• 沒有找到結果。

行政院國家科學委員會專題研究計畫 成果報告

N/A
N/A
Protected

Academic year: 2022

Share "行政院國家科學委員會專題研究計畫 成果報告"

Copied!
29
0
0

加載中.... (立即查看全文)

全文

(1)

行政院國家科學委員會專題研究計畫 成果報告

應用粒子族群最佳化演算法於物流中心揀貨路徑整合分區 儲存、訂單批量之研究(I)

研究成果報告(精簡版)

計 畫 類 別 : 個別型

計 畫 編 號 : NSC 95-2221-E-216-026-

執 行 期 間 : 95 年 08 月 01 日至 96 年 07 月 31 日 執 行 單 位 : 中華大學科技管理學系(所)

計 畫 主 持 人 : 謝玲芬

計畫參與人員: 博士班研究生-兼任助理:林立弘

碩士班研究生-兼任助理:黃建霖、劉淑梅

報 告 附 件 : 出席國際會議研究心得報告及發表論文

處 理 方 式 : 本計畫涉及專利或其他智慧財產權,1 年後可公開查詢

中 華 民 國 96 年 10 月 15 日

(2)

行政院國家科學委員會補助專題研究計畫 □ 成 果 報 告

□期中進度報告

應用粒子群最佳化演算法於物流中心揀貨路徑整合 分區儲存、訂單批量之研究(I)

計畫類別:□ 個別型計畫 □ 整合型計畫 計畫編號:NSC 95-2221- E -216-026-

執行期間: 95 年 8 月 1 日至 96 年 7 月 31 日

計畫主持人:謝玲芬 共同主持人:

計畫參與人員:林立弘、黃建霖、劉淑梅

成果報告類型(依經費核定清單規定繳交):□精簡報告 □完整報告

本成果報告包括以下應繳交之附件:

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

□出席國際學術會議心得報告及發表之論文各乙份

□國際合作研究計畫國外研究報告書一份

處理方式:除產學合作研究計畫、提升產業技術及人才培育研究計畫、列 管計畫及下列情形者外,得立即公開查詢

□涉及專利或其他智慧財產權,□一年□二年後可公開查詢

執行單位:中華大學科技管理學系

中 華 民 國 96 年 10 月 15 日

3

3

3

3

3

(3)

中文摘要

物流目前已廣泛被視為創造顧客價值之重要途徑,而在全球化競爭的時代,唯有透過系統化 與效率化之物流系統,才能降低生產與流通成本使公司獲利,並提升企業之競爭力以永續經營。

而文獻許多學者已針對物流中心效率化提出許多研究,影響之因素可歸納為數個因子,包括倉儲 佈置、儲位規劃、訂單揀取法、揀貨路徑規劃…等影響因子,如何針對各因子對物流中心做一整 合性規劃,以降低揀貨作業成本,提昇物流中心營運績效,將為本研究之重點。

本研究針對物流中心儲位規劃問題,考慮分區與不分區兩種方式,並藉由關聯法則進一步改 善儲位指派,在訂單揀取法中比較單一訂單別、最適封包批量與關聯訂單批量,在揀貨路徑規劃 部分,本研究將運用近幾年才提出之粒子群最佳化演算法求解最佳路徑,並建構一啟發式演算法 作為粒子群最佳化演算法之起始解,以提昇求解效率,並與文獻中有較佳表現之螞蟻理論與最短 旅行迴圏啟發式一同比較。透過模擬實驗驗證並以九項績效指標評估各因子水準組合,利用統計 分析手法找出各因子之最佳水準組合,並將本研究之成果提供給物流業者用於物流規劃與績效提 昇之參考。

關鍵詞:物流中心、揀貨系統、最大迴圈插入法、粒子群最佳化演算法、螞蟻理論 Abstract

The logistics has now been an important path to create customer value. In the global competition of trend, to solve the problem of cost down and profit advance of business through the efficient and systematic operation of logistics system. Beside, there are many researches have proposed on the efficient of the distribution center, which the influence of situation can induce to several factors, including storage design, storage planning, route planning…etc. The objective of this project is to show how to combine and plan each factor for cost down of the order picking and promotion of performance of the distribution center.

This research will consider two strategies of storage planning (i.e the zoning storage and non-zoning storage), then to improve the storage assignment by association rule. In addition, single order, First Fit-Envelope Based Batching (FF-EBB), and association based batching are compared for order batching. The Particle Swarm Optimization algorithm(PSO) are implemented in order picking system to find optimal route. In order to speed up the solving process, a heuristic algorithm is developed to generate an initial solution for the PSO algorithm, and the effect is also verified by comparing with the Ant System and MTLI algorithm. According to the concept of viewing the situation as a whole, all combinations of different storage assignment strategies, other batching policies and order picking routing are compared by simulation. The simulation result are analysed by SPSS 10.0 to find the optimal combination for order picking system. Consequently, the result of this project will enhance the whole performance of order picking systems in distribution centers and provide the industry as a reference in the warehouse design.

Keywords:

Distribution center, Order picking systems, Maximum Loop Insertion, Particle Swarm Optimization, Ant

System

(4)

1

1. 前言

物流中心隨著物流服務競爭多樣化與經營戰略的要求,導致物流成本不斷向上攀升,學者

【8、27】於研究中皆提到揀貨作業約佔倉儲營運成本 65%,而揀貨作業時間佔整個作業時間的 30%,因此,揀貨作業效率化將可有效降低營運成本,本研究將針對影響揀貨作業之因子做一同 步規劃,期望在多重改善下能更進一步提昇揀貨作業效率。

本研究針對物流中心儲位規劃問題,考慮分區與不分區兩種方式,並藉由關聯法則進一步改 善儲位指派,在訂單揀取法中比較單一訂單別、關聯訂單批量與最適封包批量,在揀貨路徑規劃 部分,本研究將用運粒子群最佳化演算法尋找最佳路徑,並提出一啟發式演算法作為粒子群最佳 化演算法之起始解,冀望可有效提昇求解效率,並與文獻中有較佳表現之螞蟻理論與最短旅行迴 圏啟發式一同比較。本研究期望達到以下目的:

一、提出利用粒子群最佳化演算法之特性,應用於揀貨路徑規劃,並找尋在揀貨系統中之最佳參 數設定。

二、為加速粒子群最佳化演算法之求解效率,本研究提出一啟發式演算法先求得較佳之起始解,

再運用於粒子群最佳化演算法中,以期可更快速求得全域最佳解。

三、將粒子群最佳化演算法與已成功導入揀貨路經規劃之螞蟻理論做一比較。

四、對於影響物流中心中之分區儲存、訂單揀取法與揀貨路徑策略之各種不同組合進行比較分 析,以得到最佳之分區儲存、訂單揀取法與揀貨路徑方法組合。

2. 文獻探討

2.1. 倉儲佈置

倉儲佈置規劃之良窳,對於揀貨作業有很深之影響,況且一旦決定佈置的型態後,要再變更 其型態,成本耗費必十分龐大。因此,如何在有限空間下,發揮最大效益將是倉儲佈置之重點。

一般倉儲設計主要探討為矩形型態,Caron et al.【6】將倉儲分成三種類型,第一種為垂直走道,

進出口位於中央;第二種為垂直走道,而進出口位於左下方;第三種為平行走道,進出口位於中 央。Ben-Mahmud【5】曾比較有一條交叉走道(Cross Aisle)與沒有交叉走道之倉儲佈置,經實驗 證明在有一條交叉走道之環境下,能有效提昇揀貨效率。Vaoughan and Pertersen【28】就此更進 一步探討在傳統倉儲中加入交叉走道後,對揀貨距離的影響,實驗結果顯示加入交叉走道將可提 昇揀貨路徑行走之彈性,能有效縮短揀貨距離,但加入過多的交叉走道時,將使倉儲面積過度增 加致使揀貨距離上昇,且倉儲系統之空間利用率也隨之下降。

2.2. 儲位規劃

儲位規劃主要可分為儲存策略與儲位指派兩個部份,儲存策略為儲位規劃的大原則,儲存策 略的決定將影響儲位指派之方式,兩者相互搭配才能充分利用儲存空間,並提升物品移動效率以 縮短出入庫移動距離。孫海皎、董福慶【2】曾針對儲存策略提出下述類型,定位儲放(Dedicated Storage)、隨機儲放(Random Storage)、分類儲放(Class Storage)、分類隨機儲放(Random Within Class Storage)及共用儲放,各儲存策略各有其優缺點,應視環境與情況加以應用。兩位學者於儲位指 派法曾提出十五種不同方法,文獻中主要探討的儲位指派法則有三種分別為週轉率、產品關連性 與存取頻率。

最早使用週轉率方法的學者為Heskett【14】,他提出之每類體積指標(Cube-per-order Index;

(5)

COI),主要利用貨品的週轉率與所須的儲存空間來決定儲存位置,計算方式為貨品之儲存空間 除以貨品週期內之訂購次數,因此COI 值越小的貨品,擺放位置越靠近 I/O 點。Hausman et al.

【13】在自動倉儲系統中,比較 ABC 週轉率(ABC Turnover Based)搭配定位儲存、隨機儲存與分 類儲存,探討此三種方案,結果顯示定位儲存較隨機儲存好。林嘉慶【1】運用資料探勘中關聯 法則的Apriori 演算法以分析貨品之間的關聯強度,將相關性較高的貨品擺放至相同走道上,以 縮短揀貨距離。Petersen and Schmenner【18】提出依需求量分配的四種儲位指派法則,分別為對 角法 (Diagonal) 、通道間法 (Within-Aisle) 、橫越法 (Across-Aisle) 與週緣法 (Perimeter)並與

六種揀貨法則搭配,研究結果顯示通道間法較其他的儲存法節省約10~20%的揀貨路徑。

2.3. 產品關連法則

關聯法則最早由IBM 研究員 Agrawal et al.在 1993 年提出【3】,主要目的是從龐大銷售交易 記錄資料庫中,尋找銷售項目間令人感到有興趣的關聯或相互關係,最典型的應用為市場購物籃 分析(Market Basket Analysis)【11、25】,從原始銷售記錄當中,分析每筆交易記錄,從中瞭解顧 客購買行為,以找出令人感興趣之關聯法則,因此店家可根據找出的關聯法則決定相關產品之行 銷策略。Han and Kamber【11】認為最小支持度與最小信賴度的門檻值(Threshold)設定,需依據 使用者的需求而定。Megiddo and Srikant【17】亦指出此兩個值之設定十分重要,當最小支持度 設太低時,將會包含重要性較低之項目,而設定太高時,又可能失去某些重要規則。最小信賴度 設定太低時,則該關聯規則較不具意義。

2.4. 訂單揀取法

Tompkins and Sminth【26】曾將訂單揀取法分成四類,個別揀取、分區揀取、批次揀取、波 浪揀取。一般常採用的方式大多為訂單別揀取與批次揀取,學者Choe and Sharp【7】針對批次 揀取提出批次化的準則主要可分為相似性(Proximity)與時窗限制(Time Windows)。De Koster et al.

【9】更將過去相似性批次方法分成種子法 (Seed Algorithm) 與節省法 (Saving Algorithm) 兩大 類型。Ruben and Jacobs【19】比較五種訂單批次法,分別為隨機批量 (Random Batching; RAN)、

最少批量(First-Fit- Decreasing; FF-D)、連續最小距離(Sequential Minimal Distance; SMD)、最適封 包批量(First Fit-Envelope Based Batching; FF-EBB)、最適分級批量(First Fit-Class Based Batching;

FF-CBB),研究中指出最適封包批量在大多環境中有較佳的績效。

2.5. 揀貨路徑規劃

Tompkins et al.【27】提及旅途時間(Travel Time)約佔揀貨活動 50%。因此透過良好的揀貨路 徑規劃,將可縮短揀貨時間並提昇揀貨績效。亦有Ratliff and Rosenthal【19】兩位學者探討加入 交叉走道與否,對揀貨路徑的影響,結果顯示在有交叉走道的倉儲中,揀貨路徑規劃將變的十分 困難。Ho and Su【15】提出兩種啟發式演算法,分別為最接近矩形中心啟發式(Nearest Center of Rectangular Insertion; NCRI)與最短旅行迴圈插入啟發式(Minimum Traveling Loop Insertion;

MTLI)。並與先前學者方法如最大間隙策略(Largest Gap Strategy)、最接近幾何中心啟發式(Nearest Center of Geometry Insertion Heuristic)比較,結果顯示作者所提出兩啟發式演算法皆有較佳績效。

2.6. 螞蟻理論

螞蟻系統(Ant System; AS)最早是由 Dorigo 於 1992 年【10】所提出來,其理論為觀察自然界 螞蟻搜尋食物的過程,所發展出來的。螞蟻在搜尋食物時,會在所走過的路上留下揮發性的化學 物質,稱為費洛蒙(Pheromone),而幾乎全盲的螞蟻便是藉由費洛蒙來傳遞訊息,以進行溝通。

Dorigo最早提出來應用於銷售員旅行問題的AS公式如下:

(6)

3

[ ] [ ]

[ ] [ ]

⎪⎪

⎪⎪⎨

⎧ ∈

×

×

=

otherwise

0

, allowed j

if )

t ( ) t ( )

t (

p

k allowed ik ik k

ij ij

k

ij k

β α

β α

η τ

η τ

)

(t

P ij k

表示第k 隻螞蟻在第 t 次迭代中,從城市 i 選擇下一個城市 j 的機率;τ

ij

(t)表示世代t 時,由城市i 到城市 j 之費落蒙素濃度;η

ij

表示世代t 時,由城市 i 到城市 j 的視覺能力,公式(2.1) 主要依據螞蟻行走時所遺留的費洛蒙與其視覺能力,兩者所構建而成。

ij ij

ij t n

ρ τ

t

τ

τ ( + )= ⋅ ( )+∆ (2.2)

∑ =

=

m

k k ij ij

1

τ

τ (2.3)

公式(2.2)為費洛蒙更新機制,隨著時間的經過費洛蒙將會逐漸的蒸發,所以藉由ρ表示此蒸 發機制,而費洛蒙亦會因螞蟻行走於相同的路徑上而逐漸累積,由公式(2.3)計算所有 m 隻螞蟻,

於城市i 到城市 j 所遺留的費洛蒙總和。

針對費洛蒙累積(∆ )之更新方式著手,所以有許多學者針對此更新方式提出許多研究,而τ

ij

主要可將分為兩類:

一、局部更新法(Local Update)

每當螞蟻經過一路徑,不等到建構出完整路徑,即立刻更新路徑上的費洛蒙,主要是降低該 隻螞蟻所建構路徑的費洛蒙濃度,避免吸引其他的螞蟻走上相同路徑,使其他螞蟻有機會收尋其 他路徑。

二、全域更新法(Global Update)

於每世代中螞蟻建構出完整路徑(tour)後,才進行費洛蒙更新,能促使最佳解之路徑有較高 的費洛蒙濃度,引導其餘螞蟻往此路徑探索(Explore)或開發(Exploit)。

2.7. 粒子群最佳化演算法

1995 由 Kennedy and Eberhart 【16】共同提出粒子群最佳化演算法(Particle Swarm

Optimization, PSO),其主要概念源自於鳥類或魚群覓食的社會行為。PSO 為具有群體智能(Swarm Intelligence)的演算法,透過群體智能來求解問題,主要依據三個因子,分別為自己目前前進的 方向、自己先前的最佳經驗與群體的最佳經驗,依此三者不斷修正自己的速度與位置,逐漸往食 物的所在位置移動。

Shi 和 Eberhart 於 1998 所提出慣性權重(Inertia Weight, w)【23】底下為慣性權重公式:

) (

* ) (

* ) (

* ) (

*

*

id old 1 id id old 2 gd id old

new

id w v c rand p x c Rand p x

v

= + − + − (2.4)

new id old id new

id x v

x

= + (2.5)

x

id

表示第i 個粒子於第 d 個空間維度的位置,v

id

表示第i 個粒子於第 d 個空間維度的速度。

old

x id

代表目前這個世代所在位置,

x id new

則代表下一個世代新的位置,

v id old

代表目前這個世代移動 速度,

v id new

則代表下一個世代新的移動速度。公式中rand( ),Rand( )為兩個介於[0,1]的隨機變數。

c

1

及c

2

為正數的學習係數。w 為慣性權重,可使求解的過程中更快找到全域的最佳解,後續兩 位學者更針對慣性權重提出較好的經驗設定【22、24】。從公式(2.4)中可看出粒子主要依據三個 因子不斷更新搜尋方向,有了新的搜尋方向,粒子便可透過公式(2.5)從目前位置移動到新的位 置,如此經過數次迭代後,粒子即可搜尋到最佳解。

(2.1)

(7)

3. 模式構建

3.1. 儲存策略

於此小節中,本研究主要考慮兩種不同儲存策略環境,分別為不分區儲存與分區儲存,不分 區儲存即為採用隨機儲存方式,隨機指定物品擺放於任一儲位中;分區儲存亦可稱為分類儲存,

本研究依據貨品存取頻率,將存取頻率高於70%的貨品歸為 A 類,存取頻率低於 10%的貨品歸 為C 類,存取頻率介於前兩者之間的貨品歸為 B 類。A 類貨品存放空間佔整個倉儲空間的 10%,

B 類貨品存放空間佔整個倉儲空間的 20%,C 類貨品存放空間佔整個倉儲空間的 70%。依據 Petersen and Schmenner【15】之研究結果,並考量本研究倉儲環境的設定下,將採取通道間法把 倉儲劃分三區,如圖3.1。

I/O

1 8 400

1 2 3 8 300

1 3 8 200

2 3 6 100

項目 訂單別

1 8 400

1 2 3 8 300

1 3 8 200

2 3 6 100

項目 訂單別

3 {8}

1 {6}

3 {3}

2 {2}

3 {1}

支持度 項目集合

3 {8}

1 {6}

3 {3}

2 {2}

3 {1}

支持度 項目集合

3 {8}

支持度 項目集合

3 {3}

2 {2}

3 {1}

3 {8}

支持度 項目集合

3 {3}

2 {2}

3 {1}

支持度 項目集合

2 {3 8}

1 {2 8}

2 {2 3}

3 {1 8}

2 {1 3}

1 {1 2}

支持度 項目集合

2 {3 8}

1 {2 8}

2 {2 3}

3 {1 8}

2 {1 3}

1 {1 2}

2 {2 3}

2 {1 3}

3 {1 8}

支持度 項目集合

2 {3 8}

2 {2 3}

2 {1 3}

3 {1 8}

支持度 項目集合

2 {3 8}

支持度 項目集合

2 {1 3 8}

支持度 項目集合

2 {1 3 8}

支持度 項目集合

2 {1 3 8}

支持度 項目集合

2 {1 3 8}

資料庫 候選項目集合C

1

大項目集合L

1

候選項目集合C

2

大項目集合L

2

候選項目集合C

3

大項目集合L

3

圖3.1 分區儲存佈置圖 圖3.2 Apriori演算法之範例說明

3.2. 應用關聯法則於儲位指3.3. 派

貨品依不同儲存策略規劃完畢後,本研究將應用關聯法則改善儲位指派,以提昇揀貨效率。

運用關聯法則中的Aprori 演算法,進行歷史訂單的分析,找出貨品之間的關聯性,依找出之關

聯規則,將具有高度關聯性的貨品擺放於相同走道。Aprori 演算法說明如下,流程如圖 3.2。

步驟一:起先須掃描整個資料庫,找出所有的候選項目集合(C1)的支持度,依據最小支持度將支 持度小於2 的項目刪除,以產生大項目集合(L1) 。

步驟二:利用先前產生的大項目集合(L1),合併(Join)以產生新的候選項目集合(C2),接著重新掃 描資料庫以進行修剪(Prune)動作,將未滿足最小支持度的候選項目集合刪除,產生新的 大項目集合(L2) 。

步驟三:重複步驟2,直到無法產生新的候選項目集合,即可找出所有高關聯度之品項集合。

3.4. 訂單批量

本研究於訂單批量策略方面,主要考量三種不同訂單批量方法,分別為單一訂單、最適封包 批量及關聯訂單批量。各方法說明如下所示。(1)單一訂單:每位揀貨員每趟揀取作業只負責一 張訂單,能節省分類時間且錯誤率較批次揀取低。(2)最適封包批量:依據訂單內所有貨品擺放 的走道,將訂單劃分成不同訂單封包(Order Envelope),依據最小增加橫跨走道距離(Cross Aisle Distance)合併訂單。(3)關聯訂單批量:藉由關聯法則應用於儲位指派而找出之高度關聯性貨品,

將具有高度關聯性貨品之訂單進行訂單合併,在沒有高度關聯性貨品之訂單,則依據訂單品項數

類 儲 存

A 類 儲 存

B

類 儲 存

C

(8)

5

量,將品項數量愈高的訂單愈優先選出以進行批次。

3.5. 揀貨路徑規劃

揀貨路徑規劃將探討五種不同方法,首先是最短旅行迴圈啟發式與螞蟻理論,為文獻中有較 佳表現之演算法,隨後將介紹本研究所提出之最大迴圈插入法與文獻中尚未有學者應用於物流中 心之粒子群最佳化演算法,最後一種方法為結合最大迴圈插入法與粒子群最佳化演算法,即為以 最大迴圈插入法所得之解作為粒子群最佳化演算法之初始解。

3.5.1. 最短旅行迴圏啟發式

本研究於此小節將蘇驣昇【3】所提出之最短旅行迴圈啟發式(Minimum Traveling Loop Insertion; MTLI)作一說明,MTLI演算法流程如下:

步驟一:一開始將I/O與最接近的揀取點u'連接起來,以實際行走路徑經由走道圍成一個旅行迴 圈L(Loop),如圖3.3 (a),點a。

步驟二:從剩餘每一個揀取點j中,尋找插入旅行迴圈L之任一邊

u 'u ''

,可使得加入後所增加的旅 行距離TDu'j + TDju'' - TDu'u''為最小。

步驟三:以剩餘揀取點j加入後有最小增加旅行距離為插入點k,加入迴圈L。若有兩個以上的點 皆為最小增加旅行距離,則選擇其中任一點加入。

步驟四:以 k

u' 及取 ku 代

''

u

'u '',構成一個新的迴圈L。

步驟五:如果迴圈L已包含所有揀取點,即算出揀貨路徑距離,則停止。否則回至步驟2。

117 118 1 57 158 19 5 19 6 233 234 273 274 31 7 31 8 349 350 371 372 38 9 39 0 399 400

107 108 1 47 148 18 5 18 6 225 226 265 266 30 7 30 8 341 342 365 366 38 5 38 6 397 398

99 100 1 39 140 17 7 17 8 217 218 257 258 29 9 30 0 335 336 361 362 38 1 38 2 395 396

91 92 1 31 132 16 9 17 0 209 210 249 250 29 1 29 2 329 330 357 358 37 7 37 8 393 394

81 82 1 21 122 15 9 16 0 199 200 239 240 28 1 28 2 321 322 351 352 37 3 37 4 391 392

73 74 1 11 112 14 9 15 0 189 190 229 230 27 1 27 2 311 312 343 344 36 7 36 8 387 388

67 68 1 03 104 14 1 14 2 181 182 221 222 26 3 26 4 303 304 337 338 36 3 36 4 383 384

61 629 5 96 13 3 13 4 173 174 213 214 25 5 25 6 295 296 331 332 35 9 36 0 379 380

55 568 7 88 12 5 12 6 165 166 203 204 24 7 24 8 287 288 325 326 35 5 35 6 375 376

47 487 7 78 11 5 11 6 155 156 193 194 23 7 23 8 277 278 315 316 34 7 34 8 369 370

31 325 3 5485 86123 124 163 164 20 7 20 8 245 246 285 286 32 3 32 4 353 354

25 264 5 4675 76113 114 153 154 19 7 19 8 235 236 275 276 31 3 31 4 345 346

21 224 1 4269 70105 106 145 146 18 7 18 8 227 228 267 268 30 5 30 6 339 340

17 183 7 3863 64 97 98 137 138 17 9 18 0 219 220 259 260 29 7 29 8 333 334

13 143 3 3457 58 89 90 129 130 17 1 17 2 211 212 251 252 28 9 29 0 327 328

9 102 7 2849 50 79 80 119 120 16 1 16 2 201 202 241 242 27 9 28 0 319 320

7 8 2 3 2443 44 71 72 109 110 15 1 15 2 191 192 231 232 26 9 27 0 309 310

5 6 1 9 2039 40 65 66 101 102 14 3 14 4 183 184 223 224 26 1 26 2 301 302

3 4 1 5 1635 36 59 6093 94 13 5 13 6 175 176 215 216 25 3 25 4 293 294

1 2 1 1 1229 30 51 5283 84 12 7 12 8 167 168 205 206 24 3 24 4 283 284

I/O

a

(a) (b)

117 118 157 158 195 196 233 234 2 73 2 74 317 318 349 350 371 372 3 89 3 90 399 400

107 108 147 148 185 186 225 226 2 65 2 66 307 308 341 342 365 366 3 85 3 86 397 398

99 100 139 140 177 178 217 218 2 57 2 58 299 300 335 336 361 362 3 81 3 82 395 396

91 92 131 132 169 170 209 210 2 49 2 50 291 292 329 330 357 358 3 77 3 78 393 394

81 82 121 122 159 160 199 200 2 39 2 40 281 282 321 322 351 352 3 73 3 74 391 392

73 74 111 112 149 150 189 190 2 29 2 30 271 272 311 312 343 344 3 67 3 68 387 388

67 68 103 104 141 142 181 182 2 21 2 22 263 264 303 304 337 338 3 63 3 64 383 384

61 6295 96 133 134 173 174 2 13 2 14 255 256 295 296 331 332 3 59 3 60 379 380

55 5687 88 125 126 165 166 2 03 2 04 247 248 287 288 325 326 3 55 3 56 375 376

47 4877 78 115 116 155 156 1 93 1 94 237 238 277 278 315 316 3 47 3 48 369 370

31 3253 5485 86 123 124 1 63 1 64 207 208 245 246 285 286 3 23 3 24 353 354

25 2645 4675 76 113 114 1 53 1 54 197 198 235 236 275 276 3 13 3 14 345 346

21 2241 4269 70 105 106 1 45 1 46 187 188 227 228 267 268 3 05 3 06 339 340

17 1837 3863 6497 98 1 37 1 38 179 180 219 220 259 260 2 97 2 98 333 334

13 1433 3457 5889 90 1 29 1 30 171 172 211 212 251 252 2 89 2 90 327 328

9 1027 2849 5079 80 1 19 1 20 161 162 201 202 241 242 2 79 2 80 319 320

7 8 23 2443 4471 72 1 09 1 10 151 152 191 192 231 232 2 69 2 70 309 310

5 6 19 2039 4065 66 1 01 1 02 143 144 183 184 223 224 2 61 2 62 301 302

3 4 15 1635 3659 609 3 9 4 135 136 175 176 215 216 2 53 2 54 293 294

1 2 11 1229 3051 528 3 8 4 127 128 167 168 205 206 2 43 2 44 283 284

I/O

b c d e

f

圖3.3 MTLI揀貨路徑

3.5.2. 應用螞蟻理論

由於本研究將螞蟻理論應用於揀貨路徑規劃,其中η

ij

視覺能力以儲位i到儲位j距離之倒數 代表,因此

ij

ij

d

= 1

η ,表示越接近的儲位越容易看見。Dorigo et al.【11】曾建議重要關係程度 參數α與β之設定方式,如圖3.4,結果指出(0.5, 5)、(1, 1)、(1, 2)、(1, 5) ,四種之組合可找到 最好的解。費洛蒙殘留係數ρ值之設定主要介於0到1之間,螞蟻數與迭代數則視使用者與問題 特性而設定。螞蟻理論流程如圖3.5所示。

(9)

圖3.4 α與β之參數設定組合

建構路徑

費洛蒙更新

是否達到終止條件

輸出結果 初始設定

是 否

是否每隻螞蟻 皆走完路徑

圖3.5 螞蟻理論流程圖

費洛蒙更新機制的不同,將影響費洛蒙濃度促使螞蟻選擇不同的路徑,因全域更新方法較 能參考到全域性的資訊,故本研究以全域性更新的方式作為費洛蒙之更新機制。Q為費洛蒙素 值累積量,L 表示由第k隻螞蟻所行走之路徑長度。

k

ij ij

ij t n

ρ τ

t

τ

τ ( + )= ⋅ ( )+∆ (3.6)

∑ =

=

m

k k ij ij

1

τ

τ (3.7)

⎪⎩

⎪⎨

+

=

,

0

, ) (

)

, (

otherwise

n t and t time between tour

its in j i edge uses ant kth if L

Q

ij k

τ

k

(3.8)

3.5.3. 最大迴圈插入法

以往學者所提出之揀貨法則,大多一味地以最短距離建構揀貨路徑,如此難以對所有揀取

(10)

7

儲位有整體之概念,將容易陷入區域解,因此本研究針對此問題提出最大迴圈插入法(Maximum Loop Insertion; MLI),使得建構揀貨路徑時,能對全部揀取點有整體概念,以改善演算法求解 績效。本啟發式演算法將從全部揀取點中,找出三個揀取點並與I/O點以最短路徑形成最大迴圈 (Maximum Loop),此路徑之行走距離為完成揀貨路徑規劃時,揀取最外圍儲位必定行走之距 離,而剩餘尚未揀取之揀貨點,即位於最大迴圈所形成的路徑周圍,所以能對必須揀取的儲位 有整體的概念。MLI演算流程如下:

步驟一:先找出最左邊且有揀取點之走道,再找出該走道上距離I/O點最近之揀取點,如圖3.6 (a),點a。

步驟二:先找出距離I/O點深度最遠之揀取點,若有相同深度之揀取點,則選擇走道距I/O最近 之揀取點,如圖3.6 (a),點b。

步驟三:先找出最右邊且有揀取點之走道,再找出該走道上距離I/O點最近之揀取點,如圖3.6 (a),點c。

步驟四:檢查前三個步驟找出的三點是否有重複,若有重複則刪除重點,將剩餘之點及I/O點以 最短行走距離,建構最大迴圈途程。

步驟五:以最短插入距離為依據,從尚未選取的揀取點中尋找插入目前途程所增加距離最小之 揀取點k。

步驟六:將此揀取點k入迴圈,形成新的迴圈,若有相同最短插入距離之揀取點,則擇一加入。

步驟七:檢查目前所建構迴圈是否包含所有揀取點,若已包含所有揀取點跳到步驟8,否則回到 步驟5。

步驟八:計算所建構迴圈之行走距離,完成揀貨路徑規劃。

(a)

117 118 157 158 195 196 233 234 273 274 317 318 349 350 371 372 389 390 399 400

107 108 147 148 185 186 225 226 265 266 307 308 341 342 365 366 385 386 397 398

99 100 139 140 177 178 217 218 257 258 299 300 335 336 361 362 381 382 395 396

91 92 131 132 169 170 209 210 249 250 291 292 329 330 357 358 377 378 393 394

81 82 121 122 159 160 199 200 239 240 281 282 321 322 351 352 373 374 391 392

73 74 111 112 149 150 189 190 229 230 271 272 311 312 343 344 367 368 387 388

67 68 103 104 141 142 181 182 221 222 263 264 303 304 337 338 363 364 383 384

61 62 95 96 133 134 173 174 213 214 255 256 295 296 331 332 359 360 379 380

55 56 87 88 125 126 165 166 203 204 247 248 287 288 325 326 355 356 375 376

47 48 77 78 115 116 155 156 193 194 237 238 277 278 315 316 347 348 369 370

31 32 53 54 85 86 123 124 163 164 207 208 245 246 285 286 323 324 353 354

25 26 45 46 75 76 113 114 153 154 197 198 235 236 275 276 313 314 345 346

21 22 41 42 69 70 105 106 145 146 187 188 227 228 267 268 305 306 339 340

17 18 37 38 63 64 97 98 137 138 179 180 219 220 259 260 297 298 333 334

13 14 33 34 57 58 89 90 129 130 171 172 211 212 251 252 289 290 327 328

9 10 27 28 49 50 79 80 119 120 161 162 201 202 241 242 279 280 319 320

7 8 23 24 43 44 71 72 109 110 151 152 191 192 231 232 269 270 309 310

5 6 19 20 39 40 65 66 101 102 143 144 183 184 223 224 261 262 301 302

3 4 15 16 35 36 59 60 93 94 135 136 175 176 215 216 253 254 293 294

1 2 11 12 29 30 51 52 83 84 127 128 167 168 205 206 243 244 283 284

I/O

a b

c

(b)

117 118 157 158 195 196 233 234 273 274 317 318 349 350 371 372 389 390 399 400

107 108 147 148 185 186 225 226 265 266 307 308 341 342 365 366 385 386 397 398

99 100 139 140 177 178 217 218 257 258 299 300 335 336 361 362 381 382 395 396

91 92 131 132 169 170 209 210 249 250 291 292 329 330 357 358 377 378 393 394

81 82 121 122 159 160 199 200 239 240 281 282 321 322 351 352 373 374 391 392

73 74 111 112 149 150 189 190 229 230 271 272 311 312 343 344 367 368 387 388

67 68 103 104 141 142 181 182 221 222 263 264 303 304 337 338 363 364 383 384

61 62 95 96 133 134 173 174 213 214 255 256 295 296 331 332 359 360 379 380

55 56 87 88 125 126 165 166 203 204 247 248 287 288 325 326 355 356 375 376

47 48 77 78 115 116 155 156 193 194 237 238 277 278 315 316 347 348 369 370

31 32 53 54 85 86 123 124 163 164 207 208 245 246 285 286 323 324 353 354

25 26 45 46 75 76 113 114 153 154 197 198 235 236 275 276 313 314 345 346

21 22 41 42 69 70 105 106 145 146 187 188 227 228 267 268 305 306 339 340

17 18 37 38 63 64 97 98 137 138 179 180 219 220 259 260 297 298 333 334

13 14 33 34 57 58 89 90 129 130 171 172 211 212 251 252 289 290 327 328

9 10 27 28 49 50 79 80 119 120 161 162 201 202 241 242 279 280 319 320

7 8 23 24 43 44 71 72 109 110 151 152 191 192 231 232 269 270 309 310

5 6 19 20 39 40 65 66 101 102 143 144 183 184 223 224 261 262 301 302

3 4 15 16 35 36 59 60 93 94 135 136 175 176 215 216 253 254 293 294

1 2 11 12 29 30 51 52 83 84 127 128 167 168 205 206 243 244 283 284

I/O

d f

e

圖3.6 MLI揀貨路徑

3.5.4. 應用粒子群最佳化演算法

本研究將粒子群最佳化演算法應用於揀貨路徑規劃,而每一個粒子即為一組可行解,即代 表一組揀貨路徑。假設揀貨員由I/O點出發依序揀取儲位341, 87, 99, 11,揀完所有貨品後回到I/O 點,以編號0代表I/O點編號,可得到一揀貨順序(0, 341, 87, 99, 11),為簡化粒子編碼形式,因 此本研究將揀取儲位之編號重新編列,由小到大重新給予編號。

(0, 341, 87, 99, 11) ⎯

重新編號

⎯⎯⎯→ (1, 5, 3, 4, 2)

因此第i個粒子為X

i

=(x

i1

, x

i2

, …, x

iD

),其中x

iD

代表某個儲位編號,此粒子表示揀貨員依序揀 取儲位x

i1

, x

i2

,…, x

iD

。X

i

= (x

i1

, x

i2

, x

i3

, x

i4

, x

i5

) = (1, 5, 3, 4, 2)。

(11)

粒子速度於本研究中表示儲位編號改變量,假設第i個粒子之速度為V

i

=(v

i1

, v

i2

, v

i3

, v

i4

, v

i5

) = (0, -3, +2, -1, -3),因此第i個粒子依速度更新其位置,(1, 5, 3, 4, 2) + (0, -3, +2, -1, -3) = (1, 2, 5, 3, -1),當粒子經過速度更新後,產生非整數之編號或編號超出原始範圍,因此將儲位編號依大小 重新編列

(1, 2, 5, 3, -1) ⎯

重新編號

⎯⎯⎯→ (2, 3, 5, 4, 1)

最大速度之設定將決定粒子移動範圍,而每張訂單品項數皆不同,因此粒子空間維度也不

相同,本研究將採用比例之方式設定最大速度。假設比例值η

ij

,若粒子空間維度為5,則

1 5

* 2 .

0 = ,表示粒子最大所能移動範圍於 1± 之間。

適應函數之功能在於評估PSO中的粒子是否找到理想位置,在本研究中以最小化揀貨距離 作為適應函數。相關參數設定包括,粒子數、最大速度、學習因子、慣性權重及終止條件。根 據以往學者的研究結果【23、24、29】,各參數可依據以下設定:粒子數:一般粒子數設在20 到30之間;學習因子:學習因子

c 1 c 2

之和小於4;慣性權重:慣性權重(

w

)設定介於0.9 到1.2;

最大速度、終止條件通常依使用者與問題特性而定。PSO演算法流程如圖3.7。

隨機產生粒子之 起始位置與起始速度

初始設定

計算每個粒子的適應值

更新目前粒子最佳適應值 與群體最佳適應值

更新每個粒子速度與位置

是否達到終止條件

輸出結果 是

圖3.7 PSO演算流程圖 4. 模擬驗證分析 4.1. 模擬環境與

本模擬實驗所採一矩形物流中心,共有 10 條主走道,走道兩側各有 20 個儲位,共計 400 個儲位,儲位寬為1 公尺、深度為 1 公尺,倉儲前後方分別有前走道與後走道,中央有 1 條交叉 走道(Cross Aisle),寬度皆為 2.5 公尺,領單點與集貨點(I/O) 皆於左下角,佈置如圖 4.1 所示。

揀貨車容積上限值為50 單位。揀貨車速度為每分鐘 90 公尺。

(12)

9

2.5 m

1 10

次 走 道

I/O

前  走  道 後  走  道

交 叉 走 道

次 走 道

主       走       道 主

      走       道

1 m

1 m2.5 m

圖4.1 倉儲佈置圖 表4.1 各實驗組合表

實驗編號 實驗因子組合 實驗編號 實驗因子組合

1 分區儲存*單一訂單*MLI 16 不分區儲存*單一訂單*MLI 2 分區儲存*單一訂單*MTLI 17 不分區儲存*單一訂單*MTLI 3 分區儲存*單一訂單*AS 18 不分區儲存*單一訂單*AS 4 分區儲存*單一訂單*PSO 19 不分區儲存*單一訂單*PSO

5 分區儲存*單一訂單*MLI結合PSO 20 不分區儲存*單一訂單*MLI結合PSO 6 分區儲存*最適封包批量*MLI 21 不分區儲存*最適封包批量*MLI 7 分區儲存*最適封包批量*MTLI 22 不分區儲存*最適封包批量*MTLI 8 分區儲存*最適封包批量*AS 23 不分區儲存*最適封包批量*AS 9 分區儲存*最適封包批量*PSO 24 不分區儲存*最適封包批量*PSO

10 分區儲存*最適封包批量*MLI結合PSO 25 不分區儲存*最適封包批量*MLI結合PSO 11 分區儲存*關聯訂單批量*MLI 26 不分區儲存*關聯訂單批量*MLI

12 分區儲存*關聯訂單批量*MTLI 27 不分區儲存*關聯訂單批量*MTLI 13 分區儲存*關聯訂單批量*AS 28 不分區儲存*關聯訂單批量*AS 14 分區儲存*關聯訂單批量*PSO 29 不分區儲存*關聯訂單批量*PSO

15 分區儲存*關聯訂單批量*MLI結合PSO 30 不分區儲存*關聯訂單批量*MLI結合PSO

針對螞蟻理論與粒子群最佳化演算法參數設定,本研究將使用田口方法(Taguchi Method)進 行實驗設計,以找出穩健適宜之參數水準組合。實驗結果指出螞蟻理論最佳參數組合為,(α, β) 設定為(1, 1),ρ 設定為 0.9,母體數設定為 15,迭代數設定為 100。粒子群最佳化演算法最佳參 數組合為,w 設定為 0.9,(c1, c2)設定為(2, 1),V

max

設定為0.2,母體數設定為 25,迭代數設定 為250。

本研究實驗考慮兩種儲存策略、一種產品關聯性、三種訂單批量、五種揀貨路徑規劃,共有 30 種排列組合,實驗因子水準如表 4.1 所示。以 eM-Plant 7.0 模擬軟體建構物流中心,由電腦產 生10,000 筆歷史訂單,每次實驗隨機從中抽取 300 張訂單,重複 30 次模擬實驗。以九項績效指 標評估績效,分別為(1)不同訂單批量電腦運算時間、(2)不同揀貨路徑規劃電腦運算時間、(3)總 電腦運算時間,為(1)與(2)之和、(4)總揀貨距離、(5)總揀貨旅行次數、(6)車輛滿載率、(7)揀貨時 間、(8)分流時間、(9)總作業時間,為(7)與(8)之和,並將模擬結果利用 SPSS 10.0 統計軟體進行

(13)

資料分析,期望能找出最佳實驗組合。揀貨時間與分流時間的計算方式主要參考學者Petersen 之 研究【19】,敘述如下:

一、揀貨時間計算方式:尋找與揀取每一個不同儲位貨品之所需時間為0.2 分鐘,若揀取相同儲

位第二件以上之貨品每件所需時間為0.1 分鐘。

二、分流時間包含了三個部份,分別為卸貨時間、分類時間及檢查時間,計算方式分述如下 1. 卸貨時間計算方式:從揀貨車中將2. 貨品取出,3. 第一件貨品需0.1分鐘,4. 其餘每

一件需時0.5分鐘。

2. 分類時間計算方式:將6. 批次化後之貨品分類到每一張訂單之貨物箱中,7. 每一張 訂單需時0.24分鐘,8. 分類到最後一張訂單則無須分類時間。

3. 檢查時間計算方式:檢查訂單貨品是否正確,10. 每一個貨品需時0.08分鐘。

表4.2 各因子水準於九項績效指標之平均數

4.2. 實驗結果分析

本研究將探討各因子之不同水準於不同績效指標下是否具有顯著差異,並以95%信賴水準進

行變異數分析,分析是否達顯著差異,若有顯著差異將再以Duncan 分群作事後多重比較檢定,

以瞭解各因子水準間差異型態為何。

從表4.2 中可知儲存策略在不同訂單批量電腦運算時間、不同揀貨路徑規劃電腦運算時間、

總電腦運算時間、總揀貨距離、揀貨時間與總作業時間有顯著差異,且結果顯示若能採取分區儲

存,將在眾多績效指標下達到較佳績效表現。從表4.2 中可知訂單批量於九項績效指標下皆有顯

著差異,於不同訂單批量電腦運算時間與分流時間之績效指標下,以單一訂單有最佳表現,而於 其他七項績效指標中,是以關聯訂單批量表現最佳,其次為最適封包批量,最差為單一訂單,因

此在消費需求多樣少量下,採用訂單批次化方法相較使用單一訂單批量更為適合。從表4.2 中可

知揀貨路徑規劃於五項績效指標有顯著差異,本研究所提出之最大迴圈插入法於各績效指標皆有 優異之表現,於不同揀貨路徑規劃電腦運算時間、總電腦運算時間中有最佳表現並與最短旅行迴 圈啟發式於第一子集。且當最大迴圈插入法結合粒子群最佳化演算法時,於總揀貨距離、揀貨時

來源

不同訂 單批量 電腦運 算時間

不同揀貨 路徑規劃 電腦運算 時間

總電腦 運算時間

總揀貨 距離

總揀貨旅行 次數

車輛滿 載率

揀貨 時間

分流 時間

總作業 時間

分區儲存 0.089 1092.981 1093.070 19306.157 193.400 0.705 1296.551 3432.671 4729.221 儲存策略

不分區儲存 0.096 1352.574 1352.670 45890.651 193.378 0.706 1600.620 3432.685 5033.304 單一訂單 0(1) 1343.473(3) 1343.473(3) 43509.348(3) 300(3) 0.401(3) 1684.971(3) 3364.447(1) 5049.417(3) 最適封包批量 0.212(3) 1187.336(2) 1187.548(2) 27281.462(2) 142.167(2) 0.845(2) 1338.717(2) 3465.460(2) 4804.177(2) 訂單批量

關聯訂單批量 0.066(2) 1137.524(1) 1137.589(1) 27004.402(1) 138(1) 0.871(1) 1322.067(1) 3468.127(2) 4790.194(1) MLI 0.093 14.879(1) 14.972(1) 28008.331(1) 193.389 0.706 1397.584(1) 3432.677 4830.262(1) MTLI 0.093 15.248(1) 15.341(1) 30392.103(3) 193.389 0.706 1424.071(3) 3432.677 4856.748(1) AS 0.093 3210.775(4) 3210.868(4) 28495.569(2) 193.389 0.706 1402.998(2) 3432.677 4835.676(1) PSO 0.093 1446.076(3) 1446.169(3) 48170.678(4) 193.389 0.706 1621.610(4) 3432.677 5054.288(3) 揀貨路徑

規劃

MLI 結合 PSO 0.093 1426.908(2) 1427.001(2) 27925.339(1) 193.389 0.706 1396.662(1) 3432.677 4829.340(1)

註:粗體表示有顯著差異

( )內數字表示Duncan分群結果

網底表示為最佳績效

(14)

11

間與總作業時間有最佳績效表現,證實適當的加入初始解可有效提昇粒子群最佳化演算法之求解 品質與效率。

於表4.3 中可知,在儲存策略、訂單批量與揀貨路徑規劃三因子交互作用下,於不同揀貨路

徑規劃電腦運算時間與總電腦運算時間下,以分區儲存搭配單一訂單搭配最大迴圈插入法,有最

佳績效表現,而以實驗編號23 即為不分區儲存搭配最適封包批量搭配螞蟻理論,有最差績效表

現,且可結果中發現使用啟發式演算法皆優於巨集啟發式演算法。總揀貨距離、揀貨時間與總作

業時間績效指標下,以實驗編號10 即為分區儲存搭配最適封包批量搭配最大迴圈插入法結合粒

子群最佳化演算法,有最佳績效表現,而以實驗編號19 即為不分區儲存搭配單一訂單搭配 PSO,

有最差績效表現。

5. 結論

本研究之目的在於提昇物流中心揀貨績效,因此本研究嘗試應用粒子群最佳化演算法於揀貨 路徑規劃中,並有鑑於粒子群最佳化演算法初始之母體乃採用隨機產生,本研究遂提出ㄧ啟發式 演算法--最大迴圈插入法,冀以提昇其求解品質與效率。並針對影響物流中心之各因子,如儲存 策略、訂單批量與揀貨路徑規劃,作一整合設計規劃,經實驗模擬比較,本研究所提出之最大迴 圈插入法與最大迴圈插入法結合最大迴圈插入法皆有不錯之表現。綜合本研究之成果,將分述如 下:

ㄧ、文獻中尚未有學者將粒子群最佳化演算法應用於物流中心裡揀貨路徑規劃上,而本研究 成 功地將粒子群最佳化演算法應用於此,並透過實驗分析找出最適參數設定,可供後續學者 作一參考。

二、本研究針對過往揀貨法則,大多一味地以最短距離建構揀貨路徑,如此難以對所有揀取儲 位有整體之概念,致使揀貨法則容易陷入區域解,因此本研究針對此問題提出一啟發式演 算法--最大迴圈插入法,且本研究所提出之最大迴圈插入法,經實驗證實的確實能有不錯之 績效且優於文獻之方法。

三、由於粒子群最佳化演算法初始母體皆由隨機方式產生,針對此問題本研究將最大迴圈插入 法所找出之解,作為粒子群最佳化演算法之初始解,而最大迴圈插入法結合粒子群最佳化 演算法經實驗證明,有最佳績效表現,能有效提昇粒子群最佳化演算法之求解品質與速度。

四、本研究在儲存策略、訂單批量與揀貨路徑規劃三因子綜合評估下,結果以分區儲存搭配最 適封包批量搭配最大迴圈插入法結合粒子群最佳化演算法於眾多績效指標中有最佳績效表 現,惟在不同揀貨路徑規劃電腦運算時間與總電腦運算時間下,是以分區儲存搭配單一訂 單搭配最大迴圈插入法有最佳績效表現。

五、在訂單批量因子下,於大多績效指標下採用關聯訂單批量與最適封包批量,績效皆較單一 訂單批量為佳,惟在不同訂單批量電腦運算時間與分流時間之績效則相反,但綜觀總作業 時間亦為關聯訂單批量與最適封包批量績效較佳,因此在多樣少量下,採用訂單批次化方 法相較使用單一訂單批量更為適合。而採用訂單批次化所需擔心之錯誤率與分類之問題,

可藉由現今之電腦輔助設備加以改善,以降低問題之發生。

六、本研究為符合實務上物流中心實際情況,於倉儲環境佈置中加入交叉走道,考慮之設定囊 括儲存策略、儲位指派、訂單揀取法與揀貨路徑規劃,使整體環境更符合實際狀況,並考 慮九項績效指標,經模擬實驗驗證各實驗組合之績效,冀望本研究之結果可提供物流中心 業者於倉儲規劃設計與績效改善時參考。

(15)

表4.3 各實驗組合於各績效指標之Duncan Test

平均數 子集 平均數 子集 平均數 子集 平均數 子集 平均數 子集

1 9.494 1 1 9.494 1 10 13225.900 1 10 1170.178 1 10 4638.326 1

2 9.766 1 2 9.766 1 6 13241.800 1 6 1170.335 1 6 4638.483 1

16 12.479 1 16 12.479 1 8 13854.900 2 8 1175.534 1,2 8 4640.952 1 17 13.055 1 17 13.055 1 7 13855.883 2 7 1175.711 1,2 7 4641.128 1 11 13.821 1 11 13.821 1 15 13875.983 2 15 1177.484 1,2 15 4645.632 1 12 13.917 1 12 13.917 1 11 13890.183 2 11 1177.506 1,2 11 4645.654 1 6 14.145 1 6 14.145 1 12 14533.533 3 12 1182.523 2 12 4647.941 1 7 14.371 1 7 14.371 1 13 14535.583 3 13 1182.534 2 13 4647.952 1

26 19.309 1 26 19.309 1 5 23937.450 4 9 1298.677 3 9 4766.825 2

27 19.751 1 27 19.751 1 1 23991.717 4 14 1305.356 3 14 4770.774 2

21 20.027 1 21 20.027 1 3 24136.583 4 30 1364.507 4 5 4831.952 3

22 20.628 1 22 20.628 1 2 24901.450 5 26 1364.947 4 1 4832.555 3,4 15 1173.481 2 15 1173.481 2 9 24909.883 5 28 1375.480 5 3 4832.612 3,4 14 1180.659 2 14 1180.659 2 14 25440.950 6 25 1388.969 6 30 4833.052 3,4 10 1223.444 3 10 1223.444 3 30 30282.317 7 21 1389.389 6 26 4834.164 3,4,5

9 1236.801 3 9 1236.801 3 26 30321.933 7 23 1398.223 7 2 4842.663 3,4,5 30 1285.158 4 30 1285.158 4 25 31173.233 8 27 1400.812 7 28 4843.585 3,4,5 29 1293.151 4 29 1293.151 4 21 31211.050 8 22 1423.769 8 25 4854.472 4,5,6 25 1345.306 5 25 1345.306 5 4 31260.550 8 5 1467.505 9 21 4854.892 5,6 24 1358.773 5 24 1358.773 5 28 31269.867 8 1 1468.108 9 23 4866.315 6

5 1692.851 6 5 1692.851 6 23 32239.117 9 3 1469.718 9 27 4866.328 6 4 1716.550 7 4 1716.550 7 27 33316.783 10 2 1478.216 10 22 4889.271 7 20 1841.211 8 20 1841.211 8 22 34305.183 11 4 1548.873 11 4 4913.319 8 19 1890.523 9 19 1890.523 9 18 54937.367 12 29 1723.335 12 18 5176.395 9 3 2658.140 10 3 2658.140 10 20 55057.150 12 24 1762.574 13 20 5177.726 9 13 2668.819 10 13 2668.819 10 16 55393.300 13 18 1811.949 14 16 5181.461 9 8 2768.449 11 8 2768.449 11 17 61439.783 14 20 1813.279 14 29 5191.441 9 18 3590.657 12 18 3590.657 12 29 62576.883 15 16 1817.014 14 24 5229.077 10 28 3707.169 13 28 3707.169 13 24 64797.667 16 17 1884.198 15 17 5248.644 11 23 3871.418 14 23 3871.418 14 19 80038.133 17 19 2090.846 16 19 5455.293 12

實驗

編號

不同揀貨路徑規

劃電腦運算時間 總作業時間

實驗 編號

實驗 編號

實驗 編號

實驗 編號

總電腦運算時間 總揀貨距離 揀貨時間

6. 參考文獻

1. 林嘉慶(2004),「運用關聯法則技術於倉儲系統儲位指派與揀貨策略配置模型之研究」,中華 大學科技管理研究所碩士論文。

2. 孫海皎、董福慶(1995),「物流中心儲位管理」,經濟部商業自動化系列叢書。

3. 蘇騰昇(2002),「物流中心之最佳化揀貨策略」,國立中央大學工業管理研究所碩士論文。

4. Agrawal, R., T. Imielinski, and Swami, A. (1993), “Mining Association Rules between Sets of Items in Large Data Bases,” In Proceedings of the ACM SIGMOD Conference in Management of Data, Washington, DC, USA, pp. 207-216.

5. Ben-Mahmud, Y. (1987), “The Effect of Warehouse Layout on Order Picking efficiency,”

Unpublished M.S. thesis, Oregon State University, Corvallis, OR.

6. Caron, F., G. Marchet, and Perego, A. (2000), “Layout Design in Manual Picking Systems: a Simulation Approach,” Integrated Manufacturing Systems, Vol. 11, No. 2, pp. 94-104.

7. Choe, K. and Sharp, G. P. (1991), “Small Parts Order Picking: Design and Operation,” Vailable on-line at: http://www.isye.gatech.edu/logisticstutorial/order/article.htm (accessed May 2005).

8. Coyle, J. J., E. J. Bardi, and Langley, C. J. (1996), “The Management of Business Logistics,” St Paul, MN: West.

9. De Koster, R., T. Le-Duc, and Roodbergen, K. J. (2007), “Design and Control of Warehouse Order Picking: a Literature Review,” European Journal of Operational Research Vol. 182, No. 2, pp.

(16)

13

481-501.

10. Dorigo, M. (1992), “Optimization, Learning and Natural Algorithms,” Ph.D. Thesis. Politecnico di Milano, Italy, EU.

11. Dorigo, M., V. Maniezzo, and Colorni, A. (1996), “Ant System: Optimization by a Colony of Cooperating Agents,” IEEE Transactions on System, Man, and Cybernetics-Part B, Vol. 26, No. 1.

pp. 29-41.

12. Han, J. and Kamber, M. (2000), “Data Mining: Concepts and Techniques,” Morgan Kaufmann Publishers, San Franscisco.

13. Hausman, W. H., L. B. Schwarz, and Graves, S. C. (1976), “Optimal Storage Assignment in Automatic Warehousing Systems,” Management Science, Vol. 22, No. 6, pp. 629-638.

14. Heskett, J. L. (1963), “Cube-Per-Order Index a Key to Warehouse Stock Location,” Transport and Distribution Management, Vol. 3, pp. 27-31.

15. Ho, Y. C. and Su, T. S. (2002), “A Study on Optimizing Order-Picking Operations in Distribution Centers,” The Fourth Asia-Pacific Conference on Industrial Engineering and Management Systems, Taipei Taiwan, pp. 18-20.

16. Kennedy, J. and Eberhart, R.C. (1995), “Particle Swarm Optimization,” Proceedings IEEE International Conference on Neural Networks, Vol. 4, pp.1942-1948.

17. Megiddo, N. and Srikant, R. (1998), “Discovering Predictive Association Rules,” American Association for Artificial Intelligence.

18. Petersen II, C. G. and Schmenner, R. W. (1999), “An Evaluation of Routing and Volume-Based Storage Policies in an Order Picking Operation,” Decision Sciences, Vol. 30, No. 2, pp.481-501.

19. Petersen II, C. G. (2000), “An Evaluation of Order Picking Policies for Mail Order Companies,”

Production and Operations Management, Vol. 9, No. 4, pp. 319-35.

20. Ratliff, H. D. and Rosenthal, S. (1983), “Order-Picking in a Rectangular Warehouse: A Solvable Case of the Traveling Salesman Problem,” Operations Research, Vol. 31, No. 3, pp.507-521.

21. Ruben, R. A. and Jacobs, I. R. (1999), “Batch Construction Heuristics and Storage Assignment Strategies for Walk/Ride and Pick Systems,” Management Science, Vol. 45, No. 4, pp.575-594.

22. Shi, Y. and Eberhart, R., (1999), “Empirical Study of Particle Swarm Optimization,” Proceedings of the 1999 Congress on Evolutionary Computation, Washington, DC, USA, Vol. 3, pp. 1945-1950.

23. Shi, Y. H. and Eberhart, R. C. (1998), “A Modified Particle Swarm Optimizer,” Proceedings of IEEE International Conference on Evolutionary Computation, Anchorage, Alaska, pp. 69-73.

24. Shi, Y. H. and Eberhart, R. C. (1998), “Parameter Selection in Particle Swarm Optimization,” The 7th Annual Conference on Evolutionary Programming, San Diego, pp. 591-600.

25. Simoudis, E. (1996), “Reality Check for Data Mining,” Institute of Electrical and Electronic Engineers Expert, Vol. 11, No. 5, pp.26-33.

26. Tompkins, J. A. and Smith, J. D. (1988), “The Warehouse Management Handbook,” McGraw-Hill.

27. Tompkins, J. A., J. A. White, Y. A. Bozer, E. H. Fraz elle, J. M. A. Tanchoco, and Trevino, J. (1996),

(17)

“Facilities Planning,” Wiley New York.

28. Vaughan, T. S. and Petersen, C. G. (1999), “The Effect of Warehouse Cross Aisles on Order Picking Efficiency,” International Journal of Production Research, Vol. 37, No. 4, pp. 881-897

29. http://www.swarmintelligence.org/papers/cPSOTutorial.pdf

計畫成果自評

本研究主要針對物流中心儲位規劃問題,考慮分區與不分區兩種方式,並藉由關聯法則進 一步改善儲位指派,在訂單揀取法中比較單一訂單別、最適封包批量與關聯訂單批量,在揀貨路 徑規劃部分,本研究將運用近幾年才提出之粒子群最佳化演算法求解最佳路徑,並建構一啟發式 演算法作為粒子群最佳化演算法之起始解,以提昇求解效率,並與文獻中有較佳表現之螞蟻理論 與最短旅行迴圏啟發式一同比較。以總揀貨成本最小化為目標,進而達到單位時間內揀貨績效提 昇,透過模擬實驗驗證並以九項績效指標評估各因子水準組合,利用統計分析手法找出各因子之 最佳水準組合,並將本研究之成果提供給物流業者用於物流規劃與績效提昇之參考。完全依照計 畫書的想法進行,研究結果與原預期之計畫目標相符合,計畫執行過程中已發表一篇研討會論文 及一篇期刊論文,詳細資料如下:

1. 謝玲芬、黃建霖,”物流中心之粒子群最佳化演算法應用效率之提昇”, 中國工業工程學會九 十五年度年會暨學術研討會,東海大學,台中。(NSC-95-2221-E-216-026-)

2. Ling-Feng Hsieh, Chao-Jung Huang and Chien-Lin Huang, “Applying Particle Swarm Optimization to Schedule Order Picking Routes in a Distribution Center,” Asian Journal of Management and Humanity Sciences, Vol. 1, No. 4, (NSC-95-2221-E-216-026-)

因本人另一研究領域為績效評估之探討與應用,隨著產業變遷與轉移,臺灣政府已將觀光 產業列為國家重要策略性產業。而觀光產業對內不僅成為維繫地方經濟與提供就業機會的重要產 業;在對外方面除可賺取外匯,更能提升台灣在國際能見度、競爭力。所以本研究在其相關觀光 產業中,選擇旅館業來探討其營運狀況。並且以資料包絡分析法( Data Envelopment Analysis;DEA) 投入與產出觀念來評估14間國際觀光旅館的相對效能與效率,評估指標包括:相對效率之投入項 為客房數、員工人數、設備與管理成本,產出項是顧客滿意度;相對效能之投入項為顧客滿意度,

產出項為實際客房住用率、總營運收入。而其中重要之關鍵指標為顧客滿意度,其原因是服務業 較傳統製造業更強調與顧客之互動與維持。因此以顧客滿意度當作是效率、效能中間的投入與產 出項。因此藉由本研究效能與效率兩段的評估,可以發現國際觀光旅館是哪個環節出了問題,究 竟是內部效率所投入資源所得到產出比率不夠好,還是所產出的價值沒達到效能。另外由DEA 模式中的差額變數分析更可以細微從指標中來給予未達到效率或效能之旅館改善的方向與建 議。研究成果也已發表於國際研討會 BAI 2007 中,而且已根據與會學者之寶貴建議整理完手 稿,將投稿國際期刊中。國際會議心得報告及發表之論文詳見附錄。

附錄:出席BAI 2007 國際會議心得報告及發表之論文

(18)

1

附錄:出席 BAI 2007 國際會議心得報告及發表之論文

International Conference on Business and Information InterContinental Hotel Tokyo Bay

Tokyo, Japan

九十六年七月十一日至七月十三日

謝玲芬

中華大學科技管理學

(19)

一、會議經過

International Conference on Business and Information (BAI 2007) 每年舉辦一次,會期由十二 月十一日至十三日共三天,地點選在日本的東京。2006年是在新加坡舉辦。BAI國際研討會算是 管理與資訊相關領域的學者齊聚ㄧ堂、交換彼此研究心得的時刻,每年台灣出席及發表論文的人 數都相當多,今年亦同。研討會收錄的論文相當多,約五百餘篇,大會共分為六十個場次發表論 文,每個場次約八至十篇論文,讓與會者能充份挑選自己有興趣的主題之場次參與討論。研討會 第一天,來自各各國家的學者相當多,踴躍出席的情況似乎超出主辦單位的預期,更由於日本消 費昂貴,大會主辦單位在開幕餐會上雖然供應精緻的餐點,但卻發生供不應求的現象!儘管如 此,但與會人士仍熱情參與全程活動。大會主辦單位致辭感謝大家的熱情參與,並邀請大家明年 再聚會一同研討學習,典禮中並頒發最佳論文獎,整個國際研討會到此在ㄧ片歡樂中圓滿閉幕。

參加研討會期間,在各個發表論文的場次內均熱烈討論,這次參加研討會的論文是我首次嘗 試將績效評估理論應用於國內觀光飯店效能評估,在該論文發表場次內,也結識了日本、韓國、

馬來西亞等東南亞國家一樣對觀光產業發展與策略管理有濃厚興趣的學者,相談甚歡,也吸收了 許多寶貴的意見,已根據與會學者之寶貴建議將該研討會論文重新整理完手稿,將投稿國際期刊。

由於日本物價昂貴,研討會會場的InterContinental Hotel Tokyo Bay,住宿費用相當高,來自 台灣之大部分與會學者也都選擇較偏郊區的飯店住宿,剛開始時覺得日本的電車系統錯綜複雜,

第一天深怕自己迷路在電車系統內,而錯過論文宣讀的時間;幸好飯店人員協助我找了一條轉車 次數最少的方式,出了電車站後再根據飯店提供的地圖,我在東京街頭走了近十五分鐘,終於順 利準時抵達研討會會場,但也因此讓我深可瞭解日本的電車系統的便利性。趁著研討會的空檔,

親身搭乘日本的電車,逛逛當地的商場,順道體驗當地的民俗風情。相片中左圖為由研討會會場 往外可看到的彩虹大橋;右為東京都淺草寺。

(20)

3

二、研討會發表之論文

AN EFFICIENCY AND EFFECTIVENESS MODEL FOR INTERNATIONAL TOURIST HOTELS IN TAIWAN

* Ling-Feng Hsieh Yi-Chen Huang Angel Chen Department of Technology Management Chung Hua University

No.707 Wu Fu Road Sec. 2 Hsinchu, Taiwan ROC

* lfhsieh@chu.edu.tw

ABSTRUCT

According to the social change and industry transfer, the tourism industry can be the important strategy industry for the government in Taiwan. The tourism industry is not only maintaining local economic but also offering the chance of employment. Therefore, this paper evaluates how international tourist hotels operate, using Data Envelopment Analysis (DEA) to measure the operational efficiency and effectiveness, and then adopted VIKOR method, to rank the hotels which is either efficiency or effectiveness, out of the 14 international tourist hotel in Taiwan. Based on the evaluating criteria, the tourism industry has more emphasis in customer’s loyalty and interactions. It is expected to attract, keep loyalty, and get the visible and invisible feedbacks from customers. This paper proposes an evaluation model to evaluate international tourist hotels in two aspects: efficiency and effectiveness. Proprietor can discover the problems either do not have efficiency value at input internal resources or the output operation revenue does not reach operation effectiveness for the tourism industry. Furthermore, the DEA model can give the directions and suggestions for hotel improvement by slack variable analysis, and last adopted VIKOR method, to rank the hotels which are either efficiency or effectiveness to come up with our last result.

Keywords: Efficiency, Effectiveness, Data Envelope Analysis, VIKOR 1. INTRODUCTION

The development of Taiwan’s economy, increased qualities of people’s living and internationalization trend, etc. cause Taiwan’s tourism industry, the star industry in the 21st century, to grow vigorously. “Tourism” is not only an industry that can link Taiwan with the world but also an indicator that shows a country, city or district’s image. According to statistics collected by the Tourism Bureau, R.O.C, revenues in foreign exchange from tourism reached 4.977 billion US dollars in 2005, showing an increase of 22.80% compared with 2004. The average duration of tourists’ each stay reached 7.1 nights and 85% of tourists would choose international tourist hotels, showing the important role that the hotel industry plays in the tourism industry. Considering the importance of the hotel industry, we decided to make an assessment of international tourist hotels in Taiwan with the aim of improving their operation performance.

Efficiency and effectiveness are two common assessment points in management. According to Hit(1986)et al., efficiency refers to the ability of an organization to make full use of resources in the short run, and effectiveness means whether the organization’s objectives have been achieved over a period of time. According to Gronroos and Ojasafo (2004), efficiency means whether resources are fully utilized within the organization under the influences of costs, and effectiveness refers to actual operating receipts, namely performance of its businesses with the outside world. Documents exploring

參考文獻

相關文件

This research is to integrate PID type fuzzy controller with the Dynamic Sliding Mode Control (DSMC) to make the system more robust to the dead-band as well as the hysteresis

This paper integrates the mechatronics such as: a balance with stylus probe, force actuator, LVT, LVDT, load cell, personal computer, as well as XYZ-stages into a contact-

This project integrates class storage, order batching and routing to do the best planning, and try to compare the performance of routing policy of the Particle Swarm

由於本計畫之主要目的在於依據 ITeS 傳遞模式建構 IPTV 之服務品質評估量表,並藉由決

As for current situation and characteristics of coastal area in Hisn-Chu City, the coefficients of every objective function are derived, and the objective functions of

Subsequently, the relationship study about quality management culture, quality consciousness, service behavior and two type performances (subjective performance and relative

Ogus, A.,2001, Regulatory Institutions and Structure, working paper No.4, Centre on Regulation and Competition, Institute for Development Policy and Management, University

and Liu, S.J., “Quantifying Benefits of Knowledge Management System: A Case Study of an Engineering Consulting Firm,” Proceedings of International Symposium on Automation and