ترجمه فارسی مقاله یادگیری تقویتی عمیق برای انتخاب پویای سفارش در عملیات انبار

چکیده

Order picking is a crucial operation in warehouses that significantly impacts overall efficiency and profitability. This study addresses the dynamic order picking problem, a significant concern in modern warehouse management where real-time adaptation to fluctuating order arrivals and efficient picker routing are crucial. Traditional methods, often assuming fixed order sets, fall short in this dynamic environment. We utilize Deep Reinforcement Learning (DRL) as a solution methodology to handle the inherent uncertainties in customer demands. We focus on a single-block warehouse with an autonomous picking device, eliminating human behavioral factors. Our DRL framework enables the dynamic optimization of picker routes, significantly reducing order throughput times, especially under high order arrival rates. Experiments demonstrate a substantial decrease in order throughput time and unfulfilled orders compared to benchmark algorithms. We further investigate integrating a hyperparameter in the reward function that allows for flexible balancing between distance traveled and order completion time. Finally, we demonstrate the robustness of our DRL model for out-of-sample test instances.

چکیده به فارسی (ترجمه ماشینی)

انتخاب سفارش یک عملیات مهم در انبارها است که به طور قابل توجهی بر کارایی و سودآوری کلی تأثیر می گذارد.این مطالعه به مسئله انتخاب سفارش پویا ، نگرانی قابل توجهی در مدیریت انبار مدرن که در آن سازگاری در زمان واقعی برای نوسان سفارشات و مسیریابی کارآمد انتخاب کننده بسیار مهم است ، می پردازد.روشهای سنتی ، که اغلب با فرض مجموعه سفارشات ثابت ، در این محیط پویا کوتاه می شوند.ما از یادگیری تقویت عمیق (DRL) به عنوان یک روش راه حل برای رسیدگی به عدم قطعیت های ذاتی در خواسته های مشتری استفاده می کنیم.ما روی یک انبار تک بلوک با یک دستگاه انتخاب خودمختار تمرکز می کنیم و عوامل رفتاری انسان را از بین می بریم.چارچوب DRL ما بهینه سازی پویا از مسیرهای انتخاب کننده را امکان پذیر می کند ، به طور قابل توجهی زمان عملکرد سفارش را به ویژه با نرخ ورود مرتبه بالا کاهش می دهد.آزمایشات نشان دهنده کاهش قابل توجهی در ترتیب زمان عملکرد و سفارشات غیرقابل تحقق در مقایسه با الگوریتم های معیار است.ما همچنین در مورد ادغام یکپرپارامتر در عملکرد پاداش که امکان تعادل انعطاف پذیر بین مسافت طی شده و زمان تکمیل سفارش را فراهم می کند ، بررسی می کنیم.سرانجام ، ما استحکام مدل DRL خود را برای نمونه های آزمایش خارج از نمونه نشان می دهیم.