ОБЗОР И АНАЛИЗ МЕТОДОВ ТРЕХМЕРНОЙ УПАКОВКИ ПРИ МОРСКИХ ГРУЗОПЕРЕВОЗКАХ:

В. В. Курейчик; Ю.В. Балясова; В.В. Бова

В. В. Курейчик Южный федеральный университет
Ю.В. Балясова Южный федеральный университет
В.В. Бова Южный федеральный университет

Ключевые слова: Морские грузоперевозки, логистика, задача трёхмерной упаковки

Аннотация

Описана проблема трёхмерной упаковки товаров в различные типы контейнеров при
осуществлении морских грузоперевозок. Морские грузоперевозки играют значительную роль в
международной торговле, реализуются в специфичных и нестандартных условиях, характ е-
ризуются усиленной влажностью, контактом с морской солью, вибрацией, интерференцией
температур и осуществляются посредством судов контейнеровозов, транспортирующих
различные категории товаров в контейнерах, подбираемых с учётом специфики перевозимого
груза, что обеспечивает надёжность и безопасность. Особую важность приобретает пр и-
сутствие защиты товара от многообразных негативных и техногенных факторов окр у-
жающей среды, что подтверждает немаловажность правильно разработанной морской уп а-
ковки груза, обеспечивающей сохранение товара, оборудования, сырья, либо материалов на
всём времени транспортировки по морю, а также надёжного крепления на палубе, либо внутри грузовых отсеков, исключая возможности повреждений груза, посредством воздейс т-
вия вибрационных и статических нагрузок. В статье описана задача трёхмерной упаковки в
контейнеры при морских грузоперевозках. Рассмотрены критерии и ограничения, построена
модифицированная комбинированная многокритериальная целевая функция. Ее значение
должно стремится к 1, что соответствует 100% заполнению пустот. Также, в работе про-
ведён краткий обзор и анализ методов и алгоритмов поиска решения задачи трёхмерной уп а-
ковки, выявлены их особенности, достоинства и недостатки. С учётом проведённого анализа
отмечено, что метаэвристические методы и алгоритмы поиска эффективны для решения
NP-сложной задачи трёхмерной упаковки так, как позволяют получать наборы квазиопти-
мальных решений за полиноминальное время.

Литература

1. GOST R 53350-2009 (ISO 668:1995) Konteynery gruzovye serii 1. Klassifikatsiya, razmery i massa
[GOST R 53350-2009 (ISO 668:1995) Series 1 freight containers. Classification, dimensions and
weight] (date of introduction 2010-01-01)].
2. GOST 26653-2015 Podgotovka general'nykh gruzov k transportirovaniyu. Obshchie trebovaniya
[GOST 26653-2015 Preparation of general cargo for transportation. General requirements] (date of introduction
2017-03-01).
3. ISPM 15 Fitosanitarnyy standart [ISPM 15 Phytosanitary standard] (date of introduction 2002-03).
4. Kureychik V.V., Glushchenko A.E., Orlov A.N. Gibridnyy podkhod dlya resheniya zadachi 3-khmernoy
upakovki [Hybrid approach for solving the problem of 3-dimensional packaging], Izvestiya YuFU.
Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2016, No. 6 (179), pp. 45-51.
5. Lutsan M.V., Nuzhnov E.V. Reshenie zadachi trekhmernoy upakovki s paletirovaniem konteynerov
[Solution of the problem of three-dimensional packaging with palletizing of containers], Izvestiya
YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2014, No. 7 (156), pp. 196-204.
6. Mladenović N., Hansen P. Variable neighborhood search, Computers & Operations Research, 1997,
Vol. 24, pp. 1097-1100.
7. Киркпатрик С. Гелат-младший К.Д. Викки М.П. Оптимизация с помощью имитации отжига //
Наука. – 1983. – 220. – С. 671-680.
8. Nicholas Metropolis, Arianna W. Rosenbluth, Mar - shall N. Rosenbluth, Augusta H. Teller, Edward
Teller. Equation of state calculations by fast computing machines, Journal of Chemical Physics, 1953,
Vol. 21, No. 6, pp. 1087-1092.
9. Kadowaki T., Nishimori H. Quantum annealing in the transverse Ising model, Phys. Rev. E, 1998,
Vol. 58, No. 5, pp. 5355-5363.
10. Resende M.G., Ribeiro C. Greedy Randomized Adaptive Search Procedures: Advances and Extensions,
Published in Handbook of Metaheuristics, 2018, Vol. 272, pp. 169-220.
11. Land A.H., and Doig A.G. An automatic method of solving discrete programming problems,
Econometrica, 1960, Vol. 28, pp. 497-520.
12. Fred Glover. Tabu Search – Part 1, ORSA Journal on Computing, 1989, Vol. 1, No. 3, pp. 190-206.
13. Suganya M., Sasipraba T. Stochastic Gradient Descent long short-term memory based secure encryption
algorithm for cloud data storage and retrieval in cloud computing environment, Journal of Cloud
Computing, 2023, Vol. 12, pp. 1-17.
14. Karpenko A.P. Sovremennye algoritmy poiskovoy optimizatsii. Algoritmy, vdokhnovlennye prirodoy:
ucheb. posobie [Modern algorithms for search engine optimization. Algorithms inspired by nature: a
tutorial]. 3rd. ed. Moscow: Izd-vo: MGTU im. N.E. Baumana. 2021, 446 p.
15. Gladkov L.A., Kravchenko Yu.A., Kureychik V.V., Rodzin S.I. Intellektual'nye sistemy: Modeli i
metody metaevristicheskoy optimizatsii: monografiya [Intelligent systems: Models and methods of
metaheuristic optimization: monograph]. Cheboksary: Sreda, 2024, 228 p.
16. Holland, John H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application
to Biology, Control, and Artificial Intelligence. USA: University of Michigan. 1975, 183 p.
17. Kureichik V.M., Malioukov S.P., Kureichik V.V., Malioukov A.S. Genetic algorithms for applied CAD
problems. Berlin, 2009.
18. Kureychik V.V. Rodzin S.I. Vychislitel'nye modeli evolyutsionnykh i roevykh bioevristik (obzor),
Informatsionnye tekhnologii, 2021, Vol. 27, No. 10, pp. 507-520.
19. Storn R., Price K. Differential evolution - a simple and efficient heuristic for global optimization over
continuous spaces, Journal of Global Optimization, 1997, Vol. 11, No. 4, pp. 341-359.
20. Hassanien E., Emary E. Swarm Intelligence: Principles Advances, and Applications. CRC Press:
2015, 228 p.
21. Kennedy J., Eberhart R.C. Particle swarm optimization, In Proceedings of IEEE International Conference
on Neural Networks, 1995, Vol. 4, pp. 1942-1948.
22. Dorigo M., Maniezzo V., Colorni A. The Ant System: Optimization by a colony of cooperating objects,
IEEE Trans. on Systems, Man, and Cybernetics, 1996, Part B, Vol. 26, No. 1, pp. 29-41.
23. Karaboga D. An idea based on honey bee swarm for numerical optimization. Erciyes University, Engineering
Faculty, Computer Engineering Department, 2005, 110 p.
24. Xin-She Yang. Firefly algorithms for multimodal optimization, In International symposium on stochastic
algorithms, 2009, pp. 169-178.
25. Mirjalili S. Dragonfly algorithm: a new meta-heuristic optimization technique for solving singleobjective,
discrete, and multi-objective problems, Neural Computing and Applications, 2016, Vol. 27,
pp. 1053-1073.
26. Hamed Shah-Hosseini. Intelligent water drops algorithm: a new optimization method for solving the
multiple knapsack problem, International Journal of Intelligent Computing and Cybernetics, 2008,
Vol. 1, No. 2, pp. 193-212.
27. Zhao W., Wang L., Zhang Z. Artificial ecosystem-based optimization: a novel nature-inspired metaheuristic
algorithm, In: Neural Computing and Applications, 2020, Vol. 32, No. 13, pp. 9383-9425.
28. Odili J.B., Kahar M.N.M. African Buffalo Optimization: A Swarm-Intelligence Technique, Procedia
Computer Science, 2015, Vol. 76, pp. 443-448.
29. Mehrabian A.R., Lucas C.A. Novel numerical optimization algorithm inspired from weed colonization,
Ecological Informatics, 2006, Vol. 1, No. 4, pp. 355-366.
30. Panteleev A.V., Metlitskaya D.V., Aleshina E.A. Metody global'noy optimizatsii. Metaevristicheskie
strategii i algoritmy [Methods of global optimization. Metaheuristic strategies and algorithms]. Moscow:
Vuzovskaya kniga, 2013, 244 p.