Algoritmo evolutivo multiobjetivo basado en descomposición para la optimización del procesamiento por lotes de pedidos

Abstract

La demanda de prácticas logísticas sostenibles junto al auge del comercio electrónico, ha generado mayores exigencias en cuanto a la eficiencia y calidad en el procesamiento de pedidos. En este marco, y con el propósito de estudiar los métodos más adecuados para abordar el problema de agrupación y preparación de pedidos, se presenta una variante del JOBPRP con dos objetivos: los costos operativos y la distribución equilibrada de la carga de trabajo. En este contexto, los algoritmos evolutivos son buenas alternativas para la búsqueda multiobjetivo, pero pueden enfrentar obstáculos relacionados con la convergencia o la diversidad al abordar frentes de Pareto irregulares. Por esto se ha estudiado el desempeño del Algoritmo Evolutivo Multiobjetivo Basado en Descomposición, MOEA/D. Se realizó un análisis comparativo de su rendimiento utilizando diferentes métodos de escalarización en un conjunto exhaustivo de pruebas experimentales aplicadas a instancias de diferentes tamaños del problema abordado. Se emplearon como indicadores de desempeño el hipervolumen, la distancia promedio a la solución ideal y la dispersión de las soluciones no dominadas. Los resultados indican que el MOEA/D basado en el método de AASF ofrece un buen desempeño en términos de hipervolúmenes promedio y dispersión de soluciones a lo largo de los frentes.

The demand for sustainable logistics practices, coupled with the rise of e-commerce, has led to greater requirements for efficiency and quality in order processing. Within this framework, and with the aim of studying the most suitable methods to address the problem of order grouping and preparation, a variant of the JOBPRP is presented with two objectives: operational costs and balanced workload distribution. In this context, evolutionary algorithms are strong alternatives for multi-objective search, yet they may face challenges related to convergence or diversity when dealing with irregular Pareto fronts. Therefore, the performance of the Multi-Objective Evolutionary Algorithm Based on Decomposition (MOEA/D) was studied. A comparative analysis of its performance was conducted using different scalarization methods across an extensive set of experimental tests applied to instances of various sizes of the problem under consideration. Performance indicators such as hypervolume, the average distance to the ideal solution, and the dispersion of non-dominated solutions were used. The results indicate that the MOEA/D based on the AASF method demonstrates strong performance in terms of average hypervolumes and solution dispersion across the fronts.