許倫輝，曹宇超，林培群

(華南理工大學(xué) 土木與交通學(xué)院，廣東 廣州 510640)

近年來，全球各類自然和社會公共突發(fā)性災(zāi)害事件頻發(fā)，給社會和百姓造成了巨大的損失和困擾。社會經(jīng)濟受到影響，人們的生命和安全也受到了巨大的威脅，物資供應(yīng)也面臨著巨大的阻礙。為了降低損失，及時應(yīng)對受災(zāi)區(qū)資源短缺，解決物資需求的問題，合理的應(yīng)急物資中心選址及物資調(diào)度就顯得尤為重要，它關(guān)系到能否及時響應(yīng)災(zāi)區(qū)受災(zāi)點物資需求，保證援助效率。

應(yīng)急物資網(wǎng)絡(luò)的本質(zhì)是從應(yīng)急物資中心出發(fā)配送物資到受災(zāi)點的物流模式，近年來，國內(nèi)外學(xué)者對于物流方面的選址問題研究成果眾多。如：Yang等[1]建立了以成本和距離最小為雙目標的消防站選址模型，并利用遺傳算法求解了模型；王文峰等[2]以最大覆蓋模型為目標，建立了多級覆蓋質(zhì)量要求下的設(shè)施選址模型，并設(shè)計了啟發(fā)式算法進行求解；Rawls等[3]建立了應(yīng)急物資儲備庫選址及救援物資種類決策的兩階段混合整數(shù)規(guī)劃模型；李現(xiàn)美[4]建立了應(yīng)急物資儲備中心多目標多級的最大覆蓋選址模型，并設(shè)計了遺傳-粒子群混合算法對模型進行求解；徐重岐等[5]提出了一種基于混合整數(shù)規(guī)劃模型的應(yīng)急物流配送中心選址方法；趙仁輝等[6]針對單一指派約束和容量約束，以總成本費用最小為目標建立了一種基于改進蟻群算法與GIS的配送中心選址方法；Ai等[7]建立了海上救援應(yīng)急物資儲備庫與應(yīng)急救援船舶的資源配置模型，并用遺傳算法求解了該模型；張敏等[8]建立了基于失效情形的應(yīng)急設(shè)施選址評估指標體系并運用數(shù)據(jù)包絡(luò)法對應(yīng)急設(shè)施選址的合理性進行了評價；馮艦銳等[9]基于運籌學(xué)中多目標優(yōu)化理論，并引入了多影響因素權(quán)重因子，建立了應(yīng)急物資中心選址問題的優(yōu)化模型；宋英華等[10]構(gòu)建了以最小配送時間和成本為目標函數(shù)，考慮了動態(tài)環(huán)境下的應(yīng)急物資中心快速選址模型；Wang等[11]基于局部分支和粒子群優(yōu)化的方法提出了一種隨機規(guī)劃模型，考慮具體受損場景以及引入抗震能力，確定災(zāi)難現(xiàn)場應(yīng)急倉庫的選址和規(guī)模。文獻[1-11]只研究了應(yīng)急中心的選址，并沒有進一步設(shè)計后續(xù)的物資調(diào)配方案。李進等[12]對于多種類物資分類調(diào)度建立了對應(yīng)多受災(zāi)點的調(diào)度模型；劉長石等[13]考慮了應(yīng)急物資配送的具體需求量和時間效率問題，建立了物資由多個應(yīng)急物流中心到多個需求點的應(yīng)急物流模式并且建立了總運達時間最短與總配送成本最小的多目標模型；朱洪利等[14]針對地震等突發(fā)事件發(fā)生時應(yīng)急物資需求存在動態(tài)變化的特點，提出了兩階段應(yīng)急資源調(diào)度模型；Wang等[15]提出了以最短時間，最少成本多目標的二維優(yōu)化模型，應(yīng)用理想點算法來解決應(yīng)急物資的調(diào)運問題；趙振亞等[16]建立了基于最小風(fēng)險路徑的應(yīng)急物資調(diào)度配送方案；孫欣欣等[17]構(gòu)建了基于運輸時間最短、物資儲備庫最少的多目標應(yīng)急物資調(diào)度計算模型，利用遺傳算法進行調(diào)度方案求解；李巧茹等[18]提出一種考慮災(zāi)后道路可靠性的多目標優(yōu)化應(yīng)急調(diào)度模型，以車輛行駛時間最小、行駛路徑可靠度最大和系統(tǒng)物資未滿足度最小為目標函數(shù)，采用改進遺傳算法進行求解。雖然文獻[12-18]在物資調(diào)度和路徑規(guī)劃方面給出了解決方案，但沒有給出該情景下如何進行應(yīng)急物資配送中心選址的方案。少數(shù)學(xué)者研究了選址-調(diào)度一體化問題。Caunhye等[19]建立了物資需求和設(shè)施狀態(tài)不確定性條件下的兩階段的選址路徑模型；Liu等[20]結(jié)合動態(tài)規(guī)劃的車輛運輸路徑分配算法和基于蟻群優(yōu)化的災(zāi)區(qū)供應(yīng)序列自學(xué)習(xí)算法，建立了考慮物資需求和車輛數(shù)量不斷變化的應(yīng)急物資調(diào)度模型；曲沖沖等[21]基于在災(zāi)區(qū)實際狀況，針對應(yīng)急環(huán)境的動態(tài)性，建立了應(yīng)急物資配送中心選址與運輸配送路徑優(yōu)化模型，解決了多目標動態(tài)救援問題；許可等[22]建立了考慮物資供應(yīng)約束以及轉(zhuǎn)運平衡約束的多目標優(yōu)化選址調(diào)度模型，使用帶慣性權(quán)重的離散二進制粒子群算法對模型進行求解；姚紅云等[23]基于模糊層次分析法構(gòu)建了應(yīng)急物資中心選址模型，并建立了災(zāi)害過程中應(yīng)急物資配送路徑優(yōu)化模型。

可以看出，應(yīng)急物資中心的選址與物資調(diào)度配置問題是整個應(yīng)急物流網(wǎng)絡(luò)的2個重要問題，多數(shù)學(xué)者是從單一角度將2個問題分開或看成2個階段研究；少數(shù)學(xué)者雖然考慮了一體化研究，但解決方案存在改進空間。在求解該類最優(yōu)問題時常采用動態(tài)規(guī)劃算法、啟發(fā)式算法或遺傳算法等智能優(yōu)化算法。動態(tài)規(guī)劃算法存在著耗時長、效率低的缺點；啟發(fā)式算法的精確程度往往較差；標準的遺傳算法以及粒子群算法往往存在容易陷于局部最優(yōu)或收斂速度較慢的缺點[24-25]。

由此，本文針對應(yīng)急物資中心選址與多目標點調(diào)度問題，設(shè)計了基于免疫優(yōu)化算法選址和基于多層編碼遺傳算法調(diào)度的融合算法。免疫優(yōu)化算法可通過自身調(diào)節(jié)機制[26]，保證個體多樣性，避免陷入局部解；多層編碼遺傳算法通過改變編碼方式，構(gòu)建雙層染色體分別表示供應(yīng)方和需求方，解決此類多目標問題，融合建立了中心選址-調(diào)度一體化解決方案。

1 應(yīng)急物資中心選址和調(diào)度模型

1.1 問題描述

災(zāi)害發(fā)生后，為了響應(yīng)物資需求，不僅需要考慮應(yīng)急物資中心至受災(zāi)區(qū)域的距離成本，而且還需要結(jié)合不同物資種類，物資需求量的運輸成本進行綜合考慮，選出合理的應(yīng)急物資中心地址，確定最優(yōu)的物資調(diào)度配送方案，以保證好各物資中心的應(yīng)急物資能夠以最低的成本滿足受災(zāi)點的需求，保證救援效率，減少資源浪費，獲得系統(tǒng)全局的最優(yōu)方案。問題描述如圖1所示。

圖1 應(yīng)急中心選址-調(diào)度示意Fig. 1 Emergency center site selection and dispatching diagram

1.2 應(yīng)急物資中心選址模型

應(yīng)急物資中心的選址建立在3個假設(shè)條件上：

1)外界補充物資足夠支持任意配送需求，且應(yīng)急物資中心的容納量默認可以滿足配送需求。某一物資中心的調(diào)度目標需要在其配送輻射范圍之內(nèi)。

2)每個應(yīng)急中心物資種類齊全，一個需求點只由一個物資中心即可滿足相應(yīng)需求。

3)應(yīng)急物資中心與需求點間的成本評估考慮綜合代價，即綜合考慮距離和運輸成本[27]。如式(7)所示。

在3個假設(shè)的基礎(chǔ)上建立選址模型，模型滿足建立M個物資中心，以供應(yīng)滿足N個需求點的物資需求。M?N，即物資中心以需求庫中的點進行建立，選為物資中心的區(qū)域可滿足供應(yīng)自己區(qū)域的需求，并且可以為其他非物資中心的需求點配送物資。目標函數(shù)是使物資中心到其余需求點的綜合代價值Fs最小，目標函數(shù)為

(1)

約束條件為：

(2)

Zi,j≤hj，i∈N，j∈Mi，

(3)

(4)

Zi,j,hj∈0 或 1，i∈N，j∈Mi，

(5)

di,j≤s。

(6)

式中：N表示所有需求點的集合；i表示第i個目標需求點；Mi表示能輻射到i點的應(yīng)急物資中心集合；j表示第j個物資中心；Zi,j用0和1表示需求點和物資中心是否存在配送關(guān)系，若i點由j中心供應(yīng)，則Zi,j=1，反之為0；hj采用0和1表示j點是否已被選為配送中心，hj=1表示被選為配送中心，反之為0；di,j表示i點與j中心間的距離；s表示輻射范圍。

式(2)表示每個需求點僅由一個物資中心提供物資即可；式(3)表示需求點只能被設(shè)為物資中心的點供應(yīng)；式(4)表示建立的物資中心數(shù)目為M；式(6)表示物資配送需在輻射范圍內(nèi)。

下面計算綜合代價。綜合代價分別考慮了物資配送的距離成本和運輸成本，計算公式為

w(d,p,g)=pd+dηg，

(7)

式中：pd表示配送的距離成本；dηg表示運輸成本。其中距離成本在配送路徑選擇中，主要需要考慮道路的通暢度，即擁堵程度會影響距離成本和總體耗時，因此對出行距離d添加了交通擁堵系數(shù)p作為距離成本系數(shù)。在運輸成本中，η表示運輸成本中需求物資單位需求量的成本換算系數(shù)，g表示物資需求量。

表1 速度-交通擁堵系數(shù)對照

(8)

2)運輸成本中需求物資單位需求量的成本換算系數(shù)η的取值結(jié)合具體運送的物資，根據(jù)不同種類物資在運輸途中的易損程度，通過經(jīng)驗函數(shù)及相關(guān)統(tǒng)計數(shù)據(jù)確定。

1.3 多目標物資調(diào)度模型

多目標物資中心調(diào)度問題的本質(zhì)就是合理安排配送路線，使得全局總代價最小，基于物資中心選址模型，受災(zāi)區(qū)中有M個物資中心，總共要給N個需求受災(zāi)點配送，設(shè)第m個物資中心要向Lm(m=1,2,…,M)個需求點送貨，第m個物資中心有Km輛配送車，車輛限載量Qm,k(k=1,2,…,Km)，其配送的最大行駛距離為Dm,k。第m個物資中心服務(wù)的第i個需求點的貨物需求量為qm，i(i=1,2,…,Lm)，該物資中心到第i個需求點的綜合代價為wm，i(m=1,2,…,M;i=1,2,…Lm)，再設(shè)nm，k為第m個物資中心中第k輛車配送的需求商數(shù)(nm，k=0表示未使用第k輛車)，rm，k，i表示物資中心m使用第k輛車為需求點i運送物資。若以全局綜合代價最小為目標函數(shù)Ft，則調(diào)度模型為：

(9)

(10)

s≤Dm，k，

(11)

(12)

(13)

(14)

式(9)～(14)中：wrm，k，i表示物資中心m使用第k輛車為需求點i運送物資的綜合代價值；qm，rm，k，i表示物資中心m使用第k輛車為需求點i運送的物資量。式(10)保證配送量能滿足需求量；式(11)保證車輛可送達距離在物資中心輻射范圍內(nèi)；式(12)表明單一物資中心配送需求點數(shù)不超過總需求點數(shù)；式(13)表明所有需求點均得到供應(yīng)；式(14)表示車輛狀態(tài)，當?shù)趉輛車參加了配送任務(wù)則取fsign(nm，k)=1，反之取fsign(nm，k)=0。

2 融合免疫優(yōu)化和多層編碼遺傳算法設(shè)計

免疫優(yōu)化算法和遺傳算法的本質(zhì)都是從群體中選出優(yōu)質(zhì)個體。二者的算法步驟相似，由“初始種群產(chǎn)生→評價標準計算→種群間個體信息交換→新種群產(chǎn)生”這一循環(huán)過程，最終以較大的概率獲得問題的最優(yōu)解。

2.1 基于免疫優(yōu)化算法的物資中心選址

免疫優(yōu)化算法利用免疫系統(tǒng)產(chǎn)生并保持種群的多樣性，對于存在多峰值的函數(shù)能避免陷入局部循環(huán)，最終可求得全局最優(yōu)解。免疫算法流程如圖2所示。

圖2 免疫優(yōu)化算法流程Fig. 2 Immune optimization algorithm flowchart

2.1.1 生成初始抗體群

根據(jù)候選可建立應(yīng)急物資中心的區(qū)域點信息，生成初始抗體種群。設(shè)需要建立的物資中心數(shù)目為M，則選址方案生成一個長度為M的抗體[m1,m2,…,mM]。

2.1.2 解的評價

①抗體與抗原間的親和度

描述抗體對抗原的識別程度，根據(jù)物資中心與需求點之間的關(guān)系定義親和度函數(shù)A。

(15)

式中：Fs為選址模型中的目標函數(shù)；Ppun是懲罰函數(shù)；C是一個趨近于正無窮的數(shù)。

②抗體與抗體間的親和度

描述抗體之間的相似程度。采用R位連續(xù)方法來計算抗體間的親和度。

(16)

式中：ki,j表示抗體i與j中相同的位數(shù)；M表示抗體長度。如抗體[1 5 8 21 27]與抗體[2 4 8 19 27]中，有2個位數(shù)相同，則抗體間的親和度為Si,j為0.4。

數(shù)據(jù)傳輸層通過與采集層和數(shù)據(jù)處理層的上下連接，通過通信網(wǎng)絡(luò)進行信息傳輸，為系統(tǒng)提供基礎(chǔ)設(shè)施服務(wù)。傳輸層由無線傳感網(wǎng)、有線網(wǎng)、互聯(lián)網(wǎng)及各種私有網(wǎng)絡(luò)組成，在數(shù)據(jù)采集層各傳感器和數(shù)據(jù)處理層之間起到紐帶和橋梁作用，負責(zé)將獲取的傳感器感知信息，經(jīng)過互聯(lián)網(wǎng)或私有網(wǎng)絡(luò)，安全可靠地傳輸?shù)缴蠈舆M行數(shù)據(jù)分析，然后根據(jù)不同的應(yīng)用需求進行數(shù)據(jù)的交互與處理。該系統(tǒng)中主要采用藍牙、3G/4G 移動網(wǎng)絡(luò)和局域網(wǎng)絡(luò)等進行數(shù)據(jù)的傳輸與通信。

③抗體濃度

表示滿足親和度閾值T的抗體占抗體總數(shù)的比例。

(17)

④期望繁殖概率

在一個種群中，個體的期望繁殖概率由抗體間的親和度A和抗體濃度Cv決定。

(18)

式中α是比例系數(shù)。當個體適應(yīng)度越高時，期望繁殖概率越大；當個體濃度越小時，期望繁殖概率越大。這種方式有利于選擇適應(yīng)度高的個體，同時抑制濃度高的個體，保證了個體多樣性。

本文采取精英保留策略進行再優(yōu)化，在每次更新記憶庫時，先將與抗原親和度最高的個體按比例選取一部分存入記憶庫，再按照期望繁殖概率遞減，從高到低將剩余個體存入記憶庫，避免由于出現(xiàn)高濃度抑制導(dǎo)致最優(yōu)解的丟失。

2.1.3 免疫操作

①選擇：采用輪盤賭法根據(jù)式(18)的概率進行選擇。即抗體被選中的概率與其期望繁殖概率成正比。

②交叉：采用隨機選擇交叉位置進行交叉。即隨機選取2個抗體，并取出每個抗體的前M/4位，然后隨機選擇交叉位置進行同等長度序列的交叉。

③變異：采用隨機選擇變異位進行變異。變異算子首先從種群中隨機選取某個抗體作為變異個體，然后選擇變異位置pos1和pos2，將個體中pos1和pos2位置序列對換完成變異。

2.2 基于多層編碼遺傳算法的調(diào)度策略

對于應(yīng)急物資調(diào)配中多目標中心對多目標需求點的問題，一般遺傳算法一個單層染色體難以準確表達問題的解。本文在傳統(tǒng)遺傳算法的基礎(chǔ)上，結(jié)合物資中心-需求點多目標調(diào)度的情景，將一般的單個單層染色體編碼模式改進為雙層編碼，通過把個體分為兩層，定義每層編碼分別表示物資中心和需求點，完整表達了問題的多項參數(shù)，可獲得最終的最優(yōu)解。

2.2.1 基于雙層編碼的模式

基于每個物資中心物資種類齊全的背景，采用雙層整數(shù)排列的編碼方法。對于M個物資中心，N個需求點的多目標問題，染色體的第1層表示單次運送中物資需求點排列；第2層表示對應(yīng)配送物資的物資中心點排列。例如N為4，M為3的染色體如圖3所示。其表示物資中心1→需求點1和3；物資中心2→需求點2；物資中心3→需求點4。

圖3 N=4且M=3的染色體

2.2.2 種群初始化

基于已知的需求點信息和免疫優(yōu)化算法中生成的物資中心點信息，排列組合生成隨機的初始種群。

2.2.3 適應(yīng)度計算

設(shè)染色體的適應(yīng)度值根據(jù)綜合代價進行評價，計算公式為

ffit(i，j)=wi,jCi,j。

(19)

2.2.4 選擇操作

選擇操作采用輪盤賭法選擇適應(yīng)度較好的染色體，個體選擇概率為：

FFit(i,j)=1/ffit(i,j)。

(20)

2.2.5 交叉操作

采用隨機選擇交叉位置進行交叉。與一般交叉不同的是，2個雙層染色體之間，對應(yīng)編碼層之間的基因才可進行交叉，并計算交叉操作后新染色體的適應(yīng)度值。

2.2.6 變異操作

采用隨機選擇變異位進行變異。與一般變異不同的是，雙層染色體中，同層編碼之間的基因才可進行變異，即每層獨立的選擇pos1和pos2位置的基因進行對換變異，并計算變異操作后新染色體的適應(yīng)度值。

3 算例分析

3.1 問題背景

2020年，我國面臨嚴峻的新型冠狀病毒疫情的災(zāi)害，世界衛(wèi)生組織(WHO)宣布，將新型冠狀病毒疫情列為國際關(guān)注的突發(fā)公共衛(wèi)生事件。本文以湖北省新型冠狀病毒疫情受災(zāi)需求為背景，結(jié)合國家衛(wèi)健委某日公布的地區(qū)-病人數(shù)據(jù)，根據(jù)當?shù)夭∪藬?shù)量正比于應(yīng)急物資需求量的假設(shè)，模擬當?shù)貞?yīng)急物資需求案例。如表2所示。

表2 受災(zāi)地區(qū)病人-物資需求量

3.2 應(yīng)急物資中心選址

根據(jù)湖北省的地圖，按比例尺構(gòu)建如圖4所示的坐標系，并標記受災(zāi)需求點的坐標信息。

圖4 湖北省疫情受災(zāi)點信息Fig. 4 Information on the affected areas in Hubei Province

假設(shè)物資調(diào)配均采用陸運，且各地交通可達性一致，物資種類均為應(yīng)急物資且在運輸過程中受損度一致，取η=0.3。湖北省各地坐標-需求物資的運輸成本信息如表3所示。選定17個城市的坐標信息，需要從其中選擇6個城市設(shè)立為應(yīng)急物資中心，其中選為應(yīng)急物資中心的地址可直接為當?shù)靥峁┪镔Y，滿足當?shù)匦枨蟆ＴO(shè)定種群規(guī)模為50，迭代次數(shù)為50，交叉概率為0.5，變異概率為0.4，多樣性評價參數(shù)為0.95，應(yīng)用免疫優(yōu)化算法確定最優(yōu)的應(yīng)急物資中心選址。

表3 受災(zāi)地區(qū)病人-物資需求量

通過免疫優(yōu)化算法，得到隨迭代次數(shù)增加而收斂的曲線如圖5所示，可以看到在迭代次數(shù)10次左右出現(xiàn)收斂；得到物資中心選址方案如圖6所示，其中方框表示應(yīng)急物資中心設(shè)立點，圓圈表示其余的受災(zāi)物資需求點。

圖5 免疫算法收斂曲線Fig. 5 Convergence Curve of Immune Algorithm

圖6 免疫優(yōu)化算法物資中心選址方案Fig. 6 Location plan of material center based on immune optimization algorithm

3.3 應(yīng)急物資調(diào)配方案

根據(jù)應(yīng)急物資中心的選址結(jié)果，武漢、孝感、黃岡、鄂州、荊州、襄陽6地作為物資中心，結(jié)合物資中心與其余各需求點間的距離信息、需求量信息綜合得出每個物資中心配送給其余各受災(zāi)需求點物資的綜合代價值，如表4所示。第1列是除了選為物資中心點外其余各需求點位置；第1行是6個被選為物資中心的點位置；表中數(shù)據(jù)是各物資中心分別到余下各需求點的運輸綜合代價值(選為應(yīng)急中心地址的需求點默認由當?shù)毓?yīng)物資可滿足需求)。假設(shè)各路段疫情期間為物資車輛保持道路暢通，道路擁堵系數(shù)p=1。運往各地物資的單位距離運輸成本代價ηgj的值見表3。

表4 物資中心-受災(zāi)需求點綜合運輸代價值

以武漢—隨州為例，綜合代價的計算過程為

w武漢—隨州(d武漢—隨州,g隨州)=d+dηg=2.8d=414.409 5≈414。

(21)

應(yīng)用多層編碼的遺傳算法，分類為每個物資中心單次配送車輛數(shù)目無上限的情景和每個物資中心單次運輸車輛數(shù)目有限制且最大值Km=2的情景進行分析。參數(shù)設(shè)種群數(shù)目為60，迭代次數(shù)為100，交叉概率為0.8，變異概率為0.6，目標是獲得全局綜合代價值最小的物資調(diào)度配送方案。

情景1每個物資中心單次配送車輛數(shù)目無上限。情景1的收斂曲線如圖7所示，在迭代10次左右出現(xiàn)收斂，最優(yōu)調(diào)度方案如圖8所示。圖中102表示由物資中心2(孝感)為需求點1(隨州)運送物資，系統(tǒng)運輸綜合代價為縱坐標值283。該調(diào)度方案可以獲得全局最優(yōu)的結(jié)果，且目標值物資配送中心的系統(tǒng)運輸綜合代價最優(yōu)，為1 908。情境1下最終形成的選址-調(diào)度方案如圖9所示。

圖7 情景1的調(diào)度方案迭代次數(shù)Fig. 7 Iterations of the scheduling scheme for scenario 1

圖8 情景1的調(diào)度方案甘特示意Fig. 8 Gantt diagram of scheduling scheme for scenario 1

圖9 情景1的最終選址調(diào)度方案Fig. 9 Final location scheduling scheme diagram for scenario 1

情景2每個物資中心單次運輸車輛數(shù)目有限制且最大值Km=2。情景2的收斂曲線如圖10所示，最優(yōu)調(diào)度方案如圖11所示。該調(diào)度方案可以獲得全局最優(yōu)的結(jié)果，目標值物資配送中心的系統(tǒng)運輸綜合代價最優(yōu)，為2 314。情境2下最終形成的選址-調(diào)度方案如圖12所示。

圖10 情景2的調(diào)度方案迭代次數(shù)Fig. 10 Scheduling scheme iterations graph for scenario 2

圖11 情景2的調(diào)度方案甘特示意Fig. 11 Gantt diagram of scheduling scheme for scenario 2

圖12 情景2的最終選址調(diào)度方案Fig. 12 Final location scheduling scheme diagram for scenario 2

結(jié)合案例，與其他常用于解決這兩類問題的智能算法做比較，得到的對比結(jié)果如表5所示。

表5 不同算法實驗性能的結(jié)果

從結(jié)果分析可以看出，本文針對這兩類問題采用的免疫優(yōu)化遺傳算法和多層編碼的遺傳算法均可以獲得全局最優(yōu)解并且具有更高的求解效率。通過二者融合的算法能夠得到一套合理的選址-調(diào)度方案。

4 結(jié)論

本文對于災(zāi)害環(huán)境下的援助提出了一套應(yīng)急物資中心選址-調(diào)度配送一體化的解決方案，首先論述了中心選址問題和多目標對多目標的調(diào)度配送問題，構(gòu)建了相應(yīng)的數(shù)學(xué)模型，并建立了基于綜合代價的成本評估模式。然后選擇了免疫優(yōu)化算法和改進的多層編碼遺傳算法分別解決中心選址和調(diào)度配送問題，并論述了算法的優(yōu)勢。免疫優(yōu)化算法利用其多樣性，增強了全局中的搜索能力而不會陷入局部解；遺傳算法本身基于啟發(fā)式搜索，并且具備快速隨機搜索能力，針對物資調(diào)配問題改進的多層編碼遺傳算法能更具針對性地解決多目標-多目標的問題?；谝陨蟽?yōu)勢，結(jié)合具體問題分別進行了改進算法步驟的設(shè)計。最后以湖北省新型冠狀病毒疫情下的受災(zāi)需求援助作為背景，采用融合免疫優(yōu)化算法和改進的多層編碼遺傳算法的方式建立了一套合理且高效的應(yīng)急物資中心選址-物資調(diào)度配送的一體化解決方案，并且與其他常用的智能算法相比，論證了本文的方法能獲得全局最優(yōu)解并且保持較高的搜索效率，為災(zāi)害狀況下的應(yīng)急物資處置提供了高效可行的方案。