Kattan kata yolculuk eden SBS RS'te işlem seçimi için bir makine öğrenmesi uygulaması

Abstract

With the recent growth of e-commerce, the order profiles have shifted towards smaller quantities with faster delivery time requests of customers. This change has led to companies seek for fast transaction processing automation technologies in operations of warehouses. Shuttle-based storage and retrieval system (SBS/RS) is an automated warehousing technology mostly utilized in large distribution centers because of its capability of processing high transaction rate. While the advantage of this system is its capability of processing high transaction rate by the excess numbers of shuttles in the system, a disadvantage is that the average utilization of shuttles is very low, compared to the lifting mechanisms in the system. Since a dedicated shuttle is assigned at each tier of an aisle, this system is also referred as tier-captive SBS/RS in literature. In an effort to balance the utilization levels of shuttles and lifts, a novel design referred as tier-to-tier SBS/RS is introduced. In that design, there is decreased number of shuttles in the system so that they are allowed to travel between tiers by using a separate lifting mechanism specifically dedicated for travel of them. This novel design not only balances the service lifts and shuttles, but also decreases the initial investment cost for the system by the decreased number of shuttles. However, those advantages cause a disadvantage, that is increased average cycle time per transaction performance metric in the system. In this thesis, in an effort to contribute on decreasing average cycle time per transaction performance metric, we apply a machine learning methodology for smart transaction processing in the system. Specifically, we apply Reinforcement Learning and Deep Reinforcement Learning methods for transaction selection of shuttles. The proposed approaches are compared with well-known First-in-First-out (FIFO) and Shortest Process Time (SPT) selection rules. The results show that the proposed approaches outperform both FIFO and SPT rules, significantly.

E-ticaretin son zamanlarda büyümesiyle, sipariş profilleri daha küçük miktarlarda ve daha hızlı teslimat süreleri olacak şekilde değişti. Bu değişiklik, şirketlerin depo operasyonlarında hızlı işlem işleme otomasyon teknolojileri aramasına sebep oldu. Mekik tabanlı depolama ve çekme sistemi (SBS/RS), yüksek işlem miktarlarını işleme yeteneği nedeniyle çoğunlukla büyük dağıtım merkezlerinde kullanılan otomatik bir depo teknolojisidir. Bu sistemin avantajı, sistemdeki fazla sayıda mekik ile yüksek işlem miktarlarını işleme kabiliyeti iken, dezavantajı mekiklerin ortalama kullanımının, sistemdeki asansör mekanizmalarına göre çok düşük olmasıdır. Bir koridorun her katına özel bir mekik atandığından, bu sistem aynı zamanda literatürde sabit katlı SBS/RS olarak da anılır. Mekiklerin ve asansörlerin kullanım seviyelerini dengelemek amacıyla, kattan kata yolculuk eden SBS/RS olarak adlandırılan yeni bir tasarım tanıtıldı. Bu tasarımda, sistemde mekiklerin sayısı azalmıştır. Özellikle taşınmaları için ayrılmış ayrı bir asansör mekanizması kullanılarak katlar arasında hareket etmelerine izin verilir. Bu yeni tasarım yalnızca asansörleri ve mekikleri dengelemekle kalmaz, aynı zamanda servis araçlarının sayısının azalmasıyla sistemin ilk yatırım maliyetini de düşürür. Bununla birlikte, bu avantajlar bir dezavantaja dönüşür. Sistemdeki performans ölçütü olan işlem başına ortalama döngü süresinin artmasına neden olur. Bu tezde, işlem başına ortalama döngü süresini azaltmaya katkıda bulunmak amacıyla, sistemde akıllı işlem işleme için bir makine öğrenimi metodolojisi uyguluyoruz. Spesifik olarak, servis araçlarının işlem seçimi için Pekiştirmeli Öğrenme ve Derin Pekiştirmeli Öğrenme yöntemlerini uyguluyoruz. Önerilen yaklaşım, iyi bilinen İlk-Giren-İlk-Çıkar (FIFO) ve En Kısa İşlem Süresi (SPT) seçim kuralları ile karşılaştırılır. Sonuçlar, önerilen metotların her iki kuralı da önemli ölçüde aştığını göstermektedir.