پديد آورنده :
حبيبي، پريوش
عنوان :
مسئله‌ي تخصيص پوياي واگن‌ها براي درخواست‌هاي بارگيري و تحويل: توسعه‌ي چارچوب مبتني بر يادگيري تقويتي عميق در شرايط عدم قطعيت دسترسي به لكوموتيو
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
يازده، 63ص. :مصور، جدول، نمودار
توصيفگر ها :
تخصيص واگن , افزايش بهره‌وري , برنامه‌ريزي پويا , يادگيري تقويتي عميق , درخواست‌هاي بارگيري و تحويل
تاريخ ورود اطلاعات :
1403/06/12
دانشكده :
مهندسي حمل و نقل
تاريخ ويرايش اطلاعات :
1403/06/19
چكيده فارسي :
در پژوهش حاضر، مسئله‌ي تخصيص پوياي واگن‌ها در شبكه‌ي حمل‌ونقل ريلي به منظور پاسخگويي به درخواست‌هاي بارگيري و تحويل در شرايط عدم قطعيت دسترسي به لكوموتيو مورد بررسي قرار مي‌گيرد. اين پژوهش با توجه به لزوم ارتقاي بهره‌وري ناوگان ريلي، داراي اهميت است؛ چرا كه در حدود نيمي از بارنامه‌هاي صادر شده در شبكه ريلي ايران طي چند سال اخير، بارنامه‌هاي واگن بدون بار بوده است. اين در حالي است كه تقاضاي بالقوه‌ي كالاهاي ريل پسند در شبكه‌ي ريلي ايران بيش از دو برابر عملكرد فعلي برآورد مي‌گردد. با توجه به مصاديق عدم قطعيت موجود در سيستم ريلي، لازم است كه از يك روش هوشمند براي لحاظ اين چالش استفاده كرد. برنامه‌ريزي دقيق و منطبق با شرايط دنياي واقعي منجر به انجام تعهدات شركت، كاهش تأخيرات و كاهش هزينه‌هاي عملياتي مي شود. هدف، تخصيص واگن‌ها در هر دوره‌ي زماني و اولويت بندي درخواست‌ها براي حمل كالاها است. همچنين، امكان بازتخصيص واگن‌ها در مسيرهاي برگشت به ساير درخواست‌ها لحاظ مي‌گردد، كه سبب كاهش حركت واگن‌هاي خالي و افزايش بهره وري شركت در افق برنامه ريزي مي‌شود. در اين پژوهش، روش شناسي يادگيري تقويتي عميق مبتني بر الگوريتم Actor-Critic، به عنوان رويكرد اصلي براي حل مسئله توسعه مي‌يابد. نتايج رويكرد پيشنهادي با دو روش برنامه‌ريزي شبيه سازي تبريدي و ماتريس آيزنهاور مقايسه مي‌شود. نتايج نشان مي‌دهد كه رويكرد پيشنهادي، منجر به افزايش سودآوري شركت حمل‌ونقل ريلي مي‌شود. پياده سازي رويكرد پيشنهادي مي‌تواند سبب انتقال بار از گونه‌ي جاده‌اي به گونه‌ي سبز ريلي شود؛ دستاوردي كه درراستاي ارتقاي توسعه پايدار مي‌باشد.
چكيده انگليسي :
We investigate the problem of dynamic freight wagon assignment in a railway transportation network under the uncertainty of locomotive availability. The problem is significant due to the necessity of efficiency enhancement of the railway fleet. A dynamic, multi-period planning approach is implemented to prioritize pick-up and delivery requests and assign wagons for freight transportation. The problem also incorporates the possibility of fleet reassignment to reduce the movement of empty wagons and increase the efficiency over a specific planning horizon. The proposed model is compatible with real-world conditions and the inherent uncertainties, which includes a limited number of railway fleet, to the fulfill a railway company’s commitment and reduce its delays and operational costs. Given the mentioned uncertainty, an intelligent methodology is proposed to enhance productivity of a railway system. A deep reinforcement learning (DRL) framework, based on the actor-critic algorithm, is developed to solve the problem in a discrete environment. The results of the proposed DRL approach are compared with simulated annealing and the Eisenhower Decision Matrix. The results indicate the superiority of the proposed approach in terms of cumulative reward for the railway company. Implementation of the proposed approach can facilitate transition of goods from road to rail transportation mode, which contributes to green and sustainable development.
استاد راهنما :
محمد تمنايي
استاد داور :
احمدرضا طالبيان , عليرضا صاحبقراني
