CN116957303A - 面向洪涝灾害场景的应急响应调度决策方法及系统 - Google Patents
面向洪涝灾害场景的应急响应调度决策方法及系统 Download PDFInfo
- Publication number
- CN116957303A CN116957303A CN202311211469.5A CN202311211469A CN116957303A CN 116957303 A CN116957303 A CN 116957303A CN 202311211469 A CN202311211469 A CN 202311211469A CN 116957303 A CN116957303 A CN 116957303A
- Authority
- CN
- China
- Prior art keywords
- disaster
- point
- determining
- stricken
- target
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000011160 research Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 230000005484 gravity Effects 0.000 claims abstract description 13
- 230000011664 signaling Effects 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 321
- 239000000463 material Substances 0.000 claims description 199
- 108090000623 proteins and genes Proteins 0.000 claims description 74
- 238000004364 calculation method Methods 0.000 claims description 47
- 230000004308 accommodation Effects 0.000 claims description 29
- 238000011084 recovery Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 245
- 239000000203 mixture Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000035772 mutation Effects 0.000 description 10
- 238000009472 formulation Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 101150096316 5 gene Proteins 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000799 fusogenic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明提供一种面向洪涝灾害场景的应急响应调度决策方法及系统。方法包括:根据目标时刻研究区域的降雨和基础地理数据,确定淹没范围内网格淹没水深并根据淹没等级划分规则,确定网格淹没等级;根据手机信令数据,确定网格中人数;根据网格淹没等级与人数,确定网格受灾人数;根据受灾区域划分规则,合并网格为受灾区域;通过人员重心算法确定受灾区域的受灾点和受灾人数;将受灾点所在网格淹没等级确定为其淹没等级并根据受灾人数,确定受灾点所需救援人员数;基于定义的指标函数,构建调度决策模型;根据受灾点所需救援人员数,通过非支配排序遗传算法求解调度决策模型,获得最优调度方案。旨在制定面向洪涝灾害场景的应急响应调度方案。
Description
技术领域
本发明涉及洪涝灾害应急决策技术领域,尤其涉及一种面向洪涝灾害场景的应急响应调度决策方法及系统。
背景技术
目前,应急响应调度决策方法一部分站在宏观层面进行应急决策,但是决策过程缺少针对性,与现实条件存在一定的割裂;另一部分从微观角度对灾害进行应急救援的研究则较少考虑灾害链不同阶段应急资源调度的关联性,导致应急响应各部门之间产生信息壁垒,降低了应急响应的效率。
发明内容
有鉴于此,本发明提供一种面向洪涝灾害场景的应急响应调度决策方法及系统。旨在制定面向洪涝灾害场景的应急响应调度方案。
在本发明实施例的第一方面,提供了一种面向洪涝灾害场景的应急响应调度决策方法,所述方法包括:
根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
可选的,所述根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深,包括:
通过将研究区域在目标时刻的降雨数据信息和基础地理数据信息输入SCS-CN模型进行处理,获得所述研究区域的地表径流量;
通过等体积淹没算法对获得的所述地表径流量进行计算,获得所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深。
可选的,所述根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数,包括:
根据各个受灾点的淹没等级确定各自对应的救援人数与受灾人数之间的匹配值;
根据确定的所述匹配值和所述各个受灾点的受灾人数,确定所述各个受灾点各自所需的救援人员分配数。
可选的,所述基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型,包括:
定义时间成本的效率指标函数,表达式为:
,其中,/>为救灾点数量,/>为第/>个救灾点;/>为受灾点数量,/>为第/>个受灾点;/>为应急避难所数量,/>为第/>个应急避难所;/>为物资仓库数量,/>为第/>个物资仓库;/>为物资类型数量,/>为第/>种物资类型;/>为救灾点/>到受灾点/>的路程;/>为救灾点/>到受灾点/>的道路的淹没道路通达性的阻抗因子,反映在不同淹没等级下的道路通达情况;/>为救灾点/>到受灾点/>的道路的道路通行速度;/>为受灾点/>的救援时间,单位为小时;/>为受灾点/>到应急避难所/>的路程;/>为受灾点/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指受灾点/>到应急避难所/>的道路的道路通行速度;/>为应急避难所/>向受灾点/>提供的容纳受灾人员的容纳量;/>为转移受灾人员的单位时间;/>为物资仓库/>到应急避难所/>的路程;/>为物资仓库/>向应急避难所/>提供的物资/>的数量;/>为物资仓库/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指物资仓库/>到应急避难所/>的道路的道路通行速度;/>为单位物资/>的搬运装卸时间;/>为1表示选择救灾点/>参与受灾点的救援,0表示不选择;/>为1表示选择应急避难所/>向受灾点/>提供避难场所,0表示不选择;/>为1表示选择物资仓库/>向应急避难所/>提供物资,0表示不选择;
定义费用成本的效益指标函数,表达式为:
,其中,为救灾点/>到受灾点/>的救援人员单人救灾成本;/>为救灾点/>向受灾点/>提供救援人员的数量;/>为车辆道路运输单位时间成本;/>为救援车辆容量;/>为受灾点/>到应急避难所/>的受灾人员的单人容纳成本;/>为开放应急避难所的成本;/>为转移安置受灾人员的车辆容量;/>为单位物资/>的成本;/>为车辆运送物资/>的容量;/>为1表示选择物资仓库/>向应急避难所/>提供物资/>,0表示不提供;
定义资源满足度的效能指标函数,表达式为:
,其中,为受灾点/>需要救灾点出动的救援人数;/>为应急避难所/>对物资/>的净需求;
将所述时间成本的效率指标函数、所述费用成本的效益指标函数和所述资源满足度的效能指标函数作为目标函数,构建洪涝灾害场景的应急响应调度决策模型。
可选的,所述根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案,包括:
对决策变量、/>、/>进行编码,获得决策变量/>对应的多个染色体、决策变量/>对应的多个染色体/>和决策变量/>对应的多个染色体;
根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体;
对获得的所有目标染色体,进行多轮对应基因的取值;
将每轮针对所述所有目标染色体对应基因的取值和所述各个受灾点各自所需的救援人员分配数,输入所述洪涝灾害场景的应急响应调度决策模型的目标函数中进行求解,获得所述目标函数的多个取值;
基于所述目标函数的多个取值构建对应的多个个体,并将所述目标函数的多个取值分别确定为对应个体的属性参数,并将所述多个个体确定为初始种群;
对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群;
将所述初始种群和所述子种群进行合并,获得融合种群;
通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,其中,所述第一种群的个体数量与所述初始种群的个体数量相同;
确定所述第一种群对应的循环次数是否满足预设循环次数;
在未满足所述预设循环次数的情况下,将所述第一种群确定为初始种群,返回步骤:对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群;
在满足所述预设循环次数的情况下,将所述第一种群确定为目标种群;
根据所述洪涝灾害场景的应急响应调度决策模型中的各个目标函数和优化目标,确定总目标函数;
将所述目标种群中的各个个体带入所述总目标函数进行计算,获得分别与所述各个个体对应的多个计算结果;
将所述多个计算结果中最小取值的计算结果对应的个体确定为最优应急响应调度方案。
可选的,所述根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体,包括:
确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间;
将满足第一预设条件的第一道路运输时间对应的染色体,确定为目标染色体;
将满足第二预设条件的第二道路运输时间对应的染色体,确定为目标染色体;
将满足第三预设条件的第三道路运输时间对应的染色体,确定为目标染色体。
可选的,所述确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间,包括:
根据路径所经过的网格的淹没等级,确定各个救灾点到各个受灾点的路径中可以通行的目标路径,以及确定各个受灾点到各个应急避难所的路径中可以通行的目标路径,以及确定各个物资仓库到各个应急避难所的路径中可以通行的目标路径;
根据各个目标路径的路程、通行速度和阻抗因子,确定所述各个目标路径各自的道路运输时间;
将所述道路运输时间中属于同一救灾点到同一受灾点的所有道路运输时间中的最小取值确定为所述同一救灾点到所述同一受灾点的第一道路运输时间;
将所述道路运输时间中属于同一受灾点到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一受灾点到所述同一应急避难所的第二道路运输时间;
将所述道路运输时间中属于同一物资仓库到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一物资仓库到所述同一应急避难所的第三道路运输时间。
可选的,所述对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群,包括:
将所述初始种群中个体的第一参数相同的目标染色体划分为第一目标染色体组别;
将所有第二参数均能成功匹配的各个第一目标染色体组别确定为局部染色体组,获得局部染色体组划分结果;
每次选择所述初始种群中的两个个体进行组队,直至所述初始种群中的所有个体完成组队,获得组队结果;
对所述组队结果中的每个组队随机选择预设数量的局部染色体组进行相对应的局部染色体组交叉,获得每个组队各自对应的两个子个体;
选择交叉获得的所有子个体的预设比例,确定为第一目标子个体;
选择新生成个体中的局部染色体组替换所述第一目标子个体的对应局部染色体组,获得目标子个体;
将所述目标子个体和未进行替换处理的各个子个体确定为所述初始种群对应的子种群。
可选的,所述通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,包括:
对所述融合种群进行非支配排序,获得非支配排序结果;
根据所述非支配排序结果,依次将排序靠前的各个非支配层中的全部个体取出构成第一种群;
在取出的当前排序靠前的非支配层中的全部个体无法被全部置入所述第一种群的情况下,对所述当前排序靠前的非支配层中的个体进行拥挤距离排序,获得拥挤距离排序结果;
根据所述拥挤距离排序结果,依次将排序靠前的个体置入所述第一种群,直至所述第一种群的个体数量与所述初始种群的个体数量相同为止,获得最终的第一种群。
本发明第二方面提供一种面向洪涝灾害场景的应急响应调度决策系统,所述系统包括:
淹没范围确定模块,用于根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
网格人数确定模块,用于根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
淹没等级确定模块,用于根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
第一受灾人数确定模块,用于根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
受灾区域划分模块,用于根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
第二受灾人数确定模块,通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
受灾点淹没等级确定模块,用于将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
救援人员分配数确定模块,用于根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
决策模型构建模块,用于基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
调度方案制定模块,用于根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
针对在先技术,本发明具备如下优点:
本发明实施例提供的一种面向洪涝灾害场景的应急响应调度决策方法,首先根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。由此可制定面向洪涝灾害场景的四节点三阶段的应急响应调度方案,四节点包括受灾点、救灾点、应急避难所和物资仓库,三阶段包括救灾点前往受灾点进行救援的阶段、将受灾点的受灾人员转移至应急避难所的节点和将物资仓库的物资分配至应急避难所的阶段。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种面向洪涝灾害场景的应急响应调度决策方法的流程图;
图2为本发明实施例提供的一种面向洪涝灾害场景的应急响应调度决策系统的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。
图1为本发明实施例提供的一种面向洪涝灾害场景的应急响应调度决策方法的流程图,如图1所示,该方法包括:
步骤S1:根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
步骤S2:根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
步骤S3:根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
步骤S4:根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
步骤S5:根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
步骤S6:通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
步骤S7:将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
步骤S8:根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
步骤S9:基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
步骤S10:根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
在本实施例中,首先确定需要进行应急响应调度方案制定的研究区域和对应时刻,也就是目标时刻,在确定到研究区域和目标时刻后,获取到研究区域在目标时刻的降雨数据信息和基础地理数据信息。在步骤S1之前,本申请将对获得的研究区域在目标时刻的降雨数据信息和基础地理数据信息进行等尺寸的网格划分,以形成研究区域在目标时刻的网格化的降雨数据信息和网格化的基础地理数据信息。步骤S1通过将网格化的降雨数据信息和网格化的基础地理数据信息在输入至SCS-CN模型进行处理,并通过等体积淹没算法进行处理获得研究区域在目标时刻的淹没范围和淹没范围内各个网格的淹没水深。其中,进行网格划分的网格尺寸可根据实际应用场景进行设定,在此不做具体限定,例如可设置为边长为50m的正方形网格,可设置为边长为25m的正方形网格等。
在本实施例中,在确定到研究区域在目标时刻的淹没范围和淹没范围内的各个网格的淹没水深后,步骤S2获取研究区域在目标时刻的手机信令数据,并将获取到的该手机信令数据的地理信息坐标数据展布到ArcGIS软件。基于该地理信息坐标数据,通过ArcGIS软件进行核密度计算,得到分时人口热力图,也就是格网尺度下,在目标时刻的各个格网中的人数。根据上述步骤S1确定的研究区域在目标时刻的淹没范围内的各个网格和步骤S2确定的研究区域在目标时刻的各个网格中的人数,确定到研究区域在目标时刻的淹没范围内的各个网格中的人数。例如,研究区域包括网格1,网格中的人数为10人;网格2,网格中的人数为15人;网格3,网格中的人数为6人;网格4,网格中的人数为8人;网格5,网格中的人数为9人,而研究区域的淹没范围内的网格包括网格1、2、3,最终确定到研究区域的淹没范围内的网格1中的人数为10人,研究区域的淹没范围内的网格2中的人数为15人,研究区域的淹没范围内的网格3中的人数为6人。
在本实施例中,淹没等级划分规则为根据网格的淹没水深,将不同淹没水深的网格进行淹没等级划分。其中,淹没等级优选为五个等级,分别为低级、次低级、中级、次高级、高级。该五个优选淹没等级对应的淹没水深优选为0.4m、0.6m、0.8m、1m、1.2m。应当理解的是该淹没等级与淹没水深之间的对应关系为一种优选实施方式,可以根据实际应用场景,设定另外的淹没等级与淹没水深之间的对应关系,如该五个优选淹没等级对应的淹没水深优选为0.5m、0.7m、0.9m、1.1m、1.3m。
在本实施例中,在获得研究区域在目标时刻的淹没范围内的各个网格的淹没水深后,步骤S3根据研究区域在目标时刻的淹没范围内的各个网格的淹没水深和预设的淹没等级划分规则,确定该各个网格各自的淹没等级。其中,步骤S3可与步骤S2同步执行或不分先后顺序进行执行。
在本实施例中,提前预设淹没等级与人员受灾概率关系表,该关系表中人员受灾概率与淹没等级正相关,也就是淹没等级越高人员受灾概率越大,如淹没等级为低级,关系表中对应的人员受灾概率为0.2,淹没等级为次高级,关系表中对应的人员受灾概率为0.9。
在确定研究区域在目标时刻的淹没范围内的各个网格的淹没等级后,步骤S4通过淹没等级与人员受灾概率关系表确定到研究区域在目标时刻的淹没范围内的各个网格的人员受灾概率,通过将研究区域在目标时刻的淹没范围内的各个网格中的人数与对应的人员受灾概率相乘,获得该各个网格各自的受灾人数。例如,确定到网格1中的人数为10人,淹没等级为低级,通过淹没等级与人员受灾概率关系表确定到该淹没等级对应的人员受灾概率为0.2,由此确定网格1的受灾人数为2人。
在本实施例中,步骤S5根据预设受灾区域划分规则对研究区域在目标时刻的淹没范围内的各个网格进行合并,获得多个受灾区域。所述预设受灾区域划分规则包括:对于多个网格独立存在于淹没范围内,同时周围没有其他格网被淹没的情况下,则将该多个网格合并为一个初始受灾区域。同时进一步对合并获得的初始受灾区域进行是否跨街道的判断,在初始受灾区域跨街道时,以街道作为边界对初始受灾区域进行进一步划分,获得对应的受灾区域划分结果;在初始受灾区域未跨街道时,将该初始受灾区域确定为一个受灾区域。
在本实施例中,为便于洪涝灾害场景下的救灾点、应急避难所针对受灾区域进行调度,本发明将受灾区域转换为一个点,在进行救灾点、应急避难所的调度时,针对该点进行调度,具体地:步骤S6通过人员重心算法计算各个受灾区域各自的受灾点,所述人员重心算法表达式为:
,其中,/>和/>分别表示在/>时刻对应受灾区域的受灾人口重心的经度值和纬度值,该经度值和纬度值对应的点即为该受灾区域对应的受灾点;/>和/>分别表示对应受灾区域的第/>个网格的地理重心坐标;/>表示对应受灾区域中网格的数量;/>表示第/>个网格在/>时刻的受灾人数。
在通过人员重心算法计算获得各个受灾区域各自的受灾点后,计算各个受灾区域各自对应的受灾点的受灾人数,具体地:由于每个受灾点的受灾人数的计算方式相同,在此以一个受灾点的受灾人数的计算为例进行说明,确定该一个受灾点对应的受灾区域所包括的所有网格,对该所有网格的受灾人数进行求和,获得该一个受灾点的受灾人数。例如,受灾区域A对应于受灾点a,受灾区域包括网格1、2、3,该网格1具有受灾人数2人、该网格2具有受灾人数5人、该网格3具有受灾人数3人,通过对网格1、2、3各自所具有的受灾人数进行求和,确定到受灾点a的受灾人数为10人。
在本实施例中,在确定到各个受灾区域各自所对应的受灾点后,步骤S7确定各个受灾点各自所属于的网格,将受灾点自身所属于的网格的淹没等级确定为该受灾点的淹没等级。
在本实施例中,步骤S8根据确定到的各个受灾点的受灾人数和各个受灾点的淹没等级,确定各个受灾点各自所需的救援人员分配数。受灾点的受灾人数越多,对应的救援人员分配数越多,受灾点的淹没等级越高,对应的救援人员分配数越多。
在本实施例中,步骤S9预先定义时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数。基于预先定义的三个指标函数构建洪涝灾害场景的应急响应调度决策模型,该模型将借助于非支配遗传算法制定应急响应调度方案,同时评价制定的应急响应调度方案在时间成本、费用成本和资源满足度方面的具体表现,例如一个应急响应调度方案所需花费的时间成本较低,但费用成本较高,同时资源满足度较高。其中,步骤S9由于属于预先定义好一个用于制定和评价应急响应调度方案的模型,因此步骤S8可在步骤S1至步骤S7之中的任意一个步骤之前或之后进行执行。
在本实施例中,步骤S10通过将计算获得的各个受灾点各自所需的救援人员分配数输入洪涝灾害场景的应急响应调度决策模型,并通过非支配排序遗传算法对洪涝灾害场景的应急响应调度决策模型进行求解,获得研究区域在目标时刻的最优应急响应调度方案。
本发明实施例提供的一种面向洪涝灾害场景的应急响应调度决策方法,首先根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。由此可制定面向洪涝灾害场景的四节点三阶段的应急响应调度方案,四节点包括受灾点、救灾点、应急避难所和物资仓库,三阶段包括救灾点前往受灾点进行救援的阶段、将受灾点的受灾人员转移至应急避难所的节点和将物资仓库的物资分配至应急避难所的阶段。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S1具体可以包括步骤S101至步骤S102:
步骤S101:通过将研究区域在目标时刻的降雨数据信息和基础地理数据信息输入SCS-CN模型进行处理,获得所述研究区域的地表径流量。
在本实施例中,将获取到的研究区域在目标时刻的降雨数据信息和基础地理数据信息进行网格化后输入SCS-CN模型进行处理,获得研究区域在目标时刻的地表径流量。其中,基础地理数据信息包括高程数据、土地利用数据、土壤类型数据。
步骤S102:通过等体积淹没算法对获得的所述地表径流量进行计算,获得所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深。
在本实施例中,在获得由SCS-CN模型处理获得的研究区域在目标时刻的地表径流量后,通过等体积淹没算法对获得的该地表径流量进行处理,将获得该研究区域在目标时刻的淹没范围和该淹没范围内各个网格的淹没水深。其中,所述研究区域优选为一个具体的市,同样可以为一个具体的省份或其他指定区域。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S8具体可以包括步骤S801至步骤S802:
步骤S801:根据各个受灾点的淹没等级确定各自对应的救援人数与受灾人数之间的匹配值。
在本实施例中,提前预设不同淹没等级下的受灾点的受灾人数与所需救援人员数量之间的比例关系,如下表1所示。在受灾点的淹没等级为低级时,该受灾点无需救援人员;在受灾点的淹没等级为次低级时,该受灾点的救援人员与受灾人数之间的匹配值为1:4,也就是每4个受灾人数就需要分配1个救援人员进行救援,在该受灾点的受灾人数为40人时,对应的需要分配的救援人员数量为10人。
然后根据受灾点的淹没等级,通过预设的不同淹没等级下的受灾点的受灾人数与所需救援人员数量之间的比例关系(如表1),确定到该受灾点的救援人员与受灾人数之间的匹配值。例如,受灾点1的淹没等级为次低级,根据上述表1所示的预设的不同淹没等级下的受灾点的受灾人数与所需救援人员数量之间的比例关系,确定到受灾点1对应的救援人员与受灾人数匹配值为1:4。基于相同的实施方式,可以确定到研究区域在目标时刻的所有受灾点各自的救援人员与受灾人数之间的匹配值。
应当理解的是,上述表1只是不同淹没等级下的受灾点的受灾人数与所需救援人员数量之间的比例关系的一种优选实施方式,不同淹没等级下的受灾点的受灾人数与所需救援人员数量之间的比例关系同样可以是其他匹配值与淹没等级之间的关系。
步骤S802:根据确定的所述匹配值和所述各个受灾点的受灾人数,确定所述各个受灾点各自所需的救援人员分配数。
在本实施例中,在确定到了研究区域在目标时刻的所有受灾点各自的救援人员与受灾人数之间的匹配值后,将受灾点的受灾人数与该受灾点的救援人员与受灾人数之间的匹配值相乘,获得该受灾点需要分配的救援人员分配数。例如,受灾点1的受灾人数为12人,受灾点1的救援人员与受灾人数之间的匹配值为1:4,则确定受灾点1需要分配的救援人员数量为3人。基于相同的实施方式,可以确定到研究区域在目标时刻的所有受灾点各自的救援人员分配数。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S9具体可以包括步骤S901至步骤S904:
步骤S901:定义时间成本的效率指标函数,表达式为:
,其中,/>为救灾点数量,/>为第/>个救灾点;/>为受灾点数量,/>为第/>个受灾点;/>为应急避难所数量,/>为第/>个应急避难所;/>为物资仓库数量,/>为第/>个物资仓库;/>为物资类型数量,/>为第/>种物资类型;/>为救灾点/>到受灾点/>的路程;/>为救灾点/>到受灾点/>的道路的淹没道路通达性的阻抗因子,反映在不同淹没等级下的道路通达情况;/>指救灾点/>到受灾点/>的道路的道路通行速度;/>为受灾点/>的救援时间,单位为小时;/>为受灾点/>到应急避难所/>的路程;/>为受灾点/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指受灾点/>到应急避难所/>的道路的道路通行速度;/>为应急避难所/>向受灾点/>提供的容纳受灾人员的容纳量;/>为转移受灾人员的单位时间;/>为物资仓库/>到应急避难所/>的路程;/>为物资仓库/>向应急避难所/>提供的物资/>的数量;/>为物资仓库/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指物资仓库/>到应急避难所/>的道路的道路通行速度;/>为单位物资/>的搬运装卸时间;/>为1表示选择救灾点/>参与受灾点的救援,0表示不选择;/>为1表示选择应急避难所/>向受灾点/>提供避难场所,0表示不选择;/>为1表示选择物资仓库/>向应急避难所/>提供物资,0表示不选择。
在本实施例中,对于能够对研究区域提供救援的救灾点数量属于可以通过相关数据直接获取到的已知量,各个救灾点的具体位置也属于可以通过相关数据直接获取到的已知量。而对于研究区域在目标时刻的受灾点数量和各个受灾点的具体位置已经通过上述步骤S6进行计算获得。对于能够对研究区域提供避难所的应急避难所数量属于可以通过相关数据直接获取到的已知量,各个应急避难所的具体位置也属于可以通过相关数据直接获取到的已知量。对于能够对上述应急避难所提供物资的物资仓库数量属于可以通过相关数据直接获取到的已知量,各个物资仓库的具体位置也属于可以通过相关数据直接获取到的已知量。物资类型数量属于可以通过相关数据直接获取到的已知量。各个救灾点到各个受灾点进行救援的路径的路程长度将通过相关计算获得,将在后续实施方式中进行说明。各个救灾点到各个受灾点进行救援的道路的淹没道路通达性的阻抗因子将通过相关计算获得,将在后续实施方式中进行说明。各个救灾点到各个受灾点进行救援的路径的通行速度将通过相关计算获得,将在后续实施方式中进行说明。本申请提前预设受灾点的救援时间确定表,如表2所示,基于实际派遣到受灾点进行救援的救援人员数量和受灾点实际所需的救援人员数量之间的比例关系,以及受灾点的淹没等级,这两个条件确定各个受灾点的救援时间。示例地,在受灾点1的淹没等级为次低级时,同时受灾点1实际所需的救援人员数量与实际派遣到受灾点1进行救援的救援人员数量之比为0.5的情况下,通过查询表2确定受灾点的救援时间为2.5小时。应当理解的是,表2只是本发明中受灾点的救援时间确定表的一种优选实施方式,对于表中的对应关系可根据实际应用过程中的变化而进行调整,如在不同的地理区域,可相应调整表中的对应关系。其中,各个受灾点的淹没等级已经通过上述步骤S7确定到,而各个受灾点的所需的救援人员数量也已经通过上述步骤S8计算获得,对于实际派遣到各个受灾点的救援人员数量将通过后面的基于合理限制条件对目标染色体对应基因进行随机取值的实施方式进行确定,将在后续实施方式中进行说明。各个受灾点到各个应急避难所的路径的路程长度将通过相关计算获得,将在后续实施方式中进行说明。各个受灾点到各个应急避难所的道路的淹没道路通达性的阻抗因子将通过相关计算获得,将在后续实施方式中进行说明。各个受灾点到各个应急避难所的路径的通行速度将通过相关计算获得,将在后续实施方式中进行说明。各个应急避难所向各个受灾点提供的容纳受灾人员的容纳量将通过后面的基于合理限制条件对目标染色体对应基因进行随机取值的实施方式进行确定,将在后续实施方式中进行说明,例如应急避难所1实际能够容纳的受灾人员为100人,受灾点1包括10个受灾人员,而应急避难所1只向受灾点1提供5个受灾人员的容纳量,也就是应急避难所1向受灾点1提供的容纳受灾人员的容纳量为5。转移受灾人员的单位时间属于可以直接获取到的已知量。各个物资仓库到各个应急避难所的路径的路程长度将通过相关计算获得,将在后续实施方式中进行说明。各个物资仓库到各个应急避难所的道路的淹没道路通达性的阻抗因子将通过相关计算获得,将在后续实施方式中进行说明。各个物资仓库到各个应急避难所的路径的通行速度将通过相关计算获得,将在后续实施方式中进行说明。各个物资仓库向各个应急避难所提供的各类物资的数量将通过相关计算获得,将在后续实施方式中进行说明。各类单位物资的搬运装卸时间可以通过相关数据直接获取到的已知量。在当前的应急响应调度方案制定过程中,是否选择一个救灾点参与一个受灾点的救援将通过后面的基于有效性判断条件筛选出目标染色体的实施方式进行确定,将在后续实施方式中进行说明;同时,是否选择一个应急避难所向一个受灾点提供避难场所将通过后面的基于有效性判断条件筛选出目标染色体的实施方式进行确定,将在后续实施方式中进行说明;同时,是否选择一个物资仓库向一个应急避难所提供物资将通过后面的基于有效性判断条件筛选出目标染色体的实施方式进行确定,将在后续实施方式中进行说明;同时,是否选择一个物资仓库向一个应急避难所提供一种具体类型的物资将通过后面的基于有效性判断条件筛选出目标染色体的实施方式进行确定,将在后续实施方式中进行说明。
在本实施例中,步骤S901只是定义时间成本的效率指标函数,此时还未对该时间成本的效率指标函数进行,上述属于是对时间成本的效率指标函数中的各个参数进行解释说明,并说明其中哪些属于可以直接通过相关数据获取到的已知量,其中哪些属于需要通过相关的实施方式进行处理获得的参数。
步骤S902:定义费用成本的效益指标函数,表达式为:
,其中,为救灾点/>到受灾点/>的救援人员单人救灾成本;/>为救灾点/>向受灾点/>提供救援人员的数量;/>为车辆道路运输单位时间成本;/>为救援车辆容量;/>为受灾点/>到应急避难所/>的受灾人员的单人容纳成本;/>为开放应急避难所的成本;/>为转移安置受灾人员的车辆容量;/>为单位物资/>的成本;/>为车辆运送物资/>的容量;/>为1表示选择物资仓库/>向应急避难所/>提供物资/>,0表示不提供。
在本实施例中,各个救灾点到各个受灾点进行救援的救援人员单人救灾成本为可以通过相关数据直接获取到的已知量。各个救灾点向各个受灾提供的救援人员的数量将通过后面的基于合理限制条件对目标染色体对应基因进行随机取值的实施方式进行确定,将在后续实施方式中进行说明。车辆道路运输单位时间成本为可以通过相关数据直接获取到的已知量。各个受灾点到各个应急避难所的受灾人员的单人容纳成本为可以通过相关数据直接获取到的已知量。开放各个应急避难所的成本为可以通过相关数据直接获取到的已知量。转移安置受灾人员的车辆容量为可以通过相关数据直接获取到的已知量。各类单位物资的成本为可以通过相关数据直接获取到的已知量。车辆运送各类物资的容量为可以通过相关数据直接获取到的已知量。
步骤S903:定义资源满足度的效能指标函数,表达式为:
,其中,为受灾点/>需要救灾点出动的救援人数;/>为应急避难所/>对物资/>的净需求。
在本实施例中,各个受灾点需要救灾点出动的救援人数即为上述步骤S8计算获得的各个救灾点各自所需的救援人员分配数。为应急避难所/>对物资/>的净需求,通过应急避难所/>对物资/>的总需求和应急避难所对物资/>的原始储存量之间的差值计算获得,也就是/>。/>为人均对物资/>的需求系数,应急避难所/>对物资的总需求通过将/>乘以物资/>的人均物资需求系数/>获得。/>为应急避难所/>对物资/>的原始储存量,可以根据应急避难所/>可容纳的最大人数/>乘相应的人均物资需求系数/>再乘以设定比例/>或者直接取固定值,也就是/>。如果/>,则表示需要物资仓库分配缺少的物资/>,如果/>,则表示不需要物资仓库分配缺少的物资/>。
步骤S904:将所述时间成本的效率指标函数、所述费用成本的效益指标函数和所述资源满足度的效能指标函数作为目标函数,构建洪涝灾害场景的应急响应调度决策模型。
在本实施例中,将定义的时间成本的效率指标函数、所述费用成本的效益指标函数和所述资源满足度的效能指标函数作为三种目标函数来构建洪涝灾害场景的应急响应调度决策模型,该洪涝灾害场景的应急响应调度决策模型将用于制定应急响应调度方案,并基于该洪涝灾害场景的应急响应调度决策模型的三种目标函数对制定的应急响应调度方案进行评价。
在本实施例中,本发明通过构建洪涝灾害场景的应急响应调度决策模型来确定洪涝灾害场景下的最优应急响应调度方案。同时设置三个指标函数作为该洪涝灾害场景的应急响应调度决策模型的目标函数,在基于洪涝灾害场景的应急响应调度决策模型确定研究区域在目标时刻的洪涝灾害场景下的最优应急响应调度方案的过程中,通过不断循环迭代使得找到尽可能小的目标函数取值,该尽可能小的目标函数取值中各个参数取值对应的就是洪涝灾害场景下的各个调度策略,该各个调度策略最终构成了研究区域在目标时刻的最优应急响应调度方案。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S10具体可以包括步骤S1001至步骤S1013:
步骤S1001:对决策变量、/>、/>进行编码,获得决策变量/>对应的多个染色体/>、决策变量/>对应的多个染色体/>和决策变量/>对应的多个染色体/>。
在本实施例中,对于构建的洪涝灾害场景的应急响应调度决策模型中的目标函数中的三种决策变量、/>、/>进行编码,以使得可以通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型的目标函数进行求解。具体地,首先通过上述实施方式确定到研究区域在目标时刻的受灾点数量,然后通过相关数据直接获取到能够对研究区域提供救援人员的救灾点总数,以及通过相关数据直接获取到能够对研究区域提供避难所的应急避难所总数,以及通过相关数据直接获取到能够对确定的各个应急避难所提供物资的物资仓库总数和物资仓库所能提供的物资类型总数。基于得到的上述五种总数,对三种决策变量/>、/>、/>进行编码,得到决策变量/>对应的多个染色体/>,决策变量/>对应的多个染色体/>和决策变量/>对应的多个染色体。
其中,的取值范围为1至/>的正整数,/>的取值为上述确定的救灾点总数;/>的取值范围为1至/>的正整数,/>的取值为上述确定的受灾点总数;/>的取值范围为1至/>的正整数,/>的取值为上述确定的应急避难所总数;/>的取值范围为1至/>,/>的取值为上述确定的物资仓库总数;/>的取值范围为1至/>的正整数,/>的取值为上述确定的物资类型总数。
由此获得的决策变量对应的多个染色体/>的数量为/>,决策变量对应的多个染色体/>的数量为/>,决策变量/>对应的多个染色体的数量为/>。
步骤S1002:根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体。
在本实施例中,在步骤S1001经过编码得到各种决策变量各自对应的多个染色体后,由于染色体具体对应的是供应点和需求点之间的供应关系。例如对于决策变量中的任意一个染色体对应的则是一个救灾点向一个受灾点供应救援人员以进行救援,如染色体/>对应的就是1号救灾点向1号受灾点供应救援人员进行救援;对于决策变量中的任意一个染色体对应的则是一个应急避难所向一个受灾点的受灾人员供应避难场所,如染色体/>对应的就是1号应急避难所向1号受灾点的受灾人员供应避难场所;对于决策变量/>中的任意一个染色体对应的则是一个物资仓库向一个应急避难供应一种类型的物资,如染色体/>对应的就是1号物资仓库向1号应急避难所供应1号类型的物资。
而在这种供应关系里面,为了保证供应的及时有效,本申请会筛选出有效的染色体作为目标染色体参与后续的调度方案的制定,而对于无效的染色体由于其并无法进行及时有效的供应,因此将其过滤掉。具体而言就是,限制供应点到需求点之间的时间极限,在一个供应点到一个需求点所需要的时间超过该时间极限时,认为该一个供应点到一个需求点的供应无效,此时将其删除,不将其用于后续调度方案的制定。
例如,设定时间极限为6小时,在1号救灾点向1号受灾点供应救援人员进行救援时,所需要花费的时间为8小时,此时该时间已经超过了时间极限6小时,认为1号救灾点无法对1号受灾点进行有效救援,该救援时间过长,将导致1号受灾点无法被及时救出,此时过滤掉1号救灾点对1号受灾点进行救援所对应的染色体,不将该染色体确定为目标染色体,也就是不将该染色体/>用于后续的应急响应调度方案的制定。
例如,设定时间极限为8小时,转移1号受灾点的受灾人员至1号应急避难所需要花费6小时,此时该时间未超过时间极限8小时,认为该1号应急避难所能够为1号受灾点提供有效救援,该救援时间未超过设定时间极限8小时,此时将1号应急避难所为1号受灾点提供避难所对应的染色体确定为目标染色体,也就是将该染色体/>用于后续的应急响应调度方案的制定。
例如,设定时间极限为12小时,首先确定1号物资仓库中是否有1号类型的物资,在1号仓库存在1号类型的物资时,进一步确定1号物资仓库至1号应急避难所需要花费的时间,在该花费的时间为6小时的情况下,确定该时间未超过时间极限12小时,认为该1号物资仓库能够为1号应急避难所提供1号类型的物资,此时将1号物资仓库向1号应急避难所提供1号类型的物资对应的染色体确定为目标染色体,也就是将该染色体用于后续的应急响应调度方案的制定。
在本实施例中,首先提前预定义有效性判断条件,通过该预定义的有效性判断条件对所有染色体进行有效性判断,对于符合有效性判断条件的染色体确定为目标染色体,然后将目标染色体应用于后续的应急响应调度方案的制定。具体的应用即为针对目标染色体进行对应基因的随机取值,以参与到应急响应调度方案的制定;而不属于目标染色体的染色体则不进行对应基因的随机取值,也就是对于不属于目标染色体的染色体不参与到应急响应调度方案的制定。
步骤S1003:对获得的所有目标染色体,进行多轮对应基因的取值。
在本实施例中,在通过预定义的有效性判断条件筛选出目标染色体后,对所有目标染色体进行对应基因的随机取值,在对所有目标染色体均进行一次对应基因的随机取值后,将获得的所有取值带入所述洪涝灾害场景的应急响应调度决策模型的三种目标函数中,将可以获得该三种目标函数各自的一次计算结果。
在本实施例中,对目标染色体对应基因的随机取值是在合理限制条件下进行取值,对于决策变量对应的各个目标染色体对应基因的随机取值则是进行对应的救灾点向对应的受灾点派遣救援人员数量的随机取值,对于决策变量/>对应的各个目标染色体对应基因的随机取值则是进行对应的应急避难所向对应的受灾点提供避难场所容纳量的随机取值,对于决策变量/>对应的各个目标染色体对应基因的随机取值则是进行对应的物资仓库向对应的应急避难所提供对应类型的物资量的随机取值。其中,对于决策变量/>对应的各个目标染色体对应基因的随机取值的合理限制条件包括:各个救灾点当前剩余的救援人员数量、各个受灾点当前剩余所需分配的救援人员数量;对于决策变量/>对应的各个目标染色体对应基因的随机取值的合理限制条件包括:各个应急避难所当前剩余的受灾人员容纳量、各个受灾点当前剩余的未分配应急避难所的受灾人数;对于决策变量/>对应的各个目标染色体对应基因的随机取值的合理限制条件包括:各个物资仓库对各种类型的物资的当前剩余储备量、各个应急避难所对各种类型的物资的当前剩余需求量。
示例地,假设对于决策变量对应的多个染色体/>的数量/>为3×4,通过上述有效性判断条件确定其中的染色体/>、/>、/>、/>、、/>、/>属于目标染色体,1号、2号和3号救灾点各自所具有的救援人员数量属于可以直接获取到的已知量,而1号、2号、3号和4号受灾点各自的受灾人数已经通过上述步骤S6计算获得,并已经通过上述步骤S8确定到各个受灾点应该分配的救援人员数量。此时,基于各个救灾点当前剩余的救援人员数量和各个受灾点当前剩余所需分配的救援人员数量的限制,按顺序对上述的目标染色体对应基因进行随机取值。如对于染色体,确定1号救灾点的救援人员数量为10人,1号受灾点所需的救援人员数量为8人,此时由于1号受灾点所需救援人员数量的限制,随机取值最大只能取8,此时在0-8范围内进行1号救灾点向1号受灾点分配救援人员数量的随机取值,假设取值为3,则将该取值3确定为染色体/>对应基因的取值,此时由于1号救灾点已经通过随机取值分配了3个救援人员用于对1号受灾点进行救援,1号救灾点就只有5人。此时按顺序继续对染色体对应基因进行随机取值,确定1号救灾点的救援人员数量当前剩余5人,2号受灾点所需的救援人员数量为20人,此时由于救灾点救援人员数量限制,随机取值最大只能取5,此时在0-5范围内进行1号救灾点向2号受灾点分配救援人员数量的随机取值,假设取值为5,则将该取值5确定为染色体/>对应基因的取值,此时由于1号救灾点已经将自身所具有的所有救援人员分配出去了,1号救灾点将没有剩余的救援人员能够进行分配,此时按顺序将无法再对后续的目标染色体/>和目标染色体/>各自对应基因进行随机取值,也就是后续将不再对包括1号救灾点的所有目标染色体进行对应基因的随机取值。此时按顺序继续对后续的/>对应基因进行随机取值,确定2号救灾点的救援人员数为10人,由于1号受灾点已经由1号救灾点分配3人,此时1号受灾点所需的救援人员数只有5人,此时由于1号受灾点所需救援人员数量的限制,随机取值最大只能取5,此时在0-5范围内进行2号救灾点向1号受灾点分配救援人员数量的随机取值,假设取值为5,则将该取值5确定为染色体/>对应基因的取值,此时由于向1号受灾点分配的救援人员数量已经达到了所需分配的救援人员数10人,由此后续将不再对包括1号受灾点的目标染色体进行对应基因的取值。然后按顺序继续对目标染色体/>对应基因进行随机取值,该随机取值的方式与上述随机取值方式相同,在此不再赘述。
示例地,假设对于决策变量对应的多个染色体/>的数量/>为4×3,通过上述有效性判断条件确定其中的染色体/>、/>、/>、/>、、/>和/>属于目标染色体,1号、2号、3号应急避难所各自所能够容纳的救援人员数量属于可以直接获取到的已知量,而1号、2号、3号、4号受灾点各自的受灾人数已经通过上述步骤S6计算获得。此时,基于应急避难所当前剩余的受灾人员容纳量和受灾点当前剩余的未分配应急避难所的受灾人数限制,按顺序对上述的目标染色体对应基因进行随机取值。如对于染色体/>,确定1号应急避难所的容纳量为100人,1号受灾点受灾人数为80人,此时由于1号受灾点的受灾人数的限制,随机取值最大只能取80,此时在0-80范围内进行1号应急避难所向1号受灾点提供受灾人员容纳量的随机取值,假设取值为50,则将该取值50确定为染色体/>对应基因的取值,此时由于1号应急避难所已经通过随机取值分配了50个容纳量给1号受灾点,1号应急避难所的受灾人员容纳量就只有50人。此时按顺序继续对染色体/>对应基因进行随机取值,确定1号应急避难所的受灾人员容纳量剩余50人,2号受灾点的受灾人数为80人,此时由于应急避难所的受灾人员剩余容纳量的限制,随机取值最大只能取50,此时在0-50范围内进行1号应急避难所向2号受灾点提供受灾人员容纳量的随机取值,假设取值为50,则将该取值50确定为染色体对应基因的取值,此时由于1号应急避难所已经将自身所具有的受灾人员容纳量全部分配出去,1号应急避难所将没有剩余的受灾人员容纳量进行分配,此时按顺序将无法再对后续的染色体/>和目标染色体/>各自对应基因进行随机取值,也就是后续将不再对包括1号应急避难所的所有目标染色体进行对应基因的随机取值。此时按顺序继续对后续的/>对应基因进行随机取值,确定2号应急避难所的受灾人员容纳量为100人,由于1号受灾点已经由1号应急避难所分配了50的容纳量,此时1号受灾点的剩余受灾人数为30人,此时由于1号受灾点的剩余受灾人员数的限制,随机取值最大只能取30,此时在0-30范围内进行2号应急避难所向1号受灾点提供受灾人员容纳量的随机取值,假设取值为30,则将该取值30确定为染色体/>对应基因的取值,此时由于向1号受灾点提供的容纳量已经达到了该受灾点的受灾人数,由此后续将不再对包括1号受灾点的目标染色体进行对应基因的取值。然后按顺序继续对目标染色体/>对应基因进行随机取值,该随机取值的方式与上述随机取值方式相同,在此不再赘述。由于目标染色体中包括1号受灾点,而上述已经有应急避难所向1号受灾点提供与该受灾点的受灾人数相同的避难容纳量,因此该目标染色体将不再进行对应的基因取值。
示例地,假设对于决策变量对应的多个染色体/>的数量为3×3×2,通过上述有效性判断条件确定其中的染色体/>、、/>、/>、/>、/>、/>、、/>、/>、/>、/>属于目标染色体,1号、2号、3号物资仓库各自对1号和2号类型的物资的存储量属于可以直接获取到的已知量,而1号、2号和3号应急避难所各自对1号和2号类型的物质的需求量也是可以根据应急避难所对受灾人员容纳量和对1号和2号类型的物资的储备量计算获得,具体计算公式为上述资源满足度的效能指标函数中的/>。此时,基于各个物资仓库对各种类型的物资的当前剩余储备量、各个应急避难所对各种类型的物资的当前剩余需求量的限制,按顺序对上述的目标染色体对应基因进行随机取值。如对于染色体/>,确定1号物资仓库对1号类型的物资的储备量为1000,1号应急避难所对1号类型的物资的需求量为800,此时由于1号应急避难所对1号类型的物资的需求量限制,随机取值最大只能取800,此时在0-800范围内进行1号物资仓库向1号应急避难所提供1号类型的物资的随机取值,假设取值为500,则将该取值500确定为染色体/>对应基因的取值,此时由于1号物资仓库已经通过随机取值分配了500个1号类型的物资给1号应急避难所,1号物资仓库对1号类型的物资的储备量就只有500。此时按顺序继续对目标染色体/>对应基因进行随机取值,确定1号物资仓库对1号类型的物资的剩余储备量为500,2号应急避难所对1号类型的物资的需求量为800,此时由于1号物资仓库对1号类型的物资的剩余储备量的限制,随机取值最大只能取500,此时在0-500范围内进行1号物资仓库向2号应急避难所提供1号类型的物资的随机取值,假设取值为500,则将该取值500确定为目标染色体对应基因的取值,此时由于1号物资仓库已经将自身对1号类型的物资的所有储备量全部分配出去,1号物资仓库将没有剩余的1号类型的物资进行分配,此时按顺序将无法再对后续同时包括1号物资仓库和1号类型的物资的目标染色体进行对应基因的随机取值。此时按顺序继续对后续的/>对应基因进行随机取值,确定1号物资仓库对2号类型的物资的储备量为500,1号应急避难所对2号类型的物资的需求量为800,此时由于1号物资仓库对2号类型的物资的剩余储备量的限制,随机取值最大只能取500,此时在0-500范围内进行1号物资仓库向1号应急避难所提供2号类型的物资的随机取值,假设取值为500,则将该取值500确定为目标染色体/>对应基因的取值,此时由于1号物资仓库已经将自身对2号类型的物资的所有储备量全部分配出去,1号物资仓库将没有剩余的2号类型的物资进行分配,此时按顺序将无法再对后续同时包括1号物资仓库和2号类型的物资的目标染色体进行对应基因的随机取值。然后按顺序继续对后续的目标染色体进行相应基因的随机取值,该随机取值的方式与上述随机取值方式相同,在此不再赘述。在物资仓库向一个应急避难所分配的一种类型的物资的分配量等同于该一个应急避难所对该一种类型的物资的需求量相同时,按顺序将不再对后续的包括该一个应急避难所和该一种类型的物资的目标染色体进行对应基因的分配。
在本实施例中,各个救灾点各自的救援人员数量属于可以直接获取到的已知量,各个应急避难所各自能够容纳的受灾人数属于可以直接获取到的已知量,各个物资仓库各自的对各类物资的储备量属于可以获取到的已知量。
步骤S1004:将每轮针对所述所有目标染色体对应基因的取值和所述各个受灾点各自所需的救援人员分配数,输入所述洪涝灾害场景的应急响应调度决策模型的目标函数中进行求解,获得所述目标函数的多个取值。
在本实施例中,在上述目标染色体对应基因的随机取值的合理限制条件下,对所有目标染色体完成一轮对应基因的随机取值后,也就是基于上述的合理限制条件对于所有目标染色体中按顺序能够进行对应基因随机取值的目标染色体均进行了一次对应基因取值后,将获得一轮对所有目标染色体的对应基因的随机取值,将获得的该一轮取值结果和计算得到的各个受灾点各自所需的救援人员分配数带入至上述洪涝灾害场景的应急响应调度决策模型的三种目标函数中进行求解,对于每种目标函数都将计算获得一个计算结果,由此将获得三种目标函数对应的三个计算结果。应当理解的是,不属于目标染色体的染色体所对应的计算项将不会出现在上述三种目标函数进行相关计算,同时基于上述合理限制条件,一些未进行对应基因取值的目标染色体所对应的计算项也不会出现在上述三种目标函数进行相关计算。
步骤S1005:基于所述目标函数的多个取值构建对应的多个个体,并将所述目标函数的多个取值分别确定为对应个体的属性参数,并将所述多个个体确定为初始种群。
在本实施例中,基于上述将获得的一轮对所有目标染色体对应基因进行随机取值获得的取值结果和计算得到的各个受灾点各自所需的救援人员分配数带入至洪涝灾害场景的应急响应调度决策模型的三种目标函数中进行求解获得的三种目标函数对应的计算结果,基于求解获得的三种目标函数对应的计算结果构建一个对应的个体,并将该求解获得的三种目标函数对应的计算结果作为构建的该个体的属性参数。基于相同的实施方式进行多轮对所有目标染色体对应基因的随机取值,并获得各自对应的取值结果。将每轮的取值结果和计算得到的各个受灾点各自所需的救援人员分配数分别带入至洪涝灾害场景的应急响应调度决策模型的三种目标函数中进行求解,对于每轮的取值结果,都将获得一个对应的三种目标函数对应的计算结果。然后针对每个三种目标函数对应的计算结果构建一个对应的个体并将三种目标函数对应的计算结果确定为该个体的属性参数。
示例地,目标染色体包括目标染色体1、目标染色体2、目标染色体3、目标染色体4、目标染色体5、目标染色体6,基于上述各种合理限制条件可以得到目标染色体1对应基因的取值、目标染色体2对应基因的取值、目标染色体3对应基因的取值、目标染色体5对应基因的取值、目标染色体6对应基因的取值,然后将得到的这5个基因取值和计算获得的各个受灾点各自所需的救援人员分配数带入到上述洪涝灾害场景的应急响应调度决策模型的三个目标函数中进行计算,将计算获得时间成本的效率指标函数的一个取值x1、费用成本的效益指标函数的一个取值y1、资源满足度的效能指标函数的一个取值z1,基于得到的该结果,构建一个个体a1,并将得到的该三个取值x1、y1、z1作为该个体的属性参数。基于相同的实施方式可以构建多个个体,并设置该多个个体各自对应的属性参数。
步骤S1006:对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群。
在本实施例中,将上述步骤S1005获得的多个个体确定为初始种群,其中所述多个个体可根据实际应用场景进行设定,如设置为50,或设置为100等,在此不做具体限定。在获得初始种群后,通过非支配排序遗传算法对得到的初始种群进行交叉和变异,得到与该初始种群的个体数量相同的子种群。
步骤S1007:将所述初始种群和所述子种群进行合并,获得融合种群。
在本实施例中,将获得的初始种群和上述步骤S1006确定的该初始种群对应的子种群进行合并,得到个体数为该初始种群中个体数两倍的融合种群。
步骤S1008:通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,其中,所述第一种群的个体数量与所述初始种群的个体数量相同。
在本实施例中,对得到的融合种群中的个体进行非支配排序和拥挤距离排序,构建该融合种群对应的第一种群,该第一种群的个体数量与最初得到的初始种群的数量相同。
步骤S1009:确定所述第一种群对应的循环次数是否满足预设循环次数。
在本实施例中,确定得到的该第一种群是第几次循环处理后得到的第一种群,进而确定该第一种群对应的循环次数是否满足预设循环次数。
步骤S1010:在未满足所述预设循环次数的情况下,将所述第一种群确定为初始种群,返回步骤S1006。
在本实施例中,如果该第一种群不属于预设次数循环处理后得到的第一种群的情况下,则将该第一种群确定为初始种群,再返回到步骤S1006进行执行,以该第一种群作为初始种群进行新一轮的交叉和变异处理,以得到实际为该第一种群的初始种群对应的子种群,然后继续执行后续步骤。也就是在第一种群不为进行预设次数循环处理后得到的第一种群的情况下,将该第一种群确定为初始种群,然后进行新一轮的交叉和变异处理,以得到实际为该第一种群的初始种群对应的子种群,然后继续执行后续步骤,以完成新一轮的循环,直至得到的第一种群是经过预设次数循环处理后得到的第一种群,此时将该经过预设次数循环处理后得到的第一种群确定为目标种群。其中,所述预设次数循环处理的循环次数可根据实际应用场景进行设定,如10次,或20次等,在此不做具体限定。
步骤S1011:在满足所述预设循环次数的情况下,将所述第一种群确定为目标种群。
在本实施例中,而如果该第一种群属于预设次数循环处理后得到的第一种群的情况下,则直接将该第一种群确定为目标种群。
步骤S1012:根据所述洪涝灾害场景的应急响应调度决策模型中的各个目标函数和优化目标,确定总目标函数。
在本实施例中,由于在制定应急响应调度方案时,不同的决策者所关注的重点不同,有的决策者关注于尽快对受灾点进行救援,而有的决策者更关注于救援费用成本,而有的决策者更关注于是否能够对尽可能多的救援人员实施救援,因此本申请根据决策者的优化目标,基于上述三个目标函数构建一个总的目标函数,其中/>、/>、/>分别为对应目标函数的权重,根据决策者的优化目标进行设定,如果决策者更关注于救援时间,希望救援尽可能快,则可以将权重/>设置得更大,如果决策者更关注于救援成本,希望救援成本尽可能低,则可以将权重/>设置得更大,而决策者更关注于是否能够对尽可能多的救援人员实施救援,则可以将权重/>设置得更大。例如,根据决策者的优化目标,将三种目标函数的权重分别设置为0.6、0.1、0.3,由此获得总目标函数/>。
步骤S1013:将所述目标种群中的各个个体带入所述总目标函数进行计算,获得分别与所述各个个体对应的多个计算结果;将所述多个计算结果中最小取值的计算结果对应的个体确定为最优应急响应调度方案。
在本实施例中,在获得基于各个目标函数和优化目标确定的总目标函数,以及获得目标种群后,将目标种群中的各个个体各自所具有的属性参数分别带入到总目标函数中进行计算,最终得到与各个个体分别对应的总目标函数取值。将其中取值最小的总目标函数取值对应的一个个体确定为最优应急响应调度方案。也就是确定到其中取值最小的总目标函数取值对应的一个个体,该个体的进行了对应基因取值的目标染色体都有相对应的基因取值,一个基因取值将对应一个调度策略,如目标染色体对应的基因取值为5,则表示1号救灾点向1号受灾点提供5个救援人员的调度策略,所有基因取值所对应的所有调度策略最终构建上述最优应急响应调度方案。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S1002具体可以包括步骤S10021至步骤S10024:
步骤S10021:确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间。
在本实施例中,一个救灾点到一个受灾点的路径具有多个,而为了提高救援效率,在选择一个救灾点到一个受灾点进行救援时,最佳的方案就是选择运输时间最短的一条路径进行救援。基于相同的理由,在选择一个受灾点到一个应急避难所进行避难时,最佳的方案同样是选择运输时间最短的一条路径进行运输。基于相同的理由,在选择一个物资仓库运输物资到一个应急避难所时,最佳的方案同样是选择运输时间最短的一条路径进行运输。
因此,本发明对于能够为研究区域提供救援人员的所有救灾点,计算获得各个救灾点到各个受灾点的第一道路运输时间。例如,救灾点包括救灾点A、救灾点B,受灾点包括受灾点a、受灾点b、受灾点c;计算获得救灾点A到受灾点a、救灾点A到受灾点b、救灾点A到受灾点c、救灾点B到受灾点a、救灾点B到受灾点b、救灾点B到受灾点c共6个第一道路运输时间。其中,救灾点到受灾点的第一道路运输时间表征的是该救灾点到该受灾点的所有路径中用时最短的一条路径对应的运输时间,在选择该救灾点对该受灾点进行救援时也将选择该用时最短的一条路径进行救援,而上述的各个救灾点到各个受灾点进行救援的路径就是各自对应的第一道路运输时间所对应的路径,而路径长度可通过相关数据信息可以直接获取到。
本发明对于能够为研究区域提供避难所的所有应急避难所,计算获得各个受灾点到各个应急避难所的第二道路运输时间。例如,受灾点包括受灾点a、受灾点b、受灾点c,应急避难所包括应急避难所A、应急避难所B;计算获得受灾点a到应急避难所A、受灾点b到应急避难所A、受灾点c到应急避难所A、受灾点a到应急避难所B、受灾点b到应急避难所B、受灾点c到应急避难所B共6个第二道路运输时间。其中,受灾点到应急避难所的第二道路运输时间表征的是该受灾点到该应急避难所的所有路径中用时最短的一条路径对应的运输时间,在选择该应急避难所对该受灾点提供避难所时也将选择该用时最短的一条路径进行运输,而上述的各个受灾点到各个应急避难所进行避难的路径就是各自对应的第二道路运输时间所对应的路径,而路径长度可通过相关数据信息可以直接获取到。
本发明对于能够为研究区域提供物资的所有物资仓库,计算获得各个物资仓库到各个应急避难所的第三道路运输时间。例如,物资仓库包括物资仓库a、物资仓库b、物资仓库c,应急避难所包括应急避难所A、应急避难所B;计算获得物资仓库a到应急避难所A、物资仓库b到应急避难所A、物资仓库c到应急避难所A、物资仓库a到应急避难所B、物资仓库b到应急避难所B、物资仓库c到应急避难所B共6个第三道路运输时间。其中,物资仓库到应急避难所的第三道路运输时间表征的是该物资仓库到该应急避难所的所有路径中用时最短的一条路径对应的运输时间,在选择该物资仓库对该应急避难所提供物资时也将选择该用时最短的一条路径进行运输,而上述的各个物资仓库运输物资到各个应急避难所的路径就是各自对应的第三道路运输时间所对应的路径,而路径长度可通过相关数据信息可以直接获取到。
步骤S10022:将满足第一预设条件的第一道路运输时间对应的染色体,确定为目标染色体。
在本实施例中,由于在救援过程中运输时间直接决定了救援是否有效,同时不同的场景下对时间的限制将不同,例如救灾点到受灾点进行救援的紧急程度将更高,这样才能保证能够对受灾人员进行及时有效的救援以保证受灾人员的安全,而在受灾人员已经被运送至应急避难所后,物资仓库向应急避难所运输物资的紧急程度将低于救灾点到受灾点进行救援的紧急程度。因此本发明提前预设针对救灾点到受灾点的道路运输时间的第一阈值,以及,提前预设针对受灾点到应急避难所的道路运输时间的第二阈值,以及,提前预设物资仓库到应急避难所的道路运输时间的第三阈值。应当理解的是,上述第一阈值、第二阈值、第三阈值同样可以根据受灾严重程度进行动态调整,在此不做具体限定。同时上述第一阈值、第二阈值、第三阈值各自的取值可根据实际应用场景进行设定,在此不做具体限定。
然后将计算获得的每个第一道路运输时间与第一阈值进行对比,在第一道路运输时间小于等于该第一阈值时,确定该第一道路运输时间满足第一预设条件,此时将该第一道路运输时间对应的染色体,确定为目标染色体。例如,在第1个救灾点到第2个受灾点的第一道路运输时间满足第一预设条件时,确定对应的染色体为目标染色体;而在第2个救灾点到第3个受灾点的第一道路运输时间不满足第一预设条件时,则对应的染色体不属于目标染色体,将不进行对应基因的随机取值,也就是第2个救灾点到第3个受灾点进行救援将不参与制定最优应急响应调度方案,也就是第2个救灾点到第3个受灾点的道路运输时间过长,在制定最优应急响应调度方案时不考虑将第2个救灾点派遣到第3个受灾点进行救援。
步骤S10023:将满足第二预设条件的第二道路运输时间对应的染色体,确定为目标染色体。
在本实施例中,将计算获得的每个第二道路运输时间与第二阈值进行对比,在第二道路运输时间小于等于该第二阈值时,确定该第二道路运输时间满足第二预设条件,此时将该第二道路运输时间对应的染色体,确定为目标染色体。例如,在第1个受灾点到第2个应急避难所的第二道路运输时间满足第二预设条件时,确定对应的染色体为目标染色体;而在第2个受灾点到第3个应急避难所的第二道路运输时间不满足第二预设条件时,则对应的染色体/>不属于目标染色体,将不进行对应基因的随机取值,也就是第2个受灾点到第3个应急避难所进行避难将不参与制定最优应急响应调度方案,也就是第2个受灾点到第3个应急避难所的道路运输时间过长,在制定最优应急响应调度方案时不考虑将第3个应急避难所作为第2个受灾点的避难所。
步骤S10024:将满足第三预设条件的第三道路运输时间对应的染色体,确定为目标染色体。
在本实施例中,将计算获得的每个第三道路运输时间与第三阈值进行对比,在第三道路运输时间小于等于该第三阈值时,确定该第三道路运输时间满足第三预设条件,此时将该第三道路运输时间对应的染色体,确定为目标染色体。例如,在第1个物资仓库到第2个应急避难所的第三道路运输时间满足第三预设条件时,确定对应的染色体为目标染色体;而在第2个物资仓库到第3个应急避难所的第三道路运输时间不满足第三预设条件时,则对应的染色体/>不属于目标染色体,将不进行对应基因的随机取值,也就是第2个物资仓库向第3个应急避难提供物资将不参与制定最优应急响应调度方案,也就是第2个物资仓库到第3个应急避难所的道路运输时间过长,在制定最优应急响应调度方案时不考虑将第2个物资仓库向第3个应急避难提供物资。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S10021具体可以包括步骤S100211至步骤S100215:
步骤S100211:根据路径所经过的网格的淹没等级,确定各个救灾点到各个受灾点的路径中可以通行的目标路径,以及确定各个受灾点到各个应急避难所的路径中可以通行的目标路径,以及确定各个物资仓库到各个应急避难所的路径中可以通行的目标路径。
在本实施例中,在将一条路径选择为运输路径时,需要考虑该条路径是否能够安全通行。因此本发明先通过路径所经过的网格是否有淹没等级超过了设定等级的网格存在,由此来确定路径是否可作为运输路径。对于路径经过了淹没等级超过了设定等级的网格时,该路径将是一条无法安全通行的路径,该路径将不会被选择为运输路径。其中,所述设定等级可根据实际应用场景进行设定,在此不做具体限定,例如,淹没等级包括低级、次低级、中级、次高级、高级,可以设定次高级为设定等级,也可以设定高级为设定等级。
由于,确定各个救灾点到各个受灾点的目标路径和确定各个受灾点到各个应急避难所的目标路径和确定各个物资仓库到各个应急避难所的目标路径的实施方式相同。因此,本发明以确定一个救灾点A到一个受灾点a的目标路径为例对该实施方式进行说明。具体地,首先确定到救灾点A到受灾点a的多个路径,然后确定每个路径所经过的网格的淹没等级,在路径经过淹没等级高于设定等级的网格时,该路径将无法被确定为救灾点A到受灾点a的目标路径,而在路径经过的网格中不存在淹没等级高于设定等级的网格时,确定该路径为救灾点A到受灾点a的目标路径。由此可确定到救灾点A到受灾点a的多个路径中可能存在一个符合上述条件的目标路径,也可能存在多个符合上述条件的目标路径,也可能不存在符合上述条件的目标路径。基于相同的实施方式,可以确定到各个救灾点到各个受灾点的目标路径,以及确定到各个受灾点到各个应急避难所的目标路径,以及确定到各个物资仓库到各个应急避难所的目标路径。
步骤S100212:根据各个目标路径的路程、通行速度和阻抗因子,确定所述各个目标路径各自的道路运输时间。
在本实施例中,在确定到各个目标路径后,通过关联道路通行速度大数据,将道路通行速度大数据赋值到路网中,确定到各个目标路径各自的通行速度,该通行速度为没有受灾时的通行速度。
在本实施例中,本发明提前预设淹没等级与淹没道路通达性的阻抗因子之间的对应关系。由于本发明中确定各个目标路径的阻抗因子的实施方式相同,在此,本发明以确定一个目标路径a的阻抗因子为例对上述实施方式进行说明,具体地:确定目标路径a所经过的网格中的最高淹没等级,然后根据淹没等级与淹没道路通达性的阻抗因子/>之间的对应关系,确定到该最高淹没等级对应的淹没道路通达性的阻抗因子,然后将确定的该淹没道路通达性的阻抗因子确定为目标路径a的阻抗因子。基于相同的实施方式,可以确定到各个目标路径各自的阻抗因子。
在获得各个目标路径各自的路程、通行速度和阻抗因子后,通过将目标路径的路程除以自身的通行速度再乘以阻抗因子即可获得该目标路径的道路运输时间。基于相同的实施方式,可以计算获得各条目标路径各自的道路运输时间。
步骤S100213:将所述道路运输时间中属于同一救灾点到同一受灾点的所有道路运输时间中的最小取值确定为所述同一救灾点到所述同一受灾点的第一道路运输时间。
在本实施例中,在获得各个目标路径的道路运输时间后,将属于同一个救灾点到同一个受灾点的道路运输时间划分为一个组别,然后确定其中的最小值,将该最小值确定为该同一个救灾点到该同一个受灾点的第一道路运输时间。基于相同的实施方式,可以确定到各个救灾点到各个受灾点的第一道路运输时间。
步骤S100214:将所述道路运输时间中属于同一受灾点到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一受灾点到所述同一应急避难所的第二道路运输时间。
在本实施例中,在获得各个目标路径的道路运输时间后,将属于同一个受灾点到同一个应急避难所的道路运输时间划分为一个组别,然后确定其中的最小值,将该最小值确定为该同一个受灾点到该同一个应急避难所的第二道路运输时间。基于相同的实施方式,可以确定到各个受灾点到各个应急避难所的第二道路运输时间。
步骤S100215:将所述道路运输时间中属于同一物资仓库到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一物资仓库到所述同一应急避难所的第三道路运输时间。
在本实施例中,在获得各个目标路径的道路运输时间后,将属于同一个物资仓库到同一个应急避难所的道路运输时间划分为一个组别,然后确定其中的最小值,将该最小值确定为该同一个物资仓库到该同一个应急避难所的第三道路运输时间。基于相同的实施方式,可以确定到各个物资仓库到各个应急避难所的第三道路运输时间。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S1006具体可以包括步骤S10061至步骤S10067:
步骤S10061:将所述初始种群中个体的第一参数相同的目标染色体划分为第一目标染色体组别。
在本实施例中,第一参数表征的是染色体中作为供应方所对应的变量,第二参数表征的是染色体中作为需求方所对应的变量。示例地,对于决策变量对应的多个染色体/>,其中变量i对应的第i个救灾点即为该类型染色体的第一参数,其中变量j对应的第j个受灾点即为该类型染色体的第二参数;对于决策变量/>对应的多个染色体,其中变量p对应的第p个应急避难所即为该类型染色体的第一参数,其中变量j对应的第j个受灾点即为该类型染色体的第二参数;对于决策变量/>对应的多个染色体,其中变量q和变量r分别对应的第q个物资仓库和第r种类型的物资即为该类型染色体的第一参数,其中变量p对应的第p个应急避难所即为该类型染色体的第二参数。
在本实施例中,对于获得所有目标染色体,确定所有目标染色体各自的第一参数,将第一参数相同的目标染色体进行分组,获得多个第一目标染色体组别。示例地,在所有目标染色体包括、/>、/>、/>、/>、/>、、/>、/>、/>、/>、/>、/>的情况下,目标染色体/>、/>、/>的第一参数相同,目标染色体/>、、/>的第一参数相同,目标染色体/>的第一参数与其他目标染色体的第一参数不同,目标染色体/>、/>的第一参数相同,目标染色体、/>的第一参数相同,目标染色体/>、/>的第一参数相同,由此确定上述所有目标染色体具有的第一参数的数量为6个,而对于第一参数相同的目标染色体会分组到同一个组别,因此最终得到的第一目标染色体组别的数量也有6个,分别为由目标染色体/>、/>、/>组成的一个第一目标染色体组别;由目标染色体/>、/>、/>组成的一个第一目标染色体组别;由目标染色体组成的一个第一目标染色体组别;由目标染色体/>、/>组成的一个第一目标染色体组别;由目标染色体/>、/>组成的一个第一目标染色体组别;由目标染色体/>、/>组成的一个第一目标染色体组别。/>
步骤S10062:将所有第二参数均能成功匹配的第一目标染色体组别确定为局部染色体组。
在本实施例中,在获得各个第一目标染色体组别后,将第一目标染色体组别的第二参数和其他第一目标染色体组别的第二参数进行匹配,在进行匹配的两个或多个第一目标染色体组别中的所有第二参数均能成功匹配的情况下,将该两个或该多个第一目标染色体组别确定为局部染色体组。
示例地,继续沿用上述示例,对于由目标染色体、/>、/>组成的第一目标染色体组别和由目标染色体/>、/>、/>组成的第一目标染色体组别,其中/>、/>两者的第二参数能够匹配,/>、两者的第二参数能够匹配,/>、/>两者的第二参数能够匹配,因此上述两个第一目标染色体组中的所有第二参数均能进行匹配,因此将上述由目标染色体、/>、/>组成的第一目标染色体组别和由目标染色体/>、、/>组成的第一目标染色体组别确定为一个局部染色体组,用于进行后续的交叉处理。对于由目标染色体/>、/>组成的第一目标染色体组别,以及,由目标染色体/>、/>组成的第一目标染色体组别,以及,由目标染色体、/>组成的第一目标染色体组别,其中/>、/>、/>三者的第二参数能够匹配,/>、/>、/>三者的第二参数能够匹配,因此上述三个第一目标染色体组中的所有第二参数均能进行匹配,因此将上述由目标染色体、/>组成的第一目标染色体组别,以及,由目标染色体/>、组成的第一目标染色体组别,以及,由目标染色体/>、/>组成的第一目标染色体组别,共三个第一目标染色体组别确定为一个局部染色体组。
在本实施例中,对于一个第一目标染色体组别,没有与该一个目标染色体组别的所有第二参数均能进行匹配的其他目标染色体组别时,将该一个第一目标染色体组别确定为局部染色体组,其中,该一个第一目标染色体组别中可以包括一个或多个目标染色体。
在本实施例中,由于在对目标染色体进行对应基因取值时涉及较多的限制条件,而通过非支配排序遗传算法对个体的目标染色体对应的基因进行交叉以获得子代个体的过程中将有很大可能会超出限制条件的情况。而为了避免这种情况的发生,本申请在对个体的目标染色体对应的基因(也就是各个目标染色体的具体取值)进行交叉之前先对目标染色体进行局部染色体组的划分,基于局部染色体组进行交叉处理,以此避免交叉出现超出限制条件的情况发生。
步骤S10063:每次选择所述初始种群中的两个个体进行组队,直至所述初始种群中的所有个体完成组队,获得组队结果。
在本实施例中,在获得各个局部染色体组的划分结果后,对于获得的初始种群中的个体进行每两个个体的组队,直至初始种群中的所有个体均进行组队后,得到组队结果。其中,初始种群的个体数量优选为双数,应当理解的是初始种群的个体数量同样可以是单数,该情况下,最后剩余一个个体不进行组队,也就不参与后续的交叉处理。
步骤S10064:对所述组队结果中的每个组队随机选择预设数量的局部染色体组进行相对应的局部染色体组交叉,获得每个组队各自对应的两个子个体。
在本实施例中,在获得组队结果后,对于每个组队,随机选择预设数量的局部染色体组。然后对于选择的预设数量的局部染色体组,将组队中的两个个体进行该预设数量的局部染色体组交叉交换。其中,每个组队的预设数量可以相同也可以不同,预设数量的取值可根据实际应用场景进行设定,在此不做具体限定。示例地,由于每个组队的交叉实施方式相同,在此以一个组队的交叉实施例进行说明,获得的局部染色体组包括1号局部染色体组、2号局部染色体组、3号局部染色体组、4号局部染色体组、5号局部染色体组、6号局部染色体组,然后随机选择3个局部染色体组,分别为1号局部染色体组、2号局部染色体组和5号局部染色体组,对于一个组队中的两个个体分别为个体A和个人B,将个体A的1号局部染色体组与个体B的1号局部染色体组进行交换,以及将个体A的2号局部染色体组与个体B的2号局部染色体组进行交换,以及将个体A的5号局部染色体组与个体B的5号局部染色体组进行交换,得到两个新的子个体。由此针对所有组队中的任意一个组队都将获得对应的两个子个体。对于得到的所有子个体将组成一个与该初始种群对应的,同时与该初始种群的个体数量相同的中间种群。
步骤S10065:选择交叉获得的所有子个体的预设比例,确定为第一目标子个体。
在本实施例中,对于通过交叉处理得到的所有子个体将组成一个与该初始种群对应的,同时与该初始种群的个体数量相同的中间种群。对于该中间种群,选择该中间种群的预设比例的个体进行变异处理,将选择出来的预设比例的个体确定为第一目标子个体。
步骤S10066:选择新生成个体中的局部染色体组替换所述第一目标子个体的对应局部染色体组,获得目标子个体。
在本实施例中,通过与上述相同的生成个体的实施方式再生成一个新的个体,随机选择该新的个体的部分局部染色体组替换到第一目标子个体中的对应局部染色体组,应当理解的是第一目标子个体包括多个,针对每个第一目标子个体都可以随机选择该新的个体的部分局部染色体组对各个第一目标子个体中的对应局部染色体组进行替换。
示例地,继续沿用上述示例,由于每个第一目标子个体的局部染色体组进行替换变异的实施方式相同,在此以一个第一目标子个体的局部染色体组进行替换变异的实施方式进行说明,在得到一个新的个体后,该新的个体的局部染色体组包括1号局部染色体组、2号局部染色体组、3号局部染色体组、4号局部染色体组、5号局部染色体组、6号局部染色体组,然后随机选择2个局部染色体组,分别为局部染色体组1和局部染色体组6,以该新的个体中的局部染色体1和局部染色体6替换该一个第一目标子个体的局部染色体1和局部染色体6,以对该一个第一目标子个体进行变异,得到目标子个体。基于相同的实施方式,可以对所有第一目标子个体进行变异,得到各个第一目标子个体各自对应的目标子个体。
步骤S10067:将所述目标子个体和未进行替换处理的各个子个体确定为所述初始种群对应的子种群。
在本实施例中,在对中间种群中的第一目标子个体均进行变异后,将变异后的中间种群确定为初始种群对应的子种群。该中间种群中将包括进行了变异替换处理得到的目标子个体和只进行了交叉处理而未进行变异替换处理的子个体。
结合以上实施例,在一种实施方式中,本发明实施例还提供了一种面向洪涝灾害场景的应急响应调度决策方法。在该面向洪涝灾害场景的应急响应调度决策方法中,上述步骤S1008具体可以包括步骤S10091至步骤S10084:
步骤S10081:对所述融合种群进行非支配排序,获得非支配排序结果。
在本实施例中,对得到的融合种群进行非支配排序,得到非支配排序结果。具体地,对融合种群中任意两个个体之间的所有目标函数进行比较,在一个个体的所有目标函数都小于等于另一个个体的对应所有目标函数,且该一个个体中至少有一个目标函数完全小于该另一个体的对应目标函数,则确定该一个个体支配该另一个个体。对于找出的对其他个体形成支配的所有个体确定为第一非支配层,并对该第一非支配层中的所有个体赋予非支配序值,并将该第一非支配层中的所有个体从融合种群中去除。对于融合种群中剩下的个体,继续以与上述相同的实施方式,确定到该剩下的个体中能够对其他个体形成支配的所有个体,并将该所有个体确定为第二非支配层,并对该第二非支配层中的所有个体赋予非支配序值/>2,并将该第二非支配层中的所有个体从融合种群中去除。对于融合种群中剩下的个体,继续以与上述相同的实施方式确定非支配层,直至不再出现能够支配其他个体的个体为止,由此得到最后一个非支配层,也就获得的对融合种群的非支配排序结果。示例地,对于个体1和个体2,如果个体1的三个目标函数都小于等于个体2的对应三个目标函数的取值且个体1至少有一个目标函数完全小于个体2,那么个体1支配个体2,例如个体1的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数取值分别为/>、/>、/>个体2的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数取值分别为10、2、3,则个体1支配个体2/>
步骤S10082:根据所述非支配排序结果,依次将排序靠前的各个非支配层中的全部个体取出构成第一种群。
在本实施例中,在获得融合种群的非支配排序结果后,按照非支配层的顺序,首先将第一非支配层中的所有个体提取出来作为该融合种群对应的第一种群中的个体。其中,第一种群的个体数量与初始种群的个体数量相同。在将第一非支配层中的所有个体确定为第一种群中的个体后,在该第一种群的个体数量未达到设定的与初始种群的个体数量相同的情况下,继续按顺序将第二非支配层中的所有个体提取出来作为该融合种群对应的第一种群中的个体,直至第一种群中的个体数量与初始种群的个体数量相同时结束。
步骤S10083:在取出的当前排序靠前的非支配层中的全部个体无法被全部置入所述第一种群的情况下,对所述当前排序靠前的非支配层中的个体进行拥挤距离排序,获得拥挤距离排序结果。
在本实施例中,如果在按顺序将当前非支配层中的所有个体提取出来作为该融合种群对应的第一种群中的个体,将导致该第一种群的个体超过初始种群的个体数量时,确定取出的当前排序靠前的非支配层中的全部个体无法被全部置入构建的第一种群,此时对该当前非支配层中的所有个体进行拥挤距离排序,获得该当前非支配层所有个体的拥挤距离排序结果。
步骤S10084:根据所述拥挤距离排序结果,依次将排序靠前的个体置入所述第一种群,直至所述第一种群的个体数量与所述初始种群的个体数量相同为止,获得最终的第一种群。
在本实施例中,根据该拥挤距离排序结果,按顺序将排序靠前的个体依次放入第一种群,直至第一种群中个体的数量与初始种群的个体数量相同为止,此时得到最终的第一种群。
在本发明实施例的第二方面,提供了一种面向洪涝灾害场景的应急响应调度决策系统,如图2所示,所述系统200包括:
淹没范围确定模块201,用于根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
网格人数确定模块202,用于根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
淹没等级确定模块203,用于根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
第一受灾人数确定模块204,用于根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
受灾区域划分模块205,用于根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
第二受灾人数确定模块206,通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
受灾点淹没等级确定模块207,用于将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
救援人员分配数确定模块208,用于根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
决策模型构建模块209,用于基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
调度方案制定模块210,用于根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
可选的,所述淹没范围确定模块201,包括:
地表径流量确定模块,用于通过将研究区域在目标时刻的降雨数据信息和基础地理数据信息输入SCS-CN模型进行处理,获得所述研究区域的地表径流量;
淹没范围确定子模块,用于通过等体积淹没算法对获得的所述地表径流量进行计算,获得所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深。
可选的,所述救援人员分配数确定模块208,包括:
匹配值确定模块,用于根据各个受灾点的淹没等级确定各自对应的救援人数与受灾人数之间的匹配值;
救援人员分配数确定子模块,用于根据确定的所述匹配值和所述各个受灾点的受灾人数,确定所述各个受灾点各自所需的救援人员分配数。
可选的,所述决策模型构建模块209,包括:
第一定义模块,用于定义时间成本的效率指标函数,表达式为:
,其中,/>为救灾点数量,/>为第/>个救灾点;/>为受灾点数量,/>为第/>个受灾点;/>为应急避难所数量,/>为第/>个应急避难所;/>为物资仓库数量,/>为第/>个物资仓库;/>为物资类型数量,/>为第/>种物资类型;/>为救灾点/>到受灾点/>的路程;/>为救灾点/>到受灾点/>的道路的淹没道路通达性的阻抗因子,反映在不同淹没等级下的道路通达情况;/>为救灾点/>到受灾点/>的道路的道路通行速度;/>为受灾点/>的救援时间,单位为小时;/>为受灾点/>到应急避难所/>的路程;/>为受灾点/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指受灾点/>到应急避难所/>的道路的道路通行速度;/>为应急避难所/>向受灾点/>提供的容纳受灾人员的容纳量;/>为转移受灾人员的单位时间;/>为物资仓库/>到应急避难所/>的路程;/>为物资仓库/>向应急避难所/>提供的物资/>的数量;/>为物资仓库/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指物资仓库/>到应急避难所/>的道路的道路通行速度;/>为单位物资/>的搬运装卸时间;/>为1表示选择救灾点/>参与受灾点的救援,0表示不选择;/>为1表示选择应急避难所/>向受灾点/>提供避难场所,0表示不选择;/>为1表示选择物资仓库/>向应急避难所/>提供物资,0表示不选择;/>为1表示选择物资仓库/>向应急避难所/>提供物资/>,0表示不提供;
第二定义模块,用于定义费用成本的效益指标函数,表达式为:
,其中,为救灾点/>到受灾点/>的救援人员单人救灾成本;/>为救灾点/>向受灾点/>提供救援人员的数量;/>为车辆道路运输单位时间成本;/>为救援车辆容量;/>为受灾点/>到应急避难所/>的受灾人员的单人容纳成本;/>为开放应急避难所的成本;/>为转移安置受灾人员的车辆容量;/>为单位物资/>的成本;/>为车辆运送物资/>的容量;
第三定义模块,用于定义资源满足度的效能指标函数,表达式为:
,其中,为受灾点/>需要救灾点出动的救援人数;/>为应急避难所/>对物资/>的净需求。
将所述时间成本的效率指标函数、所述费用成本的效益指标函数和所述资源满足度的效能指标函数作为目标函数,构建洪涝灾害场景的应急响应调度决策模型。
可选的,所述调度方案制定模块,包括:
编码模块,用于对决策变量、/>、/>进行编码,获得决策变量/>对应的多个染色体/>、决策变量/>对应的多个染色体/>和决策变量/>对应的多个染色体/>;
目标染色体确定模块,用于根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体;
目标染色体对应基因取值模块,用于对获得的所有目标染色体,进行多轮对应基因的取值;
目标函数计算模块,用于将每轮针对所述所有目标染色体对应基因的取值和所述各个受灾点各自所需的救援人员分配数,输入所述洪涝灾害场景的应急响应调度决策模型的目标函数中进行求解,获得所述目标函数的多个取值;
个体构建模块,用于基于所述目标函数的多个取值构建对应的多个个体,并将所述目标函数的多个取值分别确定为对应个体的属性参数,并将所述多个个体确定为初始种群;
交叉和变异模块,用于对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群;
种群合并模块,用于将所述初始种群和所述子种群进行合并,获得融合种群;
排序模块,用于通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,其中,所述第一种群的个体数量与所述初始种群的个体数量相同;
条件判定模块,用于确定所述第一种群对应的循环次数是否满足预设循环次数;
第一执行模块,用于在未满足所述预设循环次数的情况下,将所述第一种群确定为初始种群,控制所述交叉和变异模块进行执行;
第二执行模块,用于在满足所述预设循环次数的情况下,将所述第一种群确定为目标种群;
总目标函数确定模块,用于根据所述洪涝灾害场景的应急响应调度决策模型中的各个目标函数和优化目标,确定总目标函数;
总目标函数计算模块,用于将所述目标种群中的各个个体带入所述总目标函数进行计算,获得分别与所述各个个体对应的多个计算结果;
应急响应调度方案制定子模块,用于应急将所述多个计算结果中最小取值的计算结果对应的个体确定为最优应急响应调度方案。
可选的,所述目标染色体确定模块,包括:
道路运输时间确定模块,用于确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间;
第一目标染色体确定模块,用于将满足第一预设条件的第一道路运输时间对应的染色体,确定为目标染色体;
第二目标染色体确定模块,用于将满足第二预设条件的第二道路运输时间对应的染色体,确定为目标染色体;
第三目标染色体确定模块,用于将满足第三预设条件的第三道路运输时间对应的染色体,确定为目标染色体。
可选的,所述道路运输时间确定模块,包括:
目标路径确定模块,用于根据路径所经过的网格的淹没等级,确定各个救灾点到各个受灾点的路径中可以通行的目标路径,以及确定各个受灾点到各个应急避难所的路径中可以通行的目标路径,以及确定各个物资仓库到各个应急避难所的路径中可以通行的目标路径;
道路运输时间确定子模块,用于根据各个目标路径的路程、通行速度和阻抗因子,确定所述各个目标路径各自的道路运输时间;
第一道路运输时间确定模块,用于将所述道路运输时间中属于同一救灾点到同一受灾点的所有道路运输时间中的最小取值确定为所述同一救灾点到所述同一受灾点的第一道路运输时间;
第二道路运输时间确定模块,用于将所述道路运输时间中属于同一受灾点到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一受灾点到所述同一应急避难所的第二道路运输时间;
第三道路运输时间确定模块,用于将所述道路运输时间中属于同一物资仓库到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一物资仓库到所述同一应急避难所的第三道路运输时间。
可选的,所述交叉和变异模块,包括:
第一目标染色体组别确定模块,用于将所述初始种群中个体的第一参数相同的目标染色体划分为第一目标染色体组别;
局部染色体组划分模块,用于将所有第二参数均能成功匹配的各个第一目标染色体组别确定为局部染色体组,获得局部染色体组划分结果;
个体组队模块,用于每次选择所述初始种群中的两个个体进行组队,直至所述初始种群中的所有个体完成组队,获得组队结果;
局部染色体组交叉模块,用于对所述组队结果中的每个组队随机选择预设数量的局部染色体组进行相对应的局部染色体组交叉,获得每个组队各自对应的两个子个体;
第一目标子个体确定模块,用于选择交叉获得的所有子个体的预设比例,确定为第一目标子个体;
目标子个体确定模块,用于选择新生成个体中的局部染色体组替换所述第一目标子个体的对应局部染色体组,获得目标子个体;
子种群确定模块,用于将所述目标子个体和未进行替换处理的各个子个体确定为所述初始种群对应的子种群。
可选的,所述排序模块,包括:
第一排序模块,用于对所述融合种群进行非支配排序,获得非支配排序结果;
第一种群构建模块,用于根据所述非支配排序结果,依次将排序靠前的各个非支配层中的全部个体取出构成第一种群;
拥挤距离排序模块,用于在取出的当前排序靠前的非支配层中的全部个体无法被全部置入所述第一种群的情况下,对所述当前排序靠前的非支配层中的个体进行拥挤距离排序,获得拥挤距离排序结果;
第一种群确定模块,用于根据所述拥挤距离排序结果,依次将排序靠前的个体置入所述第一种群,直至所述第一种群的个体数量与所述初始种群的个体数量相同为止,获得最终的第一种群。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述方法包括:
根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
2.根据权利要求1所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深,包括:
通过将研究区域在目标时刻的降雨数据信息和基础地理数据信息输入SCS-CN模型进行处理,获得所述研究区域的地表径流量;
通过等体积淹没算法对获得的所述地表径流量进行计算,获得所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深。
3.根据权利要求1所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数,包括:
根据各个受灾点的淹没等级确定各自对应的救援人数与受灾人数之间的匹配值;
根据确定的所述匹配值和所述各个受灾点的受灾人数,确定所述各个受灾点各自所需的救援人员分配数。
4.根据权利要求1所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型,包括:
定义时间成本的效率指标函数,表达式为:
,其中,/>为救灾点数量,/>为第/>个救灾点;/>为受灾点数量,/>为第/>个受灾点;/>为应急避难所数量,/>为第个应急避难所;/>为物资仓库数量,/>为第/>个物资仓库;/>为物资类型数量,/>为第/>种物资类型;/>为救灾点/>到受灾点/>的路程;/>为救灾点/>到受灾点/>的道路的淹没道路通达性的阻抗因子,反映在不同淹没等级下的道路通达情况;/>为救灾点/>到受灾点的道路的道路通行速度;/>为受灾点/>的救援时间,单位为小时;/>为受灾点/>到应急避难所/>的路程;/>为受灾点/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指受灾点/>到应急避难所/>的道路的道路通行速度;/>为应急避难所/>向受灾点/>提供的容纳受灾人员的容纳量;/>为转移受灾人员的单位时间;/>为物资仓库/>到应急避难所/>的路程;/>为物资仓库/>向应急避难所/>提供的物资/>的数量;/>为物资仓库/>到应急避难所/>的道路的淹没道路通达性的阻抗因子;/>指物资仓库/>到应急避难所/>的道路的道路通行速度;/>为单位物资/>的搬运装卸时间;为1表示选择救灾点/>参与受灾点/>的救援,0表示不选择;/>为1表示选择应急避难所/>向受灾点/>提供避难场所,0表示不选择;/>为1表示选择物资仓库/>向应急避难所/>提供物资,0表示不选择;
定义费用成本的效益指标函数,表达式为:
,其中,为救灾点/>到受灾点/>的救援人员单人救灾成本;/>为救灾点/>向受灾点/>提供救援人员的数量;/>为车辆道路运输单位时间成本;/>为救援车辆容量;/>为受灾点/>到应急避难所/>的受灾人员的单人容纳成本;/>为开放应急避难所的成本;/>为转移安置受灾人员的车辆容量;/>为单位物资/>的成本;/>为车辆运送物资/>的容量;/>为1表示选择物资仓库/>向应急避难所/>提供物资/>,0表示不提供;
定义资源满足度的效能指标函数,表达式为:
,其中,/>为受灾点/>需要救灾点出动的救援人数;/>为应急避难所/>对物资/>的净需求;
将所述时间成本的效率指标函数、所述费用成本的效益指标函数和所述资源满足度的效能指标函数作为目标函数,构建洪涝灾害场景的应急响应调度决策模型。
5.根据权利要求4所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案,包括:
对决策变量、/>、/>进行编码,获得决策变量/>对应的多个染色体/>、决策变量/>对应的多个染色体/>和决策变量/>对应的多个染色体/>;
根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体;
对获得的所有目标染色体,进行多轮对应基因的取值;
将每轮针对所述所有目标染色体对应基因的取值和所述各个受灾点各自所需的救援人员分配数,输入所述洪涝灾害场景的应急响应调度决策模型的目标函数中进行求解,获得所述目标函数的多个取值;
基于所述目标函数的多个取值构建对应的多个个体,并将所述目标函数的多个取值分别确定为对应个体的属性参数,并将所述多个个体确定为初始种群;
对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群;
将所述初始种群和所述子种群进行合并,获得融合种群;
通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,其中,所述第一种群的个体数量与所述初始种群的个体数量相同;
确定所述第一种群对应的循环次数是否满足预设循环次数;
在未满足所述预设循环次数的情况下,将所述第一种群确定为初始种群,返回步骤:对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群;
在满足所述预设循环次数的情况下,将所述第一种群确定为目标种群;
根据所述洪涝灾害场景的应急响应调度决策模型中的各个目标函数和优化目标,确定总目标函数;
将所述目标种群中的各个个体带入所述总目标函数进行计算,获得分别与所述各个个体对应的多个计算结果;
将所述多个计算结果中最小取值的计算结果对应的个体确定为最优应急响应调度方案。
6.根据权利要求5所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述根据预定义的有效性判断条件,确定所有染色体中符合所述有效性判断条件的目标染色体,包括:
确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间;
将满足第一预设条件的第一道路运输时间对应的染色体,确定为目标染色体;
将满足第二预设条件的第二道路运输时间对应的染色体,确定为目标染色体;
将满足第三预设条件的第三道路运输时间对应的染色体,确定为目标染色体。
7.根据权利要求6所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述确定各个救灾点到各个受灾点的第一道路运输时间,以及,确定各个受灾点到各个应急避难所的第二道路运输时间,以及,确定各个物资仓库到各个应急避难所的第三道路运输时间,包括:
根据路径所经过的网格的淹没等级,确定各个救灾点到各个受灾点的路径中可以通行的目标路径,以及确定各个受灾点到各个应急避难所的路径中可以通行的目标路径,以及确定各个物资仓库到各个应急避难所的路径中可以通行的目标路径;
根据各个目标路径的路程、通行速度和阻抗因子,确定所述各个目标路径各自的道路运输时间;
将所述道路运输时间中属于同一救灾点到同一受灾点的所有道路运输时间中的最小取值确定为所述同一救灾点到所述同一受灾点的第一道路运输时间;
将所述道路运输时间中属于同一受灾点到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一受灾点到所述同一应急避难所的第二道路运输时间;
将所述道路运输时间中属于同一物资仓库到同一应急避难所的所有道路运输时间中的最小取值确定为所述同一物资仓库到所述同一应急避难所的第三道路运输时间。
8.根据权利要求5所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述对所述初始种群进行交叉和变异,获得所述初始种群对应的子种群,包括:
将所述初始种群中个体的第一参数相同的目标染色体划分为第一目标染色体组别;
将所有第二参数均能成功匹配的各个第一目标染色体组别确定为局部染色体组,获得局部染色体组划分结果;
每次选择所述初始种群中的两个个体进行组队,直至所述初始种群中的所有个体完成组队,获得组队结果;
对所述组队结果中的每个组队随机选择预设数量的局部染色体组进行相对应的局部染色体组交叉,获得每个组队各自对应的两个子个体;
选择交叉获得的所有子个体的预设比例,确定为第一目标子个体;
选择新生成个体中的局部染色体组替换所述第一目标子个体的对应局部染色体组,获得目标子个体;
将所述目标子个体和未进行替换处理的各个子个体确定为所述初始种群对应的子种群。
9.根据权利要求5所述的一种面向洪涝灾害场景的应急响应调度决策方法,其特征在于,所述通过对所述融合种群进行非支配排序和拥挤距离排序,构建所述融合种群对应的第一种群,包括:
对所述融合种群进行非支配排序,获得非支配排序结果;
根据所述非支配排序结果,依次将排序靠前的各个非支配层中的全部个体取出构成第一种群;
在取出的当前排序靠前的非支配层中的全部个体无法被全部置入所述第一种群的情况下,对所述当前排序靠前的非支配层中的个体进行拥挤距离排序,获得拥挤距离排序结果;
根据所述拥挤距离排序结果,依次将排序靠前的个体置入所述第一种群,直至所述第一种群的个体数量与所述初始种群的个体数量相同为止,获得最终的第一种群。
10.一种面向洪涝灾害场景的应急响应调度决策系统,其特征在于,所述系统包括:
淹没范围确定模块,用于根据研究区域在目标时刻的降雨数据信息和基础地理数据信息,以及SCS-CN模型和等体积淹没算法,确定所述研究区域的淹没范围和所述淹没范围内各个网格的淹没水深;
网格人数确定模块,用于根据所述目标时刻的手机信令数据,确定所述各个网格中的人数;
淹没等级确定模块,用于根据所述淹没水深和淹没等级划分规则,确定所述各个网格的淹没等级;
第一受灾人数确定模块,用于根据淹没等级与人员受灾概率关系表,通过将所述各个网格中的人数与对应的人员受灾概率相乘,获得所述各个网格的受灾人数;
受灾区域划分模块,用于根据受灾区域划分规则,将所述各个网格进行合并,获得受灾区域;
第二受灾人数确定模块,通过人员重心算法确定各个受灾区域各自的受灾点,以及,对所述各个受灾区域各自所包括的多个网格的受灾人数分别进行求和,获得所述各个受灾区域各自对应的受灾点的受灾人数;
受灾点淹没等级确定模块,用于将各个受灾点各自所处于的网格的淹没等级确定为所述各个受灾点各自的淹没等级;
救援人员分配数确定模块,用于根据所述各个受灾点的受灾人数和淹没等级,确定所述各个受灾点各自所需的救援人员分配数;
决策模型构建模块,用于基于定义的时间成本的效率指标函数、费用成本的效益指标函数和资源满足度的效能指标函数,构建洪涝灾害场景的应急响应调度决策模型;
调度方案制定模块,用于根据所述各个受灾点各自所需的救援人员分配数,通过非支配排序遗传算法对所述洪涝灾害场景的应急响应调度决策模型进行求解,获得最优应急响应调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211469.5A CN116957303B (zh) | 2023-09-20 | 2023-09-20 | 面向洪涝灾害场景的应急响应调度决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311211469.5A CN116957303B (zh) | 2023-09-20 | 2023-09-20 | 面向洪涝灾害场景的应急响应调度决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957303A true CN116957303A (zh) | 2023-10-27 |
CN116957303B CN116957303B (zh) | 2023-11-28 |
Family
ID=88442876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311211469.5A Active CN116957303B (zh) | 2023-09-20 | 2023-09-20 | 面向洪涝灾害场景的应急响应调度决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957303B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200027096A1 (en) * | 2017-11-07 | 2020-01-23 | Jason Ryan Cooner | System, business and technical methods, and article of manufacture for utilizing internet of things technology in energy management systems designed to automate the process of generating and/or monetizing carbon credits |
CN110956412A (zh) * | 2019-12-16 | 2020-04-03 | 珠江水利委员会珠江水利科学研究院 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
CN113901718A (zh) * | 2021-10-11 | 2022-01-07 | 长安大学 | 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法 |
CN114329713A (zh) * | 2021-12-28 | 2022-04-12 | 北京工业大学 | 一种基于灾损曲线和水动力模型的居民建筑损失计算方法 |
CN114722647A (zh) * | 2022-03-11 | 2022-07-08 | 中国石油大学(北京) | 基于gis的多情景洪水淹没分析方法和装置 |
CN115310806A (zh) * | 2022-08-08 | 2022-11-08 | 河海大学 | 一种基于空间信息格网的洪涝灾害损失评估方法 |
CN115358650A (zh) * | 2022-10-24 | 2022-11-18 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害应急避险与物资实时调配方法 |
CN116012189A (zh) * | 2023-01-09 | 2023-04-25 | 广西电网有限责任公司电力科学研究院 | 一种电力设施洪涝受灾空间异质性分析方法和系统 |
CN116050647A (zh) * | 2023-02-03 | 2023-05-02 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116128322A (zh) * | 2023-02-23 | 2023-05-16 | 河海大学 | 城市复杂地理场景下洪涝灾害智能体交互式应急决策方法 |
-
2023
- 2023-09-20 CN CN202311211469.5A patent/CN116957303B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200027096A1 (en) * | 2017-11-07 | 2020-01-23 | Jason Ryan Cooner | System, business and technical methods, and article of manufacture for utilizing internet of things technology in energy management systems designed to automate the process of generating and/or monetizing carbon credits |
CN110956412A (zh) * | 2019-12-16 | 2020-04-03 | 珠江水利委员会珠江水利科学研究院 | 基于实景模型的洪灾动态评估方法、装置、介质和设备 |
CN111652777A (zh) * | 2020-05-15 | 2020-09-11 | 长江勘测规划设计研究有限责任公司 | 洪灾应急避险方法 |
CN113901718A (zh) * | 2021-10-11 | 2022-01-07 | 长安大学 | 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法 |
CN114329713A (zh) * | 2021-12-28 | 2022-04-12 | 北京工业大学 | 一种基于灾损曲线和水动力模型的居民建筑损失计算方法 |
CN114722647A (zh) * | 2022-03-11 | 2022-07-08 | 中国石油大学(北京) | 基于gis的多情景洪水淹没分析方法和装置 |
CN115310806A (zh) * | 2022-08-08 | 2022-11-08 | 河海大学 | 一种基于空间信息格网的洪涝灾害损失评估方法 |
CN115358650A (zh) * | 2022-10-24 | 2022-11-18 | 珠江水利委员会珠江水利科学研究院 | 一种洪涝灾害应急避险与物资实时调配方法 |
CN116012189A (zh) * | 2023-01-09 | 2023-04-25 | 广西电网有限责任公司电力科学研究院 | 一种电力设施洪涝受灾空间异质性分析方法和系统 |
CN116050647A (zh) * | 2023-02-03 | 2023-05-02 | 中国水利水电科学研究院 | 一种基于遥感的流域洪涝受灾强度重现期推求方法 |
CN116128322A (zh) * | 2023-02-23 | 2023-05-16 | 河海大学 | 城市复杂地理场景下洪涝灾害智能体交互式应急决策方法 |
Non-Patent Citations (6)
Title |
---|
XUE YUANBO 等: ""Helicopter Rescue for Flood Disaster: Scheduling, Simulation, and Evaluation"", 《AEROSPACE》, vol. 9, no. 12, pages 1 - 2 * |
丁鹏齐: ""基于专家经验的石头口门水库防洪调度方案研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 037 - 118 * |
徐冰: ""沿海城市内涝模拟研究与分析——以晋安河流域为例"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, pages 038 - 729 * |
李超杰;宫辉力;李小娟;: "洪灾避难迁移模型研究与应用", 地理空间信息, no. 02, pages 39 - 42 * |
王慧敏 等: ""大数据驱动的城市洪涝灾害风险感知与预警决策研究范式"", 《工程管理科技前沿》, vol. 41, no. 1, pages 35 - 41 * |
童星 等: ""风险灾害危机管理与研究中的大数据分析"", 《学海》, pages 28 - 35 * |
Also Published As
Publication number | Publication date |
---|---|
CN116957303B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171413B (zh) | 一种化工园区应急资源配置优化方法 | |
Chang et al. | Greedy-search-based multi-objective genetic algorithm for emergency logistics scheduling | |
Saadatseresht et al. | Evacuation planning using multiobjective evolutionary optimization approach | |
Nasrollahzadeh et al. | Real-time ambulance dispatching and relocation | |
Tian et al. | Dual-objective scheduling of rescue vehicles to distinguish forest fires via differential evolution and particle swarm optimization combined algorithm | |
Zheng et al. | Evolutionary optimization for disaster relief operations: A survey | |
Huang et al. | Modeling multiple humanitarian objectives in emergency response to large-scale disasters | |
Tuğba Turğut et al. | A fuzzy AHP based decision support system for disaster center location selection and a case study for Istanbul | |
Goerigk et al. | A comprehensive evacuation planning model and genetic solution algorithm | |
Wang et al. | Evacuation planning for disaster responses: A stochastic programming framework | |
Cova et al. | Mapping wildfire evacuation vulnerability in the western US: the limits of infrastructure | |
Yazici et al. | Impact of probabilistic road capacity constraints on the spatial distribution of hurricane evacuation shelter capacities | |
CN110197303A (zh) | 一种适应火灾动态变化的消防员救援调度方法 | |
Caunhye et al. | A stochastic programming model for casualty response planning during catastrophic health events | |
Liu et al. | Humanitarian logistics planning for natural disaster response with Bayesian information updates. | |
Zheng et al. | Integrated civilian–military pre-positioning of emergency supplies: A multiobjective optimization approach | |
CN113762593B (zh) | 地震灾后无人机应急物资配送方法和装置 | |
Farughi et al. | Healthcare districting optimization using gray wolf optimizer and ant lion optimizer algorithms (case study: South khorasan healthcare system in Iran) | |
Yazdani et al. | A dynamic emergency planning system for relocating vulnerable people to safe shelters in response to heat waves | |
Esmaeili et al. | Integrated decision making model for urban disaster management: A multi-objective genetic algorithm approach | |
CN114707745A (zh) | 一种资源分配方法、系统、存储介质及电子设备 | |
CN116957303B (zh) | 面向洪涝灾害场景的应急响应调度决策方法及系统 | |
CN116128322B (zh) | 城市复杂地理场景下洪涝灾害智能体交互式应急决策方法 | |
Koriashkina et al. | TWO-STAGE PROBLEMS OF OPTIMAL LOCATION AND DISTRIBUTION OF THE HUMANITARIAN LOGISTICS SYSTEM’S STRUCTURAL SUBDIVISIONS. | |
Wang et al. | Integrated optimization model for shelter allocation and evacuation routing with consideration of reliability |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |