Ottimizzazione del posizionamento di articoli di magazzino attraverso la predizione del tempo di picking

The aim of this thesis is the analysis of the problem and development of an optimization system for warehouse inventory positioning in a commercial setting in which such positioning is not only bound by limits on pick time but also on the order in which items are ultimately stored in picking carts. To that end a recurrent neural network was employed to predict picking time for a given positioning by learning statistical distributions for such times from timing data related to past orders from the same warehouse. This last system shows an average error between ground truth and output distribution average of about 22% on average, whereas the new positioning of items in the new warehouse allows for picking times to match those of the old warehouse while significantly increasing adhererence to the ordering constraints.

Scopo di questa tesi è l'analisi del problema e lo sviluppo di un sistema di ottimizzazione del posizionamento di articoli in un magazzino commerciale soggetto a vincoli di tempo di picking oltre che di ordinamento di articoli in carrello. A tale fine è stata applicata una rete neurale ricorrente per la predizione dei tempi di picking, che ha appreso una distribuzione statistica degli stessi da rilevazioni su ordini precedenti relativi allo stesso magazzino. Quest'ultima riporta uno scarto medio tra valore vero e media della distribuzione del 22% in media, mentre la nuova disposizione degli articoli nel nuovo magazzino permette di ottenere tempi di picking uguali a quelli del vecchio magazzino a fronte di un accordo molto migliore ai vincoli di ordinamento.