减少燃料消耗和污染排放的新型货车行驶路线方式.docx

21208134 林韬物流学翻译A new truck-routing approach for reducing fuel consumption and pollutants emissionYoshinori Suzuki减少耗油率和污染排放的新型货运路线研究摘要本文介绍了一种通过时间限制，多站，货运路线最小化来降低耗油率和污染排放物的行车方法。框架构成的特点是，它最大限度地减少长途货运车辆必须装载着沉重的有效荷载，根据客户顺序来进行运输，比如较重的货物先被卸载而较轻的物品后卸载。它认为燃油消耗总量取决于在客户地点耽搁的时间。我们基于现行的汽车运输路线建立模型，此方法最大能比现在的方法减少6.9燃料量。关键词：绿色物流；耗油率；污染排放物；货运路线1简介由于能降低耗油量和污染排放物，高效的汽车运输路线和规划安排，受到了汽车运输行业的广泛的、关注。一种方法是通过提高汽车运输路线和规划安排的效率，利用技术解决经销商时间窗货运问题(TSPTW)，这种类型的问题经常被许多汽车运输公司遇到，即找到一个最小花费的行程，回到出发时的那个仓库，在一个特殊的时间窗中只拜访用户一次。当解决TSPTW，研究表明这是习惯性减少车辆的行驶距离，而直观的来说，这不一定是从燃油效率角度来看的最佳解决方案。原因如下，尽管车辆的污染排放物是取决于车辆的行驶距离，但也取决于其他因素，比如说道路坡度，每一段的行驶速度(Ericsson, 2001; Brundell-Freij and Ericsson, 2005)。这就表明当在考虑最佳省油路线时，其他因素也需要列入考虑Tavares et al. (2008)。这也就表明最佳省油路线往往与实际上最短路线不同。这种研究简报根据商务卡车的方法，考虑了两个附加因素影响在TSPTW旅行的污染排放物，首先是车辆的有效荷载。众所周知一个卡车的燃油经济性取决于有效荷载，负载越重，燃油经济性就越差(UK Department for Transport, 2007)。我们的方法考虑到这种影响，并试图通过减少距离来减少卡车的污染排放物。卡车必须要有个有效荷载。第二点就是在客户点等待是的污染排放物，再受时间约束的路线当中，最佳方案经常要求卡车要等在客户点，因为汽车的到来可能要先启动时间窗。过去的研究表明含蓄的假定，污染排放物的量在等待时间中是零，然而在实践当中，一辆卡车的引擎是空转的通常由于各种原因，如停止加热或冷却驾驶室。我们认为通过合理安排客户的拜访来最小化等待时间最终达到减少污染排放物。2. TSPTW的公式2.1 最下距离的公式设G=（N，R）是一个有向图，其中N=0，1，2， ，n，n+ 1为结点的有限集合，R是连接有向边的节点，客户代表节点1到n，仓库代表节点0，开始的节点和n+1，结束的节点。我们假设存在一个弧（i，j） R，iNn+1，jN0,ij,横传过弧（i，j）的英里和时间被标记被Dij和Tij，每一个顾客i都有一个特定的时间窗Si, Si + Di，当我们给客户提供服务的时候，其中Si和Di表示时间窗的起始时间和持续时间，每个客户的卸货时间被记做Ui。一个拜访必须被安排在包括从开始卸货时间（Bi），到结束卸货时间（Bi+Ui）的范围(Si,Si+Di）中，就像其他时间约束航线研究一样。我们假设在客户所在地等待是被允许的，举例来说，车辆到达客户i（Ai）可以早于Si，但是车辆不能早于Si卸货，每一个客户的需求必须积极的预先的知道，我们还假设为确保方案的可行性，汽车最大的荷载不能小于客户的需求总和。传统的TSPTW为了运送路程，以第一类模型来概述，通常被表示为网络流模型。最小化：服从：窗体顶端其中Xij是一个二进制的决策变量，这样它是1，如果节点j是节点i的访问后（0除外）。限制（3）及（4）要求车辆进入和离开每个节点恰好一次。约束（5）执行的连续时间关系服务节点。约束（6）及（7）指定的时间窗口，而（8）各国的节点0的特殊性质和N+ 1（仓库）2.2最小燃料的公式我们使用最小燃料公式入（Travers et al. 2008）。让Cij作为车辆燃料消耗量（mpg）弧（i，j）（Vij=60（dij/tij），基于美国能源部门(2009)的重型卡车燃油效率研究，我们用Cij来表达Vij的函数入下：其中00，01，是要估计的参数，由于美国能源部门的数据测量影响了以长期数据为基础的车辆的速度，（9）可能被视为计算在平地上Vij对Cij的影响，就如车辆长期行驶在起伏不平的地形上里程会最终相互抵消，为了计算影响车辆在道路上基于梯度每条弧英里的速度，我们调整（9）：其中Yij0是参数（道路坡度因素），根据标准，测量车辆每条弧的mpg偏差数，地势平坦度基于路面倾斜度（Yij=1是地势平坦，Yij1是负梯度）鉴于（10），TSPTW公式最大程度的减少了车辆行驶当中的耗油量，第二种模型可以被表述为最小化：服从：表达式（2）（8）3实用计算公式有效荷载在对MPG的影响由英国运输部（2007）对于重型卡车的研究可以以线性函数为特点，mpg= 0+ 1L其中L为有效荷载（lbs）， 00是卡车空车时的mpg，而 10，是用系数测量额外有效荷载LB所引起的mpg的损失。我们可以把它表示为ij，根据有效荷载的因素计算基于有效荷载每个弧的平均价值的车辆mpg的公式如下：其中Li0，iN0，n+1，i表示客户交给我的货物重量，YijN|0，n+1，设客户还没被访问时，车辆行驶的弧为（i，j）， 是车辆在长途中的平均有效荷载，用第二种模型来计算Cij的有效荷载是基于公式（12）表明当有效荷载是时，ij=1，当有效荷载小于 时ij1，当有效荷载大于 时， ij1。根据ij，我们推倒出TSPTW(第三种模型）如下：最小化：服从式（2）（8）其中 0表示在客户点等待车辆每小时耗油的平均数量。为了清楚的得到答案，我们的价值指从（13）获得的值作为调整的燃料消耗，而（11）是未经调整消耗。4实验4.1实验设计本实验以实际美国运输公司经营的第八类卡车来考虑,假设我们随机产生,不是实际的,TSPTW的例子,是用三种模型来解决任何一个问题,每一种问题的情况是由电脑随机数产生的(Dij,Vij,tij，yij,Li，Di，Si和Ui的值）如表1，我们产生和解决1000TSPTW的例子，每个例子进行九次实验：表一 参数和假设参数值（范围）固定参数0(逆向阻碍行驶车速)2.8196321(上坡行驶车速)0.0658050(逆向阻碍行驶收费载重量)9.7011(上坡行驶收费载重量)-0.00007491(每等待一小时的燃油消耗)a0.70.3gal.(平均或基础收费载重量)33451lbsUi(每站的卸货时间)10min（所有客户）车辆最大收费载重量（容量）45000lbs随机变量（所有实验通用）ij(路斜率因素)0.75-1.25Si（时间窗起始时间）8:00 am -1:00pmDi（时间窗维持时间）240-480min行程收费载重量（每行程总重量）30000-45000lbsli（每位客户的载重）b1到（45000-n+1）lbs随机变量（各实验特殊值）cdij(距离) （n=5）d5-90milesdij(距离) （n=10）d5-50milesdij(距离) （n=15）d5-20milesvij(速度) （n=5）20-60mphvij(速度) （n=10）20-50mphvij(速度) （n=15）20-40mpha 实验因素b 我们保证穿梭在客户间的总li不超过最大付费载重量c tij是dij和vij的比值d 我们保证三角形法则：dik+dkj=dij对所有的i，k，j适用要求9000个任务的产生和27000个任务的解决，我们限制问题的大小，因为根据主题 上门接送，车辆很少能平均一小时上门超过10个用户。4.2参数规格据报告选择数值模拟参数表1的参数值主要取决于使用专有数据提供者的主题载体。我们将更详细地描述的一些参数。1. 车速系数（0和 1），美国能源署数据（2009）显示，第八类卡车速度的mpg数据。我们采用线性回归分析这些数据为基础来估算0和 12. 车辆有效荷载系数（ 0和 1）是有英国运输部（2007）根据44吨的卡车估计出的数据，这种卡车相当于美国第八类卡车。3. 平均有效荷载（）来源于美国运输部（2007年）报告的商用卡车的有效载荷的统计数据。（实际有效荷载数据经由路边检查收集）我们判断是使用这些数据并通过计算第八类卡车的平均有效荷载得出的。4. 我们允许道路坡度的因素（Yij）在限制范围内波动（2到2）。因为承运人X是位于大平原地区的美国。根据美国能源部的规定该Yij的大致在0.751.255. 等候时间的油耗（），承运人X估计，平均来说是大约0.7。然而因为实际受几种因素的影响如天气因素，我们测试三个的值（0.7,0.5,0.3）4.3技术和软件的解决方案由于无法使用标准技术解决TSPTW问题（任何确切的方法都解决不了3型模型）我们采取以下方法。首先当N=5或者N=10时，我们使用枚举法来找到最佳解决方案，（枚举法可以鉴别和探讨所有可能的解决方案，用来寻找最佳解决方案）。第二，当N=15时，我们用启发式算法来寻找最接近最佳方案的方法，因为枚举法太费时间。当n10时，具体来说，我们使用压缩模型（(Ohlmann and Thomas,2007)这是专门用来解决TSPTW问题的。我们用编写 Visual Basic .NET 项目来执行这项实验。对于实验中N=15时，每个实例我们执行五次压缩模型来避免“被限制在本地最低水平”（我们初步实验计算表明，通常情况下每个实例的五次压缩模型得到TSPTW问题的解决）。5结论研究结果发表在表2和3。最重要的发现如下。首先，在燃料消耗方面III型模型优于其他两种模式。表3显示了III型的平均油耗比II型模型低了1.03.1。表2 实验结果表3模型2和模型3节省的燃油消耗率（%）比I型模型低了4.96.9，尽管III型模型解决方案的路程比II型和I型长了大约1.4和5.3。第二，在所有的实验当中，前40的停靠点货物卸载比例III型模型要远远高于II型和I型模型，表二表明，I型II型III型模型的货物的平均卸载比例在前百分之40的停靠点为40.2，39.9和55.4.这种模型证实,第三种模型通过积极的把负担较重的货物在旅途的早期卸载,而后运输那些负担较轻的货物.最大程度的减少了耗油量.第三我们的模拟实验显示在客户点等待时间的油耗结果好坏参半,在3个模型当中,III模型并不是总是给出最短等候时间的方案,在9个实验当中只有5个的平均等候时间最低.这意味着等候时间的油耗对总油耗的影响可能是弱的或者不存在的.但是也表明,在一般情况下,的增加从0.3到0.7作为III型模型在等待时间减少.这就表明由于等待时间的燃油消耗影响使得结果好坏参半,就等待时间的燃油消耗影响,我们不能得出任何明确的结论。6总结分析表明车辆把负担较重的货物在旅途的早期卸载,而后运输那些负担较轻的货物.可以显著的节省耗油量,使得车辆过重荷载的路程大大缩短,这将比传统的最短距离方案减少燃油消耗4.9到6.9,这种方案的耗油量在1.0到3.1之间超过标准最小燃料方案。参考文献：Brundell-Freij, K., Ericsson, E., 2005. Influence of street characteristics, driver category and car performance on urban driving patterns. Transportation Research Part D 10, 213229.Ericsson, E., 2001. Independent driving pattern factors and their influence on fuel use and exhaust emission factors. Transportation Research Part D 6, 324345.Ohlmann, J.W., Thomas, B.W., 2007. A Compressed-annealing heuristic for the traveling salesman problem with time windows. INFORMS Journal onComputing 19, 8090.Tavares, G., Zsigraiova, Z., Semiao, V., Carvalho, M.G., 2008. A case study of fuel savings through optimization of MSW transportation routes. Management of Environmental Quality: An International Journal 19, 444454.UK Department for Transport, 2007.