distancias de conducción en tiempo.
Almacenamiento dedicado en nuestros diseños. Dado que un sistema de almacén asistido por AGV es un sistema relativamente nuevo
tipo de sistema de almacenamiento, los conceptos específicos de dicho sistema no han recibido
6. Conclusiones mucha atención académica. Cada recolector trabaja
en un área particular del área de almacenamiento (llamada zona). Hay
En este trabajo formulamos y solucionamos el procesamiento por lotes y el enrutamiento las siguientes limitaciones en este trabajo, que pueden tomarse como ideas
integrado de pedidos en almacenes asistidos por AGV. En tales almacenes, para futuras investigaciones. En primer lugar, los modelos propuestos en este trabajo no
cada AGV (en nuestro caso, un cobot) es enviado desde su depósito para recoger el No considerar la interacción entre recolectores y robots. Residencia en
artículos de pedidos en diferentes ubicaciones del área de almacenamiento y va Modelando la interacción en el futuro, el tiempo de espera de los robots.
de regreso a su depósito. Cada pedido se recoge en un contenedor, lo que resulta eficiente a la para recolectores humanos se puede considerar para que podamos extender nuestros modelos
hora de embalarlo. El recorrido de un cobot está limitado por su capacidad de carga. para tomar el tiempo como nuestro objetivo y determinar la secuenciación de lotes para cada
Consideramos diferentes depósitos (también conocidos como estaciones de carga para cobots) cobot (en la literatura, este problema se llama
mientras que los artículos de cada SKU se almacenan en diferentes estantes en el programación integrada de procesamiento por lotes, enrutamiento y selección; ver, por ejemplo, Van Gils
área de almacenamiento (también conocida como política de almacenamiento de estantes mixtos). En tal et al., 2019). En segundo lugar, el tiempo de espera de los robots para los recolectores humanos.
728
Machine Translated by Google
en zonas depende del tamaño de la zona; Por lo tanto, también es interesante determinar el número
óptimo de zonas en vehículos asistidos por AGV.
sistemas de almacén (ver, por ejemplo, De Koster et al., 2012 para el manual
sistema). En tercer lugar, no consideramos el proceso de recarga en nuestro trabajo. Pero
La distribución de SKU entre las zonas y dentro de cada zona afecta, por un lado, a la carga de
trabajo de los recolectores en las zonas, y por el otro.
Por otro lado, el tiempo/distancia de conducción de los cobots (es decir, un cobot necesita
más tiempo de espera en la zona ocupada). Por lo tanto, también es interesante investigar cómo
distribuir y recargar artículos de manera eficiente. El almacenamiento en estantes mixtos puede
utilizarse como un buen instrumento para equilibrar la
carga de trabajo de los recolectores, ya que los artículos de un SKU se pueden almacenar en
diferentes zonas, al tiempo que reduce el tiempo de espera de varios cobots
para un solo recolector. En cuarto lugar, la ubicación de los depósitos también es un tema
importante para futuras investigaciones.
Figura B.1. La distribución pequeña con dos pasillos de recogida y sin pasillo transversal.
Expresiones de gratitud
En primer lugar, definimos algunos términos relacionados con las órdenes en la Tabla A.1.
Los componentes centrales de un sistema de preparación de pedidos asistido por AGV son
enumerados en la Tabla A.2.
Apéndice B. Diseños adicionales utilizados en nuestros experimentos Figura B.2. El gran diseño con 18 pasillos de recogida, 5 pasillos transversales y 8 depósitos (4 en el
izquierda y 4 a la derecha).
Término Archetti, C., Bertazzi, L. y Speranza, MG (2003). Reoptimización del problema del viajante de comercio. Redes: una
Descripción
revista internacional, 42 (3), 154159.
SKU Unidad de mantenimiento de stock Azadeh, K., De Koster, R. y Roy, D. (2019). Almacén robotizado y automatizado
fila para ordenar un SKU con la cantidad pedida sistemas: Revisión y desarrollos recientes. Ciencia del transporte, 53(4), 917–
artículo una unidad física de un SKU 945. https://doi.org/10.1287/trsc.2018.0873.
selección de un conjunto de líneas de pedido del pedido de un cliente Baldacci, R., Hadjiconstantinou, E. y Mingozzi, A. (2004). Un algoritmo exacto para
pedidos pedidos de líneas El problema del enrutamiento de vehículos capacitados basado en una red de dos productos.
Pequeña cantidad de SKU (en promedio 1,6) por pedido.
pequeñas pedidos
formulación de flujo. Investigación de operaciones, 52(5), 723–738. https://doi.org/10.1287/
múltiples SKU por pedido
opre.1040.0111.
pendientes de varias líneas todos los pedidos no cumplidos
Baldacci, R., Toth, P. y Vigo, D. (2007). Avances recientes en rutas de vehículos exactas
algoritmos. 4O, 5(4), 269–298. https://doi.org/10.1007/s1028800700633.
Boysen, N., Briskorn, D. y Emde, S. (2017). Procesamiento de pedidos basado en piezas hasta el selector
Tabla A.2
en un entorno de robots móviles que mueven estanterías. Revista europea de operaciones
Los componentes centrales de un sistema de preparación de pedidos asistido por AGV. Investigación, 262(2), 550–562. https://doi.org/10.1016/j.ejor.2017.03.053.
Boysen, N., de Koster, R. y Weidinger, F. (2019). El almacenamiento en el comercio electrónico
Componente Descripción
era: una encuesta. Revista europea de investigación operativa, 277(2), 396–411. https:
estantes almacenar artículos //doi.org/10.1016/j.ejor.2018.08.023.
Artículos de almacenamiento temporal para un pedido durante la recolección. Briant, O., Cambazard, H., Cattaruzza, D., Catusse, N., Ladier, A.L. y Ogier, M. (2020).
Un enfoque eficiente y general para el problema de enrutamiento de recolectores y lotes de pedidos conjuntos.
compartimiento área el área de inventario donde se almacenan los estantes
de almacenamiento trabajadores humanos
Revista europea de investigación operativa, 285(2), 497–512. https:
//doi.org/10.1016/j.ejor.2020.01.059.
recogedor trabajando en una parte determinada del área de almacenamiento para recoger
Chen, T.L., Cheng, C.Y., Chen, Y.Y. y Chan, L.K. (2015). Un algoritmo híbrido eficiente para problemas integrados
artículos de estantes
de procesamiento por lotes, secuenciación y enrutamiento de pedidos. Revista Internacional de Economía de la
artículos de orden de embalaje del empacador en estaciones de embalaje
Producción, 159, 158167. https://doi.org/10.1016/j.
estaciones de empaque donde los empacadores empacan los artículos del pedido seleccionado ijpe.2014.09.029.
Lugares una lista de cobots esperando frente a una estación de embalaje Cheng, C.Y., Chen, Y.Y., Chen, T.L. y Yoo, JJW. (2015). Usando un enfoque híbrido
de recogida de cola en algún lugar frente a los estantes en el área de almacenamiento. basado en la optimización del enjambre de partículas y la optimización de colonias de hormigas para resolver
donde los recolectores recogen los artículos del pedido un problema conjunto de procesamiento por lotes de pedidos y ruta de selección. Revista Internacional de
cobots robots que transportan artículos entre el área de almacenamiento y Economía de la Producción, 170, 805–814. https://doi.org/10.1016/j.ijpe.2015.03.021.
estaciones de trabajo. Cada uno de ellos tiene una capacidad de peso limitada. Daniels, RL, Rummel, JL y Schantz, R. (1998). Un modelo para orden de almacén
y pertenece a una determinada estación de embalaje. cosecha. Revista europea de investigación operativa, 105(1), 1–17. https://doi.org/
10.1016/S03772217(97)00043X.
729
Machine Translated by Google
De Koster, R., LeDuc, T. y Roodbergen, KJ (2007). Diseño y control de la preparación de pedidos en Matusiak, M., de Koster, R., Kroon, L. y Saarinen, J. (2014). Un método rápido de recocido simulado para
almacén: una revisión de la literatura. Revista europea de investigación operativa, 182(2), 481–501. procesar por lotes pedidos de clientes con prioridad limitada en un almacén. Revista europea de
https://doi.org/10.1016/j.ejor.2006.07.009. investigación operativa, 236(3), 968–977. https://doi.org/
De Koster, RB, LeDuc, T. y Zaerpour, N. (2012). Determinar el número de zonas 10.1016/j.ejor.2013.06.001.
´
en un sistema de preparación de pedidos pickandsort. Revista internacional de investigación de Mladenovic, N. y Hansen, P. (1997). Búsqueda de barrio variable. Ordenadores &
producción, 50 (3), 757–771. https://doi.org/10.1080/00207543.2010.543941. Investigación de operaciones, 24(11), 1097–1100. https://doi.org/10.1016/S03050548(97)
Dósa, G. y Sgall, J. (2013). Embalaje del primer contenedor: un análisis exhaustivo. En 30º Simposio 000312.
internacional sobre aspectos teóricos de la informática (STACS 2013). castillo MontoyaTorres, JR, Franco, JL, Isaza, SN, Jiménez, HF y HerazoPadilla, N. (2015). Una revisión de la
DagstuhlLeibnizZentrum fuer Informatik. literatura sobre el problema de las rutas de vehículos con múltiples depósitos. Computación e ingeniería
Ene, S. y Öztürk, N. (2012). Asignación de lugares de almacenamiento y preparación de pedidos. industrial, 79, 115129. https://doi.org/10.
Optimización en la industria del automóvil. Revista internacional de tecnología de fabricación avanzada, 1016/j.cie.2014.10.029.
60(5–8), 787–797. https://doi.org/10.1007/ Ramos, TRP, Gomes, MI y Póvoa, APB (2020). Problema de rutas de vehículos con múltiples depósitos: un
s001700113593y. estudio comparativo de formulaciones alternativas. Revista internacional de investigación y aplicaciones
Tela (2020). El impacto de Covid19 en los comestibles en línea: por qué la pandemia de coronavirus en de logística, 23 (2), 103–120. https://doi.org/10.1080/
2020 cambiará la industria de comestibles para siempre en los Estados Unidos. 13675567.2019.1630374.
https://getfabric.com/theimpactofcovid19ononlinegrocery/. Scholz, A., Schubert, D. y Wäscher, G. (2017). Preparación de pedidos con múltiples preparadores y fechas
Finke, G. (1984). Un enfoque de flujo de red de dos productos para las ventas ambulantes. de vencimiento: solución simultánea de agrupación de pedidos, asignación de lotes
problema del hombre. Congreso Numerantium, 41, 167178. y secuenciación, y problemas de enrutamiento de selectores. Revista europea de operaciones
Garey, MR y Johnson, DS (1979). Computadoras e intratabilidad: una guía para el Investigación, 263(2), 461–478. https://doi.org/10.1016/j.ejor.2017.04.038.
teoría de la completitud NP: vol. 174. Hombre libre. Tompkins, JA (2010). Planificación de instalaciones (4ª ed.). John Wiley e hijos.
Gendreau, M. y Potvin, J.YE (2010). Manual de metaheurísticas: vol. 3. Saltador. Tsai, C.Y., Liou, JJ y Huang, T.M. (2008). Usando un método de GA múltiple para resolver
https://doi.org/10.1007/9783319910864. El problema de la selección de lotes: considerar la distancia de viaje y el tiempo de entrega del pedido.
Giosa, I., Tansini, I. y Viera, I. (2002). Nuevos algoritmos de asignación para el problema de rutas de Revista internacional de investigación sobre producción, 46(22), 6533–6555. https://doi.org/10.
vehículos con múltiples depósitos. Revista de la Sociedad de Investigación Operativa, 53 (9), 1080/00207540701441947.
977–984. https://doi.org/10.1057/palgrave.jors.2601426. Valle, CA, Beasley, JE y da Cunha, AS (2017). Resolviendo de forma óptima el pedido conjunto.
Hagberg, AA, Schult, DA y Swart, PJ (2008). Exploración de la estructura, dinámica y función de la red Problema de enrutamiento de recolectores y lotes. Revista europea de investigación operativa,
utilizando NetworkX. En G. Varoquaux, T. Vaught y J. Millman 262(3), 817–834. https://doi.org/10.1016/j.ejor.2017.03.069.
(Eds.), Actas de la séptima conferencia sobre Python en la ciencia (págs. 1115). Pasadena, Van Gils, T., Caris, A., Ramaekers, K. y Braekers, K. (2019). Formular y resolver
California, Estados Unidos El problema integrado de procesamiento por lotes, enrutamiento y programación de recolectores en la vida real.
Karmarkar, N. y Karp, RM (1982). El método diferenciador de partición de conjuntos. almacén de repuestos. Revista europea de investigación operativa, 277 (3), 814–
División de Ciencias de la Computación (EECS). Universidad de California. 830. https://doi.org/10.1016/j.ejor.2019.03.012.
Kulak, O., Sahin, Y. y Taner, ME (2012). Procesamiento por lotes de pedidos conjuntos y enrutamiento de recolectores Van Gils, T., Ramaekers, K., Caris, A. y De Koster, RB (2018). Diseño eficiente
en almacenes de uno o varios pasillos mediante búsqueda tabú basada en clústeres Sistemas de preparación de pedidos combinando problemas de planificación: Clasificación y revisión
algoritmos. Revista de fabricación y servicios flexibles, 24 (1), 52–80. https://doi. del estado del arte. Revista europea de investigación operativa, 267(1), 1–15.
org/10.1007/s1069601191018. https://doi.org/10.1016/j.ejor.2017.09.002.
Kytöjoki, J., Nuortio, T., Bräysy, O. y Gendreau, M. (2007). Una variable eficiente Weidinger, F. (2018). Ruteo de recolectores en almacenes rectangulares de estanterías mixtas. Computadoras
Heurística de búsqueda de vecindarios para problemas de rutas de vehículos a gran escala. e investigación de operaciones, 95, 139150. https://doi.org/10.1016/j.cor.2018.03.
Investigación de operaciones y computadoras, 34(9), 2743–2757. https://doi.org/10.1016/j.cor. 012.
2005.10.010. Weidinger, F., Boysen, N. y Schneider, M. (2019). Rutas de recolectores en los almacenes de estanterías
Lee, H.Y. y Murray, CC (2019). Robótica en la preparación de pedidos: Evaluación del almacén mixtas de los minoristas de comercio electrónico. Revista europea de investigación operativa, 274(2),
diseños para sistemas de rutas de vehículos de recogida, colocación y transporte. Revista internacional 501–515. https://doi.org/10.1016/j.ejor.2018.10.021.
de investigación de producción, 57 (18), 5821–5841. https://doi.org/10.1080/00207543. Ganó, J. y Olafsson, S. (2005). Lotes de pedidos conjuntos y preparación de pedidos en almacén.
2018.1552031. operaciones. Revista internacional de investigación de producción, 43(7), 1427–1442. https:
Li, J., Huang, R. y Dai, JB (2017). Optimización conjunta del procesamiento por lotes de pedidos y //doi.org/10.1080/00207540410001733896.
enrutamiento del selector en el almacén de minoristas en línea en China. Revista Internacional Wulfraat, M. (2016). Locus Robotics: una revisión de un consultor independiente sobre robots autónomos.
de Investigación de Producción, 55(2), 447–461. https://doi.org/10.1080/00207543.2016. https://mwpvl.com/html/locus_robotics__independent_
1187313. consultor_review.html.
Lin, C.C., Kang, J.R., Hou, C.C. y Cheng, C.Y. (2016). Lotes de pedidos conjuntos y Xie, L., Thieme, N., Krenzler, R. y Li, H. (2020). Introducir pedidos divididos y optimizar políticas operativas
problema de ruta de Manhattan del selector. Computación e ingeniería industrial, 95, 164– en sistemas robóticos de cumplimiento móvil. Revista Europea
174. https://doi.org/10.1016/j.cie.2016.03.009. de Investigación Operativa. https://doi.org/10.1016/j.ejor.2020.05.032.
730