Науковий вісник НГУ

Моделювання доставки вантажів автомобільним перевізником: приклад транспортної компанії

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2022

Останнє оновлення: 17 серпня 2022

Опубліковано: 30 листопада -0001

Перегляди: 1636

Authors:

М.Оліскевич, orcid.org/0000-0001-6237-0785, Львівський національний аграрний університет, м. Дубляни, Львівська область, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І.Таран, orcid.org/0000-0002-3679-2519, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, е-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Т.Волкова, orcid.org/0000-0001-8546-4119, Харківський національний автомобільно-дорожній університет, м. Харків, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

I.Клименко, orcid.org/0000-0002-6263-0951, Національний технічний університет «Дніпровська політехніка», м. Дніпро, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2022, (2): 118 - 123

https://doi.org/10.33271/nvngu/2022-2/118

Abstract:

Мета. Розробити методику імітаційного моделювання процесу виконання випадкових замовлень, яка б дала змогу обґрунтувати комплекс рішень транспортної компанії ТОВ «Транс-Сервіс». Рішення стосуються використання власного рухомого складу, або залучення орендованих засобів, а також раціональної послідовності виконання замовлень.

Методика. Розроблена імітаційна модель транспортних циклів із дискретним часом. Найменшою неподільною тривалістю циклу є одна робоча зміна. Вхідний потік замовлень відображено випадковими координатами пункту відправлення та призначення вантажів. Координати потенційних замовлень формуються генератором випадкових чисел. Кожне замовлення задається його характеристикою, до якої входять: пункт відправлення й пункт доставки; обсяг доставки; середній час доставки; розмір партії; часове вікно. На кожному кроці планування маршрутів відома сукупність замовлень, що характеризуються їхньою сумісністю. Розроблені правила вибору замовлень і їх розподілу між наявними транспортними засобами. Розроблено алгоритм і комп’ютерна програма імітаційного моделювання.

Результати. Імітаційне моделювання здійснювалося для 30 календарних днів, коли вхідні потоки замовлень є стаціонарними. Відповідною є кількість кроків імітаційного моделювання. Моделювання здійснювалось із 20-разовим повторенням. Результати представлені за усередненим значенням повторів. Отримані залежності кількості замовлень, що надходять, виконуються й не приймаються до виконання перевізником, а також кількість власних автотранспортних засобів, які використовуються підприємством. Отримана також кількість замовлень, що не виконуються власним транспортом, але приймаються до виконання за допомогою орендованих засобів. Допустимий коефіцієнт сумісності замовлень змінювався для кожної серії дослідів. Отримані відповідні часові показники кооперації за умов різної інтенсивності вхідного потоку. Для виконання імітаційних експериментів із початковими даними, що спостерігались у транспортній компанії ТОВ «Транс-Сервіс» (Україна), сформовано масив початкових даних.

Наукова новизна. Уперше для вибору замовлень, які будуть обслуговуватись транспортною компанією під час імітаційного моделювання, застосовано показник організаційної та технологічної сумісності замовлень, що дало змогу провести відбір замовлень зі стохастичного потоку та сформувати раціональну послідовність їх виконання.

Практична значимість. Отримані результати є корисними при розробленні плану перевезень вантажів на основі отриманих даних про замовлення на перевезення вантажів і про стан і можливості партнерів.

Ключові слова: вантажні перевезення, стохастичний процес, імітаційне моделювання, сумісність замовлень

References.

1. Sabraliev, N., Abzhapbarova, A., Nugymanova, G., Taran, I., & Zhan­birov, Zh. (2019). Modern aspects of modeling of transport routes in Kazakhstan. News of the National Academy of sciences of the Republic Kazahstan, 2(434), 62-68. https://doi.org/10.32014/2019.2518-170X.39.

2. Nugymanova, G., Nurgaliyeva, M., Zhanbirov, Zh., Naumov, V., & Taran, I. (2021). Choosing a servicing company’s strategy while interacting with freight owners at the road transport market. Naukovyi visnyk Natsionalnoho Hirnychoho Universytetu, (1), 204-210. https://doi.org/10.33271/nvngu/2021-1/204.

3. Naumov, V. (2012). Definition of the optimal strategies of transportation market participators. Transport Problems, 7(1), 43-52. Retrieved from http://transportproblems.polsl.pl/pl/Archiwum/2012/zeszyt1/2012t7z1_05.pdf.

4. Naumov, V., Taran, I., Litvinova, Y., & Bauer, M. (2020). Optimizing Resources of Multimodal Transport Terminal for Material Flow Service. Sustainability, 12(16), 6545. https://doi.org/10.3390/su12166545.

5. Gansterer, M., Hartl, R. F., & Vetschera, R. (2019). The cost of incentive compatibility in auction-based mechanisms for carrier collaboration. Networks, 73(4), 490-514. https://doi.org/10.1002/net.21828.

6. Apfelstädt, A., Dashkovskiy, S., & Nieberding, B. (2016). Modeling, optimization and solving strategies for matching problems in cooperative full truckload networks. IFAC-PapersOnLine, 49(2), 18-23. https://doi.org/10.1016/j.ifacol.2016.03.004.

7. Pasha, J., Dulebenets, M. A., Kavoosi, M., Abioye, O. F., Wang, H., & Guo, W. (2020). An optimization model and solution algorithms for the vehicle routing problem with a “factory-in-a-box”. IEEE Access, 8, 134743-134763. https://doi.org/10.1109/ACCESS.2020.3010176.

8. Mehrdad, R., Kamal, B., & Saman, F. (2021). A novel community detection based genetic algorithm for feature selection. Journal of Big Data, 8(1). https://doi.org/10.1186/s40537-021-00483-1.

9. Wang, D., Zhu, J., Wei, X., Cheng, T. C. E., Yin, Y., & Wang, Y. (2019). Integrated production and multiple trips vehicle routing with time windows and uncertain travel times. Computers & Operations Research, 103, 1-12. https://doi.org/10.1016/j.cor.2018.10.011.

10. Qiu, M., Fu, Z., Eglese, R., & Tang, Q. (2018). A Tabu Search algorithm for the vehicle routing problem with discrete split deliveries and pickups. Computers & Operations Research, 100, 102-116. https://doi.org/10.1016/j.cor.2018.07.021.

11. Liu, Y. (2019). An optimization-driven dynamic vehicle routing algorithm for on-demand meal delivery using drones. Computers & Operations Research, 111, 1-20. https://doi.org/10.1016/j.cor.2019.05.024.

12. Chen, L., Zhao, X., Tang, O., Price, L., Zhang, S., & Zhu, W. (2017). Supply chain collaboration for sustainability: A literature review and future research agenda. International Journal of Production Economics, 194, 73-87. https://doi.org/10.1016/j.ijpe.2017.04.005.

13. Colicchia, C., Creazza, A., Noè, C., & Strozzi, F. (2019). Information sharing in supply chains: a review of risks and opportunities using the systematic literature network analysis (SLNA). Supply chain management: an international journal, 24(1). https://doi.org/10.1108/SCM-01-2018-0003.

14. Hezarkhani, B., Slikker, M., & Van Woensel, T. (2016). A competitive solution for cooperative truckload delivery. OR Spectrum, 38(1), 51-80. https://doi.org/10.1007/s00291-015-0394-y.

15. Gorbachev, P. F., & Mospan, N. V. (2017). Simulation model of service of one-time orders for long-distance cargo transportation. Bulletin of KhNADU, 76, 32-39. Retrieved from https://dspace.khadi.kharkov.ua/dspace/bitstream/123456789/2033/1/V_06_76.pdf.

16. Bychkov, I., Oparin, G., Tchernykh, A., Feoktistov, A., Bogdanova, V., Dyadkin, Y., & Basharina, O. (2017). Simulation modeling in heterogeneous distributed computing environments to support decisions making in warehouse logistics. Procedia engineering, 201, 524-533. https://doi.org/10.1016/j.proeng.2017.09.647.

17. Dzinko, A. M., & Yampolsky, L. S. (2017). Modeling of the material flow scheduling function based on discrete-stochastic dynamic programming. Interdepartmental scientific and technical collection. Adaptive automatic control systems, 2(29), 52-59. https://doi.org/10.20535/1560-8956.30.2017.117703.

18. Sahin, C., Demirtas, M., Erol, R., Baykasoğlu, A., & Kaplano­ğlu, V. (2017). A multi-agent based approach to dynamic scheduling with flexible processing capabilities. Journal of Intelligent Manufacturing, 28(8), 1827-1845. https://doi.org/10.1007/s10845-015-1069-x.

19. Consonni, C., Sottovia, P., Montresor, A., & Velegrakis, Y. (2019). Discovering order dependencies through order compatibility. In Advances in Database Technology-EDBT 2019, 409-420. https://doi.org/10.5441/002/edbt.2019.36.

20. Sharai, S., Oliskevych, M., & Roi, M. (2019). Development of the Procedure for Simulation Modeling of Interrelated Transport Processes on the Main Road Network. Eastern-European Journal of Enterprise Technologies, 5(3), 70-83. https://doi.org/10.15587/1729-4061.2019.179042.

21. Azi, N., Gendreau, M., & Potvin, J. Y. (2012). A dynamic vehicle routing problem with multiple delivery routes. Annals of Operations Research, 199(1), 103-112. https://doi.org/10.1007/s10479-011-0991-3.

22. Roy, M. (2020). Method of optimization of integrated transport process of freight road transport. Scientific notes of TNU named after V. I. Vernadsky. Series: technical sciences, 31(70(5)), 220-227. https://doi.org/10.32838/2663-5941/2020.5/36.

• < Попередня
• Наступна >