Picking Routing Problem with K homogenous material handling equipment for a refrigerated warehouse

Abstract

This paper aims at formulating a Picking Routing Problem with K homogenous material handling equipment for a refrigerated warehouse (PRPHE). Discrete particle swarm optimization (PSO) and genetic algorithm (GA) metaheuristics are developed and validated for solving PRPHE. The discrete PSO is a novel approach to solving cold routing picking problems, which has not been detected in the scientific literature and is considered a contribution to the state of the art. The main difference between classical and discrete PSO is the structure and algebraic formulation of the positions and velocities of the particles, which are discrete rather than continuous under our approach. A full factorial design was developed with the following four factors: picking routing metaheuristic (PRM), depot, picking list size (PLS) and homogeneous material handling equipment (MHE). Based on the results of the experimental analysis, we identified that GA metaheuristics generated better solutions than discrete PSO for PRPHE. These statistical results demonstrated that GA metaheuristics produced time savings of between 22.89 and 86.75 seconds per set of cold picking routes, as well as an increase in the operational efficiency of between 1.98 and 2.81%, as compared with PSO discrete. Finally, it should be noted that this paper is one of the first in tackling picking routing in a refrigerated warehouse, thereby contributing to knowledge in this field. RESUMEN:Este artículo tiene como objetivo formular un problema de ruteo en la preparación de pedidos con K equipos homogéneos y ventanas de tiempo (PRPHE). Un PSO (Particle Swarm Optimization) discreto y un algoritmo Genético (GA, Genetic Algorithm) son desarrollados y validados para solucionar PRPHE. El PSO discreto es un enfoque novedoso para resolver el problema de ruteo en la preparación de pedidos en frio, el cual no había sido detectado en la literatura científica por lo cual es considerado una contribución en el estado del arte. La principal diferencia entre el PSO clásico y el discreto desarrollado es la estructura y la formulación algebraica de las posiciones y velocidades de las partículas las cuales son discretas en vez de ser continuas. Un diseño factorial completo con cuatro factores denominados metaheurísticos para el ruteo en la preparación de pedidos (PRM, picking routing metaheuristics), depot, tamaño de listas de preparación (Picking List Size) y un grupo de K equipos de manejo de materiales homogéneos (MHE) fue desarrollado. Basado en los resultados del análisis experimental fue identificado que el metaheurístico GA generó mejores soluciones que PSO discreto para el PRPHE. Por lo tanto, estos resultados estadísticos demostraron que el metaheurístico GA produjeron ahorros de tiempo entre 22,89 and 86,75 segundos por conjunto de rutas de preparación de pedidos en frio, así como un incremento de la eficiencia de las operaciones entre 1,98 y 2,81%, respecto a el PSO discreto. Finalmente, debe resaltarse que este artículo es uno de los primeros en abordar el ruteo en la pre...

Performance Analysis of Picking Routing Strategies in the Leaf Layout Warehouse

“…Based on the perspective of a dynamic order picking routing, Lu et al [62] applied the intrusive routing algorithm to optimize the walking route of a dynamically changing order goods picking operation and proved the feasibility and effectiveness of the algorithm. Gómez-Montoya et al [63] applied a discrete particle swarm optimization algorithm and a genetic algorithm to optimize and solve the problems of cold storage equipment scheduling and picking operations. The experimental verification shows that the genetic algorithm has a higher degree of optimization for the walking distance of the picking operation.…”

Inbound and outbound flow integration for cross-docking operations

“…Isler, Righetto & Morabito (2016) presentan un enfoque de optimización para el ruteo en almacenes para la preparación de pedidos. Gómez-Montoya et al (2016) formula un problema de ruteo en la preparación de pedidos con un número fijo de equipos homogéneos y ventanas de tiempo. Cano et al (2017) proponen una heurística que compara las distancias recorridas por cuatro políticas de enrutamiento para recolectar pedidos en el almacén y selecciona la de mejor rendimiento, además se comprueba que su desempeño en diversas configuraciones y tamaños de pedido supera a las de otras políticas de ruteo .…”

Improving supply chain performance

“…Various metaheuristic methods have been proposed in addition to the heuristic methods discussed in the literature, such as genetic algorithms [11,164], Ant Colony Optimization [96,34,48], particle swarm optimization [63,149,99], and tabu search [40]. Chabot et al [33] use an adaptive large neighborhood search (ALNS) to solve the order picker routing problem and compare their proposed heuristic solution with four other existing heuristics in the literature, namely S-shape, the largest gap, the mid-point, and the combined heuristics, showing that the ALNS outperforms the other four heuristics.…”