Effective placement of emergency rescue resources, particularly with joint suppliers in complex disaster scenarios, is crucial for ensuring the reliability, efficiency, and quality of emergency rescue activities. However, limited research has considered the interaction between different disasters and material classification, which are highly vital to the emergency rescue. This study provides a novel and practical framework for reliable strategies of emergency rescue under complex disaster scenarios. The study employs a scenario-based approach to represent complex disasters, such as earthquakes, mudslides, floods, and their interactions. In optimizing the placement of emergency resources, the study considers government-owned suppliers, framework agreement suppliers, and existing suppliers collectively supporting emergency rescue materials. To determine the selection of joint suppliers and their corresponding optimal material quantities under complex disaster scenarios, the research proposes a multi-objective model that integrates cost, fairness, emergency efficiency, and uncertainty into a facility location problem. Finally, the study develops an NSGA-II-XGB algorithm to solve a disaster-prone province example and verify the feasibility and effectiveness of the proposed multi-objective model and solution methods. The results show that the methodology proposed in this paper can greatly reduce emergency costs, rescue time, and the difference between demand and suppliers while maximizing the coverage of rescue resources. More importantly, it can optimize the scale of resources by determining the location and number of materials provided by joint suppliers for various kinds of disasters simultaneously. This research represents a promising step towards making informed configuration decisions in emergency rescue work.


翻译:紧急救援资源的有效布置对保证紧急救援活动的可靠性、效率和质量至关重要,特别是在联合供应商提供紧急救援资源的情况下。然而,目前有限的研究考虑了不同灾害和物资分类之间的相互作用,这对紧急救援至关重要。本研究提供了一种实用的框架,以考虑复杂的灾难场景下的可靠应对策略。通过采用基于情景的方法来表示复杂的灾害场景,如地震、泥石流、洪水及其相互作用,从而优化紧急资源的布置。在考虑政府拥有的供应商、框架协议供应商和现有供应商共同支持紧急救援物资的情况下,本研究提出了一种多目标模型,将成本、公平性、应急效率和不确定性集成到设施选址问题中,以确定共同供应商的选择和相应的最佳物资数量。最后,本研究开发了一个NSGA-II-XGB算法来解决灾害多发省份的例子,并验证了所提出的多目标模型和解决方法的可行性和有效性。结果表明,本文提出的方法可以大大降低紧急救援的成本,救援时间以及需求与供应商之间的差距,同时最大程度地优化救援资源的覆盖范围。更重要的是,它可以通过同时确定联合供应商提供救援资源的位置和数量,优化资源规模以供应不同种类的灾害。本研究代表着在紧急救援工作中做出明智的配置决策的一个有前途的步骤。

0
下载
关闭预览

相关内容

专知会员服务
12+阅读 · 2021年10月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
WWW 2019会议接收文章列表放出,恭喜各位!
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2009年12月31日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
VIP会员
相关VIP内容
专知会员服务
12+阅读 · 2021年10月6日
相关资讯
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
计算机 | 入门级EI会议ICVRIS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年6月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
WWW 2019会议接收文章列表放出,恭喜各位!
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
相关基金
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
4+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员