Reconfiguración de órdenes y lotes, y tiempo de computación

En esta sección se procede a responder la cuarta pregunta de experimentación.

PE4: ¿Cómo es el comportamiento de la reconfiguración de órdenes y lotes, y del tiempo de computación del AGOG+AGOI al solucionar el PMCLSARP on-line?

En adición a los resultados relacionados con la función objetivo y los ahorros del algoritmo AGOG+AGOI frente a los puntos de referencia propuestos, en la Figura 5-12 se analiza el promedio de lotes y órdenes reconfigurados a causa del ingreso de nuevas órdenes en las ventanas de tiempo. En este sentido, se identifica que cuando en la ventana de tiempo se ingresan nuevas órdenes de cliente al sistema de picking al 75% del tiempo estimado de completación (%TW), y cuando se liberan 15 órdenes en cada ventana de tiempo se genera mayor número de lotes y órdenes reconfigurados.

4 2 .0 5 8 62 .4 2 3 5 3 .5 3 8 7 9 .9 1 8 6 2 .3 3 2 1 6 2 .8 1 8 1 2 .2 7 8 6 4 .4 3 7 442 259 2 8 .1 2 1 2 6 .6 0 0 1 0 1 5 1 0 1 5 A L M A C É N 1 A L M A C É N 2 V ALO R PRO M EDI O

CONFIGURACIÓN DE ALMACÉN / NÚMERO DE ÓRDENES

124 Problema multiobjetivo de conformación de lotes, secuenciación y ruteo del picking, considerando múltiples operarios, vehículos con capacidad heterogénea, almacenes 3D multibloques, pedidos con llegadas dinámicas y fechas de entrega con ventanas de tiempo

Figura 5-12: Reconfiguración de lotes y órdenes según %TW y número de órdenes

Fuente: Elaboración propia

De esta forma, a medida en que la amplitud de las ventanas de tiempo para ingresar nuevas órdenes de clientes al sistema de picking disminuye respecto al tiempo de completación promedio de dichas órdenes, y aumenta el número de órdenes que se liberan en cada ventana de tiempo se aumenta la posibilidad de reconfiguración de lotes previamente asignados y secuenciados en vehículos de picking, exigiendo un mayor esfuerzo computacional para la solución del PMCLSARP en cada ventana de tiempo debido al aumento del número total de órdenes de cliente a procesar.

En este sentido, la Figura 5-13 refleja los tiempos de cómputo del algoritmo AGOG+AGOI, donde se evidencia que a medida en que disminuye %TW aumenta el tiempo de computación, y a medida en que aumenta el número de órdenes de cliente liberadas en cada ventana de tiempo aumenta el tiempo de computación. Es así como para instancias considerando %TW se genera en promedio un tiempo de computación de 1.144 segundos (19,1 minutos), y un tiempo promedio por ejecución del algoritmo en cada ventana de tiempo de 1,91 minutos. Para instancias considerando 15 órdenes de cliente se genera en promedio un tiempo de computación de 1.299 segundos (21,6 minutos), y un tiempo promedio por ejecución del algoritmo en cada ventana de tiempo de 2,16 minutos.

32 61 8 14 47 92 11 19 1 0 1 5 1 0 1 5 7 5 % 9 0 % %TW / ÓRDENES

Capítulo 5 125

Figura 5-13: Tiempo de computación (segundos) según el número de órdenes y %TW

Fuente: Elaboración propia

De forma general, para todos los escenarios experimentales se obtuvo un tiempo de computación promedio de 1.043 segundos (17,4 minutos) y un tiempo promedio por ejecución del algoritmo en cada ventana de tiempo de 1,74 minutos. El escenario que presentó mayor tiempo de computación es aquel que corresponde a 15 órdenes de clientes por ventana de tiempo, %TW=75%, configuración de almacén 1 de 864 posiciones de almacenamiento y ponderaciones de ω1=30%; ω2=60%; ω3=10%, generando 1.694 segundos (28,2 minutos) y un tiempo promedio por ejecución del algoritmo en cada ventana de tiempo de 2,8 minutos. Por otro lado, el escenario que presentó menor tiempo de computación es aquel que corresponde a 10 órdenes de clientes por ventana de tiempo,

%TW=75%, configuración de almacén 2 de 3.600 posiciones de almacenamiento y

ponderaciones de ω1=30%; ω2=60%; ω3=10%, generando 340 segundos (5,7 minutos) y un tiempo promedio por ejecución del algoritmo en cada ventana de tiempo de 0,57 minutos (34 segundos).

Estos resultados permiten deducir que la ejecución del algoritmo AGOG+AGOI es viable en ambientes operativos de almacenes y centros de distribución, al permitir en tiempos razonables de computación generar tanto aumentos en la eficiencia operativa como en el servicio al cliente, exigiendo entre 34 segundos y 2,8 minutos de tiempo de cómputo para planificar las operaciones conjuntas de preparación de pedidos una vez se liberan órdenes de cliente al sistema de picking en una determinada ventana de tiempo.

En este capítulo, se diseñaron y se llevaron a cabo los experimentos para validar el desempeño de las metaheurísticas desarrolladas en diferentes escenarios de operación

1.144 942 7 5 % 9 0 % %TW 857 1.229 1 0 1 5 ÓRDENES

126 Problema multiobjetivo de conformación de lotes, secuenciación y ruteo del picking, considerando múltiples operarios, vehículos con capacidad heterogénea, almacenes 3D multibloques, pedidos con llegadas dinámicas y fechas de entrega con ventanas de tiempo

de almacenes y CEDIS (segundo componente del objetivo específico 4). De esta forma, se diseñaron experimentos por primera vez en la literatura para un problema como el PMCLSAR en línea, declarando los parámetros operativos del almacén, configuraciones de almacén, cálculos de ventanas de tiempo fijas para liberación de órdenes de clientes, ponderaciones para la función objetivo. Igualmente, se genera un aporte a la literatura al crear por primera vez dos heurísticas basadas en la regla FCFS y EDD para solucionar el PMCLSAR en línea, los cuales se utilizaron como puntos de referencia para comprobar la eficiencia del algoritmo AGOG+AGOI propuesto.

Como resultado, este capítulo demostró la eficiencia del AGOG+AGOI frente a los puntos de referencia al brindar ahorros promedio del 25,2% y 18,6% frente a las heurísticas FCFS- 3DSS y EDD-3SDD, respectivamente, comprobando con un ANOVA de un factor que la media del valor de la función objetivo del AGOG+AGOI es significativamente menor que la brindada por los puntos de referencia, y estableciendo con diseños de experimentos 2k las interacciones significativas entre factores experimentales que generan mayores ahorros del AGOG+AGOI frente a los puntos de referencia. De esta forma se determina que el AGOG+AGOI es un algoritmo que brinda soluciones satisfactorias en cuanto a eficiencia operativa (tiempo de picking) y servicio al cliente (tardanza y prontitud), y todo ello en tiempos de computación razonables para ambientes operativos de almacén, que pueden variar entre 34 segundos y 2,8 minutos para cada vez que se ejecute el AGOG+AGOI. .