基于元胞遗传算法的多目标应急资源配置

发布时间：2021-02-05 18:13

　　为解决不同灾情下多目标多周期灾后救援问题,减少受灾损失,对灾后应急资源配置进行研究。从物流成本和系统损失2个方面最小化救灾行动的成本和最大化有限救灾资源的分配,建立基于路况的多目标应急资源配置模型,将帕累托前沿和超体积作为元胞遗传算法的求解性能指标,开展元胞遗传算法与遗传算法对模型的求解对比实验。结果表明:元胞遗传算法能较好地求解多目标多周期应急资源配置模型,且求解性能比遗传算法更好;通过对模型的求解,可为决策者基于不同灾情下的应急决策提供参考。 

【文章来源】：中国安全生产科学技术. 2020,16(02)北大核心

【文章页数】：6 页

【部分图文】：

不同pc和pm下CGA的平均超体积

图3 轻度灾情下的PF分布根据CGA所得到基于多目标下的PF集合,在实际救援过程可由决策者对目标的重视程度进行最后决策。从重度灾情的PF集合选取1个PF作为应急资源配置过程中物资流向的演示,见表5。由表5可知,由于道路因灾损毁而导致部分出救点与受灾点间没有物资流动,出救点无法对最近受灾点开展救援,如受灾点AP-3与出救点SP-2虽然距离最近,但是由于道路阻断,AP-3的物资需求只能由其他出救点进行满足。在实际救援过程中可能出现由于道路损毁、交通管制而导致运输道路阻断现象,为救援行动增添许多困难,通过采用多目标应急资源的配置能为应急决策在开展救援行动时提供更为可靠的应急候选决策方案,减少受灾区域损失,为科学决策提供理论依据。

由于实际救援过程中存在因灾害导致救援通道损毁的现象,本文将灾情分为轻度、重度2种情况,运用CGA分别实验模拟和优化不同灾情中多目标应急资源配置,减少救援过程中的系统损失和物流成本,同时引入GA比较优化性能。GA和CGA在不同灾情下的PF分布如图3～4。PF分布表示解集中占优个体的分布,能直观地衡量算法求解应急资源配置模型所得候选优秀决策方案在不同救援目标函数上的分布。由图3～4可知,GA生成的PF几乎被CGA生成的PF支配,即通过CGA所生成的候选应急资源配置方案比GA生成的候选方案更优,在解决不同救援问题的表现上更优。在实际救援决策过程中,所生成的PF集合可作为实际救援候选方案,通过PF的分布对比,得出在不同灾情下CGA能为决策者提供更为优秀的决策候选方案。图4 重度灾情下的PF分布

【参考文献】：
期刊论文
[1]不确定条件下应急资源分配区间规划模型研究[J]. 王飞跃,郭换换,裴甲坤,杨宸宇,裴重伟.  中国安全生产科学技术. 2019(10)
[2]基于情景分析的生产安全事故应急物资的协调储备优化研究[J]. 门红,王晶.  中国安全生产科学技术. 2017(10)
[3]灾害链、不确定供求和复杂应急资源分配网络的动态配置[J]. 葛敏,陈晓平,吴凤平.  科技管理研究. 2017(13)
[4]需求不确定下的应急资源公平配置策略[J]. 李丹,刘晓.  工业工程与管理. 2013(06)
[5]基于灾情信息更新的应急物资配送多目标随机规划模型[J]. 詹沙磊,刘南.  系统工程理论与实践. 2013(01)
[6]系统动力学建模在卫生资源配置研究中的应用[J]. 张彦琦,石凯,易东,唐贵立,伍亚舟,刘岭,谢莎丽.  中国卫生经济. 2011(09)



本文编号：3019356