Optimisation adaptée de la gestion des entrepôts: Soyez prêt à être impressionné par les maths !

Les outils d’optimisation basés sur des méthodes de recherche opérationnelle peuvent être simples et très efficaces. Surtout ils permettent de faire de l’optimisation même avec des particularités non supportées avec des outils classiques de gestion d’entrepôt. Et évidement chaque entrepôt est différent, donc sans la possibilité de mettre en œuvre ces particularités, on est au mieux mécontent et au pire sous-optimal.

topologie entrepôt modèle

Fig1. topologie entrepôt modèle

La topologie de l’entrepôt modèle

Il s’agit dans cet article de montrer sur un entrepôt modèle dont les caractéristiques et les commandes d’articles ont été générées de manière aléatoire, comment l’utilisation d’algorithmes d’optimisation très simples à mettre en oeuvre permet d’atteindre des gains de performances importants. L’entrepôt à optimiser est composé de plusieurs allées de plusieurs étagères qui peuvent contenir un nombre variable d’articles et de palettes. Le routage des préparateurs de commandes est fixe et consiste à passer d’allées en allées à partir de l’allée numéro 0 avec un retour possible après chaque allée.

Faire du  “batching” adapté pour diminuer les trajets

Une des options possibles pour réduire la longueur des trajets des préparateurs est de grouper plusieurs commandes dans un même tour. Ici l’optimisation mathématique est particulièrement efficace car elle permet de présenter à chaque préparateur les commandes à traiter en tenant compte de critères comme le poids et le volume maximum ou les caractéristiques des chariots utilisés. Le grand avantage de cette approche est qu’il n’y a pas de limite dans les contraintes que l’on désire satisfaire et elles peuvent même être personnalisées par préparateur. On peut mentionner par exemple:

  • contraintes sur le poids maximal
  • contraintes sur le volume maximal
  • contraintes sur les dimensions en x, y, h
  • contraintes sur les circuits empruntés
  • contraintes sur les efforts poids-trajet
  • contraintes sur l’incompatibilité entre des articles

    Slotting aléatoire

    Fig2. Slotting aléatoire

Faire aussi du slotting optimisé

Pour aller plus loin on peut aussi faire du “slotting” et optimiser l’emplacement des articles en fonctions de leur fréquence de picking et de beaucoup d’autres paramètres.

  • contraintes de volume différente sur chaque étagère
  • contraintes de poids variable
  • contraintes de congestion
  • contraintes de déplacement maximum d’articles par période (incrémental)
  • contraintes sur les positions relatives
Slotting optimal

Fig3. Slotting optimal

Là aussi les outils d’optimisations permettent de construire un modèle et de trouver les meilleures solutions pour les emplacements afin de minimiser les trajets. On peut donner un coût à la modification du slotting afin de pouvoir optimiser de manière continue lorsque l’entrepôt existe déjà ou de nouveaux produits arrivent. Faire l’optimisation des emplacements et des tournées de manière indépendante simplifie grandement le problème et donne malgré tout de très bons résultats. Les figures 2 et 3 correspondent respectivement à un exemple de placement aléatoire et la version optimisée avec des contraintes sur les volumes et le poids.

Des réductions de trajets importantes

On peut réduire les trajets de plus de 30% par rapport à la situation initiale en combinant de manière optimale les commandes et ceci même avec des contraintes fortes sur le poids et le volume maximal. En combinant un meilleur “slotting”, lui aussi obtenu de manière optimale par rapport aux contraintes de l’entrepôt, on peut ajouter un gain supplémentaire sur la distance parcourue de plus de 15%, pour arriver à la moitié des trajets par rapport à la solution de départ.

Gains with optimisation

Fig4. Gains avec optimisation

Un outil d’optimisation simple qui vient s’intégrer à un outil de gestion existant par l’accès aux bases de données est possible, et il peut donner un retour sur investissement important. Chez Adilem, nous nous efforçons de créer avec les clients des solutions simples et adaptées avec l’utilisation d’algorithmes d’optimisation. La modélisation de l’entrepôt apporte une connaissance inestimable sur son fonctionnement et permet surtout de choisir la solution qui va donner les gains les plus rapides. La recherche opérationnelle permet au personnel de se concentrer sur les objectifs et la connaissance de l’entrepôt, et de laisser aux algorithmes le choix de la solution optimale. C’est la connaissance métier associée à la puissance algorithmique.

Êtes-vous prêt à être impressionné par les maths ?