19625

۱۹۶۲۵

طراحي مدل جديد شبكه پوياي سلسله مراتبي هاب مسافري

دكترا تخصصي

صنايع

۱۳۹۲

۱۳۹۷/۸/۱۲

دكتر سيد محمد سيدحسيني - دكتر احمد ماكوئي

دكتر كامران شهانقي

صنايع

در دنياي امروز توجه به ماهيت، ساختارهاي ارتباطي و خواص نهفته سيستم هاي موجود سبب تمايز آنها از يكديگر مي شود. ساختار پيچيده سيستم ها با وجود سطوح مختلف ارائه خدمت به متقاضي (سلسله مراتب) و تغييرات آن در طول افق برنامه ريزي به مرور زمان سبب افزايش چشم گير ارتباطات و حمل و نقل در سيستم هاي لجستيكي مي گردد. به همين علت تحقيق و تحليل مسائل مكان يابي تسهيلات تحت شرايط اختلال، اثر رفتار مسافر و تغييرات تقاضا در طول زمان يكي از حوزه هاي بسيار با اهميت تحقيق در عمليات مي باشد. از اين رو ارائه مدل هاي رياضي مناسب و كارا، با هدف حداقل سازي هزينه هاي استقرار، عمليات، حمل و نقل، نگهداري و تعميرات، راه اندازي مجدد، هزينه هاي باز نمودن مجدد و يا بستن موقت تسهيلات در اثر اختلال و تاثير رفتار مسافر در انتخاب تسهيلات در شبكه اي چندوجهي در جهت حداكثرسازي سود شبكه حمل و نقل و تغيير آن در طول زمان مي تواند در جهت طراحي شبكه اي بر اساس شرايط دنياي واقعي با احتمال اختلال واقعي گره ها و مسيرها موثر واقع گردد. بنابراين مي توان نتيجه گرفت كه مدلسازي و حل مسائل مكان يابي هاب در حالت پويا با شبكه سلسله مراتبي تحت شرايط اختلال با اثر رفتار مسافر (عوامل عملياتي و استراتژيكي) در انتخاب تسهيلات از اهميت ويژه اي برخوردار است. در رساله پيش رو يك مدل برنامه ريزي عدد صحيح مختلط جديد براي شبكه پوياي سلسله مراتبي هاب مسافري با توسعه 6 سناريو شامل: حالت عدم اختلال و وجود اختلال تك دوره اي (سناريو 1 و2)، حالت عدم اختلال و وجود اختلال چنددوره اي (سناريو 3 و 4) و همچنين حالت عدم اختلال و وجود اختلال با بيشترين تابع مطلوبيت مسافر در فضايي رقابتي (سناريو 5 و 6) توسعه داده شد. در سناريو 4 پيكربندي اصلي شبكه در شرايط اختلال چنددوره اي بدست آمده و سپس در سناريو 6 اثر بيشترين مطلوبيت مسافر در فضايي رقابتي براي شبكه چندوجهي حمل و نقل هوايي و حمل و نقل زميني گسترش داده شده است. سپس يك روش حل دو مرحله اي ابتكاري مبتني بر روش حل دقيق در هر مرحله با استفاده از شبيه سازي مونت كارلو با توجه به شرايط كاركرد واقعي سيستم با بدست آوردن احتمال اختلال واقعي گره و مسيرها در هر پريود در طول افق برنامه ريزي براي شبكه توسعه داده شد. جهت اعتبارسنجي مدل با بيش از 220000 اجرا در فضايي شدني در شرايط عدم اختلال و وجود اختلال در دو حالت تك دوره اي و چند دوره اي بدون اثر مطلوبيت مسافر و با اثر آن، با حداكثر زمان محاسباتي 12 ساعت شبيه سازي حالت ها براي طول افق برنامه ريزي براي دو مجموعه داده شامل مثال هاي عددي CAB و مطالعه موردي شبكه حمل و نقل هوايي-ريلي كشور ايران ARWN انجام شده است. 4 مثال عددي CAB در حالت عدم وجود اختلال تك دوره اي، 228 مثال عددي CAB و مطالعه موردي ARWN در حالت عدم اختلال چنددوره اي در فضايي با بيشترين اثر مطلوبيت مسافر بررسي و سپس با شبيه سازي حالت ها به ترتيب با 21640 و 164160 اجرا در حالت وجود اختلال چنددوره اي پيش بيني هاي بلند مدت شامل جايگزيني هاي موثر گره و مسيرها، شناسايي گره و مسيرهاي فعال و غيرفعال، موقتا بسته شده و مجدد باز و راه اندازي شده، حذف هاي موثر جهت جلوگيري از هزينه هاي گزاف تحميلي به سيستم، پيش بيني اثر سياست گذاري هاي قبل از وقوع اختلال، شناسايي نقاط بالقوه، تاثير درصد اختلال و افزايش قيمت هاي بر سود شبكه و همچنين ارائه شبكه اي منعطف در شرايط عدم اختلال-اختلال جزئي (پيوسته)-اختلال كامل (صفر-يك) مبتني بر نتايج و تحليل حساسيت ها بر روي پارامترهاي كليدي صورت گرفته است. همچنين نتايج مديريتي و پيشنهادهاي آتي براي شبكه منعطف جديد پوياي سلسله مراتبي هاب مسافري در طول افق برنامه ريزي ارائه شده است.

1397/08/19

ََA new dynamic hierarchical passenger hub model

11/10/2018 12:00:00 AM

In recent world according to their different nature, communication structures and potential properties that distinguish them from each. Over time the complexity of systems by considering the hierarchy and different levels of demand’s services Significant increase the connections and transportation in whole logistic systems. For this reason research and analysis in facility location problems by considering the disruption, passengers’ behavior and that's changes over time is one of the most important operations research fields. So developing the efficient mathematical model can be effective to design a network due to the world's reality to minimize the fixed cost, operational cost, transportation cost, maintenance and repair cost, re-setup cost, re-opening or temporary closing costs of facilities under disruption and passengers’ behavioral to select the facilities in multi-modal network in the way to maximize the profit of transportation network and it's changes over time. So it can be concluded that the modeling and solving the hub location problem as dynamic hierarchical network under disruption by considering the passengers’ behavioral (operational and strategic factors) to select the facilities it is particular importance. Therefore this thesis designed a new MIP dynamic hierarchical passenger hub model based on the 6 scenarios including a single period model without and with disruption (scenario 1 and 2), a multi-period model without and with disruption (scenario 3 and 4), and multi-period model without and with disruption by considering the passengers’ behaviors (scenario 5 and 6). In scenario 4 the main configuration of the multi-period model under disruption developed, so that the multi-period multi-modal model under disruption by considering the maximum passengers’ utility function in competitive environment for both of the ground-airport transportation expanded in scenario 6. After that two-stage heuristic algorithm has been developed based on the exact method in each stage according to the Monte Carlo simulation by the real system performance with real probability of hub nodes and hub edges disruption in each period over planning horizon. The model validated according to the more than 220000 run in feasible space as a single and multiple period with or without any disruption by considering the passenger’s behavioral based on the maximum CPU time (12h) for each of the numerical examples of CAB dataset and Iran's airport-railway network (ARWN) over planning horizon. For single period without disruption, 4 CAB instances developed. 228 CAB and ARWN instances investigated for a multi-period model by passenger’s behavioral under disruption. Then based on the simulation, 21640 and 164160 run implemented under disruption as a multi-period model for long-term forecasting the substitutions, enable, disable, re-open, re-setup and temporary closing the hub nodes and hub edges, the effective remove to prevent the additional cost imposed to the system, the effect of administration before disruption, defining the potential hubs or edges, the effect of variation on profit based on the disruption percentage and price increasing. So that, the flexible network without disruption-under partial (continuous) disruption-full disruption (0-1) based on the results and sensitivity analysis on the crucial parameters designed. The managerial insights and future suggestions presented for the flexible new dynamic hierarchical passenger hub network which has been designed over planning horizon.