How to operate ship fleets under uncertainty
Notice bibliographique
Résumé
Ships operated by a liner company are scattered around the world to transport goods. A liner company needs to adjust its shipping network every few months by repositioning its ships to respond to uncertain container shipping demand. Few studies investigate a liner company's multiperiod heterogeneous fleet deployment problem under uncertainty, considering fleet repositioning, ship chartering, demand fulfillment, cargo allocation, and adaptive fleet sizes. To this end, this study formulates a mixed‐integer linear programming model that captures all of these elements. This study also designs a Benders‐based branch‐and‐cut algorithm for this non‐deterministic polynomial‐time (NP)‐hard problem. Two types of acceleration strategies, including approximate upper bound tightening inequalities and Pareto‐optimal cuts, are applied to improve the performance of the algorithm. Extensive numerical experiments show that the proposed algorithm significantly outperforms CPLEX and its Benders decomposition framework in solving the model. We conduct an intensive analysis and find that multistage stochastic programming can lead to better solutions than two‐stage stochastic programming. We also find that 10% of the benefit provided by the multistage model over the two‐stage model is due to better fleet deployment decisions and that 90% of the benefit is due to better demand fulfillment and allocation decisions. By exploring three practical questions regarding driver analysis of liner company profitability, benefits analysis of adaptive fleet sizes, and the influence of the COVID‐19 pandemic on liner shipping, we show how liner companies can benefit from managerial insights obtained in this study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».