Ανάλυση και μελέτη της ναυλαγοράς των car carriers, ανάπτυξη αλγορίθμου βελτιστοποίησης των δρομολογίων πλοίων τύπου PCTC εντός ενός δικτύου ως προς το κόστος και το κέρδος και πρακτική εφαρμογή με χρήση γενετικών αλγορίθμων. Μέρος Β.

Abstract

Η διπλωματική αυτή εργασία αποτελεί το δεύτερο από τα δύο μέρη μιας ευρύτερης μελέτης της ναυλαγοράς των Car Carriers που πραγματοποιήθηκε σε συνεργασία με τον συμφοιτητή Παναγιώτη Λαμπετίδη. Σκοπό της διπλωματικής εργασίας αποτελεί η ανάλυση της αγοράς των Car Carriers, η ανάπτυξη ενός αλγόριθμου βελτιστοποίησης των δικτύων των διαχειριστριών ναυτιλιακών εταιριών που δραστηριοποιούνται στη συγκεκριμένη αγορά καθώς και τη πρακτική εφαρμογή (επίλυση ενός τέτοιου προβλήματος) με χρήση γενετικών αλγορίθμων. Στο δεύτερο μέρος, σε πρώτη φάση καταστρώνεται το μαθηματικό μοντέλο το οποίο περιγράφει τις συναρτήσεις εσόδων, εξόδων καταλήγοντας τελικά στην συνάρτηση κέρδους που περιγράφει την ναυλαγορά των Car Carriers. Έπειτα γίνεται περιγραφή του λογισμικού βελτιστοποίησης που χρησιμοποιήθηκε για την πρακτική εφαρμογή το οποίο έχει ως βάση τους γενετικούς αλγόριθμους. Τέλος, εισάγονται τα απαραίτητα δεδομένα και εξάγονται τα αντίστοιχα αποτελέσματα. Όπως προκύπτει και από τα συμπεράσματα της διπλωματικής εργασίας, η χρήση αυτής της μεθόδου οδηγεί σε σημαντική βελτίωση του οικονομικού αποτελέσματος.

This thesis is the first of two parts of a larger study of the Car Carrier freight market conducted in collaboration with my fellow student Panagiotis Lampetidis. The aim of this thesis is to analyze the Car Carrier market, the development of an optimization algorithm for managing networks of shipping companies operating in this market and additionally its practical application (solving a real problem) using the optimization techniques of genetic algorithms. At the beginning of the second part of this thesis, a mathematical model is created, describing the income, the outcome and eventually the gain function that correctly addresses the Car Carrier freight market. Furthermore, the software used for the optimization of the above mentioned gain function is thoroughly described. Its functional core utilizes the genetic algorithm theory to solve real life problems. Last but not least, the input is being added and consequently the results are extracted proving that the methodology used ameliorates the company’s gains.