Optimization of direct transshipment scheduling for river–sea intermodal transport with vessel arrival time matching
Notice bibliographique
Résumé
Dry bulk river–sea intermodal transport is a critical consideration when connecting inland waterways and oceanic shipping, yet its efficiency hinges on precise vessel arrival time matching. The challenge of vessel arrival time matching has been exacerbated by existing research gaps. Current studies often focus on single vessel types or static scenarios, lacking integrated optimization of dynamic coordination between sea-going and river vessels, and failing to unify time and cost objectives. To address this, we develop a multiobjective scheduling model incorporating real-time arrival data from the dry bulk river–sea intermodal information platform to minimize total port time and operational costs. A heuristic genetic algorithm with adaptive weight adjustment (λ) is designed, achieving convergence within 200 iterations and a solution time of 33 seconds. This algorithm is validated under balanced conditions (λ=0.5) and is shown to yield 108.53 hours of total port time and 278,165.2 yuan in operational costs. Sensitivity analysis reveals a significant tradeoff: λ is reduced from 0.9 to 0.1, leading to an increase in port time by 1.42% but a reduction in costs of 3.03%. This reflects an improved flexibility in cost optimization as a result of resource manipulability. In contrast, port time is constrained by physical limits, such as loading/unloading efficiency. The framework developed provides practical decisional support for ports, with higher λ values (0.7–0.9) enabling rapid turnover in congestion and lower values (0.1–0.3) prioritizing cost economy. Future work should extend this approach to stochastic environments and incorporate multistakeholder coordination using game theory approaches.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».