基于可靠性建模的紧急供应调度问题及其解决方案的算法在突发性灾难后变量道路网络

文摘

是很常见的,许多公路在灾区受损和突发性灾难后阻塞。现象经常有交通恶化升级,提高紧急供应调度的时间和成本。幸运的是,修复道路网络的时间将缩短在途的分布。本文根据应急物资配送的特点,紧急供应调度模型构建了基于多个仓库和受损的位置处理的失败道路网在灾后早期阶段的一部分。具体的过程如下所示。当公路网络的一部分失败的时候,我们首先确定修复受损的道路网络,然后一个可靠的紧急供应调度模型提出了基于双层规划。随后,一种改进的人工蜂群算法来解决上述问题。最后,通过一个案例研究中,提出的模型和算法的有效性和效率进行了验证。

1。介绍

大规模的自然灾害的频率正在增加,这引起了重大干扰人们的日常生活,带来了巨大的损失1]。特别是极端地震和泥石流等灾害甚至造成大量伤亡除了巨大的经济损失。因此,研究应急供应调度后突发灾难最近已成为一个热点问题。通常,当地震、泥石流等灾害的发生,不仅道路受损和阻塞,也迫切需要大量的应急物资在受灾地区在很短的时间内。此外,道路阻塞,它具有十分重要的现实意义研究如何快速调度应急物资,提高紧急救援计划的可靠性,减少在途的时间分布,降低成本处理此类事件。

目前,大多数研究集中在相对简单的问题,如运输路线规划和救济供应分布条件下足够的救灾物资(2,3]。然而,在突发性灾难,足够的救援物资也很难保证在大多数情况下,所以有必要综合考虑路线的选择,物资分配计划,救援中心位置和其他问题和实施整体优化。此外,上面提到的大部分研究都是基于简单的单级应急救援网络运输手段和应急供应种类,缺乏深入考虑实际情况。实际上,灾后应急物资调度过程通常有以下显著特征(4):(1)灾后道路网络可能通行的一部分;(2)一个大对灾区救灾物资的需求可能导致供应不足的问题;(3)为了减少供应的成本和时间分布,一定数量的配送中心应该建立从长途运送物资到灾区附近;(4)紧急救援,同时存在许多灾区(5];(5)各种需要的交通工具;(6)需要分配一定数量的物资来修复受损的道路网络,形成不同的交通网络,缩短配送时间。上述所有特征增加这个问题的复杂性。

本文旨在提出一种基于双层规划的可靠的应急物资调度模型,然后判断是否修复损坏的公路网络。此外,群体智能算法命名为人工蜂群(ABC)被用来解决这个问题。随后,一个案例研究在优化救援路由计划突发性地震灾害进行验证了模型和算法的有效性和效率。

本文的结构组织如下。部分2是文献综述。部分3提出了一种双层规划下multidepot调度模型。节4,一种改进的ABC算法是用来解决问题部分建成的3。随后,给出了一个案例研究证明了模型和算法的有效性和效率5。最后,部分6总结了论文,指出未来的研究方向。

2。文献综述

大量文献研究了灾后的应急物资调度的问题。例如,王et al。6)提出了一种时空网络模型解决动态应急物流规划问题,该模型分解为两个multiperiod multicommodity网络流问题。邱et al。7多中心研究了应急物流问题,multicommodity, single-affected点,考虑到灾难点附近的路径可能受损,路径信息的状态是不完整的,旅行时间是不确定的。他们进一步建立了非线性规划模型,目标函数的最大化time-satisfaction学位。崔et al。8考虑供应链中断和路径风险达到最低供应运输时间和运输成本。灾后供应运输模型不确定性条件下成立于他们的研究。气等。9)提出不同的目标在紧急供应调度是相关的。他们的研究结合两个调度目标,即。,t我米e and resource satisfaction, into a timeliness function and designed a nonlinear evaluation model for emergency supply scheduling that incorporated multiple supply centers and a single-affected point to realize that function. Liu et al. [10)建立了一个动态供应分配模型,目的是最小化响应时间基于时变紧急供应分布供需框架约束。周et al。11)提出了一个多目标优化模型,并应用一种改进的遗传算法,以应对multiperiod动态应急资源调度的情况。在一个集成框架,宋et al。12发展应急物流网络(eln)基于效率,风险,和鲁棒性指标。简而言之,所有上述研究试图解决多目标问题的现有供应应急调度的前提下足够的救灾物资。

此外,一些文献采用了多级编程的方法进行研究。例如,早期和Gutjahr [13)提出,在灾后应急物资调度的过程中,应该建立中间仓库的供应系统。他们使用了three-objective优化模型,并进一步提出了“math-heuristic”算法。小王和胡14]介绍了一个基于多个供给主体的双层调度优化模型,并提出了一种改进的nondominated排序遗传algorithm-II (NSGAII)来解决模型。王等人。15)提出了一个multiperiod的应急物资分配模型,用非线性效用函数之间的关系来说明股权分配和应急响应的成本。这些文献主要考虑多级分销或multiperiod分布,但不够注意道路网络阻塞造成的运输困难早在灾后时期。

此外,一些学者也研究了灾后损坏的公路网络的问题。例如,艾哈迈迪et al。16)被认为是失败的道路网络,但他们没有考虑到道路损害的具体影响。板桥et al。17)提出了一个模型来确定最优设施位置和路由工作车辆时破坏了道路网络大规模灾难。罗尔斯和Turnquist18)建立了一个两阶段随机混合整数规划模型对应急救援设施选址的双重不确定性的数量供应需求和灾难后交通网络的可用性。此外,结合元素灾难后对道路的损坏,Liberatore et al。19)设计紧急供应分布模型时可使用道路正在维修。

上述文献回顾的基础上,大多数研究都专注于目标,如调度时间和成本,但很少有人认为可靠的供电路径编程的情况下道路损坏。因此,本文结合了双层规划模型和“软时间窗”问题引起的道路网络故障,提出了一个可靠的紧急供应调度计划,派出的可能道路损毁。在这个方案中,救灾物资的发放与不同程度的紧迫性和充分考虑多个救援点的情况。同时,道路网络结构和供应分布调度联合优化分析和解决可靠的紧急供应调度模型在这个计划。分析和解决方案使用的最大满意度多个灾难点在上层。另一方面,双层的最小总成本的分布以及最短的时间是在较低的水平。

3所示。双层规划下Multidepot调度模型

针对应急救援的特点在灾后时期早期,如果救援物资直接从collector-distributor中心,通过公路运输和不可能,以确保快速和及时的分布大量的救援物资到灾难点。为了提供更及时的分布大量的供应从外围collector-distributor中心到灾区,本文认为不同的运输模式和多元化分布条件,从而建立中层配送中心分发救援物资。中层的配送中心充分发挥各种交通工具的优势,使一个更有效的分配供应。为了简化的过程建模和模型应用于更广泛的背景下,本文构造了一个双层的紧急供应调度模型,描述了整个调度过程从上层到下层,分别。在上层,应急物资运输从配送中心到中层配送中心;在较低,中层的应急物资运输配送中心不同的灾区。因此,根据实际情况,本文建立的数学模型组成的多个供应仓库和多个rescue-needed点双层规划下,为了提供一个合理的供应调度计划应对突发性灾难,特别是灾害造成损坏的公路网络。提出了本文的研究框架如图1。

3.1。问题描述

在一场灾难之后,紧急救援的因素都将受制于时间和物资的数量。为了收集应急物资的最大数量,迅速派遣他们去灾区,通常的做法是收集collector-distributor中心的供应和运输到配送中心附近灾区尽快,然后分发到受灾地区。然而,由于突发性灾难的影响,损害可能发生在道路网的一些片段。这种情况需要以现实为基础的考虑是否使用一些供应修复受损部分,以缩短运输距离,减少配送时间,及时有效的分布。因此,本文主要解决了供应分配和路由的问题编程方面的有限的资源和努力,以确保应急物流的稳定性和可靠性在最高程度上综合考虑时间、成本、效率、和其他目标的约束下车辆、加载和软时间窗。

考虑到实际救援情况,本文将应急物资的分配制度分为上层和更低的水平。前者负责调度救援物资collector-distributor中心各种配送中心和分配资源来修复损坏的公路网络的一部分,而后者是各自的灾区运送救援物资。同时,运输路线和供应分布必须合理,实现最佳的交货计划。此外,用于修复道路网络的资源分配也需要考虑而斜角从高到低排列分布。根据不同的任务需要完成,本文采用的方法分解较高层和较低层设计道路网络和计划供应配送路线,如图2。

位于不同位置的系统,较高层和较低层会做出不同的决定。上层主要考虑是否应该修复受损的道路网络当运输供应collector-distributor中心中层配送中心,而低水平主要思考如何快速制定最好的运输和配送路线和快速救援物资分发给每个灾难点。因为不同的任务和目标导致不同的决定,上层有优先实现的合理分布供应配送中心或受损的道路网络有限的救援物资,而低水平的目标是提供公平和速度的分布。他们相互关联,共同生产最优决策方案。供应分布到不同的受损部分将导致不同的公路网络结构的形成,进而导致不同的分配时间,如图3。剩余的部分供应进一步分发给其他配送中心。根据剩余的救援物资的数量,物资分发到受灾地区的数量是不同的,这也会影响满意度受影响的地区。较高层和较低层的相互作用。最终目标是评估的不同分布延迟和满意度。

3.2。模型的假设

结合现实的问题描述,本文提出了以下假设:(1)的坐标collector-distributor中心、配送中心,和灾区是已知的;(2)当使用车辆负载供应,本文并不区分类型的供应或考虑特殊的供应,但混合各种在同一车辆,提高车辆的承载能力;(3)救援物资的总量是有限的需求和供应不足,所以针对不同的紧急程度的各种物资,应优先考虑物资的分布与更高的紧迫度;(4)应急救援所需的救援物资点不随时间变化。如果需求信息的变化在这段时间里,我们可以把这段时间分为几个时间间隔,以保证持续的需求紧急救援点在每个时间间隔;(5)repair-needed段的时间窗口的因素是不考虑。当应急物资分配给受损的部分,损坏部分的交通应该是恢复。具体模型符号如表所示1。

3.3。模型建立

在灾后一段时间,部分公路网络可能无法通行,救灾物资有限,所以它是合理的考虑分配有限的供应网络和灾区的道路。在这种情况下,当供应分配给受损的部分,这部分的流量将被假定为恢复。在本文建立的模型中,如果没有分配给受损的部分供应,认为这段不可行,这可能导致超过所需的时间限制和随之而来的延迟将导致相应的惩罚。当物资分配给受损的部分,道路段返回到正常状态,这道路段的旅行时间计算按正常标准。

基于前面的分析,multirescue模型集成,建立了双层规划以最小化的成本分布和灾区的满意度最大化(即。,实现所需的最大数量的供应和配送的及时性灾区)。模型是描述如下。

3.3.1。上层模型

上层的目标如下: 前两个部分的公式(1在上层最小化加权时间)计算分配应急物资到灾区和损坏的部分。由于不同类型的物资,接收时间,和接收不同灾区所需要的数量和损坏的部分和在每个供应系统都需要不同的应急物资需求的位置,相对效率总成本的影响,供应数量和紧迫程度的救灾物资。在过去的一部分公式(1),未满足供应的数量,紧急程度,和延迟时间是用来表明,相同的延迟,延迟时间越长,供应的紧急程度越高,影响越大,因此延迟成本将越高。公式(2)表示,分配的物资数量等于collector-distributor中心提供的资源。公式(3)代表的吞吐量限制紧急配送中心。公式(4)表示所花费的时间运送物资的上层collector-distributor中心我应急配送中心和受损道路段的交通工具米代表的总运输时间传输与灾难救援物资点。公式(5)代表受灾地点的时间k需要接受紧急供应c。公式(6)代表所需的时间从collector-distributor中心运送救援物资我段需要修复。

3.3.2。低水平的模型

低水平的目标如下:

低级目标函数公式(7代表的总和)的固定成本和转换成本的运输供应从低级配送中心到灾难的位置。公式(8)表示数量有限的运输车辆从配送中心。公式(9)表明,每辆车去受灾地区最多只有一次。公式(10)- (13)保证车辆的有序推动的可行性,这意味着一旦车辆到达供应系统都需要点晚于所需的时间限制,会有时间延迟。公式(14)和(15)确保紧急供应物流的可行性,即物资运输配送的车辆还不到总量的救灾物资配送中心。公式(16)演示了保护物资的数量,表明供应的数量用于修复受损道路段+用品的用量来满足需求的供应系统都需要位置=应急物资的总和。公式(17)代表非负约束。公式(18)显示0 - 1变量约束。的标识符B和米在上述公式定义为整数足够大。

4所示。对于解决问题的算法设计

模型建立部分3不仅考虑了改变不同的道路网络和供应分布的问题还涉及到车辆路径的优化从配送中心到每个灾难的位置。这是一个典型的组合优化问题旨在实现多个目标。此外,由于大量的变量参与模型和解决方案的高复杂性,很难解决这种np难问题,一般的算法。因为人工蜂群算法模拟蜜蜂殖民地的觅食行为性质和拥有解决效率高,算法简单,参数少,和强鲁棒性20.,21),本文设计一种改进的人工蜂群算法来解决这个问题。

4.1。标准的人工蜂群算法

ABC算法是一种新型的基于群体智能的全局优化算法提出的Karaboga [22]2005年,其基本原则是灵感来自蜜蜂的蜂蜜收集行为的殖民地。蜜蜂开展不同的活动根据各自的工作和职责,实现蚁群信息的共享和交换,以便找到问题的最优解。

标准的ABC算法将人工蜂群划分为三个类别通过模拟实际的蜂蜜收集机制,即采用蜜蜂,蜜蜂旁观者,侦察蜂。整个蜂群的目标是找到最大的蜂蜜来源。

以下4.4.1。采用蜜蜂

每个使用蜜蜂负责某些蜂蜜来源(解向量)和搜索附近的蜂蜜来源在迭代。

4.1.2。旁观者蜜蜂

根据丰富的蜂蜜来源(适应价值),旁观者蜜蜂是采用轮盘赌的方法收集蜂蜜(寻找新的蜂蜜来源)。

4.1.3。侦察蜂

如果蜂蜜来源尚未改善几个更新之后,它将被放弃,采用蜜蜂将转换为侦察蜂源随机寻找新的蜂蜜。

在初始化的过程中,SN可行的解决方案(等于雇佣蜂的数量)是随机生成的,计算适应度函数值。随机生成的可行解决方案的公式如下: 在哪里 是一个D维向量,表示随机生成的可行解,和D优化参数的数量( )。蜜蜂记录他们迄今为止最优值和发射在附近搜索当前的蜂蜜来源。ABC的基本公式搜索附近新的蜂蜜来源如下: 在哪里表示新蜂蜜来源的解决方案( , )。k是随机生成的,然后呢 。φ_魁人党代表一个随机数(−1,1)。旁观者蜜蜂选择雇佣蜂根据概率公式如下: 在哪里指的是蜂蜜来源的丰富程度相应的健身价值p解决方案。丰富的蜂蜜的来源越多,越高的概率被选中旁观者蜜蜂。

为了防止算法陷入局部最优,当蜂蜜来源者不再改进有限次迭代后,蜂蜜来源将被遗弃并记录在禁忌列表中。与此同时,相应的蜜蜂会转化为侦察蜂和一个新的位置是随机生成的替换原来的蜂蜜来源根据公式(19)。

4.2。改进的人工蜂群算法及其实现

ABC算法最初用于连续优化问题,而不是离散问题。因此,本文改进了现有蜂群算法适应离散问题和关注的主要思想大规模启发式搜索。当采用蜜蜂和旁观者蜜蜂在ABC算法搜索蜂蜜源附近的食物来源,采用蜜蜂实现本地搜索最好的选择,然后排名健身价值和留住精英的解决方案。之后,通过对遗传算法的交叉算子和变异算子,采用蜜蜂将通过自适应调整搜索范围,提高解决过程的速度和准确性,从而避免陷入局部最优,加快收敛速度。

此外,为了提高搜索速度和收敛精度标准的ABC算法,本文改进了搜索策略的追随者蜜蜂和蜂群的侦查策略,以加强地方搜索的算法的功能,扩大搜索范围,避免局部最优的陷阱。在全局搜索的过程中,因为是整数编码的编码方法,它不同于其他方法如双星系统,社区标准ABC算法公式可以用来生成候选解决方案。在本文中,几种常见采用全局搜索策略。具体而言,首先,三个地方的顺序是随机改变,然后两个搜索操作符,即邻域反演和邻居交流,用于全局搜索。通过结合这两种搜索运营商,可以扩大搜索范围,蜂蜜来源的多样性可以提高,全局搜索能力也会提升。

应急调度模型提供“软时间窗”建在本文综合考虑多个目标函数,使其难以实现几个最优解同时,但只有获得可行的解决问题的办法。因为紧急物流密切相关救援本身的重要性,它功能相对较弱的经济效率。然而,在应急救援过程中,救援的速度以及救援物资的满意度是最重要的,这样的方法ε约束(23是用来解决多目标规划的问题。它的基本思想是把目标函数Z₁作为主要目标,然后设置一个可接受的阈值ε,提供了先决条件Z₂<ε。如果一个合适的阈值ε被选中时,目标函数Z₂将被转移到约束和优化问题将成为一个单一目标,因此可以获得有效解决这个问题。

算法的具体操作过程如下。

4.2.1。准备编码策略

根据问题的特点,首先,蜂群由整数代码编码方法。长度对应的供应系统都需要总数受灾地点,和解决方案范围的蜂蜜来源是整数的集合所有供应系统都需要的序列号的位置。具体编码规则如下。

假设有两个中层配送中心和15个供应系统都需要位置,贴上的数字“1”和“2”和“3、4、5,…,16日,17日”。首先,一个可行的解决方案与15应该随机构造的长度。之后,第一个灾难位置之间的距离和两个配送中心应该相比,和配送中心的数量接近第一个灾难应该插入的位置在前面的代码中。随后,积累量在受灾地区所需的应急物资配送中心的路线和比较累积值的最大负载。如果救援物资的重量需要在几个连续的灾难地点沿线超过最大车辆载荷,配送中心的数量将被插入的路线说明段编码作为车辆行驶路线。重复上述步骤,直到所有的编码信息处理蜂蜜来源。图中描述的编码过程4。

编码过程如图的一个例子4包含三个子路径。第一个子路径是“1-5-16-8-14-3-1”,这意味着车辆从配送中心1号并返回后参观”5-16-8-14-3。“同样的,第二个和第三个是子路径”2-6-11-17-7-15-2”和“1-9-12-13-10-4-1”。

4.2.2。适应度函数

从两个目标函数适应度函数转换包含在模型中。考虑到应急物流的特点和约束问题,目标函数不直接设置为适应度函数。具体表达式如下: 公式的第一部分(22)是指应用罚函数处理约束条件。如果目标函数Z₂大于设定阈值ε,一个更大的正数是添加到目标函数中Z₁惩罚约束,然后是互惠的目标函数计算适应度函数。这种方法可以更好地突出差异,加强算法的选择功能。第二部分旨在加强延迟的影响,在其中λ是一个很大的正整数保证染色体的多样性。

4.2.3。自适应搜索策略

为了减少蜂群的盲目搜索,提高收敛速度,本文采用遗传算法的交叉算子和变异算子,提高蜂群的侦查策略和选择机制的追随者的蜜蜂。随后,排列顺序按照健身程度,和蜂蜜来源被选中的概率计算从动蜜蜂。轮盘赌选择方法仍然是用在这里,这是一个随机选择的方法,无法保证个人有更好的适应性在当代人口可以被保留下来。为了改善这种情况,的方法精英保护个人添加到轮盘赌选择的过程。这意味着,第一最好两个人每一代直接挑选和保留,然后采用轮盘赌选择其他个体的人口,以保证算法的收敛性。当追随者蜜蜂选择蜂蜜来源根据提供的信息采用蜜蜂,自适应概率被认为是进行选择性交叉和变异。然而,交叉和变异概率不确定价值 ,但根据健身价值的动态调整。

可以通过自适应交叉概率 在哪里 指的是初始交叉概率、最小值最低的个人健身,f平均个人健身价值小于平均健身价值,和的交叉概率自适应变化。在公式(23),因为 ,指数函数的范围值属于 。越大越分散的个人健身价值的人口,这需要产生新个体通过交叉,以扩大搜索范围。相反,它表明个人的健身价值接近对方,所以交叉概率应该减少保护优秀个体。

可以通过自适应变异概率 在哪里 指的是初始突变概率、最小值的最低个人健身,f平均个人健身价值小于平均健身价值,和自适应变异概率。在公式(24),因为 ,指数函数的范围值属于 。当健身值更接近对方,接近0.5和更容易寻找新的个体。当健身价值观有很大的不同,变异概率下降,以避免破坏良好的个人解决方案,确保顺利收敛。

4.2.4。算法的步骤

综上所述,改进ABC算法的详细步骤如下:步骤1:初始化种群。首先,确定人口规模和参数。设置菌落大小SN,采用蜜蜂的数量为总数的50%菌落的大小,也就是说,SN/ 2,旁观者蜜蜂菌落总数的50%大小,和最初的交叉和变异概率k。步骤2:生成SN(即初始蜂蜜来源。,feasible solutions) according to the encoding method set by ABC algorithm.步骤3:计算所有可行解的适应度值和等级。第四步:计算每个蜂蜜源的概率被选中的蜜蜂和使用轮盘赌的方法来确定蜂蜜来源采用蜜蜂将选择哪一个。第五步:计算和排名所有蜂蜜来源的健身,然后直接复制和保存前两个人最好的健身价值。第六步:计算每个蜂蜜源的自适应交叉概率和执行交叉操作。第七步:计算每个蜂蜜源的自适应变异概率和执行变异操作。第八步:评估新蜂蜜来源的健身价值和应用贪婪原则。如果新蜂蜜来源是比原来的可行的解决方案,它将取代原来的参与下一轮操作,否则将保留原始蜂蜜源下一轮操作。步骤9:如果蜂蜜来源科目后没有改善限制(限制参数用于防止蜜蜂陷入局部优化解决方案)更新的时候,它将被放弃,采用蜜蜂将转换为侦察蜂搜索新的蜂蜜来源。第十步:判断迭代的最大数量。如果是这样,终止进程,否则回到步骤5。

基于上述分析,改进的人工蜂群算法的操作过程采用本文呈现在图5。

5。一个案例研究

在本节中,为了验证了模型和算法的效率和有效性,通过MATLABR2016b实际案例进行了分析。

5.1。背景

在某一地区突发性地震灾害后,20受灾地点正在等待紧急救援物资和两个配送中心在这一领域可以扮演中层配送中心。此外,还有一个collector-distributor中心分配供应。两个配送中心在中间水平编号“1”和“2”在这种情况下。受灾地区“3”到“22编号。“此外,有必要考虑道路阻塞的可能性由于崩溃或裂缝。上面的描述如图6。

所有配送中心的地点、供应系统都需要位置和上层供应collector-distributor中心是已知的,包括数量、位置坐标的分布中心和受灾地点,时间窗要求救援物资灾难的地点,和应急物资的数量每个受灾地点的需要。救护人员和救援人员在灾难地区急需各种食物、饮用水、和其他生活必需品,以及维修所需的工具和物资的道路网络。可以采用多种运输方式运送物资collector-distributor中心配送中心和损坏的公路网络。但只能用于运输车辆从配送中心供应各种灾难地点由于条件限制。车辆的最大负载能力。由于无法理解公路网络的一部分,需要分配一定数量的物资应急修理以显著降低延迟和分布在正常的时间内通过马路。的救灾物资短缺的早期阶段地震,救援物资的数量应尽可能多的为灾区所需的生活用品。运输任务的开始时间是0,最早的时间窗口和救援物资在灾难的最新时间窗口位置取决于实际情况。具体信息如表所示2。

5.2。参数设置

在这种情况下,参数设置如下。600单位collector-distributor中心应急物资准备,确保灾区的需求。车辆的固定成本是300元,驾驶成本是5元每小时。的最大负载车辆150辆,平均速度是35公里/小时。时的违约成本是200元每小时时间窗灾难点不满足要求。两个损坏的道路段需要12个单位和18个单位恢复,分别。如果不修理损坏的部分,道路无法通行,段的距离将是一个足够大的整数米在这种情况下,也就是1000。在模型的基础上建成的部分3和实际情况,自适应人工蜂群算法的参数设置如下。人口大小设置为200,初始概率自适应交叉和变异率为0.01,最大迭代次数为100,搜索的最大数量为100,程序运行20次,得到最优的结果。

5.3。结果分析

5.3.1。没有维修的道路网络

首先,这种情况,所有损坏的部分不应该考虑修复,也就是说,所有救援物资分发给灾区和不分配给受损的部分供应。假定段1之间的供应系统都需要位置6和位置11和21段2之间的配送中心和供应系统都需要位置交通网络的阻塞(如图所示,虚线图6)和罚函数设置为1000。在道路拥堵的情况下,应急调度的最优路径问题是[15-18-16-21-8-11-6-12-13-7-3-10-5-9-22-4-14-19-17]。总共5车辆需要完成整个运输计划,如表所示3。

5.3.2。维修的部分道路网络

的情况下段1修理迫切和段2不修复,最优路径(6-11-13-9-4-19-20-21-12-22-7-3-15-18-10-16-8-5-17-14)。五辆需要完成整个运输计划,如表所示4。

的情况下段2修理迫切和段1不修复,最优路径(7-13-12-5-19-10-20-16-6-11-8-4-3-14-9-15-18-22-17-21)。五车也需要完成整个运输计划,如表所示5。

5.3.3。整个道路网络的维修

整个道路网络修理的情况下紧急,紧急供应调度最优路线的[21-10-19-5-14-6-11-8-16-12-13-22-4-15-7-17-9-3-18-20]。五辆需要完成整个运输计划,如表所示6。

目标函数的值进行比较Z₁和运输成本Z₂在不同的情况下,结果如表所示7。

在表7,目标函数值的升序排序Z₁如下:Z₁在这种情况下,所有的道路网络修复,Z₁在段1修理情况,Z₁在这种情况下,没有修复公路段,和Z₁在分段2修理的情况。获得的数据修复所有道路网络的情况明显小于不修复道路网络或只修复部分公路网络。当所有公路网络恢复,目标价值Z₁小于,在其他情况下。这是因为适应度函数调整了目标价值和扩大它不满足阈值,这有利于提高算法的选择之间的差异。

同样,在表7运输成本的升序排序Z₂在不同的公路网络如下:Z₂在这种情况下,所有的道路网络修复,Z₂在段1修理情况,Z₂分段2修理的情况下,Z₂在这种情况下,没有道路段修理。公路网络的运输成本,经历了完整的公路网络修复低于不修理。这是因为这两个损坏的部分都是配送中心之间的最短的关键路线到受灾地区。一旦损坏,运输成本将大幅上升,运输效率将下降。修复道路的好处是大于成本,因此所有的结果在修理公路网络都是最优的情况。如果救援物资只是足够的恢复道路段的一部分,建议修复道路段,可以产生更大的效益。这意味着供应可以发送更多受灾地点在最短的时间内通过所选的路。因此,很明显,对于road-varying网络,它具有重要的实用价值和意义,分析和比较整个道路网络和探索路径成本和收益在不同道路网络。

5.4。不同算法的性能比较

目前一些类似的例子和算法可用来处理应急物资的调度问题的条件下多个配送中心和road-varying网络,所以算法不能直接与他人相比。为了分析该算法的性能,在路径优化阶段,遗传算法和标准校正算法用于比较与改进后的算法在同等条件下,整个道路网络不是恢复。考虑到遗传算法和标准ABC算法之间的差异,不同的人口数量相比500次迭代后,和对比试验的结果如表所示8和图7。

通过比较,很明显,遗传算法有一个轻微的优势改进的ABC算法当人口规模很小,但当人口规模逐渐增加,本文提出的算法明显克服了遗传算法。比较改进的ABC算法与标准,我们发现前人口优势的任何大小。此外,在图7,比较收敛速度和最优目标值使用这三种算法,我们可以发现改进的ABC算法具有更快的收敛速度和更好的目标价值,这证明了本文是显著有效的适应策略。

6。结论

针对问题的可靠的紧急供应调度救援行动的突发性自然灾害救援,本文结合了实际情况的多个配送中心和多个供应系统都需要位置和设计一个双层的模型。在上面的模型中,我们考虑供应分布和时间的紧迫性;而在较低的一个,我们考虑路线规划和分配的公平性延迟。基于网络的概念要求变化、路径优化、和时间窗口,构造多目标调度模型,提出了具体的解决问题的策略。最后,以下的结论。①不同道路网状态下的调度方案可以获得的双层规划模型,使更好的考虑供给分布和编程。②当救灾物资有限,应该制定不同的分配方案产生不同的好处。然而,效率与公平是彼此相反,决策者需要全面考虑的。③早期灾难后,救援物资不能完全满足灾区的需求和损坏的部分,所以合理编程供应分布或资源投入的增加应该发挥它的作用,克服困难。④不同的维修策略将导致不同的收益结果的道路网络,这是有关紧急供应网络的总体结构。 Especially when the damaged segment is exactly the shortest route from the distribution center to the disaster area, the benefit of repairing the segment will be greater than the cost of supplies, which makes it more reasonable to repair the damaged segment. ⑤ In view of the model’s characteristics of multiple objectives and multiple parameters, the improved artificial bee colony algorithm is adopted to solve the problem. Finally, an actual case is given to verify the feasibility and validity of the proposed model and algorithm, which provides a reference for scheduling emergency supplies based on bi-level programming under conditions of multiple distribution centers and variable road networks.

然而,本文只考虑供应调度问题当供给需求是固定的。还有一些其他的问题需要进一步探讨如下:(1)在实际的突发性灾难,很多信息是不确定的。在灾难后的初始阶段,对救灾物资的需求是模棱两可的。在这种情况下,一些假设需要更加宽容,建立新的模式需要根据其他相关约束,和新的有效参数值需要确定。此外,不确定信息的情况下,公平以及编程计划应该讨论和探索有效的途径。(2)研究道路网络节点的脆弱性的问题(24,25]。为了解决这个问题,应该引入复杂网络理论研究模型测量道路网络的脆弱性和灾区应急物流,特别是风险影响城市不同的重要性。通过减少受损的道路网络的数量或增加的灾难点,影响应急物流网络上的攻击策略不同灾害应该分析后,进一步预防具有重要意义的突发性自然灾害。(3)研究应急物流网络的动态演化特征。由于导数和二次自然灾害,灾区的数量越来越多,需求也会改变后动态突发性灾难,和相应的调度网络也是实时动态。因此,建立相应的网络演化模型,揭示应急物流网络的变化规律将为后来的可靠调度奠定基础。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金项目(批准号71401156和71401156),教育部人文社会科学项目(批准号18 yja630012),浙江省自然科学基金(批准号,LY18G010001也没有。LY20G010001),总统在北乔治亚大学的激励奖(批准号。1103年和1105年),和机械传动和制造工程湖北省重点实验室(批准号2017 a08和2018 a02),以及现代商业和贸易合作创新研究中心研究中心和浙江大学Gongshang中国现代商业(批准号14 smxy05yb)。

引用

1. l .周,吴x、z徐和h . Fujita”自然灾害应急决策:概述,“减少灾害风险的国际期刊27卷,第576 - 567页,2018年。视图:出版商的网站|谷歌学术搜索
2. a . s . Safaei s Farsad, m . m . Paydar“应急物流计划供应风险和需求不确定性下,“运筹学2018年出版社。视图:出版商的网站|谷歌学术搜索
3. 黄x l .歌曲,“紧急突发事件物流配送路径选择模型,”《运筹学,卷269,不。1 - 2、223 - 239年,2018页。视图:出版商的网站|谷歌学术搜索
4. 郑,z马,李,“应急物流系统综合优化后地震初期基于双层规划,“系统工程学报卷,29号1,第125 - 113页,2014年,在中国。视图:谷歌学术搜索
5. t, s .吴、杨j .和g琮、“风险应急物流网络的传播模型及其模拟材料可靠性的基础上,“国际环境研究和公共卫生杂志》上,16卷,不。23日,第4677页,2019年。视图:出版商的网站|谷歌学术搜索
6. j·l . Wang歌,l .史”动态应急物流规划:模型和启发式算法,”优化信,9卷,不。8,1533 - 1552年,2015页。视图:出版商的网站|谷歌学术搜索
7. b . j .秋张j . h . y . t . Qi和y . Liu”Grey-theory-based应急物流优化模型考虑时间的不确定性,”《公共科学图书馆•综合》,10卷,不。9篇文章ID e0139132 2015。视图:出版商的网站|谷歌学术搜索
8. 崔,s . Liu和x唐,“紧急材料分配问题考虑灾后影响,”学报》第八届国际会议上工业技术和管理IEEE,页290 - 294年,剑桥,英国,2019年3月。视图:出版商的网站|谷歌学术搜索
9. h . Chi, j·李,x邵,m高,“及时性评价应急资源调度,”欧洲运筹学杂志》上,卷258,不。3、1022 - 1032年,2016页。视图:出版商的网站|谷歌学术搜索
10. 郭l . j . Liu, j .江d .江和p . Wang“紧急材料分配与时变供需动态优化方法基于河流化学泄漏,”环境科学与污染研究,25卷,不。18日,第17353 - 17343页,2018年。视图:出版商的网站|谷歌学术搜索
11. 张y, y, j . Liu和甘x,“一个多阶段多目标进化算法动态应急资源调度的问题,“运输研究E部分:物流和运输审查卷,99年,第95 - 77页,2017年。视图:出版商的网站|谷歌学术搜索
12. K.-Y。宋,j。香港,y谢”,应急物流网络的设计,以效率、风险和健壮性考虑,”国际物流研究期刊》的研究和应用,17卷,不。1、22页,2014页。视图:出版商的网站|谷歌学术搜索
13. 美国早期和w·j . Gutjahr”的math-heuristic仓库location-routing在救灾问题,“电脑与行动研究,42卷,不。2、25 - 39页。2014。视图:出版商的网站|谷歌学术搜索
14. 王y和d .胡锦涛,“紧急材料供应模型研究基于多个供给主体不确定因素下,“安全科学与技术杂志》上,13卷,不。3,12-20,2017页。视图:谷歌学术搜索
15. v . m . y . Wang棺材,b .太阳,“衡量和实现股权multiperiod紧急材料分配,”风险分析,39卷,不。11日,第2426 - 2408页,2019年。视图:出版商的网站|谷歌学术搜索
16. m·艾哈迈迪A Seifi, b . Tootooni“人道主义救灾物流模式操作考虑网络故障和标准救援时间:一个案例研究在旧金山地区,”运输研究E部分:物流和运输审查卷,75年,第163 - 145页,2015年。视图:出版商的网站|谷歌学术搜索
17. r .板桥区,k .酒井法子,t . Kusakabe和y仓叶,“急救location-routing决策模型恢复受损的道路网络,”交通研究东亚社会杂志》上11卷,第565 - 557页,2015年。视图:谷歌学术搜索
18. c·g·罗尔斯和m . a . Turnquist“预置的救灾应急物资,”交通研究B部分:方法论,44卷,不。4、521 - 534年,2010页。视图:出版商的网站|谷歌学术搜索
19. f . Liberatore m . t . Ortuno g . Tirado b . Vitoriano和m . p . Scaparra”层次妥协联合优化模型在人道主义紧急恢复操作和分销商品物流、”电脑与行动研究2014年,42卷,页3日到13。视图:出版商的网站|谷歌学术搜索
20. c . Ju g .周,t·陈,“中断管理更改时间窗的车辆路径问题,“国际航运和运输物流杂志》上,9卷,不。1,4-28,2017页。视图:出版商的网站|谷歌学术搜索
21. k, t·陈,g .琮、“图书馆个性化推荐服务方法基于改进的关联规则,”图书馆嗨科技,36卷,不。3、443 - 457年,2018页。视图:出版商的网站|谷歌学术搜索
22. d . Karaboga”,一个想法基于蜜蜂群的数值优化,“技术代表、Erciyes大学开,土耳其,2005年技术report-TR06。视图:谷歌学术搜索
23. 肯尼迪。Berube, m . Gendreau, J.-Y。波特凡,”一个精确的ϵ约束方法bi-objective组合优化问题:应用程序货郎担问题的利润,”欧洲运筹学杂志》上,卷194,不。1,39-50,2009页。视图:出版商的网站|谷歌学术搜索
24. r·肖j·李,t·陈,“社会集体行为的建模和智能优化与网络舆论同步,”国际期刊的机器学习和控制论,10卷,不。8,1979 - 1996年,2019页。视图:出版商的网站|谷歌学术搜索
25. t·陈,李问:j .杨g .琮、g·李,“公众舆论极化过程的建模与个体异质性和动态一致性的考虑,“数学,7卷,不。10,917年,页2019。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Tinggui陈等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。