CN103839118A - 一种选址方法和装置 - Google Patents

Abstract

本发明公开了一种选址方法和装置，包括确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；建立多目标选址决策模型；对多目标选址决策模型进行求解；识别最优解并输出。因此，本发明能够有效地解决城市重大突发事件应急救援设施的选址问题。

Description

一种选址方法和装置

技术领域

本发明涉及选址技术领域，特别是指一种选址方法和装置。

背景技术

近年来，重大自然灾害（地震、洪水和飓风等）与突发意外事件（危险化学品泄漏、爆炸等）在全世界范围内频繁发生，造成了巨大的人员伤亡和财产损失。这些自然灾害和突发公共事件对人类社会的生存和发展造成了极大的威胁，并引起了政府管理部门和学术研究领域越来越多的关注。

这些重大突发事件不同于常规的应急事件，其具有发生频率低、短时间内产生影响大和难以准确预测等特点。一旦事件发生，要求在短时间内进行处理和应对，以免其进一步发展蔓延，进而造成更大的损失。对于这些突发事件的处理和应对，往往最终要落实到应急资源的管理和使用等问题上，例如，应急救援设施的选址和建立、应急资源的配置和有效调度等。其中，应急救援设施的合理选址和建立直接关系到应急资源能否高效配置和合理利用，对于阻止突发事件的蔓延、降低突发事件的影响起着至关重要的作用。因此，研究有效的应急救援设施选址策略具有重要的意义。

在现有技术中的选址模型多局限于单一或双目标函数，然而，现实中的城市应急救援设施选址是一个复杂的问题，需要综合考虑众多的因素，往往不只是一个优化目标而应是多个相悖的目标。另外，实际的城市应急救援设施选址属于复杂选址问题，往往涉及到较大的尺度范围和海量的空间信息，现有技术方案效率极低或搜索不到某些最优解，表现出较大的局限性。

发明内容

有鉴于此，本发明的目的在于提出一种选址方法和装置，能够有效地解决城市重大突发事件应急救援设施的选址问题。

基于上述目的本发明提供的一种选址方法，包括步骤：

第一步，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；

第二步，建立多目标选址决策模型；

第三步，对多目标选址决策模型进行求解；

第四步，识别最优解并输出。

可选地，所述的第一步采用基于网格的空间表征方法对需要建立应急救援设施的城市区域网格化，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性。

进一步地，利用GIS软件将网格化的城市区域转换为点格式的矢量数据，每个点的位置(x,y)用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

进一步地，所述的第二步多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数；模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minimizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即

（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，

是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量；其中：

采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码；

其中，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，p个候选应急救援设施的基因依序编码为遗传染色体G，即

G(P₁,P₂,…,P_p)。

进一步地，所述的第三步使用NSGA-II算法对多目标选址决策模型进行求解：使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200；

然后采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

进一步地，所述的第四步利用GIS工具，将各最优解的选址结果分别显示输出。

另外，本发明还提供了一种选址装置，包括：

数据收集模块，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；

模型建立模块，与所述数据收集模块相连，建立多目标选址决策模型；

模型求解模块，与所述模型建立模块相连，对多目标选址决策模型进行求解；

最优地址输出模块，与所述模型求解模块相连，识别最优解并输出。

可选地，所述的数据收集模块采用基于网格的空间表征方法对需要建立应急救援设施的城市区域网格化，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性；

利用GIS软件将网格化的城市区域转换为点格式的矢量数据，每个点的位置（x,y）用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

进一步地，所述模型建立模块的多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数；模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minimizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量。

采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码；

其中，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，p个候选应急救援设施的基因依序编码为遗传染色体G，即

G(P₁,P₂,…,P_p)。

进一步地，所述模型求解模块使用NSGA-II算法对多目标选址决策模型进行求解：使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200；

然后采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

从上面所述可以看出，本发明提供的一种选址方法和装置，包括确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；建立多目标选址决策模型；对多目标选址决策模型进行求解；识别最优解并输出。从而，所述的选址方法和装置解决了现有的选址模型目标单一、效率较低以及解决实际问题时搜索能力不足等问题。

附图说明

图1为本发明实施例一种选址方法的流程示意图；

图2为本发明实施例空间表征和算法编码策略图；

图3为本发明实施例一种选址装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参阅图1所示，为本发明实施例一种选址方法的流程示意图，所述的选址方法包括：

步骤101，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据。

在本发明的实施例中，采用基于网格的空间表征方法将区域网格化，如图2所示，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性。较佳地，利用GIS软件将网格化的区域转换为点格式的矢量数据，每个点的位置（x,y）用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

假设整个区域被视为一个二维的连续地理空间，灾害对整个区域的损害相同；每个设施的救援能力和所能提供的应急资源（如物资储备量，医疗人员，应急车辆等）充足，能够满足应急救援的需要；每个设施能够提供的救援服务范围和能力不限。

步骤102，建立多目标选址决策模型。

其中，多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数。模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minimizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，

是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量。

在本发明的另一个实施例中，采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码。

其中，如图2所示，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，p个候选应急救援设施的基因依序编码为遗传染色体G，即

G(P₁,P₂,…,P_p)

步骤103，使用NSGA-II算法对多目标选址决策模型进行求解。

作为本发明的一个实施例，使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200。

利用计算机工具编写程序，完成算法对多目标选址决策模型的求解。由于进化算法的随机性本质，因此采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

步骤104，基于候选最优解集，识别有代表性的Pareto最优解。

优选地，各目标函数值最小的解和折中解，利用GIS工具，将各最优解的选址结果分别显示输出。决策者根据自身的偏好，选择满意的选址方案。

参阅图3所示，为本发明实施例一种选址装置的结构示意图，所述的选址装置包括：

数据收集模块301，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据。

在本发明的实施例中，采用基于网格的空间表征方法将区域网格化，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性。较佳地，利用GIS软件将网格化的区域转换为点格式的矢量数据，每个点的位置（x,y）用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

假设整个区域被视为一个二维的连续地理空间，灾害对整个区域的损害相同；每个设施的救援能力和所能提供的应急资源（如物资储备量，医疗人员，应急车辆等）充足，能够满足应急救援的需要；每个设施能够提供的救援服务范围和能力不限。

模型建立模块302，与数据收集模块301相连，建立多目标选址决策模型。

其中，多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数。模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minimizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即

（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，

是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量。

在本发明的另一个实施例中，采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码。

其中，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，p个候选应急救援设施的基因依序编码为遗传染色体G，即

G(P₁,P₂,…,P_p)

模型求解模块303，与模型建立模块302相连，使用NSGA-II算法对多目标选址决策模型进行求解。

作为本发明的一个实施例，使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200。

利用计算机工具编写程序，完成算法对多目标选址决策模型的求解。由于进化算法的随机性本质，因此采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

最优地址输出模块304，与模型求解模块303相连，基于候选最优解集，识别有代表性的Pareto最优解。

优选地，各目标函数值最小的解和折中解，利用GIS工具，将各最优解的选址结果分别显示输出。决策者根据自身的偏好，选择满意的选址方案。

根据上面所描述的，本发明实现了一种选址方法和装置，创造性地提出了综合、全面的全局救援能力、全局救援效率和位置公平性等决策目标；并且，设计了基于网格的空间表征方法，可以满足现实中大尺度范围的城市应急救援设施选址需要；开发了基于经纬度坐标的算法编码方法，有效解决了实际中由于海量地理空间数据的引入而带来的搜索能力不足的问题，提高了搜索效率；采用了多目标进化算法对模型进行求解，可以为决策者提供尽可能多的最优备选方案，决策者可以根据个人偏好，从模型获取的Pareto最优解集合中选取合适的选址方案；同时，本发明中使用的多目标进化算法是NSGA-II算法，也可以使用其他多目标进化算法；使用的是基于经纬度坐标的算法编码方法，也可以使用其他坐标形式，如笛卡尔坐标或公里网坐标；使用的欧几里得距离计算应急救援设施之间以及应急救援设施与应急需求网格之间的空间距离，也可以使用基于实际道路网络计算得到的空间距离替代；最后，整个所述的选址方法和装置简便、紧凑，易于实现。

所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种选址方法，其特征在于，包括步骤：

第一步，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；

第二步，建立多目标选址决策模型；

第三步，对多目标选址决策模型进行求解；

第四步，识别最优解并输出。

2.根据权利要求1所述的方法，其特征在于，所述的第一步采用基于网格的空间表征方法对需要建立应急救援设施的城市区域网格化，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性。

3.根据权利要求2所述的方法，其特征在于，利用GIS软件将网格化的城市区域转换为点格式的矢量数据，每个点的位置（x,y）用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

4.根据权利要求2所述的方法，其特征在于，所述的第二步多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数；模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minmizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即

（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，

是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量；其中：

采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码；

其中，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，p个候选应急救援设施的基因依序编码为遗传染色体G，即

G(_P1,P₂,…,P_p)。

5.根据权利要求4所述的方法，其特征在于，所述的第三步使用NSGA-II算法对多目标选址决策模型进行求解：使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200；

然后采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

6.根据权利要求5所述的方法，其特征在于，所述的第四步利用GIS工具，将各最优解的选址结果分别显示输出。

7.一种选址装置，其特征在于，包括：

数据收集模块，确定需要建立应急救援设施的城市区域，收集该城市区域的人口统计、行政区划和基础地理数据；

模型建立模块，与所述数据收集模块相连，建立多目标选址决策模型；

模型求解模块，与所述模型建立模块相连，对多目标选址决策模型进行求解；

最优地址输出模块，与所述模型求解模块相连，识别最优解并输出。

8.根据权利要求7所述的装置，其特征在于，所述的数据收集模块采用基于网格的空间表征方法对需要建立应急救援设施的城市区域网格化，网格大小和数量的确定原则是：在每个网格内部满足人口密度的同质性，网格之间满足人口密度的异质性；

利用GIS软件将网格化的城市区域转换为点格式的矢量数据，每个点的位置(x,_y)用每个网格中心点的经纬度坐标来表示，属性值用每个网格所覆盖区域的应急救援资源需求量来表示；整个区域所有网格的中心点的集合即为算法的搜索空间。

9.根据权利要求8所述的装置，其特征在于，所述模型建立模块的多目标选址决策模型包含全局救援能力、全局救援效率和救援设施空间分布公平性3个目标函数；模型的数学表达式如下：

目标函数:

$\max \mathrm{imize}{F}_1=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{Y}_i{e}^{-k{d}_{\mathrm{ij}}}$

$\min \mathrm{mize}{F}_2=\underset{i\∈n}{\mathrm{\Σ}}\underset{j\∈m}{\mathrm{\Σ}}{g}_i{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}$

minimizeF₃=L_max

约束条件:

$\underset{j\∈m}{\mathrm{\Σ}}{X}_j=p,$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}{X}_j\≥Y_i,\∀i\∈n$

$a_{\mathrm{ij}}\≤X_j,\∀i\∈n,j\∈m$

$\underset{j\∈m}{\mathrm{\Σ}}{d}_{\mathrm{ij}}{a}_{\mathrm{ij}}-L_{\max }\≤0,\∀i\∈n$

$\underset{j\∈m}{\mathrm{\Σ}}{a}_{\mathrm{ij}}=1,\∀i\∈n$

其中，决策变量n是需求单元的集合，m是应急救援设施的集合，i是需求单元的索引编号（i∈n），j是应急救援设施的索引编号（j∈m）；g_i是单元i对应急资源的需求量；p是需要布设的应急救援设施数目；d_ij是任意需求单元i与任意应急救援设施j间的欧几里得距离来表示，即

（x_i,y_i）是需求单元i的坐标，（x_j，y_j）是应急救援设施j的坐标；k是衰减系数，

是衰减因子，它们用来表示应急救援设施的救援服务能力随其与需求单元间空间距离的增加而降低；L_max是任意需求单元与其最近的应急救援设施间的空间距离；X_j是表示设施是否可用的变量，Y_i是表示需求单元i是否被至少一个设施服务的变量，a_ij是表示设施j是否服务于需求单元i的变量；其中：

采用基于经纬度坐标的算法编码方法，将p个候选应急救援设施的经纬度坐标值以实数的方式进行遗传编码；

其中，每个点P_m(x_m,y_m)的经纬度坐标值被定义为遗传基因，_x个候选应急救援设施的基因依序编码为遗传染色体G，即

G(P₁,P₂,…,P_p)。

10.根据权利要求9所述的装置，其特征在于，所述模型求解模块使用NSGA-II算法对多目标选址决策模型进行求解：使用二元锦标赛选择法和中间交叉算子,交叉概率设为0.8；使用高斯变异算子,变异概率设为0.05；采用均匀分布的随机初始化种群，最大初始化种群数设为100-200，最大进化代数设为100-200；

然后采用相同的参数设置和不同的随机初始化种群，平行运行算法多次；统计每次运行后获得的Pareto最优解的数目及其三个目标函数的归一化平均值之和，选择Pareto最优解数目最多且归一化平均值之和最小的那次运行的结果作为选址方案的候选最优解集。

Images