پایداری | متن کامل رایگان | توسعه یک مدل کارآمد برای انجام سفارش آنلاین خواربار - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

خرید درب شیشه ای سکوریت با بهترین قیمت از تتراگلس

ادامه ...

اهمیت توسعه صادرات مصالح ساختمانی در اقتصاد ملی

ادامه ...

Tuesday, 18 June , 2024
امروز : سه شنبه, ۲۹ خرداد , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 15310

ارسال

پرینتخانه » مقالات تاریخ انتشار : 19 می 2024 - 3:30 | 12 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | توسعه یک مدل کارآمد برای انجام سفارش آنلاین خواربار

۱٫ معرفی خرید آنلاین خواربار در سال‌های اخیر به دلیل راحتی برنامه‌های خواربار فروشی آنلاین و تحویل درب منزل و همچنین شیوع همه‌گیری COVID-19 رایج شده است. [۱]. این روند قبل از همه‌گیری مشهود بود و تنها در سال ۲۰۱۸، افزایش ۱۳ درصدی در سفارش‌های خواربار فروشی آنلاین مشاهده شد. این مشتریان همچنین ۲۰ درصد […]

۱٫ معرفی

خرید آنلاین خواربار در سال‌های اخیر به دلیل راحتی برنامه‌های خواربار فروشی آنلاین و تحویل درب منزل و همچنین شیوع همه‌گیری COVID-19 رایج شده است. [۱]. این روند قبل از همه‌گیری مشهود بود و تنها در سال ۲۰۱۸، افزایش ۱۳ درصدی در سفارش‌های خواربار فروشی آنلاین مشاهده شد. این مشتریان همچنین ۲۰ درصد بیشتر از همتایان خود در فروشگاه خرج کردند [۲]. خرید آنلاین مواد غذایی باعث صرفه جویی در وقت مشتریان می شود و این امر باعث محبوبیت آن در بین جمعیت شهری می شود. انتظار می‌رود که تقاضا برای خواربار آنلاین در دهه آینده بیش از پنج برابر شود [۳].

در عربستان سعودی، خرده فروشی مواد غذایی صنعتی در حال توسعه با رقابت شدید است. خرده‌فروشان و برنامه‌های خواربار فروشی که تجربه مشتری کارآمدی را ارائه می‌دهند، می‌توانند مزیت رقابتی را در هر فضای بازار ایجاد کنند [۴]. با توجه به جمعیت نسبتاً جوان با میانگین سنی ۲۷ سال، نقش خرید آنلاین مواد غذایی احتمالاً در کشورهای شورای همکاری خلیج فارس (GCC) مرتبط تر است. برای خدمات خواربار فروشی آنلاین در عربستان سعودی [۵]. به طور مشابه، اکثر خریداران آنلاین مواد غذایی در ایالات متحده بین ۲۷ تا ۴۲ سال سن دارند که ۶۵ درصد از آنها در سال ۲۰۲۳ به صورت ماهانه این کار را انجام می دهند. [۶].

فروشگاه های مواد غذایی آنلاین معمولاً از یک یا چند مدل از بین چهار مدل کسب و کار دیجیتالی خواربار فروشی استفاده می کنند. اولین مدل کسب‌وکار «فروشگاه به خانه» است، که در آن سفارش‌ها از یک فروشگاه مواد غذایی موجود انتخاب می‌شوند و سپس به مصرف‌کننده تحویل داده می‌شوند. به طور مشابه، سفارش‌های مدل «کلیک و جمع‌آوری» در یک فروشگاه مواد غذایی موجود انتخاب می‌شوند اما تحویل داده نمی‌شوند. در عوض، مشتریان سفارشات کامل خود را از فروشگاه جمع آوری می کنند. دو مدل دیگر، مدل‌های تجاری «انبار به خانه» و «درایو از طریق»، مشابه مدل‌های ذکر شده در بالا هستند. با این حال، این سفارشات از یک انبار طراحی شده برای سفارشات خواربار فروشی آنلاین انجام می شود [۴]. این تحقیق با دو مدل کسب‌وکار اول، «فروشگاه به خانه» و «کلیک کنید و جمع‌آوری کنید» سر و کار دارد، زیرا بر انجام سفارش خواربار فروشی آنلاین از یک فروشگاه موجود تمرکز دارد. این دو مدل کسب‌وکار به این دلیل انتخاب شدند که به موضوع تحقیقاتی نوظهور انجام سفارش از یک فروشگاه موجود می‌پردازند، در حالی که دو مدل دیگر، مدل‌های کسب‌وکار «انبار به خانه» و «درایو از طریق»، توسط مطالعات مدیریت انبار پوشش داده می‌شوند.

این روزها، اکثر هایپرمارکت ها و فروشگاه های زنجیره ای مواد غذایی مجبورند سفارش و تحویل درب منزل را در کانال های فروش خود بگنجانند. این عملکردها قبلاً توسط مصرف کنندگان انجام می شد و بنابراین پیچیدگی و تعداد فرآیندهایی که توسط فروشگاه ها انجام می شود افزایش یافته است. [۷]. برخلاف سایر انواع خرید آنلاین، فرآیند انتخاب خواربارفروشی آنلاین به دلیل پیچیدگی، تنوع و انتخاب زیاد محصول بسیار کندتر است. سفارش خواربارفروشی آنلاین می‌تواند شامل محصولاتی باشد که نیاز به آماده‌سازی خاصی دارند، مانند غذای خشک تازه، محصولات منجمد، و محصولاتی که نیاز به مراقبت خاصی دارند. علاوه بر این، پیچیدگی بیشتر با نیاز به پنجره زمان پاسخ کوچک مورد نیاز مصرف کنندگان و لجستیک حمل و نقل افزایش می یابد. [۸].

مشخص شده است که فرآیند انتخاب سفارش یکی از گلوگاه های اصلی زنجیره تامین است و هر گونه بهبود در این فرآیند منجر به کاهش زمان و هزینه می شود. [۸]. علاوه بر این، بهبود کارایی نه تنها سود شرکت را افزایش می‌دهد، بلکه دستمزد انتخاب‌کنندگان را نیز افزایش می‌دهد، که به نوبه خود، سعودی‌سازی جمع‌کنندگان را افزایش می‌دهد. علاوه بر این، افزایش کارایی انتخاب سفارش به معنای پاسخ‌های سریع‌تر و انعطاف‌پذیری برای افزایش توان عملیاتی در مواقع بحران است. هدف این مطالعه ارائه یک مدل کارآمد برای انجام سفارش خواربار آنلاین است که هزینه ها و ضایعات را کاهش می دهد و کارایی و پایداری زنجیره تامین را افزایش می دهد.

این تحقیق بر مرحله تکمیل سفارش خرید آنلاین مواد غذایی و به طور خاص بر فرآیند انتخاب سفارش متمرکز است. علاوه بر این، این مطالعه بر انجام سفارش از یک فروشگاه موجود (سوپرمارکت/هایپر مارکت) متمرکز است، زیرا این فروشگاه بیشترین نمایندگی صنعت را دارد، و بر توانایی پیاده‌سازی مدل در کشورها و شرکت‌های مختلف با حداقل تغییرات تمرکز دارد.

از آنجایی که مطالعات کمی هم روش‌های انتخاب سفارش و هم مسیریابی سفارش را مدل می‌کنند، هدف این تحقیق ایجاد یک مدل انجام سفارش آنلاین کارآمد است که با انتخاب روش انتخاب سفارش و مسیریابی کار می‌کند. علاوه بر این، در حالی که مطالعات متعددی در مورد انجام سفارش خواربار آنلاین وجود دارد، هیچ مدلی وجود ندارد که روش‌های مختلف انتخاب و مسیریابی را برای هر سفارش ترکیب کند. بنابراین، مدل ترکیبی پیشنهادی روش‌های مختلف چیدن را ترکیب می‌کند: چیدن سفارش دسته‌ای و منطقه. با توجه به خلأ تحقیق فوق، اهداف تحقیق تعیین شد که جزئیات آن را در ادامه می‌بینید.

هدف اصلی این تحقیق ارائه یک مدل کارآمد برای انجام سفارش خواربار آنلاین است که هزینه ها و ضایعات را کاهش می دهد و در عین حال کارایی و استفاده زنجیره تامین را افزایش می دهد. این مدل‌های پیشنهادی پایداری زنجیره تامین را بهبود می‌بخشد زیرا نیاز به ساخت انبارهای ویژه برای تامین مواد غذایی را از طریق بهبود عملکرد سوپرمارکت‌های موجود در سراسر جهان از بین می‌برد. خرده‌فروشان و برنامه‌های خواربار فروشی آنلاین می‌توانند از این مدل برای افزایش کارایی و استفاده استفاده کنند. علاوه بر این، این مدل با بهینه‌سازی مکان‌یابی محصول، علاوه بر روش‌های چیدن و مسیرهای چیدن، پتانسیل بالایی برای تحقیقات و بهبودهای آتی دارد که تمرکز این مطالعه است.

اصطلاحات اساسی اتخاذ شده در این تحقیق به شرح زیر است:

خرید آنلاین مواد غذایی: سیستمی که در آن خریداران می توانند محصولات غذایی را به صورت آنلاین خریداری کرده و درب منزل دریافت کنند.
سفارش: لیستی از محصولات سفارش داده شده توسط مشتری.
راندمان انتخاب: زمانی که برای تحویل گرفتن محصولات از یک سفارش در فروشگاه نیاز است [۹].

۲٫ بررسی ادبیات

پس از بررسی و مطالعه ادبیات، زنجیره تامین آنلاین مواد غذایی کامل از تولید تا مصرف کننده نهایی را مشخص کردیم که در شکل ۱. یک زنجیره ارزش فرعی برای انجام سفارش نیز در همین شکل ارائه شده است. این تحقیق همانطور که در نشان داده شده است بر مرحله انجام سفارش خرید آنلاین خواربارفروشی متمرکز است شکل ۱و به طور خاص در مورد فرآیند انتخاب سفارش.

در ادبیات، استراتژی های زیادی برای بهینه سازی انتخاب سفارش پیشنهاد شده است. محققان انتخاب سفارش را به دو بخش عمده دسته بندی کرده اند. بخش اول روش‌های انتخاب سفارش است، که در آن تمرکز حیاتی، استراتژی تلفیق سفارش‌های مشتری است، به طوری که سفارش‌ها در سریع‌ترین زمان ممکن با حداقل تلاش انتخاب شوند. بخش دوم مسیریابی سفارش است که به ترتیب انتخاب اقلام مربوط می شود تا مسافت طی شده توسط انتخاب کننده به حداقل برسد. [۹].

در ادبیات، رویکردهای رایج انتخاب سفارش، انتخاب تک سفارش هستند [۶]، انتخاب دسته ای سفارش [۱۰]، و انتخاب سفارش منطقه [۱۰]. جزئیات هر رویکرد در زیر ارائه شده است. محققان این رویکردهای انتخاب سفارش را به صورت جداگانه اتخاذ کردند و بهترین رویکرد مسیریابی را برای هر مورد انتخاب کردند. در این تحقیق، هدف تمرکز بر هر سه نوع انتخاب سفارش و همچنین ترکیب آنها (رویکرد ترکیبی) و پیشنهاد بهترین مسیریابی برای هر سفارش بود.

۲٫۱٫ انتخاب تک سفارش

انتخاب تک سفارش جایی است که هر سفارش به صورت جداگانه انتخاب می شود. به عبارت دیگر، در هر تور برداشت یک سفارش انتخاب می شود. این روش چیدن برای سفارشات نسبتاً بزرگ مناسب است. گاهی اوقات به این روش چیدن، چیدن به صورت سفارشی یا گسسته می گویند [۱۰]. Vazquez- Noguerol و همکاران (۲۰۲۰) بهینه سازی تک سفارش را در فروشگاه های مواد غذایی مطالعه کردند. با این حال، هدف اصلی این بود که برای افزایش کارایی، زمان‌بندی سفارش در همان روز انجام شود [۷].

۲٫۲٫ انتخاب دسته ای سفارش

انتخاب دسته ای خط مشی ترکیب چندین سفارش در یک تور انتخابی است که توسط یک انتخاب کننده انجام می شود. این روش برداشت برای سفارش های کوچک مناسب است، زیرا منجر به کاهش زمان مسیریابی می شود [۱۰]. Valle و همکاران (۲۰۱۷) بر روی الگوریتم دقیق برای انتخاب سفارش و دسته بندی تمرکز کردند. با این حال، مطالعه آنها فقط دسته بندی را به عنوان یک روش چیدن مورد توجه قرار داد [۱۱]. مطالعه دیگری توسط Yadav و همکاران (۲۰۱۹) از رویکرد اکتشافی دو فازی استفاده کرد. با این حال، تمرکز نویسندگان بر انتخاب دسته ای سفارش به عنوان یک سیاست تجمیع بود [۹].

۲٫۳٫ انتخاب سفارش منطقه

انتخاب سفارش منطقه جایی است که منطقه برداشت به چندین منطقه تقسیم می شود و هر انتخاب کننده به یک منطقه اختصاص می یابد. این بدان معنی است که هر انتخاب کننده فقط بخشی از سفارش را در منطقه تعیین شده خود انتخاب می کند. در مقایسه با سایر روش‌های چیدن، روش منطقه‌بندی علیرغم تأثیر قابل توجه آن بر کارایی انجام سفارش، توجه کمی را در تحقیقات انتخاب سفارش به خود جلب کرده است. یکی از مزایای انتخاب سفارش منطقه، مقدار کوتاهی سفر مورد نیاز هر انتخاب کننده است، زیرا آنها به یک منطقه خاص اختصاص داده می شوند. مزیت دیگر کاهش تراکم ترافیک است.

علاوه بر این، از یک سو، اختصاص یک جمع کننده به یک منطقه یک مزیت محسوب می شود، زیرا باعث افزایش آشنایی جمع کننده با موارد مختلف در منطقه خود می شود. از سوی دیگر، نقطه ضعف اصلی انتخاب سفارش منطقه، فرآیند اضافه شده تجمیع سفارشات از هر منطقه قبل از ارسال به مشتری است. [۱۰]. اریکسون و همکاران (۲۰۱۹) انتخاب سفارش منطقه ای برای خواربار، اما از یک انبار و نه مستقیماً از یک فروشگاه را مطالعه کردند. [۱۲]. میز ۱ در زیر استراتژی‌های انتخاب سفارش، مسئله تحقیق و اهداف بهینه‌سازی برای مطالعات مرتبط خلاصه می‌شود [۱۳].

۳٫ روش تحقیق

بر اساس هدف تحقیق فوق، روش تحقیق زیر تدوین شد.

۳٫۱٫ جمع آوری داده ها

داده ها از رویه واقعی در صنعت خرید آنلاین مواد غذایی جمع آوری شد. اولین مجموعه داده شامل سوابق انجام سفارشات تاریخی از یک هایپرمارکت بزرگ است. مجموعه دوم چیدمان هایپر مارکت و قرار دادن اقلام مختلف در داخل فروشگاه است. داده ها از یک برنامه خواربار فروشی آنلاین بزرگ سعودی که در چندین شهر در سراسر پادشاهی فعالیت می کند، به دست آمده است. به‌علاوه، ما داده‌های بیشتری در مورد مکان‌یابی محصولات و طرح‌بندی هایپرمارکت جمع‌آوری کردیم زیرا برنامه خواربارفروشی آنلاین این داده‌ها را نداشت.

به منظور توسعه مدل‌های انتخاب سفارش کارآمد، داده‌های واقعی از یک برنامه خواربارفروشی آنلاین بزرگ سعودی (که با نام XYZ مشخص می‌شود، زیرا مدیریت آن از افشای هویت آن خودداری می‌کند) به‌دست آمد که در چندین شهر در سراسر پادشاهی فعالیت می‌کند.

مجموعه داده ها شامل سوابق انجام سفارشات تاریخی از یک هایپرمارکت بزرگ در ریاض است که یک دوره ۶ ماهه را پوشش می دهد که از ۱۷ آوریل شروع می شود و در ۱۷ اکتبر ۲۰۲۱ به پایان می رسد. مکان هایپر مارکت با در نظر گرفتن چندین عامل از جمله در دسترس بودن داده ها انتخاب شده است. امکان بازدید از هایپر مارکت و توانایی جمع آوری داده های کمی و کیفی بیشتر در مورد طرح هایپر مارکت و مکان های محصولات آن. از آنجایی که برنامه خواربار فروشی آنلاین این داده ها را ندارد، داده های بیشتری جمع آوری شد. این فرآیند به صورت دستی با ترسیم طرح هایپر مارکت و اندازه گیری با استفاده از دستگاه اندازه گیری لیزری (Bosch GLM 120 C Professional خریداری شده از ریاض، عربستان سعودی) انجام شد. سپس با استفاده از نرم افزار اتوکد (نسخه ۲۳٫۱) طرح نهایی هایپرمارکت ترسیم شد. همچنین، قرار دادن محصول در طرح برای هر راهرو از هایپر مارکت ذکر شده است. جدول ۲ آمار کلی داده های جمع آوری شده را نشان می دهد.

جدول ۳ ساختار داده درخواست شده از XYZ مورد نیاز برای توسعه مدل انتخاب سفارش فعلی را نشان می دهد.

شکل ۲ طرح هایپر مارکت ترسیم شده با نرم افزار اتوکد (نسخه ۲۳٫۱) را نشان می دهد. شکل همچنین شماره راهروهای مربوط به دسته بندی محصولات را نشان می دهد جدول ۴.

۳٫۲٫ پاک کردن داده

پس از دریافت داده ها از XYZ، یک ارزیابی کامل برای ارزیابی کیفیت و قابلیت استفاده آنها انجام شد. مشکلات آشکاری با نقاط داده ناقص و تکراری وجود داشت. همچنین، برخی ناهماهنگی ها در مورد قالب داده ها مشاهده شد. علاوه بر این، پس از تجزیه و تحلیل داده های فعلی، برداشت با کارایی پایین مشاهده شد. این راندمان پایین به دلیل عدم تجربه برخی از جمع کننده ها است. این دستورات برای افزایش دقت مدل انتخاب سفارش فعلی و متعاقباً مدل‌های پیشنهادی حذف شدند. سفارشات کم کارآمد به هر سفارشی که بیش از ۱۰ دقیقه زمان برای انتخاب یک مورد داشته باشد، تعریف می شود. این بدان معناست که جمع کننده بیش از ۱۰ دقیقه برای انتخاب یک محصول صرف کرده است. با توجه به ابعاد هایپر مارکت، صرف این زمان برای انتخاب یک محصول به این معنی است که جمع کننده بی تجربه است یا به دلایلی قطع شده است. فرآیند پاکسازی داده‌ها شامل حذف داده‌های ناقص، حذف سفارش‌های تکراری، حذف سفارش‌هایی با فرمت متناقض، و حذف انجام سفارش‌های کم کارآمد بود. پس از پیگیری فرآیند پاکسازی، مجموعه داده ها از ۴۷۴۴۲ سفارش به ۱۴۸۱۵ سفارش و تعداد اقلام انتخابی از ۱۰۳۹۴۱۹ مورد به ۱۹۳۳۶۴ مورد کاهش یافت. اگرچه فرآیند پاکسازی بیش از ۵۰ درصد از داده ها را حذف کرد، اما این امر به منظور بهبود اعتبار و دقت مدل ضروری بود.

۳٫۳٫ مدلسازی سیستم فعلی

در این مرحله با استفاده از نرم افزار Anylogic (نسخه ۸٫۸٫۲) یک مدل شبیه سازی از هایپرمارکت انتخابی توسعه داده شد. روش برداشت فعلی به عنوان چیدن تک سفارش طبقه بندی می شود. با این حال، مسیرها یا راهنمایی های خاصی را برای انتخاب کنندگان فراهم نمی کند. این مرحله توسعه مدل شبیه‌سازی فعلی را برای انتخاب سفارش خواربار توضیح می‌دهد. هدف استفاده از شبیه سازی برای بازتولید نتایج مشابه با مدل فعلی است.

۳٫۴٫ تایید و اعتبارسنجی مدل

به منظور تأیید صحت مدل در این مطالعه، فرآیندهای تأیید و اعتبار سنجی برای اطمینان از اینکه دقیقاً رفتار واقعی سیستم را نشان می‌دهد، اجرا شد.

شکل ۳ یک نمای کلی از فرآیند تأیید و اعتبار سنجی را نشان می دهد. “سیستم فعلی” به سیستم واقعی که داده ها از آن به دست آمده اند اشاره دارد. سیستم فعلی می تواند یک مشکل، زیرسیستم یا یک سیستم کامل باشد. “فرمول بندی مدل” شامل معادلات ریاضی، مدل مفهومی و داده های مورد نیاز برای مدل سازی سیستم فعلی است. “مدل شبیه سازی” نماد اجرای نرم افزار فرمول بندی مدل است. فرآیند انتخاب ویژگی‌ها و تقریب‌های ریاضی که نشان‌دهنده سیستم فعلی در فرمول‌بندی مدل است، مدل‌سازی نامیده می‌شود. ارزیابی دقت این مدل‌سازی تایید نامیده می‌شود. فرآیند تأیید بر شناسایی و حذف خطاها در توسعه نرم افزار متمرکز است. تأیید را می توان با انجام دو فعالیت انجام داد: تأیید کد و محاسبه. تأیید کد شامل شناسایی و حذف خطاهای کد نرم افزار است. تأیید محاسبات مربوط به خطاهای کمی سازی معرفی شده در طول کاربرد نرم افزار شبیه سازی است. در نهایت، فعالیت اعتبارسنجی بر کمی کردن دقت مدل با مقایسه نتایج شبیه‌سازی با داده‌های تجربی از مدل واقعی متمرکز است. [۲۵]. برای این مطالعه، اعتبار مدل با اتخاذ پنج معیار به دست آمد که عبارت بودند از بازنگری منطق و خروجی مدل، مشاهده فرآیند تحقق واقعی، مشاهده انیمیشن مدل، کالیبراسیون پارامتر، و دو نمونه. تی-تست. این اقدامات در بخش ۵٫۵ (تأیید و اعتبار مدل).

۳٫۵٫ مدل‌های انتخاب سفارش پیشنهادی

در این مرحله، مدل‌های جدیدی از روش‌های مختلف چیدن برای افزایش کارایی و استفاده از فرآیند انجام سفارش آنلاین خواربار تهیه می‌شود. هدف اصلی این مدل‌ها بهبود روش‌های مسیریابی و انتخاب سفارشات مواد غذایی است. هر مدل پیشنهادی از روش انتخاب سفارش متفاوت به شرح زیر استفاده می کند:

۳٫۶٫ محدودیت ها و مفروضات

پس از گفتگوهای یک به یک با مدیریت عملیات یک برنامه عمده خواربار فروشی آنلاین، باید مفروضات و محدودیت های متعددی را در نظر گرفت، مانند این واقعیت که انتخاب با استفاده از چرخ دستی های هایپرمارکت (چرخ دستی) انجام می شود. علاوه بر این، این مدل در یک سوپرمارکت/هایپرمارکت که کاملاً عملیاتی است و برای مصرف کنندگان عادی قابل دسترسی است، قابل استفاده است. علاوه بر این، این مدل فرض می‌کند که کسب‌وکار خواربارفروشی آنلاین نمی‌تواند محل قرارگیری محصولات فروشگاه را تغییر دهد.

۴٫ مدلسازی سیستم فعلی

در این بخش مدل شبیه سازی هایپرمارکت انتخاب شده با استفاده از نرم افزار Anylogic (نسخه ۸٫۸٫۳) ساخته شده است. روش برداشت فعلی به عنوان چیدن تک سفارش طبقه بندی می شود. با این حال، مسیرها یا راهنمایی های خاصی را برای انتخاب کنندگان فراهم نمی کند. این بخش توسعه مدل شبیه‌سازی را برای روش فعلی انتخاب سفارش خواربار توضیح می‌دهد. هدف استفاده از شبیه سازی برای بازتولید نتایج مشابه با داده های تاریخی است. هر بخش فرعی بعدی فرآیند مدل‌سازی عملکرد فعلی را با جزئیات، با توسعه مدل مفهومی، انتخاب نرم‌افزار شبیه‌سازی، طراحی مدل دقیق، اجرای شبیه‌سازی، و تأیید و اعتبارسنجی مدل شروع می‌کند و با تجزیه و تحلیل نتیجه پایان می‌دهد. این فرآیندها به طور مفصل در این بخش توضیح داده شده است.

۴٫۱٫ توسعه مدل مفهومی

در این مرحله، یک مدل مفهومی سطح بالا برای نشان دادن سیستم توسعه می‌یابد. این مدل یک نسخه ساده شده از سیستم دنیای واقعی را نشان می دهد که موجودیت های اولیه، تعاملات آنها و پویایی های کلیدی را مشخص می کند. فرآیند فعلی زمانی شروع می‌شود که یک انتخاب‌کننده سفارشی را برای انجام با استفاده از برنامه شرکت دریافت کند. سپس، انتخاب کننده به دنبال مسیریابی و توالی تصادفی، اقدام به اضافه کردن موارد مورد نیاز به چرخ دستی می کند. پس از تکمیل سفارش، انتخاب کننده به صندوقدار می رود تا سفارش را برای تحویل پردازش کند. شکل ۴ جزئیات فرآیند انجام سفارش فعلی را نشان می دهد.

۴٫۲٫ انتخاب نرم افزار شبیه سازی

توجه کامل به انتخاب یک نرم افزار شبیه سازی مناسب بر اساس پیچیدگی مدل، اهداف و الزامات دقیق مطالعه انجام شد. انتخاب های معروف شامل نرم افزارهایی مانند AnyLogic، Simio و Arena است. انتخاب AnyLogic برای این مطالعه بر اساس قابلیت آن به عنوان یک ابزار شبیه‌سازی چند روشی است که سه روش مدل‌سازی اصلی را ترکیب می‌کند: شبیه‌سازی رویداد گسسته، مدل‌سازی مبتنی بر عامل، و دینامیک سیستم. برای این تحقیق از AnyLogic نسخه ۸٫۸٫۲ استفاده شد [۲۶].

۴٫۳٫ طراحی مدل تفصیلی

با استفاده از نرم افزار شبیه سازی، مدل شبیه سازی فعلی توسعه داده شد. این مدل شامل تعریف نهادهای سیستم، اجزاء، رویدادها، منابع و منطق مرتبط با آن است که رفتارها و تعاملات آنها را کنترل می کند. مدل شبیه‌سازی با استفاده از مدل‌سازی مبتنی بر عامل طراحی شده است، که در آن عوامل بلوک‌های اصلی ساختمان هستند. عامل واحدی از طراحی مدل است که می‌تواند حافظه (داده‌های تاریخی)، رفتار، زمان‌بندی و مخاطبین داشته باشد. در AnyLogic، عوامل ممکن است نشان دهنده چیزهای مختلفی باشند: تجهیزات، پروژه ها، محصولات، وسایل نقلیه، سازمان ها، طرح های سرمایه گذاری، طرح، افراد در نقش های مختلف و غیره. عامل مدل و عامل منطقی. بخش های فرعی زیر توضیحی جامع در مورد هر عامل ارائه می دهد [۲۶].

برای در نظر گرفتن چیدمان هایپرمارکت فعلی، شبکه ای از مسیرها و گره ها به مدل اضافه شد، همانطور که در نشان داده شده است. شکل ۵. مسیرها راهروهای هایپرمارکت و هر راهرو دیگری هستند که انتخاب کننده ممکن است از آن استفاده کند. گره ها مکان های پیک آپ را از راهروها، نقاط شروع و نقاط پایانی فرآیند چیدن نشان می دهند. از آنجایی که مطالعه از راهرو دسته برای تعریف مکان هر آیتم استفاده می کند، یک گره با مکان مرکزی برای هر مجموعه از راهروها در همان دسته استفاده می شود.

چندین پارامتر در مدل گنجانده شده است و می توان آنها را برای یافتن خروجی که با مدل فعلی مطابقت دارد تنظیم کرد. از آنجایی که مقادیر واقعی در دسترس نبود، این پارامترها از طریق کالیبراسیون پارامتر تعیین شدند.

اولین پارامتر “سرعت جمع کننده” بود که میانگین سرعتی را که انتخاب کننده در سرتاسر هایپر مارکت حرکت می کند را محاسبه می کند. پارامتر دوم “زمان برای یافتن یک محصول در راهرو” بود که نشان دهنده میانگین مدت زمانی است که انتخاب کننده برای جستجوی محصول مورد نیاز نیاز دارد. سومین پارامتر “زمان انتخاب محصول” بود. و اگر مقادیر اضافی از همان محصول وجود داشته باشد، “زمان انتخاب هر آیتم اضافی از همان محصول” به عنوان پارامتر چهارم استفاده می شود. کل زمان انتخاب یک محصول را می توان با استفاده از رابطه زیر (۱) محاسبه کرد:

$تی o تی آ ل تی من متر ه تی o پ من ج ک آ پ r o د تو ج تی = {تی}_{۲} + (س - ۱) د$

(۱)

جایی که ${تی}_{۲}$ “زمان انتخاب یک محصول” است، $س$ مقدار هر محصول است و $د$ “زمان انتخاب هر مورد اضافی از همان محصول” است. این معادله دقت مدل را افزایش می دهد، زیرا انتخاب چندین مورد از یک محصول مشابه با انتخاب محصولات مختلف نیست. این تفاوت به توانایی انتخاب کننده برای بارگذاری چندین آیتم در سبد خرید در یک حرکت نسبت داده می شود. علاوه بر این، برای محاسبه کل زمان انجام یک سفارش، معادله (۲) زیر ایجاد شد که حرکت جمع کننده بین راهروها و همچنین زمان لازم برای یافتن محصولات را در نظر می گیرد:

$تی o تی آ ل تی من متر ه تی o f تو ل f من ل ل آ n o r د ه r = \sum (\frac{D}{اس}) + {تی}_{۱} + {تی}_{۲} + {((س - ۱) د)}_{j}$

(۲)

جایی که D فاصله بین مکان انتخاب کننده فعلی تا قرار دادن محصول بعدی در لیست است، ${تی}_{۱}$ “زمان یافتن یک محصول در یک راهرو است، و $j$ همه محصولات به ترتیب است.

پس از آن، کالیبراسیون پارامتر به عنوان معیاری برای بهبود دقت مدل در فرآیند اعتبار سنجی استفاده شد. اصطلاح کالیبراسیون پارامتر به فرآیند انجام تنظیمات مدل تکراری اشاره دارد، در حالی که نتایج مدل را با نتایج واقعی سیستم مقایسه می‌کند. [۲۷]. کالیبراسیون پارامترها با استفاده از جستجوی پراکنده انجام شد که یک فراابتکاری مبتنی بر جمعیت است که برای بهینه‌سازی استفاده می‌شود. کالیبراسیون با استفاده از OptQuest انجام شد که یک ماژول بهینه سازی در Anylogic است که بر اساس متدولوژی جستجوی پراکندگی است و به طور متناوب از سایر تکنیک های اکتشافی برای افزایش کارایی فرآیند بهینه سازی استفاده می کند. OptQuest معمولاً به دلیل ادغام یکپارچه با نرم افزار شبیه سازی و نقش برجسته آن در ادبیات به عنوان ابزار اصلی روش شناسی جستجوی پراکنده مورد استفاده قرار می گیرد. [۲۸,۲۹,۳۰,۳۱,۳۲,۳۳]. بهینه ساز با مدل شبیه سازی به عنوان یک “جعبه سیاه” برخورد می کند. این بدان معناست که Optimizer مقادیر متغیرهای تصمیم را به مدل شبیه سازی ارائه می دهد و در مقابل، مدل شبیه سازی یک محاسبه تابع هدف را ارائه می دهد. [۳۴].

تابع هدف میانگین مربعات خطا (MSE) “میانگین زمان تحقق هر محصول” بین خروجی شبیه سازی و داده های واقعی را به حداقل می رساند. بنابراین، میانگین زمان انجام هر سفارش به عنوان معیار اولیه برای بهبود اعتبار مدل شبیه‌سازی در نظر گرفته می‌شود. کالیبراسیون پارامتر یک راه حل شبه بهینه از مجموعه ای از پارامترها را برمی گرداند که MSE را به حداقل می رساند. از آنجایی که این الگوریتم بهینه سازی از اکتشافی جستجوی پراکندگی برای جستجوی راه حل بهینه استفاده می کند، محدودیت های واقعی برای هر پارامتر به منظور به حداقل رساندن زمان شبیه سازی و بهبود نتایج مورد نیاز است. این محدودیت ها با مشاهده انتخابگر در سیستم واقعی تعیین می شوند:

سرعت جمع کننده بین ۱ تا ۵ کیلومتر در ساعت؛
زمان پیدا کردن محصول در یک راهرو بین ۱ تا ۶۰ ثانیه؛
زمان انتخاب محصول بین ۱ تا ۵ ثانیه؛
زمان انتخاب هر مورد اضافی از همان محصول بین ۰٫۱ تا ۲ ثانیه است.

نتایج در ارائه شده است جدول ۵.

۴٫۴٫ اجرای شبیه سازی

بر اساس تابع و پارامترهای تعریف شده در بخش های قبل، مدل شبیه سازی اجرا شد. مدل شبیه‌سازی برای پوشش یک دوره ۶ ماهه تنظیم شد که از ۱۷ آوریل شروع می‌شود و در ۱۷ اکتبر ۲۰۲۱ به پایان می‌رسد. این تاریخ‌ها منعکس‌کننده تاریخ‌های داده‌های واقعی به‌دست‌آمده از XYZ هستند. تعداد سفارشات انجام شده در مدل شبیه سازی برابر با ۱۴۸۱۵ سفارش و تعداد موارد انتخاب شده ۱۹۳۳۶۴ مورد بوده است. همچنین تعداد کل جمع کننده ها ۲۸۸ نفر بود.

۴٫۵٫ تایید و اعتبارسنجی مدل

فرآیند تأیید بر شناسایی و حذف خطاها در اجرای نرم افزار متمرکز است. تأیید مدل با انجام دو فعالیت انجام می شود: تأیید کد و محاسبه. راستی‌آزمایی کد با شناسایی و حذف خطاها در کد نرم‌افزار شبیه‌سازی انجام می‌شود، در حالی که تأیید محاسباتی با تجدید نظر در خطاهای کمی‌سازی معرفی‌شده در طول کاربرد نرم‌افزار شبیه‌سازی انجام می‌شود.

به منظور اعتبارسنجی دقت مدل در این مطالعه، فرآیندهای اعتبارسنجی برای اطمینان از اینکه مدل شبیه‌سازی به‌طور دقیق رفتار واقعی سیستم را نشان می‌دهد، اجرا شد. فرآیندهای اعتبار سنجی در زیر ارائه شده است شکل ۶. اعتبارسنجی ابتدا با تجدید نظر در منطق و خروجی مدل، با ورودی مدیران XYZ در مورد دقت مدل به دست آمد. اقدام دوم برای اعتبارسنجی مدل با مشاهده فرآیند تحقق واقعی در همان هایپر مارکت اجرا شد. علاوه بر این، مشاهده انیمیشن مدل در طول اجرای شبیه‌سازی به عنوان سومین فرآیند اعتبار سنجی عمل کرد. این به ما اجازه داد تا رفتار مدل و اجزای مختلف آن را بررسی کنیم. چهارمین فرآیند اعتبارسنجی، کالیبراسیون پارامتر بود که به فرآیند ایجاد تنظیمات مدل تکراری اشاره دارد، در حالی که نتایج مدل را با نتایج واقعی سیستم مقایسه می‌کند. آزمایش کالیبراسیون پارامتر به تفصیل در مورد بحث قرار گرفته است بخش ۴٫۳ (طراحی مدل تفصیلی).

این چهار معیار اعتبار مدل را تأیید کردند و به عنوان پنجمین و آخرین معیار برای اعتبارسنجی مدل شبیه‌سازی، یک دو نمونه تی-آزمون برای مقایسه داده های واقعی با خروجی شبیه سازی انجام شد. نتایج این در ارائه شده است بخش ۴٫۶ [۳۵].

۴٫۶٫ تحلیل نتایج مدل شبیه سازی

تجزیه و تحلیل نتایج شبیه سازی شامل محاسبه معیارهای آماری و معیارهای عملکرد بود. یک نمایش گرافیکی از نتایج نیز ارائه شده است. علاوه بر این، یک نمونه دو تی-آزمون برای مقایسه داده های تاریخی با خروجی شبیه سازی انجام شد. همانطور که در نشان داده شده است، یک تجزیه و تحلیل آماری توصیفی از نتایج مدل انجام شد جدول ۶.

برای جدول فوق، می توان مشاهده کرد که میانگین زمان انجام هر سفارش ۱۲٫۶۱ دقیقه است، در حالی که ۵۹٫۸۲ ثانیه میانگین زمان انجام هر محصول است. در نهایت، میانگین مسافت جابجا شده برای هر محصول ۴۳٫۴۴ متر است. در مقایسه با داده های واقعی، میانگین مشابهی را می توان برای همه پیامدها مشاهده کرد، که نشان می دهد مدل شبیه سازی شده در تکرار داده های واقعی معتبر است. این شباهت نیاز به اثبات آماری دارد.

انحراف استاندارد، که میزان انحراف نتایج از میانگین را کمی می کند، با انحراف استاندارد داده های واقعی سازگار است. علاوه بر این، حداقل و حداکثر نیز مشابه مقادیر مربوط به داده های واقعی است.

گام بعدی در اعتبارسنجی مدل شبیه سازی، همانطور که در ارائه شده است شکل ۶، دو نمونه بود تی-تست. این برای مقایسه داده های تاریخی با خروجی شبیه سازی برای هر یک از سه نتیجه اصلی ارائه شده در بالا انجام شد جدول ۶. این آزمون با هدف بررسی اینکه آیا تفاوت معنی‌داری در نتایج بین داده‌های تاریخی و مدل شبیه‌سازی وجود دارد یا خیر. دو فرضیه به شرح زیر است:

فرضیه صفر (H₀: تفاوت معنی داری در میانگین نتایج داده های واقعی وجود ندارد (μ_۱) و مدل های شبیه سازی (μ_۲).

فرضیه جایگزین (H_آ: تفاوت معنی داری در میانگین نتایج داده های واقعی وجود دارد (μ_۱) و مدل های شبیه سازی (μ_۲).

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. یافته های دقیق این آزمایشات در زیر ارائه شده است جدول ۷.

همانطور که در جدول بالا مشخص است، پ-مقدار برای هر پیامد بیش از ۰۵/۰ بود و فرضیه صفر رد نشد که نشان می‌دهد تفاوت معناداری بین مدل شبیه‌سازی و داده‌های واقعی وجود ندارد.

تجزیه و تحلیل آماری به این نتیجه رسید که بین داده های واقعی و مدل شبیه سازی برای هر سه متغیر تفاوت معنی داری وجود ندارد. سطح اطمینان فردی ۹۹٫۸۴٪ با نرخ خطای تقریباً ۰٫۲۶٪ یا اختلاف تنها ۰٫۰۲۶ دقیقه بین خروجی داده های شبیه سازی شده و واقعی مطابقت دارد. این اعتبار مدل شبیه سازی شده را تایید کرد و به ما اجازه داد تا مدل های جدید ارائه شده در آن را توسعه دهیم بخش ۵.

که در بخش ۵مدل‌های جدیدی از روش‌های مختلف چیدن برای افزایش کارایی و استفاده از فرآیند انجام سفارش خواربار آنلاین ایجاد شد. هدف اصلی این مدل‌ها بهبود روش‌های مسیریابی و چیدن سفارشات مواد غذایی بود. هر مدل پیشنهادی از روش انتخاب سفارش متفاوتی استفاده می‌کند: انتخاب تک سفارش، انتخاب دسته‌ای، انتخاب سفارش منطقه، و انتخاب سفارش ترکیبی که ترکیبی از منطقه و انتخاب سفارش دسته‌ای است.

۵٫ مدل‌های انتخاب سفارش پیشنهادی

پس از اعتبارسنجی مدل شبیه‌سازی فعلی، مدل‌های جدیدی از روش‌های مختلف چیدن برای افزایش کارایی و استفاده از فرآیند انجام سفارش خواربار آنلاین توسعه داده شد. هدف اصلی این مدل‌ها بهبود روش‌های مسیریابی و چیدن سفارشات مواد غذایی بود. هر مدل پیشنهادی از روش انتخاب سفارش متفاوتی استفاده می‌کند که در زیر بیان شده است:

در این بخش، رویکرد بهینه‌سازی با استفاده از الگوریتم ژنتیک برای هر مدل انتخاب سفارش پیشنهادی اتخاذ شد. هدف بهبود مسیریابی در هر مدل بود. پس از آن، هر یک از توسعه مدل انتخاب سفارش پیشنهادی ارائه شده است. به دنبال آن یک تحلیل مقایسه ای انجام می شود که در مورد بهبود مدل پیشنهادی نسبت به مدل شبیه سازی فعلی بحث می کند. در نهایت، این بخش با تجزیه و تحلیل و مقایسه تمام مدل های پیشنهادی فوق به پایان می رسد.

مدل‌های انتخاب سفارش نشان‌دهنده یک مسئله مسیریابی وسیله نقلیه (VRP) هستند و در این مطالعه، آنها با استفاده از یک الگوریتم ژنتیک بهینه‌سازی شدند. پارامترهای الگوریتم ژنتیک به رویکرد بهینه‌سازی اضافه شد و در هر مدل انتخاب سفارش پیشنهادی اتخاذ شد. پارامترها تعداد انتخابگرها در جمعیت، تعداد نسل‌ها، احتمال متقاطع و احتمال جهش بود. این پارامترها را می توان به صورت زیر توصیف کرد: تعداد جمع کننده ها در جمعیت به تعداد اولیه جمع کننده های موجود برای هر سفارش اشاره دارد. مسیرهای این انتخاب‌کننده‌ها به‌طور تصادفی انتخاب می‌شوند (مشابه داده‌های تاریخی)، در حالی که تعداد نسل‌ها تعداد تکرارهایی است که بهینه‌سازی تکرار می‌شود. هرچه این تعداد بیشتر باشد، نتایج بهتری حاصل می شود. احتمال متقاطع نشان دهنده درصد انتخاب کنندگانی است که در هر نسل از یکدیگر عبور می کنند. به عنوان مثال، اگر ما ۱۰ انتخاب کننده و ۰٫۵ احتمال متقاطع داشته باشیم، به این معنی است که ۰٫۵ × ۱۰ = ۵ جمع کننده جدید در هر نسل جدید تولید می شود. در نهایت، احتمال جهش، احتمال یک مسیر متقاطع ایجاد شده برای جهش است. جدول ۸ مقادیر هر پارامتر را نمایش می دهد [۳۶].

۵٫۱٫ مدل انتخاب تک سفارش

انتخاب تک سفارش به فرآیند انتخاب هر سفارش به صورت جداگانه اشاره دارد. به عبارت دیگر، در هر فرآیند تکمیل سفارش، یک سفارش توسط یک انتخاب کننده انتخاب می شود. این مدل پیشنهادی رویکرد بهینه‌سازی را برای مدل شبیه‌سازی فعلی، بدون معرفی هیچ گونه محدودیتی اعمال می‌کند، زیرا از همان روش انتخاب مدل موجود استفاده می‌کند.

برای این مدل، شبیه سازی برای دوره ۶ ماهه از ۱۷ آوریل تا ۱۷ اکتبر اجرا شد. تعداد سفارش های انجام شده در این مدل ۱۴۸۱۵ سفارش و تعداد اقلام انتخابی ۱۹۳۳۶۴ بوده است. همچنین تعداد کل انتخاب کننده ها ۲۸۸ نفر بود. برای تولید نتایج، مدل شبیه سازی همراه با فرآیند بهینه سازی اجرا شد. معیارهای آماری نتایج در ارائه شده است جدول ۹.

مشهود است از جدول ۹ که برای مدل انتخاب تک سفارش، میانگین زمان انجام هر سفارش ۱۱٫۷۸ دقیقه بود که کمتر از مدل فعلی (۱۲٫۶۱ دقیقه) است. همچنین میانگین زمان تکمیل هر محصول ۵۴٫۸۳ ثانیه بوده که نسبت به مدل فعلی (۵۹٫۸۲ ثانیه) کمتر است. علاوه بر این، میانگین مسافت جابجا شده برای هر محصول ۳۹٫۴۶ متر بود که نسبت به مدل فعلی (۴۳٫۴۴ متر) نیز کمتر است.

به منظور بررسی بهبود عملکرد در مدل انتخاب تک سفارش نسبت به مدل فعلی، یک دو نمونه تی-آزمون انجام شد. این آزمون برای هر یک از سه پیامد اصلی ارائه شده در بالا انجام شد جدول ۲، به منظور بررسی اینکه آیا تفاوت معنی داری در نتایج بین مدل انتخاب تک سفارش و مدل فعلی وجود دارد یا خیر. دو فرضیه به شرح زیر بود:

فرضیه صفر (H₀: تفاوت معنی داری در میانگین نتایج مدل انتخاب تک سفارش وجود ندارد (μ_۱) و مدل فعلی (μ_۲).

فرضیه جایگزین (H_آ: تفاوت معنی داری در میانگین نتایج مدل انتخاب تک سفارش وجود دارد (μ_۱) و مدل فعلی (μ_۲).

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. یافته های دقیق این آزمایشات در ارائه شده است جدول ۱۰.

همانطور که در جدول ۱۰، پ– مقدار برای هر نتیجه کمتر از ۰٫۰۵ بود و فرضیه صفر رد شد، که تأیید می کند که بین مدل انتخاب تک سفارش و مدل فعلی تفاوت معنی داری وجود دارد. علاوه بر این، به منظور اندازه گیری بهبود عملکرد در مدل پیشنهادی نسبت به مدل فعلی، درصد تغییر نسبی برای هر پیامد محاسبه شد. این با استفاده از رابطه زیر (۳) محاسبه شد:

$سی = \frac{{ایکس}_{۲} - {ایکس}_{۱}}{{ایکس}_{۱}} \times ۱۰۰$

(۳)

جایی که $سی$ درصد تغییر نسبی است، ${ایکس}_{۱}$ مقدار اولیه (عملکرد مدل فعلی)، و ${ایکس}_{۲}$ مقدار جدید (عملکرد مدل پیشنهادی) است. جدول ۱۰ در بالا درصد بهبود مدل انتخاب سفارش واحد را نسبت به مدل فعلی برای هر نتیجه نشان می دهد.

بهبودهای واضحی را می توان در هر معیار عملکرد مدل انتخاب سفارش واحد نسبت به مدل فعلی مشاهده کرد. از آنجایی که روش انتخاب تک سفارش قبلاً در مدل فعلی استفاده شده است، این پیشرفت‌ها به دلیل بهینه‌سازی مسیریابی انتخابگر در طول انجام سفارش است. از آنجایی که هیچ تغییری در روش برداشت ایجاد نمی کند، اجرای روش پیشنهادی ساده خواهد بود. هنگام اعمال مدل پیشنهادی، انتخابگر به جای تکیه بر عقل سلیم یا استفاده از یک دنباله تصادفی، سفارش را در دنباله محصول بهینه شده انجام می دهد.

۵٫۲٫ مدل انتخاب دسته ای

روش انتخاب دسته ای شامل ادغام بسیاری از سفارش ها در یک تور انتخابی است که توسط یک انتخاب کننده انجام می شود. این روش انتخاب برای سفارش‌های کوچک ایده‌آل است زیرا با انتخاب چندین سفارش در یک تور، زمان مسیریابی را کاهش می‌دهد. این مدل برای بهبود عملکرد مدل فعلی با بهینه سازی روش چیدن و توالی طراحی شده است.

سه پارامتر جدید در مدل انتخاب سفارش دسته‌ای معرفی شده‌اند: زمان انتظار برای دسته‌ای، حداکثر تعداد سفارش‌ها در یک دسته و حداکثر تعداد اقلام در یک دسته. اینها پارامترهای محدود کننده هستند و انتخابگر زمانی که هر یک از سه محدودیت برآورده شد، فرآیند تکمیل را آغاز می کند. پارامتر اول، زمان انتظار برای دسته‌ای، نشان‌دهنده مدت زمانی است که انتخاب‌کننده قبل از شروع به جمع‌آوری دسته‌ای از سفارش‌ها منتظر می‌ماند، مگر اینکه یکی از دو محدودیت دیگر برآورده شود. زمان انتظار بر روی ۳۰ دقیقه تنظیم شده است، که پنجره زمانی واقعی را در نظر می گیرد که انتظار می رود مشتریان سفارشات خود را دریافت کنند، با حداکثر محدودیت ۲ ساعت. پارامتر دوم، حداکثر تعداد سفارش‌ها در یک دسته، نشان‌دهنده حداکثر تعداد سفارش‌های مجاز برای انتخاب در یک تور تکمیلی است. این پارامتر به دلیل محدودیت استفاده از سبد خرید معمولی هایپرمارکت روی چهار سفارش/دسته تنظیم شده است. در نهایت، پارامتر حداکثر تعداد اقلام در یک دسته، حداکثر تعداد مواردی است که از همه سفارش‌ها مجاز به انتخاب در یک تور تکمیلی واحد هستند. این پارامتر روی ۱۵۵ آیتم/دسته تنظیم شده است، زیرا نشان دهنده بزرگترین سفارش در مدل فعلی است. کاهش این پارامتر به زیر این مقدار منجر به عدم اجرای کامل مدل بهینه سازی می شود. جدول ۱۱ مقادیر انتخاب شده برای هر پارامتر بچینگ را خلاصه می کند.

به منظور گنجاندن روش بچینگ در مدل شبیه سازی، یک تایمر برای محاسبه اولین پارامتر ذکر شده در بالا اضافه شد. وقتی اولین سفارش دریافت شد، تایمر شروع می شود. هنگامی که تایمر به زمان انتظار مشخص شده برای پارامتر دسته ای رسید، تمام سفارش های دریافت شده در این مدت به یک انتخاب کننده اختصاص داده می شود. اگر حداکثر تعداد سفارشات در یک دسته یا حداکثر تعداد اقلام در یک پارامتر دسته ای قبل از سپری شدن مدت زمان برآورده شود، دسته با سفارشات جمع آوری شده فعلی انتخاب می شود. با دریافت سفارش بعدی و تکرار همان فرآیند بچینگ، تایمر دوباره شروع می شود.

مشابه آخرین مدل پیشنهادی، مدل شبیه سازی برای یک دوره ۶ ماهه از ۱۷ آوریل تا ۱۷ اکتبر اجرا شد. تعداد سفارشات انجام شده در مدل پیشنهادی ۱۴۸۱۵ سفارش و تعداد اقلام انتخابی ۱۹۳۳۶۴ مورد بوده است. علاوه بر این، تعداد کل انتخاب کننده ها ۲۸۸ نفر بود. مدل شبیه سازی همراه با فرآیند بهینه سازی، به منظور تولید نتایج و معیارهای آماری نمایش داده شده در جدول ۱۲.

مشهود است از جدول ۶ که، برای مدل انتخاب دسته ای، میانگین زمان انجام هر سفارش ۱۲٫۴۲ دقیقه بود که بسیار کمتر از مدل فعلی (۱۲٫۶۱ دقیقه) است، در حالی که میانگین زمان انجام هر محصول ۵۵٫۷۶ ثانیه بود که به طور قابل توجهی کمتر از که برای مدل فعلی (۵۹٫۸۲ ثانیه). علاوه بر این، میانگین مسافت جابجا شده برای هر محصول ۴۰٫۵۴ متر بود که نسبت به مدل فعلی (۴۳٫۴۴ متر) نیز کمتر است.

در مقایسه با مدل فعلی، میانگین زمان انجام هر سفارش کمی کمتر مشاهده شد، در حالی که میانگین زمان انجام هر محصول و میانگین فاصله جابجا شده برای هر محصول میانگین قابل توجهی کمتری را نشان داد. این تفاوت نشان می دهد که مدل انتخاب سفارش دسته ای نسبت به مدل فعلی بهبودهایی در کارایی داشته است. به منظور بررسی بهبود عملکرد مدل جدید نسبت به مدل فعلی، دو نمونه تی-آزمون انجام شد. این آزمون برای هر یک از سه پیامد اصلی ارائه شده در بالا انجام شد جدول ۶، با هدف بررسی اینکه آیا تفاوت معنی داری در نتایج بین مدل انتخاب دسته ای و مدل فعلی وجود دارد یا خیر. دو فرضیه به شرح زیر بود:

فرضیه صفر (H₀: تفاوت معنی داری در میانگین نتایج مدل انتخاب سفارش دسته ای وجود ندارد (μ_۱) و مدل فعلی (μ_۲).

فرضیه جایگزین (H_آ): تفاوت معنی داری در میانگین نتایج مدل انتخاب سفارش دسته ای وجود دارد (μ_۱) و مدل فعلی (μ_۲).

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. یافته های دقیق این آزمایشات در ارائه شده است جدول ۱۳.

همانطور که در جدول بالا مشخص است، پ-مقادیر میانگین زمان انجام هر محصول و میانگین فاصله جابجایی هر محصول کمتر از ۰۵/۰ بود و فرضیه صفر رد شد که به این نتیجه رسید که بین مدل انتخاب سفارش دسته ای و مدل فعلی در مورد این دو تفاوت معناداری وجود دارد. معیارهای. با این حال پ-مقدار زمان انجام هر سفارش بیش از ۰٫۰۵ بود و فرضیه صفر رد نشد، که تأیید می کند که تفاوت معنی داری بین مدل انتخاب سفارش دسته ای و مدل فعلی در مورد این متریک وجود ندارد. این بی اهمیتی به این دلیل بود که روش انتخاب دسته ای زمان انجام هر سفارش را بهینه نمی کند، بلکه کارایی کلی همه سفارش ها را بهبود می بخشد، زیرا انتخاب کننده چندین سفارش را همزمان انجام می دهد.

علاوه بر این، بهبود عملکرد در مدل پیشنهادی نسبت به مدل فعلی در بالا ارائه شده است جدول ۸. این درصد با استفاده از رابطه تغییر نسبی (۳) از بخش آخر اندازه گیری شد.

بهبودهای واضحی را می توان در میانگین زمان انجام هر محصول و میانگین فاصله جابجا شده به ازای هر محصول در مدل انتخاب سفارش دسته ای نسبت به مدل فعلی مشاهده کرد، در حالی که زمان انجام هر سفارش به طور قابل توجهی در مدل پیشنهادی بهبود نیافته است. این پیشرفت‌ها به دلیل بهینه‌سازی روش برداشت و مسیریابی در حین انجام سفارش بود. استفاده از این روش پیشنهادی مستلزم قرار دادن چهار سبد خرید در هر سبد خرید است تا حداکثر چهار سفارش را به طور همزمان در خود جای دهد. هنگام استفاده از مدل پیشنهادی، انتخاب کننده سفارش را در دنباله بهینه شده انجام می دهد و هر محصول را در سبد اختصاص داده شده قرار می دهد.

۵٫۳٫ مدل انتخاب سفارش منطقه

روش انتخاب سفارش منطقه شامل تقسیم منطقه چیدن به چندین منطقه است که هر انتخاب کننده به یک منطقه اختصاص داده می شود. این بدان معنی است که هر انتخاب کننده فقط بخشی از سفارش مربوط به منطقه تعیین شده خود را انتخاب می کند. راهروهای هایپر مارکت به شش منطقه (A، B، C، D، E، و F) تقسیم می شوند که در زیر نشان داده شده است. شکل ۷ و جدول ۱۴.

مناطق نمایش داده شده در شکل ۷ و جدول ۱۴ بر اساس سه عامل ایجاد شدند. اولین عامل نزدیکی راهروها در هر منطقه بود که نیاز جمع کننده را برای پوشش مسافت های طولانی در همان منطقه به حداقل می رساند. دومین عاملی که در ایجاد مناطق در نظر گرفته شد، شباهت محصول بود، زیرا تخصص جمع کننده فرآیند چیدن را در طول زمان بهبود می بخشد. آخرین عامل تاریخچه اقلام انتخاب شده در هر منطقه ایجاد شده بود. جدول ۱۵ تعداد تاریخی مواردی را که در هر منطقه مربوطه انتخاب شده اند نشان می دهد.

مشابه مدل های پیشنهادی قبلی، مدل شبیه سازی برای دوره ۶ ماهه از ۱۷ آوریل تا ۱۷ اکتبر اجرا شد. تعداد سفارشات انجام شده در مدل پیشنهادی ۱۴۸۱۵ سفارش و تعداد اقلام انتخابی ۱۹۳۳۶۴ مورد بوده است. علاوه بر این، تعداد کل انتخاب‌کننده‌ها ۲۸۸ نفر بود. مدل شبیه‌سازی به همراه فرآیند بهینه‌سازی برای تولید نتایج و معیارهای آماری نمایش داده شده در جدول ۱۶.

از جدول فوق مشهود است که میانگین زمان انجام هر سفارش ۱۲٫۱۴ دقیقه بوده است که نسبت به مدل فعلی (۱۲٫۶۱ دقیقه) کمتر است. همچنین میانگین زمان تکمیل هر محصول ۵۷٫۹۸ ثانیه بوده که نسبت به مدل فعلی (۵۹٫۸۲ ثانیه) کمتر است. علاوه بر این، میانگین مسافت جابجا شده برای هر محصول ۴۱٫۹۷ متر بود که نسبت به مدل فعلی (۴۳٫۴۴ متر) نیز کمتر است.

در مقایسه با مدل فعلی، میانگین کمتری را می توان در تمام نتایج مشاهده کرد، که نشان دهنده بهبود کارایی در مدل انتخاب سفارش منطقه نسبت به مدل فعلی است. به منظور بررسی بهبود عملکرد مدل جدید نسبت به مدل فعلی، دو نمونه تی-آزمون انجام شد. دو نمونه تی-آزمون برای هر یک از سه پیامد اصلی ارائه شده در بالا انجام شد جدول ۱۱با هدف بررسی اینکه آیا تفاوت معناداری در نتایج بین مدل انتخاب سفارش منطقه و مدل فعلی وجود دارد یا خیر. دو فرضیه به شرح زیر بود:

فرضیه صفر (H₀: تفاوت معنی داری در میانگین نتایج مدل انتخاب نظم منطقه وجود ندارد (μ_۱) و مدل فعلی (μ_۲).

فرضیه جایگزین (H_آ: تفاوت معنی داری در میانگین نتایج مدل انتخاب نظم منطقه وجود دارد (μ_۱) و مدل فعلی (μ_۲).

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. یافته های تفصیلی این آزمایش ها در ارائه شده است جدول ۱۷.

همانطور که در جدول بالا مشخص است، پمقدار برای هر نتیجه کمتر از ۰٫۰۵ بود و فرضیه صفر رد شد، که تأیید می کند که بین مدل انتخاب سفارش منطقه و مدل فعلی تفاوت معنی داری وجود دارد. علاوه بر این، به منظور اندازه گیری بهبود عملکرد در مدل پیشنهادی نسبت به مدل فعلی، درصد تغییر نسبی برای هر نتیجه با استفاده از رابطه (۳) محاسبه شد (نگاه کنید به بخش ۵٫۱). درصدهای عملکرد در بالا ارائه شده است جدول ۱۷.

بهبودهای حاشیه ای را می توان در هر معیار عملکرد مدل انتخاب سفارش منطقه نسبت به مدل فعلی مشاهده کرد. این پیشرفت‌ها به دلیل بهینه‌سازی روش برداشت و مسیریابی در حین انجام سفارش بود. استفاده از این روش پیشنهادی مستلزم تقسیم عملی هایپر مارکت به شش منطقه است. هر منطقه می تواند چند انتخاب کننده داشته باشد. هنگام استفاده از مدل پیشنهادی، هر انتخاب کننده در توالی بهینه شده در منطقه تعیین شده خود، ترتیب را انجام می دهد.

۵٫۴٫ مدل انتخاب سفارش ترکیبی

روش انتخاب سفارش ترکیبی ترکیبی از انتخاب سفارش دسته ای با انتخاب سفارش منطقه ای است. به عبارت دیگر، می توان آن را یک مورد خاص از انتخاب سفارش منطقه در نظر گرفت، که در آن انتخاب کننده چندین سفارش را به طور همزمان در منطقه اختصاص داده شده انجام می دهد. از آنجایی که شرایط و استدلال های یکسانی دارد، این روش از پارامترها، محدودیت ها و مقادیر مشابه مدل انتخاب سفارش دسته ای استفاده می کند.

مشابه سایر مدل های پیشنهادی، مدل شبیه سازی برای دوره ۶ ماهه از ۱۷ آوریل تا ۱۷ اکتبر اجرا شد. تعداد سفارشات انجام شده در مدل پیشنهادی ۱۴۸۱۵ سفارش و تعداد اقلام انتخابی ۱۹۳۳۶۴ مورد بوده است. همچنین تعداد کل انتخاب کننده ها ۲۸۸ نفر بود. مدل شبیه سازی به همراه فرآیند بهینه سازی به منظور تولید نتایج و اقدامات آماری ارائه شده در جدول ۱۸.

از جدول فوق مشهود است که میانگین زمان انجام هر سفارش ۱۱٫۴۰ دقیقه بوده که نسبت به مدل فعلی (۱۲٫۶۱ دقیقه) کمتر است. همچنین میانگین زمان تکمیل هر محصول ۵۱٫۹۲ ثانیه بوده که نسبت به مدل فعلی (۵۹٫۸۲ ثانیه) کمتر است. علاوه بر این، میانگین مسافت جابجا شده برای هر محصول ۳۷٫۴۸ متر بود که نسبت به مدل فعلی (۴۳٫۴۴ متر) نیز کمتر است.

در مقایسه با مدل فعلی، میانگین کمتری را می توان در تمام نتایج مشاهده کرد، که نشان دهنده بهبود کارایی مدل انتخاب سفارش ترکیبی نسبت به مدل فعلی است. به منظور بررسی بهبود عملکرد مدل جدید نسبت به مدل فعلی، دو نمونه تی-آزمون انجام شد. این آزمون برای هر یک از سه پیامد اصلی ارائه شده در بالا انجام شد جدول ۱۳با هدف بررسی اینکه آیا تفاوت معناداری در نتایج بین مدل انتخاب سفارش ترکیبی و مدل فعلی وجود دارد یا خیر. دو فرضیه به شرح زیر بود:

فرضیه صفر (H₀: تفاوت معنی داری در میانگین نتایج مدل انتخاب سفارش ترکیبی وجود ندارد (μ_۱) و مدل فعلی (μ_۲).

فرضیه جایگزین (H_آ: تفاوت معنی داری در میانگین نتایج مدل انتخاب سفارش ترکیبی وجود دارد (μ_۱) و مدل فعلی (μ_۲).

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. یافته های تفصیلی این آزمایش ها در ارائه شده است جدول ۱۹.

همانطور که در جدول بالا مشخص است، پ– مقدار برای هر نتیجه کمتر از ۰٫۰۵ بود و فرضیه صفر رد شد، که تأیید می کند که بین مدل انتخاب سفارش ترکیبی و مدل فعلی تفاوت معنی داری وجود دارد. علاوه بر این، بهبود عملکرد در مدل پیشنهادی نسبت به مدل فعلی در بالا ارائه شده است جدول ۱۹. این درصد با استفاده از رابطه تغییر نسبی (۳) در اندازه گیری شد بخش ۵٫۱.

بهبودهای قابل توجهی را می توان در هر معیار عملکرد مدل انتخاب سفارش هیبریدی نسبت به مدل فعلی مشاهده کرد. این پیشرفت‌ها به دلیل بهینه‌سازی روش برداشت و مسیریابی در حین انجام سفارش بود. کاربرد این روش پیشنهادی، مشابه مدل انتخاب سفارش منطقه، مستلزم تقسیم عملاً هایپر مارکت به شش منطقه است. هر منطقه می تواند چند انتخاب کننده داشته باشد. همچنین، مشابه مدل جمع‌آوری سفارش دسته‌ای، این مدل نیاز به قرار دادن چهار سبد خرید در هر سبد دارد تا حداکثر چهار سفارش را به‌طور هم‌زمان انجام دهد. هنگام استفاده از مدل پیشنهادی، انتخاب کننده سفارش را در دنباله بهینه سازی شده انجام می دهد و هر محصول را در سبد اختصاص داده شده در منطقه تعیین شده خود قرار می دهد.

۵٫۵٫ مقایسه مدل ها

مقایسه تمام نتایج مدل ها در خلاصه شده است جدول ۲۰و همچنین نمونه ای از انجام سفارش در همه مدل ها.

از نتایج مدل‌های شبیه‌سازی، بهبود کارایی در مقایسه با مدل فعلی قابل مشاهده است. به منظور مقایسه آماری مدل‌های مختلف، یک آزمون ANOVA یک طرفه بین پنج مدل انجام شد: مدل فعلی، مدل برداشت تک سفارشی، مدل انتخاب دسته‌ای، مدل انتخاب سفارش منطقه‌ای، و مدل برداشت سفارش ترکیبی. . این آزمایش به منظور بررسی اینکه آیا تفاوت معنی‌داری در کارایی وجود دارد یا خیر، که توسط «متوسط زمان تحقق هر محصول» بین مدل‌های چیدن تعریف شده است، انجام شد. دو فرضیه به شرح زیر بود:

فرضیه صفر (H₀): تفاوت معنی داری در میانگین همه مدل ها وجود ندارد.

فرضیه جایگزین (H_آ): تفاوت معنی داری در میانگین همه مدل ها وجود دارد.

برای تعیین معناداری آماری نتایج از سطح معنی داری ۰۵/۰ = α استفاده شد. نتایج این آزمایشات به تفصیل نشان داده شده است جدول ۲۱.

همانطور که در جدول بالا مشخص است، پ-مقدار برای هر پیامد کمتر از ۰۵/۰ بود و فرضیه صفر رد شد که نشان می‌دهد تفاوت معنی‌داری در میانگین همه مدل‌ها وجود دارد. تجزیه و تحلیل آماری سطح اطمینان فردی ۹۹٫۳۷٪ را نشان داد. جدول ۲۲ رتبه بندی مدل های پیشنهادی را از نظر درصد پیشرفت نسبت به مدل فعلی نشان می دهد.

۶٫ نتیجه گیری

این مطالعه با هدف بهبود فرآیند انتخاب سفارش مواد غذایی با استفاده از داده های دنیای واقعی در یک مدل شبیه سازی انجام شد. متعاقبا، چهار مدل پیشنهادی برای بهبود کارایی و پایداری فرآیند انجام سفارش خواربار آنلاین توسعه یافت. پس از مقایسه مدل‌های مختلف پیشنهادی، مدل انتخاب سفارش ترکیبی بالاترین بهبود را در کارایی در تمام معیارها نشان داد: زمان انجام هر سفارش، زمان انجام هر محصول، و مسافت متحرک برای هر محصول. روش انتخاب سفارش ترکیبی ترکیبی از انتخاب سفارش دسته ای با انتخاب سفارش منطقه ای است.

این مدل‌های انتخاب سفارش می‌توانند توسط خرده‌فروشان و برنامه‌های خواربار فروشی آنلاین به منظور افزایش کارایی مورد استفاده قرار گیرند. علاوه بر این، بهبود کارایی نه تنها سود شرکت، بلکه دستمزد انتخاب کنندگان را نیز افزایش می دهد، که باعث افزایش سعودی شدن انتخاب کنندگان می شود. علاوه بر این، افزایش کارایی انتخاب سفارش منجر به پاسخ‌های سریع‌تر و انعطاف‌پذیری بیشتر برای افزایش توان عملیاتی در زمان‌های بحران می‌شود.

این تحقیق دارای محدودیت‌های متعددی است که برای قابل اجرا کردن مدل برای هر گونه خرید آنلاین مواد غذایی اضافه شده است. یکی از محدودیت ها استفاده از محصولات موجود در هایپرمارکت است. این مدل فرض می کند که محل قرارگیری محصول ثابت است. کارهای آینده می‌تواند با افزودن قابلیت تغییر مکان‌های محصول در این زمینه گسترش یابد. محدودیت دیگر تنها استفاده از چرخ دستی خرید استاندارد است زیرا این مدل را برای هر سوپرمارکتی قابل اجرا می کند. افزودن چرخ دستی های مخصوص برای انتخاب بیش از چهار سفارش همزمان می تواند کارایی را بیشتر کند. این پیشرفت ها در صورتی امکان پذیر است که یک هایپرمارکت فروشگاه خواربار فروشی آنلاین خود را مدیریت کند. علاوه بر این، به عنوان یک محدودیت در این مطالعه، قرار دادن محصول توسط راهرو مربوطه تعیین می شود. کار آینده می تواند دقت و کارایی را با استفاده از مکان دقیق هر محصول بهبود بخشد.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | توسعه یک مدل کارآمد برای انجام سفارش آنلاین خواربار
,۲۰۲۴-۰۵-۱۹ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/10/4270