如何应对应急物资运输调度问题

应急物资的运输调度方法是学者们研究的热点，例如Shams等(2000)提出了突发事件发生后的优化运输方式和路线，以及分配救援物资的方法。Fiedrich等(2000)建立了一个在有限时间内和有限数量条件下的物资调运的动态优化模型。赵惠良等(2010)针对城市交通突发事件，研究了多目标下应急物资调度的最优路径问题。曾丽明等(2012)建立了针对多救援点事故突发事件下的应急物资调度模型，并对资源的动态调度模型及协同过程进行仿真与研究分析。黄德启(2012)研究了区域路网交通应急物资优化调度策略与算法，并在此基础上建立了仿真模型。杨勃等(2013)采用模糊数描述了救援出发点到受灾点所需的时间，以应急时间最短和救援点最少作为优化目标，构建了模糊环境下具有多种资源和多个救援点的应急物资调度模型。石彪等(2012)将传统车辆调度模型中车辆在完成阶段运输任务后返回原始出发点的假设条件予以放松，以应急物资运输的全局完成时间最早为目标，建立了基于车辆紧缺假设的两阶段车辆调度模型。Jaey(2003)对道路网络环境不确定情况下的紧急车辆调度问题进行了研究。

智能计算的方法被广泛的运用到了物资运输的领域中，如Fourie(2005)对公共交通进行仿真分析，将人工神经网络与强化学习算法结合，开发出智能调度系统；Chiew等(2009)研究了大量自治移动智能体在特定拓扑网络结构中避免堵塞的最有效的运行方法。还有部分学者从网络优化的角度研究了公共交通运行的有效方案，如Blum等(2011)设计了一套公交运营网络架构，降低城市公交运营成本，实现线路效用的最大化。Pun Cheng(2012)开发了公共交通信息系统，可以实时提供最佳路径选择。Hu(2011)基于免疫亲和模型提出了突发事件情景下紧急救援物资的综合运输调度方法。Linet(2004)建立了一个基于混合整数规划的应急救援物资运输模型，并对多阶段多目标的救灾物资配送问题进行了深入研究。

事实上，很多学者已经用智能计算对应急物资的运输问题作了研究，并得出了很多关于车辆路径问题(VRP)的解决方法。车辆路径问题首先是由Dantzig和Ramser在1959年提出的(Dantzig and Ramser，1959)。因为它是一个NP-hard问题(Lenstra and Kan，1981)，所以其求解的方法基本都是以进化算法、蚁群算法等智能算法为主(曾敏刚等，2010)。Han等(2011)用拉格朗日松弛框架(Lagrangian Relaxation framework)解决了应急物资的存储地选择和运输路径选择问题；Zheng等(2013)提出了航空、铁路、公路三种运输模式的协同优化方法；Horner等(2011)给出了交通网络严重受损情况下的物资运输方案；Chern等(2010)提出了一个启发式算法，以解决应急物资的供应链管理问题。Zhang等(2011)提出了基于基因算法的应急物资调度方法；李梅霞等(2011)给出了应急物资调度最早应急时间的算法。汪勇(2012)针对应急物资调度问题，建立一种多资源时间—成本调度模型，构建了具有惩罚系数的适应度函数，给出了改进的进化规划算法的种群进化策略。

蚁群算法最早由意大利学者Dorigo和Maniezzo在1996年提出(Dorigo and Maniezzo，1996)，因为它具有正反馈、分布式计算等特点，所以在求解此类问题的时候，比其他的算法更具优势(丁秋雷等，2007)。Bullnheimer等(1999)首先将蚁群算法的思想应用于车辆路径问题中，但没有从根本上解决搜索速度过慢的问题；Bell等(2004)提出了一种改进蚁群算法，虽然在一定程度上解决了搜索速度问题，但难以求解数据量较大的问题；Reimann等(2004)提出基于节约法的蚁群算法则恰恰相反，虽然能够处理大规模问题，但是搜索速度缓慢。后来，很多关于车辆路径问题的研究都以蚁群算法为基础，旨在解决该算法的早熟问题(Gambardella and Dorigo，2000)。例如Stutzle(2000)提出了最大最小蚁群系统；Gambardella等(2000)提出了混合型蚁群算法HAS；刘志硕等(2007)将爬山法、节约法与蚁群算法结合，提出了一种混合蚁群算法；曹庆奎等(2013)将遗传算法与蚁群算法结合，提出了遗传蚁群算法；付鹏等(2013)将Q学习算法与蚁群算法结合，也提出了一个改进蚁群算法。这些算法各有优点与不足，并在解决蚁群算法的过早停滞问题有各自的研究。也有一些学者对蚁群算法进行了改变，让其能够用于解决各种特殊问题，例如于滨等(2012)运用该算法解决了带时间窗的多中心车辆路径问题；王素欣等(2008)也运用其解决了多集散点车辆路径问题；张涛等(2008)将蚁群算法改进，解决了带车辆行程约束的问题；何小锋等(2013)针对带时间窗的车辆路径问题，提出了量子蚁群算法。Min(1989)研究了在车辆数量和载重量一定的情况下，图书的发送和回收问题，并首次提出了同时送取货的车辆路径问题“VRPSPD”，后来，Halse(1992)和Gendreau等(1999)分别求解了一个仓库下多辆车和只有一辆车的VRPSPD问题。(www.xing528.com)

在重大突发事件情景下，应急物资运输路径问题与一般情况下的物资运输问题有很大的不同。其特殊性就表现在应急物资需求和车辆数量的不确定性。在突发事件应急物资的运输方面，Yan等(2012)利用蚁群系统和阈值接受技术建立了一个混合算法来解决道路抢修对实际运输造成的障碍问题；Kallioras等(2014)提出了一种一致搜索(IHS)蚁群算法解决了灾后基础设施的管理问题。Korosec等(2013)比较了贪婪搜索，无参数搜索和蚁群共识主动性算法在解决有约束的应急物资运输调度问题中各自的优势和劣势。Hu等(2012)将蚁群算法与微粒群算法结合，研究了地震后紧急避难所的分配问题。

针对应急物资需求量更新的问题，Dan等(2013)将动态的需求过程分割成在时间轴上多个静态的需求，并提出了相应的改进蚁群算法，但其分割的方法难以适用于复杂的动态需求；詹沙磊等(2013)建立了多目标随机规划模型并进行了求解，此模型计算效率较高，但是其假设条件较为苛刻。而马建华等(2011)提出了多车场、多车型最快完成运输的方法，把动态规划和最大流算法引入到模型中，提高了蚁群算法的运行效率和准确度。但是，该方法的实际应用仍受限于很多假设，例如每个受灾点只能由一辆车供给，不考虑车辆返回集散地补给物资重新出发的情况等。

综上所述，虽然目前关于重大突发事件中应急物资的运输调度问题的研究较多，但由于该问题本身非常复杂，所以目前的研究尚没有完全解决这个问题。特别是在算法的适应性和复杂度上面顾此失彼：要么算法理论上可以照顾到很多方面，适应于大多数突发事件，但计算时间过长，无法满足紧急决策的需求；要么算法的计算时间得到了控制，但其前提假设太多，无法适应大多数情况。因此这方面的研究仍需继续深入。