ارزیابی تأثیرات بلندمدت اتوماسیون بر شبکه‌های حمل و نقل و لجستیک بار: LRP مقیاس بزرگ یکپارچه در شبیه‌سازی حمل و نقل میکروسکوپی

تاکنون، حمل و نقل‌های فله از طریق یک شبکه مرکزی و انشعابی در بخش حمل و نقل عمومی انجام می‌شده است. با این حال، انتظار می‌رود که استفاده از وسایل نقلیه خودران، تحویل انعطاف‌پذیرتری را امکان‌پذیر سازد. چنین پیشرفت‌هایی ممکن است از نظر اقتصادی برای شرکت‌های حمل و نقل منطقی باشد. از دیدگاه زیست‌محیطی، به دلیل افزایش عملکرد حمل و نقل، می‌توان انتظار اثرات منفی نیز داشت. در چارچوب این تحقیق، ما تأثیرات اتوماسیون بر حمل و نقل عمومی کالا را در سطح شبکه لجستیک بررسی می‌کنیم. برای ارزیابی تأثیرات وسایل نقلیه خودران بر ساختارهای شبکه لجستیک و مسیرهای حمل و نقل بار، ابزاری برای برنامه‌ریزی استراتژیک شبکه حمل و نقل و لجستیک مورد نیاز است. ما یک روش ابتکاری مؤثر برای یافتن امکانات جدید و تنظیم شبکه توسعه می‌دهیم، در حالی که با پرداختن به مسئله مسیریابی مکان در مقیاس بزرگ (LRP)، ویژگی‌های مسیریابی را در نظر می‌گیریم. با رویکرد پیوندی، می‌توانیم شبکه لجستیک را بهینه کنیم و همچنین فواصل دقیق حمل و نقل، زمان‌های تحویل حمل و نقل و تعداد وسایل نقلیه لازم در شبکه زیرساخت را اندازه‌گیری کنیم. ما این رویکرد را در چارچوب یک مطالعه موردی با تمرکز بر توزیع خرده‌فروشی مواد غذایی در آلمان عملیاتی می‌کنیم. در واقع، این تحقیق نشان می‌دهد که استفاده از وسایل نقلیه خودران به طور قابل توجهی برد حمل و نقل و تعداد تورها را افزایش می‌دهد، در حالی که تعداد تأسیسات عملیاتی را کاهش می‌دهد.

مقدمه

با این حال، به دلیل هزینه‌های بالای سرمایه‌گذاری، صرفه‌جویی قابل توجه در هزینه‌ها توسط وسایل نقلیه خودران تنها با استفاده طولانی مدت قابل انتظار است. کامیون‌های خودران در آینده در حمل و نقل مسافت‌های طولانی بین مراکز توزیع بزرگ خارج از مناطق تجمع غالب خواهند بود (PWC، ۲۰۱۶). هنگامی که دیگر نیازی به راننده نباشد (سطح اتوماسیون ۵)، مسافت‌های حمل و نقل نیز می‌تواند به طور قابل توجهی افزایش یابد که به نوبه خود منجر به افزایش عملکرد حمل و نقل و از دست دادن مراکز لازم در سیستم می‌شود. این امر می‌تواند شبکه لجستیک را در درازمدت تغییر دهد یا آن را با شرایط جدید تطبیق دهد. به همین دلیل، ابزاری برای برنامه‌ریزی استراتژیک شبکه حمل و نقل و لجستیک مورد نیاز است که تأثیرات فناوری‌های آینده – و در این مورد فناوری‌های خودران در لجستیک – را بر ساختارهای شبکه لجستیک و مسیرهای حمل و نقل بار ارزیابی کند.

برای بررسی چنین مسائلی، باید از روش‌های بهینه‌سازی استفاده شود. به طور کلی، مسئله بهینه‌سازی شبکه را می‌توان به دو زیرمسئله تقسیم کرد – برنامه‌ریزی مکان (مسئله مکان‌یابی تسهیلات [FLP]) و برنامه‌ریزی مسیر (مسئله مسیریابی وسایل نقلیه [VRP]. هر دو موضوع از جمله سوالات اصلی در زمینه تحقیق در عملیات هستند و موضوعات تحقیقاتی در علوم مختلف می‌باشند. از آنجایی که بررسی متوالی این دو مسئله منجر به نتیجه‌ای غیربهینه می‌شود، رویکردهای ترکیبی در دهه‌های اخیر توسعه یافته‌اند (به Perl and Daskin, 1985; Srivastava, 1986; Harks et al. 2013; Schneider and Drexl, 2017; Nagy and Salhi, 2007; Prins and Prodhon, 2014 مراجعه کنید). با این حال، رویکردهای اکتشافی و فراابتکاری عمدتاً مورد استفاده قرار می‌گیرند، زیرا یک روش عددی دقیق فقط برای نمونه‌های کوچک با تعداد محدودی گره مناسب است.

ما مسئله بهینه‌سازی یکپارچه برای FLP و VRP را با استفاده از یک روش اکتشافی خوشه‌بندی و یک تقریب هزینه تحلیلی برای مسیریابی در نظر می‌گیریم. این رویکرد امکان یافتن و اختصاص بهترین مکان‌ها را بسته به هزینه‌های مسیریابی حتی در نمونه‌های بزرگ فراهم می‌کند. علاوه بر این، ما یک چارچوب بهینه‌سازی مسیر Jsprit را پیاده‌سازی می‌کنیم که در شبیه‌سازی حمل و نقل میکروسکوپی MATSim ادغام شده است تا تأثیرات وسایل نقلیه خودکار بر حمل و نقل بار را در سطح زیرساختی بررسی کند. در این مقاله، ما این رویکرد را به طور عمیق شرح می‌دهیم و عملکرد آن را در یک مطالعه موردی با تمرکز بر توزیع خرده‌فروشی مواد غذایی در آلمان نشان می‌دهیم.

در نتیجه، ما اثرات یک شبکه لجستیک تنظیم‌شده بر حمل‌ونقل بار را در سطح شبکه زیرساختی با استفاده از شبیه‌سازی حمل‌ونقل میکروسکوپی مبتنی بر عامل MATSim و ماژول لجستیک یکپارچه Jsprit بررسی کردیم. اگرچه این رویکرد یک روش اکتشافی مؤثر با پیچیدگی زمانی چندجمله‌ای ارائه می‌دهد، اما تحقیقات بیشتری برای کالیبراسیون عددی هزینه‌های مسیریابی تحلیلی و تصمیمات انتخاب وسیله نقلیه تحت شرایط شبیه‌سازی شده مورد نیاز است. با این حال، اعمال خوشه‌بندی k-Means++ در ترکیب با تخمین هزینه‌های مسیریابی CA به ما این امکان را می‌دهد که حتی برای نمونه‌های بزرگ در یک زمان محاسبه کوتاه، راه‌حلی برای LRPها پیدا کنیم که یکی از پیچیده‌ترین پیچیدگی‌ها در روش‌های اکتشافی سنتی بوده است.

در ادامه، جدیدترین پیشرفت‌ها در بهینه‌سازی شبکه لجستیک را با تمرکز بر رویکردهای یکپارچه FLP و مسیریابی وسایل نقلیه، که به اصطلاح مسائل مسیریابی مکان (LRP) نامیده می‌شوند، ارائه خواهیم داد. فصل 3 بر رویکرد روش‌شناختی ما تمرکز خواهد داشت. علاوه بر این، مروری کلی بر اصول مورد استفاده در اینجا که پیش‌نیاز رویکرد تقریب خوشه‌بندی یکپارچه ما هستند، ارائه خواهیم داد. در فصل 4، دو سناریو برای یک خرده‌فروش مواد غذایی در آلمان توسعه داده خواهد شد. علاوه بر این، داده‌های ثانویه جمع‌آوری‌شده و آماده‌شده برای پارامتری کردن مدل توسعه‌یافته نشان داده خواهد شد. پس از آن، نتایج منتخب رویکرد ما ارائه خواهد شد. نتایج سناریوی خودران (استفاده از وسایل نقلیه خودران در توزیع خرده‌فروشی مواد غذایی) با سناریوی پایه (وضعیت موجود) مقایسه خواهد شد. در نهایت، در فصل 6 با یافته‌های مربوطه نتیجه‌گیری خواهیم کرد.(منبع)