Ottimizzazione del Percorso con Stazioni Mobili
Il settore della logistica urbana si trova a un bivio cruciale. Spinto da politiche di decarbonizzazione e da una domanda crescente di servizi sostenibili, il settore sta affrontando la sfida di modernizzare le proprie flotte di consegna. I veicoli elettrici (EV) sono emersi come una soluzione chiave, promettendo di ridurre le emissioni e il rumore nelle città. Tuttavia, la loro adozione di massa si scontra con un ostacolo persistente: l’infrastruttura di ricarica. Le stazioni fisse, spesso scarse o mal posizionate, costringono i veicoli a deviare dai loro percorsi ottimali, aumentando le distanze, i tempi di consegna e il consumo energetico. Questo dilemma ha frenato l’efficienza delle flotte elettriche, minando uno dei loro principali vantaggi.
In questo contesto, una ricerca pionieristica condotta da Ma Yanfang, Xue Jinzhao e Li Baoyu della Scuola di Economia e Gestione dell’Università di Tecnologia di Hebei, insieme a Yang Yifu del Centro di Ricerca per la Logistica dell’Università di Nankai, propone una soluzione radicalmente diversa: smettere di costringere i veicoli a raggiungere le stazioni di ricarica e, invece, portare le stazioni di ricarica ai veicoli. Il loro studio, pubblicato sulla rivista Computer Engineering and Applications, introduce un modello innovativo che utilizza stazioni di ricarica mobili posizionate strategicamente per allinearsi con i percorsi di consegna giornalieri, trasformando l’infrastruttura di ricarica da un ostacolo statico a un componente dinamico e adattivo della catena di approvvigionamento.
L’approccio, noto come Problema di Localizzazione e Pianificazione del Percorso per Stazioni di Ricarica Mobili (ELRP), non è semplicemente un esercizio di matematica complessa. È una risposta pratica a una necessità del mondo reale. Le aziende di logistica, specialmente nel settore del commercio elettronico, affrontano una domanda altamente volatile. I percorsi di consegna cambiano ogni giorno in base al volume e alla posizione degli ordini. Una rete di ricarica fissa, per quanto densa, non può adattarsi a questa dinamica. Il modello dei ricercatori offre un’alternativa flessibile: un fornitore di servizi di ricarica esterno può dispiegare unità mobili prima di ogni ciclo di distribuzione, posizionandole in punti predeterminati che coincidono con i percorsi pianificati. Una volta in posizione, queste stazioni di ricarica rimangono fisse durante la giornata di consegna, eliminando la necessità di complessi sistemi di inseguimento in tempo reale tra veicoli e unità mobili, riducendo così significativamente i costi operativi e la complessità.
L’essenza del lavoro risiede in un algoritmo a due fasi, battezzato Genetic-RSI, che scompone il problema complesso in due passaggi gestibili. La prima fase impiega un algoritmo genetico (GA), una tecnica ispirata all’evoluzione naturale, per generare un insieme iniziale di percorsi di consegna altamente efficienti. Questo algoritmo funziona come un processo evolutivo: crea una “popolazione” di percorsi possibili, li valuta per efficienza (distanza totale), combina le migliori caratteristiche di percorsi diversi (“crossover”) e introduce piccole variazioni casuali (“mutazione”). Attraverso molteplici generazioni, converge verso una soluzione che minimizza la distanza totale percorsa, rispettando i vincoli di capacità di carico dei veicoli, ma senza considerare ancora lo stato della batteria. Questo approccio garantisce che la base dell’operazione logistica sia il più efficiente possibile fin dall’inizio.
La vera innovazione avviene nella seconda fase, con l’algoritmo RSI (Recharge Station Insertion). Qui entra in gioco l’intelligenza dietro la mobilità. L’algoritmo RSI prende i percorsi ottimali generati dalla fase genetica e determina dove e come inserire le stazioni di ricarica mobili. Non si tratta di costringere i veicoli a fare lunghe deviazioni. Invece, l’algoritmo identifica “zone di inserimento fattibili” lungo ogni percorso, che sono segmenti in cui una stazione di ricarica può essere posizionata senza aggiungere una distanza significativa al viaggio. Se più veicoli hanno bisogno di ricaricare in un’area geografica comune, l’algoritmo esplora la possibilità di consolidare le loro soste, consentendo a diversi veicoli di condividere una singola stazione mobile. Questo consolidamento è fondamentale, poiché riduce il numero totale di stazioni necessarie, ottimizzando così l’uso delle risorse e minimizzando i costi di infrastruttura.
I risultati della ricerca, testati su set di dati di riferimento ampiamente utilizzati nel campo della logistica, sono convincenti. Lo studio rivela che l’aumento della distanza totale di distribuzione, causato dalla necessità di visitare queste stazioni mobili, è in media inferiore al 5%. Nel mondo della logistica, dove ogni punto percentuale di efficienza si traduce in risparmi di carburante, tempo ed emissioni, questa cifra è straordinariamente bassa. Significa che le flotte elettriche possono operare con un’autonomia estesa e un’elevata efficienza, con solo un piccolo compromesso sulla distanza totale percorsa. Per un responsabile logistico, questo scambio è altamente attraente, poiché consente di completare cicli di consegna più lunghi e complessi senza la necessità di scambiare batterie o tornare a un deposito centrale.
Per validare la superiorità del loro approccio, i ricercatori hanno confrontato l’algoritmo Genetic-RSI con altre due metodologie ben consolidate: l’ottimizzazione per sciami di particelle (PSO) e il ricottura simulata (SA). Il confronto è stato chiaro: l’algoritmo a due fasi di Ma e dei suoi colleghi ha superato costantemente i suoi concorrenti. Rispetto al PSO, il Genetic-RSI ha ottenuto un miglioramento medio del -4,04%. Rispetto al SA, il miglioramento è stato del -3,65%. Questi valori negativi indicano che il nuovo algoritmo trova soluzioni con una distanza totale più breve, dimostrando la sua efficacia nel risolvere il problema ELRP. Questo vantaggio deriva dalla strategia di decomposizione: separando la pianificazione del percorso dalla localizzazione delle stazioni di ricarica, ogni fase può specializzarsi e ottimizzarsi in modo più efficace, evitando i colli di bottiglia che sorgono quando si cerca di risolvere tutto contemporaneamente.
Oltre ai numeri, lo studio offre preziose prospettive per il processo decisionale aziendale. Un risultato cruciale è l’importanza della qualità dell’input per l’algoritmo RSI. Quando viene alimentato con percorsi iniziali di alta qualità, come le soluzioni ottimali note per i problemi di routing, l’algoritmo richiede meno operazioni di consolidamento delle stazioni e produce risultati finali di migliore qualità. Ciò implica che le aziende che investono in sofisticati sistemi di pianificazione dei percorsi vedranno moltiplicati i benefici dell’implementazione di una rete di ricarica mobile.
Un altro punto di riflessione è l’equilibrio tra investimento in infrastrutture ed efficienza operativa. Lo studio ha scoperto che aumentare il numero di stazioni mobili disponibili riduce la distanza totale di consegna, ma solo fino a un certo punto. Oltre una soglia critica, tipicamente tra tre e quattro stazioni per gli scenari testati, il beneficio marginale diminuisce. Il costo di dispiegare un’altra stazione supera il risparmio di distanza conseguito. Questa scoperta ha implicazioni dirette per i modelli di business: le aziende non dovrebbero perseguire il dispiegamento del maggior numero possibile di caricabatterie, ma ottimizzare il numero in base alla densità dei clienti, alla complessità dei percorsi e al volume giornaliero delle consegne.
La ricerca ha anche esplorato l’impatto del tasso di consumo energetico dei veicoli. Intuitivamente, si potrebbe supporre che veicoli più efficienti, con un consumo inferiore per chilometro, rendano sempre meglio. Tuttavia, lo studio ha rivelato una relazione più sottile. Mentre un consumo inferiore estende l’autonomia e riduce la frequenza di ricarica, può portare a soste di ricarica subottimali quando è richiesto il consolidamento. Un veicolo con un’autonomia maggiore potrebbe essere deviato verso una stazione di ricarica più lontana per condividere con altri, risultando in una deviazione più lunga. Al contrario, un veicolo con un consumo più elevato, sebbene debba ricaricarsi più spesso, è limitato a utilizzare stazioni più vicine al suo percorso, minimizzando così la distanza di deviazione. Questa scoperta controintuitiva sottolinea la necessità di un design di sistema olistico, dove non si ottimizzi un componente isolato, ma si consideri l’intero sistema.
Dal punto di vista della sostenibilità, il modello di ricarica mobile è un potente catalizzatore per la decarbonizzazione urbana. Consentendo cicli di consegna più lunghi ed efficienti per i veicoli elettrici, riduce la dipendenza dai veicoli a combustione interna nei centri delle città. Inoltre, essendo mobili, queste stazioni possono essere alimentate da fonti di energia rinnovabile o dispiegate in aree in cui gli aggiornamenti della rete elettrica non sono fattibili, aumentando la flessibilità del dispiegamento dell’infrastruttura verde.
Le applicazioni potenziali vanno oltre la logistica del commercio elettronico. I servizi di consegna urbana, la logistica alimentare e persino la raccolta dei rifiuti municipali potrebbero trarre beneficio da questo approccio. Ad esempio, un dipartimento di igiene urbana potrebbe dispiegare stazioni di ricarica mobili in stazioni di trasferimento strategiche, consentendo ai camion della spazzatura elettrici di ricaricarsi durante il turno senza dover tornare a un deposito centrale. Allo stesso modo, le piattaforme di consegna di cibo potrebbero utilizzare stazioni di ricarica mobili vicino ai cluster di ristoranti ad alta domanda, assicurando che scooter e biciclette elettrici rimangano operativi durante le ore di punta.
Lo studio apre anche nuove strade per la collaborazione tra aziende di logistica e fornitori di infrastrutture. Invece di sopportare l’intero costo dell’infrastruttura di ricarica, le aziende possono adottare un modello basato sui servizi, acquistando la ricarica mobile come un servizio (Charging-as-a-Service) da fornitori specializzati. Ciò trasforma la spesa in conto capitale in una spesa operativa, rendendo l’elettrificazione più accessibile per le piccole e medie imprese. La ricerca suggerisce che questo modello è fattibile finché le aziende sono disposte ad accettare un aumento moderato della distanza di consegna, fino all’8%, in cambio di un accesso affidabile alla ricarica e una riduzione del tempo di inattività dei veicoli.
Guardando al futuro, i ricercatori identificano diverse direzioni per lavori futuri. Una è l’integrazione di finestre temporali e strategie di ricarica parziale, che renderebbe il modello più applicabile a scenari del mondo reale in cui i clienti si aspettano consegne entro specifici intervalli di tempo. Un’altra è l’estensione dell’algoritmo per gestire flotte eterogenee, inclusi veicoli con diverse capacità della batteria, limiti di carico e profili di consumo energetico. Inoltre, l’integrazione di dati sul traffico in tempo reale e modelli di domanda stocastica potrebbe migliorare ulteriormente la robustezza del modello.
La pubblicazione di questa ricerca su Computer Engineering and Applications segna un traguardo significativo nel campo della logistica sostenibile. Dimostra che le sfide dell’adozione dei veicoli elettrici non sono insormontabili, ma richiedono pensiero innovativo e collaborazione interdisciplinare. Riformulando l’infrastruttura di ricarica come un sistema dinamico e adattabile, invece che una rete statica, Ma Yanfang, Xue Jinzhao, Li Baoyu e Yang Yifu hanno fornito un piano per la prossima generazione di consegna urbana.
Il loro lavoro sottolinea una verità fondamentale: il futuro della logistica non è solo elettrico, è intelligente. Il successo delle flotte di veicoli elettrici dipenderà non solo dalla tecnologia delle batterie, ma dalla sofisticazione dei sistemi che le gestiscono. Man mano che le città continuano a crescere e le pressioni ambientali aumentano, soluzioni come l’ottimizzazione delle stazioni di ricarica mobili diventeranno strumenti essenziali per costruire catene di approvvigionamento urbane resilienti, sostenibili ed efficienti.
Ma Yanfang, Xue Jinzhao, Li Baoyu, Yang Yifu. Università di Tecnologia di Hebei, Università di Nankai. Computer Engineering and Applications, doi:10.3778/j.issn.1002-8331.2303-0263