ІНТЕЛЕКТУАЛЬНІ ПІДХОДИ ДО ОПТИМІЗАЦІЇ СКЛАДСЬКИХ ПРОЦЕСІВ У ЗАДАЧАХ РОЗМІЩЕННЯ, КОМПЛЕКТУВАННЯ ТА РОБОТИЗАЦІЇ

Анотація

У статті представлено систематизований огляд сучасних наукових підходів до вирішення задач призначення місць зберігання (Storage Location Assignment Problem, SLAP), управління процесом комплектування замовлень (Order Picking Problem, OPP) та впровадження роботизованих мобільних систем (Robotic Mobile Fulfillment Systems, RMFS) у складській логістиці із застосуванням методів машинного навчання. У межах дослідження було сформовано вибірку робіт з бази даних Scopus відповідно до методології PRISMA 2020, що забезпечило прозорість та відтворюваність аналізу. У результаті було відібрано 20 наукових публікацій, що містять експериментальні та прикладні результати у сфері автоматизації логістичних центрів. Аналіз літератури структуровано за типами задач, методами та технологіями реалізації. Розглянуто класичні евристичні алгоритми, інтелектуальні системи, гібридні стратегії та підходи на основі машинного навчання, зокрема глибокого навчання з підкріпленням, кластеризації часових рядів і асоціативного аналізу. Акцент зроблено на практичних аспектах застосування, що охоплюють підвищення ефективності розміщення, зниження транспортних витрат, скорочення часу комплектування та зменшення фізичного навантаження на персонал. Особливу увагу приділено роботизованим системам, які дозволяють оптимізувати маршрути переміщення та скоротити загальний час виконання операцій. До найбільш перспективних напрямів належать алгоритми, що поєднують аналіз історичних даних, кореляційні зв’язки між товарами та попередню класифікацію попиту. Встановлено, що комбіновані моделі, які інтегрують часові характеристики та асоціативні зв’язки, є ефективними у контексті адаптивного управління розміщенням товарів і формування партій замовлень. Отримані результати систематизовано за ознаками, що включають тип задачі, застосований метод, наявність машинного навчання та середовище реалізації. Також окреслено напрями подальших досліджень, серед яких адаптивна кластеризація з урахуванням сезонності, прогнозне оновлення розміщення, інтеграція моделей довгої короткочасної пам’яті (Long Short-Term Memory, LSTM) та врахування енергетичних аспектів. У підсумку проведене дослідження дозволяє сформувати цілісне уявлення про сучасний стан наукових підходів у сфері оптимізації складських процесів і є підґрунтям для розробки комплексних інтелектуальних систем управління, орієнтованих на гнучкість, ефективність і сталий розвиток логістичних центрів.