发布时间：
中国港湾建设通部优秀期刊，综合影响因子为174。中国港湾建设杂志主要刊登港口、航道、水运、桥梁及港口机械制造等领域的应用理论，新结构、新工艺、新材料、新技术的研究与应用，报道国内外有关港湾建设方面的科技发展动态。主管主办：中国交通建设集团有限公司 中国交通建设股份有限公司快捷分类：交通公路与水路运输 工程科技II出版发行：天津 月刊 A4期刊刊号：1003-3688, 12-1310/U创刊时间：1981 影响因子 174审稿时间：3-6个月期刊级别： 统计源期刊 港工技术为广大读者提供更多地港口工程设计及建设的科技信息，为港口工程基本建设不断采用高新技术创造条件，为提高港口工程设计质量、技术水平和工程效益服务，促进水运建设行业"两个文明建设"的发展。读者对象为国内外从主管主办：中国交通建设集团有限公司 中交第一航务工程勘察设计院有限公司快捷分类：交通公路与水路运输 工程科技II出版发行：天津 双月刊 A4期刊刊号：1004-9592, 12-1220/U创刊时间：1964 影响因子 206审稿时间：3-6个月期刊级别： 统计源期刊 上海船舶运输科学研究所学报引文数据库来源期刊收录。上海船舶运输科学研究所学报主要反映在船舶运输系统、船舶设计、船舶自动化、船舶电站、交通工程、环保工程、港口工程、电子信息、船舶动力机械、船舶仪器设备、航运经济等方面的科研成果。主管主办：上海船舶运输科学研究所 上海船舶运输科学研究所快捷分类：工业船舶工业 工程科技II出版发行：上海 季刊 A4期刊刊号：1674-5949, 31-2023/U创刊时间：1978审稿时间：3-6个月期刊级别： CSCD核心期刊 水运工程面的方针、政策；重点报道港口、航道、航电枢纽、道路、桥涵、修造船厂、市政建设等方面的勘察、规划、设计、科研、施工、监理、水运经济及管理方面的新技术、新材料、新工艺、新方法及技术改造成果和主要经验教训。主管主办：中国交通建设集团有限公司 中交水运规划设计院快捷分类：交通公路与水路运输 工程科技II出版发行：北京 月刊 A4期刊刊号：1002-4972, 11-1871/U创刊时间：1976 影响因子 232审稿时间：1-3个月期刊级别： 北大核心期刊 统计源期刊 城市轨道交通研究上海市交通运输和港口管理局、上海铁路局、上海申通地铁集团、广州市地下铁道总公司、深圳市地铁集团、长春轨道客车股份有限公司、铁道第三勘察设计院集团公司、中铁三局集团公司、深圳市地铁三号线投资有限公司、主管主办：中华人民共和国教育部 同济大学快捷分类：交通铁路运输 工程科技II出版发行：上海 月刊 A4期刊刊号：1007-869X, 31-1749/U创刊时间：1998 影响因子 404审稿时间：1-3个月期刊级别： 北大核心期刊 统计源期刊
交通技术，直接找这些期刊的官网~咨询编辑如何投稿就可以了
1、北方交通 2、北京公路 3、北京汽车 4、变流技术与电力牵引 5、长客科技 6、车辆与动力技术 7、车迷 8、车时代 9、车世界 10、车用发动机 11、车与人 12、车主之友 13、城市车辆 14、城市道桥与防洪 15、城市公共交通 16、城市轨道交通研究 17、城市交通 18、船舶 19、船舶标准化 20、船舶标准化工程师 21、船舶标准化与质量 22、船舶工程 23、船舶经济贸易 24、船舶力学 25、船舶设计通讯 26、船舶物资与市场 27、船电技术 28、船海工程 29、船检科技 30、船艇 31、大众汽车（豪华版） 32、当代汽车 33、道路交通管理 34、道路交通与安全 35、地下工程与隧道 36、电动自行车 37、电力机车与城轨车辆 38、电气化铁道 39、东北公路 40、东风汽车 41、都市快轨交通 42、发动机燃料系统 43、福建交通科技 44、港工技术 45、港工技术与管理 46、港工勘察（内部资料） 47、港口经济 48、港口科技 49、港口装卸 50、公路 51、公路工程 52、公路交通技术 53、公路交通科技 54、公路与汽运 55、广船科技 56、广东公路交通 57、广东造船 58、广铁科技 59、广西交通科技 60、国防交通工程与技术 61、国际船艇 62、国家安全通讯 63、国外机车车辆工艺 64、国外舰船工程 65、国外内燃机车 66、国外铁道车辆 67、哈尔滨铁道科技 68、海交史研究 69、海事大观 70、航道科技 71、航海 72、航海技术 73、黑龙江交通科技 74、湖北汽车 75、湖南交通科技 76、华东公路 77、华南航道 78、机车车辆工艺 79、机车车辆通讯 80、机车电传动 81、机电兵船档案 82、机电设备 83、集装箱化 84、驾驶天地 85、驾驶园 86、减速顶与调速技术 87、舰船电子工程 88、舰船科学技术 89、舰船知识 90、江苏船舶 91、江苏交通 92、江苏交通科技 93、江西交通 94、交通标准化 95、交通环保 96、交通节能与环保 97、交通科技 98、交通科技与经济 99、交通世界（建养机械） 100、交通世界（运输车辆） 101、交通与计算机 102、交通与社会 103、交通与运输 104、交通运输工程学报 105、交通运输工程与信息学报 106、交通运输系统工程与信息 107、轿车情报 108、京铁科技通讯 109、客车技术 110、客车技术与研究 111、路基工程 112、眉厂科技 113、名车志 114、摩托车 115、摩托车技术 116、摩托车信息 117、内蒙古公路与运输 118、内燃机车 119、汽车导购 120、汽车电器 121、汽车工程 122、汽车工业研究 123、汽车工艺与材料 124、汽车技术 125、汽车驾驶员 126、汽车科技 127、汽车情报 128、汽车生活 129、汽车时代 130、汽车实用技术 131、汽车维护与修理 132、汽车维修 133、汽车维修技师 134、汽车维修与保养 135、汽车文摘 136、汽车与安全 137、汽车与驾驶维修 138、汽车与你 139、汽车与配件 140、汽车与社会 141、汽车运输研究 142、汽车运用 143、汽车杂志 144、汽车之友 145、汽车知识 146、汽车族 147、桥梁建设 148、青海交通科技 149、轻型汽车技术 150、山东交通科技 151、山西交通科技 152、商用汽车 153、上海船舶运输科学研究所学报 154、上海公路 155、上海汽车 156、上海铁道科技 157、上海造船 158、时代汽车 159、实用汽车技术 160、世界海运 161、世界汽车 162、世界桥梁 163、世界隧道 164、水道港口 165、水路运输文摘 166、水运工程 167、水运管理 168、水运科学研究 169、四机科技 170、隧道建设 171、隧道译丛 172、天津航海 173、天津汽车 174、铁道标准设计 175、铁道车辆 176、铁道工程学报 177、铁道货运 178、铁道机车车辆 179、铁道机车车辆工人 180、铁道技术监督 181、铁道建筑 182、铁道建筑技术 183、铁道勘测与设计 184、铁道勘察 185、铁道劳动安全卫生与环保 186、铁道通信信号 187、铁道文摘 188、铁道学报 189、铁道运营技术 190、铁道知识 191、铁路安全 192、铁路采购与物流 193、铁路地质与路基 194、铁路工程造价管理 195、铁路技术创新 196、铁路通信信号工程技术 197、西部交通科技 198、现代城市轨道交通 199、现代船舶 200、现代交通技术 201、现代隧道技术 202、小型内燃机与摩托车 203、学术动态 204、移动电源与车辆 205、游艇业 206、云南交通科技 207、云南现代交通 208、运输经理世界 209、造船技术 210、浙江交通科技 211、中船重工 212、中国船检 213、中国道路运输 214、中国港口 215、中国港湾建设 216、中国公路 217、中国公路学报 218、中国海事 219、中国航海 220、中国航务周刊 221、中国机械 222、中国舰船研究 223、中国交通年鉴 224、中国交通信息产业 225、中国轮胎资源综合利用 226、中国汽车工业年鉴 227、中国汽车画报 228、中国汽车市场 229、中国水运（理论版） 230、中国水运（上半月） 231、中国水运（下半月） 232、中国水运（学术版） 233、中国索道 234、中国铁道科学 235、中国铁道年鉴 236、中国铁路 237、中国铁路（英文版） 238、中国修船 239、中国造船 240、中国自行车 241、中外船舶科技 242、中外公路 243、中文科技资料目录-船舶工程 244、重型汽车 245、珠江水运 246、筑路机械与施工机械化 247、专用汽车 248、装备维修技术 249、综合运输
- 国际货运代理的业务责任分析 Analysis on the Responsibility of International Freight Forwarder Practice 作者:万长云, 期刊-核心期刊 中国市场CHINA MARKET 2008年 第45期 相似文献： - 国际货运代理的业务责任分析 Analysis on the Responsibility of International Freight Forwarder Practice 作者:万长云, 期刊-核心期刊 中国市场CHINA MARKET 2008年 第45期 - 第三方物流下的国际货运代理人 International Freight Forwarding Agent under 3PL Service 作者:姚荣芬, 期刊-核心期刊 水运管理SHIPPING MANAGEMENT 2004年 第09期 - 国际货运代理业应当尽快实施收益管理 International Freight Forwarders Should Carry Out The Revenue Management as soon as Possible 作者:李彩其, 期刊 中国水运(学术版)CHINA WATER TRANSPORT 2007年 第06期 - 浅谈国际货运代理的风险保障--责任保险制度 Brief Discussion on Liability Insurance System - Risk Protection of International Forwarding Agency 作者:牛芳, 期刊-核心期刊 国际经贸探索INTERNATIONAL ECONOMICS AND TRADE RESEARCH 2002年 第05期 - 无船承运人的角色定位及若干问题 作者:张颖, 期刊 中国水运(上半月)CHINA WATER TRANSPORT 2008年 第03期 - 对国际货运代理业实行责任保险制度的探讨 Study on the International Freight Forwarders Liability Insurance System 作者:高伟, 期刊 青岛远洋船员学院学报JOURNAL OF QINGDAO OCEAN SHIPPING MARINERS COLLEGE 2007年 第01期 - 我国国际货物运输代理中存在的问题及对策 Agency for the Transportation of International Goods: Problems and Solutions 作者:秦淑芬, 期刊-核心期刊 国际贸易问题JOURNAL OF INTERNATIONAL TRADE 2001年 第10期 - 国际货运代理人身份的辨别 On the Identity of Forwarder 作者:苏同江,高伟, 期刊 青岛远洋船员学院学报JOURNAL OF QINGDAO OCEAN SHIPPING MARINERS COLLEGE 2005年 第03期 - 对国际货运代理公司承担承运人责任的几点思考 A Study on the Carrier's Responsibilities of Freight Forwarders 作者:马树杰, 期刊 天津职业院校联合学报JOURNAL OF TIANJIN VOCATIONAL INSTITUTES 2006年 第06期 - 国际货运代理人法律地位的认定标准 Criterion of jufistical status judgment on international freight agent 作者:刘桢,李鹏,刘京利, 期刊-核心期刊 水运管理SHIPPING MANAGEMENT 2008年 第06期 - 控制风险扬帆国际——小议国际货运代理的风险防范 作者:曾桦, 期刊-核心期刊 商场现代化MARKET
科普推广运筹学一直以来是【运筹OR帷幄】平台的初衷。本次我们邀请到了平台优化板块的责编团队的成员，结合各自独特的业界工作体会，分享他们眼中在业界发光发热的运筹学。一、元器件行业中的运筹学本人在一家做元器件服务的公司实习，军用元器件使用的时候有两个典型场景：替代和统型。替代是设计师针对进口元器件找到可替代的国产型号；统型是在一个产品的BOM内确定某几个不同元器件是否可以统一使用一种，以此减少元器件品种数。目前行业内开始从依赖专家经验（比如知道某个国产元器件就是对标某个进口元器件做的），转向从元器件性能参数的相似度出发进行判断，所以涉及到相似度和聚类方法的应用。相比方法本身，解决问题的更大阻碍是元器件性能参数数据的复杂性和不规范性。例如不同类别的元器件性能参数不同，即使在同一类别下，不同生厂商给出的性能参数形式也不同，对此进行规范需要有元器件专业知识，所以实际中，数据清洗往往耗费最多人力，也是影响方法使用效果的一大因素。二、电力行业中的运筹学本人领域是电力系统最优化，可能大家没有察觉，但是现在中国的电力网络毫无争议的走在了世界的最前沿。强如美国，最近也又一次出现了大规模停电问题。（上次是1977年加州大停电）这次美国的停电持续了25个小时，约至少4万人受到了影响，经济损失至少3000万美金以上。但是中国自从普及用电后，从没发生过如此大规模的停电问题。除了电力人的辛勤奋斗外，这也离不开运筹学在电力系统中的应用。众所周知，我们现在的电力网是交流输电网络。交流输电网络中的参数远比直流输电网络要复杂得多。最明显的不同，在交流网络中我们需要处理线路的有功功率无功功率。除此之外，线路的损耗、输电节点的电压和相角也是我们需要考虑的因素。为了保证整个电力系统的损耗最小，我们需要建立相关的数学模型进行分析计算，然后再由调度中心进行调控。但是实际问题的复杂程度远远超乎想象，单一个最优潮流问题就是一个大规模非凸非线性的问题。为了求解这类问题，相关学者提出了诸多算法和理论。诸如：半正定规划、现代内点法、凸松弛技术，模型近似技术等。这些理论已经发展了数十年，但即便如此，也没有一套成熟的理论被应用到实际中。在电力网中，我们不单要考虑线路损耗的降低，更重要的是要保证供电的可靠性。我们常常需要提前一天或数天对电力系统进行调度安排，这类问题往往是一个多层优化问题，对于这类问题，我们常见的求解办法是Benders分解和列生成。除此之外，我们需要不定期对线路检修，发电厂的维护，而线路的通断、发电厂的启停在数学模型中又成了一个整数规划问题。整体的求解难度又上升了一个层次。另外，在国家大规模倡导新能源接入的今天，风电和光伏电站不断被接入电力网络中，而新能源不能得到普及的一个重要因素是我们不能准确预知新能源电厂在下一时刻能够发出多少电能供我们使用。为了分析这类问题，我们的模型在混合整数非线性规划上又需要考虑不确定因素带来的影响。对这类问题的求解，我们又提出了随机规划、鲁棒优化、分布鲁棒等。还有一点，我们的输电线路可能会由于雷击、树枝接触等导致出现输送功率出现扰动。系统中的这些小扰动可能会对用户供电的电压和频率产生波动，对于普通家庭来说可能影响不大，但是对于一些高精技术的产业，一次电压或频率的波动就可能导致整个生产线的崩溃。如何建立相关的数学优化模型来预防这一问题也是当前的研究热点之一。最后，大家也十分熟知我们国家有一个西电东送的工程，这也是我认为最困难的一个点，我们国家的电力网络是连在一起的，是一个十分庞大且复杂的系统，而我们电力网络是时时波动的，我们需要在秒级做出优化，并给出方案。目前针对这种超大规模的含不确定性的多层混合整数非线性规划问题，我们没有办法在有限的时间内得到一个最优解。但即便困难重重，在一线的电力工作者仍在尽自己最大的努力来保证电力网络的安全可靠运行，为中国电力点赞。三、制造业中的运筹学本人目前是某厂的算法工程师，参与过企业的排班，调度，决策优化等场景的项目，主要想结合自己的经历和大家分享一下运筹优化在企业中的一些应用，主要包括任务规划/排班和实时调度两个方面，围绕场景定义，方法论和实际中的困难三个点进行阐述。1、任务规划/排班（1）场景定义首先说一下什么是任务规划，什么是排班。任务规划是基于设定好的任务输入，进行任务的排期规划，以达到资源的有效利用和工作效率的提升。任务规划主要用于传统制造业/工厂排程，建筑工程规划排程，物流运输线路任务打包等场景。任务规划后输出给虚拟人或者其它虚拟资源创建的带有时间窗的任务包，排班则基于这些任务包，把它对应到实际的人或者其它真实车辆，机械等资源中，规划出某些资源在什么时候做什么任务的结果，以及该任务需要消耗多少其它资源。（2）方法论主要的规划方法也是传统运筹优化使用的方法。首先了解真实的业务场景，抽象业务规则和约束，搭建数学模型，运用规划求解器（Cplex，Gurobi等）或者启发式算法（Local Search，Iterative Forward Search等以及各种变种）进行求解。启发式算法可以在现有的solver上进行基于不同场景的二次开发，也可以自行开发。业界一般采用第一种方式。（3）实际运用困难点在实际场景中，给不同资源的排班会有很多实际因素要考虑。给人排班要考虑人的工作班次时长，人历史的上班习惯（如习惯上晚班，晚班后不能接早班），人所拥有的技能，个人的偏好（偏好某个工种或者上班时间段），法律规定以及不同工厂因为地域有不同的差异，如香港是8小时工作制，而大陆班次时长可以是10小时等。当我们处理实际问题的时候，先要梳理实际场景，总结管理规律，构建多种配置参数，进行建模。相比于排班来说，任务规划因为是针对虚拟资源而构建，所以可以不用考虑过多的资源属性（如人习惯）等因素。2、实时调度（1）场景定义基于实时数据输入，进行任务的整合和任务的分配。主要的场景有：O2O外卖即时配送，打车软件车辆实时调度，仓储叉车/AGV，分拣中心分拣机器人实时调度等场景。实时调度的场景主要集中于新业务，而非传统的制造业和实体企业。传统的制造业和实体企业骄傲于他们的规划，而前面场景定义所提到的一些新业务场景，无法采用有效地长期规划手段，更多地是依赖短期的预测和实时的规划调度。（2）方法论上述提到的短期预测：如外卖下单到餐品完成的时间估计，车辆调度Supply和Demand的平衡，仓储/分拣中心的任务需求预测等，一般基于不同场景搭建机器学习模型，或者各种深度学习模型的Ensemble进行训练和预测。实时的规划调度包括：如外卖下单后分给哪个外卖小哥，车辆订单来了分给哪辆车，任务需求来了分给哪辆叉车，AGV或者机器人。主要的方法有：● 短时间压单后进行任务分配，以牺牲一定的最优性而换来快速高效地计算，采用传统并行的多个Tabu Search，Simulated Annealing等进行TSP或者VRP的计算。● 强化学习/动态规划方法。用收集的数据和规则搭建仿真环境，用强化学习构建任务需求（订单或者生产入库需求等）与资源（车辆，外卖效果，叉车等）的匹配价值（Value），然后分配计算。（3）实际运用困难点● 大规模订单/任务需求的计算，需要一定的计算资源支持，以及牺牲算法的优化性来实现快速计算。● 实时数据的采集。有些数据无法直接有效地采集，比如真实商家做餐时间。● 如果要搭建仿真环境，也需要了解和抽象实际的业务规则。3、关于运筹学在业界应用的思考我在某公司实习了三个月，主要做的是生产计划。生产计划也是属于供应链的一个环节，与调度相比生产计划的制定要更加宏观一些。生产计划就是决策什么时间，在哪家厂/哪条生产线上，加工多少工件。生产计划的问题广泛的存在于制造业中，举个例子就是是手机的制造，一部手机有上千个零件构成，每个零件都在指定的供应商处生产，例如手机屏幕，手机摄像头，手机电池，手机充电器每个零件都由不同的生产厂来生产，然后将这些零件运送到最终的组装厂拼装成一台成品的手机。如何合理的安排每个厂在什么时候该生产多少零件是一个需要决策的重要问题。这个问题的核心在于要考虑尽量满足订单的需求要降低库存水位（或者是库存的周转率），同时要考虑到物料的约束，产能的约束，运输的约束等等因素。在小规模的排产问题中人工调度员还能应对，一旦生产规模变大，生产工艺复杂之后，人工调度的弊病会逐渐凸显出来。目前国内有意识去做供应链的决策模型与算法的并不多，据我所知其中比较有代表性的是杉数科技。杉数科技智能计划排程系统致力于为制造业及其上下游产业提供全链条技术服务，利用运筹学与机器学习将实际问题转化为数学模型求解，实现最优化的排程。个人认为，杉数科技在运筹学应用于制造业领域做了很好的探索，在很大程度上解决了如何用更少的人，更短的时间，生产更多的产品问题。上面提到的生产计划问题本质上是一个混合整数规划问题，零件的个数就是一个整数变量，而生产这些零件的物料可能是整数的也可能是连续变量，因此该问题构成了一个混合整数规划问题。解决方案无非以下两种：● 采用经典的混合整数规划的方法，先对原混合整数规划进行分解和重新建模，例如拉格朗日松弛，Benders 分解或者列生成等等方法，子问题的求解可以采用Gurobi或Cplex这些商用求解器。● 针对问题特性设计元启发式算法，启发式算法。实际运用困难点我想谈谈混合整数规划在业界应用的gap到底在哪里，当然说大一点的话也是探讨运筹学在业应用的gap。（1 ）实际应用问题往往是大规模的实际的生产问题往往是大规模的，例如我实习时所面临的实际问题其决策变量维数都达到上亿级别，业务部门要求是2小时之内给出结果，这对算法的效率实际上提出了非常大的挑战。即使是求解上亿规模的线性规划问题耗时都比较巨大，更不用说是整数规划问题了。我们经常说线性规划简单，哈哈，但是从实际应用的角度来看目前求解线性规划的速度在一些场景上还是不能满足我们实际应用的需求的。目前在学术界大家很多情况下都是在小规模问题上自娱自乐玩一下，所以真正在公司的话，大规模的问题非常非常普遍。举个例子就是读运筹学的PhD的时候是学会在游泳池里游泳，真正在公司里边面对的问题可能就是得在大海里边游。这其实还是比较好的状况，更差的情况是一些童鞋可能在学校里只是学会了在浴缸里游泳而已。（2） 实际数据往往都是病态的实际问题的数据往往都是病态的，例如我在公司遇到的问题就是病态问题，具体来说就是优化问题约束或者目标函数的系数数量级的差别过大，导致求解过程的病态，实际问题的数据往往是千差万别和稀奇古怪的，数量级的差异经常超过10E20以上。这一点在学术界研究的相对较少一点，因为学术界研究的问题都比较理想化，即使有从实际中抽象一些原型出来，但是已经把病态啊这些问题都基本过滤掉了，但是在实际中你就发现病态问题太多了。（3） 业务人员没有优化的意识，运筹优化的人缺乏业务知识，沟通成本非常高业务人员没有优化的意识，很多时候他们不清楚运筹优化能做什么，甚至当运筹优化的算法工程师问题业务人员你们有什么要求没（约束条件），你们有什么量化的指标要越大越好或者越小越好（目标函数），业务人员很多时候也不能很清晰量化的描述出来这些东西，还有很多时候业务人员嘴巴上告诉你的目标函数和心里想的不一致。就相当于你是一个大厨，什么线性规划，拉格朗日松弛，列生成，半定规划，鲁棒优化这些菜你都会做，结果来一个顾客说他不知道吃点啥。运筹学的理论的应用必然还是要有一个实际的背景问题，而不同的问题所处的行业不一样，每个行业都有自己的习惯自己的一套语言和模式，例如航空业就有很多专业术语，如果做航空优化的话，那么就要求运筹优化的算法工程师要具备一定的业务基础，否则你是无法和业务人员交流的，人家说话你都听不懂，1次2次不懂你可以问，十次八次不懂的话，人家就不爱和你说话了。而且运筹优化算法工程师一般都是作为乙方出现的，很多时候还必须是我们得放低姿态的去主动的接触业务学习业务才行啊，否则项目就很难进行下去。（4） 测试困难，如何验证优化算法求解结果的正确性好不容易，经过了重重阻碍，克服千难万险，我们的优化算法出炉了，我们可以得到一个结果。如何验证这个结果是正确的呢？其实非常抱歉的告诉你，基本没啥靠谱的方法去验证。现在在公司普遍的作法是两种，1是人为的构造一些类似benchmark的东西，这些东西的最优解比较显而易见，通过这些benchmark来检测算法的正确性；2是参考以前人工的经验来看，算法给出的解是不是合理，例如要是做一个调度算法呢，就找几个有经验的调度员来看这个算法是不是接近以前人工调度的结果，如果接近那就认为OK了。很显然这两种方法有很多的不足，第一种方法只能适用问题特别简单的时候，问题稍微复杂一点，规模大点benchmark就很难构造了，第二种方法虽然适用面更宽一些，但是问题也很明显，那就是以前人工调度的结果很难说是比较好的结果，那这个结果去和算法做对比本来参考系就有问题。四、电商行业中的运筹学本人目前在某电商供应链计划部门实习，该电商平台有八个事业部，每个事业部每天都有一定量级的产品上新、下架。目前平台上八大事业部的总商品数量量级是十万，对接不到2000家供应商。我所在职位的主要工作内容是，根据历史销量进行各个产品的需求量预测，由于产品发货渠道有商家自发货和平台发货两种渠道，选择平台发货的厂商需要结合产品的生产周期，并且按照与平台约定的补货周期将货物运到平台的自有仓库。因此对于平台供应链计划部门来说，需要根据货物现有库存，结合日均销量预测（分大促日销和平常日销两种）实现补货量和补货时间点预测自动化，仓库效益最大化。将预测信息反馈到计划员和事业部同事进行产品调整。存在的难题有很多，比如对于新品的日销需求预测？长期在架产品的需求预测及库存管理实现效益最大化？当某产品的补货周期是一个月时，涵盖了大促时期和平销时期，如何库存管理和日销量预测，以实现仓库效益最大化，平台收益最大，且尽可能缩短断货时长？而这些都是运筹学和优化问题。五、机器学习行业中的运筹学本人最近在BAT（之一）的北美研究院实习，研究院本身的运作模式算是和本地业务团队稍有不同，成员多为国内外名校毕业的计算机、统计、数学、运筹学等专业的博士。除了写paper之外，团队也需要做能“落地”的业务支持项目（通常和国内的业务部门合作）：如在线视频网站的推荐算法、二手商品平台的定价算法、新零售门店的多渠道库存控制算法等。这些问题首先的一个共性是：海量的数据规模。这些问题对应的业务部门都有专门的数据团队，每天在公司内部的数据仓库会定时更新当日的数据（每日的数据量级都是上百TB）。因此，要在此基础之上，设计实用的优化算法，实际上对经典的运筹学模型和优化算法来说，也是巨大的挑战。因此，在目前我注意到的这些业界的实际“优化”业务中，机器学习方法和运筹学模型基本上是要一起使用的。更具体的来说，业界更需要的是“数据驱动”的决策模型。比如，现有的机器学习、深度学习方法带给我们良好的预测模型，而所谓的决策模型/优化模型便往往可以基于这些预测模型之上。当然，最理想的状态是能够将预测和决策这两个看似分离的步骤结合起来，即，动态地基于预测调整决策，再通过现阶段的决策调整之后的预测。关于这点，目前学术界有了很多不错的理论，但距离工业界的实际“落地”还是有距离的。这或许便是业界当中机器学习和运筹学的未来吧。
古语亦云：“运筹帷幄之中，决胜千里之外”， 出自西汉·司马迁《史记·高祖本纪》，意思是在小小的军帐之内作出正确的部署，决定了千里之外战场上的胜利。比喻做事前期准备充分，后期的工作就能顺利进行，也比喻很有才智的人无需上阵，只需做好前期的完善战略部署，就能够让事情获得成功。 《运筹与决策》这门课程的英文出处之原义，如周泓先生所讲为“作战研究”。名字虽然朴实无华，却足以彰显运筹的宏大。但我相信任何一个认真听完这门课程，并且为其深深触动的同学应该会同意这个说法，“作战研究”这个名词完全贴切地表达了运筹学的内容，那种有力量的底蕴。 我们求学MBA，想学的可不就是这般本领嘛！我们所处的这个时代，信息满天飞，关于运营与管理的书籍案例，似乎用一生的精力也看不完。但我们是幸运的，我们遇到了一所“德才兼备、知行合一”的好学校，来到了一所“仰望星空，脚踏实地”的课堂，还遇到了一位胸中有经纶的教书先生。 先生之执教，不在于理论如何之复杂，案例如何之宏大，而是可以教我们精进之道，勇猛之术。 何谓精进之道？话说康有为年轻时，大量求购书籍，每天拿一把锥子往书堆里刺，刺穿几本就读几本，久而久之，他不仅读遍了中国的经典古书，连西方译过来的书也就读遍了。力、热、光、电、动植物，还有化学、微积分等等等等。后来他在万木草堂开讲授徒时，告诉学生儒学几天就可以入门，只需读《公羊传》和《春秋繁露》即可。能把复杂宏大的学问取之精华，然后又可以循序善诱，潜移默化地教授给学生。润物细无声中，我们学会了图解法求最优解，学会敏感度分析，还知道啥是影子价格、百分百法则；我们学会了建模，解决班次重叠、解决运输问题、解决指派问题，我们可运用0，1变量、整数规划来给出建不建厂、建不建仓库、生产门还是生产窗的好建议；项目网络图更是神奇，画出方框后小学算术求解竞能找出来最短工期；多目标决策中的AHP如此数据庞大，却可以归一验证！ 先生说：运筹学只是一门工具，决策才是艺术。这句话，方才显出教授的学问，正如王阳明到了晚年，把学问和事务上的所有成就，都一扫而空，此乃勇猛之术。班上有名同学说，老师是在“俯视”这门课程，意指先生学问在上，才可去枝叶取支撑用课程之精要教授学生。课堂上的周泓先生于我们，有着不可言说的温情，然后会因为一句玩笑而爆掉，能带领我们循序渐进地深入课程其中而不畏其难。我们爱这样的课堂，我们爱这样的先生。 总得来说，运筹与决策这门课程，因为是讲述得是如何在管理中运用数据指挥作战的故事，所以充满了困境、宏伟和惊奇。在前三天的时间里，它就像一个一个魔方，让人在困惑中赞叹如此宏大的困境竟然有解决之道，只会让人惊诧，绝不会让人觉得乏味，只会因为那些缤纷的数据竟然可以被编辑成一个个模型演算出最优的结果而被深深吸引。 而在最后的一天里，在讲故事最关键的时候，如同烟花散尽，笙箫停歇，满天星斗在夜空里显露出来，纤尘不染。你只觉得那一瞬间，你理解了这门课程，而你却不能骄傲。
《陕西水利》还不错的，其他你可以上中国论文榜咨询一下
吉林省公路水运工程安全生产监督管理办法结合自己的工作岗位,谈谈如何抓好安全生6、 安全培训、交底交到施工人员手里。 7、 班前、班中、班后要勤检查。
还可以的理由：水路运输你可以从事物流方面的工作，运输货物，这样有利于锻炼你在这方面的能力，海事管理就负责人员调度，船只的开车的时间，货物运往的地点
水路运输与海事管理专业就业前景主要是在航运企业与海事事务处理部门从事船舶管理、船员劳务管理、物流管理、航运内勤、航运销售业务等工作。 30年前，国家沿海城市开放，敢于吃螃蟹的人成功了；今天，国家大力发展海洋战略产业，您准备好了吗？就业方向：国际邮轮乘务、货运代理与船舶代理、航运企事业单位、船舶运输等。
回答 就业还不错。就是有些劳累 水路运输与海事管理专业毕业生就业主要面向国内外航运企业、海事金融保险机构、船舶与货运代理企业、港航物流企业、对外贸易企业及海事管理等相关单位，从事航运管理与操作、船舶与船员管理以及船舶保险理赔、水路运输调度、第三方海事服务、客货运输组织与管理、港口经营管理、港航物流服务、港口理货、集装箱运输组织 提问 谢谢，谢谢。 回答 不客气 麻烦给个赞，谢谢！ 如果我的回答还不错。您可以点击樂我的头像关注我。以后有问题可以直接向我发起咨询。更省事哦。 提问 非常感谢你的指点！ 回答 不客气 更多6条
科普推广运筹学一直以来是【运筹OR帷幄】平台的初衷。本次我们邀请到了平台优化板块的责编团队的成员，结合各自独特的业界工作体会，分享他们眼中在业界发光发热的运筹学。一、元器件行业中的运筹学本人在一家做元器件服务的公司实习，军用元器件使用的时候有两个典型场景：替代和统型。替代是设计师针对进口元器件找到可替代的国产型号；统型是在一个产品的BOM内确定某几个不同元器件是否可以统一使用一种，以此减少元器件品种数。目前行业内开始从依赖专家经验（比如知道某个国产元器件就是对标某个进口元器件做的），转向从元器件性能参数的相似度出发进行判断，所以涉及到相似度和聚类方法的应用。相比方法本身，解决问题的更大阻碍是元器件性能参数数据的复杂性和不规范性。例如不同类别的元器件性能参数不同，即使在同一类别下，不同生厂商给出的性能参数形式也不同，对此进行规范需要有元器件专业知识，所以实际中，数据清洗往往耗费最多人力，也是影响方法使用效果的一大因素。二、电力行业中的运筹学本人领域是电力系统最优化，可能大家没有察觉，但是现在中国的电力网络毫无争议的走在了世界的最前沿。强如美国，最近也又一次出现了大规模停电问题。（上次是1977年加州大停电）这次美国的停电持续了25个小时，约至少4万人受到了影响，经济损失至少3000万美金以上。但是中国自从普及用电后，从没发生过如此大规模的停电问题。除了电力人的辛勤奋斗外，这也离不开运筹学在电力系统中的应用。众所周知，我们现在的电力网是交流输电网络。交流输电网络中的参数远比直流输电网络要复杂得多。最明显的不同，在交流网络中我们需要处理线路的有功功率无功功率。除此之外，线路的损耗、输电节点的电压和相角也是我们需要考虑的因素。为了保证整个电力系统的损耗最小，我们需要建立相关的数学模型进行分析计算，然后再由调度中心进行调控。但是实际问题的复杂程度远远超乎想象，单一个最优潮流问题就是一个大规模非凸非线性的问题。为了求解这类问题，相关学者提出了诸多算法和理论。诸如：半正定规划、现代内点法、凸松弛技术，模型近似技术等。这些理论已经发展了数十年，但即便如此，也没有一套成熟的理论被应用到实际中。在电力网中，我们不单要考虑线路损耗的降低，更重要的是要保证供电的可靠性。我们常常需要提前一天或数天对电力系统进行调度安排，这类问题往往是一个多层优化问题，对于这类问题，我们常见的求解办法是Benders分解和列生成。除此之外，我们需要不定期对线路检修，发电厂的维护，而线路的通断、发电厂的启停在数学模型中又成了一个整数规划问题。整体的求解难度又上升了一个层次。另外，在国家大规模倡导新能源接入的今天，风电和光伏电站不断被接入电力网络中，而新能源不能得到普及的一个重要因素是我们不能准确预知新能源电厂在下一时刻能够发出多少电能供我们使用。为了分析这类问题，我们的模型在混合整数非线性规划上又需要考虑不确定因素带来的影响。对这类问题的求解，我们又提出了随机规划、鲁棒优化、分布鲁棒等。还有一点，我们的输电线路可能会由于雷击、树枝接触等导致出现输送功率出现扰动。系统中的这些小扰动可能会对用户供电的电压和频率产生波动，对于普通家庭来说可能影响不大，但是对于一些高精技术的产业，一次电压或频率的波动就可能导致整个生产线的崩溃。如何建立相关的数学优化模型来预防这一问题也是当前的研究热点之一。最后，大家也十分熟知我们国家有一个西电东送的工程，这也是我认为最困难的一个点，我们国家的电力网络是连在一起的，是一个十分庞大且复杂的系统，而我们电力网络是时时波动的，我们需要在秒级做出优化，并给出方案。目前针对这种超大规模的含不确定性的多层混合整数非线性规划问题，我们没有办法在有限的时间内得到一个最优解。但即便困难重重，在一线的电力工作者仍在尽自己最大的努力来保证电力网络的安全可靠运行，为中国电力点赞。三、制造业中的运筹学本人目前是某厂的算法工程师，参与过企业的排班，调度，决策优化等场景的项目，主要想结合自己的经历和大家分享一下运筹优化在企业中的一些应用，主要包括任务规划/排班和实时调度两个方面，围绕场景定义，方法论和实际中的困难三个点进行阐述。1、任务规划/排班（1）场景定义首先说一下什么是任务规划，什么是排班。任务规划是基于设定好的任务输入，进行任务的排期规划，以达到资源的有效利用和工作效率的提升。任务规划主要用于传统制造业/工厂排程，建筑工程规划排程，物流运输线路任务打包等场景。任务规划后输出给虚拟人或者其它虚拟资源创建的带有时间窗的任务包，排班则基于这些任务包，把它对应到实际的人或者其它真实车辆，机械等资源中，规划出某些资源在什么时候做什么任务的结果，以及该任务需要消耗多少其它资源。（2）方法论主要的规划方法也是传统运筹优化使用的方法。首先了解真实的业务场景，抽象业务规则和约束，搭建数学模型，运用规划求解器（Cplex，Gurobi等）或者启发式算法（Local Search，Iterative Forward Search等以及各种变种）进行求解。启发式算法可以在现有的solver上进行基于不同场景的二次开发，也可以自行开发。业界一般采用第一种方式。（3）实际运用困难点在实际场景中，给不同资源的排班会有很多实际因素要考虑。给人排班要考虑人的工作班次时长，人历史的上班习惯（如习惯上晚班，晚班后不能接早班），人所拥有的技能，个人的偏好（偏好某个工种或者上班时间段），法律规定以及不同工厂因为地域有不同的差异，如香港是8小时工作制，而大陆班次时长可以是10小时等。当我们处理实际问题的时候，先要梳理实际场景，总结管理规律，构建多种配置参数，进行建模。相比于排班来说，任务规划因为是针对虚拟资源而构建，所以可以不用考虑过多的资源属性（如人习惯）等因素。2、实时调度（1）场景定义基于实时数据输入，进行任务的整合和任务的分配。主要的场景有：O2O外卖即时配送，打车软件车辆实时调度，仓储叉车/AGV，分拣中心分拣机器人实时调度等场景。实时调度的场景主要集中于新业务，而非传统的制造业和实体企业。传统的制造业和实体企业骄傲于他们的规划，而前面场景定义所提到的一些新业务场景，无法采用有效地长期规划手段，更多地是依赖短期的预测和实时的规划调度。（2）方法论上述提到的短期预测：如外卖下单到餐品完成的时间估计，车辆调度Supply和Demand的平衡，仓储/分拣中心的任务需求预测等，一般基于不同场景搭建机器学习模型，或者各种深度学习模型的Ensemble进行训练和预测。实时的规划调度包括：如外卖下单后分给哪个外卖小哥，车辆订单来了分给哪辆车，任务需求来了分给哪辆叉车，AGV或者机器人。主要的方法有：● 短时间压单后进行任务分配，以牺牲一定的最优性而换来快速高效地计算，采用传统并行的多个Tabu Search，Simulated Annealing等进行TSP或者VRP的计算。● 强化学习/动态规划方法。用收集的数据和规则搭建仿真环境，用强化学习构建任务需求（订单或者生产入库需求等）与资源（车辆，外卖效果，叉车等）的匹配价值（Value），然后分配计算。（3）实际运用困难点● 大规模订单/任务需求的计算，需要一定的计算资源支持，以及牺牲算法的优化性来实现快速计算。● 实时数据的采集。有些数据无法直接有效地采集，比如真实商家做餐时间。● 如果要搭建仿真环境，也需要了解和抽象实际的业务规则。3、关于运筹学在业界应用的思考我在某公司实习了三个月，主要做的是生产计划。生产计划也是属于供应链的一个环节，与调度相比生产计划的制定要更加宏观一些。生产计划就是决策什么时间，在哪家厂/哪条生产线上，加工多少工件。生产计划的问题广泛的存在于制造业中，举个例子就是是手机的制造，一部手机有上千个零件构成，每个零件都在指定的供应商处生产，例如手机屏幕，手机摄像头，手机电池，手机充电器每个零件都由不同的生产厂来生产，然后将这些零件运送到最终的组装厂拼装成一台成品的手机。如何合理的安排每个厂在什么时候该生产多少零件是一个需要决策的重要问题。这个问题的核心在于要考虑尽量满足订单的需求要降低库存水位（或者是库存的周转率），同时要考虑到物料的约束，产能的约束，运输的约束等等因素。在小规模的排产问题中人工调度员还能应对，一旦生产规模变大，生产工艺复杂之后，人工调度的弊病会逐渐凸显出来。目前国内有意识去做供应链的决策模型与算法的并不多，据我所知其中比较有代表性的是杉数科技。杉数科技智能计划排程系统致力于为制造业及其上下游产业提供全链条技术服务，利用运筹学与机器学习将实际问题转化为数学模型求解，实现最优化的排程。个人认为，杉数科技在运筹学应用于制造业领域做了很好的探索，在很大程度上解决了如何用更少的人，更短的时间，生产更多的产品问题。上面提到的生产计划问题本质上是一个混合整数规划问题，零件的个数就是一个整数变量，而生产这些零件的物料可能是整数的也可能是连续变量，因此该问题构成了一个混合整数规划问题。解决方案无非以下两种：● 采用经典的混合整数规划的方法，先对原混合整数规划进行分解和重新建模，例如拉格朗日松弛，Benders 分解或者列生成等等方法，子问题的求解可以采用Gurobi或Cplex这些商用求解器。● 针对问题特性设计元启发式算法，启发式算法。实际运用困难点我想谈谈混合整数规划在业界应用的gap到底在哪里，当然说大一点的话也是探讨运筹学在业应用的gap。（1 ）实际应用问题往往是大规模的实际的生产问题往往是大规模的，例如我实习时所面临的实际问题其决策变量维数都达到上亿级别，业务部门要求是2小时之内给出结果，这对算法的效率实际上提出了非常大的挑战。即使是求解上亿规模的线性规划问题耗时都比较巨大，更不用说是整数规划问题了。我们经常说线性规划简单，哈哈，但是从实际应用的角度来看目前求解线性规划的速度在一些场景上还是不能满足我们实际应用的需求的。目前在学术界大家很多情况下都是在小规模问题上自娱自乐玩一下，所以真正在公司的话，大规模的问题非常非常普遍。举个例子就是读运筹学的PhD的时候是学会在游泳池里游泳，真正在公司里边面对的问题可能就是得在大海里边游。这其实还是比较好的状况，更差的情况是一些童鞋可能在学校里只是学会了在浴缸里游泳而已。（2） 实际数据往往都是病态的实际问题的数据往往都是病态的，例如我在公司遇到的问题就是病态问题，具体来说就是优化问题约束或者目标函数的系数数量级的差别过大，导致求解过程的病态，实际问题的数据往往是千差万别和稀奇古怪的，数量级的差异经常超过10E20以上。这一点在学术界研究的相对较少一点，因为学术界研究的问题都比较理想化，即使有从实际中抽象一些原型出来，但是已经把病态啊这些问题都基本过滤掉了，但是在实际中你就发现病态问题太多了。（3） 业务人员没有优化的意识，运筹优化的人缺乏业务知识，沟通成本非常高业务人员没有优化的意识，很多时候他们不清楚运筹优化能做什么，甚至当运筹优化的算法工程师问题业务人员你们有什么要求没（约束条件），你们有什么量化的指标要越大越好或者越小越好（目标函数），业务人员很多时候也不能很清晰量化的描述出来这些东西，还有很多时候业务人员嘴巴上告诉你的目标函数和心里想的不一致。就相当于你是一个大厨，什么线性规划，拉格朗日松弛，列生成，半定规划，鲁棒优化这些菜你都会做，结果来一个顾客说他不知道吃点啥。运筹学的理论的应用必然还是要有一个实际的背景问题，而不同的问题所处的行业不一样，每个行业都有自己的习惯自己的一套语言和模式，例如航空业就有很多专业术语，如果做航空优化的话，那么就要求运筹优化的算法工程师要具备一定的业务基础，否则你是无法和业务人员交流的，人家说话你都听不懂，1次2次不懂你可以问，十次八次不懂的话，人家就不爱和你说话了。而且运筹优化算法工程师一般都是作为乙方出现的，很多时候还必须是我们得放低姿态的去主动的接触业务学习业务才行啊，否则项目就很难进行下去。（4） 测试困难，如何验证优化算法求解结果的正确性好不容易，经过了重重阻碍，克服千难万险，我们的优化算法出炉了，我们可以得到一个结果。如何验证这个结果是正确的呢？其实非常抱歉的告诉你，基本没啥靠谱的方法去验证。现在在公司普遍的作法是两种，1是人为的构造一些类似benchmark的东西，这些东西的最优解比较显而易见，通过这些benchmark来检测算法的正确性；2是参考以前人工的经验来看，算法给出的解是不是合理，例如要是做一个调度算法呢，就找几个有经验的调度员来看这个算法是不是接近以前人工调度的结果，如果接近那就认为OK了。很显然这两种方法有很多的不足，第一种方法只能适用问题特别简单的时候，问题稍微复杂一点，规模大点benchmark就很难构造了，第二种方法虽然适用面更宽一些，但是问题也很明显，那就是以前人工调度的结果很难说是比较好的结果，那这个结果去和算法做对比本来参考系就有问题。四、电商行业中的运筹学本人目前在某电商供应链计划部门实习，该电商平台有八个事业部，每个事业部每天都有一定量级的产品上新、下架。目前平台上八大事业部的总商品数量量级是十万，对接不到2000家供应商。我所在职位的主要工作内容是，根据历史销量进行各个产品的需求量预测，由于产品发货渠道有商家自发货和平台发货两种渠道，选择平台发货的厂商需要结合产品的生产周期，并且按照与平台约定的补货周期将货物运到平台的自有仓库。因此对于平台供应链计划部门来说，需要根据货物现有库存，结合日均销量预测（分大促日销和平常日销两种）实现补货量和补货时间点预测自动化，仓库效益最大化。将预测信息反馈到计划员和事业部同事进行产品调整。存在的难题有很多，比如对于新品的日销需求预测？长期在架产品的需求预测及库存管理实现效益最大化？当某产品的补货周期是一个月时，涵盖了大促时期和平销时期，如何库存管理和日销量预测，以实现仓库效益最大化，平台收益最大，且尽可能缩短断货时长？而这些都是运筹学和优化问题。五、机器学习行业中的运筹学本人最近在BAT（之一）的北美研究院实习，研究院本身的运作模式算是和本地业务团队稍有不同，成员多为国内外名校毕业的计算机、统计、数学、运筹学等专业的博士。除了写paper之外，团队也需要做能“落地”的业务支持项目（通常和国内的业务部门合作）：如在线视频网站的推荐算法、二手商品平台的定价算法、新零售门店的多渠道库存控制算法等。这些问题首先的一个共性是：海量的数据规模。这些问题对应的业务部门都有专门的数据团队，每天在公司内部的数据仓库会定时更新当日的数据（每日的数据量级都是上百TB）。因此，要在此基础之上，设计实用的优化算法，实际上对经典的运筹学模型和优化算法来说，也是巨大的挑战。因此，在目前我注意到的这些业界的实际“优化”业务中，机器学习方法和运筹学模型基本上是要一起使用的。更具体的来说，业界更需要的是“数据驱动”的决策模型。比如，现有的机器学习、深度学习方法带给我们良好的预测模型，而所谓的决策模型/优化模型便往往可以基于这些预测模型之上。当然，最理想的状态是能够将预测和决策这两个看似分离的步骤结合起来，即，动态地基于预测调整决策，再通过现阶段的决策调整之后的预测。关于这点，目前学术界有了很多不错的理论，但距离工业界的实际“落地”还是有距离的。这或许便是业界当中机器学习和运筹学的未来吧。
《运筹与管理杂志》运筹学是一门独立的新兴学科，它和自然科学、技术科学、社会科学都有密切的联系，具有很强的应用性。本刊是由中国运筹学会主办、合肥工业大学承办的学术性期刊。《运筹与管理杂志》办刊宗旨是交流运筹学与管理科学工作者的研究成果，推进运筹学在经济计划、投资决策、风险分析、企业管理、生产控制、结构优化、信息技术及军事领域的应用。《运筹与管理杂志》主要刊登运筹学、运筹数学、管理科学方面的学术研究成果及在国民经济各部门中创造性地解决实际问题行之有效的方法与经验。