![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
زمانبندی کامیونها در سیستمهای بارانداز متقاطع با ذخیرهسازی موقت و الگوی تکراری برای کامیونهای حمل و نقل
بارانداز متقاطع یک مفهوم لجستیکی است که در آن اقلام محصول از کامیونهای ورودی به انبار تخلیه میشوند و سپس بر اساس تقاضای مشتری مرتب شده و در کامیونهای خروجی بارگیری میشوند. برای الگوی نگهداری بارانداز برای کامیونهای خروجی، دو سناریوی ممکن را میتوان تعریف کرد. در سناریوی اول، هر زمان که یک کامیون وارد یک بارانداز حمل و نقل میشود، تا زمانی که تمام اقلام محصول مورد نیاز در کامیون خروجی بارگیری نشوند، بارانداز را ترک نمیکند. در سناریوی دوم، کامیونهای خروجی میتوانند بارها به بارانداز وارد و از آن خارج شوند. بنابراین، در سناریوی دوم این امکان وجود دارد که یک کامیون خروجی مقداری از محصولات مورد نیاز خود را از بارانداز حمل و نقل بارگیری کند، بارانداز را به مقصد یک کامیون خروجی دیگر ترک کند، منتظر بماند و دوباره به بارانداز حمل و نقل برود تا تمام یا بخشی از اقلام محصول باقی مانده خود را بارگیری کند. این مقاله یک چارچوب مبتنی بر الگوریتم ژنتیک برای زمانبندی کامیونهای ورودی و خروجی در سیستمهای بارانداز متقاطع با ذخیرهسازی موقت اقلام محصول در بارانداز حمل و نقل برای سناریوی تعریف شده دوم ارائه میدهد به طوری که کل زمان عملیات را به حداقل برساند. به منظور نشان دادن شایستگی روش پیشنهادی در ارائه توالی که کل زمان عملیات را به حداقل میرساند، زمان عملیات روش پیشنهادی با یک مدل موجود شناخته شده توسط چندین مثال عددی مقایسه میشود. نتایج عددی، کارایی بالای الگوریتم پیشنهادی را نشان میدهد.
مقدمه
بارانداز متقاطع یک مفهوم جابجایی و توزیع محصول است که در آن اقلام محصول بر اساس تقاضای مشتری مرتب و شناسایی میشوند و مستقیماً از اسکله دریافت به اسکله ارسال منتقل میشوند، بدون اینکه به عنوان موجودی در انبار نگهداری شوند. سیستمهای بارانداز متقاطع میتوانند با هماهنگسازی جریان کامیونهای ورودی و خروجی، هزینههای ذخیرهسازی و بازیابی محصولات را در مقایسه با انبارهای سنتی کاهش دهند. به طور کلی، بارانداز متقاطع یک استراتژی خوب برای شرکتهایی است که حجم زیادی از محصولات را توزیع میکنند و/یا به تعداد زیادی فروشگاه خدمات میدهند [1].
امکانات بارانداز متقاطع شامل چهار عملکرد اصلی انبارداری است. این چهار عملکرد اصلی عبارتند از دریافت، ذخیرهسازی، جمعآوری سفارش و ارسال. در میان این چهار عملکرد، ذخیرهسازی و جمعآوری سفارش معمولاً پرهزینهترین هستند. عملکرد ذخیرهسازی به دلیل هزینههای نگهداری موجودی پرهزینه است. از سوی دیگر، جمعآوری سفارش گران است زیرا به نیروی کار نیاز دارد. بارانداز متقاطع عملکردهای ذخیرهسازی و جمعآوری سفارش یک انبار را به حداقل میرساند در حالی که همچنان امکان دریافت و ارسال اقلام محصول را فراهم میکند. طبق آنچه یو و اگبلو [1] پیشنهاد دادهاند، چارچوب کلی این سیستم کراس داکینگ در شکل 1 نشان داده شده است. سیستم کراس داکینگ عموماً به این صورت عمل میکند: (1) اقلام محصول به مرکز کراس داکینگ میرسند و در اسکلههای دریافت تأیید میشوند، (2) محصولات روی سیستمهای مرتبسازی قرار میگیرند که بر اساس مقصد مرتب شدهاند، (3) محصولات به محل مناسب در اسکلههای حمل و نقل منتقل میشوند و مرکز کراس داکینگ را ترک میکنند.
در مقالات علمی، کارهایی با هدف بررسی مفهوم بارانداز متقاطع و برنامهریزی امکانات حمل و نقل در سیستمهای بارانداز متقاطع وجود دارد. بوفا [2] نشان داد که هزینههای لجستیک را میتوان با ادغام کامیونهای ورودی و خروجی در سیستمهای توزیع کاهش داد. عملیات بارانداز متقاطع میتواند در واقع به این عملکرد دست یابد. معروفترین کاربرد بارانداز متقاطع، والمارت است. بارانداز متقاطع به والمارت کمک کرده است تا سهم بازار و سودآوری خود را بهبود بخشد [3]. علاوه بر این، بارانداز متقاطع موفقیت تجاری بزرگی را در هوم دیپو، کاستکو، کانادین تایر، فدکس و غیره ایجاد کرده است. برای محصولات فاسدشدنی یا محیطی با ذخیرهسازی محدود یا بدون ذخیرهسازی، عملیات بارانداز متقاطع میتواند یک تکنیک مفید باشد و میتواند با ادغام کالاها در مرکز توزیع، هزینه موجودی و حمل و نقل پایینی را برای شرکتها فراهم کند [4]. لاو و همکاران [5] یک الگوریتم جستجوی ممنوعه را برای به حداقل رساندن هزینههای حمل و نقل برای مسیریابی وسایل نقلیه در سیستم بارانداز متقاطع با پنجرههای زمانی مشخص و تعداد محدودی از وسایل نقلیه پیشنهاد کردند. لی و همکاران [6] مدلی را پیشنهاد کردند که بارانداز متقاطع را با فرآیند جمعآوری و تحویل در زنجیره تأمین ادغام میکند. علاوه بر این، یک مدل ریاضی برای تعیین یک برنامه بهینه مسیریابی وسایل نقلیه توسعه داده شد که بارانداز متقاطع را در نظر میگرفت. از آنجایی که این مسئله به عنوان NP-hard شناخته میشود، الگوریتمی مبتنی بر الگوریتم جستجوی ممنوعه نیز توسعه داده شد. موشیوف [7] نسخه مهمی از مسئله مسیریابی وسیله نقلیه با تحویل و برداشت را مورد مطالعه قرار داد. هدف در مطالعه او یافتن مجموعهای از مسیرهای وسیله نقلیه بود که به مشتریان خدمات ارائه دهند به طوری که ظرفیت وسیله نقلیه نقض نشود و کل مسافت طی شده به حداقل برسد. او دو روش ابتکاری را معرفی کرد که بر استفاده کارآمد از ظرفیت وسایل نقلیه تمرکز دارند. چن و سونگ [4] یک مسئله زمانبندی اتصال متقاطع ترکیبی دو مرحلهای را مطالعه کردند که در آن باید یک معیار تقدم بین کارهای متوالی رعایت شود. آنها این مدل را در دو مرحله مختلف بررسی کردند. برای مسائل با مقیاس کوچک، آنها یک مدل برنامهریزی عدد صحیح مختلط را بررسی کردند و هر مسئله را با CPLEX حل کردند، در حالی که برای مسائل با مقیاس متوسط و بزرگ، چهار روش ابتکاری را پیشنهاد کردند که از طریق یک حد پایین مشخص با یکدیگر مقایسه میشوند. بارباروسوغلو و اوزگور [8] یک روش ابتکاری جستجوی ممنوعه جدید را برای حل مسئله مسیریابی وسیله نقلیه تک انباری یک شرکت توزیع که کالا را از یک انبار به مجموعهای از فروشندگان اختصاصی حمل میکند، توسعه دادند. روش ابتکاری آنها یک رویه جدید تولید همسایگی پیشنهاد کرد که الگوی پراکندگی در مکانهای فروشندگان را در نظر میگیرد. بلوری و همکاران [9] روی یک مسئله زمانبندی اتصال متقاطع در یک محیط درست به موقع کار کردند که در آن تحویل محصولات باید با برنامههای زمانی از پیش تعیینشده مطابقت داشته باشد. از این رو، هرگونه تحویل دیرهنگام یا زود هنگام ممکن است برای مشتریان نامناسب باشد. بنابراین، آنها زود بودن و دیر رسیدن را به عنوان دو معیار اصلی در یک مسئله زمانبندی چند معیاره در نظر گرفتند. علاوه بر این، این معیارها از طریق یک ضریب جریمه با در نظر گرفتن جریمه برای هرگونه تحویل زود هنگام یا دیرهنگام کالاها ترکیب میشوند. سه روش فراابتکاری در مقاله آنها برای حل این مسئله توسعه داده شده است. مکنون و باتیست [10] رویکردهای دو مرحلهای را برای همین مسئله پیشنهاد کردند. رویکرد اول یک الگوریتم برنامهنویسی پویا برای بارگیری/تخلیه و یک الگوریتم تکاملی اکتشافی برای توالییابی پیشنهاد کرد. رویکرد دوم یک الگوریتم اکتشافی و یک الگوریتم تکاملی ارائه داد. نشان داده شد که رویکرد دوم از نظر زمان و سود بهتر است. وحدانی و زندیه [11] پنج الگوریتم فراابتکاری را برای زمانبندی کامیونها در سیستمهای بارانداز متقاطع به کار بردند، به طوری که وقتی یک بافر ذخیرهسازی موقت برای نگهداری موقت اقلام در بارانداز حمل و نقل قرار دارد، کل زمان عملیات به حداقل برسد. کونور و گولیاس [12] مسئله زمانبندی کامیونهای اپراتور بارانداز متقاطع را در دربهای ورودی در صورت زمانهای ورود نامعلوم کامیون بررسی کردند. آنها مسئله اپراتور بارانداز متقاطع را در تعیین یک استراتژی زمانبندی با هزینه پایدار و در عین حال به حداقل رساندن میانگین هزینههای کل، تجزیه و تحلیل کردند. جو و کیم [13] الگوریتم ژنتیک (GA) و الگوریتم خود-تکاملی را برای یک مسئله زمانبندی کامیون با سه نوع کامیون پیشنهاد دادند: کامیونهای ورودی، کامیونهای خروجی و کامیونهای مرکب. کامیونهای مرکب نقش کامیونهای ورودی و کامیونهای خروجی را ایفا میکنند. لی و همکاران [14] مسئله زمانبندی بارانداز متقاطع را به عنوان یک مسئله ماشین موازی دو فازی با زودکرد و دیرکرد در نظر گرفتند و دو رویکرد مبتنی بر الگوریتم ژنتیک برای حل آن پیشنهاد کردند. علاوه بر این، آنها فرض کردند که ذخیرهسازی موقت مجاز نیست. لیوا و همکاران [15] توالی کامیونهای ورودی و خروجی را برای عملیات بارانداز متقاطع با هدف به حداقل رساندن زمان انجام کار در نظر گرفتند. آنها دو الگوریتم تکامل تفاضلی ترکیبی جدید و یک سیاست عملیاتی واقعبینانهتر پیشنهاد کردند. آگوستینا و همکاران [16] بر ادغام برنامهریزی و مسیریابی وسایل نقلیه در یک مدل جامع تمرکز کرد، که به طور سنتی به طور جداگانه مدلسازی میشدند. مدل یکپارچه همچنین ادغام محصول در انبار را در نظر گرفته و به پنجرههای زمانی تحویل مشخص شده توسط مشتری احترام میگذارد.
یو [17] و یو و اگبلو [1] مدل Cross Docking با ذخیرهسازی موقت در جلوی اسکله حمل و نقل و الگوی نگهداری کامیون غیر تکراری در اسکله (CDTNR) را مورد مطالعه قرار دادند. هدف مطالعه آنها تعیین بهترین توالی کامیون برای کامیونهای ورودی و خروجی به منظور به حداقل رساندن زمان کل عملیات (makespan) بود. یو [17] مدل Cross Docking با ذخیرهسازی موقت در جلوی اسکله حمل و نقل و الگوی نگهداری کامیون تکراری (CDTR) را پیشنهاد کرد. در مطالعه او فرض بر این است که یک انبار موقت در جلوی اسکله حمل و نقل وجود دارد و هم کامیونهای دریافتکننده و هم کامیونهای حمل و نقل میتوانند به طور متناوب در فواصل زمانی بین اجرای وظیفه خود به داخل و خارج از اسکله حرکت کنند. او یک مدل ریاضی و یک الگوریتم ابتکاری برای حل این مسئله توسعه داد. او اظهار داشت که مدل ریاضی توسعهیافته برای این مسئله به دلیل زمان محاسباتی زیاد مورد نیاز حتی برای مسائل کوچک، ناکارآمد و غیرعملی است. برای ارزیابی عملکرد الگوریتم ابتکاری، راهحلهای ابتکاری باید با راهحلهای بهینهای که نمیتوان با استفاده از مدل برنامهریزی ریاضی پیدا کرد، مقایسه شوند. با این حال، راهحل بهینه برای CDTNR میتواند به عنوان حد بالایی برای راهحلهای بهینه برای CDTR استفاده شود. علاوه بر این، او اظهار داشت که راهحل بهینه برای CDTR باید حداقل به خوبی یا بهتر از راهحلهای بهینه بهدستآمده برای CDTNR از نظر زمان تکمیل باشد، زیرا CDTR در مقایسه با CDTNR یک مسئله سادهتر است. علیرغم استدلال بعدی، نتایج محاسباتی در مطالعه او نشان داد که راهحلهای الگوریتم ابتکاری توسعهیافته برای CDTR همیشه به خوبی یا بهتر از راهحلهای بهینه بهدستآمده برای CDTNR نیست. در واقع، نتایج محاسباتی نشان داد که در برخی از مسائل آزمایشی، راهحلهای CDTR بدتر از راهحلهای CDTNR هستند. بنابراین، به نظر میرسد که الگوریتم ابتکاری پیشنهادی در Yu [17] برای CDTR برای استفاده در الگوی نگهداری کامیونهای تکراری اسکله قابل اعتماد نیست.
مقاله حاضر یک چارچوب راهحل مبتنی بر الگوریتم ژنتیک برای مدل Cross Docking با ذخیرهسازی موقت در جلوی اسکله حمل و نقل و الگوی نگهداری مکرر کامیون در اسکله برای کامیونهای خروجی (CDTRO) ارائه میدهد. برای الگوی نگهداری در اسکله برای کامیونهای خروجی، دو سناریوی ممکن را میتوان تعریف کرد. در سناریوی اول، هر زمان که یک کامیون وارد اسکله حمل و نقل میشود، تا زمانی که تمام محصولات مورد نیاز در کامیون خروجی بارگیری نشده باشند، اسکله را ترک نمیکند. در سناریوی دوم، کامیونهای خروجی میتوانند به طور متناوب وارد اسکلهها شوند و از آنها خارج شوند. بنابراین، در سناریوی دوم این امکان وجود دارد که یک کامیون خروجی مقداری از محصولات خود را بارگیری کند، اسکله حمل و نقل را برای یک کامیون خروجی دیگر ترک کند، منتظر بماند و دوباره وارد اسکله حمل و نقل شود تا تمام یا بخشی از اقلام محصول باقی مانده خود را بارگیری کند.
الگوریتم پیشنهادی این مقاله، توالی کامیونهای ورودی و خروجی را برای سناریوی تعریف شده دوم به گونهای برنامهریزی میکند که زمان کل عملیات را به حداقل برساند. بدیهی است که بهترین روش Cross Docking روشی است که در مقایسه با سایر روشها، راهحلی با کمترین زمان کل عملیات ارائه دهد. بنابراین، به منظور نشان دادن شایستگی روش پیشنهادی این مقاله در ارائه راهحلی که زمان کل عملیات را به حداقل میرساند، زمان عملیات روش توالی پیشنهادی با روش توالی یو و اگبلو [1] توسط چندین مثال عددی در بخش 4 مقایسه شده است. یو و اگبلو [1] سه رویکرد راهحل مختلف برای مسئله اتصال متقاطع ارائه دادند. در رویکرد اول، یک مدل ریاضی با هدف به حداقل رساندن زمان کل عملیات توسعه داده شد. در رویکرد دوم، آنها از شمارش کامل برای تولید تمام توالیهای کامیون ممکن برای یک مسئله استفاده کردند. رویکرد سوم که شامل نه الگوریتم ابتکاری است، برای غلبه بر پیچیدگی زمانی رویکردهای ریاضی و شمارش کامل توسعه داده شد. از آنجایی که رویکرد دوم (شمارش کامل) قطعاً بهتر از یا حداقل معادل دو رویکرد دیگر عمل میکند، روش پیشنهادی این مقاله با رویکرد دوم – شمارش کامل – یو و اگبلو [1] که در ادامه مقاله به اختصار CEYE نامیده میشود، مقایسه میشود.
نتایج محاسباتی بخش ۴ نشان میدهد که زمان اجرای راهحلهای بهدستآمده از روش پیشنهادی کمتر از CEYE است. در نتیجه، راهحلهای بهدستآمده از روش پیشنهادی این مقاله، زمان تحویل محصولات به مشتریان را کوتاهتر میکند. از آنجایی که این مقاله یک رویکرد پویا برای عملیات تقاطع و جهش الگوریتمهای ژنتیک ارائه میدهد، مروری بر ادبیات مربوط به کارهای تطبیقی و ترکیبی ارائه شده است.
تانگ و تسنگ [18] عملگر جهش جهتدار تطبیقی را پیشنهاد کردند و سپس آن را برای حل مسائل بهینهسازی تابع مختلط به کار گرفتند. آنها اظهار داشتند که عملگر جهش جهتدار تطبیقی پیشنهادی، توانایی الگوریتمهای ژنتیک را در جستجوی بهینه سراسری و همچنین در سرعت بخشیدن به همگرایی با ادغام استراتژی جهتدار محلی و استراتژیهای جستجوی تصادفی تطبیقی افزایش میدهد. بینگول [19] یک الگوریتم ژنتیک تطبیقی با تابع تناسب پویا برای مسائل چندهدفه در یک محیط پویا توصیف کرد. برای مشاهده عملکرد الگوریتم، الگوریتم ژنتیک تطبیقی برای دو نوع مسئله چندهدفه اعمال شد. ابتدا، از این الگوریتم برای یافتن تخصیص بهینه نیرو برای یک شبیهسازی جنگی استفاده شد. این مقاله چهار هدفی را که باید بهینه شوند مورد بحث قرار داد و یک سیستم استنتاج فازی ارائه داد که تجمیعی از چهار هدف را تشکیل میدهد. یک سیستم استنتاج فازی دوم برای کنترل نرخهای تقاطع و جهش بر اساس آمار تناسب کل استفاده شد. سرینیواسا و همکاران [20] یک الگوریتم ژنتیک مدل مهاجرت خود تطبیقی پیشنهاد کردند که در آن پارامترهای اندازه جمعیت، تعداد نقاط تقاطع و نرخ جهش برای هر جمعیت به طور تطبیقی ثابت هستند. علاوه بر این، مهاجرت افراد بین جمعیتها به صورت پویا تصمیمگیری میشود. مقاله مرجع [20] یک تحلیل شماتیک ریاضی از این روش ارائه میدهد و بیان میکند و نشان میدهد که این الگوریتم از دانش کشفشده قبلی برای جستجوی متمرکزتر و دقیقتر مناطق با بازده اکتشافی بالا استفاده میکند و همزمان یک جستجوی بسیار اکتشافی را در سایر مناطق فضای جستجو انجام میدهد. لیانگ و لئونگ [21] تکنیک جدیدی به نام روش جستجوی تطبیقی جمعیت نخبهگرا معرفی کردند. این تکنیک به روشهای بهینهسازی تابع تکوجهی اجازه میدهد تا به طور مؤثر بهینههای چندگانه مسائل چندوجهی را کشف کنند. این تکنیک بر اساس مفهوم تنظیم تطبیقی اندازه جمعیت با توجه به عدم تشابه افراد و یک عملگر ژنتیکی نخبهگرای جدید وابسته به جهت است. گنجاندن تکنیک چندوجهی جدید در هر الگوریتم تکاملی شناختهشده منجر به یک نسخه چندوجهی از الگوریتم میشود. یون [22] یک الگوریتم ژنتیک ترکیبی (a-hGA) با طرح جستجوی محلی تطبیقی ارائه داد. برای طراحی a-hGA، یک تکنیک جستجوی محلی در حلقه الگوریتم ژنتیک (GA) گنجانده شده است و اینکه آیا از تکنیک جستجوی محلی در GA استفاده شود یا خیر، به طور خودکار توسط طرح جستجوی محلی تطبیقی تعیین میشود. دو حالت از طرحهای جستجوی محلی تطبیقی در این مقاله توسعه داده شده است. حالت اول استفاده از روش جستجوی محلی شرطی است که میتواند میانگین مقادیر تناسب اندام بهدستآمده از دو نسل پیوسته a-hGA را اندازهگیری کند، در حالی که حالت دوم اعمال روش ضریب شباهت است که میتواند شباهت بین افراد جمعیت a-hGA را اندازهگیری کند.
ادامه مقاله به شرح زیر سازماندهی شده است. بخش 2 شرح مدل و فرضیات را ارائه میدهد، بخش 3 الگوریتم پیشنهادی برای حل مسئله را ارائه میدهد، بخش 4 مثالهای توضیحی و نتایج محاسباتی را ارائه میدهد و بخش 5 مقاله را نتیجهگیری میکند (منبع)