CN113935108B - 多类型应急车辆联合选址与配置方法、装置及存储介质 - Google Patents
多类型应急车辆联合选址与配置方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113935108B CN113935108B CN202111165454.0A CN202111165454A CN113935108B CN 113935108 B CN113935108 B CN 113935108B CN 202111165454 A CN202111165454 A CN 202111165454A CN 113935108 B CN113935108 B CN 113935108B
- Authority
- CN
- China
- Prior art keywords
- emergency
- solution
- disaster
- site
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000009472 formulation Methods 0.000 claims description 45
- 239000000203 mixture Substances 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 29
- 238000009826 distribution Methods 0.000 description 10
- 230000006378 damage Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种多类型应急车辆联合选址与配置方法、装置及存储介质,涉及应急指挥调度技术领域。具体实现方案为:设置应急站点和灾害点;采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆。本公开实施例通过所述多类型应急车辆联合选址与配置系统约束求解所述多类型应急车辆联合选址与配置系统模型的推荐解,并根据所述推荐解搭建并运行所述多类型应急车辆联合选址与配置系统。本公开实施例可以实现高效的应急车辆配置和调度,提高应急处理的效率。
Description
技术领域
本公开涉及应急指挥调度技术领域,尤其涉及一种多类型应急车辆联合选址与配置方法、装置及存储介质。
背景技术
应急服务质量依赖于各类响应资源(例如多种应急车辆)的快速响应与配合,以保持高效的运行和可靠的救援服务。应急服务的主要目标之一是最大程度地保护市民的生命和财产。如果应急响应力量在火灾初期及时到达现场,可以有效地控制灾害,以减少损失。以火灾为例,在火灾燃烧的中期,火灾的损失随着应急系统响应时间的推移而迅速增加,对于火灾的应急系统响应的延迟可能会给人们的生命和财产带来严重的损失。但是目前尚缺乏有效的多类型应急车辆联合选址与配置方法。
发明内容
本公开提供一种多类型应急车辆联合选址与配置方法、装置及存储介质。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种多类型应急车辆联合选址与配置方法,包括:
设置应急站点和灾害点;
采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;
根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆。
可选的,所述多类型应急车辆联合选址与配置系统优化模型的公式化表达为:
minx,y,pOJLAO(pi,k,z,xi,j,k,yj,t)=C(pi,k,z)+F(yj,t)+D(xi,j,k),其中,i为应急站点,k为应急车辆类型,z为应急车辆数量,j为灾害点,t为最大到达时间,pi,k,z为应急站点i的选址决策变量,pi,k,z的取值为0或1,yj,t为灾害点响应时间辅助变量,yj,t的取值为0或1,xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量,xi,j,k为非负整数,D(xi,j,k)为应急车辆调度总成本,F(yj,t)为灾害损失成本,C(pi,k,z)为应急车辆配置成本,OJLAO为系统总成本。
可选的,所述多类型应急车辆联合选址与配置系统优化模型对应的约束,包括:
第一约束,所述第一约束的公式化表达为:
D(xi,j,k)=∑i∈I,j∈J,k∈K(fj.di,j,k.xi,j,k),其中,fj为在所述灾害点j中发生灾害的概率,di,j,k为从应急站点i派遣单辆k型应急车辆到灾害点j的成本,I为应急站点集合,J为灾害点集合,K为应急车辆类型集合;
第二约束,所述第二约束的公式化表达为:
F(yj,t)=∑j∈J,t∈T(fj.wj.πj,t.yj,t),其中,wj为灾害点j的权重,πj,t为灾害点j在t内的损失成本,T为最大到场时间集合;
第三约束,所述第三约束的公式化表达为:
C(pi,k,z)=∑i∈I,k∈K,z∈z(ci,k,z.pi,k,z),其中,Z为应急车辆数量集合,ci,k,z为在应急站点i配置z辆k型应急车辆的成本;
第四约束,所述第四约束的公式化表达为:
第五约束,所述第五约束的公式化表达为:
第六约束,所述第六约束的公式化表达为:
第七约束,所述第七约束的公式化表达为:
第八约束,所述第八约束的公式化表达为:
第九约束,所述第九约束的公式化表达为:
第十约束,所述第十约束的公式化表达为:
第十一约束,所述第十一约束的公式化表达为:
第十二约束,所述第十二约束的公式化表达为:
第十三约束,所述第十三约束的公式化表达为:
第十四约束,所述第十四约束的公式化表达为:
可选的,所述推荐解为所述xi,j,k、yj,t和pi,k,z的推荐解,所述根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,包括:
步骤S1:令每个应急站点中的pi,k,z=Si;
步骤S3:通过从第一解中应急站点移除一辆应急车辆车来创建第二待定解,删除满足所有应急站点的第二待定解,确定总成本最低的第二待定解为第三待定解,如果所述第三待定解对应的总成本小于所述第一解对应的总成本,则执行步骤S4;如果所述第三待定解对应的总成本大于或等于所述第一解对应的总成本,则执行步骤S5;
步骤S4:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S3;如果求解时间超过时间阈值,则以所述第三待定解为推荐解,结束运算;
步骤S5:改变一辆应急车辆的站点或交换不同类型的两辆应急车辆的位置,以创建第四待定解,确定总成本最低的第四待定解为第五待定解,如果所述第五待定解对应的总成本小于所述第三待定解对应的总成本,则执行步骤S6;如果所述第五待定解对应的总成本大于或等于所述第三待定解对应的总成本,则以所述第三待定解为推荐解,结束运算;
步骤S6:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S5;如果求解时间超过时间阈值,则以所述第五待定解为推荐解,结束运算。
可选的,所述根据所述推荐解为各个急站点配置应急车辆,包括:
在pi,k,z推荐解为1的应急站点i设置z辆k型应急车辆,在灾害点j发生灾害时从应急站点i派遣xi,j,k辆k型应急车辆前往灾害点j处理灾害。
根据本公开实施例的第二方面,提供一种多类型应急车辆联合选址与配置装置,包括:
初始化模块,用于设置应急站点和灾害点;
第一采集模块,用于采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
第二采集模块,用于采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
模型创建模块,用于以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;
优化模块,用于根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆。
根据本公开实施例的第三方面,提供一种多类型应急车辆联合选址与配置装置,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述第一方面中任一项所述的多类型应急车辆联合选址与配置方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由多类型应急车辆联合选址与配置装置的处理器执行时,使得多类型应急车辆联合选址与配置装置能够执行如上述第一方面中任一项所述的多类型应急车辆联合选址与配置方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
根据多类型应急车辆联合选址与配置系统约束优化多类型应急车辆联合选址与配置系统模型中变量,确定每个应急站点的每种类型应急车辆的数量,并分配多种类型的应急车辆到灾害事故地点,最大限度地减少设施建设成本、维护、交通成本以及火灾损失。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置方法的流程图。
图2是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置装置的框图。
图3是根据一示例性实施例示出的一种算法流程图。
图4是根据一示例性实施例示出的图例。
图5是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。图6是根据一示例性实施例示出的一种解决方案邻域示意图。
图7是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。
图8是根据一示例性实施例示出的一种解决方案邻域示意图。
图9是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。
图10是根据一示例性实施例示出的一种解决方案邻域示意图。
图11是根据一示例性实施例示出的一种灾害等级分布网格示意图。
图12是根据一示例性实施例示出的一种权重分布网格示意图。
图13是根据一示例性实施例示出的一种概率分布网格示意图。
图14是根据一示例性实施例示出的一种应急站点容量分布网格示意图。
图15是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置结果示意图。
图16是根据一示例性实施例示出的一种装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
应急服务质量依赖于各类响应资源(例如多种应急车辆)的快速响应与配合,以保持高效的运行和可靠的救援服务。应急车辆可以分为轻型应急车辆和重型应急车辆两个类型。轻型应急车辆以庆铃底盘为载体,专用功能有:牵引、发电、照明及救援破拆工具。重型应急车辆以五十铃后东风底盘为载体,专用功能有:起吊、牵引、发电、照明及救援破拆工具。据估计,2016年某地消防部门响应的1,342,000起火灾,造成3,390人死亡、14,650名平民受伤和约106亿美元的直接财产损失。在某地,2018年共有1407人死亡,比2017年增加了1%。
应急服务的主要目标之一是最大程度地保护市民的生命和财产。如果应急响应力量在火灾初期及时到达现场,可以有效地控制灾害,以减少损失。以火灾为例,在火灾燃烧的中期,火灾的损失随着应急系统响应时间的推移而迅速增加,对于火灾的应急系统响应的延迟可能会给人们的生命和财产带来严重的损失。在大规模的灾害事故响应中,如果缺少必备的应急车辆种类,或者应急站点距离灾害发生地太远,就会造成较大的损失。例如,在某地大楼火灾事故中,救援和灭火过程中需要几种必要的车辆(如消防水罐车、消防举高车、警车、救护车等)。来自16个应急站点的50多辆不同类型的车辆响应此次火灾。然而,由于交通拥堵导致反应迟缓,分布式消防站与火灾地点之间距离较远,在不到13分钟内,大楼就完全被火焰吞没,造成重大损失。
因此,应急系统响应的时间对降低灾害损失起着非常重要的作用,尤其是在需要多车协同处理的灾害发生时。虽然可以通过在每个消防站放置大量消防车以降低应急系统响应的时间解决延迟问题。但是这种方式带来了巨大的财政支出和过低的应急车辆使用频率。为了在有限资源和快速响应时间之间取得合理的平衡,优化应急站点选址和应急车辆分配已成为应急响应中的关键问题。
设施的位置规划问题早期集中在单一类型的应急车辆的位置决策上。两个基本的数学规划模型是位置集覆盖问题和最大覆盖位置问题模型。前者旨在选择最少数量的单一类型设施的位置,以满足给定需求;而后者则最大化有限数量的单一类型设施提供的覆盖范围。为了解决多个应急响应设施之间的关系,在应急设施位置优化中开发了多重覆盖模型。
但这些技术大多集中在单个类型的应急车辆上,没有考虑不同类型应急车辆之间的交互。因此,这些解决方法无法解决许多现实操作问题。例如,在某些重特大灾害救援中,所有必需种类的应急车辆都需要及时到达火灾现场,否则可能无法完全控制灾害发展。这些研究强调了应急响应中各方之间合作的重要性,但它们不能直接应用于消防行动中多种资源之间的合作。虽然响应者之间的合作通常侧重于政策、监管或制度问题,但应急资源合作通常需要针对各种类型资源的空间分布(例如,多种类型的应急车辆如何配置在不同的消防站)和可靠的分配,进行选址规划与应急车辆调度。
在应急服务中,需要确定应急站点的位置,需要配置的不同类型应急车辆数量,并有效地分配不同类型的应急车辆到灾害事故中,从而降低应急站点的建设成本,降低应急车辆的调度成本,以及使灾害事故中因灾害造成的损坏成本同时降到最低。考虑到上述客观因素,会导致问题结构过于复杂,常规算法需要大量的计算资源才能获得可行的解决方案。目前还没有针对此问题的有效解决方法。
本公开提出了联合选址和配置优化模型,其中来自不同应急场站的车辆可以作为救援行动中的协作单元联合调度。
图1是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置方法的流程图,如图1所示,所述多类型应急车辆联合选址与配置方法,包括以下步骤:
步骤101,设置应急站点和灾害点;
本公开实施例中,建立多类型应急车辆联合选址与配置系统,所述系统用于提供应急服务。本公开最终的目的是确定应急站点的位置、为应急站点配置的应急车辆类型及各型应急车辆的数量、不同类型的应急车辆分配至灾害点的调派方案。
步骤102,采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
步骤103,采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
步骤104,以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;
本公开实施例中,为了确定多类型应急车辆联合选址与配置系统的成本,建立多类型应急车辆联合选址与配置系统模型。本公开目的是将所述成本降低,建立所述多类型应急车辆联合选址与配置系统模型后需要优化其中的变量的取值,得到其推荐解。本公开中所述成本包括:应急车辆配置成本,将各种应急车辆配置到应急站点中的成本,所述应急车辆配置成本包括但不限于所述应急车辆的维护成本、所述应急车辆的人员成本;应急车辆调度总成本,所述应急车辆调度总成本为将所述应急车辆调度至所述灾害点的成本,应急车辆调度总成本包括但不限于通信指挥成本、车辆燃油消耗成本;灾害损失成本,所述灾害损失成本为灾害在被处理完毕之前持续时间内造成的损失,所述灾害损失成本包括但不限于火灾烧毁的建筑造成的损失成本、内涝造成车辆水淹的损失成本。
步骤105,根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆。
本公开实施例中,建立所述应急车辆选址与配置系统约束和所述多类型应急车辆联合选址与配置系统模型后,即可利用优化算法对所述多类型应急车辆联合选址与配置系统模型中变量的取值进行优化,以得到所述变量的推荐解。所述推荐解包括xi,j,k、yj,t和pi,k,z的推荐解,pi,k,z为应急站点i的选址决策变量,pi,k,z的取值为0或1,yj,t为灾害点响应时间辅助变量,yj,t的取值为0或1,xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量,xi,j,k为非负整数。在pi,k,z推荐解为1的应急站点i设置z辆k型应急车辆,在灾害点j发生灾害时从应急站点i派遣xi,j,k辆k型应急车辆前往灾害点j处理灾害。
根据多类型应急车辆联合选址与配置系统约束优化多类型应急车辆联合选址与配置系统模型中变量,确定每个应急站点的每种类型应急车辆的数量,并分配多种类型的应急车辆到灾害事故地点,最大限度地减少设施建设成本、维护、交通成本以及火灾损失。
可选的,所述多类型应急车辆联合选址与配置系统模型的公式化表达为:
minx,y,p OJLAO(pi,k,z,xi,j,k,yj,t)=C(pi,k,z)+F(yj,t)+D(xi,j,k),其中,i为应急站点,k为应急车辆类型,z为应急车辆数量,j为灾害点,t为最大到达时间,T为最大到场时间集合t∈T。pi,k,z为应急站点i的选址决策变量,pi,k,z的取值为0或1,yj,t为灾害点响应时间辅助变量,yj,t的取值为0或1,xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量,xi,j,k为非负整数,D(xi,j,k)为应急车辆调度总成本,F(yj,t)为灾害损失成本,C(pi,k,z)为应急车辆配置成本,OJLAO为系统总成本。
本申请实施例中,k为应急车辆类型,K为应急车辆类型的集合,k∈K。i为应急站点的标号,I为应急站点集合,i∈I。所述应急车辆可以配置在所述应急站点中,在发生灾害时从所述应急站点出发前往灾害点j进行应急服务。z为应急车辆的数量,Z为所述应急车辆数量集合,z∈Z。pi,k,z的取值为1即代表在应急站点i配置z辆k型的应急车辆;pi,k,z的取值为0即代表不在应急站点i配置z辆k型的应急车辆。
yj,t为灾害点响应时间辅助变量,灾害点j发生灾害时,需要从不同的应急站点派遣应急车辆前往灾害点j,从不同应急站点出发的应急车辆到达灾害点的时间不相同,当所有必需的应急车辆都到达灾害点之后再开始处理灾害,所以要根据最晚到达灾害点的必需应急车辆确定最大到达时间t。当yj,t等于1时,表示从各个应急站点派遣到灾害点j的应急车辆的最大到达时间为t,当yj,t等于0时,表示从各个应急站点派遣到灾害点j的应急车辆的最大到达时间不为t,根据所述yj,t即可确定所述t的值。
xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量。
可选的,所述建立多类型应急车辆联合选址与配置系统约束,包括:
建立第一约束,所述第一约束的公式化表达为:
D(xi,j,k)=∑i∈I,j∈J,k∈K(fj.di,j,k.xi,j,k),其中,fj为在所述灾害点j中发生灾害的概率,di,j,k为从应急站点i派遣单辆k型应急车辆到灾害点j的成本,I为应急站点集合,J为灾害点集合,K为应急车辆类型集合。
本申请实施例中,根据di,j,k、xi,j,k和fj即可得到应急车辆调度总成本,所述应急车辆调度总成本为将所述应急车辆调度至所述灾害点的成本,所述应急车辆调度总成本包括但不限于通信指挥成本、车辆燃油消耗成本。
建立第二约束,所述第二约束的公式化表达为:
F(yj,t)=∑j∈J,t∈T(fj.wj.πj,t.yj,t),其中,wj为灾害点j的权重,πj,t为灾害点j在t内的损失成本,T为最大到场时间集合。
F(yj,t)为灾害损失成本,所述灾害损失成本为灾害在被处理完毕之前持续时间内造成的损失,所述灾害损失成本包括但不限于火灾烧毁的建筑造成的损失成本、内涝造成车辆水淹的损失成本。wj为灾害点j的权重,本公开根据不同灾害点的人群密集程度、基础设施密集程度和建筑物的密集程度等因素综合考量,给不同灾害点赋予不同的权重。在一种可能的实施例中,人群较为密集的灾害点对应的wj比人群较为稀疏的灾害点对应的wj高。
建立第三约束,所述第三约束的公式化表达为:
C(pi,k,z)=∑i∈I,k∈K,z∈Z(ci,k,z.pi,k,z),其中,Z为应急车辆数量集合,ci,k,z为在应急站点i配置z辆k型应急车辆的成本;
C(pi,k,z)为应急车辆配置成本,应急车辆配置成本为将各种应急车辆配置到应急站点中的成本,所述应急车辆配置成本包括但不限于所述应急车辆的维护成本、所述应急车辆的人员成本。
建立第四约束,所述第四约束的公式化表达为:
本申请实施例中,通过所述第四约束限制所有应急站点配置的k型应急车辆的总数大于或等于从应急站点i派遣到灾害点j的k型应急车辆数量,以保证有足够数量的k型应急车辆储备来应对灾害。
建立第五约束,所述第五约束的公式化表达为:
本公开实施例中,通过所述第五约束来限制各个应急站点配置的应急车辆总数量小于或等于对应应急站点的容量。
建立第六约束,所述第六约束的公式化表达为:
lj为灾害点j的灾害等级,本公开实施例根据灾害点所处位置的地理信息等因素综合考量,为不同灾害点发生的灾害赋予不同的灾害等级,根据灾害等级lj、wj权重的灾害点确定派往灾害点j的k种类型应急车辆的总数量,也即所述第六约束用于限制在灾害点j发生灾害时,从各个应急站点i派遣到灾害点j的k型应急车辆数量xi,j,k之和应等于所述
建立第七约束,所述第七约束的公式化表达为:
本公开实施例中,利用第七约束来确定应急车辆到灾害点j的最大到达时间t,ti,j为应急车辆从应急站点i到灾害点j的行驶时间,所述ti,j根据应急站点i和灾害点j的地理信息得到,为固定值。在灾害处理中,如果应急车辆到灾害点所用的时间过长,会导致灾害造成的损失过大,本公开实施例通过设置所述yj,t调度,使到灾害点j所用时间过长的应急站点不派遣应急车辆到灾害点j。如果从应急站点i到灾害点j派遣了至少一辆种类为k的应急车辆,则不等式右边为正数,且导致不等式左边的值为1。yj,t中的t即为灾害所需的最晚到场应急车辆的到场时间。
建立第八约束,所述第八约束的公式化表达为:
本公开实施例中,对于单个灾害点j只有一个yj,t对应的值为1,其他的yj,t都为0。yj,t对应的值为1对应的t为应急车辆到灾害点j的最大到达时间。
建立第九约束,所述第九约束的公式化表达为:
本公开实施例中,通过第九约束限制从应急站点i派遣到灾害点j的k型应急车辆数量小于应急站点i的容量。
建立第十约束,所述第十约束的公式化表达为:
本公开实施例中,通过所述第十约束来限制各个应急站点中配置的应急车辆总数量大于或等于灾害等级lj,权重wj的灾害点所需k型应急车辆的总数量,以保证有足够的各种类型应急车辆处理灾害。
建立第十一约束,所述第十一约束的公式化表达为:
本公开实施例中,对于一个确定的应急站点i,k型应急车辆只有一种分配数量,即i和k确定的前提下,只有一个z值可以使pi,k,z的值为1,其他的pi,k,z的值都为0。
建立第十二约束,所述第十二约束的公式化表达为:
建立第十三约束,所述第十三约束的公式化表达为:
建立第十四约束,所述第十四约束的公式化表达为:
可选的,所述推荐解为所述xi,j,k、yj,t和pi,k,z的推荐解,所述根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,包括:
步骤1:令每个应急站点中的pi,k,z=Si;
在一种可能的实施例中,提出了一种吝啬-交换(Stingy-Interchange,SI)算法,该算法融合了吝啬算法和交换算法,用来得到所述多类型应急车辆联合选址与配置系统模型的近最优解决方案。吝啬算法是一种启发式算法,它从具有最大变量值的(可能不可行的)解决方案开始(例如,最大化所有应急站点的所有类型应急车辆),并迭代地减少变量值(例如,移除应急车辆)直到到达某个停止运行标准。而交换算法从一个可行解开始,从当前解开始迭代改变可行邻域内的变量值,直到达到某个停止运行标准。通过融合这两种算法,所提出的启发式算法以吝啬算法开始,以交换算法结束。所提出的SI算法的高级流程图如图1所示,所提出的SI算法解决的说明性示例如图3所示。图4是根据一示例性实施例示出的图例。图4中所述图例使用于图5-图10。图5是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。图6是根据一示例性实施例示出的一种解决方案邻域示意图。图7是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。图8是根据一示例性实施例示出的一种解决方案邻域示意图。图9是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置解示意图。图10是根据一示例性实施例示出的一种解决方案邻域示意图。步骤S1为初始化步骤:从一个不可行的解决方案开始,在每个应急站点i中,配置数量为Sik型应急车辆(如图4所示),首先找到相应的最优分配。
(ii)吝啬算法第一步骤:在每次迭代中,通过从车辆数量超过其容量的站点中移除一辆车辆来创建当前解决方案的邻域(如图5所示)。区域中的每个解决方案的k型车辆数量都不能小于应对灾害事件所需的k型车辆数量(例如,图5所示示例中的两辆绿色应急车辆和两辆红色应急车辆)。选择成本最低的邻域解作为当前解。重复此过程,直到没有应急站的应急车辆超过其容量(如图6)。
步骤S3:通过从第一解中应急站点移除一辆应急车辆车来创建第二待定解,删除满足所有应急站点的第二待定解,确定总成本最低的第二待定解为第三待定解,如果所述第三待定解对应的总成本小于所述第一解对应的总成本,则执行步骤S4;如果所述第三待定解对应的总成本大于或等于所述第一解对应的总成本,则执行步骤S5;
步骤S4:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S3;如果求解时间超过时间阈值,则以所述第三待定解为推荐解,结束运算;
步骤S3和步骤S4为吝啬算法第二步骤:在每次迭代中,通过从车站移除一辆车来创建当前解决方案的邻域(如图7)。区域中每个解决方案的k型车辆数量都不能小于应对灾害事件所需的k型车辆数量(例如,图7所示示例中的两辆绿色车和两辆红色车)。如果成本最低的邻域解决方案的成本低于当前解决方案,则选择它作为当前解决方案并重复此操作。否则,转到交换算法步骤(见图8)。
步骤S5:改变一辆应急车辆的站点或交换不同类型的两辆应急车辆的位置,以创建第四待定解,确定总成本最低的第四待定解为第五待定解,如果所述第五待定解对应的总成本小于所述第三待定解对应的总成本,则执行步骤S6;如果所述第五待定解对应的总成本大于或等于所述第三待定解对应的总成本,则以所述第三待定解为推荐解,结束运算;
步骤S6:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S5;如果求解时间超过时间阈值,则以所述第五待定解为推荐解,结束运算。
步骤S5和步骤S6为交换算法步骤:在每次迭代中,通过改变一辆车辆的站点或交换不同类型的两辆车辆的位置来创建当前解决方案的邻域(见图9)。如果成本最低的邻域解决方案的成本低于当前解决方案,则选择它作为当前解决方案并进行迭代。否则,算法完成并返回最佳解决方案。
步骤S2此外,在SI算法中通过迭代可能的分配集合,应急车辆被最佳地分配给发生灾害的事故点。由于提出的吝啬算法通过从应急场站迭代移除一辆车来找到可行的解决方案,因此吝啬算法中的最大迭代次数限于站点容量之和乘以车辆类型总数,例如,K×∑i∈ISi。因此,所提出的SI算法可以保证有效地找到可行解,同时提高解质量,直到满足停止条件(例如,达到计算时间限制,或找不到更好的解)。由此,得到多类型应急车辆联合选址与配置系统模型的推荐解决方案。
本公开实施例中,根据所述多类型应急车辆联合选址与配置系统约束,通过优化算法对所述多类型应急车辆联合选址与配置系统模型中的xi,j,k、yj,t和pi,k,z的取值进行优化,以获取所述xi,j,k、yj,t和pi,k,z的推荐解。
可选的,所述根据所述推荐解搭建并运行所述多类型应急车辆联合选址与配置系统,包括:
在pi,k,z推荐解为1的应急站点i设置z辆k型应急车辆,在灾害点j发生灾害时从应急站点i派遣xi,j,k辆k型应急车辆前往灾害点j处理灾害。
在一种可能的实施例中,在Visual Studio平台中使用C++语言在64位Intel i7-5600U计算机上进行编码,该计算机具有2.60Hz和2.59Hz CPU和16GB RAM。每个实例的最大求解时间限制设置为3600秒。
生成一个n×n的网格网络以构建一个具有n2个节点和2n×(2n-1)个链接的案例区域,其中n在{7,8,9,10,11,12}之间变化。n2个节点被索引为1,2,...,n2,从左到右,从下到上升序。每个节点都被视为潜在灾害事件的需求点和站点的。两个相邻节点之间的每条边的长度设置为1。参数L、Z、W和T分别表示灾害种类数、车辆的最大总数量、灾害点最大权重和最大行驶时间,并分别设置为4、5、5和2n。参数lj、fj、wj和Si作为预定范围内的整数随机生成,其中lj∈[1,4],fj∈[1,7],wj∈[1,5],Si∈[1,4]。
图7是根据一示例性实施例示出的一种灾害等级分布网格示意图。如图3所示,不同灾害点发生的灾害对应不同的灾害等级l,所述灾害等级为预设值。
图8是根据一示例性实施例示出的一种权重分布网格示意图。如图4所示,不同灾害点发生对应不同的权重等级,所述权重为预设值。
图9是根据一示例性实施例示出的一种概率分布网格示意图。如图5所示,不同灾害点发生对应不同等级的灾害发生概率,所述灾害发生概率等级为预设值。
图10是根据一示例性实施例示出的一种应急站点容量分布网格示意图。如图6所示,不同应急站点对应不同的容量等级,所述容量等级为预设值。
当应急站点没有应急车辆时,参数ci,k,z将为0。否则,假设ci,k,z为递增但不是线性的。位于应急站点i的k型应急车辆数量的函数如下:
其中ci,k,z是随机生成的,均匀分布为[225,275];ε是一个随机值,范围为[10,19]。
为πj,t生成了一个随机函数。在每个网络尺度上,当t小于Tmax的20%时(例如{ti,j}中的最大值),则设置πj,t为0;当t大于Tmax的80%时,设置πj,t为1;否则,πj,t等于1-{1/(1+exp[A(t-(0.2·Tmax+0.8·Tmax)/2)]},其中,A是设置为0.25的常数。由于应急站点中不同的车辆数量可能会影响算法的性能,设计了两种不同车辆类型和不同灾害事故所需车辆数量的场景。在第一场景中,每个数字与级别l相同。考虑从3到5的不同K值。在第二种情况下,当K=3时,更多不同种类车辆数量用于反映现实世界中不同事件类型的需求。
在第一场景(K等于3、4和5)中的较大规模网络以及第二场景中的所有尺度中,SI算法可以找到具有更短计算时间和更小Gap的接近最优解。随着每个场景中问题规模的增加,SI算法的优势变得越来越显着。例如,第一场景(K=3)中,网络规模从8*8增加到12*12,SI算法相对于Gurobi的Gap优势从0.66%提高到32.38%。在第二场景的实际数据列表中,SI算法在每个尺度上都比第一场景(K=3)中的算法更有效。SI算法可以以明显更小的Gap达到接近最优的解决方案。例如,SI算法留有5.51%的Gap,而Gurob在7*7网络中保持5.94%的Gap。在8*8网络中,Gurobi Gap为12.85%,但SI Gap仅为11.36%((12.85%-11.36%)/12.85%=11.6%)。
总体而言,随着网络规模的增加,寻找有效的解决方案变得更具挑战性。SI算法找到的解决方案实际上在合理(甚至更短)的计算时间内更接近于最优解决方案或近最优的可行解决方案。特别是在更大的规模下,与Gurobi相比,SI算法在相对较短的计算时间内产生了更好的解。
在第一场景(K=3)中测试了SI算法和Gurobi,其具有不同的时间限制(例如,1800s、3600s、5400s、7200s、9000s和10800s)。热图结果如图4所示,结果表明SI算法可以获得比Gurobi更接近的差距,尤其是在大规模网络场景下。例如,所提出的SI算法可以获得近似最优解,其最优性Gap约为52.0%,而Gurobi找到的解的最优性Gap不能小于85%。结果还表明,随着计算时间限制的增加,SI算法和Gurobi都无法显着减小最优性Gap。这表明所研究的问题极其复杂,需要更高的计算资源才能得到精确的最优解。这表明提出的算法可以有效地解决大规模网络的联合选址和配置问题,并且在更实际的场景中也有显着的效果。
图15是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置结果示意图。
将所示多类型应急车辆联合选址与配置方法应用于某地应急合作服务设施选址和配置场景。该地每年的国内生产总值(GDP)超过615.3亿美元。由于该地处于比较寒冷的地区,车辆行驶时间对于救援效率尤为重要。对于需要协同救援的灾害事故,如果响应车辆的规划布局不合理,车辆响应时间会显着增加,可能造成火灾损失较大或事故持续时间较长。本专利提出的方法在真实案例中进行了测试,该案例使用了该地消防局提供的2018年火灾事件数据。
该地有50个应急站点位置,420个灾害点,因此有21000个链接。灾害点包括103个Level-1(L1)点、183个Level-2(L2)点、122个Level-3(L3)点和12个Level-4(L4)点。
假设火灾损失成本πj,t遵循响应时间的sigmoid函数,即
其中,A设为0.25。Te设置为60分钟,这大约是需求点着火的最长耐用时间。T0设置为5分钟。
消防车共有三种类型,每一种车辆的安装成本分别为40,000美元、63,077美元和89,231美元。如果多辆车辆位于一个车站,同类型车辆的集中可以降低配置成本。每个候选消防站的容量设置4。沿实际路网中的最短路径测量消防站与事故点之间的距离,然后转换为行驶时间(以分钟为单位)。图15是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置结果示意图。各个应急站点分配的应急车辆数量如图所示。例如在图15中,i8没有被选为应急车辆的站点,i43被选为含有4辆应急车辆的站点。
图2是根据一示例性实施例示出的一种多类型应急车辆联合选址与配置装置的框图。参照图2,该装置包括:
初始化模块210,用于设置应急站点和灾害点;
第一采集模块220,用于采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
第二采集模块230,用于采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
模型创建模块240,用于以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;
优化模块250,用于根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据多类型应急车辆联合选址与配置系统约束优化多类型应急车辆联合选址与配置系统模型中变量,确定每个应急站点的每种类型应急车辆的数量,并分配多种类型的应急车辆到灾害事故地点,最大限度地减少设施建设成本、维护、交通成本以及火灾损失。
图16是根据一示例性实施例示出的一种用于实现所述多类型应急车辆联合选址与配置方法的装置1600的框图。
在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器1610,接口1630,上述指令可由装置1600的处理器1620执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (5)
1.一种多类型应急车辆联合选址与配置方法,其特征在于,包括:
设置应急站点和灾害点;
采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型;其中,所述多类型应急车辆联合选址与配置系统优化模型的公式化表达为:
minx,y,pOJLAO(pi,k,z,xi,j,k,yj,t)=C(pi,k,z)+F(yj,t)+D(xi,j,k),其中,i为应急站点,k为应急车辆类型,z为应急车辆数量,j为灾害点,t为最大到达时间,pi,k,z为应急站点i的选址决策变量,pi,k,z的取值为0或1,yj,t为灾害点响应时间辅助变量,yj,t的取值为0或1,xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量,xi,j,k为非负整数,D(xi,j,k)为应急车辆调度总成本,F(yj,t)为灾害损失成本,C(pi,k,z)为应急车辆配置成本,OJLAO为系统总成本;
所述多类型应急车辆联合选址与配置系统优化模型对应的约束,包括:
第一约束,所述第一约束的公式化表达为:
D(xi,j,k)=∑i∈I,j∈J,k∈K(fj.di,j,k.xi,j,k),其中,fj为在所述灾害点j中发生灾害的概率,di,j,k为从应急站点i派遣单辆k型应急车辆到灾害点j的成本,I为应急站点集合,J为灾害点集合,K为应急车辆类型集合;
第二约束,所述第二约束的公式化表达为:
F(yj,t)=∑j∈J,t∈T(fj.wj.πj,t.yj,t),其中,wj为灾害点j的权重,πj,t为灾害点j在t内的损失成本,T为最大到场时间集合;
第三约束,所述第三约束的公式化表达为:
C(pi,k,z)=∑i∈I,k∈K,z∈Z(ci,k,z.pi,k,z),其中,Z为应急车辆数量集合,ci,k,z为在应急站点i配置z辆k型应急车辆的成本;
第四约束,所述第四约束的公式化表达为:
第五约束,所述第五约束的公式化表达为:
第六约束,所述第六约束的公式化表达为:
第七约束,所述第七约束的公式化表达为:
第八约束,所述第八约束的公式化表达为:
第九约束,所述第九约束的公式化表达为:
第十约束,所述第十约束的公式化表达为:
第十一约束,所述第十一约束的公式化表达为:
第十二约束,所述第十二约束的公式化表达为:
第十三约束,所述第十三约束的公式化表达为:
第十四约束,所述第十四约束的公式化表达为:
根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆,其中,所述推荐解为所述xi,j,k、yj,t和pi,k,z的推荐解,所述根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解的具体步骤包括:
步骤S1:令每个应急站点中的pi,k,z=Si;
步骤S3:通过从第一解中应急站点移除一辆应急车辆车来创建第二待定解,删除满足所有应急站点的第二待定解,确定总成本最低的第二待定解为第三待定解,如果所述第三待定解对应的总成本小于所述第一解对应的总成本,则执行步骤S4;如果所述第三待定解对应的总成本大于或等于所述第一解对应的总成本,则执行步骤S5;
步骤S4:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S3;如果求解时间超过时间阈值,则以所述第三待定解为推荐解,结束运算;
步骤S5:改变一辆应急车辆的站点或交换不同类型的两辆应急车辆的位置,以创建第四待定解,确定总成本最低的第四待定解为第五待定解,如果所述第五待定解对应的总成本小于所述第三待定解对应的总成本,则执行步骤S6;如果所述第五待定解对应的总成本大于或等于所述第三待定解对应的总成本,则以所述第三待定解为推荐解,结束运算;
步骤S6:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S5;如果求解时间超过时间阈值,则以所述第五待定解为推荐解,结束运算。
2.如权利要求1所述的方法,其特征在于,所述根据所述推荐解为各个急站点配置应急车辆,包括:
在pi,k,z推荐解为1的应急站点i设置z辆k型应急车辆,在灾害点j发生灾害时从应急站点i派遣xi,j,k辆k型应急车辆前往灾害点j处理灾害。
3.一种多类型应急车辆联合选址与配置装置,其特征在于,包括:
初始化模块,用于设置应急站点和灾害点;
第一采集模块,用于采集第一参考数据,所述第一参考数据包括各类应急车辆从各个应急站点到各个灾害点的行驶时间;
第二采集模块,用于采集第二参考数据,所述第二参考数据包括各个灾害点的灾害发生概率、各个灾害点的权重、灾害点在各个时间段内的损失成本和各个灾害点的灾害等级;
模型创建模块,用于以降低系统的总成本为目标建立多类型应急车辆联合选址与配置系统优化模型,其中,所述多类型应急车辆联合选址与配置系统优化模型的公式化表达为:
minx,y,pOJLAO(pi,k,z,xi,j,k,yj,t)=C(pi,k,z)+F(yj,t)+D(xi,j,k),其中,i为应急站点,k为应急车辆类型,z为应急车辆数量,j为灾害点,t为最大到达时间,pi,k,z为应急站点i的选址决策变量,pi,k,z的取值为0或1,yj,t为灾害点响应时间辅助变量,yj,t的取值为0或1,xi,j,k为应急车辆调度决策变量,xi,j,k为从应急站点i派遣到灾害点j的k型应急车辆数量,xi,j,k为非负整数,D(xi,j,k)为应急车辆调度总成本,F(yj,t)为灾害损失成本,C(pi,k,z)为应急车辆配置成本,OJLAO为系统总成本;
所述多类型应急车辆联合选址与配置系统优化模型对应的约束,包括:
第一约束,所述第一约束的公式化表达为:
D(xi,j,k)=∑i∈I,j∈J,k∈K(fj.di,j,k.xi,j,k),其中,fj为在所述灾害点j中发生灾害的概率,di,j,k为从应急站点i派遣单辆k型应急车辆到灾害点j的成本,I为应急站点集合,J为灾害点集合,K为应急车辆类型集合;
第二约束,所述第二约束的公式化表达为:
F(yj,t)=∑j∈J,t∈T(fj.wj.πj,t.yj,t),其中,wj为灾害点j的权重,πj,t为灾害点j在t内的损失成本,T为最大到场时间集合;
第三约束,所述第三约束的公式化表达为:
C(pi,k,z)=∑i∈I,k∈K,z∈Z(ci,k,z.pi,k,z),其中,Z为应急车辆数量集合,ci,k,z为在应急站点i配置z辆k型应急车辆的成本;
第四约束,所述第四约束的公式化表达为:
第五约束,所述第五约束的公式化表达为:
第六约束,所述第六约束的公式化表达为:
第七约束,所述第七约束的公式化表达为:
第八约束,所述第八约束的公式化表达为:
第九约束,所述第九约束的公式化表达为:
第十约束,所述第十约束的公式化表达为:
第十一约束,所述第十一约束的公式化表达为:
第十二约束,所述第十二约束的公式化表达为:
第十三约束,所述第十三约束的公式化表达为:
第十四约束,所述第十四约束的公式化表达为:
优化模块,用于根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解,并根据所述推荐解为各个急站点配置应急车辆,其中,所述推荐解为所述xi,j,k、yj,t和pi,k,z的推荐解,所述根据优化算法获取所述多类型应急车辆联合选址与配置系统优化模型的推荐解的具体步骤包括:
步骤S1:令每个应急站点中的pi,k,z=Si;
步骤S3:通过从第一解中应急站点移除一辆应急车辆车来创建第二待定解,删除满足所有应急站点的第二待定解,确定总成本最低的第二待定解为第三待定解,如果所述第三待定解对应的总成本小于所述第一解对应的总成本,则执行步骤S4;如果所述第三待定解对应的总成本大于或等于所述第一解对应的总成本,则执行步骤S5;
步骤S4:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S3;如果求解时间超过时间阈值,则以所述第三待定解为推荐解,结束运算;
步骤S5:改变一辆应急车辆的站点或交换不同类型的两辆应急车辆的位置,以创建第四待定解,确定总成本最低的第四待定解为第五待定解,如果所述第五待定解对应的总成本小于所述第三待定解对应的总成本,则执行步骤S6;如果所述第五待定解对应的总成本大于或等于所述第三待定解对应的总成本,则以所述第三待定解为推荐解,结束运算;
步骤S6:判断求解时间是否超过时间阈值,如果求解时间未超过时间阈值,则重新执行步骤S5;如果求解时间超过时间阈值,则以所述第五待定解为推荐解,结束运算。
4.一种多类型应急车辆联合选址与配置装置,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1和2中任一项所述的多类型应急车辆联合选址与配置方法。
5.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由多类型应急车辆联合选址与配置装置的处理器执行时,使得多类型应急车辆联合选址与配置装置能够执行如权利要求1和2中任一项所述的多类型应急车辆联合选址与配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165454.0A CN113935108B (zh) | 2021-09-30 | 2021-09-30 | 多类型应急车辆联合选址与配置方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165454.0A CN113935108B (zh) | 2021-09-30 | 2021-09-30 | 多类型应急车辆联合选址与配置方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935108A CN113935108A (zh) | 2022-01-14 |
CN113935108B true CN113935108B (zh) | 2022-06-14 |
Family
ID=79277598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111165454.0A Active CN113935108B (zh) | 2021-09-30 | 2021-09-30 | 多类型应急车辆联合选址与配置方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935108B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341853B (zh) * | 2023-03-27 | 2023-11-21 | 煤炭科学研究总院有限公司 | 基于多服务系统的消防车调度方法、装置及存储介质 |
CN116402217B (zh) * | 2023-04-04 | 2023-11-21 | 煤炭科学研究总院有限公司 | 消防站选址方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542359A (zh) * | 2012-01-09 | 2012-07-04 | 吉林大学 | 一种多目标应急救援资源布局及配置优化方法 |
CN110779529A (zh) * | 2019-11-21 | 2020-02-11 | 南京信息工程大学 | 一种基于大数据和云计算森林灾害应急指挥调度系统 |
CN110895749A (zh) * | 2019-11-15 | 2020-03-20 | 武汉理工大学 | 一种用于应急物流的定位-路径规划方法 |
CN110991704A (zh) * | 2019-11-15 | 2020-04-10 | 华中科技大学 | 一种应急救援站点选址与分配方法及系统 |
CN111325507A (zh) * | 2020-02-24 | 2020-06-23 | 秦培均 | 基于应急资源储备站选址模型的地下应急物流系统 |
CN111739618A (zh) * | 2020-04-30 | 2020-10-02 | 卫宁健康科技集团股份有限公司 | 用于灾害现场的调度方法、系统、电子设备和存储介质 |
-
2021
- 2021-09-30 CN CN202111165454.0A patent/CN113935108B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542359A (zh) * | 2012-01-09 | 2012-07-04 | 吉林大学 | 一种多目标应急救援资源布局及配置优化方法 |
CN110895749A (zh) * | 2019-11-15 | 2020-03-20 | 武汉理工大学 | 一种用于应急物流的定位-路径规划方法 |
CN110991704A (zh) * | 2019-11-15 | 2020-04-10 | 华中科技大学 | 一种应急救援站点选址与分配方法及系统 |
CN110779529A (zh) * | 2019-11-21 | 2020-02-11 | 南京信息工程大学 | 一种基于大数据和云计算森林灾害应急指挥调度系统 |
CN111325507A (zh) * | 2020-02-24 | 2020-06-23 | 秦培均 | 基于应急资源储备站选址模型的地下应急物流系统 |
CN111739618A (zh) * | 2020-04-30 | 2020-10-02 | 卫宁健康科技集团股份有限公司 | 用于灾害现场的调度方法、系统、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
a multi-objective model for locating fire stations;Masood A etal;《European Journal of Operational Research》;19981016;第199-216页 * |
reliable emergency service facility location under facility disruption,en-route congestion and in-facility queuing;Shi An etal;《transportation research part E:logistics and transportation review》;20151031;第243-260页 * |
城市应急救援中心选址及车辆路径优化研究评述与展望;王付宇;《理论观察》;20151031;第88-91页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113935108A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935108B (zh) | 多类型应急车辆联合选址与配置方法、装置及存储介质 | |
Chen et al. | Network based temporary facility location for the Emergency Medical Services considering the disaster induced demand and the transportation infrastructure in disaster response | |
CN111371904B (zh) | 云边端协同的高速公路云控系统及控制方法 | |
Bayram et al. | Electric power allocation in a network of fast charging stations | |
Lim et al. | Impact of ambulance dispatch policies on performance of emergency medical services | |
CN105303285B (zh) | 一种电力应急处置物资的智能化调拨方法 | |
CN103839408B (zh) | 一种交通事故辅助处理系统及方法 | |
CN108549952A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN106849055A (zh) | 一种基于数据分析的配电网抢修驻点优化方法 | |
CN111222649A (zh) | 一种配电网自愈能力提升规划方法 | |
CN115017658A (zh) | 一种基于可达性和节点重要度的轨道交通网络优化方法 | |
Even et al. | Nicta evacuation planner: Actionable evacuation plans with contraflows | |
CN112819318A (zh) | 一种基于物联网的救援物资动态配置方法、系统及可读存储介质 | |
Liu et al. | Charging-expense minimization through assignment rescheduling of movable charging stations in electric vehicle networks | |
Abbasi et al. | A fault-tolerant adaptive genetic algorithm for service scheduling in internet of vehicles | |
Sun et al. | Solving demand-responsive feeder transit service design with fuzzy travel demand: A collaborative ant colony algorithm approach | |
Jiang | Intelligent city traffic scheduling optimization based on internet of things communication | |
Nasibov et al. | Deadhead trip minimization in city bus transportation: A real life application | |
CN106652433B (zh) | 交巡警服务平台设置方法及装置 | |
Guo et al. | Max-flow rate priority algorithm for evacuation route planning | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
Liu et al. | A reciprocal charging mechanism for electric vehicular networks in charging-station-absent zones | |
Yao et al. | Circle line optimization of shuttle bus in central business district without transit hub | |
CN113902346B (zh) | 一种电力抢修队伍的智能调拨方法 | |
CN115330043A (zh) | 一种城市充电站的选址规划方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 100013 No. 5 Youth ditch East Road, Hepingli, Beijing, Chaoyang District Applicant after: General Coal Research Institute Co.,Ltd. Address before: 100013 No. 5 Youth ditch East Road, Hepingli, Beijing, Chaoyang District Applicant before: CHINA COAL Research Institute |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |