یک سیستم پشتیبانی تصمیم‌گیری مبتنی بر اینترنت اشیا برای حمل و نقل بار: مطالعه موردی اپراتور حمل و نقل بار ویژه هند

یک سیستم پشتیبانی تصمیم‌گیری مبتنی بر اینترنت اشیا برای حمل و نقل بار: مطالعه موردی اپراتور حمل و نقل بار ویژه هند

سازمان‌های راه‌آهن برای استفاده بهتر از منابع و ایجاد درآمد، در حال دیجیتالی کردن حمل و نقل ریلی بار هستند. در سال ۲۰۱۰، راه‌آهن هند (IR) طرح «اپراتور ویژه قطار باری» را برای ایجاد سهم IR در حمل و نقل بار در ریک‌های با ظرفیت بالا پیشنهاد داد. IR به اپراتورهای قطار باری (FTO) و تولیدکنندگان اجازه داد تا در واگن‌ها سرمایه‌گذاری کنند و از بزرگترین شبکه ریلی برای انتقال کالاهای منتخب به مشتریان نهایی خود بهره‌مند شوند. در غیاب یک سیستم پشتیبانی بهینه، FTOها اغلب با تصمیم‌گیری در مورد برنامه‌ریزی وسایل نقلیه ریلی (ریک)، تخصیص ریک و برنامه‌ریزی مجدد به صورت بلادرنگ مواجه هستند. امروزه، اکثر ریک‌ها دارای دستگاه‌های GPS هستند. بنابراین، سیستم‌های مدیریت قطار راه‌آهن به راحتی داده‌ها را برای ایجاد یک مدل بهینه‌سازی پویا برای FTOها با استفاده از اطلاعات بلادرنگ مبتنی بر IoT ارائه می‌دهند. ما ابتدا یک مدل برنامه‌ریزی خطی عدد صحیح مختلط (MILP) را تدوین می‌کنیم که هدف آن حداکثرسازی درآمد با ترکیب تخصیص بهینه ریک و برنامه‌ریزی بهینه ریک است. علاوه بر این، برای گنجاندن داده‌های GPS در زمان واقعی، ما یک «روش ابتکاری زمان‌بندی-زمان‌بندی مجدد rake در زمان واقعی فعال‌شده با IoT» را برای زمان‌بندی مجدد پیشنهاد می‌کنیم. بررسی‌های محاسباتی نشان می‌دهد که روش ابتکاری پیشنهادی هم از نظر زمان اجرا و هم از نظر کیفیت راه‌حل، عملکرد مؤثری دارد. این مدل‌ها به FTOها کمک می‌کنند تا کسب‌وکارهای روزمره را به راحتی اداره کنند و با افزایش تعداد سفرها، منجر به تحقق درآمد بهتر در ماه تقویمی شوند.

مقدمه

قطارهای باری با ارائه خدمات باربری توانمند و سودآور برای حمل کالا و محصولات در بین روش‌های مختلف حمل و نقل، نقشی پویا در رشد اقتصادی هر کشوری دارند. فناوری‌های اطلاعات اکنون در سیستم حمل و نقل پیاده‌سازی و به طور گسترده مورد استفاده قرار می‌گیرند و تحقیقات و الگوی صنعت‌محور به نام سیستم حمل و نقل هوشمند (ITS) را پیش می‌برند (هاج و همکاران، ۲۰۱۵؛ سیوارامان و تریودی، ۲۰۱۳). سازمان راه‌آهن با صرف هزینه‌های قابل توجه در زمینه دیجیتالی کردن، ارتباطات و زیرساخت‌ها، در حال گسترش استفاده از منابع و بهینه‌سازی برای رسیدگی به چالش ظرفیت است (کوت و همکاران، ۲۰۲۱). حمل و نقل ریلی بار با تجهیز به نقاط قوت و قابلیت‌های اینترنت اشیا (IoT) و استفاده از تجزیه و تحلیل داده‌ها، مزایای مورد انتظار را دارد. امروزه راه‌آهن‌ها از حسگرهای از راه دور به عنوان عنصری از اینترنت اشیا استفاده می‌کنند، به عنوان مثال. GPS برای جمع‌آوری داده‌ها، و اطلاعات جمع‌آوری‌شده را می‌توان برای حل مسائل عملیاتی متعدد، به عنوان مثال، برنامه‌ریزی مجدد ریک در زمان واقعی، نظارت بر ترافیک (Herrera و همکاران، ۲۰۱۶) و اندازه‌گیری تأخیر (Asensio و همکاران، ۲۰۰۹) مورد استفاده قرار داد.

راه‌آهن هند (IR) به عنوان یک نقطه قوت حمل و نقل برای اقتصاد هند عمل می‌کند، زیرا عملیات حمل بار بیش از 70 درصد از کل درآمد IR را تشکیل می‌دهد. اما در سال‌های اخیر، مشخص شده است که راه‌آهن به دلیل کاهش مداوم سهم بازار IR، در جاده‌ها عقب مانده است. بنابراین، بازسازی سیاست‌ها و رویکردهای IR برای دستیابی به اهداف تخمینی حمل بار به IR بستگی دارد. به شرح زیر، IR طرح “اپراتور قطار باری ویژه” را در سال 2016 با هدفی آشکارا شناخته شده برای ترغیب سرمایه‌گذاری خصوصی در ناوگان ریلی آغاز کرد. طبق بخشنامه راه‌آهن هند برای این طرح در سال 2018، هدف اصلی “ایجاد سهم IR از حمل و نقل بار در ترافیک غیرمتعارف در واگن‌های با ظرفیت بالا و ویژه و در نتیجه افزایش پایه کالایی ترافیک ریلی است.” این طرح به اپراتورهای قطار باری (FTO) و تولیدکنندگان اجازه می‌دهد تا در واگن‌ها سرمایه‌گذاری کنند و از بزرگترین شبکه ریلی برای انتقال کالاهای منتخب به مصرف‌کنندگان نهایی خود با حرکت بین دو نقطه مبدا و مقصد از پیش تعریف شده که هر دو دارای پایانه‌های فرعی/بار خصوصی هستند، سود ببرند. از سند سیاست این طرح مشخص است که این یک موقعیت برد-برد برای همه طرفین، یعنی تولیدکنندگان، سازمان‌های تجارت آزاد خارجی و راه‌آهن هند، است.

در مدیریت حمل و نقل ریلی بار، تخصیص بهینه ریک، زمان‌بندی و برنامه‌ریزی مجدد در زمان واقعی می‌تواند هزینه‌های عملیاتی را کاهش داده و خدمات مشتری را بهبود بخشد. برنامه‌ریزی قطارهای باری به طور یکسان بر زمان اجرای محاسباتی و کیفیت راه‌حل متمرکز است (Mu S و همکاران، ۲۰۱۱). در ترافیک ریلی، وقفه‌ها و رویدادهای پیش‌بینی نشده، به عنوان مثال، خرابی زیرساخت‌ها، تصادفات، توقف طولانی، تغییر محدودیت‌های سرعت و خرابی وسایل نقلیه، باعث تأخیرهای قابل توجه‌تری در سفر ریلی می‌شوند که نیاز به برنامه‌ریزی مجدد قطارهای باری در زمان واقعی دارد. در حال حاضر، برنامه‌ریزی مجدد هنوز توسط اپراتورهای انسانی از طریق روش برنامه‌ریزی مجدد مبتنی بر تجربه آنها انجام می‌شود (Gao Y و همکاران، ۲۰۱۷).

یک مدل بهینه‌سازی ریاضی برنامه‌ریزی خطی عدد صحیح مختلط (MILP) توسعه داده شده است که شامل تخصیص بهینه چنگک و زمان‌بندی بهینه چنگک برای طراحی ایده‌آل شبکه‌های حمل و نقل ریلی برای برآوردن تقاضا است. هدف این مدل‌سازی، به حداکثر رساندن کل درآمد حاصل از FTOها از طریق تخصیص بهینه چنگک (انواع چنگک) و زمان‌بندی بهینه چنگک در یک ماه تقویمی است. اطلاعات بلادرنگ مبتنی بر اینترنت اشیا از طریق سیستم‌های مدیریت قطار راه‌آهن به راحتی در دسترس است که می‌تواند به توسعه یک مدل بهینه‌سازی پویا برای FTOها کمک کند. از این رو، در این مطالعه، یک “روش ابتکاری زمان‌بندی-تغییر زمان‌بندی چنگک بلادرنگ مبتنی بر اینترنت اشیا” نیز به عنوان یک مدل پشتیبانی تصمیم‌گیری برای زمان‌بندی-تغییر زمان‌بندی چنگک پیشنهاد شده است که درآمد را به حداکثر می‌رساند.

تلاش ما این است که تعداد سفرها را در این شرایط به حداکثر برسانیم، زیرا سفرهای بیشتر به معنای درآمد بیشتر برای FTOها در سناریوی تجاری فعلی است. مدل‌ها سعی می‌کنند به این سوال پاسخ دهند که چگونه: تخصیص بار، زمان‌بندی و برنامه‌ریزی مجدد باید به صورت بلادرنگ انجام شود، به طوری که بتوان ضمن برآورده کردن حداکثر تقاضا در یک ماه، به تعادل بهینه بین هزینه حمل و نقل و زمان تحویل (TAT) دست یافت. اصلی‌ترین تعادل‌هایی که در اینجا رخ می‌دهد، انتخاب بار و نوع بار (از نظر ظرفیت) است، زمانی که دو یا چند بار در همان روز در دسترس هستند. تا آنجا که نویسنده می‌داند، این مطالعه جزو معدود کارهایی است که به طور دقیق بر مسائل تحقیق در عملیات (OR) برای ارائه دهندگان لجستیک خصوصی شخص ثالث مانند FTOها با مسئله تخصیص بار، زمان‌بندی و برنامه‌ریزی مجدد بلادرنگ یکپارچه تمرکز می‌کند.

ادامه مقاله به شرح زیر ساختار یافته است: ادبیات علمی موجود مرتبط در بخش بعدی بررسی می‌شود. شرح مسئله و فرمول‌بندی MILP به ترتیب در بخش‌های 3 و 4 ارائه شده است. روش‌های اکتشافی پیشنهادی به عنوان یک روش‌شناسی راه‌حل سازنده در بخش 5 ارائه شده است. بخش 6 نتایج و بحث در مورد یک اپراتور قطار باری هندی را ارائه می‌دهد. در نهایت، بخش 7 این مطالعه را خلاصه کرده و مسیرهای تحقیقاتی آینده را پیشنهاد می‌دهد.(منبع).

Call Now Button