ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی

ذخیره‌سازی و چیدمان صحیح محصولات در انبار، باعث افزایش کارایی در پاسخگویی به درخواست ها، تسریع در شناسایی محصولات، افزایش قابلیت دسترسی به اقلام موجود در انبار، استفاده بیشتر از فضای موجود در انبار، تعیین موقعیت محصولات در انبار و آسیب ندیدن آن‌ها، فراهم آمدن حداکثر انعطلاف پذیری و شرایط مطلوب انبارداری می شود. با بررسی مطالعاتی که در حوزه انبارداری و چیدمان محصولات در انبار صورت گرفته و قبل از چیدمان محصولات در انبار، به صورت جامع و فراگیر با توجه به ویژگی کالاها،دسته بندی روی آنان صورت نگرفته است. لذا در این مقاله با استفاده از الگوریتم های یادگیری ماشین و داده کاوی با توجه به ویژگی‌هایی که برای کالاها در انبار کارخانه تولیدی - صنعتی فراسان در نظر گرفته شده است به دسته بندی محصولات پرداخته و سپس به چیدمان محصولات در انبار با استفاده از مدل برنامه ریزی ریاضی پرداختیم. هدف از مسئله مورد بررسی در حوزه انبارداری و چیدمان محصولات،علاوه بر دسته بندی محصولات بر اساس ویژگی‌های آن‌ها ،کمینه کردن تابع هزینه به دست آمده نسبت به مدل برنامه‌ریزی‌ریاضی می‌باشد.از این رو برای دسته بندی کالاها از الگوریتم مبتنیبر‌چگالی (db ) ، شبکه عصبی نگاشت خودسازمان ده (som ) و روش خوشه بندی سلسله مراتبی (agnes) استفاده شده است. نتایج به دست آمده نشان می‌دهد که som،عملکرد بهتری نسبت به dbscan دارد. همچنین الگوریتم dbscan عملکرد بهتری نسبت به agnes دارد.

presenting an improved heuristic algorithm for the storage space allocation problem under a dedicated storage policy

the correct storage and arrangement of products in the warehouse increase efficiency in responding to requests, accelerate the identification of products, increase accessibility of items in the warehouse, make more use of available space in the warehouse, reduce the possibility of product damage, and increase flexibility. the review of studies in the field of warehousing and arrangement of products in warehouses revealed that the use of machine learning algorithms in this field is one of the important research gaps. therefore, in this article, using machine learning algorithms, we aim to present an innovative algorithm for allocating goods to different parts of a warehouse, for which a real case study is used. the goal of categorizing products based on their characteristics is to minimize the total cost of the system. hence, spatial clustering algorithms based on the density of applications with noise (dbscan), self-organizing mapping neural network (som), and agnes are used. the obtained results show that som has better performance than dbscan. also, the dbscan algorithm performs better than agnes.