7. Weryfikacja metody wyboru zmiennych miejsc składowania
7.3. Analiza weryfikacji
Return (wagaK*fc_kwadratowy + wagaL*fc_liniowy);
}
W powyższej funkcji jest zdefiniowany człon kwadratowy i człon liniowy. We funkcji kwadratowej nastąpiło powiązanie towarów i odległości. Funkcja zwraca nam wartość obliczonej funkcji celu. Z punktu widzenia symulacji jest to etap w metodzie wyboru zmiennych miejsc składowania związany z trzecim etapem: w zależności od wagi przyjmowanych jednostek ładunkowych następuje optymalizacji długości drogi od punktu przyjęć do lokalizacji lub następuje optymalizacja kosztu transportu.
7.3. Analiza weryfikacji
W programie można dokonać optymalizacji zaimplementowanego magazynu. Ekrany porównawcze przed dostawą i po dostawie pozwalają na bliższą analizę, tak jak jest to pokazane na rysunku 7.5. Magazyn został wypełniony przed dostawą losowo wybranymi towarami w ilości 10.
Natomiast w etapie dostawy, w którym również towary są wybierane losowo, zainicjowano 40 jednostek ładunkowych.
Rys. 7.5. Przykładowe rozmieszczenie towaru Źródło: Opracowanie własne
Aplikacja oblicza wstępną funkcję celu przed i po dostawie. W programie dla pierwszego pokolenia zainicjowano 50 iteracji. Rozmieszczenie wylosowanych towarów po pierwszym przeszukaniu jest umieszczone na rysunku 7.6.
- 104 -
Rys. 7.6. Rozmieszczenie dla najlepszego wariantu w pierwszym poszukiwaniu lokalizacji Źródło: Opracowanie własne
Po pierwszym losowaniu następuje również wygenerowanie wszystkich magazynów dla podanej liczb iteracji. Najniższą funkcję celu osiągnął wariant dla magazynu 27: 5866860,745. Nie jest to jednak ostateczna odpowiedź.
Warianty, które są generowane przez program, to ilość magazynów, które powstały w trakcie symulacji, co oznacza, że tworzy się baza magazynów, w którym znajduje się inne rozmieszczenie towarów. Każdy wariant odpowiada rozmieszczeniu w magazynie wraz z wyliczoną funkcją celu dla pierwszej ilości pszczół, która została zdefiniowana przez użytkownika - w programie to tzw.
pokolenie 1. Z tego pokolenia wybierane są najlepsze rozwiązania i następuje kolejny etap związany z przeszukiwaniem sąsiedztwa (rys. 7.7).
Rys. 7.7. Funkcja celu Źródło: Opracowanie własne
- 105 -
W kolejnym poszukiwaniu można zaobserwować zmianę lokalizacji towaru o indeksie 17, co pokazuje rysunek 7.8. Zmianę lokalizacji po kolejnej rekrutacji pszczół zaznaczono na rysunku 7.8 kolorem czerwonym pozostałe jednostki ładunkowe tego indeksu w rzędzie pierwszym i drugim były rozmieszczone losowo przed dostawą. Jednostki asortymentowe o indeksie 8 w tym samym rzędzie również ulegają innemu rozmieszczeniu w pierwszym pokoleniu pszczół i w drugim pokoleniu pszczół.
Funkcja celu dla drugiego wyszukiwania wolnych miejsc składowania wynosi 5570114,325.
To rozmieszczenie asortymentu dla magazynu 34 na 50 wygenerowanych magazynów. Wartość jest mniejsza od poprzedniego wyszukiwania o 296746,42 co świadczy o poszukiwaniu jak najmniejszej wartości.
Rys. 7.8. Rozmieszczenie dla najlepszego wariantu w drugim poszukiwaniu lokalizacji Źródło: Opracowanie własne
Analizując uzyskane wartości podczas badań SD wynosi 70305017. Najniższa wartość w pierwszym poszukiwaniu pszczół dla najlepszej lokalizacji to 5866860492,745 najwyższa wartość osiągnęła 6167939,175.
Na wykresie 7.1 pokazanych jest tylko dwadzieścia ostatnich wartości funkcji celu dla pierwszego podejścia. Dotyczy to weryfikacji w której wygenerowano losowo wypełniony magazyn w ilości 30 jednostek ładunkowych oraz wykonano przyjęcie w ilości 10 jednostek ładunkowych. Populacja pszczół dla pierwszego przeszukiwania wynosiła 100 pszczół. Przy tak małym magazynie jest duża różnica między wartościami najniższymi a wartościami najwyższymi.
- 106 - Wykres 7.1. Wartości funkcji celu w pierwszym poszukiwaniu lokalizacji
Źródło: Opracowanie własne
Decyzja podczas przyjmowania towarów powinna odbywać się w jak najkrótszym czasie.
Analizując przypadki losowego rozłożenia przed dostawą oraz przyjęcie jednostek do przykładowego magazynu wykorzystując metodę zmiennych miejsc składowania otrzymywano wyniki w kilka sekund. Należy jednak nadmienić, że symulacja przebiegała na komputerze o następujących parametrach: procesor Intel Core 2 Duo CPU 2.00 GHz, zainstalowana pamięć RAM – 3,00 GB. Pogorszenie parametrów sprzętowych może negatywnie wpłynąć na oczekiwany czas rozwiązania zadania alokacji jednostek ładunkowych do lokalizacji.
Wykres 7.2. Rozkład czasu trwania procesu szukania rozwiązania
Źródło: Opracowanie własne 4,2E+09 4,25E+09 4,3E+09 4,35E+09 4,4E+09 4,45E+09 4,5E+09 4,55E+09 4,6E+09 4,65E+09
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
0 5 10 15 20 25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Czas
[sek.]
- 107 -
Podczas badań mierzono czas uzyskiwanych rozwiązań. Na wykresie 7.2 przedstawiono otrzymane wyniki z mierzonego czasu. Najdłuższy czas oczekiwania zaobserwowano dla przypadków, kiedy wygenerowano dużą populację pszczół do poszukiwań. Populacja pszczół wygenerowanych do poszukiwań wynosiła ponad 150 pszczół. Maksymalną ilość jaką można wygenerować liczy populację 200 pszczół. Czas wydłużał się również kiedy magazyn był zapełniony tylko w niewielkim zakresie (do 10 jednostek ładunkowych) i następował proces przyjęcia towaru do magazynu w ilości około 42 jednostek ładunkowych. Sytuacja ta jest normalna, ponieważ tak duża ilość pszczół przy jednoczesnym niewielkim wypełnieniu magazynu musi „przeszukać” wszystkie wolne lokalizacje. Różnica pomiędzy najdłuższym czasem a najkrótszy wynosi 20,37 sek.. Średni czas oczekiwania wynosi 10,88 sek..
Analiza procesu magazynowania w poszczególnych strefach magazynu wykonywane jest w kontekście pomiaru i oceny procesów jakie tam zachodzą – w tym wielkości wymaganych zasobów magazynowych, poziomu wykorzystania zasobów, sprawności i niezawodności obsługi ładunku, które mają wpływ na koszt magazynowania.
Jednym z przykładowych wskaźników dla magazynu jest wskaźnik wykorzystania magazynu. Wskaźnik ten, to stosunek liczby zajętych miejsc składowych do liczby miejsc składowych ogółem. W przypadku magazynu na podstawie którego weryfikujemy metodę niniejszym podrozdziale stopień wykorzystania magazynu przed dostawą wyniósł 16,66%, po dostawie wskaźnik ten wyniósł 83,33%. Wskaźnik ten będzie różny w zależności od zdefiniowanego magazynu w aplikacji. Stopień wykorzystania magazynu jest powiązany w zależnościami rzeczowo-logicznymi z kosztami magazynu.
- 108 -
Wnioski końcowe, kierunki dalszych badań
Przydział towaru do lokalizacji jest jednym z ważniejszych problemów, który wyłania się przy projektowaniu magazynu. W ramach niniejszej rozprawy opracowana została metoda wyboru zmiennych miejsc składowania w magazynie towarów sztukowych. Dla osiągnięcia celu głównego zrealizowano następujące cele szczegółowe:
1. wyłoniono czynniki wpływające na rozmieszczenie towarów,
2. opracowano model matematyczny optymalizacji rozmieszczenia jednostek w magazynie, 3. opracowano algorytm postępowania w metodzie wyboru zmiennych miejsc rozmieszczenia, 4. opracowano aplikację umożliwiającą zweryfikowanie metody wyboru,
5. przeprowadzono weryfikację opracowanej metody.
W związku z powyższym należy uznać, że cel pracy został zrealizowany a postulowany zakres pracy odpowiada stanowi faktycznemu. Zadaniem przydzielenia towaru do miejsca składowania jest takie rozmieszczenie jednostek ładunkowych, aby koszt transportu był jak najmniejszy, jednocześnie zachowując parametry otoczenia wymagane przez składowany towar.
Opracowana i przedstawiona w pracy metoda ma za zadanie minimalizację kosztów dzięki odpowiedniemu rozmieszczeniu towarów w strefie składowania, co jest wartością dodaną.
Sprowadza się to do odpowiedniego podziału towaru i przydzielenia go do odpowiedniego obszaru, a następnie przydzielenia odpowiedniej lokacji w danym obszarze. Przydzielając towar wpierw do obszaru, a potem do konkretnego adresu w danym obszarze, ograniczana jest powierzchnia niezbędna do składowania asortymentu oraz pracochłonność środków transportu wewnętrznego, co prowadzi do zmniejszenia kosztów generowanych przez wyposażenie, a tym samym również do kosztów magazynowania.
Przedstawiony w dysertacji model aplikacyjny jest tylko pewnym uproszczeniem, które wynika ze złożoności obliczeniowej i skali opracowywanego problemu. Zaprojektowany bowiem magazyn, a dokładnie strefa składowania jest niewielka (około 180 miejsc) i zakłada, że każda jednostka ładunkowa ma takie same wymagania co do strefy składowania pod względem temperatury, wilgotności powierza itd. Ponadto symulacja przebiegała tylko dla jednego poziomu w celu zweryfikowania poprawności opracowanej metody, czyli dla 60 miejsc. Wszystkie jednostki ładunkowe są transportowane i składowane w tej samej jednostce. Do każdej jednostki ładunkowej są zastosowane zasoby o jednakowych parametrach, co oznacza, że jednostki ładunkowe transportowane są do miejsca składowania przez ten sam środek transportu i przez pracownika o jednakowych umiejętnościach. W strefie składowania nie ma przewidzianych miejsc do składowania na posadzce. Składowanie odbywa się z zastosowaniem regałów uniwersalnych.
- 109 -
Regały mają taki sam udźwig, trzy poziomy, a na całym regale można pomieścić trzy jednostki ładunkowe.
Metoda składowania została zweryfikowana w programie zbudowanym specjalnie dla tej metody.
Na podstawie badania eksperymentalnego stwierdzono poprawność postawionej tezy, która została ujęta w rozdziale 1.
Z przeprowadzonego cyklu badawczego uzyskano odpowiedź na pytanie badawcze dotyczące czynników, które wpływają na rozmieszczenie towaru w magazynie. W efekcie dokonanego wywodu badawczego, uzyskano wiedzę na temat czynników i wybrano z nich czynniki, który stanowią odwołanie do kolejnych pytań badawczych dotyczących miejsca składowania.
Opracowano model matematyczny metody.
W kolejnych etapach opracowano algorytm postępowania i zbudowano aplikację umożliwiającą weryfikację metody wyboru zmiennych miejsc składowania. Dzięki temu możliwe było przeprowadzenie eksperymentów symulacyjnych, czego efektem było otrzymanie odpowiedzi na kolejne pytania badawcze przedstawione w rozdziale 1.
Opracowana metoda pozwala na jej dalszy rozwój a przez to wskazuje kierunki dalszych badań. Dalsze prace powinny iść w kierunku rozbudowania istniejącego modelu i jego parametrów wejściowych.
W rzeczywistych warunkach często towar jest objęty pewną sezonowością, okresem, w którym jest większe zapotrzebowanie na dany towar składowany w magazynie. Przykładem mogą towary, które są produkowane z kilkumiesięcznym wyprzedzeniem (np. świąteczne wyroby czekoladowe). Autorka zastanawiając się nad takim przypadkiem, zadaje pytanie: Gdzie wówczas powinien być składowany przyjmowany towar? W chwili przyjęcia towar nie jest bowiem potrzebny i nie będzie wydawany przez najbliższy okres. Jednakże w miarę upływu czasu zapotrzebowanie na ten towar wzrośnie, a co za tym idzie, częstotliwość wydawania tego asortymentu również wzrośnie.
Dlatego w pierwszym etapie należałoby poszerzyć listę kryteriów, które są uwzględniane w pierwszym etapie metody. Niemniej jednak po uwzględnieniu większej listy kryteriów należy się także zastanowić nad implementacją jeszcze jednego algorytmu z rodziny sztucznej inteligencji, jakim są sztuczne sieci neuronowe.
Pomimo wad sztucznej sieci neuronowej, które zostały wymienione w rozdziale 4, badania wykazują jej doskonałe cechy w klasyfikowaniu. Zastosowana pętla IF w przypadku zweryfikowania metody przy jednym kryterium oraz przy niewielkiej grupie asortymentowej daje
- 110 -
rozwiązanie w krótkim czasie. Wraz ze wzrostem danych czas ten może się wydłużyć, co w efekcie spowoduje dłuższe oczekiwanie na podanie konkretnej lokalizacji.
Czas odnosi się do tego, jak długo klient będzie czekać na dostarczenie danego produktu.
Może być różny od wartości zerowej, w której produkt jest dostępny od ręki, aż po kilka lub kilkanaście miesięcy. Czynnik czasu może być wykorzystany do zdobywania rynku. Wówczas o takim przedsiębiorstwie można powiedzieć, że wyróżnia się szybkością działania. Ponadto czas to nie tylko kwestia szybkości, ponieważ za tą zmienną kryje się potrzeba kontrolowania zmienności, która cechuje proces składowania. Grupowanie towarów pod względem rotacji jednostek wychodzących powoduje przyspieszenie procesów w magazynie, pozwala między innymi wydłużyć okres przydatności produktu i ograniczyć ryzyko, że część zapasów zostanie.
Minimalizacja kosztów (jako kolejne kryterium metody) odgrywa ważną rolę we wszystkich pozostałych procesach wewnętrznych w przedsiębiorstwie. Niższe koszty również przekładają się na przewagę rynkową.
Opracowany model może być odpowiednio zaadoptowany do innych rzeczywistych warunków. Konieczna wówczas będzie aktualizacja baz danych zawierających parametry wejściowe i uwzględnienie ograniczeń, które wynikają z nowego środowiska magazynowego.
Model jednak jest bez wątpienia pomocnym narzędziem do efektywnego rozmieszczenia towarów w magazynie. Metoda ta uwzględnia częstotliwość wydań przy jednoczesnej minimalizacji kosztów transportu.
Model mógłby być zaimplementowany czy też zintegrowany z istniejącymi systemami klasy ERP lub systemami klasy WMS. Zaimplementowany w tych systemach informatycznych algorytm generowałby, uwzględniając powyższe kryteria, zmienne lokalizacje dla towarów sztukowych.
- 111 -
Bibliografia
Al Kattan I., Bin Adi A. (2008), Multi-criteria decision making on total inventory cost and technical readiness, International Journal on Interactive Design and Manufacturing.
Apanowicz J. (2005), Metodologiczne uwarunkowania pracy naukowej. Prace doktorskie, prace habilitacyjne, Dyfin, Warszawa.
Bakier S. (2007), Biologia pszczoły miodnej, w: Pszczoła – fenomen natury, Wolfram K. (red.), Agencja ECO-PARTNERS, Uroczysko.
Bartecki K. (2010), Sztuczne sieci neuronowe w zastosowaniach, Politechnika Opolska, Opole.
Bartolomei-Suárez S., Egbelu P.J. (2000), Quadratic assignment problem QAP with adaptable material handling devices, International Journal of Production Research, Vol. 38, No. 4.
Bednarek J. (2006), Multimedia w kształceniu, Wydawnictwo Naukowe PWN/MIKOM, Warszawa.
Bendkowski J., Radziejowska G. (2005), Logistyka zaopatrzenia w przedsiębiorstwie, Wydawnictwo Politechniki Śląskiej, Gliwice.
Berg van den J.P., Zijm W.H.M. (1999), Models for warehouse management: Classification and examples, International Journal of Production Economics 59.
Buda M., Sawicka H. (2015), Analiza i ocena procesu magazynowania w przedsiębiorstwie produkcyjnym, Logistyka 2/2015.
Bujak A., Zając M., Zając P. (2012), Wykorzystanie metody ABC-XYZ do optymalizacji systemu logistycznego z uwzględnieniem energochłonności, Logistyka 3.
Burkard R., Çela E., Pardalos P. M., Pitsoulis L. S., (2007), The Quadratic Assignment Problem, Handbook of Combinatorial Optimization, Kluwer Academic Publisher.
Burkard R., Dell’Amico M., Martello S. (2009), Assignment Problems, SIAM, Philadelphia.
Çela E. (1998), The Quadratic Assignment Problem Theory and Algorithms, Kluwer Academic Publishers, Netherlands.
Chmiel W., Kadłuczka P., Packanik G. (2011), Zastosowanie algorytmów rojowych w rozwiązywaniu zagadnień permutacyjnych, Automatyka, Tom 15, Zeszyt 2.
Chmielewski W. (1952), Magazyn zaopatrzenia materiałowego, PWG, Warszawa.
Chmielewski W. (1961), Magazyny, Wydawnictwo Związkowe, Warszawa.
Christopher M. (2000), The agile supply chain. Competing in volatile markets, Industrial Marketing Management, 29 (I).
Chu Ch.-W., Liang G.-S., Liao Ch.-T. (2008), Controlling inventory by combining ABC analysis and fuzzy classification, Computers & Industrial Engineering, No 55.
Coyle J.J., Bardi E.J., Langley Jr. C.J. (2002), Zarządzanie logistyczne, Polskie Wydawnictwo Ekonomiczne, Warszawa.
Cyplik P., Głowacka-Fertsch D., Fertsch M. (2008), Logistyka przedsiębiorstw dystrybucyjnych, Wyższa Szkoła Logistyki, Poznań.
Dudziński Z. (2012), Poradnik organizatora gospodarki magazynowej w przedsiębiorstwie, Polskie Wydawnictwo Ekonomiczne, Warszawa.
- 112 -
Dudziński Z., Kizyn M. (2002), Vademecum gospodarki magazynowej, Ośrodek Doradztwa i Doskonalenia Kadr, Gdańsk.
Dutta A., Koehler G., Whinston A. (1982), On Optimal Allocation in a Distributed Processing Environment, Management Sciene, Vol. 28, No. 8, August, INFORMS, U.S.A.
Fertsch M. (red.) (2006a), Podstawy logistyki, Biblioteka Logistyka, Poznań.
Fertsch M. (red.) (2006b), Słownik terminologii logistycznej, ILiM, Poznań.
Ficoń K. (2001), Procesy logistyczne w przedsiębiorstwie, Impuls Plus Consulting, Gdynia.
Ficoń K. (2008), Logistyka ekonomiczna. Procesy logistyczne, BEL Studio, Warszawa.
Ficoń K. (2009), Logistyka techniczna. Infrastruktura logistyczna, Wydawnictwo BEL Studio, Warszawa.
Fijałkowski J. (1995), Technologia magazynowania. Wybrane zagadnienia, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Fijałkowski J. (2003), Transport wewnętrzny w systemach logistycznych: wybrane zagadnienia, Oficyna Wydawnicza PW, Warszawa.
Filipowicz B., Kwiecień J. (2011), Algorytmy stadne w optymalizacji problemów przydziału przy kwadratowym wskaźniku jakości (QAP), Automatyka, Tom 15, Zeszyt 2.
Flasiński M. (2011), Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa.
Frazelle E.H. (2002), World-class Warehousing and Material Handling, McGraw-Hill, New York.
Gania I., Kudelska I. (2008), Zastosowania metod sztucznej inteligencji w elastycznych systemach produkcyjnych, w: Technologie i systemy komunikacji oraz zarządzania informacją i wiedzą, Kiełtyka L. (red.), Wydawnictwo Difin, Warszawa.
Gerhardt E., Gomes H.M. (2012), Artificial Bee Colony (ABC) Algorithm for Engineering Optimization Problems, EngOpt 2012, International Conference on Engineering Optimization, Rio de Janeiro, Brazil.
Goldberg D.E. (2003), Algorytmy genetyczne i ich zastosowania, WNT, Warszawa.
Gołębiowski P. (2014), Zastosowanie algorytmu pszczelego do rozwiązania problemu konstruowania rozkładu jazdy pociągów, Logistyka 4.
Glover F. (1989), Tabu search, part I, ORSA Journal on Computing 1(3).
Glover F. (1990), Tabu search, part II, ORSA Journal on Computing 2(1).
Glover F., Laguna E., Taillard E., de Werra D. (red.), (1993), Tabu search, Annals of Operations Research 41.
Gubała M., Popielas J. (2002), Podstawy zarządzania magazynem w przykładach, Instytut Logistyki i Magazynowania, Poznań.
Guvenir H.A., Erel E. (1998), Multicriteria inventory classification using a genetic algoritm, European Journal of Operational Research, 105 (1).
Gwynne R. (2016), Zarządzanie logistyką magazynową, PWN, Warszawa.
Hadaś Ł. (2005), Praktyczne aspekty wdrażania modułu produkcji w systemach klasy ERP, w: Koncepcje zarządzania systemami wytwórczymi, Fertsch M., Trzecieliński S. (red.), Politechnika Poznańska Instytut Zarządzania, Poznań.
- 113 -
Hadi-Vencheh A. (2010), An improvement to multiple criteria ABC inventory classification, European Journal of Operational Research 201.
Hadi-Vencheh A., Mohamedghasemi A. (2011), A fuzzy AHP-DEA approach for multiple criteria ABC inventory classification, Expert Systems with Applications, No. 38.
Hansen P. (1986), The steepest ascent mildest descent heuristic for combinatorial programming, Presented at the Congress on Numerical Method in Combinatorial Optimization, Capri.
Harrison A., van Hoek R. (2010), Zarządzanie logistyką, Polskie Wydawnictwo Ekonomiczne, Warszawa.
Hartl R.F., Preusser M. (2009), Modul Layout and Design, Produktion und Logistik.
Heskett J.L. (1963), Cube – per – order Index – a Key to Warehouse stock Location, Transport and Distribution Management, No. 3.
Hopfield J.J. (1984), Neurons with graded response have collective computational properties like those of two-state neuron, Proc. Of National Academic Science, Biophysics, USA.
Hopfield J.J., Tank D.W. (1985), Neural computation of decisions in optimization problem, Biological Cybernetic 52.
Ignasiak E. (red.) (1996), Badania operacyjne, Polskie Wydawnictwo Ekonomiczne, Warszawa.
Jacyna M. (2009), Modelowanie i ocena systemów transportowych, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Jacyna M. (red.) (2014), Kształtowanie systemów w wybranych obszarach transportu i logistyki, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
Jakubiak M. (2015), Wpływ metod składowania produktów na poprawę efektywności węzłów logistycznych, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, Strategie i logistyka w warunkach kryzysu, nr 382.
Jastriebow A., Kułakowski A. (2006), Sztuczne sieci neuronowe w układach decyzyjnych z niepełną informacją, w: Grzech A. (red.), Inżynieria wiedzy i systemy ekspertowe, Tom 1, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
Ji P., Wu Y., Liu H. (2006), A Solution Method for the Quadratic Assignment Problem (QAP), The Sixth International Symposium on Operations Research and Its Applications (ISORA ’06), Xinjiang, China.
Kauf S., Bruska A. (2011), System magazynowy jako ogniwo łańcucha dostaw w obsłudze rynków lokalnych, Gospodarka Materiałowa i Logistyka, nr 3.
Kiełtyka L., Kobis P. (2013), Ekonomiczne aspekty wirtualizacji zasobów informatycznych przedsiębiorstw, Przegląd Organizacji 4/2013.
Kłodawski M. (2014), Problem przydziału artykułów do lokacji w funkcji minimalizacji kosztów obiektu logistycznego, Logistyka 4.
Knosala R. (red.) (2002), Zastosowania metod sztucznej inteligencji w inżynierii produkcji, Wydawnictwo Naukowo-Techniczne, Warszawa.
Korbicz J., Obumowicz A., Uciński D. (1994), Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
Korzeniowski A., Weselik A., Skowroński Z.M., Kaczmarek M. (1997), Zarządzanie gospodarką magazynową, Polskie Wydawnictwo Ekonomiczne, Warszawa.
- 114 -
Kosiński R.A. (2007), Sztuczne sieci neuronowe dynamika nieliniowa i chaos, Wydawnictwo Naukowo-Techniczne, Warszawa.
Koster de R., Le-Duc T., Roodbergen K.J. (2007), Design and Control of Warehouse Order Picking: A Literature review, European Journal of Operational Research, Vol. 182 (2).
Krawiec K., Stefanowski J. (2004), Uczenie maszynowe i sieci neuronowe, Wydawnictwo Politechniki Poznańskiej, Poznań.
Kirkpatrick S., Gelatt C., Vecchi M. (1983), Optimizationa by simulated annealing, Sciene 220.
Krzyżaniak S., Niemczyk A., Majewski J., Andrzejczyk P. (2013), Organizacja i monitorowanie procesów magazynowych, Instytut Logistyki i Magazynowania, Poznań.
Kudelska I. (2007), Zastosowania metod sztucznej inteligencji w obszarze logistyki, w: Logistyka i zarządzanie produkcją – nowe wyzwania, odległe granice, Fertsch M., Grzybowska K., Stachowiak A. (red.), Wydawnictwo Politechniki Poznańskiej, Poznań.
Kudelska I. (2008), Zastosowania sztucznych sieci neuronowych w obszarze logistyki, Logistyka 2.
Kudelska I. (2009), Computing support of processes taking stand in warehouse, in: Information Systems in Management III, Karwowski W., Orłowski A. (eds.), Warsaw University of Life Sciences Press, Warsaw.
Kudelska I. (2012), Methods of using the Quadratic Assignment Problem Solution, Logforum, Scientific Journal of Logistics 8 (3).
Kudelska I., Hadaś Ł. (2009), Komputerowe wspomaganie zarządzania gospodarką magazynową, Zeszyty Naukowe. Organizacja i zarządzanie, Politechnika Śląska, z. 49, Gliwice.
Kudelska I., Kudelska K. (2016), Zarządzanie magazynem z wykorzystaniem sieci neuronowych, w: Rozwój i doskonalenie funkcjonowania organizacji, Pypłacz P., Dudek D. (red.), Wydawnictwo Wydziału Zarządzania Politechniki Częstochowskiej, Częstochowa.
Kudelska I., Oleśków-Szłapka J. (2012), Informatyczne wspomaganie planowania i sterowania produkcją, Wydawnictwo Politechniki Poznańskiej, Poznań.
Kudelska I., Ponikierska A. (2008), Narzędzia sztucznej inteligencji w technikach ADC, w: Logistyka i zarządzanie produkcją – narzędzia, techniki, metody, modele, systemy, Fertsch M., Grzybowska K., Stachowiak A. (red.), Wydawnictwo Politechniki Poznańskiej, Poznań.
Kudelska I., Radecki A. (2013a), Problem przydziału oraz sztuczna inteligencja, Zeszyty Naukowe nr 1153, Organizacja i zarządzanie, zeszyt 54, Wydawnictwo Politechniki Łódzkiej, Łódź.
Kudelska I., Radecki A. (2013b), Komputerowe wspomaganie procesów logistycznych w magazynie w małych i średnich przedsiębiorstwach, w: Technologie informacyjne w funkcjonowaniu organizacji. Zarządzanie z wykorzystaniem multimediów, Kiełtyka L. (red.), Wydawnictwo „Dom Organizatora”, Toruń.
Kutschenreiter – Praszkiewicz I. (2003), Zastosowanie sztucznych sieci neuronowych w organizacji procesu produkcyjnego, Zarządzanie Przedsiębiorstwem, nr 1.
Kwiecień J., Filipowicz B. (2014), Algorytmy stadne w optymalizacji strukturalnej systemów niezawodnościowych, Przegląd Elektrotechniczny, R. 90, Nr 6.
Lawler E.L. (1963), The Quadratic Assignment Problem, INFORMS.
Le-Duc T. (2005), Design and Control of Efficient Order of Efficient Order Picking Processes, Erasmus University Rotterdam, Rotterdam.
- 115 -
Li M., Chen X., Liu Ch. (2008), Pareto and Niche Genetic Algorithm for Storage Location Assignment Optimization Problem, The 3rd International Conference on Innovative Computing Information and Control (ICICIC’08), IEEE Computer Society.
Li M.L. (2009), Goods classification based on distribution center environmental factors, International Journal of Production Economics, No. 2/119.
Lis S., Santarek K. (1980), Projektowanie rozmieszczenia stanowisk roboczych, Państwowe Wydawnictwo Naukowe, Warszawa.
Lorenc A.K. (2013), Koncepcja wykorzystania sieci neuronowych do klasyfikacji produktów i ich rozmieszczenia w magazynie, w: Feliks J., Karkula M. (red.), Wybrane zagadnienia logistyki stosowanej, tom 2, Wydawnictwo AGH, Kraków.
Lorenc A.K. (2014a), Metody klasyfikacji i rozmieszczenia produktów w magazynie – przegląd praktycznych rozwiązań, Logistyka 3.
Lorenc A.K. (2014b), Planowanie rozmieszczania produktów w magazynie – najnowsze rozwiązania i trendy rozwojowe, Logistyka 3.
Lorenc A.K. (2014c), Zwiększenie efektywności funkcjonowania magazynu w wyniku zastosowania dynamicznego podziału produktów na grupy, Logistyka 6.
Łęski J. (2008), Systemy neuronowo-rozmyte, Wydawnictwo Naukowo-Techniczne, Warszawa.
Majewski J. (2016), Systemowe zarządzanie magazynem, Warszawska Grupa Wydawnicza, Warszawa.
Malmborg Ch.J., Bhaskaran K. (1990), A revised proof of optima lity for the cube-per-order index rule for stored item location, Applied Mathematical Modelling, Vol. 14 (2).
Mandziuk J. (2000), Sieci neuronowe Hopfielda, Akademicka Oficyna Wydawnicza Exit, Warszawa.
Metropolis N., Rosenbluth A.W., Rosenbluth N.M., Teller A.H., Teller E. (1953), Equation of state by fast computing machines, Journal of Chemical Physics, 21 (6).
Michalewicz Z. (1996), Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa.
Michalik J., Budzik R. (2011), Procesy magazynowe w przedsiębiorstwie produkcyjnym, Logistyka 2.
Michlowicz E. (2002), Podstawy logistyki przemysłowej, Wydawnictwo AGH, Kraków.
Michlowicz E. (2012), Zarys logistyki przedsiębiorstwa, Wydawnictwo AGH, Kraków.
Nehzati T., Rashidi-Bajgan H., Ismail N. (2011), Development of a decision support system using
Nehzati T., Rashidi-Bajgan H., Ismail N. (2011), Development of a decision support system using