Beruflich Dokumente
Kultur Dokumente
doi: 10.4114/intartif.vol20iss60pp28-50
INTELIGENCIA ARTIFICIAL
http://journal.iberamia.org/
Abstract A container terminal is a source of dissimilar math problems and computational nature thus. In particular
stacking of containers on the yard of a maritime terminal is one of the most important operations, mainly due to
bottlenecks that arise therein, with the respective defaults efficiency indicators. Container stacking is divided into
operations of loading, unloading and premarshalling. When these activities are performed operators and managers
must determine the exact positions for containers, download or reposition making efficient use of available storage
space, reducing unproductive movements and transportation costs, etc. The purpose of this paper is to review
and describe objective functions found in the literature on optimization problems that arise during the stacking of
containers operations. The analyzed objective functions are grouped into two basic classes: minimize unproductive
movements yard cranes and minimize cost of transportation of containers during stacking. Finally, we discuss
different items that could be considered as further research lines for mathematical modeling in container stacking
optimization problems.
Resumen Una terminal de contenedores es una fuente de disı́miles problemas de ı́ndole matemática y por ende
computacional. En particular el apilamiento de contenedores en el patio de una terminal marı́tima es una de
las operaciones más importantes, debido fundamentalmente, a los cuellos de botella que en él surgen, con los
respectivos incumplimientos de los indicadores de eficiencia. El apilamiento de contenedores se divide en opera-
ciones de carga, descarga y premarshalling de contenedores. Cuando se realizan estas operaciones los operarios y
directivos deben determinar las posiciones exactas para los contenedores, descargarlos o recolocarlos haciendo un
uso eficiente del espacio de almacenamiento disponible, reduciendo los movimientos improductivos y los costos de
transportación, etc. El propósito del presente trabajo es revisar y describir funciones objetivo encontradas en la
literatura sobre problemas de optimización que surgen durante las operaciones de apilamiento de contenedores.
Las funciones objetivo analizadas están agrupadas en dos clases fundamentales: minimizar movimientos impro-
ductivos de las grúas de patio y minimizar costo de transportación de los contenedores durante el apilamiento.
Finalmente se abordan diferentes elementos que podrı́an ser considerados como lı́neas de investigación futuras
para la modelación matemática de varios problemas de optimización de apilamiento de contenedores.
Keywords: Container stacking, Container storage, Objetive function, Optimization.
Palabras Claves: Apilar contenedores, Almacenar contenedores, Función objetivo, Optimización.
1. Introducción
El comercio contenedorizado a nivel internacional ha crecido considerablemente en los últimos años,
se estima que los portacontenedores transportan el 52 % del tráfico marı́timo mundial en términos de
valor[15]. Las terminales de contenedores marı́timas (TCM) juegan un papel importante en este tipo de
ISSN: 1988-3064(on-line)
IBERAMIA
c and the authors
Inteligencia Artificial 60(2017) 29
relacionados con las operaciones de carga, descarga y premarshalling de contenedores. Se pretende con
este trabajo que los investigadores tengan una referencia sobre la modelación matemática de las funciones
objetivo de problemas de optimización de apilamiento de contenedores, lo que constituye según la revisión
realizada, un nuevo enfoque de análisis a las investigaciones realizadas en este campo. El resto de este
artı́culo se encuentra dividido en cuatro secciones. En la sección 2 se describen las principales operaciones
de apilamiento de contenedores que se realizan en un patio, ası́ como varios problemas de optimización
que surgen durante éstas. En la sección 3 se da a conocer la notación matemática que se usará en todo
el documento para homogeneizar las usadas en los trabajos revisados. Además en esta misma sección
se presenta la clasificación de la literatura cientı́fica revisada en este estudio. En la sección 4 se realiza
la revisión bibliográfica usando la clasificación y notación matemática descrita en la sección anterior.
Finalmente en las conclusiones de este estudio, se abordan varios elementos que podrı́an ser considerados
como lı́neas de investigación futuras para la modelación matemática de varios problemas de optimización
de apilamiento de contenedores.
carga, descarga y premarshalling de contenedores. Durante la carga, los contenedores que arriban al patio
deben ser asignados a posiciones especı́ficas de acuerdo a determinadas prioridades. Por otro lado durante
la descarga, los contenedores necesitan ser extraı́dos del patio en un orden especı́fico. El premarshalling
ocurre cuando los contenedores deben ser ordenados dentro de la zona de almacenamiento de forma tal
que todos puedan ser extraı́dos sin que se requieran remociones a la hora de la descarga [34]. Tanto
durante la descarga como durante el premarshalling es necesario realizar operaciones de recolocación
de contenedores. Por ello existe una amplia familia de problemas de optimización bajo el concepto de
recolocación de contenedores (del inglés Container Relocation (reshuffling, rehandling) Problem).
Las operaciones de premarshalling se diferencian de las operaciones de descarga en que los contenedores
aunque son recolocados, no abandonan el patio, sino que son colocados en la bahı́a de forma que los de
mayor prioridad queden encima de los de menor. De esta forma, cuando se realice la descarga no existan
remociones o sean mı́nimas. Este problema es conocido como premarshalling cuando sucede en una misma
bahı́a o remarshalling cuando se permiten recolocaciones entre diferentes bahı́as de un mismo bloque.
Los operarios y directivos de las TCM buscan realizar las operaciones de apilamiento de contenedores de
forma óptima para cumplir los indicadores de eficiencia de la terminal. Para ello en el caso de la carga,
deben determinar las posiciones exactas para los contenedores haciendo un uso eficiente del espacio de
almacenamiento disponible en el patio, reduciendo los movimientos improductivos de las grúas, dismi-
nuyendo el tiempo que invierten los equipos en transportar los contenedores, etc. Durante la descarga
de los contenedores deben seguir un orden que reduzca el número de movimientos improductivos de las
grúas. Las operaciones de premarshalling se ejecutan principalmente cuando no se está realizando ni
carga ni descarga de contenedores y el principal problema de optimización radica en que deben hacerse
las recolocaciones con la menor cantidad de movimientos improductivos de las grúas.
Además se menciona usualmente la altura y el ancho máximo en que se pueden apilar los contene-
dores. Estos no son aspectos triviales, pues pueden influir en la eficiencia de la solución ofrecida. En
[45] se presenta un estudio donde se evalúa el problema de apilamiento con cuatro o cinco niveles
de altura en la pilas. En [27] se presenta otro trabajo donde tanto la altura como el ancho de las
bahı́as son determinantes.
Flujo de contenedores modelado. Los flujos pueden ser importación, exportación, o trasbordo.
En muchos patios de contenedores interesa asignar posiciones a los contenedores que arriban al
mismo de forma diferenciada atendiendo a su flujo.
Tipo de problema de apilamiento que se resuelve. Pueden ser problemas de carga, descarga,
premarshalling o combinados.
Tipo de apilamiento. Puede ser estático o dinámico. En el apilamiento estático a diferencia
del dinámico no se tiene en cuenta en el momento de la carga, la descarga simultánea de otros
contenedores y viceversa [54].
Estado o configuración del patio cuando arriban contenedores. Es necesario especificar si
cuando se asignan posiciones a los contenedores que arriban se toman en cuenta los contenedores
que previamente estaban apilados para el nuevo proceso de carga. En algunos casos se asume que
el patio está vacı́o.
intentan reagrupar los contenedores de forma tal que se minimicen los desplazamientos de las
mismas.
Incertidumbre. Es importante mencionar si en el modelo se prevé el manejo de la incertidumbre
sobre el tiempo de recogida de los contenedores por los camiones externos o por los buques y trenes,
en el momento que estos son apilados. Este aspecto generalmente se relaciona con el tipo de función
a optimizar en el modelo. Puede ser minimizar el número de remociones o el número esperado de
remociones en el caso que exista incertidumbre. También se vincula con el flujo que se modela pues
existe mayor incertidumbre al apilar contenedores de importación porque no se conoce exactamente
cuándo llegan a recogerlos los camiones externos a la TCM. Sobre esto en el trabajo [52] se evalúa
el impacto del anuncio de estos camiones sobre la eficiencia de la estrategia de apilamiento. En el
caso de la exportación la llegada de los buques o trenes generalmente se conoce con anterioridad.
remoción es estático o dinámico. Si dada una configuración de una bahı́a, no hay nuevos contenedores
asignados a ella antes que todos los contenedores que están ya en ella sean descargados es un problema
de remoción estático. Sin embargo, en el problema dinámico, si nuevos contenedores arriban se debe
determinar su posición en las pilas y al mismo tiempo descargar otros de las mismas que han sido
solicitados [51]. Para poder descargar un grupo de contenedores hay que recolocar primeramente los que
están encima que tienen una prioridad inferior a estos. La posiciones asignadas a los contenedores que
han sido recolocados de una posición hacia otra deben ser analizadas y determinadas cuidadosamente
similar a las posiciones de los que arriban pues se ha demostrado que podrı́an provocar más remociones
en el futuro.
En [51] se presenta una variante del modelo MRIP, el modelo mejorado ILP (Integer Linear Programing)
En este nuevo modelo se eliminan un grupo de variables de decisión y restricciones que asociaban las
pilas donde se encontraban el contenedor a ser descargado y el que debı́a ser recolocado. Ellos introducen
en cambio nuevas restricciones para determinar si es necesario realizar remociones en un momento de-
terminado. Además desarrollan cinco heurı́sticas nuevas para determinar las posiciones óptimas para los
contenedores recolocados. La variante ILP obtiene mejores resultados que MRIP en tiempo computacional
cuando el número de contenedores, pilas y niveles se incrementa.
Los autores referenciados en [11] presentan dos formulaciones matemáticas denominadas BRP-I y BRP-II
(del inglés Blocks Relocation Problem). Las modelaciones son realizadas teniendo en cuenta su similitud
con el problema clásico de planificación Blocks World. Atendiendo a esto cuando se usa la palabra bloque
en el trabajo [11] se hace referencia a un contenedor y no a un grupo de bahı́as de contenedores como
se precisa en este estudio. El problema modelado es estático pues no existen contenedores arribando
al patio en el momento en que se extraen o descargan. Se demuestra también por primera vez, según
los propios autores [11] la complejidad computacional del BRP básico, clasificado como NP-Hard. Estos
autores también han resuelto este tipo de problema con la heurı́stica Look Ahead mediante la codificación
1 En lo adelante se hará referencia al término Función objetivo para las expresiones matemáticas de este tipo más el
número de la misma.
Inteligencia Artificial 60(2017) 36
binaria del mismo [9]. También usando un algoritmo de PD y la metaheurı́stica Corridor [12]. En el modelo
BRP-I los bloques poseen un número n que define la prioridad en que serán descargados, donde N se
corresponde con el último contenedor. Además discretizan el tiempo en perı́odos t = 1, ..., T , donde cada
perı́odo t representa un único movimiento de un bloque de una pila hacia otra o desde su posición en la
pila hacia afuera del área. Este modelo tiene como función objetivo (2) minimizar el número de perı́odos
requeridos para descargar todos los bloques desde el área de apilamiento. Los autores plantean que esto
se alcanza maximizando el número de perı́odos que el último bloque N se encuentra en la región exterior,
es decir, en el tope de alguna de las pilas. Esto se debe a que en cada perı́odo de tiempo t pueden suceder
dos cosas: cada bloque debe estar en el interior de una pila con otros encima o en el tope de alguna de
ellas. La tesis que sostienen los autores es que mientras más tiempo el último bloque de la secuencia que
se desea descargar esté en el tope de una pila significa que no ha sido necesario hacerle recolocaciones a
otras pilas para extraer otros.
T
X
máx υN t (2)
t=1
W X
X H X
W X
H X
N X
T
mı́n χiji0 j 0 nt (3)
i=1 j=1 i0 =1 j 0 =1 n=1 t=1
El segundo modelo BRP-II (3) tiene como objetivo minimizar el número total de recolocaciones. La
diferencia más notable entre los modelos exactos BRP-I y BRP-II radica en la definición y uso diferente
del perı́odo de tiempo t. Mientras que en el BRP-I, cada perı́odo se distingue por un único movimiento,
tanto si es una recolocación o una extracción, en el segundo cada perı́odo viene dado por un conjunto
completo de movimientos necesarios para extraer un bloque. En el segundo modelo el número total de
perı́odos T para realizar la descarga se conoce con antelación pues es fijado a N , en el primero el valor
de T coincide con el número de movimientos y es precisamente lo que se busca minimizar. Por último en
el segundo modelo υN t no es una variable de decisión sino un parámetro.
El modelo lineal binario BRP-II fue corregido en [56]. En esta nueva formulación BRP-II-A se eliminan
algunas variables y se ajustan varias de las restricciones. En la función objetivo 3 también varı́an algunos
elementos. El ı́ndice para recorrer los niveles de las pilas j comienza en j = 2 porque los bloques pueden
ser recolocados solamente desde arriba de un bloque objetivo y de esta forma en el nivel 1 de una pila
no existen recolocaciones. Otra modificación se encuentra en que el lı́mite superior de perı́odos t ahora es
T − 1, pues el perı́odo t = 1 corresponde con el primer bloque. Atendiendo a esto el ı́ndice n representa
el bloque a ser recolocado y se encuentra encima del bloque objetivo n = t + 1.
W X
X H X
W X
H T
X −1 X
N
mı́n χiji0 j 0 nt (4)
i=1 j=2 i0 =1 j 0 =1 t=1 n=t+1
Los modelos descritos anteriormente en [11, 56] se basaban en situaciones donde el apilamiento es estático
pues no se representan la carga y descarga de forma simultánea. En [5] según los autores se presenta por
primera vez un enfoque para un problema de recolocación de contenedores estocástico y dinámico, una
generalización según los autores del trabajo presentado en [11]. En este subepı́grafe se presenta la versión
del modelo con apilamiento dinámico y en el siguiente se presenta la versión estocástica.
La principal diferencia entre [5] y [11] es que el primero define tiempos de arribo y salida para cada
contenedor y ventana de tiempo de servicio para la carga y la descarga. Mientras que en [11] se especifica
el orden de salida de los contenedores a priori y requiere que este orden sea respetado estrictamente.
Esta diferencia hace que se incurra en mayor cantidad de remociones y retrasos en varios de los ejemplos
analizados en[5].
El principal objetivo del trabajo [5] es encontrar una secuencia de movimientos factibles en los pasos
de tiempo 1, 2, ..., T que optimice juntamente el número de remociones y los retrasos en la carga y la
descarga de los contenedores. La función objetivo (5) está formada por tres funciones ponderadas. La
primera minimiza el número total de remociones cuantificadas mediante la variable de decisión χijklnt . Las
posiciones de una bahı́a en esta función se representan mediante el par(i, j) y para el caso donde ocurren
recolocaciones (i0 , j 0 ) como destino. Las otras dos funciones objetivo minimizan el tiempo total invertido
Inteligencia Artificial 60(2017) 37
en la carga Znt y la descarga υ nt respectivamente, las cuales son restadas para medir el retraso en estas
operaciones. Los factores de peso w 1, w 2, w 3 permiten minimizar juntamente el número de remociones,
el tiempo invertido en la carga y en la descarga respectivamente. Estos valores según los autores fueron
determinados por los operarios del puerto de acuerdo a polı́ticas del mismo. Los parámetros e ı́ndices de
esta función objetivo se encuentran explicados en el Cuadro 1 de este artı́culo.
W
X XH X N X T N X
X T N X
X T
mı́n w1 χiji0 j 0 nt -w2 Znt -w3 υnt (5)
i,i0 =1 j,j 0 =1 n=1 t=1 n=1 t=1 n=1 t=1
En [42] se presenta el Problema de Apilamiento de elementos en un almacén (del inglés Stacking Problem),
un problema de optimización combinatorio duro. En este tipo de problema los elementos son apilados por
grúas y organizados en estructuras de pilas. Según los autores este tipo de problema es similar al BRP,
sin embargo el BRP es un subproblema del que ellos tratan en su trabajo pues la ubicación inicial de los
elementos se conoce y no se considera el arribo de nuevos elementos hasta que la secuencia se descargue
completamente.
La función objetivo (6) consiste en encontrar la secuencia mı́nima de movimientos de la grúa, o lo que es
equivalente según los propios autores, minimizar el número de remociones en una bahı́a. En este modelo
se asume que cada elemento tiene un tiempo en el cual arribó al patio y otro en el cual debe irse, o
sea descargado. Atendiendo a esto se debe almacenar y entregar todos los elementos satisfaciendo estas
fechas, usando para ello la menor secuencia de movimientos de la grúa. Aquı́ una solución es representada
por una terna (n, p, p0 ) donde n es el elemento a mover, p es la pila fuente y p0 es la pila destino.
P X
X H X
P X
H X
N X
T
mı́n ypjp0 j 0 nt (6)
p=1 j=1 p0 =1 j 0 =1 n=1 t=1
La variable de decisión usada yijklnt en la función objetivo (6) toma valor uno si el elemento n es recolocado
de la posición (p, j) a la posición (p0 , j 0 ) en el perı́odo t, en otro caso es cero. El ı́ndice j 0 representa el
nivel de la pila destino. En la función el número de perı́odos del modelo se calcula como se muestra en la
expresión (7). Este número constituye un lı́mite superior de la cantidad de recolocaciones necesarias en
el peor caso más el número de veces que un contenedor es cargado y descargado.
N (N − 1)
T = (7)
2
La asignación de posiciones válidas a los contenedores también ha sido tratada por otros autores en [4].
A diferencia de [29] en [4] se modela el flujo de importación y el espacio fı́sico no es una bahı́a solamente
sino diferentes bloques de un patio. En la modelación de la función objetivo (8) se respeta la fecha tope de
entrega de los contenedores a sus clientes denotada por dn , ası́ como minimizar el número de remociones
necesarias para descargar un contenedor n el cual está en el bloque q. El principal aporte de este trabajo
según los autores es que modela diferentes tipos de contenedores como los refrigerados, los de mercancı́as
peligrosas, vacı́os, secos, etc. Algunas notaciones que permiten comprender mejor la función objetivo (8)
se muestran en el cuadro 2.
X N C Nstock−reg +N
C X Xstock−ref rig
mı́n Pn,c mn,c,q P os (i, j, b, q) .V (8)
c=1 n=1 q=1
En la función objetivo (8) la variable de decisión P os (i, j, b, q) .V toma valor uno si existe un contenedor
en la posición expresada con los ı́ndices i, j, b, q las cuales representan un bloque fı́sicamente pues guardan
correspondencia con la fila, nivel, bahı́a y bloque respectivamente. En la formulación matemática de la
función se asume como número máximo de bloques q la suma de los bloques disponibles para contenedores
no refrigerados Nstock−reg más la cantidad para los refrigerados Nstock−ref rig .
Varios modelos han sido desarrollados para resolver problemas de premarshalling donde la función objetivo
sigue siendo minimizar la cantidad total de remociones. Algunos de ellos son [33, 32, 22]. Los dos primeros
han sentado las bases para otros trabajos sobre esta temática usando diversos métodos. Además han sido
usados para diversas comparaciones con otras propuestas usando tanto métodos exactos como heurı́sticos.
Inteligencia Artificial 60(2017) 38
El trabajo [33] tiene como función objetivo minimizar el número de recolocaciones de contenedores durante
la fase de premarshalling (9). Para ello se cuenta con un esquema inicial del patio donde los contenedores
no están bien organizados de acuerdo a su prioridad de descarga. A partir de que se realiza el ordena-
miento por prioridad, se obtiene otro esquema donde los contenedores están bien ubicados, es decir, no se
necesitan remociones a la hora de descargarlos. Sin embargo, aunque el objetivo final es tener los conte-
nedores organizados de acuerdo a su prioridad esto debe ser hecho con la menor cantidad de movimientos
improductivos de las grúas. En este trabajo especı́ficamente se parte de conocer el esquema inicial del
patio y la secuencia de contenedores que se cargarán en el buque. A partir de estas entradas se brinda
un plan que permite recolocar los contenedores de forma que los que tienen mayor prioridad puedan ser
tomados por la grúa. Basado en este plan se garantiza que durante la fase de carga del buque no se ne-
cesiten realizar remociones en el patio. El modelo desarrollado es de PLE y tiene embebido un problema
de flujo de red con múltiples demandas de flujos (del inglés como Multi-commodity flow problem). El
tiempo es discretizado en segmentos separados por puntos de tiempo t y los contenedores son agrupados
en tipos diferentes C. Los nodos en este modelo se corresponden con las posiciones especı́ficas donde
están apilados los contenedores, los arcos son las oportunidades de movimientos que estos podrı́an hacer
de una pila origen a otra pila destino y el flujo en la red representa los movimientos espacio-temporales
de los contenedores. La función objetivo de este modelo se expresa en (9), la cual busca minimizar los
movimientos improductivos que se requieren para transformar el patio de contenedores desde su esquema
inicial a otro final u objetivo. La variable de decisión c rtpp0 indica que el tipo de contenedor c es recolocado
de su posición en la pila p en el segmento de tiempo t para otra posición en la pila p0 en el segmento
t + 1. Los demás parámetros empleados son definidos en el Cuadro 1.
XX X X
mı́n c rt 0 (9)
pp
t∈T p∈P p0 ∈P c∈C
En el segundo modelo [32], a diferencia del anterior, se enfocan en una sola bahı́a de un patio de con-
tenedores en lugar de un patio completo. Sin embargo, se asume también que el orden de carga de los
contenedores en el buque se conoce. Se trata una secuencia de movimientos de la grúa como un conjun-
to ordenado de movimientos de contenedores y para representarlos se usa una terna que consiste en el
número de identificación del contenedor n, la pila origen p y la pila destino p0 a la cual fue recolocado, por
ejemplo (n : p, p0 ). La calidad de una secuencia de movimientos factibles de una grúa se mide aquı́ con la
calidad del esquema final de la bahı́a correspondiente y la longitud o tamaño de esa secuencia. La calidad
del esquema de una bahı́a se mide por la ocurrencia de pilas desordenadas (del inglés mis-overlays) en
ella. Este concepto sobre pilas desordenadas se introduce por primera vez en este trabajo. Se asume que
los contenedores están enumerados con enteros no negativos y que serán cargados a los barcos en un
orden ascendente. Por esto los contenedores con un tipo de número mayor no deben ser apilados encima
de otros de un número menor, las pilas que no cumplen esta condición se consideran mis-overlays. La
función objetivo sobre minimizar el número de mis-overlays que se propone en [32] es equivalente con
minimizar el número de remociones de contenedores.
Otro estudio donde se trata el concepto de mis-overlays es [22]. Los autores de este trabajo implementan
un modelo de PLE para resolver un problema de premarshalling para instancias pequeñas basado en
un modelo de flujo de red con múltiples demandas de flujo. La función objetivo busca minimizar el
Inteligencia Artificial 60(2017) 39
número total de movimientos requeridos para obtener un esquema final de una bahı́a con cero ı́ndices
de mis-overlay para todas las pilas. A partir del análisis de esta función objetivo se puede inferir que la
función objetivo presentada por [22] integra elementos de las funciones objetivos de [33, 32]. Minimizar
el número total de movimientos requeridos para obtener un esquema final de una bahı́a es la función
objetivo del trabajo [33]. Es modelado con PLE y flujo de red con múltiples demandas de flujo embebido
en él. El concepto de mis-overlays es presentado luego por [32] ocupándose de minimizar el número de
pilas desordenadas e incluye la longitud de la secuencia de movimientos. El modelo presentado en [22]
requiere menor tiempo computacional para obtener una solución según los propios autores a pesar de
contar con varios elementos del trabajo [32].
El problema de apilamiento de contenedores por su similitud con el problema clásico Blocks World ha
sido modelado como AI Planning en los trabajos [19, 44]. Para ello se han usado lenguajes reconocidos
como STRIPS2 , en el primero y PDDL (del inglés Planning Domain Definition Language) en el segundo.
PDDL es una sintaxis ampliamente aceptada y ha sido usado en varias competencias de planificadores,
algunas de ellas ICAPS 2011 e ICAPS 20143 , séptima y octava edición respectivamente. De forma general
un problema clásico de AI Planning se representa a través de una terna P = (O, So , g) donde:
O es un conjunto de operadores.
S o es el estado inicial.
g es el estado objetivo, donde cada estado que satisfaga g es un estado objetivo.[20].
En el trabajo [19] se representan los problemas de carga y descarga de contenedores usando STRIPS,
con el objetivo de minimizar el número de recolocaciones durante estas operaciones. Para representar el
problema de carga de contenedores desde una bahı́a del patio hacia un tren se plantea el objetivo:
G = {on− train (x1 ) ∧ on− train (x2 ) ∧ ... ∧ on− train (xn )} (10)
donde xi para i = 1, 2, ..., n denota los contenedores. El segundo problema se refiere a la descarga de
contenedores del tren hacia una bahı́a. Este problema es tratado de forma invertida pues se demuestra
que su estado objetivo G− Inv es igual al estado inicial I del problema de carga y viceversa (Ver ecuación
(11)).
patio y para el flujo de importación. Según lo especificado por los autores del trabajo [55] la primera
función maximiza la circulación de contenedores entre el patio y la zona del muelle de la terminal. La
segunda abarca la carga de trabajo de las grúas de patio, la cual debe ser minimizada para alcanzar la
eficiencia y reducir los tiempos improductivos de las mismas. Por último la tercera minimiza los movi-
mientos improductivos de las grúas cuando se asigna una bahı́a especı́fica a un grupo de contenedores.
La asignación de una posición especı́fica dentro de las bahı́as para cada contenedor no es modelada en
este trabajo.
En [26] se presenta un modelo matemático para el problema de asignación de posiciones de almacena-
miento a contenedores. Este modelo al igual que el de [55] es para un patio completo de importación.
El modelo propuesto en [26] es resuelto usando la metaheurı́stica Algoritmos Genéticos. Cuenta con dos
funciones objetivos, minimizar el número de remociones y el desbalance de carga en las bahı́as en la zona
de almacenamiento.
Más recientemente se presenta en [6] otra propuesta para el problema de carga de contenedores con pilas
paralelas para minimizar obstrucciones (del inglés blockages). Los blockages no son más que remociones
o movimientos improductivos que ocurren cuando un contenedor con menor prioridad es ubicado encima
de uno que tiene mayor prioridad en la secuencia de descarga. En este estudio la prioridad de cada
contenedor en la secuencia de descarga es determinista, solamente por este valor de prioridad se puede
diferenciar un contenedor, pues no se consideran otras restricciones de peso o almacenamiento.
Para resolver los problemas de recolocación de contenedores sigue siendo importante proponer algoritmos
heurı́sticos que permitan mejores tiempos computacionales al mismo tiempo que se brinda una solución
cercana a la óptima. En este sentido autores como los que se referencian en [31] presentan un método
de abstraccción (del inglés abstraction method). La principal contribución de este trabajo se basa en
la reducción del espacio de búsqueda mediante el empleo del método de abstracción y la búsqueda
bidireccional usando una base de datos de patrones. Los resultados computacionales obtenidos por los
autores confirman que se pueden resolver tamaños de instancias reales de este problema de forma óptima
en un tiempo computacional razonable.
En los problemas de optimización y especı́ficamente los de apilamiento de contenedores, los algoritmos
de ramificación y poda ( del inglés branch and bound) son ampliamente utilizados. En [50] se propone
un nuevo lı́mite inferior para un problema de recolocación de contenedores con prioridades distintas y
duplicadas. En el problema de recolocación con prioridades distintas cada contenedor tiene una prio-
ridad definida de descarga, mientras que en el problema con prioridades duplicadas existen grupos de
contenedores con similar prioridad de descarga.
W
X H X
X N X
T N X
X T
Q (e) = w1 χeiji0 j 0 nt − w2 υnt (13)
i,i0 =1 j,j 0 =1 n=1 t=1 n=1 t=1
Inteligencia Artificial 60(2017) 41
Se presenta en [29] una metodologı́a para determinar las posiciones de almacenamiento para contenedores
de exportación que arriban al patio. Los autores de este trabajo modelan el espacio fı́sico de una bahı́a
en el patio y la prioridad de los contenedores al ser apilados es de acuerdo a su peso, pues el destino final
de estos es ser cargados en un buque portacontenedores. En estos buques los contenedores de mayor peso
deben ir en las posiciones más bajas y los de menor peso en las más altas para asegurar su estabilidad.
Atendiendo a esto los contenedores son clasificados en varios grupos de peso pre-determinados (pesado,
medio y ligero). Esta información sobre el peso de los contenedores en varias ocasiones no está disponible
en el momento de la asignación de las posiciones, sino que debe ser estimada probabilı́sticamente. En
este trabajo se presenta una forma de estimar estos pesos y asignarles posiciones a los contenedores que
minimicen las remociones en el momento de su descarga.
La función objetivo (14) definida en [29] consiste en minimizar el número total de remociones esperadas
de contenedores para una configuración arbitraria de una bahı́a. En esta función objetivo se usa el ı́ndice
fase s como equivalente al número de posiciones vacı́as en una bahı́a, s = 1, 2, ..., S . Esto quiere decir
que si hay cinco posiciones vacı́as en la bahı́a en un momento dado la fase de la misma es cinco y ası́
sucesivamente. Además del concepto de fase inherente a la técnica matemática usada, en cada fase s
existe un estado, el cual depende del número de posiciones vacı́as en cada pila de la bahı́a y del grupo de
peso del contenedor más pesado en cada pila de la misma.
En esta función objetivo el término ps (ks ) representa la probabilidad de arribo de un contenedor del
grupo de peso Ks . Esta probabilidad se multiplica por rs (Xs , Ps , Ks ), que significa el número esperado
de remociones en esa fase s cuando un contenedor que arriba al patio de peso Ks es asignado a la pila Ps
donde el estado de esa fase es Xs . La función mostrada se deriva recursivamente sumándose el resultado
de la fase actual con el resultado de la fase anterior donde quedan menos posiciones vacı́as, por lo cual el
número de fases decrece. El procedimiento para derivar recursivamente esta ecuación es demostrado por
los autores en el apéndice A de su trabajo.
X
fs Xs = ps (ks ) mı́n [rs (Xs , Ps , Ks ) + fs−1 (Xs−1 )] (14)
Ps
ks
En el estudio [30] los autores proponen otro enfoque de solución sobre los problemas de recolocación de
contenedores, en este caso con ventanas de tiempo (del inglés CRP with Time Windows o CRPTW). En
este trabajo a diferencia de otros se asume que la terminal cuenta con un sistema de posicionamiento
de camiones (del inglés truck appointment system). Este sistema alivia el desbalance en los picos de
los tiempos de arribo de camiones a la terminal y la congestión en la puerta, ası́ como la emisión de
gases contaminantes del medio ambiente debido a la espera innecesaria de los vehı́culos. Atendiendo a
esto en el modelo se conoce para un grupo de contenedores su ventana de tiempo, es decir, cuando un
determinado grupo debe irse. Sin embargo, los contenedores que integran una misma ventana de tiempo
se consideran que tienen la misma prioridad de salida. La solución se plantea mediante un modelo de
programación dinámica estocástico cuyo objetivo es calcular el número mı́nimo de remociones esperadas
de contenedores. En este trabajo solo se consideran contenedores de importación y la versión estática del
problema de apilamiento.
Por otro lado en [18] también se presenta un modelo estocástico de recolocación de contenedores, denomi-
nado Batch Model. En este modelo los contenedores son agrupados en lotes (del inglés batch), cada lote
tiene su precedencia a la hora de la descarga. Sin embargo, los contenedores que pertenecen a un mismo
lote tienen igual posibilidad de ser extraı́dos, no cuentan con un orden especı́fico entre ellos. Entre las
contribuciones cientı́ficas de los autores para este problema están la definición de cotas superiores e infe-
riores para el problema de recolocación estocástico que resuelven y el desarrollo de dos nuevas heurı́sticas
eficientes denominadas Pruning-Best-First-Search (PBFS) y PBFS-Approximate (PBFSA ).
Otra contribución reciente en esta área es presentada por los autores en [36] con un nuevo enfoque sobre
minimizar los tiempos de espera de los contenedores cuando son descargados del patio (del inglés Blocks
Relocation Problem with Waiting Times (BRP-WT)). El tiempo de espera de un contenedor según los
autores es el lapso de tiempo entre la fecha de descarga esperada de un contenedor y la fecha real en la
que fue descargado. Se propone en este estudio un modelo de optimización para este tipo de problema,
ası́ como se desarrollan algoritmos heurı́sticos para obtener soluciones en un tiempo computacional más
corto.
La mayorı́a de los problemas de recolocación de contenedores resueltos en la literatura se basan en que
Inteligencia Artificial 60(2017) 42
la secuencia de descarga de los contenedores se conoce con antelación. Sin embargo, en muchas TCM las
operaciones de recolocación deben ser realizados en tiempo real debido a que los camiones llegan de forma
inesperada. Recientemente los autores del trabajo [57] han presentado un tipo de problema de recolocación
de contenedores en tiempo real (del inglés Online Container Relocation Problem). Este enfoque asume que
los datos del problema son revelados de forma incremental. En [57] los autores presentan la formulación
matemática de este tipo de problema, los principales supuestos, ası́ como un análisis del desempeño de
las heurı́sticas R, M y L.
XB X !
mı́n w1 Xbv dbv + w2 máx Wq − mı́n Wq (15)
{q} {q}
b=1 v∈SA
Inteligencia Artificial 60(2017) 43
B X
!
X
mı́n w− 1 Xbv dbv + w− 2 (P − Q) (16)
b=1 v∈SA
X
P = máx Xbv (17)
{q}
v∈SA ,b=q
X
Q = mı́n Xbv (18)
{q}
j∈SA ,b=k
El tiempo que utiliza una grúa en levantar un contenedor de la posición donde fue ubicado para transferirlo
al buque es otro objetivo modelado mediante la expresión matemática (19). A través del estudio realizado
en [47] se demuestra que la posición asignada a un contenedor afecta el tiempo operacional en una TCM.
Estos autores presentan un modelo de simulación para determinar el tiempo que utiliza una grúa en
levantar un contenedor y transferirlo al buque. Además usan la metaheurı́stica Algoritmos Genéticos
para determinar la población inicial, representando un cromosoma a través de doce posiciones (tres
niveles de altura y cuatro pilas de ancho) donde los genes son cada posición independiente donde está
ubicado cada contenedor. Se asume que el tiempo utilizado por las grúas para levantar un contenedor en
una posición especı́fica k es fijo y es denotado aquı́ por tn , donde tn =(1,...,Tn ). El valor constante del
tiempo invertido por una grúa en levantar un contenedor se multiplica por el resultado de la variable de
decisión Xnktn . Esta variable toma valor uno si el contenedor n es levantado de la posición k con un caso
de tiempo tn , en otro caso es cero.
N X
X Tn
K X
mı́n Z = Xnktn Tktn (19)
n=1 k=1 tn =1
En la función objetivo (15) se abordó la distancia de viaje entre el atraque del buque y las posiciones
en el patio donde se encontraban los contenedores de exportación con el propósito de minimizarla. En
la función (19) el objetivo es minimizar el tiempo de levantar un contenedor, este tiempo se asumı́a era
estático aunque no es como ocurre normalmente. Ambos trabajos pudieran ser usados conjuntamente si
se asume que mientras el contenedor esté en posiciones en los niveles más bajos de las pilas es mayor la
distancia. Esta distancia serı́a vista como distancia vertical y la distancia de la posición del contenedor
al atraque como distancia horizontal. También se podrı́a asumir que a mayor distancia recorrida por los
contenedores para llegar al atraque mayor es el tiempo utilizado en su traslado desde su posición en el
patio y viceversa.
En el trabajo [41] se propone un Algoritmo de Búsqueda Online el cual ajusta de forma dinámica un plan
de apilamiento representado como un vector de valores de pesos. La función objetivo de este trabajo está
compuesta por una suma ponderada de cuatro criterios de evaluación CI, , CO , CR , CS , los valores de los
pesos de estos criterios oscilan entre cero y uno. El primer criterio CI (p, dI ) denota el costo de apilar
un contenedor que arriba al patio (se refiere al arribo de diferentes flujos) en la pila p. El parámetro
dI es la distancia de la pila p desde el punto de transferencia (PT) al cual los contenedores arriban. El
segundo criterio CO (p, dO ) denota el costo de recuperación esperado para una grúa cuando descarga un
contenedor de una pila p. Este criterio es similar al anterior pero en este caso indica la distancia desde
la pila p hacia el PT de salida. El tercer criterio CR (p, g) determina si se incurre en una remoción o no
cuando se asigna una pila p a un contenedor, el cual pertenece a un grupo g determinado. En este trabajo
si el contenedor es de importación el parámetro no se emplea porque no se conoce con antelación cuándo
Inteligencia Artificial 60(2017) 44
los camiones externos buscarán los contenedores y por tanto, no puede predecirse si existirá remoción.
Por último, el cuarto criterio presentado CS (p, t) es el que permite calcular el espacio utilizado para una
pila p, donde t es el tiempo de recuperación o de descarga del contenedor que arriba (del inglés Retrieval
Time).
La asignación de posiciones de almacenamiento a contenedores de importación se plantea a partir de un
modelo matemático en [40]. Luego que los contenedores son descargados de los buques deben esperar en
el muelle a que existan posiciones disponibles en el patio de almacenamiento, por esto no se analizan las
remociones dentro de la función objetivo. Los contenedores son posicionados en las pilas siguiendo un
orden descendente de su tiempo de salida del patio. Los transportes usados para manipular los conte-
nedores son las carretillas pórtico, éstas necesitan que existan pasillos entre las pilas para poder operar,
a diferencia de los otros tipos de transportes que se usan en patios de contenedores. En este trabajo se
toman en cuenta los contenedores que ya estaban presentes en el área de apilamiento al comienzo de
cada perı́odo de apilamiento. La función objetivo (20) busca hacer mı́nima la distancia total viajada por
la carretilla pórtico entre el muelle y el patio de contenedores. En esta función dnp es un parámetro que
indica la distancia viajada para transportar el contenedor n desde el muelle hasta la pila p. La variable
n
de decisión Xk,p toma valor uno cuando un contenedor n es asignado a la posición vacı́a k de la pila
p, en otro caso es cero. Los autores en [40] también presentan otro modelo matemático en [39] donde
tienen en cuenta la distancia entre las pilas y la puerta de salida de la terminal, adicionándole minimizar
el número de remociones esperadas. También en [17] de forma conjunta con dos de los autores en [40],
se presenta una solución al problema de apilamiento usando la metaheurı́stica Colonia de Hormigas, la
variante Sistema de Hormigas MAX-MIN. La función objetivo de este trabajo es minimizar la distancia
entre la posición en el atraque del buque y las posiciones de los contenedores en el patio.
N X
X P X
K
n
mı́n Xk,p dnp (20)
n=1 p=1 k=1
La funciones objetivo analizadas en esta revisión se resumen en el cuadro 5 siguiendo el esquema de cla-
sificación mencionado al inicio del trabajo. Las funciones objetivo que buscan minimizar los movimientos
improductivos de las grúas de patio son divididas a su vez en dos grupos: las que buscan minimizar el
número total de remociones y las dirigidas a minimizar el número esperado de remociones porque existe
incertidumbre en la fecha de salida de los contenedores. Las funciones objetivo que están dirigidas a mini-
mizar el costo de transportación de los contenedores se agrupan según diversos aspectos: tiempo invertido
en la carga, descarga y transportación, consumo de combustible y distancia recorrida por la grúa. Para
cada grupo se muestran las referencias a los trabajos de investigación donde se definen.
Inteligencia Artificial 60(2017) 45
Cuadro 4: Parámetros sobre consumo de combustible y notación para cálculo de consumo de energı́a
total.
Wn Peso del contenedor n en toneladas.
Ws Peso de la esparcidora en toneladas.
h Energı́a consumida por tonelada levantada desde un nivel determinado de la
bahı́a.
l Energı́a consumida por tonelada bajada hasta un nivel determinado de la
bahı́a.
x Energı́a consumida por tonelada movida de un lado a otro de la bahı́a.
hm Cantidad de niveles de una bahı́a subidos por la esparcidora de la grúa
cuando realiza un movimiento m .
lm Cantidad de niveles de una bahı́a bajados por la esparcidora de la grúa
cuando realiza un movimiento m .
xm Distancia recorrida por la esparcidora de la grúa durante un movimiento m.
Wm Peso movido durante un movimiento m (Se calcula Ws +Wn para algún
contenedor n o Ws si se mueve la esparcidora sola).
M Número total de movimientos con contenedores o con la esparcidora sola,
indizado por m ∈ {1, ..., M }.
Online CRP).
Determinar la fecha de salida esperada de un contenedor que arriba al patio empleando algoritmos
de Aprendizaje Automatizado de Máquinas (del inglés machine learning algorithms).
Emplear las tecnologı́as de geoposicionamiento o GPS con que cuentan los camiones externos a la
TCM para determinar la secuencia de descarga de los contenedores.
Considerar durante las operaciones de apilamiento la existencia de varios buques al mismo tiempo,
como sucede en muchas TCM realmente.
Modelar matemáticamente más de una grúa en un bloque de contenedores durante las operaciones
de apilamiento, ası́ como la interferencia entre ellas.
Investigar nuevos escenarios donde se empleen diferentes tipos de equipamientos para realizar ope-
raciones de descarga de contenedores, no solo grúas montadas sobre raı́les o neumáticos.
Realizar las operaciones de recolocación de contenedores entre bahı́as de un mismo bloque y no en
una sola bahı́a.
Proponer modelos matemáticos que tengan en cuenta diferentes tipos y tamaños de contenedores,
pues la mayorı́a de los estudios existentes no analizan estos aspectos.
Investigar problemas de recolocación y premarshalling de contenedores conjuntamente.
Agradecimientos
A los compañeros del Centro de Carga y Descarga de Contenedores (CCD) de Almacenes Universales
SA. en Villa Clara, Cuba por su cooperación en la investigación.
Referencias
[1] Multi-Objetive Optimization. In Edmund K. Burke and Graham Kendall, editors, Search methodolo-
gies. Introductory tutorial in optimization and Decision Support Techniques, pages 274–316. Springer,
2005. 4
[2] M. Hakan Akyuz and Chung-Yee Lee. A Mathematical Formulation and Efficient Heuristics for
the Dynamic Container Relocation Problem. Naval Research Logistics, 61(2):102– 118, 2014. doi:
10.1002/nav.21569. 4.1.1
[3] Mordecai Avriel, Michal Penn, and Naomi Shpirer. Container ship stowage problem: complexity and
connection to the coloring of circle graphs. Discrete Applied Mathematics, 103(1-3):271–279, 2000.
4.1.1
[4] Imen Ayachi, Ryan Kammarti, M. Ksouri, and Pierre Borne. A Genetic algorithm to solve the
container storage space allocation problem. pages 1–4, 2010. 4.1.1, 5
[5] Setareh Borjian, Vahideh H. Manshadi, Cynthia Barnhart, and Patrick Jaillet. Dynamic Stochastic
Optimization of Relocations in Container Terminals. Technical report, MIT, 2013. 4.1.1, 4.1.2, 5
[6] Nils Boysen and Simon Emde. The parallel stack loading problem to minimize blockages. European
Journal of Operational Research, 249(2):618–627, 2016. doi: 10.1016/j.ejor.2015.09.033. 4.1.1
[7] Birgitt Brinkmann. Operations Systems of Container Terminals: A Compendious Overview. In J. W.
Böse, editor, Handbook of Terminal Planning, pages 25–39. Springer Science+Business Media, 2011.
4.2
Inteligencia Artificial 60(2017) 47
[8] Héctor J. Carlo, Iris F.A. Vis, and Kees Jan Roodbergen. Storage yard operations in container
terminals: Literature overview, trends, and research directions. European Journal of Operational
Research, 235(2):412–430, 2014. doi: 10.1016/j.ejor.2013.10.054. 1
[9] Marco Caserta, Silvia Schwarze, and Stefan Voss. A new binary description of the blocks relocation
problem and benefits in a look ahead heuristic. In Lecture Notes in Computer Science, volume 5482,
pages 37–48. Springer Berlin Heidelberg, 2009. 4.1.1
[10] Marco Caserta, Silvia Schwarze, and Stefan Voss. Container Rehandling at Maritime Container
Terminals. In J. W. Böse, editor, Handbook of Terminal Planning, pages 247–269. Springer Scien-
ce+Business Media, 2011. 1, 3
[11] Marco Caserta, Silvia Schwarze, and Stefan Voss. A mathematical formulation and complexity con-
siderations for the blocks relocation problem. European Journal of Operational Research, 219(1):96–
104, 2012. 4.1.1, 4.1.1, 5
[12] Marco Caserta, Stefan Voss, and Moche Sniedovich. Applying the corridor method to a blocks
relocation problem. OR Spectrum, 33(4):915–929, 2011. doi: 10.1007/s00291-009-0176-5. 4.1.1
[13] Chuanyu Chen, Wen-Jing Hsu, and Shell-Ying Huang. Simulation and Optimization of Container
Yard Operations: A survey. In Proc. of the International Conference on Port and Maritime R and
D and Technology, pages 23–29, 2003. 1
[14] Lu Chen and Zhiqiang Lu. The storage location assignment problem for outbound containers in
a maritime terminal. International Journal of Production Economics, 135(1):73–80, 2012. doi:
10.1016/j.ijpe.2010.09.019. 4.1, 4.2, 5
[15] Secretarı́a de la UNCTAD. El transporte marı́timo. Technical Report UNCTAD/RMT/2014, UN-
CTAD, Nueva York y Ginebra, 2014. 1
[16] Rommert Dekker, Patrick Voogd, and Eelco van Asperen. Advanced methods for container stacking.
OR Spectrum, 28:563–586, 2006. 4
[17] Jalel Euchi, Riadh Moussi, Fatma Ndiaye, and Adnan Yassine. Ant Colony Optimization for Solving
the Container Stacking Problem: Case of Le Havre (France) Seaport Terminal. International Journal
of Applied Logistics (IJAL), 6(2):81–101, 2016. doi: 10.4018/IJAL.2016070104. 4.2
[18] Virgile Galle, Setareh Borjian, Vahideh H. Manshadi, Cynthia Barnhart, and Patrick Jaillet. The
Stochastic Container Relocation Problem. 2017. 4.1.2
[19] Adam Galuzca and Krysztof Daniec. Optimization of Re-handling and Load/Unload Operations in
Small Container Terminal Operated by Reachstackers. LATEST TRENDS on SYSTEMS, 2:616–621,
2010. 4.1.1, 5
[20] Malik Ghallab, Dana Nau, and Paolo Traverso. Automated Planning. Theory and Practice. Elsevier
Inc., 2004. 4.1.1
[21] Mohamed Gheith, Amr Eltawil, N. A. Harraz, and S. Mizuno. Container Pre-marshalling Problem:
A Review and Solution Framework. In Proc. of the IEEE International Conference of Industrial
Engineering and Engineering Management, pages 283–287, Hong Kong, 2012. 1
[22] Mohamed Gheith, Amr Eltawil, N. A. Harraz, and S. Mizuno. An Integer Programming Formulation
and Solution for the Container Pre-marshalling Problem. pages 2047–2056, Istanbul, Turkey, 2014.
3, 4.1.1, 4.1.1
[23] Roberto Guerra-Olivares, Rosa G. González-Ramı́rez, and Neale R. Smith. A Heuristic Procedure
for the Outbound Container Relocation Problem during Export Loading Operations. Mathematical
Problems in Engineering, pages 1–13, 2015. 4.1.1
Inteligencia Artificial 60(2017) 48
[24] Loo Hay Lee, Xinjia Jiang, Lu Zhen, and Ek Peng Chew. A Review on Yard Management in
Container Terminals. Industrial Engineering & Management Systems, 12(4):289–305, 2013. doi:
10.7232/iems.2013.12.4.289. 1
[25] Mazen Hussein and Matthew E. H. Petering. Genetic Algorithm-Based Simulation Optimization of
Stacking Algorithms for Yard Cranes to Reduce Fuel Consumption at Seaport Container Transship-
ment Terminals. In Proc. of the 2012 IEEE Congress on Evolutionary Computation (CEC), pages
1–8, Australia, 2012. 4.2, 5
[26] Shuding Kang and Weimin Wu. A Genetic Algorithm to Solve the Containers Location Allocation
Problem in Rear Storage Yard. In Proc. of the IEEE 12th International Conference on Networking,
Sensing and Control, pages 9–11, Taipei, Taiwan, 2015. 4.1.1
[27] Kim Kap Hwan. Evaluation of the number of rehandles in container yards. Computers & Industrial
Engineering, 32:701–711, 1997. 3
[28] Nils Kemme. Container Terminal Logistics. In Design and Operation of Automated Container
Storage Systems, pages 9–52. Physica-Verlag HD, 2013. 1, 4.2
[29] Kap Hwan Kim, Young Man Park, and Kwang-Ryul Ryu. Deriving decision rules to locate export
containers in container yards. European Journal of Operational Research, 124:89–101, 2000. 4.1.1,
4.1.2, 5
[30] Dusan Ku and Tiru S. Arthanari. Container Relocation Problem with Time Windows for
Container Departure. European Journal of Operational Research, 252(3):1031–1039, 2016. doi:
10.1016/j.ejor.2016.01.055. 4.1.2
[31] Dusan Ku and Tiru S. Arthanari. On the abstraction method for the container relocation problem.
Computers & Operations Research, 68:110–122, 2016. doi: 10.1016/j.cor.2015.11.006. 4.1.1
[32] Yusin Lee and Shih-Liang Chao. A neighborhood search heuristic for pre-marshalling ex-
port containers. European Journal of Operational Research, 196(2):468–475, 2009. doi:
10.1016/j.ejor.2008.03.011. 4.1.1, 4.1.1
[33] Yusin Lee and Nai-Yun Hsu. An optimization model for the container pre-marshalling problem.
Computers & Operations Research, 34(11):3295 – 3313, 2007. doi: 10.1016/j.cor.2005.12.006. 4.1.1,
4.1.1, 5
[34] Jana Lehnfeld and Sigrid Knust. Loading, unloading and premarshalling of stacks in storage areas:
Survey and classification. European Journal of Operational Research, 239(2):297– 312, 2014. doi:
10.1016/j.ejor.2014.03.011. 1, 2
[35] Richard Linn, Jiyin Liu, Yat-wah Wan, and Katta G. Murty. A decision support system for operations
in a container terminal. Decision Support Systems, 39:309 – 332, 2005. 4.1
[36] Israel López-Plata, Christopher Expósito-Izquierdo, Eduardo Lalla-Ruiz, Belén Melián-Batista, and
J. Marcos Moreno-Vega. Minimizing the Waiting Times of block retrieval operations in stacking
facilities. Computers & Industrial Engineering, 103:70–84, 2017. doi: 10.1016/j.cie.2016.11.015.
4.1.2
[37] Jiabin Luo, Yue Wu, Arni Halldorsson, and Xiang Song. Storage and stacking logistics problems in
container terminals. OR Insight, 24(4):256–275, 2011. doi: 10.1057/ori.2011.10. 1
[38] Patrick J.M Meersmans and Rommert Dekker. Operation Research supports container handling.
Econometric Institute Report EI 2001-22, Econometric Institute, Erasmus University Rotterdam,
2001. 1
[39] Ndèye Fatma Ndiaye, Adnan Yassine, and Ibrahima Diarrassouba. Hybrid Algorithms to Solve the
Container Stacking Problem at Seaport. Journal of Mathematics, Statistics and Operations Research
(JMSOR), 2(2):44–56, 2014. doi: 10.5176/2251-3388 2.2.51. 3, 4.2
Inteligencia Artificial 60(2017) 49
[40] Ndèye Fatma Ndiaye, Adnan Yassine, and Ibrahima Diarrassouba. A Hybrid Ant Colony and Genetic
Algorithm to solve the Container Stacking Problem at Seaport Terminal. In Proc. of the 2014
International Conference onAdvanced Logistics and Transport (ICALT), pages 247–252. IEEE, 2014.
4.2, 5
[41] Taejin Park, Ri Choe, Kim Young Hun, and Kwang Ryel Ryu. Dynamic adjustment of container
stacking policy in an automated container terminal. International Journal of Production Economics,
133, 2011. doi: 10.1016/j.ijpe.2010.03.024. 4.2
[42] Rui Jorge Rei and Joao Pedro Pedroso. Heuristic search for the stacking problem. Internacional
Transactions in Operational Research, 19(3):379–395, 2011. doi: 10.1111/j.1475-3995.2011.00831.x.
4.1.1, 5
[43] Mario Rodrı́guez-Molins. Optimization and Robustness in Planning and Scheduling Problems. Appli-
cation to Container Terminals. Tesis de Doctorado, Universidad Politécnica de Valencia, February
2015. 4
[44] Miguel A. Salido, Mario Rodriguez-Molins, and Federico Barber. Integrated intelligent techniques for
remarshaling and berthing in maritime terminals. Advanced Engineering Informatics, 25(3):435–451,
2011. 4.1.1, 4.1.1, 5
[45] Miguel A. Salido, Oscar Sapena, and Federico Barber. What Is Better: 4 Tiers Or 5 Tiers In The
Container Stacking Problem? In The International workshop on harbour, maritime and multimodal
logistics modelling and simulation, 2009. 3
[46] John Slaney and Sylvie Thiébaux. Blocks world revisited. Artificial Intelligence, 125(1):119–153,
2001. 3
[47] Phatchara Sriphrabu, Kanchana Sethanan, and Banchar Arnonkijpanich. A Solution of the Con-
tainer Stacking Problem by Genetic Algorithm. IACSIT International Journal of Engineering and
Technology, 5(1):45–49, 2013. doi: 10.7763/IJET.2013.V5.507. 4.2, 5
[48] Robert Stahlbock and Stefan Voss. Operations research at container terminals: a literature update.
OR Spectrum, 30:1–52, 2008. doi: 10.1007/s00291-007-0100-9. 1
[49] Dirk Steenken, Stefan Voss, and Robert Stahlbock. Container terminal operation and operations
research . A classification and literature review. OR Spectrum, 26:3–49, 2004. 1, 2
[50] Shunji Tanaka and Kenta Takii. A faster branch-and-bound algorithm for the block relocation
problem. IEEE Transactions on Automation Science and Engineering, 13(1):181–190, 2016. doi:
10.1109/TASE.2015.2434417. 4.1.1
[51] Lixin Tang, Wei Jiang, Jiyin Liu, and Yun Dong. Research into container reshuffling and
stacking problems in container terminal yards. IIE Transactions, 47(7):751–766, 2015. doi:
10.1080/0740817X.2014.971201. 4.1, 4.1.1
[52] Eelco van Asperen, Bram Borgman, and Rommert Dekker. Evaluating Container Stacking Rules
Using Simulation. In B. Johansson, S. Jain, J. Montoya-Torres, E. Yucesan, and J. Hugan, editors,
Proc. of the 2010 Winter Simulation Conference, 2010. 3
[53] Iris F.A. Vis and René de Koster. Transshipment of containers at a container terminal: An overview.
European Journal of Operational Research, 147:1–16, 2003. 1
[54] Yat-wah Wan, Jiyin Liu, and Pei-Chun Tsai. The Assignment of Storage Locations to Containers
for a Container Stack. Naval Research Logistics, 56(8):700–713, 2009. doi: 10.1002/nav. 3, 4.1.1, 5
[55] Xiaoming Yang, Ning Zhao, Zhicheng Bian, Jiaqi Chai, and Mi Chao. An Intelligent Storage De-
termining Method for Inbound Containers in Container Terminals. Journal of Coastal Research,
73(sp1):197–204, 2015. doi: 10.2112/SI73-035.1. 4.1.1, 5
Inteligencia Artificial 60(2017) 50
[56] Elisabeth Zehendner, Marco Caserta, Dominique Feillet, Silvia Schwarze, and Stefan Voss. An im-
proved mathematical formulation for the blocks relocation problem. European Journal of Operational
Research, 245(2):415–422, 2015. doi: 10.1016/j.ejor.2015.03.032. 4.1.1, 4.1.1
[57] Elisabeth Zehendner, Dominique Feillet, and Patrick Jaillet. An algorithm with performance gua-
rantee for the Online Container Relocation Problem. European Journal of Operational Research,
259(1):48–62, 2017. doi: 10.1016/j.ejor.2016.09.011. 4.1.2