Los enfoques clásicos de planificación de las decisiones de asignación de almacenes suelen llevarse a cabo de forma iterativa con un importante esfuerzo manual. Las distribuciones de los almacenes se generan a partir de las experiencias de los planificadores con el objetivo de reducir las distancias de desplazamiento de los operarios y aumentar así la productividad. Combinando la optimización y la simulación en una herramienta de planificación basada en software, es posible generar y analizar multitud de escenarios de asignación de almacenes optimizados matemáticamente para mejorar los enfoques de planificación tradicionales. Este artículo describe un caso práctico de un problema de asignación de almacenes de un fabricante alemán de automóviles que se aborda utilizando una metaheurística evolutiva. Las mejores soluciones de la optimización se cargan en un modelo de simulación a gran escala generado automáticamente y se evalúan utilizando los datos reales de la empresa.
La productividad del personal de almacén puede disminuir debido a una asignación subóptima de los números de pieza a los almacenes. Las asignaciones de almacén inadecuadas son un problema común y difícil de identificar debido a la falta de herramientas informáticas de toma de decisiones. En el almacén de una empresa automovilística alemana, no había una optimización sistemática de la asignación de números de pieza a los respectivos almacenes con el objetivo de mejorar la eficiencia de los procesos internos. Para un programa de producción determinado, esto puede suponer un riesgo de aumento de los requisitos de tiempo para la manipulación de materiales en el almacén y, en última instancia, retrasos en todos los procesos intralogísticos.
Este artículo describe un caso práctico en el que se analizó un problema real de asignación de almacenes utilizando una herramienta de planificación que combina optimización y simulación. Para la optimización de la asignación, se han considerado varios objetivos en un algoritmo genético. El modelo de simulación se generó automáticamente a partir de los datos de disposición estructural facilitados por la empresa. A efectos de evaluación, se cargaron en el modelo de simulación generado automáticamente datos maestros reales (por ejemplo, información sobre materiales, ubicaciones de almacenamiento, etc.) y datos transaccionales (por ejemplo, movimientos de materiales).
Con el fin de mejorar las prácticas de planificación actuales, una empresa automovilística alemana solicitó el desarrollo de un software para la optimización de las asignaciones de almacenamiento a partir de datos reales. El primer estudio se realizó en un almacén representativo con aproximadamente 4.000 ubicaciones para evaluar la idoneidad de aplicar el software a otros almacenes de la empresa. Las posibles mejoras de productividad en el almacén debían evaluarse comparando las asignaciones de almacenamiento optimizadas con la asignación original actual. Para ello, hubo que simular dos semanas de movimientos de material reales para analizar los efectos de las soluciones propuestas. Para permitir una posible aplicación a otros almacenes de la empresa, hubo que crear un modelo de simulación genérico que incorporara procesos específicos de la empresa y que pudiera rellenarse automáticamente con otras distribuciones de almacén a partir de datos estructurales.
Para cumplir los requisitos mencionados, se ha implementado un algoritmo genético que ha generado multitud de soluciones con dos objetivos: En primer lugar, los materiales de alta frecuencia de demanda deben ubicarse en los almacenes más cercanos a las respectivas zonas de suministro de las líneas de producción. En segundo lugar, los materiales que suelen recogerse juntos deben agruparse en ubicaciones cercanas. Para clasificar los materiales, se utilizaron datos históricos de movimientos de seis meses y se calcularon las distancias dentro del modelo de simulación. Con SIMIO se desarrolló un modelo de almacén genérico que recogía las particularidades de la empresa. Estos datos específicos incluían los procesos de almacenamiento intermedio de materiales, las restricciones físicas de materiales a determinadas zonas del almacén, la información de planificación de turnos y la asociación de materiales a las respectivas zonas de suministro de línea.
Siguiendo el enfoque de modelado orientado a objetos de SIMIO, se crearon objetos de modelo de simulación que representaban elementos específicos del sistema real, como diferentes tipos de estanterías, áreas de almacenamiento a granel y objetos de carretilla elevadora personalizados. A continuación, las instancias específicas de los elementos de modelado se colocaron en un modelo en blanco utilizando una extensión personalizada de SIMIO. Esta extensión permite generar modelos de simulación completos colocando, conectando y parametrizando automáticamente estos objetos de modelo predefinidos en un modelo de simulación. Los datos estructurales proporcionados por la empresa eran una condición previa para la generación automática de un modelo a escala real.
Para que el punto de partida de la simulación fuera válido, se colocó dentro del modelo el inventario actual de un día concreto y se simularon los movimientos del almacén durante un plazo de dos semanas. Se realizaron experimentos con distintas combinaciones de escenarios de asignación de almacenes y distintos escenarios de número de personal de almacén para evaluar las distancias de desplazamiento, la utilización de los trabajadores y el nivel de servicio (es decir, el aprovisionamiento puntual de materiales para el suministro de la línea).
La figura 1 muestra el modelo de almacén, compuesto por más de 4.000 objetos, con un máximo de 20.000 contenedores de material concurrentes en el sistema.
Las diez mejores soluciones de la optimización heurística se evaluaron utilizando el modelo de simulación. En comparación con la asignación original, la mejor solución encontrada por el software permitió reducir las distancias del almacén en un 7,63%, disminuir la utilización de los trabajadores en un 5,77% y mejorar el nivel de servicio en un 8,72%. Gracias a la automatización de la generación del modelo, el ciclo de resolución de problemas se reduce considerablemente en comparación con la creación manual de modelos de simulación. Además, el proceso es menos propenso a errores y puede repetirse bajo demanda con datos actualizados, lo que limita el problema de obsolescencia de los modelos.