A raktári tárhelykijelölési probléma megoldása genetikus algortmussal
A logisztika a civilizációk velejárója. Már a római hadseregben is voltak „logisták” akik a légiók ellátásáról gondoskodtak. A bizánci birodalomban született írások is már definiálták a logisztika feladatait. Az elmúlt évtizedekben jelentősége felértékelődött. Ennek számos oka van, mint például a szétterülő ellátási láncok, a kiszolgálási szinttel támasztott magas elvárások és a modern értékalkotási láncok szükségletei.
A logisztika fogalma két nagyobb részre bontható. Az egyik a fizikai mozgásokkal (vállalati telephelyen belüli un. intralogisztika és vállalati telephelyen kívüli un. extralogisztika), a másik pedig a fizikai folyamatokhoz szükséges információáramlással foglalkozik. Az intralogisztikai folyamatok közül a legfontosabb a komissiózás, mert egy raktár költségeinek körülbelül 50%-át teszi ki. A komissiózás támogatására több módszer és technológia létezik (pl. többlépcsős komissiózás, komissiózó gépek, pick by light rendszerek stb). Az általam kiválasztott probléma azzal foglalkozik, hogy az áru olyan tárhelyre kerüljön, ahonnan hatékonyan megoldható a kigyűjtés a listán szereplő többi termék függvényében. Ezt a problémát hívja a szakirodalom tárhely-kijelölési problémának (storage location assignment problem - SLAP). E probléma jó megoldása, jelentős mértékben csökkenti a komissiózó ágens (gép/ember) tárhelyek közötti mozgási időszükségletét.
Kutatásaim során részletesen vizsgáltam a komissiózás kérdéskörét, kiemelten a SLAP problémát. Megvizsgáltam az iparban jelenleg használt, legelterjedtebb módszereket, továbbá vizsgáltam tanulmányokat az elmúlt 5-10 évben megjelent új megközelítésekről. Készítettem egy saját, genetikus algoritmusokon alapuló SLAP megoldó algoritmust, melynek teljesítményét több tesztesetet vizsgálva összehasonlítottam az alábbi módszerekkel:
• a ma leginkább elterjedt „véletlen betárolás” módszerével, ami kontrollként is szolgál,
• a Pareto-elv alapján működő „ABC” betárolási stratégiával, és
• egy datamining módszereken alapuló heurisztikus megközelítéssel.
Kutatásaim során Ch. Kamset és P. Meesuk 2014-ben megjelent raktármodelljét használom, melyre számos tanulmány hivatkozik. Java környezetben implementáltam a raktármodellt és a betárolási stratégiákat, melyeket aztán különböző paraméterekkel rendelkező raktáregyedeken vizsgáltam. A heurisztikus megközelítésnél a datamining feladatokat R-ben végeztem, egy ún. apriori algoritmus segítségével. Ezen apriori algoritmus használatához minősített internetes forrásokat használtam.
Az általam használt árucikkeket és megrendelési adatokat az R-szoftver „Groceries” nevű adatbázisa szolgáltatja, mely165 terméket és ezen termékekhez tartozó több ezer megrendelés tartalmaz. Ezen adatokat bontottam „leave one out” keresztvalidációs logika alapján training és test halmazokra és teszteltem le az egyes betárolási stratégiákon. Teszteket végeztem kigyűjtési távolság és kigyűjtési idő minimalizálására egyaránt.
Alapvetően horizontális komissiózási példákat vizsgáltam, vagyis a komissiózás döntően egy vagy két szintről zajlott és így a komissiózási időszükséglet is kétdimenziós mozgásokra korlátozódik. A szinteken kívül vizsgáltam, hogyan hat az eredményekre az állványsorok sorszám/sorhossz arány változtatása.
A genetikus algoritmus tesztelése során számtalan érdekes jelenség mutatkozott, a populáció nagyság, a mutációs paraméterek, az elitizmus és a belterjesség tekintetében. Ezekből a tapasztalatokból egyre hatékonyabb algoritmusokat lehet létrehozni.
Kigyűjtési távolságok minimalizásánál az ABC elemzés volt a legsikeresebb, a genetikus algoritmus akkor tudott jobb eredményt elérni, amikor a tárhelyek száma többszörösen meghaladta az árucikkek számát. Azonban az összetettebb kigyűjtési idő minimalizálásánál már jelentősen hatékonyabb volt a genetikus algoritmusom.
A kutatások folytatására számos tervem van. A modell és az algoritmusok nagyobb, valós, céges megrendelési adathalmazokon való tesztelésével még jobban megismerhetem a megoldási lehetőségek tulajdonságát és hatékonyságát. A jövőben vizsgálnám a neurális hálók alkalmazási lehetőségét e problémára.
szerző
-
Vonyó Péter András
Gazdaságinformatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
-
Dr. Sztrapkovics Balázs
Adjunktus, Anyagmozgatási és Logisztikai Rendszerek Tanszék
