疫情背景下应急疏散规划的双目标优化模型与算法研究：兼顾疏散效率与病毒传播风险

本研究针对自然灾害应急疏散中病毒传播风险加剧的难题，开发了创新的双目标混合整数规划模型（EEPPS）及分解式ε约束算法（DECON），通过最小化总疏散时间（F1）和庇护所病毒传播风险（F2），实现了帕累托最优解的高效生成。基于佛罗里达州棕榈滩县的案例验证，该模型为公共卫生危机下的应急管理提供了兼顾时效性与安全性的决策工具。

　　

自然灾害频发与新冠疫情叠加的背景下，传统应急疏散模式面临严峻挑战：快速撤离可能导致庇护所过度拥挤，加剧病毒传播风险；而分散撤离又可能延误避险时机。这一矛盾在飓风多发的美国佛罗里达州尤为突出，2020年夏季该州就曾遭遇新冠疫情与飓风灾害的双重威胁。现有研究多聚焦单一目标优化，鲜有同时考虑疏散效率与防疫需求的系统性解决方案。

针对这一科学难题，美国佛罗里达农工大学-佛罗里达州立大学工程学院（FAMU-FSU College of Engineering）的研究团队开发了创新的双目标应急疏散规划模型（EEPPS）。该模型首次将总疏散时间最小化（F₁）与庇护所病毒传播风险最小化（F₂）纳入统一框架，通过混合整数规划技术实现多目标协同优化。相关成果发表在跨学科期刊《Heliyon》上，为后疫情时代的应急管理提供了重要方法论支撑。

研究采用三项关键技术方法：1）基于驾驶模拟实验数据构建疏散时间函数，整合年龄、驾驶频率等社会人口特征参数；2）设计分解式ε约束算法（DECON），通过分组优化解决大规模计算难题；3）利用佛罗里达州真实路网和30个庇护所数据（16个普通庇护所GP+14个特殊需求庇护所SN）进行案例验证。

模型构建与算法设计
研究团队建立了包含决策变量x_erp（疏散路线分配）和z_es（庇护所分配）的混合整数规划模型。创新性地引入σ_s参数量化地域性病毒传播风险，通过约束条件（12）限制庇护所最大使用率U_s^max以保障社交距离。DECON算法将整体疏散人群分组处理，每组通过ε约束法生成包含9个帕累托前沿点的最优解集。

计算性能验证
在模拟棕榈滩县9000人疏散的案例中，DECON算法仅需158.69分钟即完成计算。分析显示，当选择帕累托前沿中平均理想距离（MID）最小的解时，可在F₁（8036.1小时）与F₂（10.916%）间取得最佳平衡，较极端解分别降低12.8%和67%的目标值。

管理启示
空间分析表明，算法自动优化了资源分配：1）疏散路线20和107使用率最高，分别承担1032和1172辆疏散车辆；2）庇护所6和27接纳人数最多（3031人和3776人），但通过均衡分配使利用率偏差控制在15.571%以内。与传统"最近庇护所"策略相比，该模型在增加13%疏散时间的同时，将病毒传播风险降低41%。

这项研究开创性地将公共卫生安全纳入应急疏散规划框架，其开发的DECON算法兼具计算效率与解的质量保证。特别值得注意的是，模型通过动态调整σ_s和U_s^max参数，可快速适应病毒传播态势变化，为决策者提供实时决策支持。未来研究可进一步整合实时交通数据，并探索与其他优化算法的混合策略，以应对超大规模疏散场景的需求。