Learning-Based Approach to Integrated Operational Optimization Problems in Robot-Assisted Multistation Warehouse Systems
Notice bibliographique
Résumé
In the era of booming e-commerce and Internet of Things technology, robotic mobile fulfillment systems (RMFSs) have gained more and more use in logistics industry. While these systems enhance labor efficiency, they introduce numerous optimization challenges. Order picking is a human–robot collaborative process in RMFS. It involves three critical and interrelated operational optimization issues: 1) PS; 2) resource scheduling; and 3) manual picking. Each of them is an NP-hard combinatorial optimization problem. Their integration is a significant challenge for operational optimization in RMFS with multiple picking stations and represents a novel problem that was not studied before to our best knowledge. To tackle this complex problem and fill the research gap, we first model it as a MIP to derive exact solutions for small-scale and illustrative cases. For industrial-scale cases that cannot be solved by exact methods given limited time, we propose a tailored learning-strategies-enhanced local search algorithm. It integrates a 3-D bi-section encoding strategy, a three-stage decoding policy, a learning-based ANS method, and two learning-based tabu mechanisms. Experimental results demonstrate the effectiveness of our proposed method, achieving 2.9% to 33.2% performance improvement over six competitive peers. This highlights its superiority in solving the concerned problem, providing significant potential for addressing practical order picking optimization challenges in RMFS.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».