Trong mô hình hậu cần đô thị nói chung và mô hình hậu cần đô thị một mức nói riêng, định tuyến là việc xây dựng hành trình cho các phương tiện vận tải để đáp ứng yêu cầu vận tải. Vấn đề định tuyến trong mô hình hậu cần đô thị một mức được nghiên cứu thông qua việc vận tải hành khách và hàng hóa. Thông thường, trong hệ thống vận tải, hành khách và hàng hóa thường được vận tải bởi các phương tiện khác nhau do các tính chất đặc thù của đối tượng vận tải. Do đó, hàng ngày một số lượng lớn các phương tiện vận tải di chuyển không tải trước khi bắt đầu đón hành khách. Điều này làm tăng đáng kể chi phí vận hành và gây ra các vấn đề xã hội như: tình trạng tắc đường, ô nhiễm môi trường… Đối với vận tải trong thành phố, hàng hóa thường có kích thước nhỏ và khối lượng nhỏ nên có thể vận tải cùng hành khách mà không ảnh hưởng nhiều đến chỗ ngồi và thời gian di chuyển của hành khách. Vì không gây bất tiện nên hành khách cũng sẵn sàng chấp nhận hàng hóa được vận tải cùng. Vấn đề chia sẻ phương tiện giữa hành khách và hàng hóa là một phần của bài toán chia sẻ phương tiện đang được cộng đồng khoa học tập trung nghiên cứu chuyên sâu trong thời gian vừa qua.
Trong cộng đồng nghiên cứu, bài toán chia sẻ phương tiện thuộc lớp bài toán đặt xe DARP (Dial-A-Ride) [42]. Bài toán đặt xe DARP được phát triển từ bài toán định tuyến phương tiện VRP (Vehicle Routing Problem) [43] [44] [45] [46] [47] [48]. Trong bài toán đặt xe DARP, các yêu cầu vận tải đã biết trước thông tin điểm đón và trả. Một số khảo sát toàn diện về hệ thống chia sẻ trong giao thông được trình bày trong các nghiên cứu [49] [50]. Trong khảo sát [49], tác giả Trentini và Malhene đưa ra các khái niệm chia sẻ tài nguyên trong các hệ thống giao thông khác nhau (xe buýt, xe điện, tàu điện ngầm, ô tô và xe đạp) để cải thiện khả năng vận tải trong đô thị. Bên cạnh đó, Furuhata và cộng sự [50] đã khảo sát hệ thống chia sẻ phương tiện car-sharing. Các ưu điểm của hệ thống chia sẻ phương tiện đối với người tham gia, đối với xã hội và đối với môi trường được phân tích trong các nghiên cứu [51] [52] [53] [54]. Dựa trên mô hình đặt xe DARP, tác giả Li và cộng sự phát triển bài toán chia sẻ phương tiện mới SARP (Share-A-Ride) [55] cho phép các hành khách và hàng hóa khác nhau cùng sử dụng chung một xe taxi. Tuy nhiên, mỗi hành khách thường có các yêu cầu khác nhau như về thời gian di chuyển,
16
không gian ngồi riêng hay yêu cầu về an toàn. Do đó, mô hình chia sẻ phương tiện giữa các hành khách là không thực tế.
Nhằm cải thiện tính thực tiễn của mô hình [55], luận án xây dựng mô hình chia sẻ phương tiện giữa một hành khách và các hàng hóa. Để đảm bảo thuận tiện cho hành khách, yêu cầu vận tải hành khách sẽ được thực hiện liên tục mà không dừng hoặc đỗ trong quá trình phục vụ. Cụ thể, nếu hành khách đã lên xe taxi thì điểm dừng tiếp theo của xe taxi là điểm trả hành khách. Do đó, hàng hóa sẽ được vận tải theo một trong các trường hợp sau:
• Nhận và trả hàng hóa trước khi đón hành khách; • Nhận và trả hàng hóa sau khi trả hành khách;
• Nhận hàng hóa, đón và trả hành khách, sau đó mới trả hàng hóa.
Ngoài ra, mô hình chia sẻ phương tiện SARP của tác giả Li và cộng sự [55] sử dụng khoảng cách Manhattan để tính toán. Phương pháp tính toán dựa vào khoảng cách không phù hợp khi áp dụng cho vận tải trong đô thị nếu xem xét tình trạng tắc nghẽn giao thông. Cụ thể, với cùng một quãng đường vận tải, xe taxi sẽ mất nhiều thời gian vận tải hơn trong khung giờ cao điểm khi so sánh với vận tải trong khung giờ bình thường. Do đó, luận án xây dựng mô hình sử dụng thời gian di chuyển để tính toán và xem xét các mức độ tắc nghẽn giao thông theo từng vùng và từng khung giờ. Mô hình của luận án xem xét thành phố với ba vùng khác nhau: nội thành, vùng đệm và ngoại thành. Các khung giờ với giới hạn tốc độ vận tải (khung tốc độ) tương ứng của từng vùng cũng được áp dụng trong mô hình đề xuất của luận án. Mô hình luận án xây dựng là mô hình hoàn toàn phụ thuộc thời gian.
Ngoài ra, trong các tài liệu nghiên cứu, các mô hình chia sẻ phương tiện được phân loại dựa theo tính chất của yêu cầu vận tải: mô hình chia sẻ tĩnh và mô hình chia sẻ động. Trong mô hình chia sẻ tĩnh, các yêu cầu vận tải đều đã biết trước. Ngược lại, các yêu cầu vận tải trong mô hình chia sẻ động chỉ được biết tại thời điểm nhận yêu cầu. Ở đây, luận án xây dựng một thuật toán tổng quát cho phép xử lý các yêu cầu vận tải theo chu kỳ. Từ thời điểm bắt đầu chu kỳ của mô hình đề xuất, các yêu cầu vận tải sẽ được ghi nhận và đưa vào danh sách đợi để xử lý. Tại thời điểm kết thúc chu kỳ, tất cả yêu cầu vận tải sẽ được tính toán để phục vụ. Các xe taxi sẽ được lập lịch vận tải với mục tiêu tối đa hóa tổng lợi nhuận. Việc đề xuất một thuật toán tổng quát cho phép dễ dàng áp dụng cho mô hình chia sẻ tĩnh và mô hình chia sẻ động bằng cách lựa chọn chu kỳ có giá trị phù hợp. Trong mô hình chia sẻ tĩnh, khoảng thời gian của chu kỳ sẽ được thiết lập từ 00h00 đến 23h59. Qua đó, tất cả các yêu cầu vận tải trong ngày sẽ được ghi nhận và xử lý trong ngày hôm sau. Đối với mô hình chia sẻ động, khoảng thời gian của chu kỳ thường
17
được đặt 10 phút tương ứng với các yêu cầu vận tải sẽ được xử lý trong thời gian thực bắt đầu từ đầu ngày.
Đối với mục tiêu của bài toán, mô hình chia sẻ phương tiện SARP [55] và mô hình luận án đề xuất đều nhằm mục đích tối đa hóa tổng lợi nhuận. Tổng lợi nhuận là tổng doanh thu sau khi trừ đi các chi phí. Trong mô hình chia sẻ phương tiện SARP [55], tác giả Li và cộng sự đề xuất doanh thu vận tải bao gồm: doanh thu vận tải hàng hóa và doanh thu vận tải hành khách. Và các chi phí bao gồm: chi phí vận tải tính theo quãng đường vận tải và chi phí trong trường hợp thời gian vận tải của yêu cầu có thực hiện chia sẻ phương tiện vượt quá thời gian vận tải trực tiếp yêu cầu đó (trường hợp yêu cầu này được phục vụ trực tiếp, không thực hiện chia sẻ phương tiện). Sử dụng mô hình tính toán theo thời gian vận tải, nên ngoài doanh thu từ vận tải hành khách và hàng hóa tương tự mô hình đề xuất chia sẻ phương tiện SARP [55], mô hình luận án bổ sung thêm doanh thu trong trường hợp thời gian vận tải lớn hơn thời gian vận tải quy định do tắc nghẽn giao thông. Trong doanh thu từ vận tải hành khách có bao gồm chi phí ban đầu khi bắt đầu vận tải hành khách (giá mở cửa taxi). Chi phí này được toàn bộ các hãng taxi áp dụng để đảm bảo hiệu quả lợi nhuận đối với quãng đường di chuyển ngắn. Đối với chi phí, ngoài chi phí vận tải, luận án bổ sung hai chi phí vận hành thực tế bao gồm: chi phí nhân công cho tài xế taxi và chi phí sử dụng xe taxi.
Bên cạnh đó, một trong những thách thức khi nghiên cứu bài toán chia sẻ phương tiện là thiếu dữ liệu thực tế để thực nghiệm. Có rất ít tài liệu nghiên cứu về chia sẻ phương tiện sử dụng dữ liệu thực tế để giải quyết bài toán. Trong nghiên cứu [56], dữ liệu vận tải thực tế của khu vực Atlanta Metropolitan lần đầu tiên được sử dụng để giải quyết bài toán chia sẻ phương tiện giữa lái xe và hành khách. Một trường hợp khác là dữ liệu xe taxi của thành phố San Francisco được sử dụng để thực nghiệm cho mô hình trong nghiên cứu [55]. Mô hình luận án xây dựng được được thực nghiệm với dữ liệu được xây dựng từ dữ liệu thực tế được cung cấp bởi công ty taxi Tokyo-Musen. Bản đồ Tokyo được xây dựng dựa trên bản đồ OpenStreetMap với 130.000 điểm giao nhau. Dữ liệu thử nghiệm bao gồm hơn 38.800 yêu cầu vận tải và khoảng 5.600 xe taxi tham gia vận tải trong một ngày.
1.4.2. Định vị và định tuyến trong bài toán giao nhận đa loại hàng hóa, đa tuyến
Bên cạnh định tuyến, vấn đề định vị trong mô hình hậu cần đô thị chính là xác định cách thức sử dụng cơ sở vận tải (nhà máy, nhà kho, điểm trung chuyển…) để đáp ứng luồng vận tải hàng hóa. Các cách sử dụng cơ sở vận tải trong hậu cần đô thị bao gồm: đóng hoặc mở cơ sở vận tải, xác định vị trí cơ sở vận tải, chỉ định cơ sở vận tải phục vụ yêu cầu vận tải… Vấn đề định vị và
18
định tuyến trong hậu cần đô thị thường được nghiên cứu chính trong các bài toán liên quan đến vận tải hàng hóa như bài toán giao và nhận đa loại hàng hóa, đa tuyến. Bài toán giao và nhận đa loại hàng hóa, đa tuyến sẽ nghiên cứu đồng thời tối thiểu hai trong ba loại hàng hóa: hàng hóa chuyển vào thành phố, hàng hóa chuyển ra ngoài thành phố, hàng hóa chuyển trong nội bộ thành phố.
Đa số các nghiên cứu về bài toán giao và nhận đa loại hàng hóa, đa tuyến trong hậu cần đô thị tập trung nghiên cứu vận tải hàng hóa từ bên ngoài thành phố vào trong thành phố (viết tắt là hàng hóa e2c) và vận tải hàng hóa từ bên trong thành phố ra ngoài thành phố (viết tắt là hàng hóa c2e). Một trong các nghiên cứu về hàng hóa e2c được trình bày trong bài toán định tuyến xe đa vùng, đa tuyến phụ thuộc thời gian với khung thời gian TMZT-VRPTW. Bài toán TMZT- VRPTW là mở rộng của bài toán định tuyến xe với khung thời gian VRPTW (Vehicle Routing Problem with Time Windows). Trong bài toán TMZT-VRPTW, một đội xe tải nhỏ xuất phát từ một kho đỗ xe đến điểm trung chuyển nhận hàng và sau đó giao hàng hóa e2c đến khách hàng trong khung thời gian quy định. Các yêu cầu khách hàng trong bài toán này được chia thành các vùng theo các điểm trung chuyển. Do đó, mỗi vùng có thể được xem là một bài toán VRPTW. Tác giả Crainic và cộng sự là người đầu tiên đề xuất thuật toán heuristic dựa trên sự phân rã (decomposition-based) [2] và áp dụng để giải quyết bài toán trong nghiên cứu sau đó [39]. Cụ thể, thuật toán được chia làm hai giai đoạn: giai đoạn thứ nhất áp dụng thuật toán heuristic để giải bài toán VRPTW cho lần lượt từng vùng, sau đó sang giai đoạn hai, dựa trên mô hình quy hoạch số nguyên để nối các hành trình xe thu được ở giai đoạn đầu với nhau. Trong nghiên cứu [57], tác giả Nguyen và cộng sự đề xuất thuật toán tìm kiếm Tabu để giải quyết bài toán này. Sau đó, các tác giả tiếp tục mở rộng thuật toán tìm kiếm Tabu này để giải quyết một bài toán mới: “Giao và nhận hàng hóa, đa tuyến với khung thời gian và đồng bộ MT-
PDTWS” [58]. Bên cạnh thực hiện giao hàng hóa e2c tương tự bài toán TMZT-VRPTW, đội xe
tải nhỏ trong bài toán MT-PDTWS cho phép nhận các hàng hóa c2e (hàng hóa vận tải chuyển từ trong thành phố ra ngoài thành phố) tại khách hàng và vận tải đến các điểm trung chuyển. Trong công trình [40], tác giả Crainic và cộng sự tổng quát hóa hai bài toán TMZT-VRPTW và MT-PDTWS, bằng một đề xuất cho bài toán mới “Giao và nhận đa loại hàng hóa, đa tuyến với
khung thời gian và đồng bộ MTT-PDTWS”. Bài toán MTT-PDTWS nghiên cứu đồng thời ba
loại hàng hóa:
• Hàng hóa e2c: hàng hóa chuyển từ ngoài thành phố vào trong thành phố; • Hàng hóa c2e: hàng chuyển từ trong thành phố ra ngoài thành phố;
19 Các quyết định của bài toán MTT-PDTWS bao gồm:
• Định vị: chỉ định điểm trung chuyển trong danh sách điểm trung chuyển đăng ký trước để phục vụ hàng hóa c2e;
• Định tuyến: xác định hành trình của đội xe vận tải nhỏ.
Để giải quyết bài toán, tác giả Nguyen và cộng sự mở rộng thuật toán tìm kiếm Tabu được giới thiệu trong nghiên cứu [57]. Thuật toán tìm kiếm Tabu được tham chiếu chỉ xử lý đồng thời hai loại hàng hóa c2e và hàng hóa e2c. Do đó, thuật toán tìm kiếm Tabu để giải quyết bài toán MTT-PDTWS này được tác giả phát triển bổ sung để xử lý loại hàng hóa c2c.
Thuật toán tím kiếm Tabu được phát triển từ tư tưởng thuật toán tìm kiếm địa phương. Từ một lời giải ban đầu, tìm kiếm Tabu sẽ lặp đi lặp lại quá trình tìm kiếm nhằm cải thiện dần lời giải tốt nhất hiện có của bài toán. Tại mỗi bước lặp, thuật toán sẽ duyệt trong một miền lân cận của lời giải hiện tại để chọn ra lời giải tốt nhất, lời giải này sẽ thay thế cho lời giải hiện tại ở bước lặp kế tiếp. Mỗi lời giải trong lân cận của lời giải hiện tại được gọi là một lân cận của lời giải hiện tại. Thao tác chuyển từ lời giải hiện tại thành một lân cận của nó được gọi là bước chuyển. Điểm khác biệt căn bản của tìm kiếm Tabu so với các thuật toán tìm kiếm địa phương khác là: tại mỗi bước lặp, để tránh việc duyệt trở lại những lời giải đã từng được khảo sát, tìm kiếm Tabu sử dụng một danh sách để lưu trữ một số bước chuyển đã từng được sử dụng, gọi là danh sách Tabu. Danh sách này sẽ chứa một số bước chuyển vừa được thực hiện trong một số bước lặp ngay trước đó, các bước chuyển nằm trong danh sách Tabu được gọi là các bước chuyển Tabu. Các bước chuyển này sẽ bị cấm sử dụng lại chừng nào nó còn nằm trong danh sách Tabu. Mỗi bước chuyển Tabu sẽ nằm trong danh sách Tabu trong khoảng thời gian t bước lặp, sau đó, bước chuyển này sẽ được loại khỏi danh sách Tabu và nó có thể lại được sử dụng. Số t được gọi là giá trị Tabu tenure của bước chuyển. Giá trị t có thể cố định cho tất cả các bước chuyển hoặc cũng có thể là một số ngẫu nhiên được chọn cho từng bước chuyển. Do đó, hiệu quả của thuật toán tìm kiếm Tabu phụ thuộc vào các yếu tố chính như: cách thức lựa chọn miền lân cận của lời giải hiện tại, tiêu chuẩn mong đợi cụ thể, các chiến lược bổ sung cụ thể, chiều dài danh sách Tabu, giá trị Tabu tenure. Trong đó, việc phụ thuộc vào chiều dài danh sách Tabu và giá trị Tabu tenure chỉ có thể cố định hoặc chọn ngẫu nhiên mà không có cơ chế tự động lựa chọn theo chất lượng lời giải lận cận ảnh hưởng đồng thời đa dạng hóa lời giải (diversifying) và tăng cường hóa lời giải (intensifying). Do đó, khi nghiên cứu các bài toán định vị và định tuyến, các nhà nghiên cứu cũng sử dụng các thuật toán tìm kiếm lân cận lớn LNS (Large Neighborhood Search), thuật toán tìm kiếm lân cận lớn thích nghi ALNS (Adaptive Large Neighborhood Search)… để giải quyết bài toán.
20
Thuật toán tìm kiếm lân cận lớn thích nghi ALNS cho phép tự động lựa chọn cách thức tạo ra lời giải tiếp theo dựa vào chất lượng của các lời giải đã tạo ra trước đó. Thuật toán tìm kiếm lân cận lớn thích nghi ALNS là một trường hợp mở rộng của thuật toán tìm kiếm lân cận lớn LNS [59]. Thuật toán ALNS thực hiện cải thiện chất lượng lời giải bằng cách lựa chọn thao tác hủy (destroy operator) và thao tác chỉnh sửa (repair operator) từ tập hợp các thao tác có sẵn tại mỗi bước lặp của thuật toán. Mỗi thao tác hủy hoặc chỉnh sửa được gán một trọng số và được lựa chọn theo xác suất dựa vào trọng số này tại mỗi bước lặp của thuật toán. Thao tác có trọng số