🤖 AI

Optimizing Container Loading and Unloading through Dual-Cycling and Dockyard Rehandle Reduction Using a Hybrid Genetic Algorithm

Este artículo propone un Algoritmo Genético híbrido (QCDC-DR-GA) que integra el Ciclo Dual de Grúas Pórtico con la minimización del reacomodo en el patio para optimizar de manera integral la manipulación de contenedores, demostrando una reducción del 15–20% en el tiempo total de operación para buques grandes en comparación con los métodos aislados existentes.

Autores originales: Md. Mahfuzur Rahman, Md Abrar Jahin, Md. Saiful Islam, M. F. Mridha

Publicado 2026-08-19

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Md. Mahfuzur Rahman, Md Abrar Jahin, Md. Saiful Islam, M. F. Mridha

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los puertos son las bulliciosas puertas de entrada donde las mercancías del mundo se mueven de los barcos a la tierra y viceversa. En el corazón de esta operación se encuentran enormes grúas que levantan contenedores pesados de los buques y los colocan en el muelle, o viceversa. Durante décadas, la forma estándar en que estas grúas funcionaban era un proceso secuencial simple: la grúa descargaba una sección del barco por completo, regresaba vacía al muelle y solo entonces comenzaba a cargar nuevos contenedores en el barco. Este método, conocido como ciclo simple, significaba que la grúa pasaba una cantidad significativa de tiempo viajando de un lado a otro sin llevar carga, esencialmente desperdiciando tiempo y combustible. Un enfoque más eficiente, llamado ciclo dual, permite que la grúa recoja un contenedor para descargar mientras simultáneamente prepara un contenedor para cargar, de modo que nunca tenga que viajar vacía. Sin embargo, hacer que esto funcione sin problemas requiere una planificación cuidadosa. Si la grúa descarga contenedores en un orden específico para maximizar estos movimientos duales eficientes, podría crear inadvertidamente un desorden en el muelle. Para cargar el siguiente contenedor, los trabajadores podrían tener que excavar entre una pila de otras cajas para encontrar la que necesitan, un proceso lento llamado remanipulación. Durante mucho tiempo, los planificadores portuarios trataron estos dos desafíos —cómo se mueve la grúa y cómo se apilan los contenedores en el muelle— como problemas separados para ser resueltos uno tras otro.

Un equipo de investigadores de Bangladesh y los Estados Unidos ha desarrollado una nueva forma de resolver estos problemas juntos. Crearon un algoritmo computacional que no solo observa el horario de la grúa o la disposición del muelle de forma aislada, sino que los trata como un rompecabezas único e interconectado. Los investigadores se dieron cuenta de que el orden en el que una grúa descarga un barco dicta directamente qué contenedores se necesitan del muelle y en qué secuencia. Si el muelle no está dispuesto para coincidir con esa secuencia específica, la grúa se ve obligada a esperar o a mover contenedores adicionales, cancelando el tiempo ahorrado por el ciclo dual eficiente. Para probar esto, el equipo construyó un algoritmo genético híbrido, un tipo de programa informático inspirado en la selección natural que evoluciona mejores soluciones a lo largo de muchas generaciones. En lugar de utilizar una única lista de instrucciones, su programa utiliza un enfoque de doble capa: una parte gestiona la secuencia de descarga del barco, mientras que la otra parte gestiona la disposición de los contenedores en el muelle. Estas dos partes evolucionan juntas, ajustándose constantemente para encontrar una combinación donde la grúa se mueva eficientemente y el muelle requiera una excavación mínima.

Los investigadores probaron su método contra cuatro estrategias existentes utilizando simulaciones de seis tamaños de barcos diferentes, que van desde embarcaciones pequeñas hasta masivos buques de contenedores ultra grandes. En cada escenario, su nuevo algoritmo superó a los métodos antiguos. Al compararse con las mejores técnicas existentes, el nuevo enfoque redujo el tiempo total requerido para cargar y descargar un barco hasta en un 30.1 por ciento, con una mejora promedio de aproximadamente un 20 por ciento para los barcos más grandes. Las pruebas estadísticas confirmaron que estas mejoras no se debieron al azar, sino que fueron un resultado real del nuevo método. El estudio demostró que intentar optimizar el horario de la grúa y la disposición del muelle por separado conduce a resultados subóptimos; las dos decisiones están demasiado vinculadas para ser manejadas de forma independiente. Al resolverlas simultáneamente, el algoritmo encontró horarios que fueron significativamente más rápidos y requirieron muchos menos movimientos innecesarios de contenedores.

Este trabajo sugiere que los puertos pueden volverse mucho más eficientes sin construir nueva infraestructura ni comprar equipos nuevos y costosos. La solución depende enteramente de una mejor planificación y software. Los investigadores demostraron que, al reorganizar la forma en que se apilan los contenedores en el muelle para que coincidan con el ritmo de descarga de la grúa, los puertos pueden reducir drásticamente el tiempo que los barcos pasan esperando en la terminal. Esto es particularmente importante a medida que los barcos continúan creciendo, transportando decenas de miles de contenedores. El algoritmo opera dividiendo el barco en secciones manejables, resolviendo el rompecabezas para cada sección y luego combinando los resultados. Los hallazgos indican que este enfoque integrado podría ahorrar a los puertos millones de dólares en costos operativos y combustible, además de acelerar el flujo global de mercancías. El estudio concluye que el futuro de la eficiencia portuaria no reside en mejoras aisladas, sino en algoritos que comprendan la compleja danza entre el barco, la grúa y el muelle como un sistema único y unificado.

Resumen Técnico: Optimización de la Carga y Descarga de Contenedores mediante Ciclo Dual y Reducción de Remanipulaciones en el Patio de Acopio

1. Planteamiento del Problema

El artículo aborda el problema NP-duro de optimizar las operaciones de manipulación de contenedores en los puertos marítimos. Específicamente, se dirige al desafío crítico de la interdependencia entre dos retos operativos distintos pero acoplados:

Ciclo Dual de Grúa de Muelle (QCDC - Quay Crane Dual-Cycling): Maximizar el número de ciclos simultáneos de carga y descarga para reducir el tiempo de permanencia del buque. En un Ciclo Único (SC) estándar, una grúa descarga una pila y regresa vacía antes de cargar. En el Ciclo Dual (DC), la grúa descarga una pila e inmediatamente carga un contenedor preparado, eliminando el viaje de retorno vacío.
Minimización de la Remanipulación en el Patio de Acopio (Dockyard Rehandle Minimization): Reducir el número de veces que los contenedores deben ser reubicados (remanipulados) en el patio para acceder a un contenedor objetivo que no se encuentra en la parte superior de su pila.

El Conflicto Central: El artículo identifica que estos dos objetivos suelen optimizarse de forma aislada en la literatura existente. Una secuencia de descarga diseñada para maximizar los DC puede demandar inadvertidamente contenedores del patio en un orden que fuerce excesivas remanipulaciones. Por el contrario, un diseño de patio optimizado para un mínimo de remanipulaciones puede no alinearse con la secuencia de descarga requerida para maximizar los DC. Los autores argumentan que tratar estos como etapas separadas y secuenciales crea una "brecha de retroalimentación" donde la optimización de una métrica degrada la otra.

2. Metodología: QCDC-DR-GA

Para resolver este conflicto, los autores proponen QCDC-DR-GA (Quay Crane Dual Cycle – Dockyard Rehandle Genetic Algorithm), un Algoritmo Genético (GA) híbrido que realiza la optimización conjunta tanto de la secuencia de descarga como de la configuración del patio dentro de un único ciclo de búsqueda.

2.1. Formulación Matemática

El problema se modela como un problema de programación de taller de dos máquinas (two-machine flow-shop scheduling). El objetivo es minimizar el tiempo total de finalización ( $T$ ), definido como una suma ponderada de:

$w_s$ : El número de Ciclos Únicos.
$w_d$ : El número de Ciclos Duales.
$R$ : El número total de remanipulaciones en el patio.

$T = \alpha w_s + \beta w_d + \gamma R$

Donde $\alpha$ , $\beta$ y $\gamma$ representan los costos de tiempo (en segundos) para ciclos únicos, ciclos duales y remanipulaciones, respectivamente.

2.2. Estructura del Algoritmo Genético Híbrido

El algoritmo emplea una representación de cromosoma mixto para manejar la naturaleza distinta de las dos variables de decisión:

Componente A1 (Cromosoma 1D): Codifica la secuencia de descarga de las pilas del buque (una permutación de los índices de las pilas).
Componentante A2 (Cromosoma 2D): Codifica la disposición de los contenedores en el patio (una matriz que representa las posiciones y niveles de las pilas para los contenedores a cargar).

2.3. Operadores Genéticos Especializados

Para mantener la viabilidad y la diversidad, el GA utiliza operadores adaptados para cada componente del cromosoma:

Cruce (Crossover):
- 1D (Descarga): Utiliza un Cruce de Dos Puntos con un mecanismo de reparación para asegurar permutaciones válidas (sin índices de pila duplicados).
- 2D (Patio): Utiliza un Cruce de Subcadenas 2D, inspirado en problemas de asignación de puertas de aeronaves. Esto implica intercambios fila por fila y columna por columna, seguidos de un paso de reparación para asegurar que cada contenedor sea asignado exactamente una vez y se respeten los límites de altura de las pilas.
Mutación:
- 1D: Utiliza Mutación por Intercambio (swap mutation) (intercambio de dos genes).
- 2D: Utiliza una Mutación de Intercambio de Dos Puntos 2D, intercambiando genes en coordenadas específicas de fila/columna para introducir diversidad espacial en el diseño del patio.
Selección y Terminación: El algoritmo utiliza la Selección de Ruleta con una estrategia de Preservación de Élite (20% de la población). La terminación ocurre tras un número máximo de generaciones o si la mejor solución permanece sin cambios durante 100 iteraciones consecutivas.

2.4. Supuestos Operativos

El modelo asume:

Los contenedores para la carga están disponibles en el lado del muelle tras su solicitud.
Las operaciones se realizan por filas (el ciclo dual está restringido a contenedores dentro de la misma fila del buque).
Las remanipulaciones en el patio siguen una estrategia de "pila más baja más cercana" para los contenedores desplazados.
No se consideran retrasos externos (por ejemplo, indisponibilidad de vehículos).

3. Contribuciones Clave

El artículo detalla siete contribuciones específicas:

Validación Empírica: Establece una correlación entre la secuencia de descarga de las pilas y la ocurrencia de remanipulaciones en el patio, específicamente dentro de las estrategias de ciclo dual.
Marco Integrado: Desarrolla un algoritmo integral que optimiza conjuntamente las operaciones de QCDC y del patio, yendo más allá de la optimización secuencial o aislada.
GA Híbrido Novedoso: Introduce una arquitectura de GA específica capaz de manejar estructuras de cromosomas mixtos 1D y 2D simultáneamente.
Operadores Especializados: Propone operadores de cruce y mutación adaptados (Cruce de Subcadenas 2D y Mutación de Intercambio 2D) diseñados específicamente para las restricciones de manipulación de contenedores.
Análisis de Parámetros: Realiza un análisis exhaustivo para identificar los parámetros computacionales más influyentes (por ejemplo, tamaño de la población, tasas de mutación) dentro del marco del GA.
Justificación Metodológica: Proporciona justificaciones claras para la selección de estrategias específicas en varias etapas del proceso de optimización.
Benchmarking Estadístico: Valida la estrategia propuesta frente a cuatro algoritmos de vanguardia utilizando rigurosas pruebas t de Student para muestras pareadas.

4. Resultados Experimentales

Los autores evaluaron el QCDC-DR-GA a través de seis escenarios que involucran buques de contenedores pequeños, medianos y grandes (desde 5 hasta 30 pilas por fila). El algoritmo se comparó contra:

Límite Superior Voraz (Greedy Upper Bound): Un heurístico que maximiza los DC pero ignora las remanipulaciones.
QCDC-bi-level-GA: Optimiza el QCDC pero trata las remanipulaciones por separado.
GA-ILSRS (Escenario 1): Optimiza los DC pero ignora las remanipulaciones.
GA-ILSRS (Escenario 2): Optimiza las remanipulaciones pero utiliza Ciclo Único.

Métricas de Desempeño

Tiempo Total de Operación: El QCDC-DR-GA redujo el tiempo total de operación hasta en un 30.1% en comparación con los métodos existentes. La mejora promedio en los escenarios de buques grandes fue del 20.1%.
Significancia Estadística: Utilizando una prueba t pareada de dos colas ( $\alpha = 0.05$ ), el método propuesto mostró mejoras estadísticamente significativas en 20 de 24 comparaciones por pares.
Escalabilidad: La ventaja de rendimiento del enfoque de optimización conjunta creció de forma monótona con el tamaño del buque. Para buques grandes (30 pilas), las mejoras sobre las líneas base de un solo objetivo alcanzaron el 20.1%, mientras que para buques pequeños, la ventaja fue menor pero aún presente.
Estudio de Ablación: Un experimento controlado donde el plan del patio (A2) fue "congelado" (no optimizado) demostró que, si bien la optimización de la secuencia de descarga por sí sola proporciona una línea base competitiva, la co-optimización del diseño del patio proporciona una ganancia adicional significativa, particularmente en la reducción de remanipulaciones (hasta un 98% de reducción en escenarios pequeños).

5. Significado y Reivindicaciones

El artículo afirma que su principal significancia radica en demostrar la ineficiencia de la optimización aislada en las operaciones portuarias. Al tratar la secuencia de descarga y el diseño del patio como un único problema de decisión acoplado, el algoritmo resuelve el compromiso entre maximizar la productividad de la grúa (DC) y minimizar las ineficiencias del patio (remanipulaciones).

Impacto Práctico: El enfoque ofrece una solución rentable para que los puertos reduzcan los tiempos de permanencia de los buques sin requerir nuevas infraestructuras o inversiones en hardware avanzado. Está diseñado para integrarse en los Sistemas de Operación de Terminales (TOS) existentes como un módulo de planificación previa a la llegada.
Contribución Teórica: El artículo formaliza la optimización conjunta de QCDC y las remanipulaciones del patio como un problema combinatorio NP-duro unificado con un espacio de búsqueda de $S! \times N!$ (donde $S$ es el número de pilas y $N$ es el número de contenedores), argumentando que los enfoques "integrados" anteriores eran meramente secuenciales y no verdaderamente conjuntos.
Escalabilidad: Los autores afirman que la descomposición del problema por filas permite que el algoritmo escale a grandes buques (por ejemplo, 2,000+ contenedores) al resolver subproblemas independientes para cada fila, lo que hace que sea factible su implementación en el mundo real en hardware estándar.

El artículo concluye que, aunque depende de supuestos simplificadores (por ejemplo, disponibilidad inmediata de contenedores, ausencia de disrupciones dinámicas), el propuesto QCDC-DR-GA representa un paso significativo hacia una optimización portuaria holística, ofreciendo un método robusto para mejorar la utilización de recursos y la eficiencia operativa.