![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
توزیع بار شهری با وسایل نقلیه الکتریکی: مقایسه برخی از رویههای حل
مسئله مسیریابی وسیله نقلیه (VRP) یک مسئله بهینهسازی گسسته شناخته شده است که بر کاربردهای نظری و عملی تأثیر میگذارد. در این مقاله، یک مدل توزیع بار که شامل یک سیستم شارژ واقع در ایستگاه است و آن را برای پیادهسازی در دنیای واقعی امکانپذیر میکند، پیشنهاد شده است. دو روش حل مختلف پیشنهاد و مقایسه شدهاند: یک الگوریتم ژنتیک (GA) و یک الگوریتم تبرید شبیهسازی شده مبتنی بر جمعیت (PBSA) با تعداد حرکتهای افزایشی در طول تکرارها. در میان انواع الگوریتمهای مورد استفاده برای حل VRP، روشهای جستجوی مبتنی بر جمعیت به دلیل توانایی بهروزرسانی حافظه در هر تکرار، مفیدترین هستند. برای نشان دادن جنبههای عملی راهحل پیشنهادی، یک مطالعه موردی با استفاده از زمان سفر در یک شبکه واقعی برای ارزیابی پتانسیل آن برای کاربرد در دنیای واقعی حل شده است.
مقدمه
سازمان ملل متحد برای مقابله با تأثیر گرمایش جهانی، اهداف توسعه پایدار (SDGs) را تعیین کرده است. به طور خاص، تلاش سیستماتیکی برای انتشار گازهای گلخانهای (GHG) صورت گرفته است که اهداف اصلی آن کاهش سطح انتشار به صفر تا سال 2050 است.
بخش حمل و نقل یکی از بخشهایی است که تقاضای زیادی برای مصرف انرژی دارد؛ این بخش به مقدار زیادی از منابع طبیعی نیاز دارد که به طور سنتی از منابع تجدیدناپذیر به دست میآیند. به همین دلیل، وسایل نقلیه سنتی (مانند اتومبیلها و وسایل نقلیه تجاری) تا حد زیادی در انتشار گازهای گلخانهای و آلودگی هوا نقش دارند و بنابراین بر محیط زیست و سلامت تأثیر میگذارند. در تلاش برای کاهش این تأثیرات، چندین محقق و مدیریت دولتی، سیاستها و راهحلهای جدیدی را برای حمایت از تغییر شیوه حمل و نقل برای مسافران و بار تشویق کردند.
مقدمهای بر دیجیتالی شدن و فناوری اطلاعات و ارتباطات (ICT) امکان ادغام مشکلات کلاسیک تحویل کالا را از طریق یک الگوی پویای جدید (Comi and Russo, 2022) و ارائه راهحلهای نوین برای لجستیک شهری پایدار (Knapskog and Browne, 2022) فراهم کرد. البته این مشکل نیاز به مدلها و روشهای کافی دارد (Cattaruzza et al., 2017; Crainic et al., 2023). در میان طیف گستردهای از فرصتهای ارائه شده توسط فناوری نوآوری، رباتهای تحویل خودکار برقی، جایگزین امیدوارکنندهای در تحویل در آخرین مایل هستند (Arntz et al., 2023; Khoufi et al., 2019; Thibbotuwawa et al., 2020). همچنین، راهحلهای مشارکتی، مانند ادغام بین وسایل نقلیه سنتی و پهپادها، برای انجام تحویل در آخرین مایل به مشتریان ارزیابی شدهاند. اگرچه از نظر کارایی و پایداری زیستمحیطی در مقایسه با عملکرد ناوگانهای سوخت فسیلی، مزایای قابل توجهی وجود دارد، اما هماهنگی بین این دو بردار هنوز یک مشکل حل نشده است (Macrina و همکاران، 2020).
مطالعاتی که به گذار از وسایل نقلیه با سوخت فسیلی به وسایل نقلیه الکتریکی (EV) پرداختهاند، اولاً، امکان کاهش قابل توجه وابستگی فعلی به منابع انرژی تجدیدناپذیر را برجسته کردهاند (Jones و همکاران، 2021؛ Napoli و همکاران، 2021). در واقع، به طور کلی، وسایل نقلیه الکتریکی مسئول انتشار گازهای گلخانهای کمتری (در مقایسه با وسایل نقلیه سنتی) هستند، به خصوص در مواردی که انرژی شارژ از منابع تجدیدپذیر (مانند انرژی خورشیدی یا بادی) تأمین میشود.
در این مقاله، با توجه به مسائل پایداری زیستمحیطی، یک مدل توزیع بار مبتنی بر استفاده از خودروهای برقی، با سیستم شارژ مستقر در انبار، پیشنهاد شده است. برنامه تحویل، بحرانیترین مرحله در عملیات تحویل است؛ بنابراین، برنامهریزی بازدید مشتری در هسته فعالیتهای برنامهریزی برای به حداقل رساندن زمان سفر، هزینههای سفر و اثرات زیستمحیطی تحویل بار قرار دارد. این مسئله در ادبیات به عنوان مسئله مسیریابی وسیله نقلیه (VRP) شناخته میشود. از زمان اولین فرمولبندی آن (مسئله اعزام کامیون، دانتزیگ و رامسر، ۱۹۵۹) این موضوع با فرمولبندیها و رویههای حل مختلف غنی شده است. از نظر فرمولبندی، تلاش زیادی با تمرکز بر توابع هدف و محدودیتهای مسئله (به عنوان مثال، تاث و ویگو، ۲۰۰۲) انجام شده است. در مورد تابع هدف، عبارت ریاضی شامل اجزایی است که باید بهینه شوند (زمان سفر، هزینه و غیره) و متغیر(های) تصمیمگیری. در مورد محدودیتها، در کنار محدودیتهای کلاسیک (مثلاً در مورد متغیرها، در مورد اندازه/ظرفیت وسیله نقلیه، در مورد طول مسیر)، ذکر سایر فرمولهای خاصتر مانند VRP با پنجره زمانی (VRPTW، مثلاً، Bräysy و همکاران، 2004) یا مسئله مسیریابی وسیله نقلیه با گزینههای تحویل و حمل و نقل (VRPDB، مثلاً، Koç و Laporte، 2018) نیز مرتبط است. در مورد رویههای حل، در ابتدا، میتوان بین رویههای دقیق و ابتکاری اشتراک قائل شد. یک رویه دقیق، یک راهحل بهینه برای مسئله ارائه میدهد، اما اغلب با تلاش محاسباتی بالا و زمان محاسبه غیرقابل قبول، بنابراین امکان توسل به یک رویه دقیق عمیقاً با ابعاد مسئله مرتبط است. با این حال، در طول سالها، به لطف ظرفیت محاسباتی قدرتمند جدید کامپیوتر، تحلیلگران رویههای دقیق را به مطالعات موردی بزرگتر گسترش دادهاند. به همین ترتیب، تلاشهای محاسباتی، توسعه رویههای اکتشافی را، از الگوریتمهای سازنده (مانند الگوریتم کلارک و رایت) گرفته تا الگوریتمهای پیچیدهتر (مانند جستجوی ممنوعه، شبیهسازی تبرید، بهینهسازی ازدحامی و الگوریتم ژنتیک) را به پیش راند. از این نظر، رسمیسازی یک مسئله نیازمند تحلیل دقیق بین دقت راهحل و زمان محاسباتی (زمان پردازش) مورد نیاز برای دستیابی به آن است. در مجموعه رویههای اکتشافی، یک دسته خاص توسط فراابتکاریها، رویههای تقریبی که هم برای متغیرهای گسسته و هم پیوسته طراحی شدهاند، تشکیل میشود (درئو و همکاران، ۲۰۰۶). در میان این فراابتکاریها:
• جستجوی ممنوعه (Glover and Laguna, 1997) یک روش تطبیقی است؛ این روش مبتنی بر روشهای جستجوی محلی است که اصولی را برای جلوگیری از افتادن در راهحلهای بهینه محلی پیادهسازی میکند؛
• شبیهسازی تبرید روشی مبتنی بر قیاس با تبرید یک ماده است که میتوان آن را به عنوان دنباله ای از الگوریتمهای متروپولیس (van Laarhoven and Aarts, 1987; Metropolis et al., 1953) در تطابق با مقادیر مختلف یک پارامتر کنترل در نظر گرفت؛ تکامل آن الگوریتم تبرید کوانتومی است (Syrichas and Crispin, 2017)؛
• کلونی مورچهها یک الگوریتم الهام گرفته از زیستشناسی مبتنی بر قیاس با حرکات مورچهها در جستجوی غذا است (Dorigo and Gambardella, 1997) که با موفقیت برای حل VRP به کار گرفته شد؛
• الگوریتم ژنتیک (Goldberg, 1989) یک الگوریتم الهام گرفته از زیستشناسی مبتنی بر فرآیندهایی که تکامل اشکال زیستی را هدایت میکنند.
مدل ارائه شده در این کار بخشی از یک چارچوب کلیتر است که به عنوان یک سرویس دو سطحی طراحی شده است: سطح اول، تحویل بار شهری طبق معمول است؛ سطح دوم شامل یک رویه خدماتی برای ارائه خدمات نصب یا جمعآوری بستهبندی است. حل این مسئله مشترک، هم برای شرکت (که میتواند تحویل نصب را از هم جدا کند و در نتیجه بتواند اپراتورها را بهتر استخدام کند) و هم برای مصرفکنندگان (که به عنوان مثال، دیگر مشکل خلاص شدن از شر بستهبندیهای حجیم را ندارند) مزایایی به همراه دارد. در هر دو مورد، این مسئله را میتوان به عنوان یک مسئله مسیریابی وسیله نقلیه فرموله کرد. به طور خاص، در این کار، یک VRP با پنجرههای زمانی نرم (VRPSTW، بالاکریشنان، ۱۹۹۳؛ تایلارد و همکاران، ۱۹۹۷) فرموله شده است. بنابراین، هر مشتری با یک پنجره زمانی مرتبط است و فرمولبندی اجازه میدهد در صورت عدم نقض پنجره زمانی، جریمهای در تابع هزینه وسیله نقلیه اعمال شود. به این ترتیب، با در نظر گرفتن بازه زمانی تحویل، این فرمولبندی صرفاً یک راهحل یکسان برای همه نیست و راهحل حل را با سناریوهای مختلف تحویل سازگار میکند و آن را در زمینه تحویل بار شهری قابل اجرا میسازد. به ویژه، در محاسبه تابع هدف، زمان سفر، زمان سرویس (مثلاً زمان انجام پارکینگ، تحویل و/یا نصب) و زمان جریمه (که اگر وسیله نقلیه باری قبل/بعد از باز/بسته شدن بازه زمانی به کاربر برسد، بزرگتر از صفر است) در نظر گرفته میشوند. این مطالعه همچنین محدودیتی مرتبط با ظرفیت باتری را در نظر میگیرد. در واقع، وسایل نقلیهای که تحویل میدهند کاملاً برقی هستند و فرض میشود که هر مسیر میتواند بدون شارژ مجدد وسیله نقلیه کار کند و هر وسیله نقلیه با شارژ کامل باتری از انبار حرکت میکند.
بنابراین، این کار بینشهایی در مورد استفاده از GA و یک نوع/کلاس خاص از SA مبتنی بر جمعیت (به نام PBSA) برای حل این مشکل ارائه میدهد. نسخهای از GA و PBSA، که در آن درصد مشخصی از جمعیت اولیه توسط الگوریتم کلارک و رایت (CW) تولید میشود، پیشنهاد شده است و ترکیبات مختلفی از پارامترهای الگوریتم آزمایش شدهاند. بنابراین، این مقاله بر آزمایش این رویهها متمرکز است و با در نظر گرفتن تنها سطح اول چارچوب، یک مدل مطالعه موردی/اسباببازی ارائه میدهد. هدف دوگانه، آزمایش روشی است که امکان یافتن یک راهحل خوب (حتی اگر ممکن است بهینه نباشد) را فراهم میکند و امکان به حداقل رساندن مصرف انرژی را فراهم میکند، در نتیجه عملکرد خودرو را بهبود میبخشد و به توسعه پایدار کمک میکند.
این مقاله به شرح زیر ساختار یافته است: بخش 2 یک مرور ادبیات مختصر را گزارش میدهد؛ بخش 3 شامل فرمولبندی مسئله است، در حالی که بخش 4 مربوط به الگوریتمها است؛ بخش 5 نتایج یک مطالعه موردی را با بحث مرتبط گزارش میدهد؛ و در نهایت، بخش 6 نتیجهگیری میکند.(منبع).