Data-Driven Modeling and Optimization of the Order Consolidation Problem in E-Warehousing
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
We analyze data emanating from a major e-commerce warehouse and provided by a third-party warehouse logistics management company to replicate flow diagrams, assess order fulfillment efficiency, identify bottlenecks, and suggest improvement strategies. Without access to actual layouts and process-flow diagrams and purely based on data, we are able to describe the processes in detail and prescribe changes. By investigating the characteristics of orders, the wave-sorting operation, and the order-preparation process, we find that products from different orders are picked in batches for efficiency. Similar products are picked in small containers called totes. Totes are then stored in a buffer area and routed to be emptied of their contents at induction lines. Orders are then consolidated at the put wall, where each order is accumulated in a cubby. This order consolidation process depends on the sequence in which totes are processed and has a huge impact on order-completion time. We, therefore, present a generalization of the parallel machine–scheduling problem that we call the order consolidation problem to determine the tote-processing sequence that minimizes total order completion time. We provide mathematical formulations and devise heuristic and exact solution methods. We propose a fast simulated annealing metaheuristic and a branch-and-price approach in which the subproblems are variants of the single machine-scheduling problem and are solved using dynamic programming. We also devise a new branching rule, compare it against the literature, and test it on randomly generated and industry data. Applied to the data and the warehouse under study, optimizing the order consolidation is found to decrease the completion time of 75.66% of orders and achieve average improvements of up to 28.77% in order consolidation time and 21.92% in cubby usage.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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