2.1 Ottimizzazione in base alle caratteristiche del prodotto (peso e dimensioni)
L’allocazione del prodotto può prendere in considerazione le caratteristiche del prodotto, come peso e dimensioni. Zuniga et al. definire un modello matematico che consideri il peso del prodotto. Inoltre, il modello proposto affronta contemporaneamente il problema dell’allocazione e del raggruppamento dei prodotti e il problema del routing del picker (Bolaños Zuñiga et al., 2020). Gli autori illustrano un caso reale il cui centro di distribuzione è costituito da quattro zone: ricezione, stoccaggio, prelievo e spedizione. Ad ogni prodotto viene assegnato uno spazio distinto, ma non necessariamente tutti gli spazi devono contenere prodotti. Il processo di prelievo viene eseguito utilizzando un sistema picker-to-parts di basso livello. La preparazione degli ordini è regolata dal WMS, che può identificare la posizione precisa e la quantità di ciascun prodotto e guidare il percorso del processo di raccolta. Tuttavia, gli algoritmi utilizzati nel software Warehouse Management System (WMS) non sono avanzati perché spesso richiedono una grande quantità di dati accurati, generalmente non disponibili nella pratica. Pertanto, gli autori utilizzano modelli matematici per migliorare questo processo considerando la caratteristica del peso del prodotto che il WMS non copre. Gli autori hanno definito una funzione obiettivo per ridurre al minimo il tempo di viaggio. Questa funzione comprende diversi criteri chiave volti a ottimizzare la gestione della logistica. Innanzitutto, l’obiettivo primario è soddisfare la domanda per ciascun prodotto nell’ordine, garantendo che la quantità richiesta sia disponibile in magazzino. Allo stesso tempo, il sistema considera la capacità di ciascuna posizione o spazio di stoccaggio, garantendo che la capacità massima non venga superata. Inoltre, ogni ordine deve iniziare da un punto di partenza designato, soddisfacendo i requisiti di distribuzione iniziali. Per ottimizzare l’allocazione dei prodotti all’interno dello spazio di stoccaggio, viene stabilito un sistema in cui ogni prodotto è assegnato ad un singolo spazio e ogni spazio disponibile contiene almeno un prodotto.
Ciò riduce al minimo il tempo di viaggio visitando ogni spazio al massimo una volta per ordine, riducendo così il tempo di viaggio complessivo e migliorando l’efficienza. Infine, una strategia di prelievo ottimale inizia con il prodotto più pesante. Questa strategia migliora l’efficienza di carico e accelera l’intero processo logistico. Yang et al. analizzare il problema del posizionamento dei prodotti all’interno di un magazzino automatizzato definendo un modello matematico (Yang et al., 2021). Il magazzino è composto da m strati e n colonne in ogni riga. Queste funzioni oggettive sono progettate per essere ridotte al minimo dal principio di stoccaggio, che impone che i livelli superiori debbano trasportare carichi più leggeri rispetto ai livelli inferiori quando gli scaffali hanno una distribuzione uniforme del peso. Pertanto, il modello matematico definisce f1 come la somma della qualità di ciascun pallet e del prodotto del suo pallet (considerando il peso di ciascun prodotto) e f2 come la somma della frequenza di accesso al prodotto e del tempo di produzione dell’impilatore durante il ritiro della merce. Gli autori definiscono l’algoritmo genetico multi-obiettivo testato in MatLab per cercare la soluzione ottimale. Il problema viene determinato considerando che il commissionatore può prelevare un pallet alla volta. Il caso di studio mostra che l’efficienza operativa del sistema viene significativamente ridotta quando il tasso di occupazione degli scaffali supera l’80%. Inoltre, è dimostrato che l’algoritmo di ottimizzazione ha un effetto notevole nel ridurre il lavoro svolto dall’impilatore nelle direzioni orizzontale e verticale. Li et al. utilizzare un approccio euristico Association Rule Mining (ARM), un algoritmo di data mining, per creare famiglie di prodotti basate sulle somiglianze delle unità di archiviazione (Li et al., 2021).
Il metodo euristico ottimizza la distanza percorsa per il prelievo degli ordini sulla base di due considerazioni: raggruppamento di set di articoli frequenti e pesi non uniformi delle unità di stoccaggio. Le unità di stoccaggio sono classificate in base al peso, distinguendo tra articoli pesanti, medi e leggeri. Sono stati stabiliti livelli di supporto e confidenza per la generazione di regole utilizzando l’algoritmo Apriori. Successivamente sono stati estratti i set di elementi frequenti ed è stato determinato il layout. I frequenti magazzini erano disposti uno accanto all’altro. Gli elementi ordinati più frequentemente vengono posizionati più vicino al punto di ingresso/uscita. In uno scenario reale è stato applicato l’approccio di data mining, mostrando tempi di prelievo medi inferiori rispetto a quelli generati con il layout basato su classi. Leng et al. ha sviluppato un Digital Twin per integrare i dati in tempo reale da un magazzino fisico ed elaborarli in un modello cibernetico. Nello specifico, definiscono un nuovo modello di ottimizzazione congiunta guidato dal Digital Twin per ottimizzare rapidamente l’imballaggio delle pile di magazzino e l’allocazione dei prodotti (Leng et al., 2021). Per l’allocazione dei prodotti, gli autori definiscono un metodo di abbinamento pacchetto-luogo, considerando la forma dei prodotti. Secondo questo metodo, il volume effettivo dei pacchi dovrebbe essere inferiore o uguale al volume cuboide esterno. Utilizzando il modello viene scelto il luogo di stoccaggio con il massimo grado di corrispondenza per immagazzinare i pacchi attuali. Il tasso di utilizzo massimo dello spazio del pacchetto esprime il grado di corrispondenza.