链上镖师 / Chain Biaoshi
TRE|随机需求下的班轮航运网络设计：共识固定与自适应大邻域搜索
用多场景并行求解提升航线网络对需求波动的适应能力
论文研究随机集装箱需求下的班轮航运网络设计，将航线结构设计与需求场景下的货物流分配结合起来，提出基于共识固定、ALNS和列生成的并行启发式方法。
- 01：模型覆盖LINER-LIB中的七类真实规模实例，最大网络包含202个港口和9615个需求货流。
- 02：计算实验显示，共识固定方法相对确定性期望值基线的测试目标改进幅度最高达到20%–30%。
- 03：随机规划收益取决于网络拓扑，多枢纽和具有转运选择的网络更容易从需求场景建模中获益。
随机需求下，航线设计要面对怎样的决策对象
班轮航运网络需要决定哪些循环航线投入运营、每条航线配置何种船型与船舶数量，以及不同起讫港之间的集装箱如何经过航段和转运节点。需求具有季节波动时，一套只针对单一需求水平设计的网络可能出现容量配置与实际货流不匹配，网络结构的可调整空间成为利润表现的重要来源。
最大港口规模
202个
最大需求货流
9615个
论文将问题拆分为两个阶段：第一阶段确定网络结构并承担航线运营成本，第二阶段在具体需求场景出现后安排货物流并计算交付收益。模型允许货物流采用连续变量，以适应大规模集装箱需求，同时保留船舶容量、船队数量、流量守恒和航线启用等关键约束。
实验对象与规模：七类LINER-LIB网络覆盖不同拓扑
实验使用LINER-LIB基准实例，覆盖单枢纽、区域多枢纽、贸易航线和全球多枢纽等网络类型。实例规模从Baltic的12个港口、22个需求货流扩展到WorldLarge的202个港口、9615个需求货流，船舶数量从6艘扩展到501艘，能够检验方法在网络规模和拓扑结构变化下的表现。
来源：Table 4，LINER-LIB实例概览。
需求场景由下尾截断正态分布生成，原始货流需求作为均值，波动尺度设为均值乘以σ，低位截断保证需求非负。基准实验采用σ=0.2，并为每个货物流生成100个需求样本；敏感性分析进一步考察σ=0.1和σ=0.4时的网络表现。
共识固定启发式框架：让多个需求场景共同塑造网络
方法在多个需求场景上并行运行网络改进过程。每个场景先通过ALNS搜索适合自身需求的航线网络，再用列生成快速评估货物流分配和场景利润。算法根据不同场景对第一阶段网络变量的共同偏好，逐步固定港口弧等结构变量，随后继续搜索剩余自由变量。
图1 来源：Fig. 1，共识固定方法的算法流程。
1需求场景生成：依据基准货流需求构造随机场景
2场景并行搜索：各场景独立运行ALNS改进网络
3货流评估：用列生成计算场景下的运输流和利润
4共识判断：比较场景对网络变量取值的偏好与评分
5变量固定：优先固定跨场景一致性高的结构变量并继续迭代
共识变量评分机制：从港口弧偏好提取网络结构
论文将第一阶段网络决策放宽为港口弧是否被网络使用的二元变量，避开直接在指数规模的完整航线集合上比较方案。对每个尚未固定的变量，算法估计其取0或取1时对各场景目标值的影响，再结合场景排序和缩放因子计算极性，极性较高的变量优先进入共识固定集合。
图2 来源：Fig. 2，共识变量遗憾度度量中的网络元素。
表5 来源：Table 5，十场景示例下的缩放策略。
场景权重可以采用均匀、排名、比例、精英和随机等策略，评分函数也可以从利用率、少数场景偏好等角度构造。论文在简化测试中比较评分函数与缩放因子的组合，最终选择利用率评分配合elinr缩放因子作为后续计算实验的设置。
参数选择与核心性能：场景数量带来可观收益
表6 来源：Table 6，期望情形目标下的平均偏差。
场景数量实验设置为|S|∈{1,2,4,8,16,24,48}，其中|S|=1对应采用期望需求的确定性版本。研究以剩余样本场景评估候选网络，比较其相对期望值基线的测试目标。多个LINER-LIB实例中，随机需求场景带来了稳定的测试目标提升。
图3 来源：Fig. 3，地中海实例相对EEV的测试目标改进。
相对EEV最高改进
20%–30%
表现较有潜力的场景数
4或8个
与确定性基线及跨场景表现的比较
将共识启发式网络放回确定性LINER-LIB需求数据上评估时，随机规划解通常需要承担一定的结构适应成本。排除WorldLarge和Baltic的极端表现后，最差共识解最多比既有确定性解低1%，平均差距为17%；最佳共识解最多低15%，并在两个实例中超过既有确定性结果。
图6 来源：Fig. 6，共识启发式解与既有LINER-LIB解的比较。
图11 来源：Fig. 11，WorldSmall多需求场景下的目标值分布。
WorldSmall的100个需求场景箱线结果用于观察候选网络在不同实现需求下的目标值分布。论文还比较未训练方案和SCFM方案，结果将平均收益与波动范围放在同一评价框架中，体现共识固定对跨场景网络稳定性的关注。
网络结构变化与共识变量的管理含义
在地中海实例中，单一场景与48个场景对应的网络解呈现出不同的航线连接结构。多场景设计通过保留更多转运和货流调整空间，应对需求重新分布带来的路由变化。共识固定优先识别跨场景具有共同价值的港口弧，使算法搜索结果能够映射到航线网络中的结构性决策。
图13 来源：Fig. 13，地中海实例在48个场景下的网络解。
图14 来源：Fig. 14，地中海48场景网络解中的共识变量。
图10 来源：Fig. 10，各需求波动水平下的平均性能改进。
适用范围与研究边界
论文结果支持在具有多条转运路径、网络结构具备调整空间的班轮航运网络中使用随机规划和共识固定。区域多枢纽、贸易航线和全球多枢纽实例通常拥有更丰富的路由适应能力，需求场景对网络设计的价值更容易体现。
表10 来源：Table 10，不同网络拓扑下的平均改进。
单枢纽网络的货物流大多必须经过同一主枢纽，转运选择有限，需求随机性带来的网络重构空间较小；WAF实例因此出现收益有限甚至轻微下降的表现。模型采用离散需求场景、固定24小时港口停靠时间、无运输时间约束和路线内恒定航速优化，论文未报告重大地缘冲突、贸易限制或突发关税冲击下的适用性。
这项方法适合用于具有转运弹性和多路径选择的班轮航运网络规划。应用时需要结合网络拓扑、需求波动水平、可用场景数量和计算资源判断随机规划的实际收益。
论文：A consensus fixing based heuristic for liner shipping network design with stochastic demands
作者：Mikkel Linneberg Lassen，David Pisinger
期刊：Transportation Research Part E
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
