Optimization of fleet scheduling and cargo fixing under uncertainty

Abstract

This bachelor's thesis addresses fleet scheduling and cargo fixing under uncertainty in tramp shipping. The problem is formulated as a stochastic mixed integer linear program solved within a rolling horizon framework with look-ahead. Two policies are proposed: Sample Average Approximation (SAA), a Monte Carlo-based method generating scenarios of uncertain future spot cargo demand, and Value Function Approximation (VFA), a reinforcement learning-inspired method augmenting the model with a parameterized value function estimated via the Kiefer-Wolfowitz stochastic search procedure. Both methods were implemented in Python using Gurobi and tested numerically.

Tato bakalářská práce se zabývá plánováním flotily a výběrem zakázek za nejistoty v oblasti tramp shippingu. Problém je formulován jako stochastický smíšený celočíselný lineární program řešený v rámci klouzavého horizontu s výhledem do budoucnosti. Jsou navrženy dvě metody rozhodování: Sample Average Approximation (SAA), metoda zalo- žená na Monte Carlo simulaci generující scénáře nejisté budoucí poptávky po spotových nákladech, a Value Function Approximation (VFA), metoda inspirovaná zpětnovazebním učením, která rozšiřuje optimalizační model o parametrizovanou hodnotovou funkci od- hadovanou pomocí stochastického prohledávání dle Kiefera a Wolfowitzse. Obě metody byly implementovány v jazyce Python s využitím solveru Gurobi a numericky otestovány.