Baggrund:
Baggrund:Et containerskib har mange stuvningsregler og sødygtighedskrav, der gør det vanskeligt at beregne, hvor mange containere af forskellig type og vægt, det kan laste. Rederier og containerterminaler er derfor interesserede i hurtige og nøjagtige stuvningsalgoritmer, der kan beregne dette og samtidig producere stuvningsplaner for skibet. Da sådanne analyser i dag hovedsageligt foretages manuelt af stuvningsplanlæggere, har forstudier hos blandt andre Maersk og Unifeeder vist, at stuvningsalgoritmer kan føre til 5-10% mere last på skibene gennem mere effektive salgs- og driftsbeslutninger. Derudover kan algoritmerne bruges til at opnå optimalt trim for skibet med last frem for ballastvand. Casestudier har vist, at de 15 største rederier hermed kan spare €900M årligt i brændstof og reducere CO2-udledningerne svarende til 10% af Danmarks årlige udledning.
Projekt:
Projektet sammenkobler to forskningsresultater. Det ene er en stuvningsalgoritme, der hedder OptStow. OptStow er den eneste offentliggjorte algoritme, der er i stand til at løse en nøjagtig formulering af stuvningsproblemet kaldet RCSPP. Det andet er en effektiv AI-metodetil at løse en del af RCSPP. Ideen er at anvende denne AI-metode til at guide OptStows interne søgning i løsningsrummet. Hermed kan OptStows køretid reduceres uden, at kvaliteten af de beregnede stuvningsløsninger forringes.
Forventede resultater:
Vi forventer at kunne gøre OptStow og andre moderne stuvningsalgoritmer baseret på lignende principper 3-4 gange hurtigere. Men selv en fordobling af hastigheden er værdifuldt i praksis. Da sådanne algoritmer allerede er i daglig brug hos blandt andre Unifeeder kan projektets resultater hurtigt anvendes i praksis.