A grouping genetic algorithm for the Order Batching Problem in distribution warehouses

Abstract

Order picking is a warehouse function that deals with the retrieval of articles from their storage locations in order to satisfy certain customer demands. Combining several single customer orders into one (more substantial) picking order can increase the efficiency of warehouse operations. The Order Batching Problem considered in this paper deals with the question of how different customer orders should be grouped into picking orders, such that the total length of all tours through the warehouse is minimized, which are necessary to collect all requested articles. For the solution of this problem, the authors introduce a Grouping Genetic Algorithm. This genetic algorithm is combined with a local search procedure which results in a highly competitive hybrid algorithm. In a series of extensive numerical experiments, the algorithm is benchmarked against a genetic algorithm with a standard item-oriented encoding scheme. The results show that the new genetic algorithm based on the group-oriented encoding scheme is preferable for the Order Batching Problem, and that the algorithm provides high quality solutions in reasonable computing times.

A review of algorithms for order batching problem in distribution center

“…The fitness of a solution is calculated by the length of tour between the longest in population and current solution. Koch and Wä scher [18] develop a mixed algorithm with GA and LS, the result shows this method predominate the benchmark algorithm in Hsu's. Tsai et al [19] come up with a batching model which considers both travel distance and due date.…”

Solución del Problema de Conformación de Lotes en Almacenes utilizando Algoritmos Genéticos

“…De igual forma, las operaciones de almacenamiento tienen una gran influencia en los costos logísticos, tanto en costos de inversión como en costos operacionales directos (Chen et al, 2015). Por lo general, el almacenamiento implica una enorme cantidad de movimientos de productos, y un bajo desempeño en la planificación y control de las operaciones del almacén puede generar resultados insatisfactorios respecto a costos de operación y nivel de servicio al cliente (Bustillo et al, 2015;Koch y Wäscher, 2016). Debido a esto, optimizar las actividades de almacenamiento se ha convertido en un objetivo de importancia vital, ya que una pequeña mejora en la eficiencia de estas operaciones puede generar ahorros significativos en movimiento y costos (Albareda-Sambola et al, 2009).…”

“…A su vez, el problema de la conformación de lotes puede considerarse como un Clustered Traveling Salesman Problem o un Capacitated Vehicle Routing Problem con propiedades especiales que se derivan de la configuración del almacén (Bozer y Kile, 2008), lo cual lo convierte en un problema NP-Hard si el número de órdenes de clientes por lote es mayor que dos (Gademann y van de Velde, 2005), debido a que el número de posibles lotes y de variables binarias incrementa exponencialmente con el número de órdenes de clientes (Koch y Wäscher, 2016). Para superar estas dificultades en el problema de conformación de lotes, se han propuesto algunas heurísticas tales como algoritmos basados en reglas, métodos de semilla y ahorro (Albareda-Sambola et al, 2009;Hsu et al, 2005;Koch y Wäscher, 2016), métodos de minería de datos, reglas de asociación y análisis de clústeres (Azadnia et al, 2013), y métodos metaheurísticos de búsqueda local y global (Azadnia et al, 2013;Chen et al, 2015;Hsu et al, 2005;Koch y Wäscher, 2016;Tsai et al, 2008). Entre los metaheurísticos para la conformación de lotes se destacan los algoritmos genéticos, los cuales brindan soluciones de alta calidad (seudo-óptimas) en un tiempo corto, sin involucrar altos costos en recursos computacionales, lo cual es ideal para ambientes reales de preparación de pedidos, donde la conformación de lotes debe realizarse varias veces dentro de un mismo turno de trabajo.…”

“…Lo anterior se confirma en la literatura, donde se ha demostrado que los algoritmos genéticos arrojan mejores resultados que algoritmos de ahorro (Öncan, 2013); métodos heurísticos como el Gibson and Sharp's (Hsu et al, 2005), CyW(ii) (Chirici y Wang, 2014;Koch y Wäscher, 2016), y el método First-Come-First-Served (FCFS) (Hsu et al, 2005;Pan et al, 2015); y Benchmarks creados a la medida de experimentos en almacenes (Tsai et al, 2008). Sin embargo, según nuestro mejor saber y entender, aún no se ha identificado una propuesta de algoritmos genéticos enfocados a ítems para la conformación de lotes que presente una codificación en la cual los genes de cada cromosoma representen explícitamente el número de cada orden de cliente a recuperar.…”

New meta-heuristic for dynamic scheduling in permutation flowshop with new order arrival

“…have created significant challenges [12,16], which increases the complexity of the scheduling problem significantly. This happens in warehouses as well, and the problem is defined online order batching problems [17][18][19][20], in which new orders arrive frequently and stochastically, and scheduling or rescheduling should respond immediately upon their arrival. Three key questions should be considered concerning new orders: (1) if the new order can be accepted or not, given the due date constraint of the old order; (2) how to complete the new order as soon as possible; and (3) how to maximize the number of accepted orders in order to maximize revenue.…”