4. Computational experimentsThe per

4. Computational experiments
The performance of the proposed approach to SAP-MR has been investigated in computational experiments from two aspects: the improvement it achieved compared to a COI class-based strategy, and the computational effort required.

The experiments were performed on randomly generated problem instances. The parameters of our problem generator were the number of items (N∈{1000,2000,3000}), the number of pickers (P∈{2,4,6}), the number of zones per picker (B∈{1,2,3}), and the warehouse completeness (γ∈{0.6,0.9}) that indicates the ratio of the total capacity requirement of the items to the warehouse capacity. The number of milkrun cycles was fixed to K=4. We also fixed the unit item retrieval time to e=1, and used four different schemes for determining the access times to zones (see Table 2). Generating five instances with all the 216 possible combinations of the above parameters resulted in 1080 problem instances altogether.

ผลลัพธ์ (ไทย) 1:

4 การการทดลองที่คำนวณได้รับการตรวจสอบประสิทธิภาพของวิธีการ SAP MR ที่เสนอการทดลองคำนวณจากสองด้าน: การปรับปรุงที่จะประสบความสำเร็จเมื่อเปรียบเทียบกับกลยุทธ์ตาม COI และความพยายามคำนวณที่จำเป็นการทดลองที่ได้ดำเนินการในกรณีปัญหาที่สร้างขึ้นแบบสุ่ม พารามิเตอร์ของเครื่องกำเนิดไฟฟ้าของเราปัญหาจำนวนสินค้า (N∈ { 1000,2000,3000 }), จำนวนเบิก (P∈ { 2,4,6 }), หมายเลขของเขตพื้นที่ต่อตัว (B∈ { 1,2,3 }), และสินค้าครบถ้วน (γ∈ {0.6,0.9 }) ที่บ่งชี้ว่า อัตราส่วนของความต้องการกำลังการผลิตรวมของสินค้าที่จะผลิตสินค้า ได้ จำนวน milkrun รอบคงที่ K = 4 เราคงเวลาเรียกสินค้าหน่วย e = 1 และใช้โครงร่างที่แตกต่างกันสี่การกำหนดเวลาเข้าโซน (ดูตารางที่ 2) สร้างอินสแตนซ์ที่ห้า มีทั้งหมด 216 ที่ผสมของพารามิเตอร์ดังกล่าวข้างต้นทำให้กรณีปัญหา 1080 ทั้งหมด

ผลลัพธ์ (ไทย) 2:

4. การทดลองการคำนวณ
ประสิทธิภาพของวิธีการเสนอให้ SAP-MR ได้รับการตรวจสอบในการทดลองคำนวณจากสองด้าน:. ปรับปรุงมันประสบความสำเร็จเมื่อเทียบกับกลยุทธ์ระดับตาม COI และคำนวณความพยายามที่ต้องการการทดลองดำเนินการในการสร้างแบบสุ่ม กรณีปัญหา พารามิเตอร์ของเครื่องกำเนิดไฟฟ้าปัญหาของเรามีจำนวนรายการ (N∈ {1000,2000,3000}) จำนวนแจ่ม (ที่P∈ {2,4,6}) จำนวนของโซนต่อเครื่องมือเลือก (B∈ {1 , 2,3}) และครบถ้วนคลังสินค้า (γ∈ {} 0.6,0.9) ที่บ่งชี้ว่าอัตราส่วนของความต้องการกำลังการผลิตรวมของรายการที่กำลังการผลิตคลังสินค้า จำนวนรอบ milkrun ที่ถูกจับจ้องไปที่ K = 4 นอกจากนี้เรายังคงที่หน่วยเวลาดึงรายการไปยัง e = 1 และใช้สี่รูปแบบที่แตกต่างกันสำหรับการกำหนดเวลาในการเข้าถึงไปยังโซน (ดูตารางที่ 2) สร้างห้ากรณีที่มีทั้งหมดรวมกันได้ 216 ของตัวแปรข้างต้นส่งผลให้ใน 1,080 กรณีปัญหาโดยสิ้นเชิง

ผลลัพธ์ (ไทย) 3:

4 . การทดลอง การคำนวณประสิทธิภาพของวิธีการที่เสนอจะ sap-mr ถูกสอบสวนในการทดลองคำนวณจากสองด้าน : โครงการที่ประสบความสำเร็จเมื่อเทียบกับคงระดับกลยุทธ์ และคำนวณความต้องผลการทดลองที่สร้างขึ้นแบบสุ่มปัญหากรณี พารามิเตอร์ของเครื่อง ปัญหาของเราคือหมายเลขของรายการ ( N ∈ } { 100020003000 ) , หมายเลขของ pickers ( P ∈ } { 2,4,6 ) , หมายเลขของโซนต่อใว้ ( B ∈ { 1 , 2 , 3 } ) และคลังสินค้าครบถ้วน ( γ∈ { 0.6,0.9 } ) ที่แสดงถึงอัตราส่วนของความจุทั้งหมดความต้องการ ของสินค้าไปยังคลังสินค้าจำกัด จำนวน milkrun รอบคงที่ K = 4 เรายังแก้ไขรายการหน่วยสืบค้นเวลา E = 1 และใช้สี่วิธีที่แตกต่างกันสำหรับการเข้าถึงครั้ง โซน ( ดูตารางที่ 2 ) สร้างอินสแตนซ์ 5 มีทั้งหมด 216 ชุดที่เป็นไปได้ของพารามิเตอร์ดังกล่าวส่งผลให้เกิด 1080 กรณีปัญหาทั้งหมด