ارایه الگوریتم ‌های ابتکاری و فرا ابتکاری برای مساله دسته‌بندی سفارشات و مسیریابی جمع ‌کننده در انبارهای یک و چند راهرو متقاطع

هدف: سازمان ‌دهی فرآیند انتخاب سفارش، یکی از مهم‌ ترین موضوعات در مدیریت انبار است. به علاوه ترکیب چندین سفارش در یک سفارش می‌ تواند باعث افزایش کارایی عملیات انبار و استفاده بهینه از منابع و نیروی کار شود. این امر موجب کاهش زمان فرآیند انتخاب سفارش و مسافت پیموده شده می‌ شود.روش‌شناسی پژوهش: در این پژوهش، روشی بر مبنای الگوریتم فرا ابتکاری ژنتیک برای حل مساله دسته‌ بندی سفارشات و مسیریابی جمع‌کننده ارایه شده است. برای دستیابی به تشابه دقیق‌ تر بین دسته‌ها، ما علاوه بر تعداد دسته اقلام مشترک، درصد اقلام مشترک در سفارشات را نیز در نظر گرفتیم.یافته‌ها: روش پیشنهادی این پژوهش با ترکیب الگوریتم ‌های نزدیک‌ترین همسایه، بزرگ‌ترین شکاف، و s-شکل مقایسه شده است. نتایج آزمایش بر روی مجموعه داده‌های تصادفی نشان داده است که الگوریتم ژنتیک، راه‌حل‌های سریع و موثری ارایه می‌دهد. با ارزیابی و تحلیل حساسیت پارامترها، مشاهده شد که فاصله ‌ی طی شده توسط روش ترکیبی ژنتیک %18 بهتر از ترکیب الگوریتم‌ های نزدیک‌ترین همسایه، بزرگ‌ترین شکاف و s-شکل است.اصالت/ارزش‌افزوده علمی: در این مقاله از الگوریتم ژنتیک ترکیبی مبتنی بر شاخص مشابهت برای مساله دسته‌ بندی سفارشات مشترک و مسیریابی جمع ‌کننده در انبارها به‌ طور هم‌ زمان استفاده شده است.

developing heuristic and meta-heuristic algorithms for the problem of joint order batching and collector routing in single and multiple-cross-aisle warehouses

purpose: organization of the order selection process is one of the most important issues in warehouse management, and combining several customer orders in one order can increase the efficiency of warehouse operations and better use of resources and labor. it also reduces the time of the order selection process and the distance traveled.methodology: in this research, we have presented a method to solve the problem of order batching and collectors routing. a meta-heuristic based on the genetic algorithm is proposed in this research. for a more accurate comparison, in addition to the category number of common items, we also considered the percentage of common items in each order.findings: the proposed method in this research has been compared with the combination of nearest neighbor (nn), largest gap, and s-shape algorithms. the test results on the random data sets have shown that the genetic algorithm provides fast and effective solutions. by evaluating the sensitivity analysis of the parameters, it was observed that the distance covered by the combined genetic method is better than the s-shape+largest gap+nn method.originality/value: in this article, the genetic algorithm is used for the problem of classification of joint orders and routing of collectors in warehouses at the same time.