一种应急物资的资源配置方法、装置和服务器与流程

1.本发明实施例涉及应急物资物流技术领域，特别涉及一种应急物资的资源配置方法、装置和服务器。


背景技术：

2.近些年，全球的自然灾害与人为灾害频发，我国也遭受了许多重大灾害，这些灾害很难避免，严重的影响着人类社会正常生产与生活，给国家及人民都带来巨大的损失。中国也是世界上遭受自然灾害最多的国家之一。如若多重灾害事故耦合发生，那么造成的危害及损失将会成倍增加。所以为了更好应对多重灾害耦合下的应急救援工作，应急物资储备库统筹与配置则尤为重要。
3.发明人发现现有技术中至少存在如下问题：应急物储备库选址不科学、应急物资分配方式不合理等，这些是影响应急救援时效性的关键。在灾害发生时，往往存在应急物资储备库受损情况、受灾点物资需求量、受灾点物资需求种类、道路运输可行性等不确定性，传统的应急物资储备库选址和分配决策没有考虑这些不确定性，因此，无法根据灾情情况将应急物资快速送达到受灾点。


技术实现要素：

4.针对现有技术中存在的问题，本发明实施方式的目的在于提供一种应急物资的资源配置方法、装置和服务器，能够根据受灾实际情况，有效且快速地确定合理的应急物资资源配置方案，从而提高应急救援的时效性。
5.为解决上述技术问题，本发明的实施方式提供了根据至少一种应急物资的资源配置方案，求解数学模型并获得每种应急物资的资源配置方案的目标值，目标值为最小化救灾成本，其中，应急物资的资源配置方案包括应急物资储备库的选址及规模、运输应急物资的运输方式、应急物资是否从应急物资储备库运输到受灾点及运输量、应急物资是否从应急物资供应商运输到受灾点及运输量，和应急物资是否从应急物资供应商运输到应急物资储备库及运输量；
6.根据目标值，确定最优应急物资的资源配置方案；
7.其中，数学模型为包括标识应急物资储备库选址及规模的第一决策变量、标识是否从应急物资储备库往受灾点运输应急物资的第二决策变量、标识是否由应急物资供应商往受灾点运输应急物资的第三决策变量、标识应急物资储备库与受灾点之间的应急物资运输量的第四决策变量、标识应急物资供应商与受灾点之间的应急物资运输量的第五决策变量、标识应急物资供应商运输应急物资到受灾点的物资空运比例的第六决策变量和标识应急物资供应商与应急物资储备库之间的应急物资运输量的第七决策变量之间关系的目标函数。
8.本发明的实施方式还提供了一种应急物资的资源配置装置，其特征在于，包括：
9.目标值计算模块，用于根据至少一种应急物资的资源配置方案，求解数学模型并
获得每种应急物资的资源配置方案的目标值，目标值为最小化救灾成本，其中，应急物资的资源配置方案包括应急物资储备库的选址及规模、运输应急物资的运输方式、应急物资是否从应急物资储备库运输到受灾点及运输量、应急物资是否从应急物资供应商运输到受灾点及运输量，和应急物资是否从应急物资供应商运输到应急物资储备库及运输量；
10.确定模块，用于根据目标值，确定最优应急物资的资源配置方案；
11.其中，数学模型为包括标识应急物资储备库选址及规模的第一决策变量、标识是否从应急物资储备库往受灾点运输应急物资的第二决策变量、标识是否由应急物资供应商往受灾点运输应急物资的第三决策变量、标识应急物资储备库与受灾点之间的应急物资运输量的第四决策变量、标识应急物资供应商与受灾点之间的应急物资运输量的第五决策变量、标识应急物资供应商运输应急物资到受灾点的物资空运比例的第六决策变量和标识应急物资供应商与应急物资储备库之间的应急物资运输量的第七决策变量之间关系的目标函数。
12.本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的应急物资的资源配置方法。
13.本发明实施方式相对于现有技术而言，通过根据至少一种应急物资的资源配置方案构建以救援成本最小化为目标的数学模型，并针对数学模型求解计算结果，确定最优应急物资的资源配置方案，从而能够在存在各种不确定的条件下，实现救援成本的最小化，进而实现应急物资储备库的科学选址和分配决策，提高应急救援效率，减少人员伤亡和财产损失。
14.另外，目标函数表示为：
[0015][0016]
i表示应急物资储备库候选点的索引；
[0017]
i表示应急物资储备库候选点的集合；
[0018]
j表示受灾点的索引；
[0019]
j表示受灾点的集合；
[0020]
k表示应急物资供应商的索引；
[0021]
k表示应急物资供应商的集合；
[0022]
s表示灾害场景的索引；
[0023]
s表示灾害场景的集合；
[0024]
p表示应急物资种类的索引；
[0025]
p表示应急物资种类的集合；
[0026]
q表示应急物资储备库规模的索引；
[0027]
q表示应急物资储备库规模的集合；
[0028]
xs表示场景s出现的概率；
[0029]dij
表示从应急物资储备库i到受灾点j的运输距离；
[0030]dkj
表示从应急物资供应商k到受灾点j的运输距离；
[0031]rij
表示陆运应急物资储备库i到受灾点j的交通拥堵系数；
[0032]rkj
表示陆运应急物资供应商k到受灾点j的交通拥堵系数；
[0033]
a1表示陆运的速度；
[0034]
a2表示空运的速度；
[0035]
f1表示单位距离陆运运输成本；
[0036]
f2表示单位距离空运运输成本；
[0037]vp1
表示第p类物资每个占陆运工具容量的比例；
[0038]vp2
表示第p类物资每个占空运工具容量的比例；
[0039]giq
表示在候选点i建立规模为q的应急物资储备库的固定成本，q∈q；
[0040]
表示在场景s情况下，受灾点j对应急物资种类p的需求量；
[0041]
m表示在应急物资供应不足情况下的惩罚系数；
[0042]
t表示应急物资抵达时间成本系数；
[0043]
α
iq
为第一决策变量，表示在候选点i是否建立规模为q的应急物资储备库；
[0044]
为第二决策变量，表示是否从候选点i往受灾点j运输应急物资；
[0045]
为第三决策变量，表示是否从应急物资供应商k往受灾点j运输物资；
[0046]
为第四决策变量，表示场景s下，应急物资种类p从候选点i运输到受灾点j的运输量；
[0047]
为第五决策变量，表示场景s下，应急物资种类p从应急物资供应商k运输到受灾点j的运输量；
[0048]
ζ
kj
为第六决策变量，表示应急物资供应商k运输到受灾点j的物资空运比例。
[0049]
另外，数学模型还包括：目标函数包括约束条件，该约束条件包括：
[0050][0051][0052][0053][0054][0055]
[0056][0057][0058][0059][0060][0061][0062][0063][0064][0065][0066]
其中，
[0067]hj
表示受灾点j的人员数量；
[0068]
表示在场景s下，应急物资储备库i中物资受损系数，
[0069]
表示场景s对受灾点j的人员的影响系数，
[0070]vp
表示应急物资种类p的单位物资的体积；
[0071]
表示在候选点i建立规模为q的应急物资储备库的最大储存容量，q∈q；
[0072]
表示在候选点i建立规模为q的应急物资储备库的最小储存容量，q∈q；
[0073]nkp
表示应急物资供应商k能够供应应急物资种类p的数量；
[0074]hp
表示每个人对应急物资种类p的需求量；
[0075]
z1表示受灾点的最大需求系数；
[0076]
z2表示受灾点的最低需求系数；
[0077]
m表示一个足够大的正数；
[0078]
为第七决策变量，表示场景s下，应急物资种类p从应急物资供应商k运输到候选点i的运输量。
[0079]
本实施方式通过在数学模型中设置约束条件，确定了目标函数成立的前提条件，从而通过对数学模型求解所获得的求解结果更加符合实际情况。
[0080]
另外，采用粒子群算法或变邻域搜索算法求解数学模型。在对已经建立的数学模型进行求解时，使用粒子群算法或局部搜索算法进行求解，能够高效获得十分接近最优解的求解结果，并且求解速度相比于现有的求解器更快。
[0081]
另外，若采用粒子群算法，则根据至少一种应急物资的资源配置方案，求解数学模型并获得每种应急物资的资源配置方案的目标值，具体包括：
[0082]
初始化粒子群；
[0083]
求解数学模型，将数学模型求解到的的解作为当前迭代次数下每个粒子的适应度值；
[0084]
更新每个粒子的个体最优值和根据所有粒子确定的全局最优值；
[0085]
根据粒子群的速度公式和位置公式，更新每个粒子的速度和位置；
[0086]
判断是否存在越界的粒子，若存在越界的粒子，则将边界的速度和位置作为当前粒子的速度和位置，并返回重新计算每个粒子的适应度值；
[0087]
更新迭代次数，判断粒子群算法是否满足终止条件，若是，则输出算法搜索得到的最优解作为求解结果；否则返回重新计算每个粒子的适应度值。
[0088]
本实施方式细化了通过粒子群算法求解的过程。
[0089]
另外，若采用变邻域搜索算法，则根据至少一种应急物资的资源配置方案，求解数学模型并获得每种应急物资的资源配置方案的目标值，具体包括：
[0090]
设置迭代次数的初始值和最大迭代次数；
[0091]
获得数学模型的初始解，将初始解作为当前解，并将当前解作为当前最优解；
[0092]
判断当前解是否优于当前最优解，若是，则更新当前最优解，否则通过对当前最优解进行邻域扰动操作产生新的可行解，并将可行解作为当前解；
[0093]
改变领域结构，通过变邻域下降算法遍历邻域结构进行解的搜索，寻找局部最优解；
[0094]
判断局部最优解是否优于当前最优解，若是，则更新当前最优解，并将迭代次数置为初始值，并重新遍历邻域结构进行解的搜索；
[0095]
更新迭代次数，判断变邻域搜索算法是否满足终止条件，若是，则将当前迭代过程的当前最优解作为求解结果；否则返回重新进行邻域扰动操作。
[0096]
本实施方式限定了局部搜索算法的具体过程。
[0097]
另外，改变邻域结构包括：变异操作、突变操作、解的值的增加或解的值的减少中的至少一种。本实施方式通过改变邻域结构操作，使得通过变邻域搜索获得的局部最优解能够向最终的全局最优解靠近，并快速的获得求解结果。
[0098]
另外，应急物资的资源配置装置还包括下述中至少一项：
[0099]
数据存储模块，用于存储受灾点的受灾状况信息，并将受灾状况信息发送至目标值计算模块；
[0100]
物资监控模块，用于实时监控应急物资储备库的应急物资情况，将应急物资情况发送至目标值计算模块；
[0101]
移动终端，用于将最优应急物资的资源配置方案发送至移动终端，并通过移动终端确认是否能够执行。
附图说明
[0102]
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0103]
图1是根据本发明第一实施方式提供的一种应急物资的资源配置方法的具体流程示意图；
[0104]
图2是根据本发明第二实施方式提供的一种应急物资的资源配置方法中使用粒子群算法求解数学模型的具体流程示意图；
[0105]
图3是根据本发明第三实施方式提供的一种应急物资的资源配置方法中使用变邻域搜索算法求解数学模型的具体流程示意图；
[0106]
图4是根据本发明第三实施方式的邻域扰动操作的示意图；
[0107]
图5是根据本发明第三实施方式的改变邻域结构的方法示意图；
[0108]
图6是根据本发明第四实施方式提供的一种应急物资的资源配置装置的具体结构示意图；
[0109]
图7是根据本发明第五实施方式提供的一种服务器具体结构示意图。
具体实施方式
[0110]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本技术而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本技术所要求保护的技术方案。
[0111]
本发明的第一实施方式涉及一种应急物资的调度方法，该方法的具体流程如图1所示。
[0112]
步骤101：根据至少一种应急物资的资源配置方案，求解数学模型并获得每种应急物资的资源配置方案的目标值，目标值为最小化救灾成本。
[0113]
具体的说，应急物资的资源配置方案包括应急物资储备库的选址及规模、运输应急物资的运输方式、应急物资是否从应急物资储备库运输到受灾点及运输量、应急物资是否从应急物资供应商运输到受灾点及运输量，和应急物资是否从应急物资供应商运输到应急物资储备库及运输量。
[0114]
具体地的说，数学模型为包括标识应急物资储备库选址及规模的第一决策变量、标识是否从应急物资储备库往受灾点运输应急物资的第二决策变量、标识是否由应急物资供应商往受灾点运输应急物资的第三决策变量、标识应急物资储备库与受灾点之间的应急物资运输量的第四决策变量、标识应急物资供应商与受灾点之间的应急物资运输量的第五决策变量、标识应急物资供应商运输应急物资到受灾点的物资空运比例的第六决策变量和标识应急物资供应商与应急物资储备库之间的应急物资运输量的第七决策变量之间关系的目标函数。
[0115]
需要说明的是，在本实施方式中，救灾成本包括建设应急物资储备库的固定成本、运输应急物资的运输成本、应急物资到达受灾点的时间成本和受灾点应急物资不足时的惩罚成本。
[0116]
具体实现中，目标函数用公式(1)表示：
[0117][0118]
其中，c1＝∑
i∈i，q∈qgiq
α
iq
表示应急物资储备库建设的固定成本；表示应急物资储备库建设的固定成本；表示应急物资运输的运输成本；表示应急物资运输的运输成本；表示应急物资到达受灾点的时间成本；表示应急物资到达受灾点的时间成本；表示受灾点应急物资不足时的惩罚成本。
[0119]
其中，i表示应急物资储备库候选点的索引；i表示应急物资储备库候选点的集合；j表示受灾点的索引；j表示受灾点的集合；k表示应急物资供应商的索引；k表示应急物资供应商的集合；s表示灾害场景的索引；s表示灾害场景的集合；p表示应急物资种类的索引；p表示应急物资种类的集合；q表示应急物资储备库规模的索引；q表示应急物资储备库规模的集合；xs表示场景s出现的概率；d
ij
表示从应急物资储备库i到受灾点j的运输距离；d
kj
表示从应急物资供应商k到受灾点j的运输距离；r
ij
表示陆运应急物资储备库i到受灾点j的交通拥堵系数；r
kj
表示陆运应急物资供应商k到受灾点j的交通拥堵系数；a1表示陆运的速度；a2表示空运的速度；f1表示单位距离陆运运输成本；f2表示单位距离空运运输成本；v
p1
表示第p类物资每个占陆运工具容量的比例；v
p2
表示第p类物资每个占空运工具容量的比例；g
iq
表示在候选点i建立规模为q的应急物资储备库的固定成本，q∈q；表示在灾害s情况下，受灾点j对应急物资种类p的需求量；m表示在应急物资供应不足情况下的惩罚系数；t表示应急物资抵达时间成本系数；α
iq
为第一决策变量，表示在候选点i是否建立规模为q的应急物资储备库；为第二决策变量，表示是否从候选点i往受灾点j运输应急物资；为第三决策变量，表示是否由应急物资供应商k往受灾点j运输物资；为第四决策变量，表示场景s下，应急物资种类p从候选点i运输到受灾点j的数量；为第五决策变量，表示场景s下，应急物资种类p从应急物资供应商k运输到受灾点j的数量；ζ
kj
为第六决策变量，表示应急物资供应商k运输到受灾点j的物资空运比例。
[0120]
在本实施方式中，第一决策变量α
iq
为二进制变量，若在候选点i建立规模为q的应急物资储备库，则α
iq
＝1，否则α
iq
＝0；第二决策变量为二进制变量，若从候选点i往受灾点j运输物资，则否则第三决策变量为二进制变量，若应急物资供应商k往受灾点j运输物资，则否则为第四决策变量和第五决策变量为整型变量；第六决策变量ζ
kj
为浮点型变量，例如，在本实施方式中，ζ
kj
为取值在0至1范围内的两位小数，若应急物资供应商k全部采用空运方式运输应急物资到受灾点时，则ζ
kj
＝1，若全部采用陆运方式运输应急物资到受灾点时，则ζ
kj
＝0。
[0121]
需要说明的是，虽然考虑到上述固定成本、运输成本、时间成本和惩罚成本，但是应急物资的调度与其他物资配置不同，在灾害发生时，不是以经济效益最高、成本最低为目标，而是以人员伤害和财产损失最小为目标，因此，应急物资的快速送达是减少损失的首要保障。所以上述目标函数(1)中关于应急物资到达受灾点的时间成本比较重要，应急物资抵达时间成本系数t的权重较大。
[0122]
值得一提的是，数学模型还包括目标函数的约束条件，通过设定约束条件，使得通过对数学模型求解所获得的最优解更加符合实际情况。
[0123]
具体实现中，针对目标函数(1)设定的约束条件包括：公式(2)至公式(17)：
[0124][0125][0126][0127][0128][0129][0130][0131][0132][0133][0134][0135][0136][0137][0138][0139][0140]
其中，hj表示受灾点j的人员数量；表示在场景s下，应急物资储备库i中物资受损系数，损系数，表示场景s对受灾点j的人员的影响系数，v
p
表示应急物资种类p的单位物资的体积；表示在候选点i建立规模为q的应急物资储备库的最大储存容量，q∈q；表示在候选点i建立规模为q的应急物资储备库的最小储存容量，q∈q；n
kp
表示应急物资供应商k能够供应应急物资种类p的数量；h
p
表示每个人对应急物资种类p的需求量；z1表示受灾点的最大需求系数；z2表示受灾点的最低需求系数；m表示一个足够大的正数；为第七决策变量，表示场景s下，应急物资种类p从应急物资供应商k运输到应急物资储备库候选点i的数量；在本实施方式中第七决策变量为整形变量。
[0141]
需要说明的是，公式(2)表示在任意应急物资储备库候选点处，最多可以建立一个应急物资储备库；公式(3)限制了从应急物资供应商运输到应急物资储备库和直接运输到受灾点的每种应急物资总量之和不能超过应急物资供应商的供应能力；公式(4)表示运输到受灾点处的各类应急物资总量能够满足不同场景下的最低需求，同时不超过最大需求；公式(5)表示应急物资储备库受灾害影响时，其所能提供的物资总量不得超过未受损的物资总量；公式(6)表示应急物资储备库中储存的物资总量范围；公式(7)保证了如果应急物资储备库候选点没有建立仓库，则不会有应急物资供应商将应急物资发往该点；公式(8)确保如果应急物资储备库和受灾点没有相连，则两者之间不会出现物资的运输；公式(9)表示应急物资供应商和受灾点之间的关系，应急物资的运输只会在两者相关联时才会发生；公式(10)表示有关受灾点处的应急物资需求；公式(11)至公式(17)定义决策变量的定义域。
[0142]
步骤102：根据目标值，确定最优应急物资的资源配置方案；
[0143]
具体的说，在本实施方式中，以七个决策变量(α
iq
、和ζ
kj
)作为数学模型的未知变量，通过初始化未知变量，将已知量带入数学模型中，求解数学模型获得目标函数的目标值，通过选取使救灾成本最小的目标值，从而获得一组最好的解，进而确定最优应急物资的资源配置方案。
[0144]
具体的说，已知量包括：应急物资供应商的数量、应急物资储备库的数量和规模、受灾点位置、受灾点的数量、受灾点所需物资种类、受灾种类。
[0145]
本发明实施方式相对于现有技术而言，通过根据至少一种应急物资的资源配置方案构建以救援成本最小化为目标的数学模型，并针对数学模型求解计算结果，确定最优应急物资的资源配置方案，从而能够在存在各种不确定的条件下，实现救援成本的最小化，进而实现应急物资储备库的科学选址和分配决策，提高应急救援效率，减少人员伤亡和财产损失
[0146]
本发明的第二实施方式涉及一种应急物资的调度方法。第二实施方式是对第一实施方式的进一步改进，主要改进之处在于：在本发明第二实施方式中，对采用粒子群算法求解数学模型的方式进行了具体描述。在本实施例中，如图2所示，为采用粒子群算法求解数学模型的流程图。
[0147]
粒子群算法(particle swarm optimizer，pso)是在1995年由kenndy和eberhart共同提出的。自提出以来就有广泛的应用，算法能够适应多种场景，收敛速度快。粒子群算法是一种群体智能搜索算法，模拟了鸟群觅食的过程，每一个粒子会与群体中的其它粒子共享信息，使得群体中的粒子都朝着最优解的方向前进。在每一次迭代的过程中，粒子会根据个体的历史最优解和群体的全局最优解更新自己的位置信息和速度信息。
[0148]
在本实施方式中，粒子群算法求解数学模型的步骤具体包括：
[0149]
步骤201：初始化粒子群。
[0150]
按照数学模型的约束条件(2)至(17)，随机产生k个粒子，作为初始化粒子群，初始
化粒子群的速度和位置，并设置最大迭代次数。
[0151]
步骤202：求解数学模型，将数学模型求解到的解作为当前迭代次数下每个粒子的适应度值。
[0152]
具体的说，在本实施例中，在应急物资储备库候选点i建立应急物资储备库，则可以先确定第一决策变量α
iq
的值，而第二决策变量则依赖于α
iq
，因此当候选点i建立仓库时，受灾点的物资需求才有可能由应急储备库i来满足。第六决策变量ζ
kj
表示应急物资供应商k运输到受灾点j的物资空运比例。确定第一决策变量α
iq
和第六决策变量ζ
kj
的值后，根据约束条件便能够确定其他决策变量的值。
[0153]
需要说明的是，通过初始化第一决策变量至第七决策变量，获得数学模型的初始解。当初始解作为当前解，并通过求解器求得的初始解对应的目标函数的数值作为当前解的适应度值。
[0154]
步骤203：更新每个粒子的个体最优值和所有粒子确定的全局最优值。
[0155]
具体的说，初始的个体最优值和全局最优值均是根据初始解的粒子的位置信息计算得出的初始适应度值，并将该初始适应度值作为最优适应度值。
[0156]
在本实施例中，第一决策变量α
iq
和第六决策变量ζ
kj
是比较重要的，因此，粒子i(i∈k)设置的值同时包含α
iq
和ζ
kj
的方向信息，用和分别表示粒子i在第n次迭代时的位置，用和分别表示粒子i在第n次迭代时的速度。粒子i在第n次迭代时找到的个体最优值，用和表示，而所有粒子找到的全局最优值，用和表示。
[0157]
通过更新粒子的位置和速度，找到新的全局最优值。粒子的速度和位置更新公式如下所示：
[0158][0159][0160][0161][0162]
其中，w表示惯性权重。非负常数c1和c2表示学习因子，结合粒子的个体最优位置和粒子群的全局最优位置用于决定粒子的速度大小，且c1＝1.49，c2＝1.88。此外，r1和r2都是随机生成的小数，取值在0到1之间。
[0163]
具体的说，为了避免出现粒子陷入局部最优的情况，可以将惯性权重w设置为根据迭代次数进行动态变化求出的值。当惯性权重w的值较大时，粒子群算法全局寻优能力较强，而惯性权重w的取值较小时，粒子群的局部寻优能力较强。因此在算法迭代的初期需要设置一个较大的惯性权重w，使得算法快速搜索到较优的解。随着迭代次数的增加，逐渐减小惯性权重w的值以强化其局部寻优的能力。当迭代次数为n时的惯性权重wn的计算公式为：
[0164][0165]
其中，n表示当前迭代次数，n表示最大迭代次数，w
max
和w
min
各自表示惯性权重的最大和最小值。在本发明的具体实施例中，w
max
＝0.9和w
min
＝0.4。
[0166]
需要说明的是，通过将当前最优适应度值和更新后粒子的适应度值相比较，如果更新后粒子占优，则更新个体最优值和全局最优值。
[0167]
步骤204：根据粒子群的速度公式和位置公式，更新每个粒子的速度和位置。
[0168]
具体的说，根据公式(18)-公式(21)更新每个粒子的速度和位置。
[0169]
步骤205：判断是否存在越界的粒子，若存在越界的粒子，则执行步骤206；否则执行步骤207；
[0170]
步骤206：若存在越界的粒子，则将边界的速度和位置作为当前粒子的速度和位置，并返回步骤202。
[0171]
具体的说，如果在更新粒子的速度时，存在粒子因速度过快，导致粒子越过可行解空间的边界，因而为了确保粒子的速度不超过可行解空间范围，本实施方式限制粒子的速度和位置，当粒子越界时，则将边界的速度和位置作为该粒子的速度和位置，并返回步骤202；否则执行步骤207。
[0172]
步骤207：更新迭代次数，判断粒子群算法是否满足终止条件，若是，则执行步骤208；否则返回步骤202。
[0173]
步骤208：输出算法搜索得到的最优解作为求解结果。
[0174]
具体的说，粒子群算法中通过设置最大迭代次数来实现算法的终止。若当前迭代次数等于最大迭代次数时，满足终止条件，该粒子群算法终止；否则，未满足终止条件，则返回步骤202重新计算粒子的适应度值。
[0175]
需要说明的是，在粒子群算法处理解的过程中，将离散型的变量α
iq
设为连续型变量，该变量的取值为(0，1)范围内的double型小数。当该变量更新后的取值小于0.5时，第一决策变量的取值为0，否则取值为1。
[0176]
本发明的第三实施方式涉及一种应急物资的资源配置方法。第三实施方式是对第一实施方式的进一步改进，主要改进之处在于：在本发明第三实施方式中，采用变邻域搜索算法求解数学模型。下面将详细介绍使用变邻域搜索算法的过程，具体流程如图3所示。
[0177]
变邻域搜索算法(variable neighborhood search，vns)是一种改进型的局部搜索算法，通过不同的邻域产生结构进行交替搜索，达到集中性和疏散性的平衡。算法在搜索的过程中不是按照固定的模式进行搜索，能够有效的跳出局部最优，大幅提升解的质量。该算法的主要流程是首先产生一个初始解，通过邻域变换寻找较优的解，如果在某个邻域内无法搜索到更优的解，此时则跳出当前邻域进入下一个邻域继续搜索。如果在某个邻域内搜索得到了更优的解，则此时会回到第一个邻域结构内重新搜索。算法会不断进行这一迭代过程，直到无法继续提升解的质量为止。
[0178]
在本实施方式中，采用变邻域搜索算法求解数学模型的步骤具体包括：
[0179]
步骤301：设置迭代次数的初始值和最大迭代次数。
[0180]
例如，在本实施例中，迭代次数的初始值设为0，最大迭代次数设为10。
[0181]
步骤302：获得数学模型的初始解，将初始解作为当前解，并将当前解作为当前最优解。
[0182]
具体的说，在本实施例中，初始化第一决策变量α
iq
、第二决策变量第三决策变量第四决策变量第五决策变量和第六决策变量ζ
kj
，作为数学模型的初始解，并且将初始解带入目标函数的公式(1)，通过求解器求得目标函数的值。
[0183]
步骤303：判断当前解是否优于当前最优解，若是，则更新当前最优解，进行步骤307，否则进行步骤304。
[0184]
步骤304：若当前最优解优于当前解，则对当前最优解进行邻域扰动操作产生新的可行解，并将可行解作为当前解。
[0185]
具体的说，为了避免算法陷入局部最优的状况，尽可能的搜索全局最优解，该变邻域搜索算法每完成一次迭代后，进行新的邻域结构搜索邻域解之前，需要对当前解进行邻域扰动操作。
[0186]
这是由于初始解是随机产生的，但是随机产生的解有可能不符合约束条件，因此需要经过较多的邻域搜索才能找到较优的解。在本实施方式中，通过邻域扰动操作，将上一次迭代得到的最优解按照候选点分块处理，之后按块进行交换从而得到一组符合约束条件但与当前最优解完全不同的解。如图4所示，由于应急物资储备库的规模是相等的，因此新的解一定是符合约束条件的可行解，但目标函数的值会有变化。对可行解进行搜索能够快速完成一次搜索，相比于随机生成的初始解，求解的速度和解的质量都较高。
[0187]
步骤305：改变邻域结构，通过变邻域下降算法遍历邻域结构进行解的搜索，寻找局部最优解。
[0188]
具体的说，变邻域下降算法(vnd)是在邻域结构中搜索解。该算法在一个邻域结构内进行解的搜索，如果找不到比当前最优解更好的解，则转到下一个邻域结构进行搜索；如果找到比当前最优解更好的解，则更新当前最优解，并回到第一个邻域结构重新开始寻找是否存在比当前最优解更好的解。通过这种循环搜索解的过程，直到所有邻域结构都搜索不到更优的解，则停止搜索并输出当前最优解作为局部最优解。
[0189]
具体的说，改变邻域结构包括变异操作、交换操作、解的值的增加和解的值的减少。
[0190]
如图5(a)所示，在变异操作中，随机选取一个α
iq
，如果其原始取值为0则变为1，若为1则变为0。之后对其可行性进行判断，如果一个点被选中要新建某个规模的仓库，但该点已经建立了其它规模的仓库，此时需要将其它仓库对应的编码设为0，新产生邻域对应的点则为1，即需要确保每一个候选点至多只能建一个仓库。
[0191]
值得说明的是，在每一次执行完变异操作之后，需要根据约束条件(2)-(17)对邻域解作调整。
[0192]
如图5(b)所示，在交换操作中，首先随机选取两个α
iq
的值，可以是同一个候选点中两个规模对应的值，也可以是两个不同候选点下对应的值。交换两个点对应的值，做完交换后同样需要判断是否可行，如果出现同一个候选点下两个规模的仓库，则需要将该候选点原来的仓库规模设为0。
[0193]
在解的值的增加或解的值的减少操作中，在本实施例中，将第六决策变量ζ
kj
的解的值增加0.05或减少0.05，则在相应的邻域内至多需要20次的迭代就能够遍历0到1之间的数值，使得算法在有限的迭代次数内尽可能搜索到较优的解。
[0194]
步骤306：判断局部最优解是否优于当前最优解，若是，则进行步骤307；否则进行
步骤308；
[0195]
步骤307：若局部最优解优于当前最优解，则更新当前最优解，将迭代次数置为初始值，并返回步骤305，重新遍历邻域结构进行解的搜索。
[0196]
步骤308：更新迭代次数，判断变邻域搜索算法是否满足终止条件，若是，则进行步骤309；否则返回步骤304。
[0197]
步骤309：将当前迭代过程的当前最优解作为求解结果。
[0198]
具体的说，变邻域搜索算法中通过设置最大迭代次数来实现算法的终止。若当前迭代次数等于最大迭代次数时，满足终止条件，该变邻域搜索算法终止；否则，未满足终止条件，则返回步骤303重新进行邻域扰动操作产生新的可行解。
[0199]
本发明的第一至第三实施方式提供了应急物资的资源配置方法，通过构建以最小化救灾成本为目标的数学模型，采用粒子群算法和变邻域搜索算法对该数学模型进行求解，能够快速求出有效且合理的应急物资的资源配置方案。
[0200]
下面分别列出了在小规模、中规模和大规模应急物资的资源配置方案中采用求解器(如，cplex)求解数学模型、使用粒子群算法求解数学模型以及采用变邻域搜索算法求解数学模型的效果比较表。
[0201]
需要说明的是，z表示目标函数的值，t表示计算机的计算时间，pso表示粒子群算法，vns表示变邻域搜索算法，gap表示算法获得的解与cplex获得的精确解之间的误差程度。具体的说，zc表示通过cplex获得的目标函数的值，tc表示cplex的计算时间；z
p
表示通过粒子群算法获得的目标函数的值，t
p
表示粒子群算法的计算时间，且gap
p
＝(z
p-zc)/zc；zv表示通过变邻域搜索算法获得的目标函数的值，tv表示变邻域搜索算法的计算时间，且gapv＝(z
v-zc)/zc。
[0202]
表1、表2、表3分别为在小规模算例、中规模算例、大规模算例中，分别采用cplex、粒子群算法(pso)和变邻域搜索算法(vns)的比较结果表。将粒子数设置为50，并将粒子群算法中的两个学习因子c1和c2设置为c1＝1.49，c2＝1.88。
[0203]
表1小规模算例三种算法的性能比较
[0204][0205]
需要说明的是，表1中，例如，案例id a2-3-5-3-3-5-1表示2个应急物资供应商，3
个应急物资储备库，5个受灾点，3个仓库大小，3种应急补给类型和实例1的5种场景。
[0206]
如表1所示，pso算法和vns算法都可以获得相同的解决方案。表1中所有18个案例的平均最佳差异为0.0％。就时间而言，cplex在计算小型算例时花费的时间非常短。当算例集中只有5个场景时，cplex的解决时间不到10秒，而pso算法和vns算法的时间却超过10秒。但是随着实例规模的增长，这两种算法的性能都优于cplex。在有4个应急物资储备库，8个受灾点和10多个场景的情况下，pso算法和vns算法都可以在大约25秒内完成计算，而vns算法则要快一些。但是cplex的求解时间是该算法的两倍。
[0207]
表2中规模算例三种算法的性能比较
[0208][0209]
表2给出了中等规模算例的性能比较结果。从表2可以看出，在中等规模算例下，pso算法和vns算法的求解时间明显优于cplex。使用cplex查找中等规模算例的最优解非常耗时。在第一组示例中，cplex的求解时间约为pso算法的5倍，是vns算法的7倍。在其余两组示例中，由于cplex呈指数增长，因此差距进一步扩大。在解的质量方面，在大多数示例中，该算法均可获得与cplex一致的最佳应急物资的资源配置方案。只有少数示例未能找到最优解，但平均差距小于0.5％。该结论证明，本发明采用pso算法和vns算法可以有效提高复杂模型的求解效率，并确保求解质量。在两种算法的比较中，vns算法在解的质量和求解时间上均优于pso算法。在混合整数编程模型中，vns算法的总体性能优于pso算法，尤其是在模型的主要变量为二进制的情况下。
[0210]
为了进一步验证两种算法的有效性，本发明增加了解决方案的价值。
[0211]
表3大规模算例三种算法的性能比较
[0212][0213][0214]
表3中，pso算法和vns算法的求解结果的偏差为gapv＝(z
p-zv)/zv。从表3中可以看
出，平均计算时间随着应急物资的资源配置方案的规模的增加而增加。根据表3中的案例，cplex无法在7200秒内找到可行解，这使其无法在实践中使用。比较这两种算法，vns算法在求解大规模算应急物资的资源配置方案时，具有更稳定和高效的求解性能，能够在较短的时间内得到更好的解。
[0215]
通过上述实验发现，在小规模算例中，使用pso算法可以快速得到精确的解；在中规模和大规模算例中，使用vns算法求得的解的质量和速度较高。在实际应用中，可以根据不同的受灾场景，选择合适的算法，快速求得最优应急物资的资源配置方案，提高应急响应效率，减少人员伤亡和财产损失。
[0216]
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
[0217]
本发明第四实施方式涉及一种应急资源的资源配置装置60，包括：目标值计算模块601、确定模块602，具体结构如图6所示。
[0218]
目标值计算模块601，用于根据至少一种应急物资的资源配置方案，求解数学模型并获得每种应急物资的资源配置方案的目标值，目标值为最小化救灾成本，其中，应急物资的资源配置方案包括应急物资储备库的选址及规模、运输应急物资的运输方式、应急物资是否从应急物资储备库运输到受灾点及运输量、应急物资是否从应急物资供应商运输到受灾点及运输量，和应急物资是否从应急物资供应商运输到应急物资储备库及运输量；
[0219]
确定模块602，用于根据目标值，确定最优应急物资的资源配置方案；
[0220]
其中，数学模型为包括标识应急物资储备库选址及规模的第一决策变量、标识是否从应急物资储备库往受灾点运输应急物资的第二决策变量、标识是否由应急物资供应商往受灾点运输应急物资的第三决策变量、标识应急物资储备库与受灾点之间的应急物资运输量的第四决策变量、标识应急物资供应商与受灾点之间的应急物资运输量的第五决策变量、标识应急物资供应商运输应急物资到受灾点的物资空运比例的第六决策变量和标识应急物资供应商与应急物资储备库之间的应急物资运输量的第七决策变量之间关系的目标函数。
[0221]
在本实施方式中，应急物资的资源配置装置还包括下述中至少一项：
[0222]
数据存储模块，用于存储受灾点的受灾状况信息，并将受灾状况信息发送至目标值计算模块，其中受灾状况信息包括：受灾点位置、受灾点的数量、受灾人数、受灾点所需物资种类、受灾种类；
[0223]
物资监控模块，用于实时监控应急物资储备库的应急物资情况，将应急物资情况发送至目标值计算模块；
[0224]
移动终端，用于将确定模块602确定的最优应急物资的资源配置方案发送至移动终端，并通过移动终端确认是否能够执行。
[0225]
具体的说，应急物资的资源配置装置还可以包括车辆定位模块，用于实时监控运输应急物资车辆的位置，实时掌控应急物资的动态跟踪，以便在规定时间完成应急物资的运输保障。
[0226]
不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与
第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
[0227]
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
[0228]
本发明第五实施方式涉及一种服务器70，包括至少一个处理器701；以及，与至少一个处理器701通信连接的存储器702；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够第一实施例至第三实施例中任一实施例中使得应急资源的资源配置方法，具体结构如图7所示。
[0229]
其中，存储器702和处理器701采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器701和存储器702的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器701处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器701。
[0230]
处理器701负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器702可以被用于存储处理器在执行操作时所使用的数据。
[0231]
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0232]
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。