Analiza SWOT narzędzi do wyznaczania tras na przykładzie drogowego transportu chłodniczego w województwie zachodniopomorskim

Transkrypt

1 Piotr Trojanowski 1 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Analiza SWOT narzędzi do wyznaczania tras na przykładzie drogowego transportu chłodniczego w województwie zachodniopomorskim 1. WSTĘP Polska jest krajem, w którym następuje systematyczny rozwój transportu drogowego. Przyczyną tego jest m.in. otwarcie się nowych rynków w związku z przystąpieniem do Unii Europejskiej. Pozwoliło to na znaczne zwiększenie wymiany handlowej. Praca przewozowa wykonana przez transport samochodowy w Polsce w roku 2013 wyniosła mln t-km, z czego ponad 11% (27737 mln t-km) zrealizowanej zostało przez pojazdy o charakterystyce chłodniczej [17]. O rozszerzaniu się tego sektora transportu może świadczyć stały wzrost floty pojazdów chłodni w Polsce. Na charakterystykę rynku przewozu ładunków wymagających kontrolowanej temperatury ma wpływ wiele czynników. Głównym stymulatorem jest przemysł: spożywczy, farmaceutyczny czy kosmetyczny. Istotne jest również rozmieszczenie chłodni składowych. W przypadku województwa zachodniopomorskiego transport chłodniczy odgrywa istotną rolę w związku z lokalizacją portów morskich w Szczecinie i Świnoujściu, dużej ilości chłodni składowych, a także dzięki rozwiniętej branży rybnej. 2. CHARAKTERYSTYKA TRANSPORTU CHŁODNICZEGO W POLSCE Podstawowymi dokumentami regulującym drogowy transport chłodniczy w Polsce są: w przypadku transportu żywności - Umowa o międzynarodowych przewozach szybko psujących się artykułów żywnościowych i o specjalnych środkach transportu przeznaczonych do tych przewozów (ATP), sporządzona w Genewie dnia 1 września 1970 r. ratyfikowana przez Polskę w 1984 r. [26], w transporcie leków - Ustawa z dnia 6 września 2001 r. Prawo farmaceutyczne [27]. Umowa ATP dokonuje podziału środków transportu do przewozu produktów szybko psujących się na izotermiczny środek transportu, lodownię, chłodnię i ogrzewany środek transportu. Środki transportu powinny być oznakowane zgodnie z wytycznymi umowy ATP ciemnogranatowymi literami nie mniejszymi niż 12 cm. Dla każdego rodzaju pojazdu chłodni i jego klasy przyporządkowane są odpowiednie oznaczenia literowe. Ponadto należy podać również termin upływu ważności świadectwa wydanego na środek transportu. W województwie zachodniopomorskim czynnikami sprzyjającymi rozwojowi transportu chłodniczego są: bliskie sąsiedztwo Skandynawii i Niemiec, dostęp do Morza Bałtyckiego, środkowoeuropejski korytarz transportowy CETC-ROUTE65, 18 portów o statucie portów morskich ustanowionych przez ministra ds. gospodarki morskiej, autostrada A6, drogi ekspresowe S3, S6, S10, S11, centrum logistyczne North-West Logistic Park, Zachodniopomorskie Centrum Logistyczne, przemysł rybny. Rozwój transportu chłodniczego uwidacznia się na przykładzie wzrostu ilości pojazdów do przewozu ładunków wymagających kontrolowanej temperatury. 1 Piotr.Trojanowski@zut.edu.pl Logistyka 4/

2 Rys. 1. Stan ilościowy chłodniczych środków transportu (furgony, naczepy) w Polsce w latach Źródło: opracowanie na podstawie [8-17]. Obserwowana tendencja pozwala prognozować, że transport chłodniczy w Polsce będzie się dalej rozwijał i jego znaczenie będzie stopniowo rosło. Jednym z głównych stymulatorów rozwoju transportu chłodniczego w województwie zachodniopomorskim jest funkcjonowanie portów morskich w Szczecinie i Świnoujściu. Udział kontenerów chłodniczych względem całości obrotów kontenerowych w wymienionych portach wyniósł w roku 2008 ok. 10%, co więcej obserwuje się stałą tendencję rosnącą ładunków chłodniczych na poziomie 12-20% rocznie [6]. Ważnym czynnikiem są również elementy infrastruktury punktowej związane z przemysłem rybnym. W samym Szczecinie ulokowanych jest 8 chłodni składowych (najwięcej w Polsce) z czego 7 przeznaczonych jest bezpośrednio do przechowywania ryb mrożonych. Dodatkowo w 2013 roku otwarta została najnowocześniejsza w województwie chłodnia składowa wraz z fabryką lodu łuskowego w Kołobrzegu. Wraz z rozwijającym się transportem chłodniczym w województwie zachodniopomorskim coraz większego znaczenia nabiera problematyka organizacji transportu pojazdów-chłodni rozumianych zarówno jako pojazdów z nadwoziem furgonowym, jak i ciągników siodłowych z naczepą. 3. NARZĘDZIA STOSOWANE DO WYZNACZANIA TRAS Problem planowana tras znany jest już od dawna. W zależności od obranych kryteriów przybiera różne formy tj. problem komiwojażera (travelling salesman problem), czy problem marszrutyzacji (vehicle routing problem). Geneza problemu komiwojażera jest trudna do jednoznacznego określenia, natomiast problem marszrutyzacji zdefiniowany został przez dwóch amerykańskich naukowców G. B. Dantziga i J. H. Ramsera w 1959 r. [3]. Od tego czasu powstało i wciąż powstaje wiele różnych metod i ów służących do planowania tras. Wcześniej wymienione problemy rozwiązywane są często w oparciu o teorię grafów. W zależności od zdefiniowania ścieżki problem marszrutyzacji może przybierać formę symetryczną bądź niesymetryczną. W pierwszym przypadku ścieżki są jednakowe d i,j =d j,i, bez względu na kierunek przemieszczania. W drugim przypadku, marszrutyzacji niesymetrycznej, ścieżki między dwoma tymi samymi lokalizacjami różnią się d i,j d j,i w zależności od kierunku jazdy, np. w przypadku dróg jednokierunkowych. Graficzną interpretację problemu marszrutyzacji: symetrycznej stanowi graf nieskierowany, natomiast niesymetrycznej graf skierowany. Planowanie tras pojazdów może być realizowane w oparciu o dwa rodzaje metod: dokładne oraz przybliżone. Na wybór metody decydujący wpływ ma złożoność problemu rozumiana jako ilość punktów docelowych (odbiorców), wariantów tras między poszczególnymi lokacjami, czy wielkość floty pojazdów Logistyka 4/2015

3 W przypadku problemów o mniejszym skomplikowaniu zasadne jest stosowanie metod dokładnych. Jednakże ich złożoność obliczeniowa jest czynnikiem dyskwalifikującym w momencie planowania tras z wielowariantowymi zależnościami. Metody przybliżone w znacznym stopniu przyspieszają proces obliczeniowy i wyznaczenie oczekiwanego rezultatu. Należy jednak zauważyć, że wynik otrzymany metodami przybliżonymi nie jest wynikiem optymalnym (chociaż może się tak zdarzyć), a jedynie bliskim rozwiązaniu optymalnemu. W pracy przedstawione zostały następujące y: metoda podziału i ograniczeń, węgierski, Dijkstry, simpleks, mrówkowy, genetyczny, przeszukiwania tabu. Wymienione y są obecnie powszechnie stosowane w rozwiązywaniu problemów transportowych w postaci problemu komiwojażera, czy w jego rozwinięciu do postaci problemu marszrutyzacji. Stosowane są zarówno w formie podstawowej, rozwiniętej o dodatkowe kryteria, jak i w postaci hybrydowych połączeń poszczególnych ów. Dla przykładu Dijkstry znajduje zastosowanie w najnowszych pracach badawczych takich jak artykuł opisujący drogi dystrybucji świeżych produktów rolnych (Y. Tan, D. Wu) [25], Selection of Shortest Logistics Transportation Path Based on Dijkstra Model (W. Jaquin) [21] mrówkowy został zaimplementowany m.in. w pracach: An ant colony algorithm for the multi-compartment vehicle routing problem (M. Reed, A. Yiannakou, R. Evering) [23], Solving a Long-Distance Routing Problem using Ant Colony Optimization (Royo, B., Sicilia, J. A., Oliveros, M. J., Larrodé, E.) [24] natomiast zagadnienia związane z em genetycznym poruszane zostały m.in. w pracach: Some Aspects of the Application of Genetic Algorithm for Solving the Assignment Problem of Tasks to Resources in a Transport Company (M. Izdebski, M. Jacyna) [18], An Optimization Model for the Vehicle Routing Problem in Multiproduct Frozen Food Delivery (Y. Zhang, X. D. Chen) [28]. Tematyka planowania tras poruszana jest również w pracach: Modelowanie procesów technologicznych w transporcie (T. Ambroziak) [1], Algorytm klasteryzacji w zastosowaniu do problemu trasowania pojazdów (T. Ambroziak, R. Jachimowski) [2], Wybrane zagadnienia modelowania systemów transportowych [20] i Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych (M. Jacyna) [19]. Metoda podziału i ograniczeń stanowi jedno z podstawowych narzędzi do rozwiązywania wielu problemów optymalizacyjnych w tym m.in. problemu komiwojażera. Istotą tej metody jest przeszukiwanie w sposób planowy drzewa rozwiązań, którego źródłowym węzłem jest tzw. korzeń. Na drzewie zawarte są potencjalne ścieżki rozwiązania problemu podzielone na poziomy. Ich przeszukiwanie ze względu na możliwość wystąpienia bardzo dużej ilości węzłów wymaga zastosowania pewnych ograniczeń. Kolejno dodawanym węzłom wyznacza się ich dolne ograniczenie. Analizowanie poszczególnych węzłów zależne jest od ich granicy dolnej, która pozwala określić czy dany węzeł jest obiecujący. Za węzeł obiecujący uważa się taki, którego dolne ograniczenie ma wartość lepszą (w zależności od przyjętych kryteriów większą lub mniejszą) niż dotychczas wyznaczone. Uogólniając metoda ta dokonuje ciągłego podziału i rozwiązywania zadań, które następnie dzielą się na kolejne zadania, a rezultat końcowy otrzymujemy w chwili wyznaczenia dopuszczalnego rozwiązania. Metoda podziału i ograniczeń zarysowuje pewien sposób dążenia do rozwiązania. Natomiast poszczególne zadania wewnątrz tej metody mogą być rozwiązywane za pomocą różnych ów. Do rozwiązania problemu wyznaczania tras w oparciu o metodę podziału i ograniczeń stosowany jest m.in Little a. Metoda ta została opublikowana w 1963 roku w pracy pt. An algorithm for the traveling salesman problem [22]. Jednym z najbardziej powszechnych ów stosowanych do planowania tras jest węgierski określany również mianem metody węgierskiej. W formie podstawowej służy on do przydzielenia n zadań (j) dla n maszyn (i). Na podstawie tego konstruowana jest macierz o wymiarach n x n, w której dla każdej maszyny przypisuje się np. koszt/czas realizacji danego zadania. Etap I polega na dążeniu do uzyskania zera w każdej kolumnie i wierszu macierzy. Od każdego wiersza odejmowany jest jego najmniejszy element, jeżeli działania te nie przyniosą oczekiwanego rezultatu następuje analogiczne odejmowanie ale tym razem względem kolumn. Logistyka 4/

4 Etap II polega na skreśleniu (najmniejszą możliwą liczbą linii) wszystkich kolumn i wierszy, w których zawarte są elementy zerowe. W przypadku jeśli liczba linii niezbędnych do skreślenia wszystkich zer jest równa wymiarowi macierzy otrzymany wynik jest optymalny i następuje przypisanie zadań do maszyn. Etap III. Jeżeli liczba linii jest mniejsza niż wymiar macierzy, następuje wyznaczenie minimum wśród nieskreślonych elementów. Minimum to odejmuje się od pozostałych nieskreślonych elementów oraz dodaje do elementów leżących na przecięciach linii. Elementy, które zostały skreślone wyłącznie jedną linią pozostają niezmienione. Następuje powrót do etapu drugiego. W powyższej metodzie może zajść sytuacja, w której niemożliwe jest w sposób jednoznaczny wskazanie optymalnego rozwiązania. W takim przypadku wyboru należy dokonać intuicyjnie. Kolejnym narzędziem wykorzystywanym w wyznaczaniu tras jest opracowany w 1959 r. przez Edsger a Dijkstrę tzw. Dijkstry [4]. Służy on do wyznaczania najkrótszej ścieżki w grafie obejmującej wszystkie węzły począwszy od węzła pierwszego (źródła) lub wyznaczeniu najkrótszej ścieżki między dwoma węzłami. Algorytm Dijkstry dokonuje podziału zbioru wierzchołków grafu na trzy zbiory: V, Q, S. Pierwszy z nich V jest zbiorem wszystkich węzłów w grafie. Q jest zbiorem wszystkich wierzchołków o wspólnej krawędzi z węzłem źródłowym. Do zbioru S trafia węzeł ze zbioru Q o najkrótszej ścieżce od źródła po czym przekształca się on w węzeł źródłowy, a pierwotny węzeł źródłowy przestaje być uwzględniany w dalszym działaniu u. Działanie u kończy się w momencie kiedy zbiór Q jest pusty bądź też kiedy dotrze do wcześniej zdefiniowanego węzła. Algorytm Dijkstry dla wyznaczenia trasy między dwoma węzłami w grafie można opisać na następującym przykładzie rysunek 2. Rys. 2. Poszczególne etapy wyznaczania ścieżek wg u Dijkstry Wierzchołek S stanowi węzeł źródłowy natomiast wierzchołek F końcowy. Każda krawędź w grafie ma nadaną wagę (nieujemną). Działanie u Dijkstry polega na znalezieniu wierzchołka połączonego z wierzchołkiem źródłowym wspólną krawędzią o najniższej wadze, co na rysunku stanowi połączenie węzła źródłowego S z węzłem A. Następnie węzeł połączony z węzłem źródłowym przejmuje jego rolę (A). Taka iteracja zachodzi do momentu dotarcia do punktu końcowego (S A C E F). Na rysunku 1090 Logistyka 4/2015

5 przedstawiona została (pogrubioną linią) ścieżka o najniższej sumie wag ( =12). Ich suma wyniosła 12 i przedstawia optymalną trasę (minimalny koszt dotarcia) między węzłami S i F. Algorytm Dijkstry jest powszechnie stosowany w programach do wyznaczania tras dla jednego pojazdu. Na bazie tego u pracuje m.in. system wyznaczania tras w Google Maps. Kolejnym narzędziem stosowanym do rozwiązywania omawianego problemu jest simpleks. Wykorzystywany jest do rozwiązywania zadań programowania liniowego. Przebieg u w dużym uproszczeniu można przedstawić w dwóch krokach: 1. wyznaczenie rozwiązania bazowego, 2. sprawdzenie czy rozwiązanie bazowe jest optymalne, jeśli nie to wyznaczenie nowego rozwiązania bazowego. W związku z tym, że krok drugi jest powtarzany do momentu uzyskania optymalnego wyniku simpleks ma charakter iteracyjny. Wykorzystując simpleks możemy dokonywać zarówno minimalizacji jak i maksymalizacji. Różnica ujawnia się jedynie przy wyznaczaniu nowego rozwiązania bazowego. W przypadku minimalizacji jego wynik powinien być mniejszy lub ewentualnie równy poprzedniemu rozwiązaniu bazowemu. Rozwiązanie problemu komiwojażera z zastosowaniem wcześniej wymienionych metod jest możliwe. Co więcej otrzymany wynik jest wynikiem optymalnym (o ile taki istnieje). Problem stanowi jednak namnażanie się możliwych kombinacji wraz ze wzrostem liczby węzłów (miast) w rozwiązywanym zadaniu. Zależność (1) przedstawia w jakim stopniu może dochodzić do namnażania się ilości rozwiązań w przypadku stosowania metod dokładnych. gdzie: N liczba węzłów (miast). =!. (1) Rys. 3. Liczba możliwych rozwiązań dla 2, 4, 6, 8, 10 i 12 miast Rysunek 3 przedstawiający nawarstwianie się możliwych wariantów do przeanalizowania w przypadku metod dokładnych pokazuje konieczność rozwijania metod przybliżonych. Zastosowanie ich umożliwia w sposób radykalny zmniejszenie ilości obliczeń. Do metod przybliżonych zaliczamy m.in. mrówkowy, który opracowany został przez M. Dorigo [5]. Jego koncepcja oparta została o obserwację zachowania się mrówek poszukujących pożywienia. W początkowej fazie mrówki rozchodzą się w sposób losowy. Po znalezieniu pożywienia wracają do mrowiska zostawiając za sobą tzw. ślad feromonowy. Kolejne mrówki natrafiają na pozostawione przez poprzedniczki ślady feromonowe i zaczynają się kierować po wyznaczonej przez nie trasie. Ślad feromonowy z czasem słabnie. W związku z tym jego największa koncentracja powstaje na najkrótszych trasach. Prowadzi to do tego, że po serii losowego doboru tras kolonia mrówek wyznacza najkrótszą trasę do pożywienia. Kolejną ciekawą właściwością kolonii mrówek jest szybkie dostosowanie się do nowo powstałego problemu. Kiedy na wyznaczonej już trasie do pożywienia pojawi się odcinek Logistyka 4/

6 niemożliwy do pokonania, mrówki ponownie w sposób losowy rozchodzą się poszukując nowego łącznika. W następnym przejściu wybrany zostaje najkrótszy z nowo powstałych łączników. Można przypuszczać, że wyznaczona w ten sposób trasa nie jest trasą optymalną, a jedynie trasą najkrótszą wśród odkrytych tras. Prawdopodobieństwo wyboru przez mrówkę k trasy między miastem i, a miastem j w iteracji t przedstawia zależność (2): = [ ] [ ] " % &. (2) gdzie: ' intensywność feromonu na ścieżce (i, j) w czasie t, ( długość ścieżki między miastami (i, j), ), * współczynniki określające wpływ heurystyki na działanie mrówki, & zbiór węzłów (miast) o wspólnej krawędzi z węzłem (miastem) i. Drugą ze znanych metod przybliżonych stosowanych w problemach transportowych jest genetyczny. Zasada jego działania opiera się o przeszukiwanie możliwych rozwiązań celem znalezienia rozwiązania optymalnego. Co w praktyce, ze względu na charakter metody, sprowadza się do wskazania rozwiązania najlepszego wśród przeszukiwanych. Inspiracją do powstania u genetycznego było zjawisko ewolucji biologicznej. Działanie u przedstawione zostało na rysunku 4 w postaci schematu blokowego. START Ustalenie w sposób losowy populacji początkowej Ocena przystosowania chromosomów w populacji Warunek zatrzymania u Selekcja najlepszych chromosomów NIE TAK Wybór najlepszego chromosomu Zastosowanie operatorów genetycznych: krzyżowanie, mutowanie STOP Wygenerowanie nowej populacji Rys. 4. Schemat blokowy u genetycznego Algorytm genetyczny nie przeszukuje całej przestrzeni możliwych rozwiązań. W sposób losowy dokonuje wyboru populacji z tej przestrzeni. Po czym następuje ocena ich przystosowania, a następnie 1092 Logistyka 4/2015

7 wybór najlepszych osobników (względem wartości funkcji przystosowania). Po selekcji na nowo powstałej populacji dokonuje się krzyżowania i mutacji. Wśród powstałych w ten sposób nowych lepszych osobników wyłaniane jest końcowe rozwiązanie. Kolejną z heurystycznych metod stosowanych do rozwiązywania problemów optymalizacyjnych jest przeszukiwania tabu. Został on opracowany przez amerykańskiego badacza Fred a Glover a [7]. Jest to wyznaczający rozwiązanie w sposób iteracyjny. Zasadą działania u jest ciągłe zastępowanie rozwiązania, najlepszym rozwiązaniem sąsiednim nawet w przypadku gdy najlepsze rozwiązanie sąsiednie jest gorsze od rozwiązania wcześniejszego. Dlatego też kluczowe jest aby dokonywać odpowiednich przejść do kolejnych rozwiązań. W tym celu tworzona jest tzw. lista przejść zakazanych (tabu). Istotą tej listy jest przeciwdziałanie powrotu do tych samych rozwiązań. Pozwala to na zawężenie przestrzeni poszukiwań, co wydatnie skraca czas obliczeń. Czasami jednak zachodzi konieczność powrotu do wcześniejszego rozwiązania. Taki ruch, omijający tabu, umożliwia kryterium aspiracji. W związku z tym, że przeszukiwania tabu ma charakter iteracyjny zachodzi konieczność zdefiniowania kryterium zatrzymania. Jako warunek można przyjąć odgórnie wyznaczoną liczbę powtórzeń albo np. liczbę powtórzeń od ostatniego najlepszego rezultatu najwyższego/najniższego (w zależności od tego czy celem jest maksymalizacja czy minimalizacja). 4. ANALIZA SWOT NARZĘDZI DO WYZNACZANIA TRAS Tabela. 1. Analiza SWOT mocne i słabe strony. Little a węgierski Dijkstry simpleks mrówkowy algoryt m genetyc Mocne strony Słabe strony Możliwe jest znalezienie optymalnego rozwiązania Wykładniczy rozmiar drzewa przeszukiwania Przeszukiwanie tylko obiecującej przestrzeni rozwiązań Dłuższy czas szukania rozwiązania niż w przypadku heurystyk W krótkim czasie pozwala wyznaczyć optymalne rozwiązanie Nieprzydatny dla bardzo złożonych problemów dla mniej skomplikowanych problemów Wielomianowa złożoność obliczeniowa Przydziela zadania dla pojazdu/kierowcy wyłącznie w stosunku 1 do 1 Prosta struktura u Algorytm działa wyłącznie na macierzy kwadratowej Pozwala wyznaczyć optymalne rozwiązanie Nieskuteczny dla rzeczywistych sytuacji decyzyjnych Bardzo efektywny, możliwe jest stosowanie szerokiej gamy Algorytm wyznacza trasę wyłącznie dla jednego kryteriów środka transportu Znajduje optymalne rozwiązanie zarówno między wszystkimi Nieprzydatny przy bardzo dużej ilości węzłów węzłami w grafie jak i między wybranymi węzłami n gdyż złożoność obliczeniowa równa jest n 2 Znajduje rozwiązanie optymalne Nie można przypisywać do krawędzi wag ujemnych Skuteczny przy małej ilości zmiennych Nieprzydatny dla bardzo złożonych problemów Znajduje rozwiązanie optymalne Wysoka złożoność obliczeniowa Zaimplementowany został dla wielu ogólnodostępnych Nie można przypisywać ujemnych wag programów komputerowych Umożliwia rozwiązywanie problemów zmiennych w czasie Trudny do analizy teoretycznej rzeczywistym Znajduje najkrótszą ścieżkę w grafie Charakter u jest bardziej eksperymentalny niż teoretyczny Efektywny dla rozproszonych środowisk Przypadkowość działania sekwencje przypadkowych działań w związku z tym, czas znalezienia rozwiązania trudny do oszacowania Skuteczny w bardzo skomplikowanych problemach Uzyskane rozwiązanie może być dalekie od optymalnego Stosunkowo szybko wyznacza rozwiązanie, ze względu na Mało skuteczny do rozwiązywania problemów zdefiniowanie ilości iteracji w czasie rzeczywistym Logistyka 4/

8 przeszukiwan ia tabu Możliwe jest dowolne powtarzanie obliczeń celem uzyskania lepszego rozwiązania Ze względu na warunek stopu możliwy do przewidzenia czas przeszukiwania Elastyczny w działaniu ze względu na możliwość dowolnego definiowania sąsiedztwa Możliwy do zastosowania bez względu na ilość danych Tabela. 2. Analiza SWOT szanse i zagrożenia algoryt m Little a węgierski Dijkstry simpleks mrówkowy genetyczny przeszuki wania tabu Szanse Pozwala na wyznaczenie optymalnej trasy Przy niewielkiej liczbie lokacji szybko wyznacza optymalną trasę między nimi Wskazuje optymalne rozwiązanie dla problemu przydziału Może zostać połączony z innym em do wyznaczania tras np. heurystycznym Umożliwia wyznaczenie optymalnej trasy zarówno między dwoma miastami jak i między całą siecią miast Trasy między lokacjami mogą być różnorako definiowane (o ile wartości wag pozostają nieujemne) Wyznacza optymalną trasę Może być zastosowany jako rozwiązanie hybrydowe z innym em Pozwala na modyfikowanie trasy w czasie rzeczywistym Kolejne ulepszenia tego u znacznie poszerzają przestrzeń zastosowania w przypadku problemów transportowych Wyznaczoną trasę można ulepszać dodając kolejne przejścia u Wyznacza trasę nawet w bardzo skomplikowanych problemach, przy dużej ilości zmiennych Można zwiększać szansę znalezienia trasy bliskiej optymalnej przez poszerzanie przestrzeni poszukiwań Skuteczny nawet przy bardzo złożonym problemie transportowym Mniej skuteczny od ów specjalizowanych Wyznacza optimum lokalne, a nie globalne Trudno jest określić rozwiązanie startowe Uzyskane rozwiązanie może być dalekie od optymalnego Zagrożenia Wraz z dodawaniem kolejnych lokalizacji (np. miast) następuje radykalne wydłużenie czasu wyznaczania trasy Nieskuteczny w wyznaczaniu trasy dla kilku pojazdów Algorytm działa wyłącznie przy założeniu, że istnieje taka sama liczba zadań i środków transportu Niemożliwe jest przypisanie kilku zadań dla tego samego pojazdu/kierowcy Niemożliwe jest wyznaczenie trasy uwzględniającej więcej niż jeden środek transportu Nieskuteczny dla bardzo rozbudowanej sieci połączeń Niemożliwe jest przypisanie kilku zadań dla tego samego pojazdu/kierowcy Nieskuteczna dla nieliniowych zależności Trudny do oszacowania czas jaki jest potrzebny do wyznaczenia trasy przy zastosowaniu tego u Podstawowa forma u daje dużo gorsze rezultaty niż jego ulepszone wersje Trasa wyznaczona tym em może być bardzo daleka od optymalnej Wyraźnie odstępuje innym om heurystycznym do wyznaczania tras Wyznaczanie trasy odbywa się w sposób losowy Trasa wyznaczona tym em może być bardzo daleka od optymalnej Przedstawiona analiza SWOT podzielona została na dwa etapy. Pierwszy z nich dotyczy mocnych i słabych stron omawianych w pracy ów. Drugi etap odbiega w swojej koncepcji od konwencjonalnie pojmowanych zagrożeń i szans w analizie SWOT. Jako szanse rozumiane są w tym przypadku możliwości zastosowania danego u do rozwiązania problemu wyznaczania tras pojazdów o charakterze chłodniczym. Natomiast jako zagrożenia, czynniki dyskwalifikujące bądź utrudniające wprowadzenie danego rozwiązania w oparciu o Logistyka 4/2015

9 5. WNOSKI Drogowy transport chłodniczy na wielu płaszczyznach jest zbieżny z charakterystyką przewozu ładunków niewymagających specjalnych warunków. Stąd też wiele powszechnie stosowanych metod i ów do wyznaczania tras znajduje swoje zastosowanie i w tym typie transportu. Czynnikami występującymi niezależnie od przewożonego ładunku, a mającymi wpływ przy planowaniu tras są: ograniczenia prawne tj. czas pracy kierowców, ładowność środków transportu, zmienny popyt - sezonowość, infrastruktura. Zważywszy jednak, że ładunki wymagające kontrolowanej temperatury należą często do grupy produktów szybko psujących się dochodzi do uwydatnienia części kryteriów decydujących o wyborze trasy. Przy konwencjonalnych ładunkach zwraca się uwagę przede wszystkim na koszt przejazdu. Dlatego też wybierana jest po prostu najkrótsza trasa. Dopuszcza się jednak wydłużenie trasy w celu ominięcia płatnych odcinków. Sprowadza się do przejazdu drogami o niższej klasie. Ze względu, iż obniżanie klasy drogi wiąże się na ogół ze zmniejszeniem jej przepustowości taka operacja niesie dodatkowe ryzyko wystąpienia kongestii bądź innych czynników niepożądanych. Wspomniana praktyka w przypadku transportu chłodniczego jest niewskazana. Kluczowym kryterium dla tego rodzaju ładunków jest czas przewozu. Przydatność omawianych ów zależna jest od tego, czy dana trasa planowana jest dla jednego pojazdu - chłodni i przybiera formę problemu komiwojażera, czy dla wielu środków transportu i zadań. Istotna jest również złożoność problemu rozumiana jako ilość lokalizacji do przeanalizowania, łączących ich tras oraz pobocznych kryteriów i zmiennych decydujących o wyborze drogi. W kontekście województwa zachodniopomorskiego widoczna jest asymetria przewozów ładunków chłodniczych. Wiąże się to przede wszystkim z lokalizacją portów morskich w Szczecinie i Świnoujściu oraz z umiejscowieniem chłodni składowych. Przy planowaniu tras dla mało skomplikowanych problemów bardzo efektywne są y: Dijkstry, simpleks, węgierski oraz Little a. Umożliwiają one znalezienie optymalnego rozwiązania. Jeśli jednak problem wyznaczenia trasy jest bardzo rozbudowany może dochodzić do radykalnego wydłużenia się czasu pracy u. Zastosowanie tutaj znajdują metody przybliżone. Algorytmy: genetyczne, mrówkowe oraz przeszukiwania tabu pozwalają uniknąć długiego czasu oczekiwania na rozwiązanie kosztem finalnego wyniku, który nie jest w ich przypadku optymalny ale potrafi być bardzo bliski rozwiązaniu optymalnemu. W praktycznym zastosowaniu bardzo istotna jest możliwość wprowadzania dodatkowych zmiennych w czasie rzeczywistym co umożliwia mrówkowy. Zastosowanie w praktyce omawianych ów może przyczynić się do skrócenia czasu podejmowania decyzji w trakcie planowania przebiegu tras, zmniejszenia kosztów transportu oraz zwiększenia ogólnej wydajności drogowego transportu chłodniczego. Streszczenie W artykule przedstawiona została problematyka wyznaczania tras w drogowym transporcie chłodniczym w województwie zachodniopomorskim. Wstęp zawiera charakterystykę oraz opracowanie statystyczne ilustrujące tendencję rozwojową transportu chłodniczego. Przeanalizowane zostały metody oraz y, które mogą być zastosowane w celu zbadania poruszonej tematyki. Następnie, przy pomocy analizy SWOT dokonany został wybór metod i ów efektywnych w rozwiązywaniu problemu wyznaczania tras. Opisane zostały ewentualne korzyści z praktycznego zastosowania rezultatów badań w przewozach ładunków szybko psujących się. Słowa kluczowe: problem wyznaczania tras, analiza SWOT, transport chłodniczy. The SWOT analysis of vehicle routing problem instruments based on the example of the refrigerated transport in West Pomeranian region Abstract Logistyka 4/

10 This paper presents the issue of a vehicle routing problem in refrigerated transport in West Pomeranian region. The introduction deals with the characteristics and the statistical study illustrating the refrigerated transport development tendency. The methods and algorithms, which can be used to investigate the problem, are also discussed herein. Next, it presents the choice of methods and algorithms, which are effective in solving the routing problem, made by using SWOT analysis. It also describes the potential benefits of the practical use of the results of the perishable goods transport studies. Keywords: vehicle routing problem, SWOT analysis, refrigerated transport. LITERATURA [1] Ambroziak T., Modelowanie procesów technologicznych w transporcie. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa [2] Ambroziak T., Jachimowski R., Algorytm klasteryzacji w zastosowaniu do problemu trasowania pojazdów, Logistyka nr 2, Wydawnictwo Instytut Transportu i Magazynowania, [3] Dantzig G. B., Ramser J. H., The truck dispatching problem, nr 6(1), str , Management science, [4] Dijkstra E. W., A note on two problems in connexion with graphs, nr 1(1), str , Numerische mathematik, [5] Dorigo M., Optimization, learning and natural algorithms, Ph. D. Thesis, Politecnico di Milano, Italy [6] Filin S., Szczecin miasto przyjazne reeferom, nr 6-7, str , Technika chłodnicza i klimatyzacyjna [7] Glover F.: Future paths for integer programming and links to artificial intelligence, nr 13(5), str , Computers & operations research, [8] Główny Urząd Statystyczny, Transport wyniki działalności w 2004 r., Warszawa [9] Główny Urząd Statystyczny, Transport wyniki działalności w 2005 r., Warszawa [10] Główny Urząd Statystyczny, Transport wyniki działalności w 2006 r., Warszawa [11] Główny Urząd Statystyczny, Transport wyniki działalności w 2007 r., Warszawa [12] Główny Urząd Statystyczny, Transport wyniki działalności w 2008 r., Warszawa [13] Główny Urząd Statystyczny, Transport wyniki działalności w 2009 r., Warszawa [14] Główny Urząd Statystyczny, Transport wyniki działalności w 2010 r., Warszawa [15] Główny Urząd Statystyczny, Transport wyniki działalności w 2011 r., Warszawa [16] Główny Urząd Statystyczny, Transport wyniki działalności w 2012 r., Warszawa [17] Główny Urząd Statystyczny, Transport wyniki działalności w 2013 r., Warszawa [18] Izdebski M., Jacyna M., Some Aspects of the Application of Genetic Algorithm for Solving the Assignment Problem of Tasks to Resources in a Transport Company, nr 21(1), str , Logistics and Transport, [19] Jacyna M., Modelowanie wielokryterialne w zastosowaniu do oceny systemów transportowych, Prace naukowe Politechniki Warszawskiej, Transport, z. 47, Oficyna wydawnicza Politechniki Warszawskiej, Warszawa [20] Jacyna M., Wybrane zagadnienia modelowania systemów transportowych, Oficyna wydawnicza Politechniki Warszawskiej, Warszawa [21] Jiaqin W., Selection of Shortest Logistics Transportation Path Based on Dijkstra Model, 21, 061, Logistics Technology, [22] Little J. D., Murty K. G., Sweeney D. W., Karel C., An algorithm for the traveling salesman problem, nr 11(6), str , Operations research, [23] Reed M., Yiannakou A., Evering R., An ant colony algorithm for the multi-compartment vehicle routing problem, nr 15, str , Applied Soft Computing, [24] Royo B., Sicilia J. A., Oliveros M. J., Larrodé E., Solving a Long-Distance Routing Problem using Ant Colony Optimization, nr 9(2L), str , Appl. Math, [25] Tan Y., Wu D., Research on Optimization of Distribution Routes for Fresh Agricultural Products Based on Dijkstra Algorithm, nr 336, str , Applied Mechanics and Materials, [26] The Agreement on the International Carriage of Perishable Foodstuffs and on the Special Equipment to be used for such Carriage (ATP), Geneva [27] Ustawa z dnia 6 września 2001 r. Prawo farmaceutyczne. Dz.U nr 126 poz [28] Zhang Y., Chen X. D., An Optimization Model for the Vehicle Routing Problem in Multiproduct Frozen Food Delivery, nr 12(2), Journal of Applied Research and Technology, Logistyka 4/2015