Mathematical model, heuristics and exact method for order picking in narrow aisles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Order picking is one of the most challenging operations in distribution centre management and one of the most important sources of costs. One way to reduce the lead time and associated costs is to minimise the total amount of work for collecting all orders. This paper is motivated by a collaboration with an industrial partner who delivers furniture and electronic equipment. We have modelled their narrow aisles order picking problem as a vehicle routing problem through a series of distance transformations between all pairs of locations. Security issues arising when working on narrow aisles impose an extra layer of difficulty when determining the routes. We show that these security measures and the operator equipment allow us to decompose the problem per aisle. In other words, if one has to pick orders from three aisles in the warehouse, it is possible to decompose the problem and create three different instances of the picking problem. Our approach yields an exact representation of all possible picking sequences. We also show that neglecting 2D aspects and solving the problem over a 1D warehouse yields significant difference in the solutions, which are then suboptimal for the real 2D case. We have solved a large set of instances reproducing realistic configurations using a combination of heuristics and an exact algorithm, minimising the total distance travelled for picking all items. Through extensive computational experiments, we identify which of our methods are better suited for each aisle configuration. We also compare our solutions with those obtained by the company order picking procedures, showing that improvements can be achieved by using our approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle