存储分配决策的经典规划方法通常需要大量人工反复进行。仓库布局是根据规划者的经验生成的，目标是减少操作员的行程距离，从而提高生产率。通过在基于软件的规划工具中结合优化和模拟，可以生成和分析大量数学优化的仓储分配方案，从而改进传统的规划方法。本文介绍了一个德国汽车制造商仓库分配问题的实际案例，该案例采用了进化元启发式。优化的最佳解决方案被载入自动生成的大型仿真模型，并利用该公司的实际数据进行评估。
将零件编号分配到存储位置的次优方案会降低仓库人员的工作效率。不合适的存储分配是一个常见问题，但由于缺少信息技术支持的决策工具而难以识别。在一家德国汽车公司的仓库中，没有以提高内部流程效率为目标，对零件编号到相应存储位置的分配进行系统优化。对于给定的生产计划而言，这可能会增加仓库材料处理的时间要求，最终导致所有内部物流流程的延误。
本文介绍了一个实际案例，在这个案例中，我们使用了一种结合了优化和模拟的规划工具来分析现实生活中的仓储分配问题。在优化分配时，使用遗传算法考虑了多个目标。仿真模型由公司提供的结构布局数据自动生成。为了进行评估，实际主数据（如材料信息、存储位置等）和事务数据（如材料移动）被加载到自动生成的模拟模型中。
为了改善目前的规划实践，一家德国汽车公司要求开发一款利用真实数据优化仓储分配的软件。第一项研究是在一个拥有约 4000 个存储位置的代表性仓库中进行的，目的是评估将该软件应用于该公司其他仓库的适宜性。通过比较优化后的存储分配和当前的原始分配，对仓库潜在的生产率改进进行评估。为此，必须模拟两周的实际物料流动情况，以分析建议解决方案的效果。为了能够应用于公司的其他仓库，必须创建一个包含公司特定流程的通用仿真模型，该模型可以根据结构数据自动填充其他仓库布局。
为了满足上述要求，我们采用了一种遗传算法，该算法产生了多种解决方案，目的有两个：首先，需求频率高的物料应放在最靠近相应生产线供应区域的存储位置。其次，应将经常一起分拣的物料捆绑在附近的地点。为了对物料进行分类，使用了六个月的历史流动数据，并在模拟模型中计算了距离。使用 SIMIO 开发了一个通用仓库模型，以捕捉公司的具体情况。这些细节包括物料的缓冲过程、物料在特定仓库区域的物理限制、轮班计划信息以及物料与各自生产线供应区域的关联。
按照 SIMIO 面向对象的建模方法，创建了代表实际系统特定元素的仿真模型对象，如不同的货架类型、散装存储区域和自定义叉车对象。然后，利用 SIMIO 的定制扩展功能，将建模元素的特定实例放入空白模型中。通过该扩展，可以自动将这些预定义的模型对象放入仿真模型中，并将其连接和参数化，从而生成整个仿真模型。公司提供的结构数据是自动生成真实比例模型的先决条件。
为了使模拟的起点有效，特定日期的当前库存被置于模型中，并在两周的时间内模拟仓库的移动。对不同的存储分配方案组合和不同的仓库人员数量方案进行了实验，以评估旅行距离、工人利用率和服务水平（即为生产线供应及时提供材料）。
图 1 显示了仓库模型，该模型由 4 000 多个对象组成，系统中最多可同时容纳 20 000 个物料容器。
使用模拟模型对启发式优化的十个最佳解决方案进行了评估。与原始分配相比，软件找到的最佳解决方案使仓库距离缩短了 7.63%，工人利用率降低了 5.77%，同时服务水平提高了 8.72%。 由于模型生成实现了自动化，与手动创建仿真模型相比，问题解决周期大大缩短。此外，这一过程不易出错，而且可以根据需要使用更新的数据重复进行，从而限制了模型过时的问题。