MARC

 008260126s2024        us                              c    eng  d
■001000017360352
■00520260202105511
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263329389
■035    ▼a(MiAaPQ)AAI32308344
■035    ▼a(MiAaPQ)GeorgiaTech77759
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.404
■1001  ▼aOjha,  Ritesh.
■24510▼aAdvances  in  Tactical  Planning  Decision  Problems  in  Trucking  Service  Networks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a196  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Erera,  Alan.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  growth  in  e-commerce  has  spurred  demand  for  parcel  and  less-than-truckload  (LTL)  freight  services,  and  carriers  providing  these  services  compete  by  improving  shipment  delivery  speed  and  reliability.  Much  of  e-commerce  relies  on  home  delivery  of  small  packages  or  parcels  and  other  boxed  freight.  Key  parcel  carriers  like  UPS  and  FedEx  continually  seek  to  redesign  and  operate  profitable  logistic  networks  that  meet  e-commerce  customer  service  expectations.  Beyond  physical  network  design,  including  the  location  and  sizing  of  various  freight  processing  terminals,  these  companies  need  help  with  challenging  service  network  design  problems.  This  thesis  addresses  load  or  trailer  (capacity)  planning  and  trailer  scheduling  problems  faced  by  planners  at  terminals  in  a  parcel  delivery  service  network.  The  research  described  in  this  thesis  is  conducted  directly  with  a  leading  global  parcel  carrier  that  operates  a  massive  network  moving  large  volumes  of  packages  each  day.In  Chapter  2,  we  address  the  Outbound  Load  Planning  Problem  (OLPP)  to  determine  (1)  how  many  loads  or  trailers  to  operate  from  a  terminal  to  different  destinations  and  (2)  how  to  allocate  the  package  volume  processed  at  the  terminal  to  outbound  loads  such  that  capacity  constraints  are  satisfied,  and  packages  are  loaded  into  their  compatible  (primary  and  alternate)  outbound  destinations  which  are  known  apriori.  We  build  a  hierarchical  optimization  model  to  generate  load  plans  with  high  utilization  that  are  consistent  in  practice;  this  approach  is  beneficial  to  planners  as  they  are  more  amenable  to  consistent  and  easyto-evaluate  recommendations.  We  develop  an  optimization-based  learning  methodology  that  blends  machine  learning  (ML)  and  feasibility  restoration  frameworks.  The  ML  model  imitates  the  hierarchical  optimization  model  to  learn  consistent  solution  patterns,  and  the  feasibility  restoration  framework  recovers  a  feasible  solution  from  the  ML  predictions.  An  extensive  computational  study  on  industrial  instances  shows  that  the  optimization-based  learning  approach  is  10x  faster  than  a  commercial  solver  in  obtaining  the  same  quality  solutions.In  Chapter  3,  we  address  the  Robust  Outbound  Load  Planning  Problem  (ROLPP).  We  formulate  ROLPP  as  a  two-stage  robust  optimization  model  with  a  relatively  complete  recourse.  ROLPP  aims  to  generate  an  outbound  load  plan  for  a  terminal  that  remains  feasible  for  all  possible  demand  realizations  that  belong  to  a  pre-defined  uncertainty  set.  In  stage  1,  a  planner  determines  the  number  of  trailers  to  operate  for  each  outbound  destination  from  the  terminal.  Once  an  adversary  chooses  a  demand  scenario  from  a  given  interval  budgeted  uncertainty  set,  the  planner  has  the  flexibility  to  allocate  package  volume  to  their  primary  and/or  alternate  routing  options  to  minimize  the  total  cost  of  adding  fractional  trailer  capacity  for  outbound  destinations  in  the  second  (recourse)  stage.  We  use  a  column-and-constraint  generation  algorithm  that  iterates  between  solving  a  master  problem  and  a  MILP  reformulation  of  the  bilinear  subproblem  to  solve  the  ROLPP.  We  exploit  the  problem  structure  to  carefully  choose  demand  scenarios  and  propose  a  mountain  climbing  heuristic  to  generate  local  optimal  solutions  to  the  subproblem.  These  solutions  can  be  used  as  warm  starts  as  it  is  sometimes  difficult  to  get  feasible  solutions  to  the  subproblem  using  a  commercial  solver.  Furthermore,  we  propose  static  and  iterative  approaches  to  generate  tight  lower  bounds  to  the  optimal  objective  value  of  ROLPP  by  carefully  constructing  a  subset  of  demand  scenarios  that  belong  to  the  uncertainty  set.  We  highlight  that  simple  scenario-generation  heuristics  can  often  be  used  to  produce  tight  lower  bounds  to  the  cost  of  robust  load  plans.In  Chapter  4,  we  address  the  Integrated  Inbound-Outbound  Load  Planning  Problem  (IOLPP)  for  a  cluster  of  terminals  in  a  parcel  delivery  service  network.  Each  terminal  in  the  cluster  has  a  set  of  inbound  trailers,  a  planned  package  processing  capacity,  and  a  set  of  planned  outbound  trailers.  The  planner  aims  to  determine  a  cost-effective  outbound  load  (capacity)  plan  for  the  cluster  of  terminals  while  ensuring  that  the  package  processing  capacity  is  respected  at  each  terminal  in  the  cluster.  The  planner  has  the  flexibility  to  shift  an  inbound  trailer,  planned  to  arrive  at  a  terminal,  to  a  nearby  terminal  in  the  same  cluster  to  ensure  that  the  package  processing  capacity  is  satisfied  and  to  achieve  a  better  outbound  trailer  consolidation.  We  formulate  IOLPP  as  a  MILP  and  solve  it  using  a  commercial  solver.  Through  an  extensive  computational  study  on  real-life  instances,  we  show  that  it  is  often  necessary  to  shift  inbound  trailers  to  ensure  that  the  processing  capacity  at  individual  terminals  is  respected.  Furthermore,  shifting  inbound  trailers  reduces  outbound  trailer  capacity  by  0.77%  −  2.10%  due  to  better  package  consolidation.In  Chapter  5,  we  address  the  Crossdock  Trailer  Scheduling  Problem  with  Workforce  constraints  (XDTS-W).  Given  an  arrival  plan  of  inbound  trailers  and  a  fixed  number  of  workers,  planners  need  to  determine  an  unloading  schedule  for  the  trailers  that  minimizes  the  total  delay  in  loading  the  outbound  trailers;  the  unloading  schedule  includes  trailer-todoor  assignments,  trailer  unloading  sequence  at  each  door,  and  worker-to-trailer  assignment.  We  formulate  XDTS-W  as  a  MILP  over  a  complete  time-expanded  network.  We  prove  that  if  XDTS-W  is  formulated  over  a  partial  time-expanded  network  satisfying  some  properties,  then  the  corresponding  MILP  is  guaranteed  to  yield  a  lower  bound  to  the  optimal  objective  value  of  XDTS-W.  We  propose  an  exact  dynamic  discretization  discovery  (DDD)  algorithm  to  solve  XDTS-W.  DDD  iterates  between  a  lower-bound  and  an  upper-bound  model  and  refines  the  partial  network  in  each  iteration  until  it  converges  to  a  provably  optimal  solution.  Through  computational  experiments,  we  highlight  the  instances  where  the  DDD  algorithm  outperforms  existing  state-of-the-art  interval  scheduling  approaches  in  the  literature  and  the  instances  where  it  is  better  to  use  a  commercial  solver  to  solve  practical  instances  of  XDTS-W.
■590    ▼aSchool  code:  0078.
■650  4▼aScheduling
■650  4▼aInteger  programming
■650  4▼aPlanning
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360352▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서