![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
عملیات پایدار دسته بندی کامیون ها در حمل و نقل دریایی: رویکردی مبتنی بر داده
در کشتیرانی خطی، ذینفعان به طور فزایندهای متعهد به اتخاذ راهحلهای حمل و نقل خودکار و سازگار با محیط زیست، به ویژه برای عملیات کامیونها در مدیریت انتقال کانتینرها هستند. فراتر از کاهش هزینههای نیروی کار، فناوری چیدمان کامیونها – که کامیونهای خودکار را قادر میسازد تا در آرایشهای نزدیک به هم عمل کنند و در نتیجه مصرف سوخت را به طور قابل توجهی کاهش دهند – نویدبخش انقلابی در ناوگانهای درگیر در حمل و نقل کانتینری دریایی است. با این حال، پتانسیل این مزایا به فرآیند توسعه و اجرای برنامههای بهینهسازی بستگی دارد که به چالشهای خاص لجستیک کانتینر، به ویژه در ادغام برنامههای چیدمان کامیونها، میپردازند. در پاسخ به این نیاز، این مطالعه با ارائه یک استراتژی جدید و مبتنی بر داده، استراتژی سنتی ارسال فوری را گسترش میدهد. ما الگوریتمهایی را برای هر دو مدل توسعه میدهیم و آزمایشهای گستردهای را با تمرکز بر عملیات کامیونها برای کانتینرهای حمل و نقل دریایی انجام میدهیم. یافتههای ما مزایای قابل توجهی از استراتژی ارسال مبتنی بر داده را نشان میدهد: این استراتژی به طور قابل توجهی هزینههای کل و مصرف سوخت مرتبط با تحویل کامیونها را در مقایسه با استراتژی ارسال فوری کاهش میدهد.
۱. مقدمه
حمل و نقل بین وجهی، که شامل انتقال کانتینرهای حمل و نقل دریایی به مقاصد نهایی آنها با استفاده از کامیونها میشود، نقش مهمی در مدیریت زنجیره تأمین ایفا میکند (لی و همکاران، ۲۰۲۳). کشورها و مناطق متعددی در سراسر جهان به طور فعال زیرساختهای حمل و نقل خود را، چه دریایی و چه زمینی، برای تسهیل جریان کارآمد کانتینرها افزایش میدهند. با این حال، این گسترش سریع زیرساختها – از بنادر دریایی به شبکههای جادهای داخلی – چالشهای قابل توجهی را ایجاد میکند. این چالشها شامل افزایش قابل توجه انتشار دی اکسید کربن (CO2) و افزایش مصرف انرژی است (جیانگ و همکاران، ۲۰۲۴). در سال ۲۰۱۸، بخش حمل و نقل ۲۳٪ از انتشار CO2 مرتبط با انرژی جهانی را به خود اختصاص داد (IEA، ۲۰۲۰)، که بیشترین وابستگی را به سوختهای فسیلی در بین همه بخشها دارد (IEA، ۲۰۲۲). در تقریباً نیمی از همه کشورها، این بخش، منتشرکننده غالب در اقتصاد است (سازمان ملل، ۲۰۲۱). این مسائل، بحثهای جهانی را با تمرکز بر ایجاد تعادل بین تقاضای رو به رشد برای حمل و نقل و ضرورت کاهش انتشار CO2، تسریع کرده است (آتاناسیو و همکاران، 2023).
خوشبختانه، پیشرفتها در سیستمهای حمل و نقل هوشمند، بهرهوری انرژی شبکههای حمل و نقل را افزایش داده است. یک نوآوری قابل توجه، حرکت دستهای کامیونها است، که در آن وسایل نقلیه به صورت کاروانی از نزدیک حرکت میکنند و یک قطار جادهای را تشکیل میدهند. این پیکربندی به طور قابل توجهی نیروی کشش هوا را کاهش میدهد و منجر به راندمان آیرودینامیکی میشود (ژانگ و همکاران، 2020). این تکنیک میتواند تا 16٪ در مصرف انرژی صرفهجویی کند (بونت و فریتز، 2000). علاوه بر این، حرکت دستهای کامیونها جریان ترافیک را بهبود میبخشد و میتواند ظرفیت جادهها را تا 200٪ افزایش دهد (تسوگاوا و همکاران، 2016)، در نتیجه بدون نیاز به توسعههای پرهزینه زیرساختهای جدید، ازدحام را کاهش میدهد (رابینسون و همکاران، 2010).
مزایای متعدد حرکت دستهای، ضرورت برنامهریزی مؤثر حرکت دستهای را برجسته میکند، به ویژه هنگامی که کالاهای حمل شده از طریق دریا به شبکههای حمل و نقل زمینی منتقل میشوند. بهرهبرداری و زمانبندی بهینهی دستهها نه تنها انتشار گازهای گلخانهای را کاهش میدهد، بلکه ظرفیت جادهها را نیز افزایش داده و صرفهجویی قابل توجهی در هزینهها برای شرکتها به همراه دارد و ارزش عملی قابل توجهی را به همراه دارد. در نتیجه، توسعهی یک استراتژی زمانبندی حمل و نقل بهینه که هزینهها را به حداقل برساند و در عین حال اعزام دستهها را برای حمل بار به طور موثر هماهنگ کند، برای پیوند اجزای دریایی و زمینی زنجیرههای تأمین جهانی ضروری است. این مقاله به بررسی مسئلهی زمانبندی اعزام دستههای کامیون با هدف به حداقل رساندن کل هزینههای متحمل شده در طول حمل و نقل درخواستهای مورد نیاز میپردازد. با استفاده از دادههای تاریخی گسترده در مورد درخواستهای حمل و نقل، هدف ما ابداع استراتژیهای اعزام دستههای کامیون مقرون به صرفه از طریق یک مدل برنامهریزی ریاضی مبتنی بر داده است.
۲. مرور ادبیات
برنامهریزی قبل از حرکت برای زمانبندی و مسیریابی، نقش مهمی در تبدیل دستههای کامیون به یک رویه رایج در بخش حمل و نقل ایفا میکند. تا آنجا که ما میدانیم، مطالعات نسبتاً کمی در این زمینه نوظهور از تحقیقات دستهها منتشر شده است. این مقاله وضعیت فعلی ادبیات مربوط به روشهای هماهنگی دستهها را با برنامهریزی متمرکز سفرها از قبل ارائه میدهد. لارسون و همکاران (۲۰۱۶) الگوریتم برنامهریزی عدد صحیح مختلط (MIP) را برای مسئله ترکیبی مسیریابی وسیله نقلیه و زمانبندی دسته مطالعه کردند، با معرفی پارامترها و محدودیتهای کمکی، کارایی محاسباتی را بهبود بخشیدند و تأثیر انتظار در نقاط اولیه و میانی را بررسی کردند. لارسون و همکاران (۲۰۱۵) مسئله صفبندی را به عنوان یک برنامهریزی عدد صحیح برای موقعیتهای شروع یکسان و متفاوت فرموله کردند، NP-hard بودن آن را اثبات کردند، الگوریتمهای ابتکاری جفتسازی و چرخش بهینه را توسعه دادند و این الگوریتمها را با جستجوی محلی برای کارایی بهبود بخشیدند، اما دریافتند که نمونههای بزرگ دنیای واقعی همچنان مشکلساز هستند. لو و همکاران (2018) الگوریتم اکتشافی خوشهبندی کارآمد برنامهریزی خطی عدد صحیح مختلط (MILP) را ساختند که مسیریابی، زمانبندی، انتخاب سرعت فردی و تشکیل/انحلال دسته را ادغام میکند، که ابتدا مجموعه کامیونها را جدا کرده و سپس هر گروه را به صورت جداگانه مسیریابی میکند. میسن و همکاران (2008) مسئله استخراج زیرمسیرهای مکرر برای رانندگی دسته را ارائه دادند، الگوریتمی را برای یافتن الگوی ترتیبی دسته کامیون (TPSpan) فرموله کردند و مسئله را با هرس پارامترها برای افزایش کارایی حل کردند. نورمحمدزاده و هارتمن (2016) یک مدل ریاضی MIP را با در نظر گرفتن مهلتهای وسایل نقلیه فرموله کردند و از حلکننده LINDO برای نمونههای کوچک و یک الگوریتم ژنتیک برای نمونههای بزرگتر استفاده کردند و توسعه یک الگوریتم ژنتیک مؤثر را بر اساس حذف قبلی مسیرهای غیرمنطقی ترویج دادند. سوکولوف و همکاران (2017) به یک مسئله بهینهسازی ترکیبی پرداختند که هماهنگی دسته را با مسیریابی وسایل نقلیه ادغام میکند تا با هماهنگسازی مسیرها و زمانهای حرکت، صرفهجویی در سوخت را به حداکثر برساند، هماهنگی مرکزی را با یک رویکرد موردی ناهماهنگ از طریق شبیهسازیها، با استفاده از فرمولبندی MIP توسط لارسون و همکاران (2016) به عنوان مبنا، مقایسه میکند و افزایش قابل توجهی در احتمالات دسته را از طریق زمانهای انتظار معقول در مبدا نشان میدهد. ژانگ و همکاران (2016) یک مسئله برنامهریزی دسته را معرفی و تجزیه و تحلیل کردند که هدف آن به حداقل رساندن هزینههای کل تحویل با در نظر گرفتن واریانس زمان سفر است. این مدل هزینههای رانندگی، جریمههای عدم موفقیت در برنامه و هزینههای سوخت را در نظر میگیرد و اهداف متناقض رسیدن به موقع و صرفهجویی در سوخت از طریق دسته را برجسته میکند. ژانگ و همکاران (2017) یک مسئله هماهنگی دسته حمل و نقل بار و برنامهریزی زمان حرکت را تحت عدم قطعیت زمان سفر فرموله و تجزیه و تحلیل کردند، با هدف به حداقل رساندن هزینههای مورد انتظار. شما و همکاران (2023) مسئله بارگیری کانتینر چند سفر با دسته کامیون را بررسی کرد و با ارائه یک الگوریتم شاخه و قیمت و برش با یک مدل تقسیمبندی مجموعه مبتنی بر مسیر و آزادسازیهای خطی دقیق برای دستیابی به راهحلهای دقیق، به NP-hard بودن آن پرداخت. شو و همکاران (2022) با در نظر گرفتن استراحتهای اجباری رانندگان، نرخهای صرفهجویی سوخت وابسته به حالت و موقعیت، رلههای میانی تعیینشده و محدودیتهای اندازه دسته، به مسئله مسیریابی و دسته کامیون پرداختند و هدفشان مسیریابی به موقع کامیونها به مقصدشان با حداقل هزینههای سوخت بود. آنها از یک مدل MILP و یک الگوریتم ترکیبی که MILP جزئی و جستجوی همسایگی تکراری را ترکیب میکند، برای حل این مسئله استفاده کردند.
مطالعات موجود اغلب اطلاعات از پیش شناختهشدهای از تقاضاهای آینده را برای ایجاد مدلهای زمانبندی فرض میکنند، که غیرواقعی است زیرا ما فقط به درخواستهای تاریخی و فعلی دسترسی داریم. این مقاله به دنبال پر کردن این شکاف با توسعه یک رویکرد بهینهسازی مبتنی بر داده است که از دادههای تاریخی برای توسعه مدلهای زمانبندی واقعبینانهتر برای دسته کامیون استفاده میکند.
موارد اصلی این مقاله به شرح زیر است. ابتدا، دو رویکرد را بررسی میکنیم: رویکرد سنتی که یک دسته را پس از دریافت درخواستها در طول یک دوره تصمیمگیری ارسال میکند، و یک رویکرد دادهمحور که تقاضاهای آینده را بر اساس الگوهای توزیع دادههای درخواست تاریخی پیشبینی میکند و با حل یک مدل بهینهسازی ریاضی تصمیمگیری میکند. دوم، آزمایشهای محاسباتی را با استفاده از یک مرکز تحویل کامیون به عنوان مطالعه موردی انجام میدهیم و هزینه کل و هزینه سوخت دو رویکرد را در چندین مورد مقایسه میکنیم. این آزمایشها برتری استراتژی ارسال دادهمحور را تأیید میکنند.
بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 3 شرح مسئله را ارائه میدهد و مدلهای دو رویکرد را فرموله میکند. بخش 4 روش پیشنهادی را با یک مثال مشخص تأیید میکند. بخش 5 این مقاله را نتیجهگیری میکند (منبع)