Simulation d’un entrepôt afin de choisir un algorithme de collecte de commandes optimal

Kuehne+Nagel, fournisseur mondial de solutions logistiques, était en cours de planification d’un nouvel entrepôt pour l’un de leurs clients. L’entrepôt devait traiter 13K lignes de commandes ou 750 cartons de collecte par jour. Le projet comprenait le développement du meilleur algorithme pour la préparation simultanée de plusieurs commandes. Il était prévu que les commandes seraient préparées par des employés munis de chariots (ou fangos). Les employés munis de chariots devaient collecter les marchandises et les placer dans des cartons par commande. Les experts de Kuehne+Nagel ont utilisé une simulation AnyLogic pour choisir l’algorithme correct afin de construire des tournées de collecte optimales.


PROBLÈME:




Les chariots prévus pour cet entrepôt (voir les images) peuvent transporter jusqu’à 8 cartions à la fois dont 4 sont positionnés sur les balances de pesée du chariot. Les balances de pesée permettent d’augmenter la précision de la collecte en émettant un signal d’alarme lorsque le poids des marchandises collectées ne correspond pas à celui des données de référence.


L’opérateur ne peut remplir que les cartons positionnés sur les balances. Lorsqu’un carton sur l’échelle est plein, il l’échange avec le prochain carton vide qu’il transporte. Aussi, seuls 4 cartons sont disponibles pour être remplis simultanément. De plus, les articles d’un carton peuvent être stockés à n’importe quel endroit sur l’itinéraire de l’opérateur.


Voici les raisons pour lesquelles l’entrepôt avait besoin d’un algorithme strict pour construire des tournées de collecte optimales afin de traiter les commandes entrantes.

Chariot de l’entrepôt

Chariot de l’entrepôt

Optimisation de la disposition de l’entrepôt

Disposition et animation 3D de l’entrepôt

Solution:




Les experts de Kuehne+Nagel ont produit l’algorithme requis. Leur idée était que l’itinéraire de collecte de l’opérateur devait toujours être droit, de sorte que l’opérateur n’ait jamais besoin de retourner en arrière après avoir échangé les cartons. Cela signifie qu’il n’est pas toujours possible d’affecter le nombre maximal de cartons (8) à une tournée. Par exemple, un carton peut contenir des articles provenant à la fois du premier et du dernier emplacement de l’itinéraire, aussi il ne peut être échangé tant qu’il n’est pas plein.


Les experts ont construit un modèle de simulation AnyLogic de l’entrepôt pour tester et valider l’algorithme à l’aide des données historiques réelles. Le modèle détaillé reflétait la disposition physique de l’entrepôt, les emplacements de stockage des articles, les mouvements des opérateurs de chariots, les commandes entrantes, et le niveau de service. Les opérateurs se déplaçaient et collectaient les marchandises selon l’algorithme suggéré.


Les experts ont optimisé les itinéraires des opérateurs selon deux critères:

  • Maximisation de la quantité moyenne de cartons par jour.
  • Maximisation des chevauchements d’articles dans chaque tournée (il est préférable de collecter le même article pour plusieurs cartons dans la même tournée).

Les modélisateurs ont importé un fichier Excel contenant 260 K de données issues des commandes réelles de mars 2014 dans le modèle, puis ils ont lancé le calcul du modèle en utilisant ces données entrantes. La constitution des cartons (assignement de différentes lignes de commandes à différents cartons selon la séquence de collecte) s’effectuait dans le système de gestion de l’entrepôt de l’entreprise.


Les statistiques produites incluaient le nombre moyen de cartons remplis par jour, la durée totale de traitement des commandes, la distance totale des tournées, l’utilisation moyenne des chariots et la durée moyenne d’une tournée.


RÉSULTATS:




Les statistiques reçues du modèle étaient ensuite comparées aux statistiques de l’ancien entrepôt pour mars 2014. Les résultats de la simulation du fonctionnement de l’entrepôt ont montré qu’avec la configuration, l’équipement et l’algorithme suggérés, le taux d’utilisation des chariots montait de 58% à 94%.


Ces résultats seront utilisés par Kuehne+Nagel pour démontrer la rentabilité de l’investissement pour le client.


Aussi, le modèle sera utilisé pour choisir la disposition idéale de l’entrepôt et la distribution des articles au sein de l’entrepôt. Les développeurs feront également varier le nombre de chariots pour trouver le meilleur point d’équilibre entre le niveau de service et la charge de travail du personnel.

More Case Studies

  • Modélisation des opérations dans les entrepôts de distribution pharmaceutique
    Cardinal Health, une société de distribution et de logistique pharmaceutique d’un milliard de dollars, gère plusieurs produits pharmaceutiques de marque et génériques, ainsi que des produits sans ordonnance, des articles de santé et de beauté et sa propre marque privée. Brian Heath, Directeur des Analyses avancées chez Cardinal Health, également utilisateur expérimenté des logiciels AnyLogic, a eu recours à la modélisation basée sur des agents pour résoudre divers problèmes de l’entreprise, économisant ainsi plus de 3 millions de $ chaque année.
  • Choix d’une répartition optimale des entrepôts pour un revendeur FMGG majeur
    L’un des plus gros revendeurs FMCG en Europe de l’Est fournit plusieurs centaines de boutiques, dans plusieurs régions, via un centre de distribution unique. L’entreprise prévoyait de modifier la disposition des racks de palettes et de convoyeurs au sein de l’entrepôt. Afin d’évaluer la capacité de la nouvelle disposition et de mesurer l’efficacité de l’entrepôt, elle a décidé de confier au département de conseil de l’entreprise AnyLogic l’élaboration d’un modèle de simulation de l’entrepôt.
  • Evaluation de l’introduction de systèmes d’automatisation d’un entrepôt
    Symbotic est un fournisseur de solutions d’automatisation de l’entrepôt. La société avait besoin d’un outil pour permettre à ses clients de comprendre l’impact d’une réorganisation de l’entrepôt et de comparer les investissements immobilisés aux économies opérationnelles projetées avant l’introduction effective des systèmes d’automatisation. Cet outil devait être facilement ajustable au cas spécifique de chaque client.
  • La planification d’un port multimodal avec AnyLogic
    Evans et Picotent a été impliqué dans la conception d’un port multimodal. Evans & Peck ont utilisé une approche de modélisation-simulation par événement discret pour dessiner la transportation, l’entreposage, et le chargement de cargos en produits.