物流管理论文哪里有？本文通过对约束规划方法求解原理的分析，从分组顺序、变量选择策略和值选择策略三个维度对模型的求解策略进行了实验设计，并设计了一种改进的变邻域搜索算法来增强CP模型处理大规模实例的性能。
第1章 绪论
1.2 国内外相关研究现状
1.2.1 煤炭港口调度研究
目前，关于港口调度问题的研究集中在集装箱港口[6-9]，而散货港口，更确切地说对于煤炭港口的研究较少。如前文所述，煤炭港口的运作模式可分为拉动式和推动式两种，针对不同模式下的煤炭港口调度问题研究的侧重点也有所不同。
1.2.1.1 拉动式港口研究
拉动式港口的研究可分为精确算法[10,12]和启发式算法[13,14]两个方向。精确算法的研究使用包括列生成[10]、分支定价[10]和benders分解[12]等在内的经典线性规划算法来求解模型，但鉴于港口调度问题的动态性和复杂性，这类算法想要达到较好的效果往往依赖于模型简化。文献[10]针对巴西散货码头的主要作业环节，构建了一体化的混合整数规划（Mixed Integer Programming，MIP）模型，并设计了一种基于列生成和分支定价思想的精确算法，该算法能够保证求解小规模算例的最优性，但求解大规模算例时只能得出相应的界。考虑到拉动式煤炭港口中的煤堆矩形在堆场的时空布局类似于二维装箱问题，有学者将其转化为了带特殊约束的二维装箱问题（Two-Dimensional Packing Problem），并用约束规划（Constraint Programming，CP）范式对其进行建模。为了对比MIP和CP两种优化范式在煤炭堆场空间调度问题的表现性能，文献[11]在需求已知的条件下，分别使用MIP和CP对堆场空间、堆垛设备和取料设备等堆场资源进行建模求解，通过计算实验证明了CP的求解效果更好，并对CP求解器的多种约束传播机制和求解策略组合进行对比实验，得出了求解该类问题的最优策略设置。由于CP只能处理整型变量，在处理调度问题时会丢失部分的时态结构，因此，文献[12]结合两种规划范式的优势，将整体问题进行分解，分别用MIP和CP对港口调度主问题和堆场调度子问题进行建模，并提出一种基于benders分解的精确算法来提高模型求解效率。上述的文献[10]和[12]的决策时间步长均为1h，相较之下，启发式算法能以更细的时间粒度实现对港口作业的精准调度。
第3章 煤炭出港作业调度问题的数学描述
3.1 问题分析
3.1.1 问题描述
客户到达港口前，会先向港口发出提名以告知船的预计到达时间和需求，需求中明确了船的船舱数量、每个船舱所需的合同煤以及具体的装舱量。一艘船一般有多个船舱，每个船舱可以从多种合同煤中选择一种装船，而每种合同煤也有多种配煤方案可选，配煤方案中记录了混配所需的原煤种类及相应的比例信息。如前所示，配煤方案的选择在决策层面是对特定垛位组合的选择，为了更直观、简洁地建立模型，我们将配煤方案中的煤种信息转化成了相应的垛位信息，并根据船舱的装舱量和配煤方案的比例要求计算出了在每个垛位的取料量。
如图3-1所示，决策层面的配煤方案可表示为一个四维元组rp=⟨s1,s2,q1,q2⟩，其中s1和s2表示取料的垛位，q1和q2表示在相应垛位的取料量。为了保持形式的一致性，对于单装的配煤方案（即配煤方案中只有一种原煤的情况），我们为其设置了一个虚拟垛位s2，其对应的取料量q2=0，表示在该垛位的取料作业不存在。在选择了合适的配煤方案后，每个船舱的装船过程被分成了两个作业任务，其取料垛位和取料量已经确定，为了完成煤炭的装船过程，港口还需要为每个作业任务分配合理的取料设备并确定相应的作业时间。由此可见，作业任务是港口进行调度时的基本决策单元，对煤炭出港作业的调度实际上就是对所有这些作业任务的调度。
第5章 计算实验与案例分析
5.1 计算实验
煤炭出港作业调度问题是从我国现阶段的煤炭供应实际中抽象而来，为了更好地对问题展开研究，本文根据现实世界数据随机生成了两组不同规模的标准测试数据集A和B，分别对上一章提出的策略和算法进行计算实验，每组数据集包含10个算例。需要说明的是，CP只能处理整数，因此计算实验中使用的数据均为整数类型。
5.1.1 数据来源与设计
算例中的数据主要由两个部分构成：场景数据和客户需求信息数据。场景数据包含了港口结构和进行调度时的港口初始状态信息，场景数据对应建立的调度模型，其复杂程度决定了模型求解的难度；客户需求信息数据是规划期内所有提名信息的总和，其包含的数据量直接影响了问题规模的大小。关于两部分数据的来源和设计思路将在下面进行详细说明。
5.1.1.1 场景数据
本文所使用的场景结构是基于国内某大型煤炭港口的实际情况转化而来，港口初始状态则是根据港口结构按一定规则随机生成。
（1）港口结构：结构中定义了2个储煤区域和4个码头前沿，其中大、小码头前沿各2个，大型的码头前沿中设有3台装船机和3个大吨位泊位，小型的码头前沿中设有1台装船机和1个小吨位泊位。一个储煤区域中分布有5个条形堆场，并分别与一大一小两个码头前沿相连。如表5-1所示，港口结构中共计有10个条形堆场、97个垛位、15台取料机、8台装船机以及8个泊位（6个大吨位泊位，2个小吨位泊位）。
（2）港口初始状态: 港口初始状态是对规划期开始时港口的场存和设备状态的描述，港口初始存储的原煤种类数记作ncaol，ncaol的生成服从[20，30]的均匀分布，每个垛位初始的存量由垛位的容量决定，存量的生成服从正态分布N(μ,σ2)，正态分布的均值为容量的1/2倍，方差为均值的1/6倍，并且假设规划期开始时港口的设备资源均处于闲置状态。
5.2 案例分析
上述的模型求解策略实验和VNS算法实验都是以生成的数据集为基础进行测试的。为了验证本文提出的模型和方法在实际应用中的有效性，本节将基于国内某大型煤炭港口的实际场景和运作数据进行案例分析。
5.2.1 案例介绍
A港是我国北方最重要的煤炭出海口之一，目前已经发展了成熟的配煤业务。在过去十年间，A港的年吞吐量一直保持高位增长，并在2017年达到了2亿吨以上。与国内大部分港口一样，A港采取推动式的运作模式进行港口管理，随着吞吐量的逐年增长，A港在调度运作层面的弊端也逐渐显现。在煤炭需求旺季，A港时常会因作业调度的不合理、不及时导致港口出现煤炭供不应求的现象，使港口整体的服务水平下降。
目前，A港的出港作业调度计划主要依据人工经验法生成。其主要思想为：先对船舶进行优先级排序，判断在现有场存和配煤方案的条件下能否满足优先级最高的船舶的需求。若可以满足，就为船舶制定相应的装船作业计划，并从现有场存状态中减去计划中用掉的原煤，然后开始安排优先级次之的船舶，否则直接跳过当前船舶。出港作业调度计划制定的具体步骤如下：
（1）步骤1：确定船舶的优先级顺序。将船舶的到港时间或合同签订时间作为比较标准，按照先到先服务的规则对已到港的船舶进行优先级排序。
（2）步骤2：选择配煤方案。根据船舶的提名信息，筛选船舶所需的合同煤对应的所有配煤方案，调度员根据港口现有的场存状况，为每个船舱选择合适的配煤方案，确定每种配煤方案下各原煤的取料垛位和相应的取料量。
（3）步骤3：制定作业调度计划。根据步骤2的结果生成相应的作业任务，为每个作业分配合适的取料设备、装船机以及传送带，形成一条完整的作业线来完成原煤的装船过程，并确定具体的作业时间。
第6章 总结与展望
6.2 研究展望
本文聚焦于煤炭出港作业环节的调度问题，系统地讨论了问题的结构、模型以及求解方法，并获得了良好的研究成果。然而，由于研究时间和学术水平有限，本文的研究在某些方面还不够全面和深入，值得进一步的探讨和完善：
（1）考虑更全面的煤炭港口调度问题
本文的研究内容仅针对煤炭港口出港作业环节的调度问题，在文中，我们从模型扩展的角度探讨了煤炭入、出港协同调度的可能性。此外，港口的实际运作管理还包括设备维护计划调度等问题以及一些不确定因素，如煤炭长期堆场可能导致的自燃风险等。若能将这些问题进行综合考虑，将得到更加贴合实际的调度方案，并且有可能从整体上提高港口的运作效率。
（2）线性规划与约束规划范式结合
本文使用约束规划范式构建了问题的数学模型，由于约束规划只能处理整数型的数据，所以在建立调度模型时会损失一部分的时态结构。如果将部分可以线性化的子结构使用线性规划范式建模，能够保留这部分的时态结构，并且线性规划的相关求解算法，如单纯形法、benders分解等算法的应用能进一步提高模型的求解效率。
（3）更有效的算法设计以及解的最优性判别方法
为了提高模型处理大规模数据量的性能，本文设计了一种变邻域搜索算法来辅助模型求解，提出的方法虽然能够在较短时间内得到问题的可行解，但无法对其最优性作出判断，文献[17]提出了采用港口资源无限条件下的目标函数值作为问题的理论下界。因此，我们好奇是否有更高效的求解算法，以及是否有方法能够弥补CP方法在证明解的最优性方面的不足，这些都值得进一步讨论和研究的问题。
参考文献(略)
