应急物资储备选址与调度建模研究

，，

(浙江工业大学 机械工程学院，浙江 杭州 310014)

突发事件发生的时间、地点及受灾程度等都是事先无法预测的[1]，其应急物资的需求具有突发性、不确定性、强时效性、强制性和社会性等特点，是一个非线性的、且时变的过程.近年来重大突发事件发生周期明显缩短，发生频率显著提高，如地震、海啸、大面积食物中毒、恐怖袭击以及突发性传染病等.如何加强对突发事件的应急和应对能力，是当前社会迫切需要解决的问题[2-3].

我国处于突发事件较多，但综合处置和保障能力有待于进一步提高的阶段.为使突发事件带来的损失减至最少，必须建立应急响应机制和合理的物资储备.在应对突发事件的过程中，需要大量的应急物资和救援装备；如何保障突发事件中应急物质及救援人员第一时间到达现场，是当前研究的一个热点和难点.笔者应用多智能体(Multi-agent)技术对应急物资储备和配送问题进行了研究，其一是应急物资的储备选址；其二是应急物资的调度配送[4-5].

1 面向物联网的突发事件应急物资的管理平台

现有应急物资的管理是大多采用手工方式进行管理，部分采用条形码实现对物资的识别.现有应急物资物资管理主要借助传统的人工管理方法和手段，数据的采集和录入采取手工操作，效率低下、差错率高，且物资实物信息与管理系统信息无法实时同步，数据共享困难.

1.1 基于RFID技术的应急物资管理模型

为提高处置各类突发性事件和抢险救灾工作的应急反应能力，利用物联网技术在更大限度上提高管理效率并避免管理漏洞，构建了基于RFID技术的应急物资管理模型，将RFID技术贯穿与整个应急物资的供应、储存和配送等全部物流环节，配合GPS/GIS技术，使应急物资的储存和配送都处于实时监控状态，如图1所示.

图1 基于RFID技术的应急物资管理模型

1.2 基于RFID技术的数字化应急物资综合管理平台

数字化应急物资综合管理平台由仓储管理子系统、配送调度子系统、预案管理子系统及远程终端子系统等组成，管理平台要充分运用现有信息技术，特别RFID技术和GPS/GIS等，如图2所示.

图2 数字化应急物资管理平台主要功能模块

2 基于多智能体的应急物资储备选址与调度数学模型

2.1 Multi-Agent系统(MAS)

Agent技术来源于分布式人工智能领域[6].MAS思想源于Herbet Simon的著作“Administrative Behavior”，由多个可执行网络计算Agent组成的集合.其应用研究始于20世纪80年代，已经成为人工智能的热点之一，研究主要涉及Agent的知识、目标、技能、规划及其如何使agent协调动态地解决复杂问题等.Multi-agent技术在许多领域得到了很好的应用：智能机器人、交通控制、柔性制造、协调专家系统、分布式预测监控及诊断、分布式智能决策、软件开发、虚拟现实、操作系统、网络自动化与智能化、分布式计算以及产品设计等等[7-8].

2.2 Multi-Agent技术在物流系统中的应用

从1989年到1999年Murata，Shoham Y，Linkens，Hamilton等先后提出基于智能体(Agent)引入物流系统的布置和调度基本模型，重点解决了布置的小范围精细搜索问题[9-13].而后，国外学者开始关注细胞自动机(CA)建模技术在物流仿真中的应用[14-16].2003年Jan Kosturiak和Milan Gregor强调了可通过CA机理模拟布置问题[17-18].2004年Nurhan C和Kain探讨了地理细胞机和多智能体结合在交通模拟研究中的可行性[19].不仅国内外学者对重大突发应急物资进行了比较深入的研究，许多国家的政府部门也在积极探索突发事件发生时，如何实现高效地调配应急物资的问题.日本地处太平洋板块和欧亚板块的交界地带，属于火山地震等自然灾害多发的国家.经历了地震等自然灾害的惨重教训，日本的抗震防灾理论和技术已发展的较为完善.但在经受大地震、海啸考验过程中，其应急物资储备库布局、储备和调度仍然不足，突发事件应对能力有待于进一步提升[20].美国建立了覆盖联邦、州及地方层面的应急管理指挥协调体系，其应急系统通常由政府部门和社会主体共同构成.

2.3 基于多智能体的应急物资储备选址与调度数学模型

应急物资储备选址与调度数学模型包含应急物资选址模型和应急物资调度模型.选址模型由选址基础层和选址目标层组成，选址基础层含人员、设备、应急物资、应急仓库和数据库等Agent，选址目标层含应急物资运输及储存成本、应急仓库固定投入和应急仓库覆盖面等指标[21].

应急物资调度模块由调度基础层和调度目标层组成，基础层含搜索、计划、协商、决策、物流和数据库等Agent；目标层含应急物资的品种和数量、储备物资利用率和应急物资到达时间等指标.应急物资选址目标指标和应急物资调度目标指标相互融合，得出优化储备选址和调度方案.基于Multi-agent的应急物资储备选址与调度模型，如图3所示.

图3 基于Multi-agent的应急物资储备选址与调度模型

3 浙江省应急物资储备和调度的解决方案

我国处于突发事件较多，但综合处置和保障能力有待于进一步提高的阶段.近十年来已发生诸多突发事件.2006年台风“桑美”袭击东南沿海，2007年超强台风“圣帕”肆虐南方七省，2008年南方雪灾、2008年汶川8.0级强地震，2009年的甲型H1N1流感、2010年青海玉树7.1级强地震，2010年甘肃盘曲特大山洪泥石流，2013年台风“菲特”给闽浙沪地区带来重大损失，特别是浙江省的杭州市、余姚市等发生了百年一遇的降雨，大部分城区受淹，主城区城市交通几近瘫痪；上述比较典型的8起突发事件中，与浙江省紧密相关的事件有5起，应该说，浙江省已成为重大突发事件频发的地区之一，台风、强降雨和雪灾为其主要自然灾害类型.

结合浙江省突发事件得特点，结合多智能体的应急物资储备选址与调度数学模型，以应急物资储备布局设计模型、应急物资储备布局优化模型、应急物资调度约束、应急物资调度优化模型和应急物资智能决策支持系统为主线.采用二维细胞机建模技术，引入多智能体机制封装和扩展智能型细胞，采用脑模型联接控制器建立应急物资储备布局的多目标指标函数；在综合考虑储备点约束、应急需求约束、运力约束和路径约束等强约束以及应急物物资捐赠点、需求物资响应成本等弱约束的基础上，构建应急物资调度状态空间表达式；根据应急物资需求的非线性时变特性，提出基于模糊不确定性的应急物资强时间鲁棒调度；建立反映突发事件实际需求的智能细胞机应急物资储备布局设计和优化调度模型，解决方案如图4所示.

物资储备和调度的解决方案核心内容包括应急物资储备系统原型构建和应急物资调度算法，具体如下：应急物资储备系统原型的建立主要是把握系统层次结构、可能的全局行为，对整体表现的特征进行描述.描述目标是将多维、非线性、动态开放和伴随物性变化的复杂动态系统简化为个体简单局域自组织的离散事件，以实现从模型微观结构和自组织演化规则到宏观系统规律的跨层次描述.动态约束问题均进行整数规划处理，以匹配细胞基本规则.

图4 应急物资储备和调度解决方案

应急物资调度受到诸多动态约束，应急物资储备布局约束、应急物资的需求信息约束、供应地与需求地路径约束及交通工具的运力约束等强约束必须绝对满足，强约束如果违规，则调度失败.其约束问题均进行[0,1]数学处理，可取值为0或1.在强约束满足的情况，尽可能满足物资捐赠点和需求物资响应成本等弱约束，在重大突发事件发生初期，可以仅仅保证强约束，随着救援进程的推进，弱约束逐渐体现出来，甚至有可能成为主要的约束条件，可取值为[0,1]内任何数.

基于上述约束，建立状态空间表达式为

式中:A为应急物资调度系统内部状态的联系，为6×6方阵；x为6维状态矢量；b为外部输入对应急物资调度系统状态的作用，称为调度系统输入矩阵；c为系统输出矩阵.

应急物资调度系统输入系统共有六重约束，分别为储备布局约束、信息约束、路径约束、运力约束、应急物资捐赠点和需求物资响应成本约束.

4 结 论

对多智能体技术进行了比较系统阐述，对其应用领域进行了拓展，给出了多智能体在突发事件应急物资储备布局和调度中的应用，提出了相应的数学模型，最后结合浙江省突发事件特点，给出了应急物资储备和调度解决方案.在以后的研究中，要通过各种渠道收集突发事件信息，把数学模型及技术方案应用于实际，并进一步修正和完善模型.

参考文献：

[1] 孙崇勇,秦启文.突发事件两个基本理论问题探讨[J].西南师范大学学报:人文社会科学版,2005,31(2):50-53.

[2] 辜勇.面向重大突发事件的区域应急物资储备与调度研究[D].武汉:武汉理工大学,2009:11-15.

[3] 丁斌,邹月月.基于政企联合储备模式下的应急物资的EOQ模型[J].大连理工大学学报:社会科学版,2012,33(1):90-94.

[4] 黄亚平,王万良,熊婧.基于改进蚁群算法的智能调度系统设计与开发[J].浙江工业大学学报,2010,38(3):251-256.

[5] 赵敬洋,郭明飞,郭海锋,等.基于典型行车路线理论的城市交通中诱导屏选址优化方法研究[J].浙江工业大学学报,2010,38(5):586-590.

[6] WOOLDRIDGE M J, JENNINGS N R. Intelligent Agent: theory and practice[J]. Knowledge Engineering Review,1995,10(2):115-152.

[7] 刘金琨,尔联洁.多智能体技术应用综述[J].控制与决策,2001,16(2):133-141.

[8] 陈勇,胡婷婷,鲁建厦.基于遗传算法改进的动态车间调度[J].浙江工业大学学报,2012,40(5):537-543.553.

[9] OLORUNTOBA R, GRAY R. Customer service in emergency relief chains[J]. International Journal of Physical Distribution and Logistics Management,2009,39(6):486-505.

[10] SHOHAM Y. Agent-oriented programming[J]. Artificial Intelligence,1993,60:50-51.

[11] BRIDGE W, JENNINGS. Intelligent agents: theory and practice[J]. Knowledge Engineering Review,1995(10):432-445.

[12] LINKENS D A. Scheduling and optimization for heating of steel soaking pits: case study for hybrid systems[J]. Measurement Techniques,1995,142(2):778-792.

[13] PASQUALE L, MAZZA R M. Berth planning and resources optimization at a container terminal via discrete event simulation [J]. Europe Journal of Operational Research,2005,133:537-547.

[14] ZUBEREK W M. Timed petri-nets in modeling and analysis of simple schedules for manufacturing cells[J]. Computer and mathematics with applications,2002,37(11/12):191-206.

[15] EIZENBERG A, KIFER Y. Large deviations for probabilistic cellular automata[J]. Journal of Statistical Physics,2002,108(5/6):1255-1280.

[16] KONNO N. Dualities for a class of finite range probabilistic cellular automata in one dimension[J]. Journal of Statistical Physics,2002,106(5/6):915-922.

[17] KOSTURIAK J, GREGOR M. Simulation in production system life cycle[J]. Computers in Industry,2003,38:159-172.

[18] JANSEN D R, VAN-WEERT A, BEULENS A J M, et al. Simulation model of muti-compartment distribution in the catering supply chain[J]. Europe Journal of Operational Research,2003,133(1):210-224.

[19] NURHAN C, KAIN. Large-scale multi-agent transportation simulations[J]. Computer Physics Communications,2004,147:559-564.

[20] 庞海云,刘南,吴桥.基于应急物资分配的城市安全防灾规划研究——由东日本大地震得到的启示[J].城市规划,2012,36(11):55-57.

[21] 张玲,黄钧.基于场景分析的应急资源布局模型研究[J].中国管理科学,2008,10(16):164-167.