長江干線LNG動力船加注站選址研究

楊勇生，周亞民，許波桅

(上海海事大學 物流科學與工程研究院 物流研究中心,上海201306)

長江干線LNG動力船加注站選址研究

楊勇生，周亞民，許波桅

(上海海事大學 物流科學與工程研究院 物流研究中心,上海201306)

針對長江干線LNG動力船加注站的選址問題，將改進(引入遺傳變異)的蟻群算法和聚類分析進行結合，聚類分析可以解決選址問題中的不確定性和模糊性，而引入遺傳變異的蟻群算法又可以有效地解決傳統(tǒng)聚類分析因初始點選取不當易陷入局部最優(yōu)解的問題。實例驗證表明：基于遺傳變異的蟻群聚類與普通蟻群聚類分析相比縮短了迭代次數(shù)，減少了計算量，與傳統(tǒng)聚類分析相比更接近于全局最優(yōu)。

交通運輸工程；LNG加注站；長江干線；遺傳變異；蟻群聚類；選址問題

0 引 言

為大力響應節(jié)能減排政策，實現(xiàn)綠色航運的目的，眾航運企業(yè)表示將積極參與到新節(jié)能技術的開發(fā)中，并研發(fā)新能源船型(LNG動力船)，推動未來航運市場向節(jié)能低碳的方向發(fā)展[1]。LNG動力船主要指以LNG作為主要動力燃料的船舶，包括柴油-LNG混合動力和純LNG動力船舶。LNG作為動力燃料正在全球船用燃料市場進行有益的探索和嘗試，為未來中國船用油市場展現(xiàn)了新的藍圖。LNG燃料動力船的發(fā)展動因主要基于以下幾點[2]。

1)天然氣的開發(fā)利用改變了全球能源結構，相比歐美發(fā)達國家能源消費結構中天然氣占比25%左右，我國能源消費結構中天然氣占比只有4.4%，具有很大的上升空間。

2)國際海事公約組織于2011年7月通過的MARPOL附則六提高了船舶的NOx和SOx的排放標準。結合長期投資的安全性和經(jīng)濟性，各方研究結果均傾向于使用LNG清潔燃料的方案以徹底解決SOx 和NOx排放問題。

3)LNG較好的經(jīng)濟性有助于船東降低燃料成本，在國際上，與傳統(tǒng)柴油燃料相比，LNG作為動力燃料具有比較明顯的價格優(yōu)勢，能有效降低成本。

與LNG燃料動力船在國外的快速發(fā)展相比，其在我國的發(fā)展主要存在如下問題：①缺乏相關的安全技術規(guī)范；②對船舶進行改造有資金困難；③船東普遍持觀望態(tài)度，期待有關補貼扶持政策的出臺；④基本無船舶專用加氣站等配套設施。

針對這些問題，在2011—2014年間國務院，交通運輸部，財政部，中國船級社又出臺了包括《關于加快長江等內河水運發(fā)展的意見》《公路水路交通運輸節(jié)能減排“十二五”規(guī)劃》《天然氣發(fā)展“十二五”規(guī)劃》《交通運輸部關于推進水運行業(yè)應用液化天然氣的指導意見》《加快推進綠色循環(huán)低碳交通運輸發(fā)展指導意見》《天然氣燃料動力船舶規(guī)范》《水運行業(yè)應用液化天然氣試點示范工作實施方案》《內河船型標準化補貼資金管理辦法》等多個相關政策及指導意見(不包括地方海事局和交通部門的相關政策)。內河船舶“油改氣”成為船舶制造業(yè)關注的焦點，LNG動力(含柴油-LNG混合動力)船舶已成為內河船型發(fā)展的重要方向。2014年我國內河船檢數(shù)據(jù)如圖1。

圖1 2014年中國內河船檢數(shù)據(jù)Fig.1 Inspection data of ship in China inland river in 2014

另據(jù)2014年中國港口年鑒數(shù)據(jù)顯示，2013年長江干線規(guī)模以上港口完成貨物吞吐量18.6億噸，長江干線上游、中游、下游港口分別完成貨物吞吐量1.64，4.75，12.18億噸。貨物吞吐量主要集中在中下游地區(qū)，而且由于葛洲壩和三峽大壩對LNG動力船過閘有硬性規(guī)定(LNG動力船必須排放掉所有LNG后才可過閘)[3]。因此筆者主要研究長江干流中下游地區(qū)LNG動力船加注站的選址問題。

設施的布局與選址是運籌和管理科學領域研究的一個重要研究方向，這類問題通過對現(xiàn)實生活中所要追求目標和環(huán)境影響因素的抽象，轉變?yōu)榘虢Y構化或結構化的數(shù)學模型來進行求解，對實際中的應用提供決策的依據(jù)?，F(xiàn)代選址研究起源于1909年。為解決如何為單個倉庫選址，使得倉庫到多個顧客間的總距離最小的問題，A.WEBER在歐氏空間里建立了一個1-中位問題的模型，這就是著名的Weber問題，選址問題的研究從上世紀60年代復興發(fā)展至今，吸引了許多領域學者，問題的研究也呈現(xiàn)多樣化[4]?；镜倪x址問題有覆蓋問題,中值問題，中心問題。擴展的選址問題有漸進覆蓋問題，備用覆蓋問題，分層選址問題，競爭選址問題，多目標選址等[5]。

集覆蓋問題最早由C.TOREGAS等[6]提出，用于解決消防中心和救護車等應急型公共服務設施選址問題。由于集合覆蓋模型要覆蓋所有的需求點，所需設施數(shù)目往往過大而超過實際承受能力，而且沒有區(qū)分各個需求點，人們自然會想到先固定設施數(shù)目，再確定它們的位置使得覆蓋盡可能多的需求點或需求量，這就是R.L.CHURCH等[7]提出的最大覆蓋模型。S.L.HAKIMI[8]最早提出中值問題,中值問題的目標是使所有需求點到設施的平均權重距離最短(距離也可用交通、運輸時間表示)，指出對于任一給定設施數(shù)P總存在至少一個最優(yōu)解使得總距離最小。P-中心問題是研究如何在網(wǎng)絡中對P個設施進行選址，使得任意需求點到與其距離最近設施的最大距離最小化的問題，也叫minmax問題。通常在軍隊、醫(yī)院、緊急情況和有服務標準承諾的服務行業(yè)中使用，有時也稱作經(jīng)濟平衡性，由S.L.HAKIMI于1964最先提出[8-9]。H.A.EISELT等[10]將漸進覆蓋應用到集覆蓋中，考慮了基于服務質量的漸進覆蓋的集覆蓋選址問題，給出了最小可接受服務水平的概念和不同的覆蓋函數(shù)。E.T.ERDEMIR等[11]引入備用覆蓋的思想，考慮地面救護車在用狀態(tài)或者容量有限而不可用的狀態(tài)下，對地面和空中醫(yī)療急救設施聯(lián)合選址問題進行了研究，并以新墨西哥州的事故數(shù)據(jù)為例進行了案例分析。G.C.MOORE等[12]提出基于分級的帶容量限制的覆蓋選址模型，并用此模型求各級服務設施覆蓋人口最大化問題。M.J.WIDENER等[13]針對颶風災后救濟商品分配問題，建立帶容量限制的層級中位模型，與非層級的帶容量限制的中位模型進行比較。結果表明該模型對于規(guī)劃不同層級的設施，提供不同水平的救援服務具有實用性。T.DREZNER[14]引入效用函數(shù)，對已存服務站集合中新增一個服務站的問題進行研究，建立了確定性的競爭選址模型。S.JIUH-BIING等[15]以最小化網(wǎng)絡配置成本，最大化運營利潤及最大化客戶滿意率為目標，建立了多目標層級網(wǎng)絡規(guī)劃模型，對全球物流網(wǎng)絡配置問題進行了研究。

針對LNG動力船加注站的選址問題，因其在我國發(fā)展時間較短，且現(xiàn)今交通運輸部及各地方海事局都尚處在試點探索運營中，故并無確切的解決該問題的參考方案。而聚類分析法正符合LNG動力船加注站選址過程中存在的不確定性和模糊性的特征，且使用聚類分析與選址相關問題的大多是無水港的選址問題，因此筆者主要參考無水港選址問題的模型。針對無水港選址問題，CHANG Zheng等[16]使用了基于遺傳模糊聚類的兩階段模型，對大連港的無水港選址問題進行了研究。黃力等[17]通過建立無水港選址評價的指標體系，運用層次分析法確定各指標權重,提出了無水港選址的合理方案。張兆民[18]分析了無水港選址的原則并從地區(qū)集裝箱量和中轉集裝箱量兩個方面提出了影響無水港選址布局的因素，最后使用模糊聚類方法對大連港口所依靠的內陸腹地進行無水港選址分析。項風等[19]將遺傳算法和模糊C-均值聚類算法(FCM)相結合，對東北地區(qū)內陸港候選城市進行了聚類分析，并對內陸港的建設提出了建議。

1 LNG動力船加注方案

LNG燃料動力船在國外自20世紀末開始得到發(fā)展，目前特別在歐洲(北歐)、美國等地的沿海地區(qū)得到了較好的發(fā)展，其加注模式(圖2)主要包括[20-22]：①采用小型的LNG運輸船對LNG動力船進行加注；②利用LNG槽罐運輸車進行加注；③通過碼頭岸上固定的設施管線對LNG動力船進行加注。各個加注方式的優(yōu)缺點如表1。

圖2 LNG 加注的典型模式Fig.2 Typical pattern of LNG bunkering

在交通運輸部發(fā)布的《水運行業(yè)應用LNG首批試點示范項目名單》中，所有試點項目都采用的是岸基式LNG加注站或躉船式LNG加注站。但無論是岸基式或躉船式都在試點探索運營中，并無定論哪種方法更優(yōu)，因此筆者不考慮加注站的建站方式，只考慮選址問題。

2 問題描述及模型的建立

2.1 LNG動力船加注站選址影響因素分析

LNG加注站是為內河中LNG動力船服務的，應充分考慮當?shù)氐母劭谕掏铝浚?jīng)濟發(fā)展水平及國內外貿易量等一系列選址相關指標[19,23]。因此 ,擬選擇以下因素作為LNG動力船加注站選址的評價指標，見圖3。

圖3 內河LNG加注站選址指標體系Fig.3 Index system for location selection of LNG bunkering station in inland river

因為所選指標數(shù)據(jù)不處于同一量綱，所以需首先對數(shù)據(jù)進行標準化處理：

(1)

式中：Zij為標準化后的變量值；Xij為實際變量值；Xi為數(shù)學期望；Si為標準差。

2.2 基于遺傳變異改進的蟻群聚類分析

聚類分析法正符合LNG動力船加注站選址過程中存在的不確定性和模糊性的特征，但傳統(tǒng)的聚類算法采用隨機選取聚類中心點，易使迭代過程陷入局部最優(yōu)解，而蟻群算法是一種全局優(yōu)化的啟發(fā)式算法。根據(jù)聚類中心的信息量把周圍數(shù)據(jù)歸并到一起，從而得到聚類分類[24]。基于遺傳變異改進的蟻群聚類算法通過引入遺傳變異因子減少計算量，減少迭代次數(shù)，可以有效地解決傳統(tǒng)聚類易陷入局部最優(yōu)解的問題[25-26]。筆者采用基于遺傳變異改進的蟻群聚類分析法，對LNG動力船加注站的規(guī)劃選址問題進行研究，探討LNG動力船加注站的選址問題。

(2)

式中：如果Pij(t)大于閥值P0，就將xi合并到Cj內；τij(t)為時刻t數(shù)據(jù)xi到xj路徑上殘留的信息量；α為信息啟發(fā)因子；ηij(t)為能見度函數(shù)；β稱為期望啟發(fā)因子；ηij=1/dij，其中dij表示數(shù)據(jù)對象xi到xj之間的加權歐氏距離：

(3)

當所有螞蟻完成一次聚類之后，重新計算各個聚類中心及每個數(shù)據(jù)到聚類中心的信息量：

(4)

(5)

(6)

式(6)稱為蟻量模型，其中Q為常量，其大小影響算法的收斂速度，可取值為1。算法一直進行直至聚類中心穩(wěn)定或者達到預期最大迭代次數(shù)為止。

基于遺傳變異改進的蟻群聚類算法中遺傳操作設計如下：

1)染色體編碼

筆者使用聚類中心V={vi|vi∈RP,i=1,2,…,c}作為染色體的浮點數(shù)編碼方法。把一條染色體看成由C個聚類中心vi(i=1,2,…,c)組成的一個串：chr=v1v2…vc，由于每個聚類中心有S個特征，因此一條染色體是長度為C×S的浮點碼串。假設種群大小為N，則要按以上方法生成N條染色體來組成初始種群。

2)適應度函數(shù)

適應度函數(shù)的選取要與要解決的問題相結合，由目標函數(shù)決定，文中適應度函數(shù)f定義如下：

(7)

式中：Dmin為最小類間距，而C(x)為平均類內距，其定義分別如下：

(8)

(9)

式中：ci是第i類的聚類中心；ni是第i類的樣本數(shù)；xj是第i類的第j個樣本。

3)選擇算子

選擇算子采用保留精英個體的輪盤賭算法。

4)交叉算子

交叉算子采用單點交叉，但是要判斷染色體的有效性，即有可能子代沒有包括所有類別數(shù)。例如，如果父代個體 ( 1 2 2 3 2 1)和 ( 1 3 3 2 2 1)進行單點交叉，交叉的位置為3，那么交叉后的個體為 ( 1 2 2 2 2 1)和 ( 1 3 3 3 2 1)，第一個子個體所有樣本屬于的類別數(shù)就是2而不是3。所以我們必須重復運算交叉算子，直到各個子個體包含C個類別。

5)變異算子

由于在選擇機制中采用了保留最佳樣本方式，為保持群體內個體的多樣性，我們采用連續(xù)多次對換的變異技術，使可行解有較大順序排列上的變化。若發(fā)生變異，則用隨機方法產(chǎn)生交換次數(shù)K，對所需變異操作的染色體進行K次對換(對換的兩碼位也是隨機產(chǎn)生的)。

綜上，基于遺傳變異改進的蟻群聚類算法主要流程如圖4。

圖4 改進的蟻群聚類算法流程Fig.4 Flow chart of the improved ant colony clustering algorithm

使用改進的蟻群聚類進行聚類分組后，利用式(10)選取最佳候選地址：

(10)

3 實例分析

選取長江中下游主要港口城市23個，太倉、張家港、常熟、南通、無錫、常州、泰州、鎮(zhèn)江、揚州、南京、馬鞍山、蕪湖、銅陵、池州、安慶、九江、黃岡、鄂州、黃石、武漢、城陵磯、荊州、宜昌。由于本文各評價指標的性質不同，且具有不同的度量和數(shù)量級，各指標之間的水平相差較大，如果直接使用原始數(shù)據(jù)進行聚類分析，會突出高數(shù)值指標的作用，相對削弱數(shù)值水平較低的指標的作用。因此，為了保證聚類結果的可靠性，對各候選址的原始指標數(shù)據(jù)進行標準化處理，如表2。根據(jù)表2分別用改進的蟻群聚類算法、普通的蟻群聚類算法、傳統(tǒng)的聚類算法對標準化后的數(shù)據(jù)進行聚類分析，得到表3、表4。

表2 候選址指標數(shù)據(jù)標準化

數(shù)據(jù)來源：《2014年中國港口年鑒》，《2014年各個城市國民發(fā)展與統(tǒng)計公報》，Google Earth。

表3 3種聚類方法的結果對比

注：表中數(shù)據(jù)為10次平均的數(shù)據(jù)。

表4 兩種蟻群聚類的對比

由表3、表4可以看出，與普通的蟻群聚類相比，因為引入了遺傳變異因子，改進的蟻群聚類效果要更好，在同等聚類結果條件下，改進的蟻群聚類也減少了運行時間和迭代次數(shù)。而與傳統(tǒng)的聚類算法聚類相比，因為考慮了全局性，改進的蟻群聚類效果相對要好得多。傳統(tǒng)聚類因為初始聚類中心固定，故迭代次數(shù)很少就達到了最優(yōu)，但此時的最優(yōu)為局部最優(yōu)。

由3種聚類方法最終得到的分組結果如表5。從表5可知，改進的蟻群聚類算法相比其他兩種聚類算法的效果要好。根據(jù)式(4)計算出最終備選地址。按照現(xiàn)行貨運中長途距離為250 km，從長江入?？诘介L江中游宜昌航道里程1 669 km，1 669/250=7，即選取無錫、南京、蕪湖、安慶、武漢、城陵磯、宜昌7個城市作為LNG動力船加注站的選址。而事實上，在交通運輸部發(fā)布的《水運行業(yè)應用LNG首批試點示范項目名單》中，要求在湖北宜昌試點建設岸基式水/陸兼用的LNG加注站；在安徽新建1座岸基式LNG加注站，同時具備陸域倉儲轉運功能；在長江干線江蘇段試點建設1座岸基式LNG加注站。以上試點項目皆與筆者所得的LNG加注站的選址位置相同或相近，因此本文算法無論是從理論上還是實際運行中都具備一定的意義。

表5 最終聚類分組情況

4 結 論

筆者針對內河LNG動力船加注站選址的問題進行了研究。首先對影響加注站選址的因素進行了分析，并選取一系列指標作為影響因素，將定性問題轉化為定量問題，并將不同量綱的數(shù)據(jù)進行標準化處理。然后在基本蟻群聚類算法的基礎上引入遺傳變異因子，設計了基于遺傳變異改進的蟻群聚類算法。通過將該算法與傳統(tǒng)聚類算法，普通蟻群聚類算法和實際情況進行對比，得出以下結論：

1)基于遺傳變異改進的蟻群聚類算法是求解LNG動力船加注站選址問題的有效算法。

2)該算法可以有效地解決傳統(tǒng)聚類分析因初始點選取不當易陷入局部最優(yōu)解的問題。

3)與普通蟻群聚類分析相比，縮短了迭代次數(shù)，減少了計算量，與傳統(tǒng)聚類分析相比更接近于全局最優(yōu)。

筆者對內河LNG動力船加注站選址問題進行了深入研究，但還需考慮更多的影響因素，此外還需設計一個合理的評價選擇體系，下一步研究將考慮加入港口城市周圍有無LNG工廠等影響因素，并引入合適的評價選擇體系，以期進一步提升理論模型對實踐的指導意義。

[1] 周淑慧,沈鑫,劉曉娟,等.LNG在我國內河水運領域的應用探討[J].天然氣工業(yè),2013,33(2):81-89. ZHOU Shuhui, SHEN Xin, LIU Xiaojuan, et al. Prospect of LNG application to inland water transportation in China[J].NaturalGasIndustry,2013,33(2):81-89.

[2] 高慧君 . 中國LNG燃料動力船發(fā)展前景分析[EB/OL]. (2013-08-13). http://www.cjhy.gov.cn/hangyundongtai/dianziqikan/hangyunzazhi/201308/t20130813_238349.html. GAO Huijun. Analysis of development and prospect of China's LNG fuel ship[EB/OL]. (2013-08-13). http://www.cjhy.gov.cn/ hangyundongtai/dianziqikan/hangyunzazhi/201308/t20130813_238349. html.

[3] 左良棟.LNG動力船推廣的喜與憂[N/OL].中國水運報.(2013-10-28). http://epaper.zgsyb.com/html/2013-10/28/content_64164.htm. ZUO Liangdong. Happiness and sorrow of promote of the LNG Ship[N/OL].ChinaWaterTransport.(2013-10-28). http://epaper.zgsyb. com/html/ 2013-10/28/content_64164.htm.

[4] BRANDEAU M L, CHIU S S. An overview of representative problems in location research[J].ManagementScience,1989,35(6):646-652.

[5] 萬波.公共服務設施選址問題研究[D].武漢:華中科技大學,2012. WAN Bo.StudyonthePublicServiceFacilityLocationProblem[D]. Wuhan: Huazhong University of Science and Technology,2012.

[6] TOREGAS C, SWAIM R, REVELLE C, et al. The location of emergency service facilities[J].OperationsResearch,1971,19(6):1363-1373.

[7] CHURCH R L, REVELLE C. The maximal covering location problem[J].PapersoftheRegionalScienceAssociation,1974,32(1):101-118.

[8] HAKIMI S L. Optimum locations of switching centers and the absolute centers and medians of a graph[J].OperationsResearch,1964,12(3):450 - 459.

[9] HAKIMI S L. Optimum distribution of switching centers in a communication network and some related graph theoretic problems[J].OperationResearch,1965,13(12):462 - 475.

[10] EISELT H A, MARIANOV V. Gradual location set covering with service quality[J].Socio-EconomicPlanningSciences,2009,43(2):121-130.

[11] ERDEMIR E T, BATTA R, ROGERSON P A. Joint ground and air emergency medical services coverage models: a greedy heuristic solution approach[J].EuropeanJournalofOperationalResearch,2010,207(2):736-749.

[12] MOORE G C, REVELLE C. The hierarchical service location problem[J].ManagementScience,1982,28(7):775-780.

[13] WIDENER M J, HORNER M W. A hierarchical approach to modeling hurricane disaster relief goods distribution[J].JournalofTransportGeography,2011,19(4):821-828.

[14] DREZNER T. Locating a single new facility among existing unequally attractive facilities[J].JournalofRegionalScience,1994,34(2):237-252.

[15] JIUH-BIING S, ALEX Y S L. Hierarchical facility network planning model for global logistics network configurations[J].AppliedMathematicalModelling,2012,36(7):3053-3066.

[16] CHANG Zheng, NOTTEBOOM T, LU Jing. A two-phase model for dry port location with an application to the port of Dalian in China[J].TransportationPlanningandTechnology,2015,38(4):442-464.

[17] 黃力,鄭金海,王偉. 基于層次分析法的無水港選址研究[J].物流技術,2013,32(1):153-156. HUANG Li, ZHENG Jinhai, WANG Wei. Study on dry port location problem based on AHP[J].LogisticsTechnology,2013,32(1):153-156.

[18] 張兆民.模糊 C-均值聚類在無水港選址中的應用[J].上海海事大學學報,2008,29(4):34-37. ZHANG Zhaomin. Applying fuzzy C-clustering to location planning of dry port[J].JournalofShanghaiMaritimeUniversity,2008,29(4):34-37.

[19] 項風,趙旭,鄒偉宏. 基于遺傳模糊聚類的東北內陸港選址規(guī)劃[J]. 水運工程,2009,12(12):1-5. XIANG Feng, ZHAO Xu, ZOU Weihong. Location planning for inland ports in north-eastern china based on genetic fuzzy clustering[J].Port&WaterwayEngineering,2009,12(12):1-5.

[20] 石國政,張暉,范洪軍. 天然氣燃料動力船燃料加注模式研究[J]. 船海工程,2013,42(6):57-60. SHI Guozheng, ZHANG Hui,FAN Hongjun. Research on bunkering mode of natural gas-fuelled ship[J].Ship&OceanEngineering,2013,42(6):57-60.

[21] 江蘇海事局, 中國船級社. LNG 燃料動力船舶加注模式及加注站研究報告[R].南京:江蘇海事局,2013. Jiangsu Maritime Safety Administration, China Classification Society.FillingModelandFillingStationResearchReportoftheLNGFueledShip[R]. Nanjing: Jiangsu Maritime Safety Administration,2013.

[22] 毛海軍,王勇,杭文,等.基于模糊聚類算法的多配送中心選址優(yōu)化方法[J].東南大學學報(自然科學版),2012,42(5):1006-1011. MAO Haijun, WANG Yong, HANG Wen, et al. Optimization method of multi-distribution center location based on fuzzy clustering algorithm[J].JournalofSoutheastUniversity(NaturalScience),2012,42(5):1006-1011.

[23] 周新華,黃道. 一種基于蟻群算法的模糊C均值聚類[J].控制工程,2005,12(2):132-134. ZHOU Xinhua, HUANG Dao. Fuzzy C-mean clustering based on ant algorithm[J].ControlEngineeringofChina,2005,12(2):132-134.

[24] 李泓澤,郭森,王寶. 基于遺傳改進蟻群聚類算法的電力客戶價值評價[J].電網(wǎng)技術,2012,36(12):256-261. LI Hongze, GUO Sen, WANG Bao. Evaluation on power customer value based on ants colony clustering algorithm optimized by genetic algorithm[J].PowerSystemTechnology,2012,36(12):256-261.

[25] 朱峰,陳莉. 蟻群與遺傳算法融合的聚類算法研究[J].西北大學學報(自然科學版),2009,39(5):745-749. ZHU Feng, CHEN Li. Research on clustering algorithm based on fusion of ant colony and genetic algorithm[J].JournalofNorthwestUniversity(NaturalScience),2009,39(5):745-749.

[26] 宮改云,高新波,伍忠東.FCM聚類算法中模糊加權指數(shù)m的優(yōu)選方法[J].模糊系統(tǒng)與數(shù)學,2005,19(1):143 -148. GONG Gaiyun, GAO Xinbo, WU Zhongdong. An optimal choice method of parametermin FCM clustering algorithm[J].FuzzySystemsandMathematics,2005,19(1):143 -148.

Location Selection of LNG Powered Ship Bunkering Station in Main Line of Yangtze River

YANG Yongsheng, ZHOU Yamin, XU Bowei

(Logistics Research Centre,Institute of Logistics Science & Engineering, Shanghai Maritime University, Shanghai 201306, P.R.China)

Aiming at the location of LNG powered ship bunkering station in the main line of the Yangtze River, the improved ant colony algorithm (considering genetic variation) and the clustering analysis were combined. The clustering analysis can solve the problem of uncertainty and ambiguity in location selection, and the ant colony algorithm with genetic variation can effectively solve the problem of local optimal solution, due to the improper selection of the initial point in the traditional clustering analysis. The case studies show that comparing with the general ant colony clustering analysis, the ant colony clustering based on genetic variation shortens the number of iterations and reduces the amount of calculation; it is much closer to the global optimum, comparing with the traditional clustering analysis.

traffic and transportation engineering; LNG bunkering; main line of the Yangtze River; genetic variation; ant colony clustering; location problem

2015-06-23；

2015-12-01

高等學校博士學科點專項科研基金項目(20133121110005)；上海市科委科技創(chuàng)新行動計劃項目(14170501500)；上海市科委自然科學基金項目(15ZR1420200)；教育部人文社會科學研究青年基金項目(15YJC630145，15YJC630059)；上海海事大學研究生創(chuàng)新基金項目(YXR2015038)

楊勇生(1965—)，男，江西南昌人，教授，博士生導師，主要從事港口優(yōu)化、物流裝備自動化與智能控制、智能信息處理、智能機器人方面的研究。E-mail：yangys_smu@126.com。

10.3969/j.issn.1674-0696.2016.06.29

U651.2

A

1674-0696(2016)06-141-07