ترجمه فارسی مقاله انتخاب عملیات در انبارها با سفارشات به صورت پویا: بهینه سازی دوباره خوب است؟

چکیده

E-commerce operations are essentially online, with customer orders arriving dynamically. However, very little is known about the performance of online policies for warehousing with respect to optimality, particularly for order picking and batching operations, which constitute a substantial portion of the total operating costs in warehouses. We aim to close this gap for one of the most prominent dynamic algorithms, namely reoptimization (Reopt), which reoptimizes the current solution each time when a new order arrives. We examine Reopt in the Online Order Batching, Sequencing, and Routing Problem (OOBSRP), in both cases when the picker uses either a manual pushcart or a robotic cart. Moreover, we examine the noninterventionist Reopt in the case of a manual pushcart, wherein picking instructions are provided exclusively at the depot. We establish analytical performance bounds employing worst-case and probabilistic analysis. We demonstrate that, under generic stochastic assumptions, Reopt is almost surely asymptotically optimal and, notably, we validate its near-optimal performance in computational experiments across a broad range of warehouse settings. These results underscore Reopt’s relevance as a method for online warehousing applications.

چکیده به فارسی (ترجمه ماشینی)

عملیات تجارت الکترونیکی اساساً بصورت آنلاین انجام می شود و سفارشات مشتری به صورت پویا وارد می شود.با این حال ، در مورد عملکرد سیاست های آنلاین برای انبارداری با توجه به بهینه بودن ، به ویژه برای انتخاب سفارش و عملیات دسته بندی ، که بخش قابل توجهی از کل هزینه های عملیاتی در انبارها را تشکیل می دهد ، بسیار کمی شناخته شده است.هدف ما این است که این شکاف را برای یکی از برجسته ترین الگوریتم های پویا ، یعنی مجدداً مجدداً (Reopt) ببندیم ، که هر بار که یک سفارش جدید وارد می شود ، راه حل فعلی را دوباره به دست می آورد.ما در هر دو مورد که انتخاب کننده از یک Pushcart دستی یا یک سبد روباتیک استفاده می کند ، دوباره در مورد دسته بندی سفارش آنلاین ، توالی و مسیریابی (OOBSRP) را بررسی می کنیم.علاوه بر این ، ما مجدداً غیرقانونی را در مورد فشار دستی دستی بررسی می کنیم ، که در آن دستورالعمل های انتخاب منحصراً در انبار ارائه می شود.ما مرزهای عملکرد تحلیلی را با استفاده از آنالیز بدترین حالت و احتمالی ایجاد می کنیم.ما نشان می دهیم که ، تحت فرضیات تصادفی عمومی ، REOPT تقریباً مطمئناً به صورت مجانبی بهینه است و به ویژه ، ما عملکرد تقریباً بهینه آن را در آزمایشات محاسباتی در طیف گسترده ای از تنظیمات انبار تأیید می کنیم.این نتایج بر اهمیت REOPT به عنوان روشی برای برنامه های انبارداری آنلاین تأکید می کند.