Order pick routing
Van theorie naar praktijk
Uit studies blijkt dat 50% van de tijd van het orderpicken besteed wordt aan verplaatsingen. Dat betekent dus dat de grootste winst in tijdsbesteding te boeken is in het optimaliseren van de orderpickroute. Echter spelen veel verschillende factoren een rol bij het bepalen van de optimale route, factoren die bovendien heel variabel zijn. AI kan een belangrijke rol spelen om in real-time de best mogelijke routes te vinden, dat spaart je tijd en kosten uit.
Toepassingen
In zijn meest simpele vorm kan AI je helpen om orderpickroutes uit te stippelen. De AI-gebaseerde routes zijn dan vaak efficiënter en sneller dan wanneer je de routes manueel uitstippelt, toch voor grote warenhuizen met veel bestellingen.
Maar binnen orderpicking kun je verschillende benaderingen toepassen, zoals bijvoorbeeld zone-picking. Elk van deze benaderingen heeft echter voor- en nadelen. Het is daarom niet altijd even makkelijk om de meest optimale benadering te selecteren. Met behulp van AI kun je een analyse maken van jouw magazijn en het type orders dat je krijgt. De AI stelt dan niet simpelweg een route voor, maar ook de meest optimale benadering om aan orderpicking te doen binnen de context van jouw bedrijf.
Een efficiënt orderpicksysteem houdt natuurlijk niet enkel rekening met de routes op zich, maar ook met de indeling van het magazijn zodat die routing achteraf optimaal kan verlopen. De fysieke indeling van een magazijn is bijvoorbeeld nauw verbonden aan de orderpickroutes. Door een zogenaamd genetisch AI-algoritme toe te passen, kun je het orderpicken verbeteren door de indeling te verbeteren.
Ook de plaatsing van producten in het magazijn heeft een grote invloed op de orderpickroutes (zie ook de toepassing locatiemanagement). Sommige producten worden bijvoorbeeld vaak samen besteld. Wanneer deze producten op grote afstand van elkaar staan in het magazijn, spendeert een orderpicker al snel heel wat tijd om ze samen te voegen. AI helpt je daarom te analyseren welke producten best dicht bij elkaar staan in een magazijn om optimale orderpickroutes te bekomen.
In veel gevallen met AI worden robotten ingezet die de meest efficiënte route berekenen en daarna automatisch zelf deze route volgen (zie ook de toepassing robotica). Het Chinese e-commerce bedrijf Alibaba draait bijvoorbeeld voor een groot deel op deze robotten. Deze systemen kunnen tot drie keer zo efficiënt zijn ten op zichte van manueel orderpicken.
Vereisten
Data
- Locaties van pick-items
- ~Onderlinge afstanden
- ~Optioneel: Docking/picking-times
- Eigenschappen van order pickers
- ~Capaciteit, snelheid
- Picklist
Hardware
- Real-time dataverwerkingscapaciteit
Algoritme
- Optimalisatiealgoritme
- ~Pattern search
- ~Stochastic algorithms f.e. Simulated annealing
- ~Population-based algorithms (Genetic algorithm, Particle Swarm Optimizatoin)
- Reinforcement learning
Aandachtspunten
- Optimaliseren kan je reeds zonder historische data. Bepalen van een kortste/snelste/goedkoopste route is geen klassiek machine learning probleem, maar wel een optimalisatie-probleem. M.a.w. je hebt geen informatie nodig over gebruikte routes uit het verleden om de optimale route voor deze run te bepalen.
- Voorzie de nodige capaciteit voor het uitvoeren van een optimalisatie-algoritme. Het optimalisatie algoritme is niet op voorhand getraind, maar moet per picklist uitgevoerd worden. Hiervoor dient hardware capaciteit te worden voorzien.
- De complexiteit van de taak wordt mede bepaald door de layout van het warehouse. Afhankelijk van de lay-out van het magazijn is het bepalen van de route een triviale taak. (Bijv order pickers moeten steeds door het hele magazijn om tot bij de vrachtwagen te geraken). Indien dit zo is, dan moet er eerder gekeken worden naar een mogelijke aanpassing van de layout ipv een “intelligente” routebepaling.
- De complexiteit neemt toe naarmate er meer orders verdeeld moeten worden over meer verschillende order pickers. Voor het optimaliseren van 1 enkele route van 1 order picker per keer, komt dit probleem overeen met het Traveling Salesman Problem, dat gekend en reeds uitvoerig bestudeerd is in de vakliteratuur. Hoewel er tot op heden geen manier gekend is om met zekerheid tot de optimale oplossing te komen, zijn er meerdere optimalisatietechnieken die hier een adequate oplossing kunnen bieden. Indien de routes moeten geoptimaliseerd worden voor meerdere simultaan opererende order pickers (die een impact hebben op elkaar), verhoogt de complexiteit van het probleem.
- Digital twin van het warehouse is vereist. Wanneer je de routes voor meerdere simultane order pickers wil optimaliseren, dan heb je nood aan een digitale voorstelling van je warenhuis die dynamisch en responsief is. De locatie van order picker B kan nl. een impact hebben op de snelste route van order picker A. Tegelijk kan het locatie van order picker A ervoor zorgen dat order picker B hetzelfde item nu best op een andere locatie kan gaan halen.
- Lokale optimalisaties zorgen niet noodzakelijk voor de beste uitkomst globaal. Zelfs wanneer order picker niet simultaan rijden, kan het zijn dat optimaliseren van een route voor elke order picker afzonderlijk toch niet tot het beste globale resultaat leidt. Ter illustratie: stel dat item I op zowel locatie L1 als locatie L2 opgeslagen ligt. Locatie L1 bevat 5 eenheden, Locatie L2 bevat 10 eenheden. Voor order 1 dienen 3 items I gepickt te worden, order 2 vraagt 9 items I. Indien de order picker voor order 1 via L2 gerouteerd wordt, heeft dit als een directe impact dat order 2 zowel L1 als L2 zal moeten bezoeken om aan de vraag te voldoen.
Stappenplan
Voor het optimaliseren van 1 route per keer.
- Digitaliseer pickup locaties. Bijv. point-to-point distance matrix.
- Verzamel meta-gegevens per stop/locatie en per order picker
- Stel een kostenfunctie op voor een gegeven route R en order picker O, rekening houdend met de afstand tussen stops in R, de snelheid en capaciteit van O, docking en loading times...
- Laat de kostenfunctie minimaliseren door een optimalisatiealgoritme voor een gekende set van historische orders door de route aan te passen.
- Evalueer de prestaties van het optimalisatie-algoritme
Voor het optimaliseren van meerdere routes tegelijk.
- Digitaliseer pickup locaties. Bijv. point-to-point distance matrix.
- Verzamel meta-gegevens per stop/locatie en per orderpicker
- Stel een kostenfunctie op voor een set van gegeven routes R voor meerdere pickers O, rekening houdend met de afstand tussen stops in elke R, de snelheid en capaciteit van elke O, docking en loading times, blocking times a.h.v. locaties van andere pickers op dat moment etc.
- Laat de kostenfunctie minimaliseren door een optimalisatiealgoritme voor een gekende set van simultane orders door de routes aan te passen en toe te wijzen.
- Evalueer de prestaties van het optimalisatie-algoritme
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
