Routing optimization of high-level orderpickers in a rectangular warehouse

Optimización por colonia de hormigas para el ruteo de la preparación de pedidos en almacenes de múltiples bloques

“…(1, 2) (Fu et al 2011;Wang et al 2012) (1, 5) (Chen et al 2016(Chen et al , 2019Jin et al 2017;De Santis et al 2018) ρ 0.5 (Chen et al 2015; 0.7 Valor a analizar en este estudio 0.9 (Fu et al 2011;Wang et al 2012;De Santis et al 2018) 20 (Fu et al 2011;Chen et al 2015) 30 (Wang et al 2012;Chen et al 2016;Jin et al 2017) Iteraciones 30 (Fu et al 2011) 50 (Wang et al 2012;Chen et al 2015) 1 (Wang et al 2012) La configuración del almacén para el ajuste de parámetros consiste en 2 boques, 10 pasillos, 15 posiciones de almacenamiento por pasillo, para un total de 600 posiciones de almacenamiento; y se consideran 20 posiciones de almacenamiento a visitar en cada tour. De los experimentos de ajuste de parámetros, se obtiene que la mayor diferencia en distancia se logra al variar los parámetros α y β, ya que la combinación (α=1,β=2) genera 19% más distancia que la combinación (α=1,β=5).…”

“…Por su naturaleza, el problema del ruteo de la preparación de pedidos en sistemas low-level picker-to-parts (almacenes 2D) se clasifica como un Steiner TSP, donde algunos nodos no tienen que ser visitados y otros nodos pueden ser visitados más de una vez (De Koster et al 2007). Por lo tanto, el PRP se considera NP-hard (Fu et al 2011), requiriendo de métodos de solución eficientes tales como las metaheurísticas poblacionales (Damayanti et al 2018), entre las cuales se pueden mencionar la optimización de colonia de hormigas y algoritmos genéticos (Jiménez-Carrión 2018), que no garantizan la obtención de un óptimo global, pero permiten encontrar una solución o un conjunto soluciones de alta calidad (López-Lezama, 2015).…”

“…Para solucionar el PRP, se destaca en la literatura el uso de la optimización de colonia de hormigas (ACO) por brindar ahorros en distancia recorrida respecto a métodos empíricos empresariales (Xu et al 2014), presentar mejor desempeño respecto a políticas de ruteo como la S-Shape, Largest Gap y Combine (Fu et al 2011;Chen et al 2013Chen et al , 2016, generar menor tiempo de preparación de pedidos respecto al PSO (Wang et al 2012) y algoritmos genéticos (Jin et al 2017), y ofrecer buenos resultados comparados con problemas óptimos de programación lineal entera mixta. Otras técnicas inteligentes como el recocido simulado (Grosse et al, 2014) y búsqueda tabú (Liu et al 2017) se han empleado para solucionar el PRP, sin embargo, el ACO prevalece como la mejor alternativa debido a su enfoque constructivista dedicado a la creación de caminos más cortos (Chen et al 2019).…”

Research on the stability of high-level order pickers based on gravity center self-balancing technology

“…With the further development of logistics transportation, combined with the strengthening of national environmental protection policy and the national environmental protection consciousness enhancement, the user demand for electric vehicles is more and more intense, will make electric drive in green energy storage and the rapid growth of the vehicle [4][5]. High-level order pickers belongs to the category of storage vehicle, are essential to the order picking stereoscopic warehouse delivery vehicles, to reduce the labor intensity of workers, improve the working efficiency is of great significance.…”