Optimizing Liner Shipping Fleet Repositioning Plans

این مونوگراف به چندین مشکل حیاتی در عملیات خطوط کشتیرانی و بنادر می پردازد و الگوریتم ها و مدل های ریاضی را برای استفاده خطوط کشتیرانی و مقامات بندری برای پشتیبانی تصمیم ارائه می کند. یکی از این مشکلات، تغییر موقعیت کشتی‌های کانتینری در یک شبکه کشتیرانی خطی به منظور تنظیم شبکه با تغییرات فصلی تقاضا یا تغییرات در اقتصاد جهانی است. ما اولین توضیح مسئله و مدل ریاضی تغییر موقعیت را ارائه می‌کنیم و مسئله تغییر موقعیت ناوگان کشتیرانی خطی (LSFRP) را تعریف می‌کنیم. LSFRP با زنجیره‌ای از فعالیت‌های متقابل با جریان چند کالایی در مسیرهای تعریف‌شده توسط فعالیت‌های انتخاب شده مشخص می‌شود. ما ابتدا مسئله را بدون جریان محموله با انواع تکنیک‌های بهینه‌سازی معروف و همچنین با استفاده از یک روش جدید به نام برنامه‌ریزی بهینه‌سازی زمانی خطی که برنامه‌ریزی خطی را با برنامه‌ریزی سفارش جزئی در یک چارچوب شاخه و کران ترکیب می‌کند، مدل‌سازی می‌کنیم. سپس با استفاده از چندین مدل ریاضی مختلف و همچنین دو رویکرد اکتشافی، LSFRP را با جریان‌های محموله مدل‌سازی می‌کنیم. ما تکنیک‌های خود را بر روی یک مجموعه داده واقعی که شامل سناریویی از همکار صنعتی ما است، ارزیابی می‌کنیم. ما نشان می‌دهیم که رویکردهای ما به اندازه مشکلات پیش روی صنعت مقیاس می‌شوند و همچنین می‌توانند سود را در سناریوی مرجع تا بیش از 14 میلیون دلار افزایش دهند.

This monograph addresses several critical problems to the operations of shipping lines and ports, and provides algorithms and mathematical models for use by shipping lines and port authorities for decision support. One of these problems is the repositioning of container ships in a liner shipping network in order to adjust the network to seasonal shifts in demand or changes in the world economy. We provide the first problem description and mathematical model of repositioning and define the liner shipping fleet repositioning problem (LSFRP). The LSFRP is characterized by chains of interacting activities with a multi-commodity flow over paths defined by the activities chosen. We first model the problem without cargo flows with a variety of well-known optimization techniques, as well as using a novel method called linear temporal optimization planning that combines linear programming with partial-order planning in a branch-and-bound framework. We then model the LSFRP with cargo flows, using several different mathematical models as well as two heuristic approaches. We evaluate our techniques on a real-world dataset that includes a scenario from our industrial collaborator. We show that our approaches scale to the size of problems faced by industry, and are also able to improve the profit on the reference scenario by over US$14 million.