基于仿真建模与竞争力评估的工业废物运输专用车辆车队组合优化方法

《Logistics》：Developing a Decision Support System to Improve the Waste Transportation Process Vadim Mavrin and Irina Makarova

　　

本研究提出一种集成车辆竞争力评估与仿真建模的决策支持系统(Decision Support System, DSS)方法，用于确定工业企业及市政部门废物运输专用车辆车队的最优定量与定性组成，以最小化总物流成本。该方法首先基于层次化指标体系(piecewise normalization function)计算单车综合竞争力指数Ii，其中引入权重ai∈[1,10]反映各参数(yi实测值、zi理想目标值、xi最差允许值)的相对重要性；随后在AnyLogic平台中构建混合范式(离散事件+智能体+系统动力学)仿真模型，复现废物生成、收集(按时刻表或阈值触发)及转运至分拣站/处理厂/填埋场的全流程，并以OptQuest引擎对车队规模及各车型参数进行整数约束优化。实验结果表明，相较于基准配置，优化后车队使总物流成本降低40.64%，且所得解对燃料价格波动具鲁棒性，对废物产生量变化敏感。本DSS框架支持决策者自定义权重与场景，兼具车辆选型评估与车队规模优化功能，为可持续废物管理提供量化工具。

论文解读：基于仿真建模与竞争力评估的工业废物运输专用车辆车队组合优化方法

研究背景与立题依据

现有废物运输车队规划研究多孤立处理路径优化(vehicle routing problem, VRP)、车型选择或设施选址(location-allocation)，缺乏将车辆技术参数竞争力评估与车队整体运营仿真相结合的一体化决策支持工具，尤其针对俄罗斯及独联体国家特种垃圾车（带压缩装置的多厢车体）工况适配性研究不足。传统凭经验选配车队常导致运力过剩或不足、空载率高及总拥有成本(Total Cost of Ownership, TCO)偏高。为此，研究人员开发了集成定性评价（车型优劣）与定量仿真（车队交互效能）的模块化DSS，解决"买什么车、买几辆"这一组合优化问题。该文发表于《Logistics》期刊。

主要关键技术方法

研究人员通过专家打分法(Analytic Hierarchy Process思想辅助)确定各评价参数(车身容积、载质量、油耗、价格、最小转弯半径等)的权重a_i∈[1,10]，采用分段归一化(piecewise normalization)计算单车积分竞争力I=Σ(I_i/a_i)×10×(I_max?I_min)×100%→I*；构建含两废物产生源、一分拣站、一处理厂及一填埋场的AnyLogic离散事件仿真模型(discrete-event simulation model)，设置定时与阈值触发两种收集策略，车辆分配遵循废物类型兼容、容量足够及最近可用三原则；以OptQuest进行散点搜索(scatter search with adaptive memory)优化整数变量（四种容积车型各0–5辆），目标函数为30次独立重复仿真的平均总物流成本（固定购置折旧+变动燃油维护），停止准则为连续50代无改善或达500代。

研究结果

3.1. 车辆竞争力评估模块(Vehicle Competitiveness Assessment Module)

研究人员定义三参考值——y_i（被评估车实测值）、z_i（最佳期望值）、x_i（最差可接受值），按参数区间分三种情形计算单项竞争力：当x_i≤y_i≤z_i（效益型，越大越好）取a_i/10；当z_i≤y_i≤x_i（成本型，越小越好）取a_i/10；当y_i越界则按线性插值(y_i?x_i)/(z_i?x_i)×a_i/10或(y_i?x_i)/(z_i?x_i)×a_i/10。加权汇总得积分竞争力指数I∈[0,100]%。案例评估显示MAZ MKM-3403(69.4%)略优于KAMAZ KO-440V(67.95%)，前者因购置价低弥补性能差距。

3.2. 仿真模型(Simulation Model of Waste Transportation)

模型复现废物累积→容器满载/定时触发→派车（兼容+够容+最近）→装车→运至分拣站→卸货→可选续运可回收物至处理厂或非回收至填埋场→回场。假设分拣站有瓶颈可能产生排队，处理/填埋无排队，路网无视拥堵。实体类型含废物源(Source)、分拣站(Sorting Station)、处理厂(Processing Plant)、填埋场(Landfill)、垃圾车(Garbage Truck, 含类型A~D对应8/12/16/21 m3厢容)。支持调度策略切换：schedule-based(固定间隔8 h或12 h)与event-based(填充率≥80%触发)。

4.1. 车辆竞争力评估结果(Vehicle Competitiveness Assessment)

对列入候选的四款专用垃圾车计算竞争力，MAZ与KAMAZ得分最高，证明模块可区分性价比差异，但研究人员强调最终选型须结合仿真中多车协同效应。

4.2. 优化实验(Conducting an Optimization Experiment)

OptQuest迭代500次，早停于16代收敛。可行域：Type A(0–5)、Type B(0–5)、Type C(0–5)、Type D(0–5)，整数约束。最优解为{A:2台, B:1台, C:1台, D:1台}，合计5台；目标函数总物流成本由基线12,000,000 RUB降至7,120,000 RUB（降幅40.64%）。配对t检验(t=-12.4, p<0.001)证实差异显著。燃料价格±20%仅微调构成（高价情景B?C互换），废物产生量±15%引致车队总规模变幅(9–12台)，表明模型对运量敏感。

4.3. 仿真实验结果(Simulation Experiment Results)

动画演示与30次重复运行输出验证优化车队在给定场景下满足服务时效且降低空驶。敏感性分析佐证结果统计显著性及适度鲁棒性。

讨论与结论总结

研究人员指出：(1)所提DSS通过竞争力模块初筛车型，仿真模块验证车队组合，克服传统孤立评估缺陷；(2)成本降幅40.64%证明联合优化价值，且间接减里程降碳排放；(3)局限含未纳入实时交通/季节波动、单目标(成本)未显式加环境指标、未用真实地理数据校验、未量化DSS实施费；未来方向含IoT实时接入、机器学习预测废物量、多目标(成本-CO?)、联合路径与车队优化、设施选址及多场景验证。结论：集成piecewise归一化竞争力评估与AnyLogic离散事件仿真的DSS可有效确定工业废物运输专用车队最优质与量组成，显著降低物流成本，为循环经济和可持续废物管理提供决策量化工具。