危机情况下的港口仿真(外文翻译)

精选文库在危机条件下的港口运作系统仿真摘要我们认为最终目的地在美国港口的集装箱运输在全球供应链系统中扮演了重要的角色。正因为如此，当一个港口因为人为的或者自然灾害带来的危机而无法正常运作时，就会严重影响货物的运输。我们开发了这样一个仿真系统，在这个仿真系统之中，我们能够进行有效的路线再规划，从而能够减少危机带来的货运时间延长的影响。这个仿真模型也能够评估和报道由不同方案规划出来的线路调整所带来的供应链系统的表现。输出能够被用来分析和找出最优的线路重规划策略，从而最大限度地减少在危机条件下带来的拥堵和延误。这个仿真模型也能被港口管理者，海事部门，运输公司用于战略决策的制定。1. 引言大量的企业依赖于港口运输，一方面他们需要通过港口运输获得原材料，另一方面，也需要通过港口运输将产品运送到客户手中。自然灾难（例如：地震、海啸）以及人为灾难（例如：恐怖袭击和火灾等）的发生对这些公司的港口运输产生了消极的影响。由于危机条件产生的影响， 在这个研究之中，我们建立了一个这样的仿真模型，在危机条件下，我们能够有效的控制货物运输来尽可能减少危机带来的影响2. 方法2.1数据的产生与搜集 1 到达过程：依据专家观点和与港口管理者的座谈，我们假设运输船到达港口服从泊松分布。在每一个船上的集装箱的数量服从使用者规定的最大容量和最小容量之间的均匀分布2 集装箱的来源：在模型里，我们假设了这样一个场景，集装箱的来源地有有三个：亚洲、欧洲、以及南美。集装箱的到达是由来源地安排的3 港口运作：这一部分包含有对接、停船等船只的进入时间，以及上下集装箱的时间。船只的进入时间以及上下集装箱的时间设定为服从三角分布，最低，最高以及最可能的时间由使用者来设置。同时，每一个港口都有确切的能力来决定在何时有多少数量的起重机可用于上下集装箱4 等待时间：集装箱用于等待卡车或者火车等运输工具的时间5 目的地： 集装性运输的目的地很容易被跟踪到，但是本文更看重的是研究集装箱离开港口后被运输的距离。因此我们假定了四种目的地的情况：（1）100里以内，（2）100到300里，（3）300到600里，（4）600里以上6 交通方式：集装箱可以通过卡车，火车或者驳船出港，在本文的模型之中，我们先不考虑驳船出港的情形，数据的搜集依赖于每种运输方式在集装箱运输中所占的百分比。7 运输能力：对于每一个港口来说，出站卡车以及火车的数量是是决定港口应对危机的一个重要因素。例如，当卡特里娜飓风发生时，很多港口很难找到足够多的火车运送集装箱，因为他们清理废墟会获得更高的收益。2.2 仿真模型软件包是由两部分组成的，一部分是一个Excel的工作表，另一部分是由ProModel开发的一个仿真模型，我们搜集到的数据存储在工作表之中，从而可以让使用者更方便地存取数据以及修改模型。这个数据表有七个主要的组成部分，都用C来表示C1.每一个源港口集装箱的平均运输时间C2.在每一个港口完成运作的时间（例如：对接，停船，船舶的总体进入时间等等）C3.每一港口内每一条船上集装箱的数量分布C4.每一个港口上下集装箱需要花费的时间C5.离开港口后集装箱的最终目的地（a） 在100里以内的集装箱所占的百分比（b） 在100到300里内的集装箱所占比例（c） 在300到600里内的集装箱所占的比例（d） 600里以外的集装箱占比C6.港口所处的危机条件C7.对受影响港口的线路重规划场景 用N，M，和K分别代表用仿真模型进行港口评估的港口数量，来源数量，以及最终到港数量。所有的输入部分用矩阵在输入表中表示，并且将其用数组存储在仿真模型之中。六个组成部分（C1到C6）分别单独用矩阵表示。C1是一个NM的矩阵，C2是一个N3的矩阵，C3是一个N2的矩阵，C4是一个N3的矩阵，C5是一个NK的矩阵，C6是一个N1的矩阵。用（I，j）表示数组中第i行第j列的值。在C1中，（n，m）表示船只从源头地m到达港口n平均需要的运输时间。在C2中，（n，1）（n，2）（n，3）表示在港口n进行集装箱操作所需时间服从三角分布的三个参数，最下到达时间，最可能到达时间，以及最大到达时间。在C3中（n，1）（n，2）分别表示在港口n中每条船上集装箱数量服从的均匀分布中的均值和中值两个参数。在C4中（n，1）（n，2）（n，3）代表在港口n上下集装箱所需时间的三角分布中最小值，最可能值以及最大值的参数。在C5中（n，k）表示从港口n到达最终目的地k的集装箱占比。C6是一个二进制矩阵，当在港口n有危机情况存在时，第n行就是1，否则，就是0。C7，代表路线重规划的数组，由M个NN的矩阵组成。用（m,i,j）表示在C7中第m个矩阵的第i行第j列。（m,i,j）表示从源港m出发的最终计划到达目的地i港的船只中到达i港的船只比例以及因i港存在危机情况而改到j港的船只比例，每一行的和为1。表一给出了一个例子表一：路线在规划的一个例子表一表示的是从m1港开来的船只，在表一中（1,2,1）表示从m1港开来的船只中，最开始是想开往n2港的，但是由于n2港处于危机之中，有25%开到了n1，75%开到了n3.（1,3,3）表示从m1港开出计划到达n3港的船只全部到达n3。2.2.1系统描述本研究中的仿真模型共有三个层次，用L表示你，集装箱从L1到L3流动。L1.集装箱的来源地m(m=1,2,M)L2.集装箱要到达的港口n(n=1,2,N)L3.集装箱最终到达地k(n=1,2,K) 当船舶到达一个港口时，首先要进入队列（Q1）等待港口允许进入。在Q1队列时，会进行对接，驳船，启动等操作。在Q1队列中等待最长时间的船只离开队列进入港口（先进先出）。当船只进入港口后，就会进行就会进行集装箱的卸载或者堆放工作。在上下集装箱操作完成以后，被卸载下来的集装箱就会进入到队列（Q2）来等待资源（火车或者卡车）来把它们运送到最终目的地。当集装箱到达最终目的地以后，它们就会离开系统。图二给出了这个流程图。该仿真系统所依赖的假设是：1. 选取7个美国港口2. 当集装箱到达港口后，它们可能需要等候前往最终目的地。我们假定四个目的地100里以内3. 假定集装箱来自于三个地方：太平洋（亚洲），大西洋（欧洲），墨西哥湾（南美）。仿真模型中，从来自于相同地方的集装箱可能会有不同的目的港。因危机发生，重规划路线依赖于C7中的百分比4. 当集装箱离港后，用卡车或者火车来运输。假定，300里以内，用卡车运输，其余的用火车。同时假定卡车可以运输2个集装箱，火车可以运输20个集装箱，例如加利福利亚港口的集装箱，运送到美国西南部用卡车，中西部以及东北部则需要用火车。等等2.2.2仿真模型中的主要元素图3列出了反正模型的基本研究框架，图4给出了模型的分布图图三：仿真的基本框架在ProModel中，仿真模型包含有以下结构：Entities：在这个仿真模型中，只有一种进入形式集装箱Locations（static resources）:静态资源，7个港口，每个港口有两个队列，3个来源地，四个最终目的地，总共有28个静态资源。Arrivals:到达港口的船只服从泊松分布，间隔时间服从指数分布。船只到达每一个港口的平均到达时间放在工作表中（输入部分的C1）。正像前面所叙述的那样，C1是一个NM的矩阵，其中N=7，M=3。Attribute: 集装箱的预期入境口岸Arrays: C1是一个73矩阵，C2是一个73的矩阵，C3是一个72的矩阵，C4是一个73的矩阵，C5是一个74的矩阵。用（I，j）表示数组中第i行第j列的值。2.2.3危机条件仿真当有一个或者几个港口处于危机之中时，受影响港口的集装箱的路线就会被重新规划，重规划的机制影响着集装箱从源港到危机港的流动，以及从这些港口到达最终目的地。图5给出了集装箱在不同层次之间的流动示意图。重规划改变了在Arc1和Arc2的路线，仿真模型在这两个模块采用了两种不同的重规划算法。图5：重规划影响Arc1和Arc21. 从源港到目的港的重规划（Arc1）：进入仿真模型的集装箱会被标识一个叫做OriginalPort的属性。该属性表示集装箱最开始的目的港口。即使是在危机港经过重新运输的集装箱，这个属性也不会消失。如果在初始目的港没有危机发生，集装箱就会被直接运到该港口。否则，数组C7就会起作用，集装箱根据重规划情景进行再运输。过程如图6所示。2. 从港口到达最终目的地的路线重规划在输入部分中的C7，（m,i,j）表示港口i受到危机影响后的重规划场景。C5中给出了在港口n受到危机影响后，3. 测试3.1. 性能测试供应链性能的主要衡量标准是集装箱在整个系统中花费的总时间，包含从源港口运输到最终目的地的总时间1. 海上运输时间：从出发地到达港口的时间，要是有危机发生的话，集装箱的海上运输时间的增长取决于重新规划的路线2. 港口运作时间：用来对接、停船、上下集装箱以及其他一些港口活动的时间。在有危机发生的情况下，不光是危机直接发生的港口，其他港口的运作时间也会增加3. 内陆运输时间：从港口到最终目的地运输所花的时间：内陆运输的时间依赖于两个因素：运输的速度（卡车或者火车）以及运输的时间4. 排队时间：集装箱在Q1和Q2两个队列中花费的总时间。当危机港口的货物重新规划运输路线以后，在替代港口由于容量的限制也可能发生拥塞。例如：存储集装箱的能力有限（Q2）可能会阻碍港口运作，导致集装箱在Q1的等待时间加长。港口能力取决于港口在某一给定时间内能最大限度接受船只进行上下集装箱的数量以及它存储集装箱的最大数量。Q2的能力首先由运输集装箱的卡车和火车的运输能力影响。在仿真模型里，我们设置这个能力是无限的3.2统计分析 在本文的例子里一个位于Texas（TX）（德州）的港口出现了危机，用一下五个场景来测试系统的性能1 场景0（正常的或基本场景）：假设所有的港口都处于正常运行状态2 场景1：从太平洋开来的，原始目的地在德州港（TX），由于危机发生，25%的船只开到了加州港（CA），其余的75%开到了洛杉矶港（LA）。从墨西哥湾开来的，最初目的地也在德州的船只，由于危机发生，75%的船只开到了加州港（CA），其余的25%开到了洛杉矶港（LA）。因为CA和LA港的队列更长了，所以集装箱操作的时间会更长3 场景2：从太平洋开来的，原始目的地在德州港（TX），由于危机发生，75%的船只开到了加州港（CA），其余的25%开到了洛杉矶港（LA）。从墨西哥湾开来的，最初目的地也在德州的船只，由于危机发生，25%的船只开到了加州港（CA），其余的75%开到了洛杉矶港（LA）。因为CA和LA港的队列更长了，所以集装箱操作的时间会更长4 场景3：开到德州港的所有船只，由于危机发生，25%开到CA，25%开到LA，50%仍然开到TX，由于危机的影响，德州港操作的总时间会增加5 场景4:50%到CA，50%到LA。以上数据是由对港口管理部门的访谈获得，因此，输入数据的可信的。每一个场景重复30次,每一次仿真时间设定为195小时，其中150小时为预热期。在仿真时间设定为300小时时，观察到150小时预热期结束，系统达到稳定状态。 表一对仿真研究的结果进行了总结，表中的仿真数据表示相对于场景0来说队列的平均增加值。例如：场景一中，在（CA）港的Q1队列长度与正常情况相比增加了64.9%。在四个场景中，CA港和LA港的Q1长度都有增长。在1,2,4,场景中（TX）港的Q1队列长度降低到0。但是，在场景3中，只有50%的船只路线被重新规划了；因此，Q1队列的长度降到了53.3%而不是100%。从表一中我们还可以看到，Q2队列的改变没有Q1队列那么明显。因为本模型中设定卡车和火车的运量足够大，因此Q2改变并不大。表一：表1也给出了集装箱在系统中的平均周转时间，例如，在场景一中，每一个集装箱大概要花费9500分钟（见表二）比正常情况下的9390分钟增长了1.2%。场景3和场景4分别增长了0.2%和0.4%，但是在场景2，总时间则减少了。下面将会给出解释。我们进行了统计检验来测定这些变化的显著性。根据30次模拟的数据我们可以得到集装箱周转时间的平均值。在五个场景中每次选出两个进行成对比较，总共会有十项测试。从表2中我们可以看到，样本的方差存在较大的差异。我们假定方差不同，选用Welch的 t检验来进行统计检验。在进行t检验之前，需要对输出数据进行正态分布的拟合优度检验。基于这样的目的，我们队每个场景收集到的数据进行了Kolmogorov-Smirnov 和Anderson-Darling检验，结果如表三所示，我们可以看到，观测变量的分布并没有显著区别于正态分布。表2给出了t检验的结果，所有的测设都是在5%的置信水平下进行的，从表2中的p值可以看出场景2和场景3中集装箱在系统中的平均周转时间与正常情况下并没