文摘
增加灾害的频率不断提醒我们灾后的有效资源配置的重要性。为了减少受害者的痛苦,本文着重于如何建立有效的应急物流系统。我们首先提出一个多目标优化模型的位置和分配决策三级物流网络。三个目标,剥夺成本,未满足的需求成本,物流成本,采用提出的优化模型。同时考虑几个基数和流量平衡约束。然后,我们设计一种新型有效的IFA-GA算法结合萤火虫算法和遗传算法有效地解决这个复杂的模型。此外,三个方案提出了改进IFA-GA算法的有效性。最后,数值结果的理论和实践提供一些见解救援分布,这也说明算法的有效性提出了解决方案。
1。介绍
大规模的自然或人为灾害,如2010年海地地震、2011年的海啸在日本,在叙利亚内战,和2019年的冠状病毒疾病,世界各地频繁发生,导致巨大巨大的人员伤亡和财产损失的后果。世界已经见证了灾害和影响人数稳步增加了自1900年代以来。大规模的灾难之后,一个伟大的需要医疗和日常物资将调用在受灾地区,缺乏足够的救灾资源。因此,外部的快速分销商品是减轻灾害造成的损失的关键。因此,应急物流已收到广泛关注实际的管理者和学者(1]。然而,如何设计一个高效的应急物流系统是一个巨大的挑战2]。在过去的十年中,绝大多数对应急管理的研究集中在公务员的回应,政府机构,和保险公司在危机时期(3]。应急物流,也俗称人道物流,是新兴和成为运营管理的热点在最近的十年。
在大多数当前的相关研究、应急物流问题研究的基础上,分析传统商业部门的配方,不同的商业场景中,其决策的目标是最小化物流成本。在紧急救援的情况下,鼓励科学界提供有效的物流系统,以减少人类的痛苦。因此,适应目标在商业和应急物流是截然不同的。修改后的分析配方的传统物流不是很适合应急物流问题[4]。
获得一个适当的目标函数为应急物流,Holguin-Veras et al。5)纳入到应急管理福利经济原则,介绍了剥夺成本,表达人类痛苦的经济价值的缺乏引起的资源或服务。自那时以来,一些研究使用不足成本进行应急物流领域(6]。例如,Perez-Rodriguez和Holguin-Veras7)开发了一个inventory-allocation-routing模型最优关键物资通过最小化物流和社会成本。伊斯梅尔(3]研究了救援分配问题,考虑到物流和剥夺成本。其他一些论文在应急物流领域也被认为是人类的痛苦。查普曼和米切尔(8]研究了配送中心选择问题,人口减少的痛苦。柯特斯和Cantillo9)建立了一个设施选址模型的前置供应为灾难做准备。他们的配方认为剥夺成本目标函数。Rivera-Royero et al。10)提出了一个动态模型为救援需求。他们认为的紧迫性需求点的水平。莫雷诺et al。11)提出了一种新颖的模式来优化位置,交通和舰队剥夺分级与考虑应急物流成本。Cantillo et al。12)交通网络脆弱性评估从物流成本和剥夺成本。朱et al。13]研究了紧急救援路由优化问题考虑剥夺受伤的程度和成本。
类似于上面的文献中,我们采用剥夺成本”来形容人类痛苦。我们的应急物流研究子问题。三个目标,剥夺成本损失,需求未得到满足和物流成本,采用提出的优化模型。本文的公平客观平等的受影响地区之间的供应,拥有相同的目的未满足的需求最小化(14]。此外,我们的文学也在于流的多目标规划,广泛用于解决紧急优化问题。太阳et al。15]提出了一种鲁棒优化模型来确定设备的位置,资源分配,三级救援链中,交通事故伤亡组成的集群,临时设施,和一般的医院。他们的目标是最小化总损伤严重度评分(ISS)和物流成本。周et al。2]研究了multiperiod动态应急资源调度问题,提出了多目标优化模型。曹et al。16)提出了一种多目标非线性规划模型关于受益人的角度可持续性资源分配。通过最大化模型是解决最低的受害者的感知满意度和最小化最大的受害者的偏差被认为满意。侯赛因et al。17]研究了随机碎片间隙问题在灾后操作。他们决心一系列道路清晰的目标最大化满足救灾需求。Gralla et al。18)开发了一种方法来应急物流的目标函数值基于专家偏好在五个关键属性。他们发现货物交付的数量是最有价值的目标和成本最不重要。同样,我们进行了基于三级应急物流网络优化问题。考虑现实的复杂性,我们制定问题的多目标混合整数非线性规划基数和流量平衡约束。
大多数优化问题的应急物流很难有效地解决精确算法,特别是在有限的可用时间。在这种情况下,采用metaheuristic算法是必要的(19]。第三本文算法设计的相关文献流。周et al。2)设计了一个基于分解(MOEA)的进化算法解决多目标multiperiod动态应急资源调度问题。曹et al。16)采用遗传算法解决救援分布模型。Haghi et al。20.)提出了一种多目标位置和交通规划模型,解决了一个非惯用排序遗传算法。Eisenhandler和Tzur21建模一个食品救援问题作为一个路由资源分配问题公平分配目标。他们提出了一个基于大型社区搜索的启发式方法解决模型框架。Zhang et al。22)确定卡车和无人驾驶飞机路线在人道主义救援网络结合列生成和禁忌搜索算法。本文设计一个名叫IFA-GA metaheuristic算法结合萤火虫算法和遗传算法。一些改进方案嵌入IFA-GA获得更好的解决方案。
本文的贡献可以概括如下:首先,我们提出一种新的多目标子优化模型对应急物流、剥夺成本,公平,和操作成本。数值结果表明,剥夺成本有重大影响的位置决定。第二,我们设计一种新的IFA-GA算法基于萤火虫算法和遗传算法的结合。三个方案、种群初始化搜索策略,提出了人口和更新机制,改善IFA-GA。计算结果说明,该IFA-GA解决性能优于其他算法。
本文的其余部分组织如下:部分2提出了一些假设和符号。三个目标函数的详细描述和模型公式给出的部分2。部分3发展混合IFA-GA算法求解该模型,给出了改进方案。部分4进行数值研究和分析。最后,部分5给出了结论和未来的工作。
2。问题描述和配方
在本节中,我们首先给出一些假设和符号。然后,三个救灾目标函数提出了代表人类痛苦,公平,和物流成本。最后,我们提出一个多目标位置和三级应急物流资源分配模型。
2.1。假设和符号
应急物资主要来自两个来源:当地救援仓库或外部调度。当地救援仓库可以提供供应灾后立即发生,但数量是有限的。外部调度主要来自于国家战略储备(SNS),集各方的资源和提供了受影响地区的主要资源通过铁路或飞机在随后的救援阶段。在本文中,我们考虑一个在第二种情况下应急物流问题。大多数应急物流系统具有三层结构,包括SNS,地区转移中心(RTC)和地方分配点(自民党)。在现实中救助实践中,大量的应急资源必须从SNS运输尽快向受影响的点。提高救援效率,提出了rtc桥SNS和自民党的中心。这项工作提出了一个联合设施区位和资源分配模型三级应急物流系统。模型中使用的一些假设如下:(1)有一个社交网络,一些清债信托公司,和一个固定数量的自民党。第一次运输的资源从SNS rtc然后运输rtc自民党。自民党相当于影响资源需求点。SNS, rtc,自民党有足够的容量来存储资源。能力约束优化模型将被忽略。(2)资源的需求数量在每一个点可以预测的影响,和总数量的可用资源也是已知的。(3)救援资源是由卡车运输。此外,有足够可用的卡车在每个供给点。(4)rtc的位置决定在灾后阶段。建立rtc后,所有道路从rtc SNS和自民党是固定的。这个工作不考虑道路网络的不确定性。因此,供应两个点之间的交货时间是由卡车的速度。(5)救援需求额外的与时间相关的属性。如果实际交付时间超过所需的阈值时,将调用代表受害者的剥夺成本相关的人类痛苦的经济价值缺乏对商品或服务的访问。
建立了清债信托公司在选择合理的网站第一次灾难发生。在商业物流,清债信托公司可以快速将货物从中央仓库,制造商向零售商。在应急物流,大规模灾难的特点是广泛的影响点,需求量很大,长时间。因此,rtc的适当位置更关键的作用在提高资源的运输效率。与上述假设,rtc的位置决定,分配决定从rtc SNS rtc,自民党将研究在计划的多目标优化模型。以下列出了文本中使用的符号如下:(我) :SNS点;(2) :rtc的候选位置设置, ;(3) :自民党的位置设置, ;(iv) :SNS的距离清债信托公司的候选人 ;(v) :距离RTC的候选人对自民党 ;(vi) :RTC SNS的单位运输成本;(七) :自民党RTC的单位运输成本;(八) :RTC的建造成本 ;(第九) :RTC的单位运营成本 , 乘以库存等于RTC的总运营成本 ;(x) :自民党的需求数量 ;(十一) :最初在SNS可用资源的数量;(十二) :RTC的最初可用资源的数量 ;(十三) :在自民党每个受害者的单位不足成本在时间 ;(十四) :自民党的剥夺成本在时间 ;(十五) :自民党的损失函数的未满足的需求 ;(十六) :应急物流的运作总成本;(十七) :第一次交货时间从RTC的资源对自民党 ;(十八) :第二次交货时间从RTC的资源对自民党 ;(十九) :卡车的速度;(xx) :0 - 1变量,如果候选人选择清债信托公司, ,别的, ;(第二十一章) :应急资源从SNS RTC的分配数量 ;(二十二) :第一个从RTC应急资源的分配数量对自民党 ;(二十三) :第二从RTC应急资源的分配数量对自民党 ;(二十四) :辅助变量, 如果清债信托公司提供资源,自民党 ,其他的 。
2.2。多目标优化模型
在我们的模型中有三个目标,反映了三个应急物流服务水平:(1)剥夺最小化总成本的受害者,(2)减少的损失不满足需求,和(3应急物流系统的总成本最小化。公式考虑供应第一提供至关重要的救济团体SNS rtc,然后从rtc要求节点交付商品。此外,清债信托公司也有一个有限的期初存货供应至关重要。因此,从清债信托公司有两次运输对自民党如果清债信托公司选为中心提供自民党吗 。清债信托公司第一次提供了自己的库存资源。第一个资源达到自民党在时间 。然后,清债信托公司转移第二个资源来自SNS和到达自民党在时间 。在规划周期 ,救援小组的决定应该选择哪个rtc,需求多少,当交付节点需要供应。
2.2.1。剥夺成本
人类的痛苦是人道主义后勤的关键因素之一。剥夺理论成本(5)提供了一个很好的方法让人类痛苦给决策的客观因素。从概念上讲,剥夺成本是造成人类痛苦的经济价值缺乏资源或服务。假如自民党在相同的剥夺个人经历相同的单位成本在时间 。根据剥夺剥夺理论成本,成本函数是不连续的,剥夺时间增加,然后下降到0时交付足以满足所有人的需要。节点的剥夺总成本等于聚合的个体成本: 在哪里是依赖RTC之间的距离和自民党 。 依赖于距离SNS自民党吗通过清债信托公司 。的第一部分的剥夺成本满足需求在第一供给。的第二部分的剥夺成本满足需求在第二供给。第三部分是剥夺的成本最后剩下的未满足的需求。
应该注意的是,受益人已经经历了一个剥夺时间成本 。因此,古典剥夺成本理论评估时间的累积成本函数 。对于简化,这工作只考虑不足成本供应和到达时间的周期的结束时间。团结剥夺成本增加凸函数对吗 , 。在本文中,我们使用一个二次函数 指定不足和成本是一个成本系数。因此,我们可以很容易地获得剥夺总成本的时期 ,可以表示为哪一个
2.2.2。未满足的需求
在应急救援中,决策者应该尽最大努力满足供应需求在每一个点的影响,但在第一次货物不足。因此,应急物流的另一个重要的目标是保持公平。在这项工作中,我们提供了一个损失函数不满足需求的评估援助的公平。的损失函数是一个年代型曲线自民党的未满足的需求 。这反映出满足需求的一个学习影响紧急服务水平。如果不满足需求的最大价值,损失函数是常数,则不会出现更多的损失。此外,发达地区往往是人口密集,如果紧急需求没有得到满足更严重的后果。因此,需求的数量被认为是在损失函数,可以给出的 在哪里 和 。 自民党的满足需求的比例吗 。很明显,的比例是不满意的需求。服务水平有关,收敛于损失上限吗如果如果倾向于0,0倾向于1。因此,我们使用上面的损失函数来量化公平。总损失的应急物流需求未得到满足给定如下:
2.2.3。操作成本
应急物流的运营成本包括三个部分:rtc的建设成本、运输成本、存货持有成本在清债信托公司。在本文的设定,SNS灾害发生之前已经存在。自民党将分配救灾资源就收到了。因此,我们只考虑rtc的持有成本,因为他们是新建的。然后,可以由运营成本的目标
2.3。数学公式
基于上述分析,我们认为紧急剥夺经理的目标是最小化成本,损失的不满足需求,和操作成本。不失一般性,我们采用两个重量参数和 为了简化这一多目标优化标量目标优化。与此同时,经理还需要考虑一些现实的约束,如路径约束和约束能力。然后,制定物流优化模型如下:
所示的目标函数方程(6)已经被详细地描述在上面。约束(7),(8)和(11)显示了计算公式的三个目标,分别。约束(9)和(10)描述了损失函数和需求满足率用来计算第二个目标。约束(11)和(12)之间的关系描述传输距离和交付时间。约束(14自民党)限制,每个只能接收货物从一个清债信托公司。约束(15)和(16在每个RTC)平衡资源的流动对第一次和第二次发货。约束(17)和(18)保证清债信托公司自民党能够提供救灾物资只有在已经选择,是分配给它。在这里,是一个足够大的数量。约束(19确保只有一个选定的清债信托公司可以提供应急物资自民党。约束(20.)表明,所有的货物需要装运如果供应小于需求;别的,交付数量等于需求。约束(21)确保只有选定的清债信托公司可以从SNS接收货物。约束(22在SNS)显示的流量平衡资源。最后,约束(23)和(24)定义决策变量。
3所示。混合启发式方法的解决方案
该模型是一个子类型的问题,其中大部分是np困难的。因此,该模型的最优解是很难在短时间内获得。然而,实际的应急决策往往具有较高的时效性需求,激励我们采取metaheuristic算法。本节结合了改进的萤火虫算法和遗传算法来设计一种新的混合算法称为IFA-GA。此外,一些方案还提出提高解决方案的质量。
3.1。萤火虫算法(FA)
足总杯是一个自然群杨提出的优化算法(23),其目的是模仿萤火虫的自然现象。足总认为所有的萤火虫是同构的。每个萤火虫会相互吸引和移动接近光明的萤火虫。如果附近没有光明的萤火虫,萤火虫会随机移动。对于一个优化问题,萤火虫是可行的解决方案。萤火虫的亮度与其客观价值有积极的关系。
类似于其他metaheuristic算法,英足总还成功实现了勘探开发的步骤来解决优化问题。探索一步是由萤火虫从当前位置到一个更光明的位置。开发步骤是实现随机运动的萤火虫。假设是一个解决方案(萤火虫) - - - - - -FA的th迭代更新运动方程的萤火虫 在哪里是萤火虫之间的最大吸引力。两个萤火虫之间的欧几里得距离吗和 。 是调整的光吸收系数的变化吸引。之间的权重系数吗 ,和是一个随机向量 。
3.2。遗传算法(GA)
GA最初动机的达尔文进化原则,通过自然选择和遗传机制,已成功地应用于各种重要的复杂的现实问题。与其他算法的迭代更新机制不同,遗传算法直接操作现有解决方案的论证,得出一个新的解决方案。有两个在GA遗传算子:交叉和变异。典型的设计一个经典遗传算法可以得到如下:(1)初始化一个人口的染色体是随机生成的。(2)计算每个染色体的健身人群中。(3)通过以下步骤生成新的染色体:(a)选择使用比例健身选择两条染色体,然后交叉选中的染色体获得孩子的染色体;(b)使用比例的健身选择,选择一个染色体,应用均匀变异突变速率产生另一个孩子的染色体。(4)更新的人口。添加新的染色体的人口和处理最严重的染色体维持人口的规模。(5)如果停止条件没有得到满足,返回步骤2。
遗传算法是由荷兰[首次提出24解决计算棘手的问题)。天然气的开发和成功极大地丰富了优化问题的计算方法。特别是遗传算法非常适用于组合优化问题,其结构和特点可以避免繁琐的编码和解码的染色体。
3.3。IFA-GA算法
足总有很好的收敛速度由于萤火虫的吸引力。然而,足总可能陷入局部最优的解决方案,因为它有限的勘探能力,尤其是当萤火虫遇到极端值。相比之下,GA可以探索解空间广泛由于交叉和变异算子。然而,GA的收敛速度相对缓慢是由于缺乏方向性。幸运的是,足协和GA有特定的和可以理解的过程容易实现。此外,他们都是适合与其他优化由于他们的多峰性杂化。受这些特权,我们引入一个IFA-GA FA和GA算法相结合的特征。本文包括位置决策的应急物流模型和分配的决定。考虑FA和GA算法的特点,我们计划用FA解决位置决策和使用遗传算法来解决分配决策。之前提出的混合算法的详细实现,我们给出一些方案,提高算法效率。
3.4。计划改善IFA-GA算法
大多数metaheuristic算法将面临两个问题:metaheuristic算法通常有早期收敛,和最初的解决方案和解决方案的多样性空间常常影响他们的搜索质量。为了克服这两个缺点,我们提出提高IF-GA算法通过三个计划在这一节中。
3.4.1。方案1:初始化
初始种群有显著影响收敛速度和质量的最终解决方案。在大多数metaheuristic算法,人口是由随机生成的初始化。在这篇文章中,我们初始化近视人口的策略。
假设rtc可以位于任何一点基数约束的二维空间,rtc的总数不超过 。首先,自民党是集群组织通过考虑需求的重量。rtc的位置选择在每组的重心。然后,我们得到一个解决方案 。位置的人口决策是由随机生成初始化 。第二,对于每个位置决定,分配资源根据需求的比例,我们甚至可以得到一个解决方案 , ,和 。选择两个元素随机。减去一个随机数第一个元素添加到第二个元素。随机数不大于第一个元素。相应的行应该相应改变。为 ,我们引入一个随机矩阵 ,每一行的只有两个非零元素随机随机值的列和 。添加来 ,我们得到一个新的 。最后,人口普查的初步通过重复上述过程。
3.4.2。方案2:FA的改进的搜索策略
摘要FA是用来解决rtc的设施选址决策。正如上面提到的,每一个决策变量有一个对应的位置。更现实的,我们不限制位置和只考虑rtc的基数约束。因此,我们使用坐标变量 来代替为简化和定义 。目标函数决定了健身的萤火虫 。萤火虫的方向和亮度之间的欧几里得距离取决于他们和他们的健康。
调光器萤火虫(更糟糕的解决方案)将由鲜艳一点的吸引(更好的解决方案)。这种机制有利于算法的收敛性。因此,足总可以快速找到最优解。然而,足总可能陷入早熟收敛,如果遇到局部极值,因为不完整的探索nondominated萤火虫的一个主要原因导致的局部收敛性。为了克服这一弱点,我们引入一个新的更新函数nondominated萤火虫,描述如下: 在哪里 如果 和 如果 。 搜索空间的上限,是下界。此外,萤火虫为主导,我们认为最好的解决方案的吸引力,和修改的迭代方程如下: 在哪里人口和最亮的萤火虫吗之间的距离是和 。
3.4.3。方案3:人口的更新机制
一个好的算法应该有出色的表现,探索解空间,好好收敛能力。摘要IFA嵌套遗传算法用来解决定位问题。遗传算法已经淘汰机制,取代了可怜的解决方案保持人口的规模。然而,许多消除的解决方案通常是固定在原来的遗传算法。文献[25)提出了一种自适应机制来取代贫困动态解决方案。消除的解决方案的数量减少迭代过程。因此,该算法首先倾向于探索解空间更好的,然后移动到本地搜索。相同的目的,我们引入突变的遗传算法如下: 在哪里天花板是运营商,人口规模,当前的迭代次数,是迭代的最大数量。
IF-GA的程序中描述的算法1在细节。
|
4所示。数值研究
为了说明该模型并验证IFA-GA的性能,一个小规模的实例与一个SNS, 40 10 rtc,自民党是第一次使用。尽管在应急物流节点的数目不是相当大,该模型有820 (21040 + 10 + 10)决策变量。这是一个极其复杂的优化问题。结果提出了不同的目标函数的差异决定剥夺相关成本。此外,IFA-GA之间进行了比较,FA、遗传算法和粒子群优化(PSO)基于同一种群初始化。调整方法不可行解的算法1还用于每个算法满足的约束t。最后,从大规模灾害实例用于演示IFA-GA算法设计的有效性。所有实验都使用MATLAB实现2019 ThinkPad T460s笔记本与英特尔i5 - 6200 u的CPU, 2.3 GHz的频率,和12 GB的内存。
4.1。参数设置
在这个实验中,我们初始化受灾地区随机二维空间。每个受影响区域的需求是均匀采样 。我们假设的rtc可以位于任何点空间;然后,选择清债信托公司和其他节点之间的距离很容易计算的欧几里得距离方程。成本提出了模型中的参数和其他变量如表所示1。
有必要选择合适的参数metaheuristic算法。另外,评估的性能提出IFA-GA,我们比较标准的FA, GA算法。这些算法的参数设置显示在表中2。
4.2。关于剥夺成本计算结果
正如上面所讨论的,剥夺救灾决策的成本是一个重要的因素。直观地说明它对决策的影响,我们分析rtc的定位结果如图1。因为每个RTC与SNS,位于点在我们的设置中,我们忽略了SNS和rtc简化之间的路径。图1有6个图片。前三个图片(a)、(b)和(c)的rtc的位置与一个单一的目标。随后的图片呈现rtc的位置有两个和三个目标。其中Obj1指的是剥夺成本目标。methoda指的是满足需求的损失。Obj3指的操作成本。通过比较数据1(一)和1 (c),我们可以发现rtc的位置更靠近受灾地区在(a) (b)。它是现实的,因为接近需求将缩短交货时间。在图1 (b)乍一看,地点是奇怪。应该注意的是,目标2没有任何path-related成本,所以在算法和随机移动的位置没有现实意义。数据1 (d)和1 (e)确认随机位置导致(b),数据具有相同的结果1(一)和1 (c),分别。图1 (f)显示了目标1和目标位置的权衡结果3。图1说明剥夺成本影响rtc的位置,这使得rtc接近自民党。
(一)
(b)
(c)
(d)
(e)
(f)
4.3。不同算法的计算结果
在本节中,我们进一步介绍几个案例来说明该算法的有效性。对于小规模的情况,IFA-GA的迭代结果,FA, GA和PSD如图2。从图2,我们可以看到该IFA-GA具有最佳的性能在收敛性和客观的价值。FA和PSD几乎不变,因为流平衡约束优化模型充分利用新生成的解决方案不可行。GA有一定的收敛,但目标比FA值大得多。应该注意的是,足协、GA和PSD实现IFA-GA种群初始化一样。如果人口随机初始化,FA的结果,GA, PSD将更糟。
比较结果详细,我们执行每个算法的30倍。更详细的结果表3。从表3,我们可以发现该IFA-GA具有更好的性能比其他算法。均值,最大和最小值的目标通过IFA-GA小于其他算法。客观的标准偏差值在IFA-GA远低于其他算法。此外,运行时IFA-GA也低于其他算法。结果表3表明IFA-GA具有更好的稳定性和效率在解决我们提出的模型。
另外,我们用不同的问题大小进行实验。四个大型实例进行进一步的比较。结果如表所示4。
从表4,我们可以发现该IFA-GA获得解决方案和最佳的性能比其他算法在每一个实例。在四种情况下,IFA-GA获得最低客观价值和最低的偏差。此外,IFA-GA也最短运行时间。这些差距是随着问题规模的增加而增加。足总已经在运行时最糟糕的表现和稳定性。遗传算法要比FA在每种情况下,几乎相同的客观价值PSD但更低的运行时间。此外,自民党带来更客观的成本的增加,但增加的rtc将降低目标成本。结果可以通过比较获得 的情况下 。原因是剥夺rtc可以减少成本的增加有效,这启示我们,建议建立更多的清债信托公司在面对大规模的灾害。
根据仿真结果,我们可以得到一些实际意义。首先,rtc应该位于靠近救援需求减少人类苦难造成的不足。第二,在大规模灾难的情况下,应该建立更多的清债信托公司提供快速救援。在理论方面,我们验证了该混合算法的效率,具有优秀的性能在收敛性和计算时间。
5。结论
不同的灾害有影响世界的大部分地区,近年来造成了严重的人员伤亡和财产损失。一个有效的应急物流占据着举足轻重的地位,以减轻人类的痛苦和减轻灾后损失。本文提出一种多目标优化模型分布。救灾物资转移在三级物流网络,其中包括一个SNS,一些rtc,自民党。清债信托公司和资源分配决策的位置决定从SNS rtc和rtc自民党应该在灾后生产。我们现在三个目标,剥夺成本,未满足的需求成本,物流成本,在这个子优化模型,同时考虑几个基数和流量平衡约束。意识到问题的复杂性,我们设计一个新的IFA-GA算法结合古典FA和GA。三个方案提出了改进IFA-GA算法的有效性。数值研究结果的理论和实践提供一些见解救援分布,这也说明算法的有效性提出了解决方案。
本研究不够全面。我们只提供一个简化模型,忽略一些因素会使模型更加复杂。例如,不确定性因素,如交货时间和数量,不考虑该模型。多个运输和多个时期也不是调查在我们的模型中。因此,我们可以扩展该模型不确定的情况,利用鲁棒优化理论还是不等价健壮的理论未来的工作。此外,更多的混合算法,结合精确和metaheuristic方法应该利用在未来有效解决该优化模型。
数据可用性
数据包括在手稿。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究得到了国家自然科学基金资助下的中国72101165,北京大学附属的基础研究基金授予XRZ2020015下首都经济贸易大学,和北京智能物流系统协同创新中心基金会在格兰特bilsciec - 2019 - kf - 17所示。