《Fire》：An Air–Ground Collaborative Emergency Material Dispatch Method for Wildfires in Dynamic Time-Varying Environments: A Case Study of the High-Altitude Plateau Region in Western China
编辑推荐：
为应对高原及山地区域日益严重的野火破坏性及其对地面交通网络的扰乱、对应急物流的严峻制约，以及无人航空器（Unmanned Aerial Vehicle, UAV）载荷能力受限等挑战，研究人员提出了一种面向动态时变野火环境的空地协同应急物资调度方法。研究构建了多
为应对高原及山地区域日益严重的野火破坏性及其对地面交通网络的扰乱、对应急物流的严峻制约，以及无人航空器（Unmanned Aerial Vehicle, UAV）载荷能力受限等挑战，研究人员提出了一种面向动态时变野火环境的空地协同应急物资调度方法。研究构建了多层时空网络模型，将野火蔓延和气象波动等关键不确定性因素纳入动态参数；并建立了多目标混合整数规划（Multi-Objective Mixed-Integer Programming, MOMILP）框架，以联合优化应急响应时间、总调度成本和救援公平性。为求解由此产生的高维动态重调度问题，研究人员设计了融合滚动时域机制的快速蚁群优化-遗传算法（Fast Ant Colony Optimization-Genetic Algorithm, FACO-GA）。在1-10级动态扰动条件下的仿真结果表明，与传统独立算法（遗传算法（Genetic Algorithm, GA）和蚁群优化（Ant Colony Optimization, ACO））相比，所提方法展现出更优的鲁棒性和计算效率，将极端平均重调度响应时间降低至6.80秒，同时保持96.30%的超体积（Hypervolume, Hv）保留率，并将间距（Spacing, Sp）变化率限制在4.15%。这些发现表明，所提方法能够有效克服计算瓶颈，为复杂野火场景下的应急物流调度提供自适应决策支持框架。此外，全面的消融实验和敏感性分析验证了滚动时域模块和ACO模块的结构必要性，确保了算法在极端随机扰动下的参数鲁棒性。
研究背景与问题提出
全球气候变化、长期干旱及极端天气的叠加效应导致野火灾害日益频繁且具破坏性，对生态安全、基础设施和人类生命构成严重威胁。在高海拔高原及山地区域，复杂地形、脆弱交通网络和快速变化的局部气象条件进一步放大了野火灾害的影响。一旦野火发生，陡峭地形、道路损毁、烟尘遮蔽和风向变化会迅速中断地面运输、隔离受灾区域，大幅降低应急物流和救援行动的效率。在此情境下，及时可靠的物资调度对于支援一线灭火、医疗救护和灾后应急响应至关重要。与传统地面配送相比，无人航空器具备快速部署、灵活机动及降低对损毁道路依赖等优势，尤其适用于交通受阻的山地野火区域。因此，融合地面车辆长距离大载重优势与无人航空器灵活"最后一公里"配送能力的空地协同配送模式，成为野火应急物流领域极具前景的解决方案。
然而，高原山地野火场景下的应急物资调度与传统物流问题存在本质差异，because灾难环境具有高度动态性和时变性。野火蔓延、风向变化、气象波动、道路可达性和应急需求均可能在短时间内快速演化，导致路径可用性、节点状态和车辆性能持续变化。尽管现有应急物流、卡车-无人航空器协同和动态车辆路径研究已取得重要进展，但多数仍依赖静态或简化的确定性假设，主要聚焦于最小化行驶时间或经济成本，未能充分捕捉野火灾害的连续演化、异质车辆协同的复杂耦合约束，以及响应时效性、调度成本和救援公平性之间的多目标权衡。这些局限在高海拔高原野火环境中尤为突出，传统模型和独立算法在动态扰动下易发生维度爆炸、计算效率低下和解质量退化。为弥补上述不足，本研究提出了一种动态时变条件下的空地协同应急物资调度方法。
研究设计、核心结论与学术发表
研究人员以中国四川省凉山州木里县高海拔高原山地区域为实证场景，基于真实地理人口数据构建仿真环境，利用航天飞机雷达地形测绘（Shuttle Radar Topography Mission, SRTM）高程数据构建三维地形网格，结合WorldPop人口密度栅格数据提取21个代表性受灾点。研究配置异质车队包括8辆中型卡车、4架双尾蝎D重型无人航空器和4架HY100中型无人航空器，系统总需求约6450千克。研究建立了多目标混合整数线性规划模型，以帕累托优化框架联合优化应急响应时间、总调度成本和救援公平性三个冲突目标；设计了融合滚动时域机制的快速蚁群优化-遗传算法（FACO-GA），其中遗传算法负责全局高层决策（车辆-任务分配和多目标权衡），蚁群算法负责次级局部路径精细化，滚动时域机制通过状态更新触发、局部拓扑修复和再优化继承实现动态重调度。
仿真结果表明，所提FACO-GA算法在1-10级动态扰动下表现显著优于传统独立算法：极端平均重调度响应时间压缩至6.80秒，Hv保留率达96.30%，Sp变化率控制在4.15%。该研究将传统静态路径问题转化为动态多因素耦合重调度问题，提升了系统对不确定灾害演化的适应性，缓解了重复全局重计算的维度爆炸和计算瓶颈，为复杂真实野火响应中的资源分配、作业安全和救援公平提供了科学量化决策工具。该论文发表于《Fire》期刊。
主要技术方法
研究采用的关键技术方法包括：基于SRTM高程数据和WorldPop人口密度数据的地理空间分析与三维地形建模；多层时空网络构建，将野火蔓延、道路退化及气象波动嵌入动态参数；多目标混合整数线性规划（MOMILP）框架建立，采用帕累托优化而非加权和方法，独立同时优化应急响应时间、总调度成本和救援公平性；快速蚁群优化-遗传算法（FACO-GA）混合算法设计，遗传算法模块负责宏观资源分配与任务分配并通过非支配排序实现多目标权衡，蚁群算法模块在遗传算法生成初始框架下执行具体路径规划与序列构建，利用信息素反馈机制实现多约束下的深度局部微调；滚动时域优化机制，将连续救援过程离散化为序贯决策窗口（窗口长度设定为30分钟），通过状态更新与触发、任务冻结规则和60%信息素继承实现局部拓扑快速修复；技术源于理想解相似性排序（Technique for Order of Preference by Similarity to Ideal Solution, TOPSIS）方法用于从帕累托最优解集中选取折衷执行方案；以及消融实验和参数敏感性分析验证框架结构的必要性。
研究结果
实验场景与车队配置
研究以四川省凉山州木里县高海拔山地区域为背景，利用SRTM高程数据构建三维地形网格，处理人口数据生成人口热力图，基于人口密度和地形特征提取21个代表性受灾点，需求在150千克至400千克之间，系统总需求约6450千克。车队配置为8辆卡车、4架双尾蝎D重型无人航空器和4架HY100中型无人航空器，均从位于县域交通枢纽的 centralized material dispatch center 出发。
空地协同调度方案
在车队容量和续航能力约束下，FACO-GA基于人口密度和紧迫性将救援行动智能划分为三个动态调度周期。调度方案成功解耦了地面运输的地理限制与空中运输的载荷限制，实现了悬崖中断路网间的无缝接力作业。
周期一：优先保障极高密度东南深谷及郊区高需求区域。在初始迭代中，混合算法优先服务人口最密集的雅砻河谷地带（P1-P8）和郊区点（P15），集中部署重型无人航空器和地面卡车的高效运输能力。
周期二：聚焦中南部中等密度河流及中距离复杂山谷区域。随着极重灾区域需求缓解，算法将焦点南移（P9-P14, P16-P17）。由于该区域地形复杂、道路损毁严重，算法显著提高了卡车-无人航空器协同模式的利用率。
周期三：扫尾极偏远高海拔孤岛及外围区域。在最终调度阶段，算法脱离常规道路网络约束。对于西北部人口稀疏的极高海拔牧区（P20, P21），直接指派长航时无人航空器进行空中穿透，而其余卡车完成外围节点的扫尾配送。
动态重调度机制深度分析
动态扰动参数化与滚动时域机制。研究定义1-10级动态扰动为野火蔓延、道路基础设施退化和气象波动的多因素随机耦合，每级线性缩放三种扰动向量的强度：气象阻力η
wind影响无人航空器旅行时间，高海拔风切变导致速度降低；道路退化η
road影响卡车旅行时间，火致烟尘和碎屑降低地面速度并引入关键阻断概率；需求激增η
demand采用时变需求更新函数建模，火场扩展驱动需求增长。滚动时域机制将连续救援任务离散化为序贯决策区间，窗口长度设置为30分钟，基于扑火物流典型响应周期要求和木里地区平均火势蔓延速度确定；触发条件为地面路径阻断或到达时间累积偏差超过窗口长度的15%；任务冻结规则锁定已卸载材料和在途车辆；蚁群模块保留60%前一时窗信息素密度以加速局部拓扑修复。
多目标重调度性能比较。量化汇总显示，FACO-GA在平均动态重调度时间、重调度后Hv保留率和Sp变化率三项核心多目标性能指标上均显著优于ACO和GA。图8直观比较了三种算法的性能演化趋势：计算效率与维度管理方面，FACO-GA将极端平均响应时间压缩至6.80秒，即便在10级严重程度下仍保持在10秒以内；解质量与结构保持方面，Hv保留率达96.30%，而GA在严重环境扰动下Hv保留率骤降至60%以下；系统稳定性与救援公平性方面，Sp变化率严格控制在4.15%的紧密范围内，而传统算法在中高扰动下Sp波动超过15%至35%。
算法鲁棒性与方差边界分析。传统算法的方差带呈明显"喇叭形"扩张，表明其对随机环境噪声高度敏感；而FACO-GA的方差边界在所有十级严重程度下均保持异常狭窄，证明了滚动时域和局部修复机制的优越性，不仅保证高度优化的平均性能，还确保严格的上下执行边界，为应急指挥者提供高度可预测和鲁棒的决策工具。
组件贡献与参数敏感性分析。消融研究表明，去除滚动时域机制（"No RH"）的变体重调度时间激增，证明盲全局重计算必然导致动态灾难网络中的维度爆炸；去除ACO局部精细化（"No ACO"）的变体在严重扰动下Hv保留率骤降，凸显了ACO模块对于细粒度局部拓扑修复的不可或缺性。敏感性分析显示，交叉率Pc=0.8和变异率Pm=0.2时达到最优Hv保留峰值96.3%，且在宽泛参数区间内保持95%以上的稳定高性能。
绝对运营指标与动态局部修复案例。10级扰动场景下，FACO-GA将总未满足需求降至141千克，最差节点满足率达92.0%。具体案例中，卡车T3原定向P7配送并计划释放中型无人航空器H2服务P8，15分钟后次生滑坡完全切断至P7的地面路线，滚动时域机制锁定未受影响路线并执行局部拓扑修复：T3安全改道至P6节点，同时重型无人航空器S2从基地直接进行越域空投，依次服务P7和P8，防止了局部灾难向系统性供应链故障的级联扩散。
可扩展性与多场景适用性
补充验证在50和100个灾难节点及不同车队配置下进行。结果表明，FACO-GA处理时间保持近线性增长，成功生成可行的协同路径方案；在100节点大规模环境中Hv保留率仍高于93%，证明其多层级网络建模和局部修复机制具有高度可扩展性，适用于多样配置的无人航空器和卡车组合。与传统元启发式算法因搜索空间"维度爆炸"而呈指数增长不同，FACO-GA有效弥合了快速应急响应需求与高质量物流决策之间的差距。
讨论与总结
研究结论
本研究针对高海拔高原山地野火场景下动态时变条件下的应急物资调度复杂问题，提出了一种基于混合智能算法的空地协同调度方法。通过将野火蔓延、损毁道路网络容量和气象风频波动等关键环境不确定性显式纳入多层时空网络，构建了表征异质车队耦合运行约束的动态模型；在此基础上开发了多目标混合整数规划模型以联合优化应急响应时间、调度成本和救援公平性，并设计了融合滚动时域机制的快速蚁群优化-遗传算法（FACO-GA）以高效求解动态重调度问题。
对应研究目标的主要发现和贡献总结如下：针对目标一，通过将野火蔓延、道路网络退化和风频波动等关键环境不确定性显式纳入多层时空网络，研究成功实现了地面与空中运输约束的解耦，结果表明动态空间建模对于真实野火物流至关重要，使系统能够自适应绕开物理阻断；针对目标二，所开发的多目标混合整数规划模型成功实现了冲突运营目标间的结构化权衡，仿真结果证实救援公平性可被严格保持（Sp变化率限制在4.15%），而不会过度牺牲响应时间或总运输成本，确保隔离区域获得可靠支援；针对目标三，所提出的FACO-GA融合滚动时域机制，有效求解了高维动态重调度问题，与传统独立算法相比展现出显著更优的计算效率，将极端平均重调度响应时间降低至6.80秒，在10级动态扰动下保持96.30%的Hv保留率。
总体而言，本研究为极端野火环境中的应急物流提供了结构化且自适应的决策框架。其主要贡献不仅在于整合多式联运资源以克服单一运输模式的物理局限，更在于将传统静态路径转化为动态多因素耦合重调度问题，从而提升系统级不确定灾害演化的适应性，缓解与重复全局重计算相关的维度爆炸和计算瓶颈。这些发现为应急管理机构改善复杂真实野火响应中的资源配置、作业安全和救援公平提供了科学量化决策工具。
