应对不断变化的客户需求:自动化g仓库中存储与重新定位决策的自适应数据驱动方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:“Keeping up with changing customer demand”: An adaptive data-driven approach for storage and repositioning decisions in automated g warehouses

【字体: 大 中 小 】 时间:2026年01月30日 来源:TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW 9.3

编辑推荐:

  在仓库中,产品通常未存储在其最优位置,从而延长了检索和订单拣选时间。一个主要原因是存储分配基于历史需求频率,而当前需求模式可能不同。然而,由于许多仓库现已实现自动化或机器人化,存在基于实时已知需求动态且机会性地重新定位产品负载的机会,并仍能减少总完工时间(ma

  
在仓库中,产品通常未存储在其最优位置,从而延长了检索和订单拣选时间。一个主要原因是存储分配基于历史需求频率,而当前需求模式可能不同。然而,由于许多仓库现已实现自动化或机器人化,存在基于实时已知需求动态且机会性地重新定位产品负载的机会,并仍能减少总完工时间(makespan,即检索、存储和可选重新定位所需的总时间)。研究人员通过明确额外允许中间重新定位选项,研究了已知请求批次的最优检索。令人惊讶的是,尽管涉及额外的工作和时间,研究人员表明机会性重新定位确实可能有助于减少总完工时间。研究人员针对两种自动化单负载存储仓库研究了该问题:基于自动存储与检索(AS/R)起重机的系统和机器人移动履行(RMF)系统,这两种系统的检索机器人具有不同的移动度量。数据驱动存储与重新定位(DDSR)问题被建模为整数线性规划,利用了实际客户订单数据。由于可能重新定位的组合性质,该问题对于实际系统似乎难以处理。然后,研究人员对模型进行了重新表述,使其对于中等规模问题更易处理。该模型似乎优于现实的存储分配启发式方法,如最近开放位置分配或需求频率类别存储(即使这些方法对需求变化具有完全预见性)。效益约为14%-30%更短的总完工时间,具体取决于待检索负载数量。对于更高的货架空间利用率,效益下降(因为重新定位选项更少)。该方法足够快,可用于实际仓库系统,例如通过滚动时域策略,在执行当前请求的同时计算下一批请求的重新定位。研究人员的方法为管理人员提供了一个额外的强大工具,通过更智能地调度自动化设备以及更有效地利用可用存储空间,来减少系统响应时间,从而提高吞吐能力。
**研究背景与问题**
在仓库运营中,产品常被存储在非最优位置,导致检索和订单拣选时间延长。传统存储策略(如基于历史需求频率的类别存储或最近开放位置存储)无法适应客户订单模式的实时变化,而自动化仓库(如自动存储与检索系统AS/R和机器人移动履行系统RMF)的普及提供了动态重新定位产品负载的机会。现有研究多聚焦于静态存储分配或顺序性(离线)重新定位,缺乏在检索过程中并行进行重新定位的优化方法。因此,研究人员提出一种数据驱动动态存储与重新定位策略,旨在利用已知客户订单数据,通过并行重新定位减少总完工时间(makespan),提升系统吞吐能力。该论文发表在《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》。

**关键技术方法**
研究人员主要采用整数线性规划(ILP)对数据驱动存储与重新定位(DDSR)问题进行建模,目标函数为最小化检索与重新定位的总旅行时间。为克服因重新定位变量组合爆炸导致的求解困难,研究人员提出一种等价重新表述(R-DDSR),通过引入辅助连续变量表示重新定位成本,消除了四维重新定位变量,大幅降低问题维度。此外,采用滚动时域策略,在执行当前检索批次的同时,为下一批请求计算重新定位方案。求解过程中使用热启动(warm-start)策略,以最近开放位置(COL)、类别存储(class-based)和全周转率存储(full turnover)三种基准策略的解作为初始可行解,加速CPLEX分支切割算法的收敛。数值实验基于模拟生成的客户订单数据(采用需求频率s函数,参数0.15,按10-30-60分类划分产品类别),测试了不同检索数量、仓库利用率、仓库规模和计算时间限制下的性能。

**研究结果**
- **Observation 1(检索数量影响)**:通过改变检索数量(tmax从5到75),R-DDSR相对于COL、类别存储和全周转率存储策略的平均改进幅度分别约为21.86%、25.84%和5.3%,且改进幅度相对稳定,表明R-DDSR能持续捕捉重新定位机会。
- **Observation 2(仓库利用率影响)**:当仓库利用率从25%增至95%时,R-DDSR相对于基准策略的改进幅度从约45%降至不足1%,表明高利用率下空位减少,重新定位机会受限。
- **Observation 3(仓库规模影响)**:随着存储位置数量(|L|)从16增至121,R-DDSR相对于类别存储的改进幅度从约31%降至约2%,相对于COL则单调递减,表明问题复杂度随规模增大而上升,削弱了优化效果。
- **Observation 4(计算时间限制影响)**:增加计算时间限制(从300秒至14400秒),R-DDSR相对于COL的改进幅度从约11%增至约26%,但边际效益递减,说明更长时间可缩小最优性间隙。
- **Observation 5(热启动策略效果)**:以全周转率策略解热启动的R-DDSR(R-DDSRFT)始终优于以类别存储解热启动(R-DDSRCB),后者又优于以COL解热启动(R-DDSRCOL),表明高质量初始解能加速收敛并获得更优成本。

**讨论与结论**
研究人员在讨论部分指出,尽管重新定位本身耗时,但通过缩短后续检索时间可完全抵消额外时间。R-DDSR在多种参数下均优于基准策略,且实现无需额外人工成本。实际应用中可采用滚动时域策略,计算时间可接受(例如50次检索约需3600秒,而当前批次执行约需100分钟)。结论部分翻译如下:
“自动化仓库的引入和在线购物的增长给行业带来了显著变化。仓库现在拥有大量准确、详细的销售和采购数据。尽管动态环境带来了挑战和机遇,仓库管理人员主要依赖静态存储策略,这些策略仅偶尔根据客户订单模式变化进行更新,例如类别存储或全周转率存储策略,以及不需要客户订单数据的策略(如随机或最近开放位置存储)。这些传统存储策略不适应客户订单数据的变化,导致仓库性能次优。最多,一些机器人系统能够离线(顺序地)预置负载。与先前关于顺序重新定位(常被称为集装箱码头的预堆垛)的研究不同,本研究引入了并行重新定位的新概念,即在检索过程中动态重新定位物品。本文提出了一种新颖的数据驱动动态并行存储与重新定位策略(DDSR),适用于机器人化和自动化仓库。该策略利用已知客户订单数据,识别订单模式变化,并通过重新定位不断变化的快慢移动物品来重组仓库存储布局。目标函数是最小化总旅行时间,包括检索和重新定位时间。该策略的关键优势在于,由于机器人化和自动化仓库的日益普及,它可以以最少的人工劳动实施,从而在不增加运营成本的情况下优化存储流程。据研究人员所知,这是首次在自动化仓库环境中形式化和优化这种并行方法。并行重新定位使仓库能够更自适应、更连续地响应不断变化的客户订单模式,最大化系统灵活性而不延迟检索操作。为高效求解DDSR模型,研究人员提出了一种更简单的等价重新表述,消除了主要复杂性来源:重新定位变量。重新表述使用表示重新定位成本的辅助决策变量。该重新表述使研究人员能够更高效地求解DDSR模型,同时确保达到最优目标函数值。提出的重新表述DDSR框架不限于一次性静态优化,可以以滚动时域方式动态部署。在每个决策区间,算法为 upcoming 的已知检索批次重新求解混合整数模型,同时系统执行当前批次。由于优化可与检索操作并行进行,所需计算时间不一定妨碍实时性能。这使得该模型适用于持续运营的仓库,其中存储和重新定位决策必须不断适应变化的客户需求。数值结果进一步支持了该重新表述模型在有限计算时间下的鲁棒性,增强了其在动态自动化环境中的适用性。尽管由于问题复杂性,大型实例无法获得最优解,但数值结果表明,在变化的订单数量、仓库利用率、仓库规模和计算时间限制下,DDSR策略优于机器人化和自动化仓库中常用的策略(如最近开放位置和类别存储策略)。此外,该策略具有高度适应性,可以随着客户订单模式变化持续重新定位物品并重组仓库存储分配。数值分析结果显示,DDSR相对于随机和类别存储策略的改进幅度随着仓库空间利用率增加而下降,因为接近满仓的仓库几乎没有重新定位和重组机会。在所测试的空间利用率范围内,相对于基准策略可实现高达35%的改进,且不增加仓库成本。此外,对于不同仓库规模,DDSR相对于最近开放位置和类别存储策略也能提升仓库性能,但改进幅度随仓库规模增大而下降,这是由于计算限制。在所有数值研究实例中,仓库尺寸归一化为1,并考虑方形仓库。然而,不同宽高比的矩形仓库也可用类似设置轻松建模和测试。增加计算时间限制可提高相对于最近开放位置和类别存储策略的改进幅度,但即使计算时间限制低至300秒,仍可实现至少10%的改进。数值结果还显示,初始存储分配影响基准策略,进而影响DDSR相对于基准策略的改进幅度,尤其是在检索次数较少的情况下。特别是在类别存储策略的初始分配中,研究人员考虑了整个 upcoming 检索批次的周转频率变化,即假设对 upcoming 需求有预见性。然而,即使在这种设置下,DDSR在所有实验中平均改善类别存储约18%。因此,在实践中,当初始存储分配中未使用此类信息时,预期可观察到类似或更好的改进。总之,DDSR策略代表了现代仓库和履行中心优化存储过程的重要一步。”
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号