![[09127409082]](https://barast.com/wp-content/uploads/2021/01/newlogo.png){kind=small}
بهینهسازی همزمان تصمیمات مسیریابی و چیدمان برای ناوگان کامیونهای خودران
رشد تجارت الکترونیک منجر به افزایش تقاضای مشتری برای تحویل سریع شده است که منجر به افزایش هزینهها و انتشار گازهای گلخانهای از لجستیک شده است. به نظر میرسد که طرح دسته بندی کامیونهای خودران، نوآوری امیدوارکنندهای برای بهبود پایداری حمل و نقل است. این طرح از اتصال وسایل نقلیه برای کاهش نیروی آیرودینامیکی و صرفهجویی قابل توجه در مصرف سوخت استفاده میکند. با این حال، تعیین مسیرها و برنامههای بهینه برای به حداکثر رساندن دسته بندی در ناوگانها، چالشهای پیچیدهای را ارائه میدهد. مطالعه حاضر یک مدل بهینهسازی را برای رسیدگی به مشکل مسیریابی دستهای که کامیونهای خودران با آن مواجه هستند، بررسی کرد. یک مدل برنامهریزی درجه دوم عدد صحیح مختلط برای بهینهسازی مسیریابی وسیله نقلیه و تصمیمات زمانبندی با هماهنگی دسته بندی طراحی شد. نوآوریهای کلیدی عبارت بودند از: (1) یک هدف بهینهسازی یکپارچه که صرفهجویی در مصرف سوخت از دسته بندی را با کارایی مسیر متعادل میکند؛ (2) یک نمایش شبکه زمان-مکان جدید برای هماهنگسازی ضروری برای هماهنگی دستهها. تجزیه و تحلیلهای محاسباتی گسترده نشان داد که مدل پیشنهادی به طور مؤثر مقیاسبندی میشود و به طور قابل توجهی از یک روش پیشرفته بهتر عمل میکند. نتایج نشان داد که این مدل، بهینهسازی مسیر پیچیدهای را امکانپذیر کرده است که مزایای زیستمحیطی و اقتصادی دسته بندی کامیونهای خودران را آشکار میکند. روی هم رفته، این یافتهها نشاندهنده پیشرفت قابل توجهی در استفاده از اتصال وسایل نقلیه و اتوماسیون برای حمل و نقل پایدار بار است.
مقدمه
هماهنگی کامیونها در حرکت گروهی، نوآوری نوظهوری در حمل و نقل بار است که با پیشرفت در وسایل نقلیه خودران و متصل امکانپذیر شده است. این روش شامل هماهنگی کاروانی از کامیونها برای دنبال کردن دقیق یکدیگر از طریق ارتباط خودرو به خودرو و کنترل خودکار است. این روش کامیونها را قادر میسازد تا فاصله ایمن ۱۰ تا ۱۵ متری را در مقایسه با بیش از ۵۰ متر مورد نیاز برای کامیونهای با راننده انسانی حفظ کنند.
یکی از مزایای کلیدی این مفهوم، بهبود چشمگیر راندمان سوخت است. آرایش نزدیک به هم، نیروی آیرودینامیکی وارد بر وسایل نقلیه پشت سر را به طور قابل توجهی کاهش میدهد. بونت و فریتز (2000) بیش از 20 درصد صرفهجویی در سوخت را برای کامیونهای دستهای با سرعت 80 کیلومتر در ساعت نشان دادند. از دیگر مزایای آن میتوان به کاهش خستگی راننده و افزایش ایمنی جاده اشاره کرد. ماهیت طولانی مدت حمل بار، حمل دستهای را به گزینهای جذاب برای شرکتهای حمل و نقل کامیونی برای کاهش هزینهها و انتشار گازهای گلخانهای تبدیل میکند.
با این حال، هماهنگی بهینهی گروهبندی، چالشهای پیچیدهای را ایجاد میکند. کامیونها باید به صورت پویا و بر اساس مسیرها و برنامههای تحویل خود به کاروان ملحق شده و آن را ترک کنند. این امر مستلزم بهینهسازی همزمان مسیریابی و زمانبندی وسایل نقلیه برای به حداکثر رساندن گروهبندی در ناوگانهای بزرگ است. کامیون پیشرو، ناوبری را انجام میدهد در حالی که کامیونهای پیرو فوراً به هر تغییری واکنش نشان میدهند. چنین سطحی از هماهنگی فراتر از تواناییهای رانندگان انسانی است. بنابراین، موفقیت گروهبندی خودکار، کلید دستیابی به مزایای ذکر شده در بالا است.
اگرچه ایجاد تعادل بین مسیریابی بهینه و گروهبندی پیچیده است، اما به حداقل رساندن طول مسیرهای انفرادی هزینهها را کاهش میدهد اما پتانسیل گروهبندی را محدود میکند. از سوی دیگر، به حداکثر رساندن گروهها باعث صرفهجویی در انرژی میشود اما مسیرهای انحرافی را افزایش میدهد. این مزایای متناقض، توسعه مدلهای بهینهسازی را که میتوانند مسیرهای ایدهآل را با در نظر گرفتن هر دو عامل محاسبه کنند، تسریع میکند.
در این مطالعه، مدل بهینهسازی با استفاده از یک برنامه درجه دوم عدد صحیح مختلط، به مسئله مسیریابی دستهها پرداخت. این مدل، مسیرها و برنامههای زمانی را برای ناوگانی از کامیونها به طور همزمان بهینه کرد تا فرصتهای دستهبندی را به حداکثر برساند. هدف، ایجاد تعادل در صرفهجویی در سوخت ناشی از آرایشهای فشردهتر کامیونها بود که هزینههای مسیریابی ناشی از انحراف دستهها را افزایش میداد. همچنین، محدودیتهای عملیاتی مانند مهلتهای تحویل و ظرفیت کامیونها در نظر گرفته شد.
یک نوآوری کلیدی، نمایش شبکه زمان-مکان بود که حرکت هماهنگ دستهها را مدلسازی میکرد. تصمیمات مربوط به دستهها به کامیونهایی بستگی داشت که همزمان از گرههای خاص حرکت میکردند تا در لحظات خاص از پیوندهای جادهای عبور کنند. فرمولبندی زمان-مکان به صراحت این هماهنگسازی را که برای هماهنگی دستهها ضروری است، در نظر گرفت.
شلادوور، سو و لو و همکاران (۲۰۱۲) تخمین زدند که با کاهش خودکار فواصل قطارها، توان عملیاتی ترافیک میتواند دو برابر شود. این نتیجه، انگیزهای برای توسعه الگوریتمهای بهینهسازی شد که میتوانند از این قابلیتها برای کاهش انتشار گازهای گلخانهای و هزینههای شرکتهای حمل و نقل بار استفاده کنند.
عملکرد مدل پیشنهادی بر روی شبکههای شبکهای تصادفی با اندازههای رو به افزایش آزمایش شد. نتایج نشان داد که این مدل به طور مؤثر برای مسائل بزرگتر مقیاسپذیر است و به طور قابل توجهی از روش مسیریابی دستهای قبلی، CPMS، بهتر عمل میکند. این امر پتانسیل مدل را برای بهینهسازی تصمیمات دستهای در شبکههای حمل و نقل بار در دنیای واقعی برجسته میکند.
مطالعه حاضر سهم کلیدی در تدوین یک مدل بهینهسازی مقیاسپذیر برای دسته بندی کامیونهای خودران دارد. با پیشرفت مداوم اتوماسیون وسایل نقلیه، چنین تکنیکهایی برای مهار دسته بندی برای حمل و نقل پایدار بار به طور فزایندهای حیاتی خواهند شد. بنابراین، این مدل پایه و اساسی برای پیشرفتها و بینشهای بیشتر در مورد هماهنگی دسته بندی کامیونها در مقیاس بزرگ فراهم میکند. (منبع).