La croissance du commerce électronique exige une hausse des performances des systèmes d'entreposage, qui sont maintenant repensés pour faire face à un volume massif de demandes à être satisfait le plus rapidement possible. Le système manuel et le système à robots mobile (SRM) sont parmi les plus utilisés pour ces activités. Le premier est un système centré sur l'humain pour réaliser des opérations complexes que les robots actuels ne peuvent pas effectuer. Cependant, les nouvelles générations de robots autonomes mènent à un remplacement progressif par le dernier pour augmenter la productivité. Quel que soit le système utilisé, plusieurs problèmes interdépendants doivent être résolus pour avoir des processus de stockage et de prélèvement efficaces. Les problèmes de stockage concernent les décisions d'où stocker les produits dans l'entrepôt. Les problèmes de prélèvement incluent le regroupement des commandes à exécuter ensemble et les itinéraires que les cueilleurs et les robots doivent suivre pour récupérer les produits demandés. Dans le système manuel, ces problèmes sont traditionnellement résolus à l'aide de politiques simples que les préparateurs peuvent facilement suivre. Malgré l'utilisation de robots, la même stratégie de solution est répliquée aux problèmes équivalents trouvés dans le SRM. Dans cette recherche, nous étudions les problèmes de stockage et de prélèvement rencontrés lors de la conception du système manuel et du SRM. Nous développons des outils d'optimisation pour aider à la prise de décision pour mettre en place leurs processus, en améliorant les mesures de performance typiques de ces systèmes. Certains problèmes traditionnels sont résolus avec des techniques améliorées, tandis que d'autres sont intégrés pour être résolus ensemble au lieu d'optimiser chaque sous-système de manière indépendante. Nous considérons d'abord un système manuel avec un ensemble connu de commandes et intégrons les décisions de stockage et de routage. Le problème intégré et certaines variantes tenant compte des politiques de routage communes sont modélisés mathématiquement. Une métaheuristique générale de recherche de voisinage variable est présentée pour traiter des instances de taille réelle. Des expériences attestent de l'efficience de la métaheuristique proposée par rapport aux modèles exacts et aux politiques de stockage communes. Lorsque les demandes futures sont incertaines, il est courant d'utiliser une stratégie de zonage qui divise la zone de stockage en zones et attribue les produits les plus demandés aux meilleures zones. Les tailles des zones sont à déterminer. Généralement, des dimensions arbitraires sont choisies, mais elles ignorent les caractéristiques de l'entrepôt et des demandes. Nous abordons le problème de dimensionnement des zones pour déterminer quels facteurs sont pertinents pour choisir de meilleures tailles de zone. Les données générées à partir de simulations exhaustives sont utilisées pour trainer quatre modèles de régression d'apprentissage automatique - moindres carrés ordinaire, arbre de régression, forêt aléatoire et perceptron multicouche - afin de prédire les dimensions optimales des zones en fonction de l'ensemble de facteurs pertinents identifiés. Nous montrons que tous les modèles entraînés suggèrent des dimensions sur mesure des zones qui performent meilleur que les dimensions arbitraires couramment utilisées. Une autre approche pour résoudre les problèmes de stockage pour le système manuel et pour le SRM considère les corrélations entre les produits. L'idée est que les produits régulièrement demandés ensemble doivent être stockés près pour réduire les coûts de routage. Cette politique de stockage peut être modélisée comme une variante du problème d'affectation quadratique (PAQ). Le PAQ est un problème combinatoire traditionnel et l'un des plus difficiles à résoudre. Nous examinons les variantes les plus connues du PAQ et développons une puissante métaheuristique itérative de recherche tabou mémétique en parallèle capable de les résoudre. La métaheuristique proposée s'avère être parmi les plus performantes pour le PAQ et surpasse considérablement l'état de l'art pour ses variantes. Les SRM permettent de repositionner facilement les pods d'inventaire pendant les opérations, ce qui peut conduire à un processus de prélèvement plus économe en énergie. Nous intégrons les décisions de repositionnement des pods à l'attribution des commandes et à la sélection des pods à l'aide d'une stratégie de prélèvement par vague. Les pods sont réorganisés en tenant compte du moment et de l'endroit où ils devraient être demandés au futur. Nous résolvons ce problème en utilisant la programmation stochastique en tenant compte de l'incertitude sur les demandes futures et suggérons une matheuristique de recherche locale pour résoudre des instances de taille réelle. Nous montrons que notre schéma d'approximation moyenne de l'échantillon est efficace pour simuler les demandes futures puisque nos méthodes améliorent les solutions trouvées lorsque les vagues sont planifiées sans tenir compte de l'avenir. Cette thèse est structurée comme suit. Après un chapitre d'introduction, nous présentons une revue de la littérature sur le système manuel et le SRM, et les décisions communes prises pour mettre en place leurs processus de stockage et de prélèvement. Les quatre chapitres suivants détaillent les études pour le problème de stockage et de routage intégré, le problème de dimensionnement des zones, le PAQ et le problème de repositionnement de pod. Nos conclusions sont résumées dans le dernier chapitre. / The rising of e-commerce is demanding an increase in the performance of warehousing systems, which are being redesigned to deal with a mass volume of demands to be fulfilled as fast as possible. The manual system and the robotic mobile fulfillment system (RMFS) are among the most commonly used for these activities. The former is a human-centered system that handles complex operations that current robots cannot perform. However, newer generations of autonomous robots are leading to a gradual replacement by the latter to increase productivity. Regardless of the system used, several interdependent problems have to be solved to have efficient storage and picking processes. Storage problems concern decisions on where to store products within the warehouse. Picking problems include the batching of orders to be fulfilled together and the routes the pickers and robots should follow to retrieve the products demanded. In the manual system, these problems are traditionally solved using simple policies that pickers can easily follow. Despite using robots, the same solution strategy is being replicated to the equivalent problems found in the RMFS. In this research, we investigate storage and picking problems faced when designing manual and RMFS warehouses. We develop optimization tools to help in the decision-making process to set up their processes and improve typical performance measures considered in these systems. Some classic problems are solved with improved techniques, while others are integrated to be solved together instead of optimizing each subsystem sequentially. We first consider a manual system with a known set of orders and integrate storage and routing decisions. The integrated problem and some variants considering common routing policies are modeled mathematically. A general variable neighborhood search metaheuristic is presented to deal with real-size instances. Computational experiments attest to the effectiveness of the metaheuristic proposed compared to the exact models and common storage policies. When future demands are uncertain, it is common to use a zoning strategy to divide the storage area into zones and assign the most-demanded products to the best zones. Zone sizes are to be determined. Commonly, arbitrary sizes are chosen, which ignore the characteristics of the warehouse and the demands. We approach the zone sizing problem to determine which factors are relevant to choosing better zone sizes. Data generated from exhaustive simulations are used to train four machine learning regression models - ordinary least squares, regression tree, random forest, and multilayer perceptron - to predict the optimal zone sizes given the set of relevant factors identified. We show that all trained models suggest tailor-made zone sizes with better picking performance than the arbitrary ones commonly used. Another approach to solving storage problems, both in the manual and RMFS, considers the correlations between products. The idea is that products constantly demanded together should be stored closer to reduce routing costs. This storage policy can be modeled as a quadratic assignment problem (QAP) variant. The QAP is a traditional combinatorial problem and one of the hardest to solve. We survey the most traditional QAP variants and develop a powerful parallel memetic iterated tabu search metaheuristic capable of solving them. The proposed metaheuristic is shown to be among the best performing ones for the QAP and significantly outperforms the state-of-the-art for its variants. The RMFS allows easy repositioning of inventory pods during operations that can lead to a more energy-efficient picking process. We integrate pod repositioning decisions with order assignment and pod selection using a wave picking strategy such that pods are parked after being requested considering when and where they are expected to be requested next. We solve this integrated problem using stochastic programming considering the uncertainty about future demands and suggest a local search matheuristic to solve real-size instances. We show that our sample average approximation scheme is effective to simulate future demands since our methods improve solutions found when waves are planned without considering the future demands. This thesis is structured as follows. After an introductory chapter, we present a literature review on the manual and RMFS, and common decisions made to set up their storage and picking processes. The next four chapters detail the studies for the integrated storage and routing problem, the zone sizing problem, the QAP, and the pod repositioning problem. Our findings are summarized in the last chapter.

La préparation de commandes est une activité primordiale dans les entrepôts de distribution (près de 60% des coûts opérationnels dans les entrepôts traditionnels). Un des moyens de réduire ces coûts est de collecter plusieurs commandes simultanément, plutôt qu’une par une ; cela permet d’éviter des déplacements inutiles des opérateurs dans le cas de collecte manuelle des produits, et de moins solliciter les machines, dans le cas de collecte automatisée. Nous considérons dans cette thèse des entrepôts de distribution où les produits sont stockés dans des machines appelées stockeurs automatisés composés de plateaux sur lesquels les produits sont stockés ; nous prenons en compte deux types de stockeurs : les VLMs et Carousels. Ces deux types de machines, en plein développement, se différencient par le temps nécessaire pour passer d’un plateau au plateau suivant à visiter (constant dans le cas d’un VLM, dépendant du nombre d’étages entre les 2 plateaux visités dans le cadre des carousels). L’objectif de la thèse est donc de développer des méthodes pour faire des regroupements de commandes en lots dans des entrepôts automatisés afin de collecter un ensemble donné de commandes le plus efficacement possible selon des critères que nous allons définir.Nous étudions tout d’abord un premier type de regroupement de commandes en lots, pour lequel chaque lot sera collecté entièrement (toutes les commandes composant le lot seront traitées) avant de passer au suivant. Nous parlerons simplement de batching. Nous évaluons le temps de préparation de commandes, dans le cas où l’opérateur effectue la collecte sur une ou sur plusieurs machines. L’intérêt d’utiliser plusieurs machines est de permettre la recherche de plateaux en temps masqué (le stockeur effectue un changement de plateaux pendant que l’opérateur est occupé à effectuer la collecte sur d’autres stockeurs). Cette évaluation du temps de préparation de commandes nous permet d’extraire un critère d’optimisation et d’établir des modèles d’optimisation exacts pour les VLMs puis les carousels. Ces modèles sont ensuite testés avec des données réelles d’entreprise, grâce au partenariat avec l’entreprise KLS Logistic, éditeur du WMS Gildas. Enfin, nous étendons la résolution aux méthodes approchées de type métaheuristiques, afin de garantir de bonnes solutions sous un temps de calcul raisonnable. Des résultats significatifs en termes de réduction du temps de préparation de commandes permettent de justifier l’intérêt de nos travaux.Nous étudions ensuite un deuxième type de regroupement, où un ensemble de commandes est collecté simultanément mais, contrairement au cas précédent, à chaque fois qu’une commande est terminée, elle est immédiatement remplacée. Nous parlerons ici de « Rolling batching ». Cette approche est classiquement utilisée dans les « Drive ». Nous nous focalisons sur le cas de collecte effectuée sur des carousels, système le plus utilisé dans les « Drive ». Nous développons un algorithme permettant le calcul du temps d’attente de l’opérateur. Une résolution approchée couplant l’utilisation d’heuristiques et d’une métaheuristique est proposée afin de résoudre efficacement le séquencement des commandes. Nous notons que des gains significatifs sont obtenus par l’utilisation de la méthode proposée. / The order picking is a critical activity in distribution warehouses (60% of the operational costs in traditional warehouses). One way to reduce these costs is to collect several orders simultaneously, rather than individually, to avoid unnecessary travels to the operators in the case of manual picking of the products, and less workload for the machines, in the case of automated picking. We consider, in this PhD, warehouses where products are stored in automated storage systems composed by trays on which products are stored. We consider two types of machines: VLMs and Carousels. These two types differ by the time required to move from a tray to the next one to visit (constant in the case of a VLM, depending on the number of trays between 2 consecutively visited trays for the carousels). We aim to develop order batching methods in automated warehouses to collect a set of orders efficiently, according to criteria that we will define.We study a first category of order batching, for which each batch will be entirely collected (all orders associated with a given batch will be collected) before moving to the next batch. We evaluate completion time, when the operator does the picking on one or several machines. The interest of using multiple machines is to search trays in masked time (the machine change trays while the operator is busy to collect on other machines). From this evaluation of the completion time, we extract an optimization criterion and establish optimization models for the VLMs then the carousels. These models are then tested with actual data, thanks to the partnership with the company KLS Logistic, editor of the WMS Gildas. Finally, we extend the resolution to metaheuristics, to ensure good solutions under reasonable computation time. Significant savings in terms of completion time reduction justifies the interest of our work.We then study the second category, where a set of orders is collected simultaneously, but unlike the previous case, whenever an order is collected, it is immediately replaced by a new one. We'll talk here about "Rolling batching”. This approach is typically used in the "Drive-in shops". We develop an algorithm for the computation of the waiting time of the operator. Resolution coupling heuristics and a metaheuristic is proposed in order to effectively resolve the order sequencing. Significant gains are achieved by the use of the proposed method.

Ces travaux de recherche présentés dans cette thèse s’intègrent dans le cadre d’un partenariat entre Generix Group, éditeur de logiciels collaboratifs pour l’écosystème du commerce, et l’École Centrale de Lille portant sur la réalisation d’un système d’aide au déplacement des opérateurs intégrant la Réalité Augmentée (RA) dans le domaine de la supply chain. Dans la gestion des entrepôts, la préparation des commandes représente un processus important. Avoir une gestion optimisée des entrepôts en aidant les opérateurs à travailler dans des meilleures conditions est un enjeu majeur. Le but de cette thèse est de proposer un Système d’Aide à la Décision (SAD) dans les entrepôts pour l’optimisation des processus de picking et putting. L’aspect dynamique et ouvert du problème nous a conduits à adopter une modélisation multi-agent. Le système multi-agent proposé s’appuie sur les méta heuristiques pour gérer l’affectation aux opérateurs des chemins optimisés de préparation de commandes. Le système d’Alliance entre l’Optimisation et les Systèmes Multi-agent (AOSMA) proposé est basé sur une approche de modélisation, optimisation et simulation orientée agent intégrant la technologie des lunettes à RA. En effet, les lunettes connectées permettent d’afficher d’une manière confortable dans le champ de vision de l’opérateur les informations nécessaires afin d’améliorer l’efficacité et le rendement et de réduire les erreurs de picking et putting. Les résultats expérimentaux présentés dans cette thèse justifient l’alliance entre les Systèmes Multi-Agent et l’optimisation tout en intégrant la nouvelle technologie de RA pour assurer le pilotage des parcours de picking et putting / The research presented in this thesis belongs to a partnership between Generix Group, collaborative software vendor for Retail ecosystem, and the Ecole Centrale of Lille which aims to implement a Support System for Travel (SST) distance of pickers integrating Augmented Reality (AR) in the area of the supply chain. In warehouse management, order picking is an important process. Having an optimized warehouse management by helping order pickers to work in better conditions is a major issues. The aim of this thesis is to propose a Decision Support System (DSS) in warehouses to optimize picking and putting processes. The dynamic and open aspect of the problem has led us to adopt a multi-agent modelling approach. The proposed multi-agent system is based on metaheuristics to manage the optimized paths allocation to order pickers. The Alliance between the Optimization and Multi-Agent System (AOMAS) proposed is based on a modeling approach, optimization and agent-oriented simulation integrating Augmented Reality (AR) Smart Glasses. Indeed, the connected glasses can display in the operator's field of vision the necessary information to improve efficiency and effectiveness and reduce errors in picking and putting. The experimental results presented in this thesis, justify the alliance between the multi-agent systems and optimization integrating the new AR technology to ensure the piloting of picking and putting path.