洪水疏散中异质车队规划的优化模型：基于受害者需求建模与遗传算法的多目标决策方法

《Safety Science》：A scenario-based heterogeneous fleet planning with victim demand modeling for flood evacuation

本文针对洪水灾害中疏散车队规划问题，开展了一项结合受害者需求建模与多目标优化的研究。研究人员构建了一个考虑不同洪水情景（低/中、高水位）发生概率的异质车队规划模型，旨在最大化疏散受害者数量同时最小化车队组成。通过k-prototype聚类分析受害者疏散响应，并采用遗传算法求解模型。结果表明，该模型能有效生成适应不同洪水严重程度的优化车队配置，为应急管理提供了数据驱动的决策支持，提升了疏散效率与资源利用率。

　　

洪水是全球范围内最常见且破坏力巨大的自然灾害之一，尤其在城市地区，极端降雨事件引发的内涝严重威胁着居民的生命财产安全。有效的应急疏散是减轻灾害损失的关键环节，而疏散车队的合理规划则是决定疏散行动成败的核心。传统的疏散规划往往侧重于路径优化或单一类型的运输工具，未能充分考虑受灾民众在面对不同洪水严重程度时可能表现出的差异化疏散意愿与行为，也缺乏对由多种车型（如公共汽车、货车、船只等）构成的异质车队进行系统性优化配置的方法。这种规划上的不足可能导致在真实的灾害场景中，可用的疏散资源无法精准匹配动态变化的疏散需求，从而造成救援效率低下甚至失败。因此，开发一种能够量化受害者潜在疏散需求、并在此基础上进行异质车队优化配置的决策支持模型，对于提升城市洪灾应急响应能力具有紧迫的理论价值与现实意义。

为应对这一挑战，研究人员在《Safety Science》上发表论文，提出了一种集成受害者需求建模与多目标优化的洪水疏散异质车队规划框架。该研究旨在解决两个核心问题：如何准确预测不同洪水情景下受害者的可能疏散需求水平，以及如何在此基础上确定最优的异质车队组成（包括车辆类型、数量和运行频率），以实现最大化疏散人数和最小化车队总成本的双重目标。

本研究主要采用了几个关键的技术方法：1) 基于k-prototype聚类算法和轮廓系数的受害者响应分组，用于识别不同洪水情景下受害者的疏散行为模式；2) 卷积算法，用于量化考虑洪水情景发生概率的受害者 probable demand level（概率性需求水平）；3) 多目标优化模型，该模型包含最大化疏散受害者数量和最小化车队组成两个目标函数，并考虑了需求约束、避难所容量约束、时间约束等现实条件；4) 遗传算法，作为求解上述复杂约束优化问题的元启发式算法。研究数据基于马来西亚雪兰莪州沙亚南市太子园的真实洪水案例。

4.1. 数据描述

研究区域选定了马来西亚雪兰莪州沙亚南市的太子园，该地区近年来屡受严重洪灾侵袭。分析考虑了两种洪水情景：低/中水位情景(s_m)和高水位情景(s_h)，其发生概率E(L_sm)和E(L_sh)在不同分析现象（如基准现象X，以及现象Y和Z）中有所不同。疏散车辆包括五种类型：小巴、大巴、厢式货车、卡车和船只，其载客量分别为20、40、12、80和14人。通过谷歌地图确定了疏散车场、集结点和避难所的位置与距离。车辆速度考虑了洪水水深的影响，基于已有的速度-水深关系模型进行估算。

4.2. 结果与讨论

4.2.1. 受害者的 probable demand level（概率性需求水平）

应用提出的3步受害者需求建模框架，获得了不同洪水现象（X, Y, Z）下受害者的 probable demand level。结果表明，受害者的疏散需求水平随洪水情景严重程度（高水位情景发生概率）的增加而增加。例如，现象Y（E(L_sh) = 0.75）的需求水平（340人）比基准现象X（E(L_sh) = 0.5，需求315人）高出约7.9%，而现象Z（E(L_sh) = 0.25）的需求水平（288人）则较低。这证实了更严重的洪水事件会激发更强的疏散意愿，从而需要更充分的疏散运力准备。研究还发现，不同集群的受害者对洪水严重性的反应程度存在差异。

4.2.2. 最优疏散车队规划

通过遗传算法求解多目标优化模型，得到了针对不同洪水现象和不同目标权重（W_G1和 W_G2，分别对应最大化疏散人数和最小化车队组成的目标）的最优车队规划方案。以基准现象X为例，分析显示，为了疏散总计315名受害者（集群1有110人，集群2有205人），需要配置不同数量和频率的异质车辆。例如，在现象X1（W_G1=0.62, W_G2=0.38）下，集群1需要8辆车（小巴、大巴、货车、船各2辆）完成12次行程，集群2需要10辆车（增加卡车）同样完成12次行程。当目标权重向最大化疏散人数倾斜时（如现象X2和X3），最优解倾向于使用更少的车辆总数但更高的运行频率来完成更多次行程，这表明在资源有限时，提高现有车辆的利用率是更有效的策略。对现象Y（高水位发生概率更高）和Z（高水位发生概率较低）的分析也得出了类似规律，但所需车辆总数和行程次数随洪水概率而变化，进一步验证了模型能根据灾害风险调整资源配置。

研究表明，洪水受害者的疏散行为因其个体特征和对灾害的感知而异，并非同质群体。通过聚类分析可以识别出具有不同疏散响应模式（如“非常可能”、“比较可能”疏散）的受害者群体。基于此建立的 probable demand level 模型，能够更精细地反映真实疏散需求。所构建的多目标异质车队规划模型，结合遗传算法求解，能够有效处理疏散需求不确定性和资源约束下的复杂优化问题。模型求解结果提供了具体的车队配置方案（车辆类型、数量、运行频率），这些方案随洪水情景的发生概率和决策者对不同目标的偏好（如更注重救人还是更注重控制成本）而动态变化。

该研究的结论强调，将受害者行为建模融入应急物流规划至关重要，所提出的框架为洪水疏散中的车队规划提供了科学、灵活且可操作的决策支持。重要意义在于：1）方法学上，开创性地将受害者需求不确定性、异质车队和多目标优化整合到一个统一的框架中；2）实践上，生成的优化方案能帮助应急管理部门针对不同级别的洪水风险，预先制定更具鲁棒性和效率的疏散计划，从而提升整体应急响应效能，最大限度保障人民生命安全。该模型框架也可扩展应用于其他类型的灾害疏散规划中。