Optimizing Warehouse Order Batching when Routing Is Precedence Constrained and Pickers Have Varying Skills

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Saarinen, Jari, Dr., Aalto University, Finland
dc.contributor.advisor Koster, René de, Prof., Erasmus University Rotterdam, the Netherlands
dc.contributor.author Matusiak, Marek
dc.date.accessioned 2014-05-14T09:00:14Z
dc.date.available 2014-05-14T09:00:14Z
dc.date.issued 2014
dc.identifier.isbn 978-952-60-5675-3 (electronic)
dc.identifier.isbn 978-952-60-5674-6 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/13043
dc.description.abstract Warehouses are an important part of most supply chains. By batching customer orders and routing pickers effectively, warehouses aim to increase the efficiency of the order picking process. The contributions of this thesis are related to two extensions to the optimizing of picker-to-parts order picking operations in warehouses. First, precedence constraints are introduced to picker routing, which pose new challenges to order batching algorithms. This is due to the relative complexity of precedence-constrained routing when compared to standard methods for routing pickers. The complexity is mitigated by the use of an effective savings estimate in calculating the properties of large batches, which reduces computation time significantly.  This savings estimate is used in a Large Neighborhood Search algorithm, which outperforms heuristics from literature and compares well to optimal solutions (1.2% mean error).  An A* algorithm is used for precedence-constrained picker routing. Compared to the performance of a reference warehouse, almost 16% (5000km) in total travel distance can be saved during a three month period. Second, forecasting models of order pickers' batch execution times are built with multilevel modeling using a three-month set of operational data. It is shown that significant differences in picker performance exist. The forecasting models are used in an Adaptive Large Neighborhood Search algorithm in finding the right picker for the job. Compared to a state-of-the-art batching algorithm and to the current practice of assigning work in most warehouses, 9% is saved in total order picking time. These results show that differences among order pickers should be taken into account when optimizing order picking operations in warehouses. This is the first work where forecasting models are used to predict the performance of individual order pickers, and where such models are exploited with a job assigning algorithm. en
dc.description.abstract Varastot ovat tärkeä osa teollisuuden ja vähittäismyynnin toimitusketjuja. Varastojen keräilyprosessia on pyritty tehostamaan keruureittien optimoinnilla sekä yhdistämällä tilauksia isommiksi kokonaisuuksiksi, jotka voidaan kerätä yhden keruureitin varrelta lähtöpisteeseen välillä palaamatta. Tämän väitöskirjan tieteelliset kontribuutiot laajentavat tieteen nykyisiä varastojen vähittäiskeräilyprosessin optimoinnin käytäntöjä. Kerättävien tuotteiden välillä voi olla etusijarajoitteita, ts. jotkut tuotteet tulisi kerätä ennen toisia. Perinteiset keräilijöiden reitittämiseen käytetyt algoritmit eivät ota tätä huomioon. Etusijarajoitettu reitittäminen on laskennallisesti verraittain raskasta. Tilausten yhdistämiseen käytetyt algoritmit kutsuvat reititysalgoritmia aina löytäessään uuden tilausyhdistelmän. Reitityksen ollessa etusijarajoitettua, jatkuva reitittäminen tekee kirjallisuudessa esitettyjen algoritmien käytöstä epäkäytännöllistä ratkaisuun kuluvan ajan vuoksi. Tässä työssä esitetään tapa vähentää laskennallisesti raskasta reititystä käyttäen säästettyyn matkaan perustuvia estimaatteja. Estimaatteja käytetään tilausten yhdistämisalgoritmissa varsinaisen reitityksen sijaan. Tämä nopeuttaa ratkaisun löytämistä laadusta tinkimättä: esitetty algoritmi löytää paremman ratkaisun tilausten yhdistämisongelmaan nopeammin kuin mikään testatuista verrokkialgoritmeista, varsinkin jos tilauksia on paljon. Optimaalisiin ratkaisuihin verrattuna, esitetty algoritmi pärjää hyvin, saavuttaen keskimäärin 1,2% epätarkemman tuloksen.  Referenssivaraston alkuperäisten keruureittien kokonaismatkaan verrattuna säästöä kertyi 16%, eli noin 5000 km kolmen kuukauden ajanjaksona. Kolmen kuukauden keruudatan pohjalta monitasomallinusmenetelmän avulla luodaan keruutehtävän kokonaisaikaa ennustavat kerääjäkohtaiset mallit. Ennuste riippuu kerääjästä ja työtehtävän parametreistä. Työntekijöiden välisten erojen tilastollinen merkittävyys osoitetaan varianssianalyysia käyttäen. Ennustemalleja käytetään adaptiivisessa hakualgoritmissa, joka etsii parhaita keräilijä/tilaus/tilausyhdistelmä-kombinaatioita isosta hakuavaruudesta. Verrattuna tieteen nykytilaan, jossa tilaukset yhdistetään kokonaismatkaa minimoiden, mutta ei oteta keräilijöiden taitoja huomioon, saavutetaan 9% säästöt kokonaiskeruuajassa. Nämä tulokset osoittavat, että keräilijöiden taidot tulisi ottaa huomioon keräilyvaraston toimintojen  optimoinnissa. fi
dc.format.extent 137
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 62/2014
dc.subject.other Automation en
dc.title Optimizing Warehouse Order Batching when Routing Is Precedence Constrained and Pickers Have Varying Skills en
dc.title Keräilyvaraston tilausten yhdistämisen optimointi keräilijöiden ominaisuudet huomioiden ja reitityksen ollessa etusijarajoitettua fi
dc.type G4 Monografiaväitöskirja fi
dc.contributor.school Sähkötekniikan korkeakoulu fi
dc.contributor.school School of Electrical Engineering en
dc.contributor.department Sähkötekniikan ja automaation laitos fi
dc.contributor.department Department of Electrical Engineering and Automation en
dc.subject.keyword warehousing en
dc.subject.keyword routing en
dc.subject.keyword order picking en
dc.subject.keyword metaheuristics en
dc.subject.keyword batching en
dc.subject.keyword multilevel modeling en
dc.subject.keyword worker modeling en
dc.subject.keyword business analytics en
dc.subject.keyword combinatorial optimization en
dc.subject.keyword varastointi fi
dc.subject.keyword reititys fi
dc.subject.keyword keräily fi
dc.subject.keyword metaheuristiikka fi
dc.subject.keyword tilausten yhdistäminen fi
dc.subject.keyword monitasomallintaminen fi
dc.subject.keyword työntekijöiden mallintaminen fi
dc.subject.keyword liiketoimintatiedon hallinta fi
dc.subject.keyword kombinatorinen optimointi fi
dc.identifier.urn URN:ISBN:978-952-60-5675-3
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (monograph) en
dc.type.ontasot Väitöskirja (monografia) fi
dc.contributor.supervisor Halme, Aarne, Professor Emeritus, Aalto University, Finland
dc.opn Gabor, Adriana, Assistant Prof., Erasmus University Rotterdam, the Netherlands
dc.date.dateaccepted 2014-04-24
dc.contributor.lab Generic Intelligent Machines en
dc.rev Professor Wout Dullaert, Universiteit Antwerpen, Belgium
dc.rev van den Heuvel, Wilco, Assistant Prof., Erasmus University Rotterdam, the Netherlands
dc.date.defence 2014-06-06


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account