长江干线LNG动力船加注站选址研究

杨勇生，周亚民，许波桅

(上海海事大学 物流科学与工程研究院 物流研究中心,上海201306)

长江干线LNG动力船加注站选址研究

杨勇生，周亚民，许波桅

(上海海事大学 物流科学与工程研究院 物流研究中心,上海201306)

针对长江干线LNG动力船加注站的选址问题，将改进(引入遗传变异)的蚁群算法和聚类分析进行结合，聚类分析可以解决选址问题中的不确定性和模糊性，而引入遗传变异的蚁群算法又可以有效地解决传统聚类分析因初始点选取不当易陷入局部最优解的问题。实例验证表明：基于遗传变异的蚁群聚类与普通蚁群聚类分析相比缩短了迭代次数，减少了计算量，与传统聚类分析相比更接近于全局最优。

交通运输工程；LNG加注站；长江干线；遗传变异；蚁群聚类；选址问题

0 引 言

为大力响应节能减排政策，实现绿色航运的目的，众航运企业表示将积极参与到新节能技术的开发中，并研发新能源船型(LNG动力船)，推动未来航运市场向节能低碳的方向发展[1]。LNG动力船主要指以LNG作为主要动力燃料的船舶，包括柴油-LNG混合动力和纯LNG动力船舶。LNG作为动力燃料正在全球船用燃料市场进行有益的探索和尝试，为未来中国船用油市场展现了新的蓝图。LNG燃料动力船的发展动因主要基于以下几点[2]。

1)天然气的开发利用改变了全球能源结构，相比欧美发达国家能源消费结构中天然气占比25%左右，我国能源消费结构中天然气占比只有4.4%，具有很大的上升空间。

2)国际海事公约组织于2011年7月通过的MARPOL附则六提高了船舶的NOx和SOx的排放标准。结合长期投资的安全性和经济性，各方研究结果均倾向于使用LNG清洁燃料的方案以彻底解决SOx 和NOx排放问题。

3)LNG较好的经济性有助于船东降低燃料成本，在国际上，与传统柴油燃料相比，LNG作为动力燃料具有比较明显的价格优势，能有效降低成本。

与LNG燃料动力船在国外的快速发展相比，其在我国的发展主要存在如下问题：①缺乏相关的安全技术规范；②对船舶进行改造有资金困难；③船东普遍持观望态度，期待有关补贴扶持政策的出台；④基本无船舶专用加气站等配套设施。

针对这些问题，在2011—2014年间国务院，交通运输部，财政部，中国船级社又出台了包括《关于加快长江等内河水运发展的意见》《公路水路交通运输节能减排“十二五”规划》《天然气发展“十二五”规划》《交通运输部关于推进水运行业应用液化天然气的指导意见》《加快推进绿色循环低碳交通运输发展指导意见》《天然气燃料动力船舶规范》《水运行业应用液化天然气试点示范工作实施方案》《内河船型标准化补贴资金管理办法》等多个相关政策及指导意见(不包括地方海事局和交通部门的相关政策)。内河船舶“油改气”成为船舶制造业关注的焦点，LNG动力(含柴油-LNG混合动力)船舶已成为内河船型发展的重要方向。2014年我国内河船检数据如图1。

图1 2014年中国内河船检数据Fig.1 Inspection data of ship in China inland river in 2014

另据2014年中国港口年鉴数据显示，2013年长江干线规模以上港口完成货物吞吐量18.6亿吨，长江干线上游、中游、下游港口分别完成货物吞吐量1.64，4.75，12.18亿吨。货物吞吐量主要集中在中下游地区，而且由于葛洲坝和三峡大坝对LNG动力船过闸有硬性规定(LNG动力船必须排放掉所有LNG后才可过闸)[3]。因此笔者主要研究长江干流中下游地区LNG动力船加注站的选址问题。

设施的布局与选址是运筹和管理科学领域研究的一个重要研究方向，这类问题通过对现实生活中所要追求目标和环境影响因素的抽象，转变为半结构化或结构化的数学模型来进行求解，对实际中的应用提供决策的依据。现代选址研究起源于1909年。为解决如何为单个仓库选址，使得仓库到多个顾客间的总距离最小的问题，A.WEBER在欧氏空间里建立了一个1-中位问题的模型，这就是著名的Weber问题，选址问题的研究从上世纪60年代复兴发展至今，吸引了许多领域学者，问题的研究也呈现多样化[4]。基本的选址问题有覆盖问题,中值问题，中心问题。扩展的选址问题有渐进覆盖问题，备用覆盖问题，分层选址问题，竞争选址问题，多目标选址等[5]。

集覆盖问题最早由C.TOREGAS等[6]提出，用于解决消防中心和救护车等应急型公共服务设施选址问题。由于集合覆盖模型要覆盖所有的需求点，所需设施数目往往过大而超过实际承受能力，而且没有区分各个需求点，人们自然会想到先固定设施数目，再确定它们的位置使得覆盖尽可能多的需求点或需求量，这就是R.L.CHURCH等[7]提出的最大覆盖模型。S.L.HAKIMI[8]最早提出中值问题,中值问题的目标是使所有需求点到设施的平均权重距离最短(距离也可用交通、运输时间表示)，指出对于任一给定设施数P总存在至少一个最优解使得总距离最小。P-中心问题是研究如何在网络中对P个设施进行选址，使得任意需求点到与其距离最近设施的最大距离最小化的问题，也叫minmax问题。通常在军队、医院、紧急情况和有服务标准承诺的服务行业中使用，有时也称作经济平衡性，由S.L.HAKIMI于1964最先提出[8-9]。H.A.EISELT等[10]将渐进覆盖应用到集覆盖中，考虑了基于服务质量的渐进覆盖的集覆盖选址问题，给出了最小可接受服务水平的概念和不同的覆盖函数。E.T.ERDEMIR等[11]引入备用覆盖的思想，考虑地面救护车在用状态或者容量有限而不可用的状态下，对地面和空中医疗急救设施联合选址问题进行了研究，并以新墨西哥州的事故数据为例进行了案例分析。G.C.MOORE等[12]提出基于分级的带容量限制的覆盖选址模型，并用此模型求各级服务设施覆盖人口最大化问题。M.J.WIDENER等[13]针对飓风灾后救济商品分配问题，建立带容量限制的层级中位模型，与非层级的带容量限制的中位模型进行比较。结果表明该模型对于规划不同层级的设施，提供不同水平的救援服务具有实用性。T.DREZNER[14]引入效用函数，对已存服务站集合中新增一个服务站的问题进行研究，建立了确定性的竞争选址模型。S.JIUH-BIING等[15]以最小化网络配置成本，最大化运营利润及最大化客户满意率为目标，建立了多目标层级网络规划模型，对全球物流网络配置问题进行了研究。

针对LNG动力船加注站的选址问题，因其在我国发展时间较短，且现今交通运输部及各地方海事局都尚处在试点探索运营中，故并无确切的解决该问题的参考方案。而聚类分析法正符合LNG动力船加注站选址过程中存在的不确定性和模糊性的特征，且使用聚类分析与选址相关问题的大多是无水港的选址问题，因此笔者主要参考无水港选址问题的模型。针对无水港选址问题，CHANG Zheng等[16]使用了基于遗传模糊聚类的两阶段模型，对大连港的无水港选址问题进行了研究。黄力等[17]通过建立无水港选址评价的指标体系，运用层次分析法确定各指标权重,提出了无水港选址的合理方案。张兆民[18]分析了无水港选址的原则并从地区集装箱量和中转集装箱量两个方面提出了影响无水港选址布局的因素，最后使用模糊聚类方法对大连港口所依靠的内陆腹地进行无水港选址分析。项风等[19]将遗传算法和模糊C-均值聚类算法(FCM)相结合，对东北地区内陆港候选城市进行了聚类分析，并对内陆港的建设提出了建议。

1 LNG动力船加注方案

LNG燃料动力船在国外自20世纪末开始得到发展，目前特别在欧洲(北欧)、美国等地的沿海地区得到了较好的发展，其加注模式(图2)主要包括[20-22]：①采用小型的LNG运输船对LNG动力船进行加注；②利用LNG槽罐运输车进行加注；③通过码头岸上固定的设施管线对LNG动力船进行加注。各个加注方式的优缺点如表1。

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

在交通运输部发布的《水运行业应用LNG首批试点示范项目名单》中，所有试点项目都采用的是岸基式LNG加注站或趸船式LNG加注站。但无论是岸基式或趸船式都在试点探索运营中，并无定论哪种方法更优，因此笔者不考虑加注站的建站方式，只考虑选址问题。

2 问题描述及模型的建立

2.1 LNG动力船加注站选址影响因素分析

LNG加注站是为内河中LNG动力船服务的，应充分考虑当地的港口吞吐量，经济发展水平及国内外贸易量等一系列选址相关指标[19,23]。因此 ,拟选择以下因素作为LNG动力船加注站选址的评价指标，见图3。

图3 内河LNG加注站选址指标体系Fig.3 Index system for location selection of LNG bunkering station in inland river

因为所选指标数据不处于同一量纲，所以需首先对数据进行标准化处理：

(1)

式中：Zij为标准化后的变量值；Xij为实际变量值；Xi为数学期望；Si为标准差。

2.2 基于遗传变异改进的蚁群聚类分析

聚类分析法正符合LNG动力船加注站选址过程中存在的不确定性和模糊性的特征，但传统的聚类算法采用随机选取聚类中心点，易使迭代过程陷入局部最优解，而蚁群算法是一种全局优化的启发式算法。根据聚类中心的信息量把周围数据归并到一起，从而得到聚类分类[24]。基于遗传变异改进的蚁群聚类算法通过引入遗传变异因子减少计算量，减少迭代次数，可以有效地解决传统聚类易陷入局部最优解的问题[25-26]。笔者采用基于遗传变异改进的蚁群聚类分析法，对LNG动力船加注站的规划选址问题进行研究，探讨LNG动力船加注站的选址问题。

(2)

式中：如果Pij(t)大于阀值P0，就将xi合并到Cj内；τij(t)为时刻t数据xi到xj路径上残留的信息量；α为信息启发因子；ηij(t)为能见度函数；β称为期望启发因子；ηij=1/dij，其中dij表示数据对象xi到xj之间的加权欧氏距离：

(3)

当所有蚂蚁完成一次聚类之后，重新计算各个聚类中心及每个数据到聚类中心的信息量：

(4)

(5)

(6)

式(6)称为蚁量模型，其中Q为常量，其大小影响算法的收敛速度，可取值为1。算法一直进行直至聚类中心稳定或者达到预期最大迭代次数为止。

基于遗传变异改进的蚁群聚类算法中遗传操作设计如下：

1)染色体编码

笔者使用聚类中心V={vi|vi∈RP,i=1,2,…,c}作为染色体的浮点数编码方法。把一条染色体看成由C个聚类中心vi(i=1,2,…,c)组成的一个串：chr=v1v2…vc，由于每个聚类中心有S个特征，因此一条染色体是长度为C×S的浮点码串。假设种群大小为N，则要按以上方法生成N条染色体来组成初始种群。

2)适应度函数

适应度函数的选取要与要解决的问题相结合，由目标函数决定，文中适应度函数f定义如下：

(7)

式中：Dmin为最小类间距，而C(x)为平均类内距，其定义分别如下：

(8)

(9)

式中：ci是第i类的聚类中心；ni是第i类的样本数；xj是第i类的第j个样本。

3)选择算子

选择算子采用保留精英个体的轮盘赌算法。

4)交叉算子

交叉算子采用单点交叉，但是要判断染色体的有效性，即有可能子代没有包括所有类别数。例如，如果父代个体 ( 1 2 2 3 2 1)和 ( 1 3 3 2 2 1)进行单点交叉，交叉的位置为3，那么交叉后的个体为 ( 1 2 2 2 2 1)和 ( 1 3 3 3 2 1)，第一个子个体所有样本属于的类别数就是2而不是3。所以我们必须重复运算交叉算子，直到各个子个体包含C个类别。

5)变异算子

由于在选择机制中采用了保留最佳样本方式，为保持群体内个体的多样性，我们采用连续多次对换的变异技术，使可行解有较大顺序排列上的变化。若发生变异，则用随机方法产生交换次数K，对所需变异操作的染色体进行K次对换(对换的两码位也是随机产生的)。

综上，基于遗传变异改进的蚁群聚类算法主要流程如图4。

图4 改进的蚁群聚类算法流程Fig.4 Flow chart of the improved ant colony clustering algorithm

使用改进的蚁群聚类进行聚类分组后，利用式(10)选取最佳候选地址：

(10)

3 实例分析

选取长江中下游主要港口城市23个，太仓、张家港、常熟、南通、无锡、常州、泰州、镇江、扬州、南京、马鞍山、芜湖、铜陵、池州、安庆、九江、黄冈、鄂州、黄石、武汉、城陵矶、荆州、宜昌。由于本文各评价指标的性质不同，且具有不同的度量和数量级，各指标之间的水平相差较大，如果直接使用原始数据进行聚类分析，会突出高数值指标的作用，相对削弱数值水平较低的指标的作用。因此，为了保证聚类结果的可靠性，对各候选址的原始指标数据进行标准化处理，如表2。根据表2分别用改进的蚁群聚类算法、普通的蚁群聚类算法、传统的聚类算法对标准化后的数据进行聚类分析，得到表3、表4。

表2 候选址指标数据标准化

数据来源：《2014年中国港口年鉴》，《2014年各个城市国民发展与统计公报》，Google Earth。

表3 3种聚类方法的结果对比

注：表中数据为10次平均的数据。

表4 两种蚁群聚类的对比

由表3、表4可以看出，与普通的蚁群聚类相比，因为引入了遗传变异因子，改进的蚁群聚类效果要更好，在同等聚类结果条件下，改进的蚁群聚类也减少了运行时间和迭代次数。而与传统的聚类算法聚类相比，因为考虑了全局性，改进的蚁群聚类效果相对要好得多。传统聚类因为初始聚类中心固定，故迭代次数很少就达到了最优，但此时的最优为局部最优。

由3种聚类方法最终得到的分组结果如表5。从表5可知，改进的蚁群聚类算法相比其他两种聚类算法的效果要好。根据式(4)计算出最终备选地址。按照现行货运中长途距离为250 km，从长江入海口到长江中游宜昌航道里程1 669 km，1 669/250=7，即选取无锡、南京、芜湖、安庆、武汉、城陵矶、宜昌7个城市作为LNG动力船加注站的选址。而事实上，在交通运输部发布的《水运行业应用LNG首批试点示范项目名单》中，要求在湖北宜昌试点建设岸基式水/陆兼用的LNG加注站；在安徽新建1座岸基式LNG加注站，同时具备陆域仓储转运功能；在长江干线江苏段试点建设1座岸基式LNG加注站。以上试点项目皆与笔者所得的LNG加注站的选址位置相同或相近，因此本文算法无论是从理论上还是实际运行中都具备一定的意义。

表5 最终聚类分组情况

4 结 论

笔者针对内河LNG动力船加注站选址的问题进行了研究。首先对影响加注站选址的因素进行了分析，并选取一系列指标作为影响因素，将定性问题转化为定量问题，并将不同量纲的数据进行标准化处理。然后在基本蚁群聚类算法的基础上引入遗传变异因子，设计了基于遗传变异改进的蚁群聚类算法。通过将该算法与传统聚类算法，普通蚁群聚类算法和实际情况进行对比，得出以下结论：

1)基于遗传变异改进的蚁群聚类算法是求解LNG动力船加注站选址问题的有效算法。

2)该算法可以有效地解决传统聚类分析因初始点选取不当易陷入局部最优解的问题。

3)与普通蚁群聚类分析相比，缩短了迭代次数，减少了计算量，与传统聚类分析相比更接近于全局最优。

笔者对内河LNG动力船加注站选址问题进行了深入研究，但还需考虑更多的影响因素，此外还需设计一个合理的评价选择体系，下一步研究将考虑加入港口城市周围有无LNG工厂等影响因素，并引入合适的评价选择体系，以期进一步提升理论模型对实践的指导意义。

[1] 周淑慧,沈鑫,刘晓娟,等.LNG在我国内河水运领域的应用探讨[J].天然气工业,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 . 中国LNG燃料动力船发展前景分析[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] 左良栋.LNG动力船推广的喜与忧[N/OL].中国水运报.(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] 万波.公共服务设施选址问题研究[D].武汉:华中科技大学,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] 黄力,郑金海,王伟. 基于层次分析法的无水港选址研究[J].物流技术,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] 张兆民.模糊 C-均值聚类在无水港选址中的应用[J].上海海事大学学报,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] 项风,赵旭,邹伟宏. 基于遗传模糊聚类的东北内陆港选址规划[J]. 水运工程,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] 石国政,张晖,范洪军. 天然气燃料动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] 江苏海事局, 中国船级社. LNG 燃料动力船舶加注模式及加注站研究报告[R].南京:江苏海事局,2013. Jiangsu Maritime Safety Administration, China Classification Society.FillingModelandFillingStationResearchReportoftheLNGFueledShip[R]. Nanjing: Jiangsu Maritime Safety Administration,2013.

[22] 毛海军,王勇,杭文,等.基于模糊聚类算法的多配送中心选址优化方法[J].东南大学学报(自然科学版),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] 周新华,黄道. 一种基于蚁群算法的模糊C均值聚类[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] 李泓泽,郭森,王宝. 基于遗传改进蚁群聚类算法的电力客户价值评价[J].电网技术,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,陈莉. 蚁群与遗传算法融合的聚类算法研究[J].西北大学学报(自然科学版),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] 宫改云,高新波,伍忠东.FCM聚类算法中模糊加权指数m的优选方法[J].模糊系统与数学,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

高等学校博士学科点专项科研基金项目(20133121110005)；上海市科委科技创新行动计划项目(14170501500)；上海市科委自然科学基金项目(15ZR1420200)；教育部人文社会科学研究青年基金项目(15YJC630145，15YJC630059)；上海海事大学研究生创新基金项目(YXR2015038)

杨勇生(1965—)，男，江西南昌人，教授，博士生导师，主要从事港口优化、物流装备自动化与智能控制、智能信息处理、智能机器人方面的研究。E-mail：yangys_smu@126.com。

10.3969/j.issn.1674-0696.2016.06.29

U651.2

A

1674-0696(2016)06-141-07