Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Industrial · 2025
Evaluación de la optimización del slotting en almacén de cervecería : mejora de la eficiencia de almacenamiento y distribución mediante la construcción de un modelo de aprendizaje por refuerzo de IA
Este trabajo propone un modelo basado en Aprendizaje por Refuerzo (AR) para optimizar el slotting en almacenes de cervecerías, abordando un problema crítico en logística: la ubicación ineficiente de productos aumenta costos operativos y reduce la productividad. Para ello, se implementó el algoritmo Advantage Actor-Critic (A2C), que entrena a un agente inteligente para posicionar mercancías considerando variables clave como la distancia a las bahías de carga y la capacidad por producto. El estudio se desarrolló en un almacén de una cervecería nueva en Colombia, seleccionado por su volumen reducido de artículos y espacios delimitados, lo que permitió un entorno controlado ideal para validar el modelo. El diseño partió de una búsqueda de algoritmos de AR aplicados a logística, identificando el A2C como el más adecuado por su equilibrio entre eficiencia y adaptabilidad. Además, se analizaron parámetros operativos —frecuencia de pedidos— para definir reglas de priorización. La intervención incluyó el análisis del layout del almacén, lo que permitió ajustar el modelo a las necesidades reales. Los datos históricos de pedidos de meses anteriores alimentaron la simulación, replicando condiciones reales sin alterar la operación en curso. Los resultados demostraron una reducción significativa en las distancias recorridas por los montacargas, lo que sugiere mejoras tangibles en eficiencia y potenciales ahorros en costos logísticos. Estos hallazgos respaldan el uso del Aprendizaje por Refuerzo para optimizar procesos de almacenamiento. El modelo no solo es escalable a almacenes de mayor capacidad, sino que también ofrece un marco metodológico adaptable a otros contextos logísticos donde la dinámica de inventario sea un desafío operativo. (Texto tomado de la fuente)
Texto completo 121 páginas con texto de 126
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 17
- Revisión de Literaturap. 21
- Protocolo de la Revisiónp. 21
- Antecedentes en Slottingp. 23
- 1.2.1 Antecedentes en Slotting con IAp. 37
- Problemática y Justificaciónp. 43
- Justificaciónp. 44
- Marco Teóricop. 47
- Tipos de Aprendizaje por Refuerzop. 47
- Algoritmo A2Cp. 49
- 4. Metodologíap. 53
- Diseño Experimentalp. 53
- Recopilación de Datosp. 55
- Método de Estudiop. 56
- Modelosp. 22
- Modelo de Aprendizajep. 63
- 5.1.1. Importación de Libreríasp. 63
- 5.1.2. Clase de Productosp. 64
- 5.1.3. Clase de Espacio de Almacenamientop. 64
- 5.1.4. Entorno del Almacénp. 65
- 5.1.5. Modelo Actor - Críticop. 69
- 5.1.6. Agente A2Cp. 71
- 5.1.7. Configuración Inicialp. 79
- 5.1.8. Entrenamientop. 84
- 5.1.9. Resultados Escenariosp. 85
- Modelo de Simulaciónp. 85
- 5.2.1. Simulación Basep. 86
- 5.2.2. Simulación Cerveceríap. 89
- Resultadosp. 91
- Entrenamiento A2C Escenario Basep. 91
- Entrenamiento A2C Cerveceríap. 94
- Análisis Estadísticop. 95
- Simulación Escenarios Basep. 97
- Simulación Escenarios Cerveceríap. 99
- Conclusiones y Recomendacionesp. 103
- Conclusionesp. 104
- Recomendacionesp. 105
- Anexo A: Código en Python Algoritmo A2C RLp. 109
- Figura 1. Layout de la Cerveceríap. 81
- Figura 2. Nomenclatura del Layout y Espacios de Almacenamientop. 82
- Figura 3. Leyenda Layoutp. 82
- Figura 4. Dimensiones Ranuras de Almacenamientop. 86
- Figura 5. Disposición Escenario Base Controladop. 86
- Figura 6. Escenario Ap. 97
- Figura 7. Escenario Bp. 97
- Figura 8. Escenario Cp. 97
- Figura 9. Escenario Base Conteo Cerveceríap. 100
- Figura 10. Escenario Propuesto Agente A2Cp. 101
- Tabla 1. Ecuación de Búsquedap. 22
- Tabla 2. Métodos de Slottingp. 30
- Tabla 3. Sistema de recompensas (Políticas de Almacenamiento)p. 68
- Tabla 4. Datos Operativos por SKUp. 83
- Tabla 5. Identificación Colores SKUs Basep. 87
- Tabla 6. Ordenes Simulación Basep. 88
- Tabla 7. Identificación Colores SKUs Operaciónp. 89
- Tabla 8. Estadísticos Descriptivos Corridas de Episodiosp. 93
- Tabla 9. Asignación de Productos Mejor Recompensap. 93
- Tabla 10. Prueba Kolmogórov-Smirnovp. 95
- Tabla 11. Distancias Simuladas por SKU y Posiciónp. 98
- Tabla 12. Distancias Recorridas Entre Escenarios (metros)p. 99
- Tabla 13. Distancias Recorridas Entre Escenarios Cervecería (metros)p. 102
- Gráfica 1. Método de Estudio Implementación del Algoritmop. 58
- Gráfica 2. Resultados: Recompensa vs Episodio Corrida 1p. 92
- Gráfica 3. Resultados: Recompensa vs Episodio Corrida 2p. 92
- Gráfica 4. Resultados: Recompensa vs Episodio Corrida 3p. 92
- Gráfica 5. Resultados: Recompensa vs Episodio Corrida 4p. 92
- Gráfica 6. Resultados: Recompensa vs Episodio Corrida 5p. 92
- Gráfica 7. Resultados: Recompensa vs Episodio Corrida 6p. 92
- Gráfica 8. Resultados: Recompensa vs Episodio Corrida 7p. 92
- Gráfica 9. Resultados: Recompensa vs Episodio Corrida 8p. 92
- Gráfica 10. Resultados: Recompensa vs Episodio Corrida 9p. 92
- Gráfica 11. Resultados: Recompensa vs Episodio Corrida 10p. 92
- Gráfica 12. Recompensa por Episodio Datos Operativos Cerveceríap. 94