دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات62
تعداد شماره‌ها2,323
تعداد مقالات19,157
تعداد مشاهده مقاله61,596,311
تعداد دریافت فایل اصل مقاله31,234,170
کوچکی, محسن, وحدانی, بهنام. (1403). ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی. سامانه مدیریت نشریات علمی, 22(72), 173-226. doi: 10.22054/jims.2024.75441.2876
محسن کوچکی; بهنام وحدانی. "ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی". سامانه مدیریت نشریات علمی, 22, 72, 1403, 173-226. doi: 10.22054/jims.2024.75441.2876
کوچکی, محسن, وحدانی, بهنام. (1403). 'ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی', سامانه مدیریت نشریات علمی, 22(72), pp. 173-226. doi: 10.22054/jims.2024.75441.2876
کوچکی, محسن, وحدانی, بهنام. ارائه یک الگوریتم ابتکاری ارتقاء یافته برای مسئله تخصیص مکان ذخیره سازی تحت یک خط مشی ذخیره سازی اختصاصی. سامانه مدیریت نشریات علمی, 1403; 22(72): 173-226. doi: 10.22054/jims.2024.75441.2876

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

مطالعات مدیریت صنعتی
مقاله 5، دوره 22، شماره 72، فروردین 1403، صفحه 173-226    اصل مقاله (2.45 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2024.75441.2876
نویسندگان
محسن کوچکی1؛ بهنام وحدانی* 2
1کارشناسی‌ارشد مهندسی‌صنایع،دانشکده‌صنایع،واحد‌ ‌قزوین،دانشگاه آزاد اسلامی،قزوین‌،ایران
2دانشیار‌گروه مهندسی‌صنایع،دانشکده‌صنایع،واحد‌ ‌قزوین،دانشگاه آزاد اسلامی،قزوین‌،ایران
چکیده
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 شبکه SOM،عملکرد بهتری نسبت به الگوریتم مبتنی بر چگالی دارد و همچنین الگوریتم مبتنی بر چگالی عملکرد بهتری نسبت به روش خوشه بندی سلسله مراتبی دارد.
کلیدواژه‌ها
انبار؛ چیدمان؛ یادگیری ماشین؛ تخصیص مکان ذخیره
مراجع
  1. زنجیرابی فراهانی، رضا و عسگر، نسرین (1384) «انبارداری و ذخیره‌سازی»، تهران، دانشگاه صنعتی امیرکبیر.
  2. علیمی، حسینعلی (1380), «مدیریت انبار و عملیات مرتبط با سیستم‌های انبارداری»، تهران، سازمان مدیریت صنعتی.
  3. ALONSO-AYUSO, A., TIRADO, G. & UDÍAS, Á. (2013). On a selection and scheduling problem in automatic storage and retrieval warehouses. International Journal of Production Research, 51, 5337-5353 https://doi.org/10.1080/00207543.2013.813984
  4. International Conference on Industrial Engineering and Systems Management (IESM) (pp. 1-7). IEEE
  5. ARABANI, A. B. & FARAHANI, R. Z. (2012). Facility location dynamics: An overview of classifications and applications. Computers & Industrial Engineering, 62, 408-420.https://doi.org/10.1016/j.cie.2011.09.018
  6. BALLESTÍN, F., PÉREZ, Á. & QUINTANILLA, S. (2020). A multistage heuristic for storage and retrieval problems in a warehouse with random storage. International Transactions in Operational Research, 27, 1699-1728 // https://doi.org/10.1111/itor.12454
  7. BERMAN, B. (1996). Marketing channels, John Wiley & Sons In CORPORATION, T. C. 1999. Introduction to data mining and knowledge discovery, Two Crows
  8. BHARATI, M. & RAMAGERI, M. (2010). Data mining techniques and applications MUHAMEDYEV, R. 2015. Machine learning methods: An overview. Computer modelling & new technologies, 19, 14-29.
  9. ÇELIK, M., ARCHETTI, C. & SÜRAL, H. (2021). Inventory routing in a warehouse: The storage replenishment routing problem. European Journal of Operational Research. https://doi.org/10.1016/j.ejor.2021.11.056
  10. LI, L. & CHEN, Z. Hungarian-based Heuristics for Single-machine Flow-Rack AS/RS with Determined Storage and Retrieval Locations. Proceedings of the 3rd International Conference on Computer Science and Application Engineering, (2019). 1-7. https://doi.org/10.1145/3331453.3361669
  11. DUPONT, L. Warehouse location problem with concave costs: heuristics and exact method. The Proceedings of the Multiconference on" Computational Engineering in Systems Applications", (2006). IEEE, 1341-1346. https://doi.org10.1109/CESA.2006.4281845
  12. GASTWIRTH, J. L., GEL, Y. R. & MIAO, W. (2009). The impact of Levene’s test of equality of variances on statistical theory and practice. Statistical Science, 24, 343-360.
  13. GOETSCHALCKX, M. & RATLIFF, H. D. (1990). Shared storage policies based on the duration stay of unit loads. Management Science, 36, 1120-1132. https://doi.org/10.1287/mnsc.36.9.1120
  14. KALFAKAKOU, R., KATSAVOUNIS, S. & TSOUROS, K. (2003). Minimum number of warehouses for storing simultaneously compatible products. International Journal of Production Economics, 81, 559-564. https://doi.org/10.1016/S0925-5273(02)00368-7
  15. LI, L. & CHEN, Z. Hungarian-based Heuristics for Single-machine Flow-Rack AS/RS with Determined Storage and Retrieval Locations. Proceedings of the 3rd International Conference on Computer Science and Application Engineering, (2019). 1-7.https://doi.org/10.1109/ACCESS.2023.3246518
  16. LU, W., MCFARLANE, D., GIANNIKAS, V. & ZHANG, Q. (2016). An algorithm for dynamic order-picking in warehouse operations. European Journal of Operational Research, 248, 107-122. https://doi.org/10.1016/j.ejor.2015.06.074
  17. LU, Y., SUN, Y., XU, G. & LIU, G. A grid-based clustering algorithm for high-dimensional data streams. International Conference on Advanced Data Mining and Applications, (2005). Springer, 824-831. https://doi.org/10.1007/11527503_97
  18. HAN, J. & KAMBER, M. (2001). Data mining: concepts and techniques. 1st edn San Diego. CA: Academic Press.
  19. HAND, D. J., MANNILA, H. & SMYTH, P. (2001). Principles of data mining (adaptive computation and machine learning), MIT Press..
  20. MATZLIACH, B. & TZUR, M. (2000). Storage management of items in two levels of availability. European Journal of Operational Research, 121, 363-379. 10.1016/S0377-2217(99)00037-5
  21. MCKIGHT, P. E. & NAJAB, J. (2010). Kruskal‐wallis test. The corsini encyclopedia of psychology, 1-1. https://doi.org/10.1002/9780470479216.corpsy0491
  22. MEZGHANI, S. & FRIKHA, A. (2012). A heuristic approach to the warehouse management problem: a real case study. International Journal of Logistics Systems and Management, 13, 342-357. https://doi.org/10.1504/IJLSM.2012.049702.
  23. MITCHELL, T. M. (2006). The discipline of machine learning, Carnegie Mellon University, School of Computer Science, Machine Learning
  24. MIRZA, S., MITTAL, S. & ZAMAN, M. (2016). A review of data mining literature. International Journal of Computer Science and Information Security (IJCSIS), 14, 437-442.
  25. NISHI, T. & KONISHI, M. (2010). An optimisation model and its effective beam search heuristics for floor-storage warehousing systems. International Journal of Production Research, 48, 1947-1966. https://doi.org/10.1080/00207540802603767
  26. PALMER, A., JIMÉNEZ, R. & GERVILLA, E. (2011). Data mining: Machine learning and statistical techniques. Knowledge-Oriented Applications in Data Mining, Prof. Kimito Funatsu (Ed.), 373-396. https://doi.org/10.5772/13621
  27. QIU, R., SUN, Y. & SUN, M. (2022). A robust optimization approach for multi-product inventory management in a dual-channel warehouse under demand uncertainties. Omega, 102591. https://doi.org/10.1016/j.omega.2021.102591
  28. QUINTANILLA, S., PÉREZ, Á., BALLESTÍN, F. & LINO, P. (2015). Heuristic algorithms for a storage location assignment problem in a chaotic warehouse. Engineering Optimization, 47, 1405-1422. https://doi.org/10.1080/0305215X.2014.969727.
  29. REVILLOT-NARVÁEZ, D., PÉREZ-GALARCE, F. & ÁLVAREZ-MIRANDA, E. (2019). Optimising the storage assignment and order-picking for the compact drive-in storage system. International Journal of Production Research, 1-21http://doi.org/10.1080/00207543.2019.1687951
  30. ROTH, A. J. (1983). Robust trend tests derived and simulated: Analogs of the Welch and Brown-Forsythe tests. Journal of the American Statistical Association, 78, 972-980. http://doi.org /10.1080/01621459.1983.10477048
  31. SEYEDI, I., HAMEDI, M. & TAVAKKOLI-MOGHADDAM, R. (2019). Truck Schedulin Cross-Docking Terminal by Using Novel Robust Heuristics. International Journal of Engineering, 32, 296-305.http://doi.org/10.5829/ije.2019.32.02b.15.
  32. SHAKERI, M., LOW, M. Y. H., TURNER, S. J. & LEE, E. W. (2012). A robust two-phase heuristic algorithm for the truck scheduling problem in a resource-constrained crossdock. Computers & Operations Research, 39, 2564-2577. https://doi.org/10.1016/j.cor.2012.01.002.
  33. SHAPIRO, S. S. & WILK, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52, 591-611. https://doi.org/10.2307/2333709
  34. Heuristic solutions for transshipment problems in a multiple door cross docking warehouse. Computers & Industrial Engineering, 61, 402-408. https://doi.org/10.(1016)/j.cie.2010.09.010
  35. SUKHOV, P., BATSYN, M. & TERENTEV, P. A Dynamic Programming Heuristic for Optimizing Slot Sizes in a Warehouse. ITQM, (2014). 773-777. https://doi.org/10.1016/j.procs.2014.05.327
  36. TOOTKALEH, S. R., GHOMI, S. F. & SAJADIEH, M. Tootkaleh, S. R., Ghomi, S. F., & Sajadieh, M. S. (2016). Cross dock scheduling with fixed outbound trucks departure times under substitution condition. Computers & industrial engineering, 92, 50-56. https://doi.org/10.1016/j.cie.2015.12.005‏
  37. TAN, P.-N., STEINBACH, M. & KUMAR, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533
  38. VAN DEN BERG, J. P. & GADEMANN, A. (2000). Simulation study of an automated storage/retrieval system. International Journal of Production Research, 38, 1339-1356. https://doi.org/10.1080/002075400188889
  39. VELICKOV, S. & SOLOMATINE, D. Predictive data mining: practical examples. 2nd Joint Workshop on Applied AI in Civil Engineering, (2000).
  40. WAUTERS, T., VILLA, F., CHRISTIAENS, J., ALVAREZ-VALDES, R. & BERGHE, G. V. 2016. A decomposition approach to dual shuttle automated storage and retrieval systems. Computers & Industrial Engineering, 101, 325-33. https://doi.org/10.1016/j.cie.2016.09.013
  41. WITT, A. & VOß, S. (2007). Simple heuristics for scheduling with limited intermediate storage. Computers & Operations Research, 34, 2293-2309. https://doi.org/10.1016/j.cor.2005.09.004
  42. XIAO, J. & ZHENG, L. (2010). A correlated storage location assignment problem in a single-block-multi-aisles warehouse considering BOM information. International Journal of Production Research, 48, 1321-1338. https://doi.org/10.1080/00207540802555736
  43. YANG, D., WU, Y. & MA, W. (2021). Optimization of storage location assignment in automated warehouse. Microprocessors and Microsystems, 80, 103356. https://doi.org/10.1016/j.micpro.2020.103356
  44. ZAERPOUR, N., YU, Y. & DE KOSTER, R. B. 2015. Storing fresh produce for fast retrieval in an automated compact cross‐dock system. Production and Operations Management, 24, 1266-1284. https://doi.org/10.1111/poms.1232
  45. ZHANG, G., SHANG, X., ALAWNEH, F., YANG, Y. & NISHI, T. (2021). Integrated production planning and warehouse storage assignment problem: An IoT assisted case. International Journal of Production Economics, 234, 108058. https://doi.org/10.1016/j.ijpe.2021.108058
  46. Faveto, A., Traini, E., Bruno, G., & Chiabert, P. (2024). based method for evaluating key performance indicators: an application on warehouse system. The International Journal of Advanced Manufacturing Technology, 130(1), 297-310.http://doi.org/ 10.1007/s00170-023-12684-4‏
  47. Do, E., Kim, M., Ko, D. Y., Lee, M., Lee, C., & Ku, K. M. (2024). Machine learning for storage duration based on volatile organic compounds emitted from'Jukhyang'and'Merry Queen'strawberries during post-harvest storage. Postharvest Biology and Technology, 211, 112808. https://doi.org/10.1016/j.postharvbio.2024.112808‏
  48. Kaynov, I. (2021). Deep Reinforcement Learning for Asymmetric One-Warehouse Multi-Retailer Inventory Management. https://doi.org/10.1016/j.ijpe.2023.109088
  49. Tokat, S., Karagul, K., Sahin, Y., & Aydemir, E. (2022). Fuzzy c-means clustering-based key performance indicator design for warehouse loading operations. Journal of King Saud University-Computer and Information Sciences, 34(8), 6377-6384. https://doi.org/10.1016/j.jksuci.2021.08.003
  50. Li, Y., Wang, H., Bai, K., & Chen, S. (2021). Dynamic intelligent risk assessment of hazardous chemical warehouse fire based on electrostatic discharge method and improved support vector machine. Process Safety and Environmental Protection, 145, 425-434.http://doi.org/ 10.1016/j.psep.2020.11.012
  51. Karder, J., Beham, A., Werth, B., Wagner, S., & Affenzeller, M. (2022). Integrated Machine Learning in Open-Ended Crane Scheduling: Learning Movement Speeds and Service Times. Procedia Computer Science, 200, 1031-1040. https://doi.org/10.1016/j.procs.2022.01.302‏
  52. Giner, J., Katic, D., Kovacs, K., Glawar, R., & Sihn, W. (2023). A computer vision based approach to reduce system downtimes in an automated high-rack logistics warehouse. Procedia CIRP, 118, 1078-1083. https://doi.org/10.1016/j.procir.2023.06.185
  53. Voća, N., Pezo, L., Jukić, Ž., Lončar, B., Šuput, D., & Krička, T. (2022). Estimationof the storage properties of rapeseeds using an artificial neural network. Industrial Crops and Products, 187, 115358. https://doi.org/10.1016/j.indcrop.2022.115358
  54. adier, A. L., & Alpan, G. (2013, October). Scheduling truck arrivals and departures in a crossdock: Earliness, tardiness and storage policies. In Proceedings of 2013
آمار
تعداد مشاهده مقاله: 1,283
تعداد دریافت فایل اصل مقاله: 1,076


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login