Линейная оптимизация двухэшелонной транспортной проблемы в лесопромышленном производстве: транспортировка товаров с учетом спроса и промежуточных пунктов
Журнал: Вестник Пермского университета. Серия: Экономика @economics-psu
Рубрика: Математические, статистические и инструментальные методы в экономике
Статья в выпуске: 3 т.21, 2026 года.
Бесплатный доступ
Введение. Лесопромышленная логистика характеризуется пространственно распределенной сетью перевозок, наличием перевалочных узлов и ограничениями транспортных ресурсов, что требует разработки экономически обоснованного плана перемещений в сетевой инфраструктуре. Цель. Разработка и апробация двухэшелонной оптимизационной модели транспортировки продукции лесопромышленного предприятия с учетом транзитных вершин и сетевой структуры региона. Материалы и методы. Транспортная система представлена взвешенным графом с выделением множеств узлов: источников (депо) I0, распределительных пунктов I1, потребителей I2 и транзитных вершин IT. Спрос потребителей задается параметром q, ресурсные ограничения и мощности – параметром Q. Постановка формализована как линейная модель оптимизации потоков по дугам сети с ограничениями баланса, пропускной способности и согласования решений между эшелонами. Результаты. Проведена вычислительная апробация на синтетическом графе из 203 вершин (172 транзитные). Полученный план демонстрирует согласованное использование хабов и транзитных узлов, а при выбранных параметрах эксперимента спрос удовлетворяется полностью, что иллюстрирует пригодность постановки для задач оперативного планирования перевозок. Выводы. Предложенная модель обеспечивает прозрачную интерпретацию решения в экономических терминах и может быть использована как базовый инструмент поддержки управленческих решений при анализе инфраструктурных ограничений, перераспределения потоков и сценариев ресурсного дефицита.
Короткий адрес: https://sciup.org/147255425
IDS: 147255425 | УДК: 338.001.36 | DOI: 10.17072/1994-9960-2026-3-417-433
Linear optimization of a two-echelon transportation problem in the forest industry: Demand and intermediate points defined transportation of goods
Introduction. Forest industry logistics is characterized by spatially distributed transportation networks, transshipment nodes, and limited transport resources, which necessitates economically justified transportation planning. Purpose. The article aims at developing and testing a two-echelon linear optimization model for forest product transportation that accounts for transit nodes and the network structure of a regional transportation system. Materials and methods. The transportation system is described as a weighted directed graph with sources I0, distribution hubs I1, transit nodes IT, and consumers I2, with exogenously specified demand q and capacity constraints Q. The problem is formulated as a linear flow optimization model with balance, capacity, and inter-echelon consistency constraints. Results. Computational experiments with a synthetic transportation graph (203 nodes, 172 of them transit) demonstrate coordinated utilization of hubs and transit nodes, with full demand satisfaction under the selected parameter values. This illustrates the suitability of the transportation planning. Conclusions. The proposed model provides an economically interpretable decision-support tool for analyzing infrastructure constraints, reallocating transportation flows, and evaluating resource scarcity scenarios in forest industry logistics.
Текст научной статьи Линейная оптимизация двухэшелонной транспортной проблемы в лесопромышленном производстве: транспортировка товаров с учетом спроса и промежуточных пунктов
Лесопромышленное производство характеризуется высокой долей логистических затрат, поскольку доставка сырья и готовой продукции осуществляется в условиях значительных пространственных масштабов, ограниченной транспортной инфраструктуры и выраженной неоднородности региональной сети. В практических схемах перевозок важную роль играют перевалочные узлы и терминалы, обеспечивающие консолидацию партий, перегрузку, перераспределение потоков и снижение удельных издержек на протяженных маршрутах. Развитие цифровых технологий управления цепями поставок усиливает запрос на формализованные методы планирования перевозок, позволяющие обосновывать управленческие решения на уровне предприятий и территориальных систем. В прикладной лесной логистике наблюдается устойчивый рост исследований, посвященных оптимизации маршрутизации и проектированию сетей перевозок древесины, включая оценку устойчивости и экологических эффектов [1], разработку алгоритмических схем для построения рациональных маршрутов сбора и транспортировки [2], а также постановки, ориентированные на оптимизацию распределительных сетей древесной продукции [3].
С методической точки зрения ключевым классом задач, соответствующим структуре лесной транспортной сети, выступают двухэшелонные схемы распределения, в которых потоки формируются последовательно: на первом эшелоне – от источников к опорным узлам (хабам), на втором – от хабов к конечным потребителям. Такие постановки получают широкое развитие в исследованиях по двухэшелонной маршрутизации и распределению, где предложены строгие модели и алгоритмические подходы для учета ограничений по вместимости транспортных средств, мощности распределительных узлов и топологии сети [4]. Для двухэшелонных задач важна не только оптимизация маршрутов, но и корректный учет промежуточных узлов и транзитных вершин, которые не являются ни источниками, ни пунктами потребления, но определяют связность и стоимость перемещения по графу. Эффективные эвристические механизмы (в частности, адаптивный поиск в больших окрестностях) демонстрируют высокую результативность для задач такого типа [5], тогда как в экономикоуправленческом контексте важное значение приобретают прозрачность модели, воспроизводимость вычислительных результатов и возможность интерпретации решения в терминах затрат, ограничений и логистической политики.
В последние годы усиливается интерес к интеграции методов машинного обучения в комбинаторную оптимизацию маршрутизации и сетевого дизайна. Обзорные работы показывают, что нейросетевые модели могут обучаться выстраивать приближенные решения для задач маршрутизации и распределения, повышая скорость вычислений и потенциально улучшая качество решений в динамических средах [6]. На практике это развитие проявляется в использовании attention -архитектур (механизмов внимания) и нейронных конструкций, ориентированных на задачи маршрутизации [7], а также в применении методов обучения с подкреплением для динамических вариантов задач перевозок [8]. Вместе с тем для задач планирования в производственных цепях поставок, где требуются обоснование параметров решения и контроль ограничений, сохраняется значимость моделей линейной оптимизации на сетях «базового уровня» поддержки решений, обеспечивающего проверяемость и управленческую интерпретируемость.
Настоящая работа ориентирована на формирование строгой и воспроизводимой постановки двухэшелонной транспортной задачи для лесопромышленного производства на графе с транзитными вершинами. Предлагаемый подход обеспечивает экономически интерпретируемое планирование перемещений с учетом структуры сети, ограничений по ресурсам и необходимости согласования потоков между эшелонами. В вычислительной части демон- стрируется работоспособность модели на региональной схеме перевозок; при выбранных параметрах эксперимента спрос удовлетворяется полностью, однако сама постановка сохраняет возможность анализа режимов ресурсного дефицита и возникающих логистических компромиссов.
1. ФОРМУЛИРОВКА ПРОБЛЕМЫ
Рассмотрим транспортно-логистическую систему лесопромышленного производства как ориентированный граф G = ( I , E ), где I – множество вершин, E – множество дуг, описывающих допустимые перемещения грузов. Вершины графа подразделяются на четыре смысловые группы: I 0 – источники (поставщики, пункты формирования грузопотоков); I 1 – распределительные узлы (хабы / терминалы, обеспечивающие перегрузку и консолидацию); I T – транзитные вершины, необходимые для учета топологии дорожной сети и структурных ограничений перемещения; I 2 – потребители (пункты спроса). Такое разделение отражает типичную двухэшелонную схему: на первом эшелоне осуществляется доставка от I 0 к I 1 , на втором – от I 1 к I 2 ; транзитные вершины I T включаются в сеть как технические узлы, влияющие на доступность и стоимость перевозок.
Экономический смысл задачи состоит в построении плана перемещений, минимизирующего суммарные транспортные затраты при заданных ресурсных ограничениях. Для каждой дуги (i, j) ∈ E задана стоимость перевозки единицы груза cij, отражающая расстояние, тариф, особенности инфраструктуры или иные компоненты удельных издержек. Для потребителей c G 12 задан спрос dc (далее q = {dc}ceI2 -вектор спроса), а для источников и (или) узлов могут быть заданы ограничения по объемам подачи, обработке и пропускной способности. Введем параметр Q, который интерпретируется как мощность (вместимость), например ограничение на суммарный объем, проходящий через узел-хаб, либо ограничение по транспортным средствам (каналам) на соответствующем эше- лоне. Таким образом, q определяет требуемые объемы обслуживания в I2, а Q задает верхние границы по пропускным возможностям элементов системы (узлов / дуг / парка ТС).
В рамках линейной постановки план перевозок описывается потоковыми переменными, фиксирующими величины перевозимого груза по дугам графа (или по агрегированным направлениям двух эшелонов). Базовая цель – минимизация суммы ∑ ( i , j ) ∈ E c ij x ij при выполнении балансов потоков, ограничений мощности узлов и дуг, а также согласованности двух эшелонов: входящий поток в хабе I 1 должен обеспечивать исходящий поток на второй эшелон. Такой подход близок по экономической интерпретации к минимизации полной стоимости распределения на сетях и лежит в основе широкого класса задач двухэшелонного распределения и маршрутизации [4]. В общем случае, при ресурсном дефиците, постановка может допускать частичное удовлетворение спроса через введение штрафных переменных; однако в выполненном вычислительном эксперименте при заданных значениях параметров и ограничений Q спрос удовлетворяется полностью, что позволяет интерпретировать результаты как план перераспределения потоков без потерь обслуживания. Отметим, что практическая ценность модели проявляется не только в расчете оптимальных затрат, но и в выявлении «узких мест» сети: перегруженных хабов I 1 , критичных транзитных вершин I T и направлений, определяющих структуру минимальных затрат.
Содержательно формулируемая задача относится к классу многоуровневых сетевых моделей перевозок и распределения. В прикладных исследованиях лесной логистики существенное внимание уделяется алгоритмам маршрутизации и проектированию сети с учетом инфраструктурных ограничений, а также оценке эффективности различных стратегий транспортировки древесины [1–3]. Вместе с тем для задач, где требуется воспроизводимое решение и проверяемость ограничений (включая мощности Q и балансы между эшелонами), линейные модели остаются одним из наиболее интерпретируемых инструментов поддержки решений, позволяющих связать результаты оптимизации с управленческими регламентами и экономическими показателями.
2. ОБЗОР ЛИТЕРАТУРЫ 2.1. Классические модели: LP / MIP, транзитная задача, min-cost flow, сети и двухэшелонные схемы Формирование планов перевозок в многоуровневых системах распределения традиционно опирается на идеи транспортной и транзитной (transshipment) задачи, а также на сетевые модели потоков с минимальной стоимостью. Современные постановки двухэшелонных систем особенно активно развиваются в контексте задач распределения и маршрутизации, где учитываются ограничения по вместимости, синхронизация между эшелонами и наличие промежуточных узлов консолидации. Существенное влияние на формализацию двухэшелонных задач оказал подход, в котором предложены модели и математически обоснованные эвристики для двухэшелонной емкостной маршрутизации [4] и который заложил основу для дальнейшего расширения постановок и вычислительных схем. Для практики важны такие элементы, как ограниченная мощность распределительных узлов (аналог параметра Q), необходимость балансировки потоков между эшелонами и работа на реальных графовых структурах. В условиях лесопромышленного производства именно графовая природа транспортной инфраструктуры и наличие терминалов (перевалочных пунктов) формируют спрос на сетевые постановки оптимизации перевозок [1–3]. При этом задача планирования на графе, включающем транзитные вершины, не сводится к «прямым перевозкам» между источником и потребителем: существенную роль играет структурная связность сети и стоимость прохождения через узлы и направления, что делает релевантными потоковые постановки с ограничениями пропускной способности.
В более широком контексте оптимизации сетевых потоков с ограничениями мощностей обсуждаются вычислительные подходы и формальные схемы, пригодные для интеграции в задачи распределения [9], в том числе при необходимости последующего усложнения постановки (например, добавления целочисленных решений или декомпозиционных процедур).
2.2. Эвристики и метаэвристики для крупных сетей и многоэшелонных задач С ростом масштаба логистической системы возрастают вычислительные сложности: детализированные многоузловые сети и двухэшелонные ограничения приводят к высокой размерности модели и усложнению структуры решений. Поэтому значимая часть исследований ориентирована на разработку эвристических и метаэвристических алгоритмов, которые способны обеспечивать приемлемое качество решения при разумном времени расчета и масштабироваться к практическим размерам. Одним из наиболее признанных подходов для двухэшелонных задач является адаптивный поиск в больших окрестностях (Adaptive Large Neighborhood Search, ALNS), показавший высокую эффективность в задачах двухэшелонной маршрутизации [5]. В дальнейшем данный класс методов был расширен на многопродуктовые варианты двухэшелонных задач, где необходимо согласовывать несколько потоков и ограничений одновременно [10]. Для управленческих приложений важны два аспекта таких методов: 1) способность находить качественные решения в условиях ограничений по ресурсам и инфраструктуре; 2) возможность использования результатов как приближенного ориентира для проверки устойчивости планов и проведения сценарных оценок.
2.3. Нейросетевые, гибридные
3. ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Отдельное направление образуют многоцелевые постановки, где учитываются конфликтующие критерии (стоимость, время, устойчивость, экологические показатели) и предлагаются компромиссные механизмы оптимизации: такие подходы обсуждаются, в частности, для вариантов задач второго эшелона [11]. В лесной логистике комплексирование оптимизации с симуляционными моделями также применяется как инструмент оценки производственнологистических систем и выбора практических регламентов управления цепями поставок [12], что подчеркивает необходимость сочетания вычислительной реализуемости и интерпретируемости результатов.
и ML -подходы: перспектива развития и мотив выбора LP -подхода
Бурное развитие методов машинного обучения в комбинаторной оптимизации связано с возможностью строить приближенные решения сложных задач маршрутизации и распределения на основе данных, а также ускорять вычисления за счет обучаемых компонент [13–16]. Методологический обзор для задач комбинаторной оптимизации фиксирует основные парадигмы “learning to optimize”, включая обучение эвристик и интеграцию предсказательных моделей с оптимизационными постановками [6]. Значимым шагом стало применение механизмов внимания (attention) и нейросетевых архитектур, ориентированных на построение последовательностей решений для задач маршрутизации [7]. В теоретико-прикладном плане развитие нейроэвристик поддержано подходами, основанными на архитектурах указателей (pointer) [13] и нейронной комбинаторной оптимизации с обучением с подкреплением [14], которые впоследствии стали основой для множества практических модификаций. Для динамических условий перевозок исследуются модели обучения с подкреплением, учитывающие стохастические запросы и изменения состояния системы во времени [8]. В последние годы также развиваются методы, основанные на графовых нейросетях, автоматически адаптирующих архитектуру под структуру оптимизационной задачи [15]. Отдельная практическая ниша – ускорение классических поисковых процедур [17–21]: глубокое обучение может повышать эффективность эвристик и деревьев поиска, что показано на при- мере задач крупномасштабной оптимизации [16]. Вместе с тем для экономических задач планирования перевозок в производственных цепях поставок существенными остаются требования прозрачности и воспроизводимости: решение должно быть интерпретируемо через параметры спроса (q), ограничения мощности (Q), структуру узлов (I0, I1, I2, IT) и стоимость перемещения по дугам. Именно поэтому в данной статье выбран линейный подход сетевой оптимизации как базовая модель поддержки решений, позволяющая получать интерпретируемые планы перевозок, проводить сравнительную оценку сценариев и выявлять структурные ограничения. При этом нейросетевые и гибридные подходы рассматриваются как перспективное направление развития для будущих исследований, особенно в задачах оперативного планирования и адаптации к изменяющейся внешней среде, включая интеграцию симуляционно-оптимизационных контуров для лесных цепей поставок [12; 22; 23].
Цель исследования состоит в разработке и апробации линейной модели оптимизации двухэшелонной транспортировки в лесопромышленном производстве на графе с транзитными вершинами, обеспечивающей построение экономически обоснованного плана перевозок при заданных ограничениях ресурсов и инфраструктуры, а также позволяющей интерпретировать решение в терминах затрат и пропускных возможностей элементов сети.
Для достижения цели решаются следующие задачи:
-
1) формализация сети перевозок лесопромышленного производства в виде ориентированного графа G = ( I , E ) с выделением смысловых групп вершин ( I 0 – источники, I 1 – распределительные узлы (хабы / терминалы), I T – транзитные вершины, I 2 – потребители);
-
2) построение параметрической постановки задачи планирования двухэшелонной перевозки с явным заданием вектора спроса q
и ограничений мощности Q на элементы логистической системы (узлы / дуги / эшелоны), а также с учетом стоимости перемещения по дугам графа;
3) разработка линейной оптимизационной модели минимизации суммарных транспортных затрат с системой ограничений, обеспечивающей баланс потоков, согласование эшелонов и выполнение ресурсных ограничений, релевантных практическим условиям лесной логистики;
4) проведение вычислительного эксперимента на синтетическом транспортном графе с анализом полученного плана транспортировки, структуры потоков по эшелонам и интерпретацией результатов в экономических показателях;
5) оценка управленческой применимости модели как инструмента поддержки решений – выявление «узких мест» инфраструктуры, обсуждение чувствительности плана перевозок к параметрам q и Q, а также формулирование рекомендаций по организации двухэшелонной логистики с транзитными вершинами.
4. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ
4.1. Множества и индексы
I = 1 0 U 1 1 U 1 2 U I T :
I о = { 0 } - депо (одно);
-
I 1 – множество хабов;
-
I 2 – множество потребителей;
-
4.2. Параметры
IT – множество транзитных вершин.
H : = 1 1 - хабы, индекс h .
C : = 1 2 - потребители, индекс c .
N 1 : = 1 0 U H — узлы 1-го эшелона (депо + хабы), индексы i , j е N 1 .
N 2 : = H U C — узлы 2-го эшелона (хабы + потребители), индексы i , j е N 2 .
K : = { 1, • • •, m } — доступные ТС второго эшелона, индекс k .
dc > 0 - спрос потребителя c е C .
Q > 0 - вместимость состава (перевозки) 1-го эшелона (общее количество, которое возможно развезти по хабам).
Q 2 > 0 – вместимость одного ТС 2-го эшелона.
m е N - максимальное число ТС 2-го эшелона.
Графовые стоимости: D ij > 0 - стоимость (длина) кратчайшего пути между вершинами i и j в исходном графе G . Практически: D = distances ( G ), где G построен по E , а веса ребер – по стоимости (длине).
-
4.3. Переменные
-
4.3.1. Переменные 1-го эшелона (маршрут по хабам)
-
-
4.3.2. Переменные 2-го эшелона (маршруты ТС от хабов)
x j е { 0,1 } для i ^ j , i, j е N 1 .
x j = 1, если дуга i ^ j входит в тур 1-го эшелона.
u i е { 0,| H [J для i е N 1 - порядковая переменная для устранения подтуров ( MTZ ).
sh > 0 для h е H - объем, доставленный на хаб h первым эшелоном.
akh е { 0,1 } для к е K , h е H .
a kh = 1, если ТС к назначено (стартует и возвращается) на хаб h .
x ^j ) е { 0,1 } для к е K , i * j , i , j е N 2 .
x kij = 1, если ТС к проходит дугу i ^ j .
У кс е{ 0,1 } для к е K , с е C .
У к с = 1, если потребитель с обслуживается ТС k .
fk j j > 0 для к е K , i ^ j , i , j е N 2 - поток груза на дуге i ^ j в маршруте ТС к (используется для вместимости и устранения подтуров).
-
4.4. Целевая функция (минимизация суммарной стоимости):
-
4.5. Ограничения
-
4.5.1. Первый эшелон: один тур по всем хабам с возвратом в депо
-
min Z = Е Е D j xT + E Е Е D jj xij ).
i е N 1 j е N 1 к е Ki е N 2 j е N 2
j ^ i j ^ i
-
(1) Ровно один выход и один вход для каждого узла i ∈ N 1 :
∑ xi ( j 1 ) = 1, ∀ i ∈ N 1, ∑ x ( j 1 i ) = 1, ∀ i ∈ N 1.
j ∈ N 1 j ∈ N 1 j ≠ i j ≠ i
-
(2) Устранение подтуров: зафиксируем u 0 = 0 для депо 0 ∈ I 0, а для хабов h ∈ H :
1 ≤uh ≤ H , ∀h∈H, ui -uj+ H xi(j1) ≤ H -1, ∀i∈H, ∀j∈H, i≠j.
Это обеспечивает связность тура и исключает циклы, не содержащие депо.
-
(3) Баланс объемов 1-го эшелона:
-
4.5.2. Второй эшелон: маршруты ТС от хабов к потребителям ( CVRP -тип)
-
4.5.2.1. Назначение ТС по хабам
-
∑ sh ≤ Q , sh ≥ 0, ∀ h ∈ H . h ∈ H
-
(4) Каждое ТС либо не используется, либо назначается ровно одному хабу:
-
4.5.2.2. Обслуживание потребителей
∑ a kh ≤ 1, ∀ k ∈ K .
h ∈ H
-
(5) Каждый потребитель обслуживается ровно одним ТС (полное обслуживание):
-
4.5.2.3. Связь y kc и дуг маршрута
∑ ykc = 1, ∀ c ∈ C .
k ∈ K
Для каждого ТС k и потребителя c требуем ровно один вход и один выход, если он обслуживается.
-
(6) Степенные ограничения на потребителях:
-
4.5.2.4. Начало и окончание маршрута в выбранном хабе
∑ xk ( 2 cj ) = ykc , ∀ k ∈ K , ∀ c ∈ C , j ∈ N 2
j ≠ c
∑ xk ( 2 ic ) = ykc , ∀ k ∈ K , ∀ c ∈ C .
i ∈ N 2
i ≠ c
-
(7) Для каждого ТС k : число выходов из хабов равно числу входов в хабы и равно факту использования ТС:
∑∑xk(2h)j=∑akh, ∀k∈K, h∈ Hj∈ N2 h∈ H j ≠ h
∑∑ x k ( 2 ih ) = ∑ a kh , ∀ k ∈ K .
h∈ Hi∈ N2 h∈ H i ≠ h
-
(8) Запрет посещения хабов без назначения:
-
∑ xk ( 2 h ) j ≤ akh , ∀ k ∈ K , ∀ h ∈ H ,
j ∈ N 2 j ≠ h
-
∑ xk ( 2 ih ) ≤ akh , ∀ k ∈ K , ∀ h ∈ H .
-
4.5.2.5. Ограничения по вместимости и устранение подтуров через поток f
i ∈ N 2 i ≠ h
Эти ограничения позволяют сделать так, что ТС k может входить (выходить) только в «свой» хаб.
Идея состоит в том, что поток fkij – это количество груза, перевозимого ТС k по дуге i → j . Он обеспечивает:
– вместимость – на дугах нельзя везти больше Q 2 ;
– связность маршрута – нельзя получить отдельный цикл потребителей без хаба;
– доставку спросов.
-
(9) Вместимость на дугах:
0 ≤ fkij ≤ Q 2 xk ( 2 ij ) , ∀ k ∈ K , ∀ i ≠ j , i , j ∈ N 2.
-
(10) Баланс потока на потребителях (если потребитель обслуживается ТС k , то из потока «вычитается» d c ):
∑ f kic - ∑ f kcj = d c y kc , ∀ k ∈ K , ∀ c ∈ C .
i ∈ N 2 j ∈ N 2
i ≠ c j ≠ c
-
(11) Стартовый поток на хабе.
-
4.5.3. Связь эшелонов: сколько завезли в хабы и сколько из них развезли
Пусть хаб h выбран для ТС k . Тогда суммарный выходящий поток из h равен сумме спросов клиентов, обслуженных ТС k :
E fkhj - E f^h = E^kc • akh,Vk ■ K, Vh ■ H. j G N2 i G N 2 c e C j # h i # h
Чтобы выражение осталось линейным, заменяем правую часть линейной связкой через вспомогательные переменные w kch ∈ {0, 1}, означающие «потребитель c обслужен ТС k , и хаб h выбран»:
wkch - Укс, wkch - akh, wkch ^ Укс + akh - 1,Vk G K,V c G C,Vh G H и тогда
E fkhj - E fa = E dcWkch. Vk g K, Vh g H, j G N2 i G N2 c e C j ^ h i ^ h хотя это и увеличивает размерность, но делает модель строго линейной и корректной.
Суммарный спрос клиентов, закрепленных за хабом h (через все ТС, стартующие в h ), не должен превышать завезенный объем s h и при полной доставке должен быть равен ему.
-
(12) Баланс в хабе (полная доставка спроса):
sh = E E dcwkch, Vh G H • k e Kc e C
Тогда автоматически
E Sh = E dc, h e H c e C и совместно с
E hh - Q
получаем условие вы-
полнимости
E d - Q .
4.6. Ограничения на переменные:
5. ЭКСПЕРИМЕНТАЛЬНЫЕ РЕЗУЛЬТАТЫ5.1. Описание экспериментальной постановки
xj1 G {0,1}; akhG {0,1}; xkj) e {0,1}; ykc G{0,1}; wkch e{0,1}, sh ^ 0; fknj ^ 0; uо = °; 1 - uh- |H| •
Экспериментальные исследования направлены на апробацию предложенной линейной модели двухэшелонной транспортировки на графе с транзитными вершинами и на оценку управленческой интерпретируемости результатов в терминах затрат, загрузки инфраструктуры и структуры логистических потоков. В качестве ключевого требования эксперимента рассматривается воспроизводимость плана перевозок при фиксированных входных параметрах спроса q и ограничениях мощности Q, а также согласованность решений по эшелонам на множестве узлов I0, I1, I2, IT.
В качестве тестового примера используется синтетический транспортный граф из 203 вершин (1 депо, 10 хабов, 20 потребителей, 172 транзитные вершины) и 390 ребер, построенный программой-генератором. Модель и результаты расчета на этом графе представлены также в работе автора [24]. Узлы графа разделены на четыре функциональные группы. Узлы графа разделены на четыре функциональные группы. Множество I 0 включает источники (депо), интерпретируемые как пункты заготовки и первичной переработки древесины. Множество I 1 соответствует промежуточным распределительным пунктам (хабам), моделирующим склады, перевалочные терминалы, сортировочные станции и пункты консолидации грузов. Множество I 2 объединяет конечных потребителей: деревообрабатывающие предприятия, экспортные терминалы и крупные пункты сбыта. Множество I T представляет собой транзитные вершины, отражающие элементы транспортной инфраструктуры (участки дорожной сети, железнодорожные станции, узлы пересечения коридоров), которые обеспечивают связность маршрутов и корректный учет топологии.
Пространственное расположение вершин задается псевдослучайно в квадрате 120 × 120 условных единиц, а связи между ними формирует обозначенная программа. Такой способ формирования графа позволяет отказаться от упрощения сети до евклидовой метрики и предоставляет возможность учитывать ограничения связности и протяженности маршрутов. Исходная топология транспортного графа с выделением функциональных групп вершин представлена на рис. 1. Данная визуализация позволяет зафиксировать пространственную распределенность узлов I0, I1, I2, IT и смежность, по которой допускаются перемещения на каждом из эшелонов.
Входные параметры эксперимента включают вектор спроса q = {dc}cеi , задающий требуемые объемы поставок по конечным потребителям, и параметр Q, интерпретируемый как ограничение мощности (вместимости) инфра- структурных элементов и (или) ресурсов перевозки. В данной постановке Q используется для обеспечения реалистичности плана: ограничивается объем грузопотока, проходящий через узлы типа I1, и (или) общий объем, который может быть обработан и доставлен на соответствующем эшелоне при фиксированном составе ресурсов.
Расчеты выполнены в среде MATLAB с использованием авторской программной реализации муравьиного алгоритма (ACO).
Депо ( I 0 )
Источник : составлено автором. Source : compiled by the author.
Рис. 1. Визуализация распределения депо, хабов, потребителей, транзитных пунктов и их смежность
Fig. 1. Visualization of the distribution of the depot, hubs, consumers, transit nodes, and their adjacency
Параметры алгоритма фиксированны: маршрут первого эшелона через все хабы строит колония из 100 муравьев за 100 итераций (α = 1; β = 3; ρ = 0,1; τ 0 = 1; τ ∈ [0,05; 10]; вероятность жадного выбора равна 0,7). Второй эшелон формируется эвристикой: объем делится между хабами поровну, потребители в порядке убывания спроса прикрепляются к ближайшему хабу с учетом этой доли и загружаются в ТС вместимостью Q 2 . Найденный план является приближенным (эвристическим) решением, его оптимальность не доказывается; повторные запуски с разными начальными значениями датчика случайных чисел дали то же значение целевой функции.
-
5.2. Результаты оптимизации маршрутов
Результаты решения двухэшелонной задачи представлены на рис. 2 в виде маршрутов обоих эшелонов, наложенных на исходный транспортный граф. При этом маршруты первого эшелона формируют магистральные перемещения от источников I 0 к хабам I 1 , что соответствует логике консолидации потоков и переноса основного объема перевозок на опорные узлы. Маршруты второго эшелона строятся от хабов к конечным потребителям I 2 и обеспечивают распределение объемов согласно спросу q с учетом заданных ограничений мощности Q .
Депо ( I 0 )
Источник : составлено автором. Source : compiled by the author.
Рис. 2. Визуализация графа решения поставленной задачи
Fig. 2. Visualization of the solution graph for the formulated optimization problem
Важным результатом является то, что оба эшелона работают согласованно на одной топологии: транспортировка осуществляется исключительно по допустимым дугам графа, в том числе по транзитным вершинам I T , что подтверждает корректную интеграцию графовой структуры в оптимизационную постановку. Транзитные вершины при этом выполняют не декоративную, а функциональную роль: они формируют маршрутную связность, определяют обходы инфраструктурных «разрывов» и обеспечивают экономически значимую детализацию стоимости перемещения по допустимым направлениям.
Визуальный анализ решения (см. рис. 2) показывает, что план перевозок имеет естественную территориальную сегментацию: хабы I1 обслуживают кластеры потребителей, расположенные в их зонах притяжения, а магистральные поставки первого эшелона организованы как укрупненные перемещения к ограни- поведение соответствует экономической логике двухэшелонных систем: основной объем на дальних плечах перевозится укрупненными потоками, после чего выполняется распределение на локальных плечах с адаптацией к пространственному расположению пунктов I2 и ресурсным ограничениям.
-
5.3. Анализ удовлетворения спросаи использования транспортных средств
Распределение спроса по конечным потребителям и назначение перевозок второго эшелона представлены на рис. 3, где графически показаны объемы d c и соответствующие направления обслуживания из узлов I 1 . Данный результат позволяет оценить не только факт обслуживания, но и структуру решения: какие хабы используются как точки перераспределения, какие направления оказываются ключевыми, а также то, насколько компактны кластеры потребителей относительно своих
Номер ТС / Статус
Источник : составлено автором. Source : compiled by the author.
Рис. 3. Визуализация распределения спроса по конечным потребителям
Fig. 3. Visualization of demand distribution among final consumers
В рассматриваемой постановке частичное обслуживание не используется как базовый режим: каждый потребитель из множества I 2 либо полностью обеспечивается требуемым объемом, либо не обслуживается (в случае ресурсного дефицита). При выбранных параметрах вычислительного эксперимента и ограничениях Q спрос удовлетворяется полностью, что позволяет интерпретировать полученный план как распределение потоков без потерь обслуживания. Вместе с тем сама модель допускает анализ ситуаций дефицита, когда ужесточение ограничений Q (например, по пропускной способности хабов или доступному ресурсу перевозок) приводит к необходимости выбора приоритетов обслуживания и формированию экономически обоснованных компромиссов.
Дополнительная интерпретация решения на рис. 2–3 позволяет предположить, что ограничение мощности Q влияет в первую очередь на распределение нагрузки между хабами I 1 и на структуру магистральных потоков. В частности, при увеличении доступной мощности перераспределение может смещаться в сторону более «центральных» хабов, обеспечивающих снижение суммарных издержек на дальних плечах; при снижении Q , напротив, активизируется использование альтернативных узлов, что увеличивает протяженность маршрутов второго эшелона и повышает стоимость решения. Таким образом, параметр Q в модели выступает прямым инструментом оценки инфраструктурных ограничений и их экономических последствий.
-
5.4. Обсуждение результатов
Полученные экспериментальные результаты иллюстрируют пригодность линейной постановки двухэшелонной транспортной задачи на сложной транспортной сети и ее способность формировать согласованный план перевозок на множестве узлов I0, I1, I2, IT при фиксированном спросе q и заданных ресурсных ограничениях Q. Ключевым управленче- ским эффектом двухэшелонной схемы является снижение хаотичности прямых перевозок за счет консолидации потоков через хабы: вместо множества разнонаправленных доставок от I0 к I2 формируются магистральные перемещения к ограниченному числу узлов I1 с последующим локальным распределением. В экономическом смысле это соответствует рационализации структуры перевозок: дальние плечи обслуживаются укрупненными потоками, а локальные – более гибкими маршрутами, адаптированными к размещению потребителей.
Для дополнительной оценки экономического смысла решения может быть использован сравнительный базовый сценарий «прямых поставок» (одноэшелонный вариант без использования хабов I 1 ), в котором вся доставка выполняется непосредственно от источников I 0 к потребителям I 2 . Сравнение с таким сценарием позволяет интерпретировать выигрыш от двухэшелонной структуры как результат перераспределения потоков и использования транзитных вершин I T для формирования маршрутов на заданной сети. Хотя величина выигрыша зависит от параметров q и Q , сама структура решения (см. рис. 2) указывает на наличие экономически обоснованного эффекта консолидации: при прочих равных условиях сокращается доля протяженных маршрутов с малой загрузкой и повышается степень территориальной упорядоченности обслуживания спроса (см. рис. 3).
Вычислительный эксперимент на синтетическом графе иллюстрирует возможность применения предложенного подхода для планирования транспортной логистики в лесопромышленном комплексе. Получаемый план перевозок является воспроизводимым, интерпретируемым и пригодным для сценарного анализа: изменение параметров спроса q или ограничений мощности Q может приводить к перестройке потоков и позволяет оценивать последствия управленческих решений (изменение распределительных узлов, расширение мощностей, перераспределение ресурсов перевозки) без потери формальной корректности модели.
Дополнительно отметим, что модель допускает проведение сценарного анализа за счет параметризации ограничений мощностей и спроса. Изменение значений Q позволяет формализованно оценивать эффект от инфраструктурных ограничений (например, пропускной способности хабов и доступности транспорта) на перераспределение потоков между узлами I 1 и выбор магистральных направлений. В прикладном смысле это обеспечивает возможность обоснования управленческих решений по развитию узловой инфраструктуры и согласованию загрузки распределительных пунктов при фиксированном спросе q либо при его вариативности.
ЗАКЛЮЧЕНИЕ
В работе рассмотрена двухэшелонная задача транспортировки в лесопромышленном производстве, представленная в форме линейной оптимизационной модели на графе с транзитными вершинами. Предложенная постановка обеспечивает формализацию перевозочного процесса в условиях реальной сетевой топологии и позволяет строить экономически обоснованный план перемещений на множестве узлов I 0 , I 1 , I 2 , I T при заданных параметрах спроса q и ограничениях мощности Q . В отличие от упрощенных подходов, опирающихся на прямые перевозки или геометрические расстояния, модель учитывает транзитные вершины и связность транспортной инфраструктуры, что повышает прикладную адекватность планирования и улучшает интерпретируемость результата в управленческих терминах.
Экспериментальная апробация осуществлена на синтетическом графе из 203 вершин (172 транзитные). Исходная структура сети и функциональная типология вершин показаны на рис. 1, а полученный план перевозок по двум эшелонам – на рис. 2, что демонстрирует согласованное использование хабов и транзитных узлов при построении маршрутов. Анализ распределения спроса и структуры обслуживания потребителей представлен на рис. 3; при выбранных параметрах эксперимента спрос удовлетворяется полностью, что позволяет трактовать решение как план распределения потоков без потерь обслуживания. Одновременно постановка сохраняет потенциал исследования режимов ресурсного дефицита и анализа логистических компромиссов при ужесточении ограничений Q.
Практическая ценность предложенной модели заключается в возможности интеграции в задачи планирования перевозок лесопромышленных предприятий и территориальных систем с распределенной инфраструктурой. Модель позволяет выявлять «узкие места» транспортной сети, оценивать нагрузку на хабы и транзитные направления, а также проводить сценарный анализ при изменении спроса q и ресурсов Q .
Ограничением предложенной постановки является детерминированный характер параметров спроса и ресурсов, тогда как в реальных цепях поставок лесопромышленного комплекса спрос q , доступность транспортных средств и пропускные способности Q могут изменяться под воздействием сезонности, погодных факторов и рыночной конъюнктуры.
Перспективным направлением исследований является расширение модели на многопериодный случай и включение риск-ориен-тированных ограничений, а также интеграция с задачами планирования производства и формирования партий перевозок. Тем не менее уже в текущем виде предложенная двухэшелонная модель на графе с транзитными вершинами обеспечивает воспроизводимый и экономически интерпретируемый инструмент для планирования перевозок и анализа компромиссов между затратами и инфраструктурными ограничениями.