Optimización de la estrategia de Slotting en un centro de distribución logístico de autopartes mediante técnicas heurísticas basadas en computación evolutiva

Abstract

Among the different kind of logistics warehouse activities, the process of materials separation, made to complete orders, understands the operation of the highest cost for a distribution center. In the following application, it arises the strategic optimization of Slotting in a logistic company of auto-parts, with the objective of increase the efficiency of the process by minimizing the total distance traveled to complete a sample of orders. According to the literature review, diverse solution techniques have been proposed for the solution of the theoretical Storage Location Assignment Problem (SLAP) according to the definitions and operating conditions of each approach; for this case, and in continuity with theoretical lines of research, a genetic algorithm is defined as a solution technique. The algorithm parameters are calibrated trough one experimental design to obtain the combination that maximize its performance. The results show that the methodology reduces order completion time by 11.7% compared to current operating conditions based on random allocation policies, by 9.2% contrasted with a benchmark solution founded on allocation rules based on frequencies and classes. With the proposed solution, the company shows a saving in labor and an increase in customer responsiveness, concluding that evolutionary computing metaheuristics obtain acceptable solutions at low computational cost, in the face of solving real application problems in the context of warehouse management.

Entre las distintas actividades logísticas de almacén, el proceso de separación de materiales para completar las órdenes de pedido comprende la operación de más alto costo para un centro de distribución. En el presente caso de aplicación se plantea la optimización de la estrategia de Slotting en una compañía logística de autopartes, con el fin aumentar la eficiencia de este proceso a través de la minimización de la distancia total recorrida para completar una muestra de pedidos. Según la revisión de literatura, diversas técnicas de solución han sido propuestas para la solución del problema teórico Storage Location Assignment Problem (SLAP) de acuerdo con las definiciones y condiciones de operación de cada planteamiento; para este caso, y en continuidad con líneas de investigación teóricas, se define un algoritmo genético como técnica de solución. Los parámetros del algoritmo son calibrados a través de un diseño de experimentos para obtener la combinación que maximiza su rendimiento, los resultados muestran que la metodología reduce el tiempo de completitud de pedidos en un 11.7% respecto a las condiciones actuales de operación basadas en políticas de asignación aleatorias, y un 9.2% contrastada con una solución benchmark fundamentada en reglas de asignación basadas en frecuencias y clases. Con la solución propuesta, la compañía evidencia un ahorro en mano de obra y un aumento en la capacidad de respuesta al cliente, lo que concluye que metaheurísticas de computación evolutiva obtienen soluciones aceptables a bajo costo computacional, ante la solución de problemas reales de aplicación en el contexto de la gestión de almacenes.