La struttura di un magazzino buio può essere variata e consiste in scaffalature di picking tradizionali per il prelievo manuale dei prodotti, scaffalature per pallet, scaffalature dinamiche o a gravità e sistemi a cassetti automatici come i moduli di sollevamento verticale (VLM). Il modulo di sollevamento verticale (VLM) è un sistema di stoccaggio e recupero automatizzato (AS/RS) ampiamente utilizzato.
VLM è un metodo di stoccaggio appositamente progettato per piccoli articoli comprendente più piani o vassoi per lo stoccaggio degli articoli. Questo sistema automatizzato ottimizza lo stoccaggio e il recupero degli articoli, garantendo che solo uno scaffale alla volta sia accessibile all’operatore per il recupero (Dukic et al., 2015). Il VLM è costituito da un telaio, la struttura portante, vassoi dove vengono immagazzinati i prodotti e un componente mobile chiamato ascensore. Questo ascensore si muove verticalmente lungo il telaio principale. Il telaio è dotato di un’apertura frontale dalla quale si estende il vassoio per prelevare e distribuire i prodotti. Il vantaggio più significativo di un VLM è l’ottimizzazione dello spazio, poiché è una soluzione compatta che funziona in alto.
Inoltre, il sistema automatico di sollevamento e prelievo dei vassoi consente un rapido accesso agli articoli richiesti, riducendo i tempi di prelievo e aumentando la precisione dell’operazione. Dovrebbe essere scelta la strategia di allocazione dei prodotti più efficiente per massimizzare la riduzione dei tempi di raccolta.
In letteratura sono state sviluppate diverse metodologie per la classificazione dei prodotti e l’assegnazione delle ubicazioni di stoccaggio all’interno di un magazzino. Questa sfida è comunemente identificata come problema di assegnazione della posizione di stoccaggio (SLAP), che prevede il posizionamento degli articoli in un magazzino per ridurre i costi di movimentazione dei materiali e migliorare l’utilizzo dello spazio (Gu et al., 2007). In questo documento, la Sezione 2 discute lo SLAP, definendo diverse strategie, e successivamente, la Sezione 3 introduce una strategia di allocazione ottimizzata. Infine, nell’ultima sezione, un caso di studio confronta questa strategia ottimizzata con un approccio di allocazione casuale.
- Problema di assegnazione della posizione di archiviazione
Il problema dell’assegnazione della posizione di stoccaggio (SLAP) prevede l’allocazione dei prodotti all’interno di uno spazio di stoccaggio per ottimizzare i costi di movimentazione dei materiali e massimizzare l’utilizzo dello spazio di stoccaggio. Questo problema dipende da vari parametri, tra cui la progettazione dell’area di stoccaggio, la disponibilità dello spazio di stoccaggio, la capacità di stoccaggio del magazzino, le caratteristiche fisiche dei prodotti, i tempi di arrivo e i modelli di domanda (Reyes et al., 2019).
La prima distinzione nelle strategie da adottare risiede nella scelta tra allocazione statica o dinamica dei prodotti (Mirzaei et al., 2021). In un approccio di allocazione statica, l’assegnazione dei prodotti a specifici spazi o posizioni di stoccaggio è predeterminata e rimane costante nel tempo. Ciò significa che ogni prodotto ha una collocazione fissa e definita nel magazzino, indipendentemente dalle variazioni della domanda o delle condizioni di inventario. D’altro canto, l’allocazione dinamica consente un’assegnazione flessibile degli articoli alle ubicazioni di stoccaggio. I prodotti possono essere trasferiti o riorganizzati in risposta a cambiamenti nella domanda, all’introduzione di nuovi prodotti o a cambiamenti nelle condizioni delle scorte.
Questo metodo è più adattivo e consente l’ottimizzazione continua delle disposizioni degli articoli in base ai modelli di domanda attuali o futuri e ai requisiti operativi.
Secondo Trindade et al., è possibile valutare quattro variabili per determinare l’allocazione del prodotto: somiglianza del prodotto, domanda, peso e distanza dal punto di raccolta (Trindade et al., 2022). Altre variabili, come la stagionalità del prodotto, le dimensioni del prodotto e la velocità di raccolta, possono essere prese in considerazione per ottimizzare la disposizione. Reyes et al. hanno classificato i metodi come (Reyes et al., 2019): metodo esatto, euristico, metodo ABC, metodo decisionale multicriterio e metodo basato sui dati. L’approccio esatto si basa su algoritmi matematici o di ottimizzazione che cercano di risolvere il problema dell’allocazione in modo preciso e rigoroso, senza compromessi (Gencosman e Begen, 2022). Questi includono la programmazione lineare e intera, la programmazione dinamica, la programmazione robusta e la logica di Pareto. Il metodo euristico si basa sull’esperienza e sull’intuizione, che cerca di trovare soluzioni soddisfacenti senza garantire l’ottimalità (Hansen et al., 2010). Esempi di modelli euristici includono la classificazione dei prodotti in base alle dimensioni o al peso senza utilizzare metodi analitici complessi.
Il metodo ABC classifica i prodotti in due o tre classi di frequenza in base al Cube-per-Order Index (COI). Il COI è il rapporto tra lo spazio dedicato allo sviluppo nel magazzino e la frequenza di prelievo dei prodotti (Heskett, 1963). Il magazzino conserva la classe con il COI più elevato nella posizione più accessibile. Gli MCDM considerano molteplici criteri o obiettivi nel processo decisionale (Torre et al., 2022). Quando si decide come allocare i prodotti nei diversi spazi del magazzino, possono essere considerati diversi fattori o obiettivi che possono entrare in conflitto o dipendere l’uno dall’altro. Questi includono MCDM come Electre III e Smarter (SMT). Infine, utilizzando tecniche analitiche come l’analisi della domanda passata o prevista, è possibile determinare l’allocazione ottimale dei prodotti per ottimizzare l’efficienza delle operazioni. Gli algoritmi di intelligenza artificiale, come l’ottimizzazione combinatoria o l’apprendimento automatico, possono aiutare a identificare modelli complessi di domanda e movimento dei prodotti e a sviluppare strategie di allocazione più efficienti. Infine, applicando tecniche analitiche come l’analisi della domanda passata o prevista, è possibile determinare l’allocazione ottimale dei prodotti per migliorare l’efficienza operativa. L’ottimizzazione combinatoria e gli algoritmi di apprendimento automatico possono aiutare a identificare modelli complessi nella domanda e nel movimento dei prodotti, consentendo strategie di allocazione più efficienti.