Development of a warehouse slotting model to improve picking performance
Notice bibliographique
Résumé
Congestion during picking operations in warehouse with mixed aisles (narrow aisles and wide aisles) has rarely been studied in current literature in the context of warehouse slotting (i.e. arrangement of inventory in warehouse). This study aims at improving the picking efficiency of the Asmodee Canada Inc. warehouse. Using a combination of clustering slotting heuristics and popularity-based slotting heuristics, a re-slotting policy was developed. Furthermore, to provide a robust re-slotting with limited number of items moves, a healing technique based on urgency score was developed. Use of a process control chart to monitor the picking performance of Asmodee’s warehouse and hence to signal healing was suggested. Using picking simulation, we find that when the re-slotting heuristics is used, there is substantial reduction in distance travelled of up to 29% and waiting times due to congestion can be reduced by as much as 85%. The healing technique also decreased distance travelled and waiting times. However, as the number of items moved in healing constitute on average less than 5% of the items, such improvements are limited. The distance traveled was reduced by as high as 9.4% in some aggregated orders and waiting time reduction was as high as 29.1%. The techniques developed in this paper will help Asmodee Canada Inc. in improving their picking operations. It will also help to build better strategies for warehouses having mixed aisles, where in aisle congestion is an issue to consider while re-slotting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».