化工園區(qū)突發(fā)事故應(yīng)急資源調(diào)度策略

趙宏偉, 趙西珂, 王陽陽, 尤靜月

(沈陽大學(xué) 信息工程學(xué)院, 遼寧 沈陽 110044)

化工園區(qū)在提高生產(chǎn)技術(shù)水平,促進(jìn)行業(yè)經(jīng)濟(jì)的同時(shí),也給化學(xué)工業(yè)的安全生產(chǎn)帶來了挑戰(zhàn)?；@區(qū)內(nèi)存放有大量的易燃易爆物料,如果園區(qū)內(nèi)出現(xiàn)了火災(zāi)、爆炸、泄露氣體等突發(fā)事故,可能會(huì)產(chǎn)生災(zāi)難性的多米諾效應(yīng),并由此帶來重大的人員傷亡和財(cái)產(chǎn)損失,如2019年,江蘇省響水化工園區(qū)“3.21”特大爆炸事件,共導(dǎo)致78人遇難,640人受傷住院,直接經(jīng)濟(jì)損失高達(dá)19.86億元[1]。鑒于事故的突發(fā)性,當(dāng)事件發(fā)生時(shí)迅速制定合理的應(yīng)急資源調(diào)度方案至關(guān)重要。

化工園區(qū)應(yīng)急資源調(diào)度存在著時(shí)效性、復(fù)雜性和經(jīng)濟(jì)性等特征。由這些特征可知,化工園區(qū)應(yīng)急資源調(diào)度體系應(yīng)對(duì)突發(fā)事件的能力,有賴于它的迅速反應(yīng)機(jī)制以及在復(fù)雜環(huán)境下的適應(yīng)性。對(duì)應(yīng)急資源調(diào)度的研究,主要針對(duì)于事故突發(fā)時(shí),如何快速、合理、有效的將儲(chǔ)備點(diǎn)的應(yīng)急資源運(yùn)送到事故點(diǎn),從而盡可能地降低損失并且防止引發(fā)其他災(zāi)害。當(dāng)前,國內(nèi)外學(xué)者在應(yīng)急資源調(diào)度問題上做了很多研究。如王飛躍等[2]從物流成本和系統(tǒng)損失2方面最小化救災(zāi)作業(yè)成本且最大限度地配置有限的救災(zāi)資源,構(gòu)建基于路況的多目標(biāo)應(yīng)急資源分配模型,并使用細(xì)胞遺傳算法求解。唐紅亮等[3]構(gòu)建了由單位時(shí)間周轉(zhuǎn)量最小、資源分配公平性最佳和資源運(yùn)送空載量最低所組成的3目標(biāo)資源優(yōu)化調(diào)度模型,并通過多目標(biāo)粒子群算法求解。Wang等[4]考慮了物流因素對(duì)調(diào)度計(jì)劃的影響,建立了物資調(diào)度與物資運(yùn)輸?shù)亩S多目標(biāo)優(yōu)化模型,然后采用分解救援點(diǎn)的方式對(duì)模型進(jìn)行降維處理,并通過仿真實(shí)驗(yàn)證明了模型的有效性。唐偉勤等[5]構(gòu)建了多目標(biāo)灰色規(guī)劃模型,該模型以時(shí)間滿意度和緊急需求的滿足程度最大化為目標(biāo),對(duì)提升政府應(yīng)急物資調(diào)配決策的準(zhǔn)確性具有參考意義。Ding等[6]基于灰色區(qū)間數(shù)建立了多對(duì)多的應(yīng)急資源調(diào)度模型,并采用基于遺傳算法的多目標(biāo)優(yōu)化算法進(jìn)行求解。張國富等[7]構(gòu)建了多儲(chǔ)備站、多種應(yīng)急物資、單事故點(diǎn)的應(yīng)急物資多目標(biāo)分配模型,然后基于非支配排序遺傳算法和啟發(fā)式策略設(shè)計(jì)了求解算法,解出了較好的應(yīng)急物資分配方案。然而,大多研究是以自然災(zāi)害領(lǐng)域的應(yīng)急資源調(diào)度為背景,而以化工園區(qū)事故為背景的應(yīng)急資源調(diào)度研究并不是很多。實(shí)際上,化工園區(qū)應(yīng)急資源調(diào)度需要考慮時(shí)效性、充足性和經(jīng)濟(jì)性等方面,化工園區(qū)是?；犯叨燃蹍^(qū),?；肥鹿示哂械湫偷亩嗝字Z效應(yīng),一家企業(yè)突發(fā)安全事故,處理不及時(shí)的話,會(huì)同時(shí)影響園區(qū)內(nèi)其他的企業(yè)[8]。所以,化工園區(qū)安全事故的發(fā)生對(duì)應(yīng)急資源的時(shí)效性和充足性更加苛刻。

本文在已有工作的基礎(chǔ)上,針對(duì)化工園區(qū)突發(fā)事故應(yīng)急救援的時(shí)效性和充足性特點(diǎn),并考慮多米諾效應(yīng)約束,構(gòu)建了一種面向多儲(chǔ)備站、多事故點(diǎn)、多資源、以應(yīng)急資源調(diào)度時(shí)間最短化為主要目標(biāo)和運(yùn)輸成本最小化為次要目標(biāo)的雙目標(biāo)應(yīng)急資源調(diào)度模型。然后使用結(jié)合遺傳算法交叉算子和引入禁忌表策略的改進(jìn)灰狼優(yōu)化算法對(duì)其求解,最后通過仿真實(shí)驗(yàn)檢驗(yàn)了所提模型與算法的有效性。

1 化工園區(qū)突發(fā)事故應(yīng)急資源調(diào)度模型

1.1 問題描述

當(dāng)化工園區(qū)發(fā)生火災(zāi)事故時(shí),必須用最短的時(shí)間做出科學(xué)合理的應(yīng)急資源調(diào)度方案,此時(shí)的應(yīng)急資源調(diào)度具備緊迫性的特點(diǎn),并且調(diào)度給化工園區(qū)事故的應(yīng)急資源需要滿足其需求量,不然很容易引發(fā)多米諾效應(yīng),形成次生事故?；@區(qū)事故發(fā)生多米諾效應(yīng)的最晚時(shí)間按照發(fā)生概率不超過10%來推算,一般為25 min左右[9]?；@區(qū)火災(zāi)發(fā)生時(shí),需要大量的消防資源和醫(yī)療資源,這時(shí)需要多個(gè)儲(chǔ)備庫協(xié)作調(diào)度應(yīng)急資源,以滿足救援需求。依據(jù)化工園區(qū)火災(zāi)事故應(yīng)急的特點(diǎn),本文構(gòu)建了一種面向多儲(chǔ)備站、多事故點(diǎn)、多資源,以應(yīng)急資源調(diào)度時(shí)間最短化為主要目標(biāo)和運(yùn)輸成本最小化為次要目標(biāo)的雙目標(biāo)應(yīng)急資源調(diào)度模型。其調(diào)度關(guān)系如圖1所示。有m個(gè)儲(chǔ)備點(diǎn)A={A1,A2,…,Ai,…,Am},n個(gè)事故點(diǎn)B={B1,B2,…,Bj,…,Bn},u種應(yīng)急資源C={C1,C2,…,Ck,…,Cu}。儲(chǔ)備點(diǎn)Ai往事故點(diǎn)Bj調(diào)運(yùn)第k種資源的量用Xijk表示。

圖1 應(yīng)急資源調(diào)度示意Fig.1 Schematic diagram of emergency resource scheduling

1.2 基本假設(shè)

1) 各儲(chǔ)備點(diǎn)對(duì)各種應(yīng)急資源的儲(chǔ)存量已知;

2) 各事故點(diǎn)對(duì)各種應(yīng)急資源的需求量已知;

3) 各儲(chǔ)備點(diǎn)到各事故點(diǎn)的運(yùn)輸距離已知;

4) 運(yùn)輸車輛相同且充足,車輛行駛速度和單位距離運(yùn)輸成本已知;

5) 不存在堵車、道路損壞情況;

6) 各儲(chǔ)備點(diǎn)相互獨(dú)立,不能互相調(diào)度資源。

1.3 符號(hào)說明及相關(guān)公式

為了便于描述問題,涉及的變量符號(hào)及其含義如表1所示。

表1 模型中各符號(hào)的含義Table 1 The meaning of symbols in the model

計(jì)算應(yīng)急資源調(diào)度時(shí)間最短目標(biāo)時(shí),首先算出每個(gè)事故點(diǎn)所需要物資均達(dá)到要求所花費(fèi)的最長(zhǎng)時(shí)間,然后將所有事故點(diǎn)所花費(fèi)的最長(zhǎng)時(shí)間求和,得到整個(gè)應(yīng)急資源調(diào)度過程時(shí)間最短化目標(biāo)Y,即:

(1)

Hij的計(jì)算公式如下:

(2)

Gij為0～1變量,派出為1,否則為0,具體如下:

(3)

儲(chǔ)備點(diǎn)Ai往事故點(diǎn)Bj的行程時(shí)間則由資源調(diào)度情況Gij和行程時(shí)間Tij相乘得到。

而Tij由式(4)可得:

Tij=dij/v。

(4)

式中:dij表示資源從儲(chǔ)備點(diǎn)Ai到事故點(diǎn)Bj的運(yùn)輸距離;v表示運(yùn)輸車輛的行駛速度。

1.4 應(yīng)急資源調(diào)度模型建立

本文以應(yīng)急資源調(diào)度時(shí)間f1最短化為主要目標(biāo),以運(yùn)輸成本f2最小化為次要目標(biāo)來作為模型的目標(biāo)函數(shù)。

模型的目標(biāo)函數(shù)如下:

模型的約束條件如下:

其中:式(7)是失效時(shí)間約束,要求各事故點(diǎn)在多米諾效應(yīng)發(fā)生前,所需的應(yīng)急資源需全部到達(dá);式(8)是儲(chǔ)備點(diǎn)儲(chǔ)存量約束,表示儲(chǔ)備點(diǎn)Ai為每個(gè)事故點(diǎn)調(diào)度第k種資源的總量小于等于儲(chǔ)備點(diǎn)Ai對(duì)第k種資源的總儲(chǔ)備數(shù)量;式(9)是事故點(diǎn)需求量約束,表示所有儲(chǔ)備點(diǎn)為事故點(diǎn)Bj調(diào)度第k種資源的數(shù)量等于事故點(diǎn)Bj對(duì)第k種資源的需求量;式(10)是變量的非負(fù)整數(shù)約束,表示儲(chǔ)備點(diǎn)Ai往事故點(diǎn)Bj調(diào)度某資源數(shù)量的取值范圍為非負(fù)整數(shù)。

1.5 問題轉(zhuǎn)化

討論求解的化工園區(qū)應(yīng)急資源調(diào)度問題屬于雙目標(biāo)優(yōu)化問題,即要求應(yīng)急調(diào)度時(shí)間f1最短、運(yùn)輸成本f2最小。多目標(biāo)優(yōu)化問題求解時(shí)往往各目標(biāo)是相互矛盾、相互沖突的,通常得到1組非劣解,不存在同時(shí)最小化所有目標(biāo)函數(shù)的可行解。而應(yīng)急資源調(diào)度時(shí)需快速確定一種具體的調(diào)度策略,為了模型的準(zhǔn)確性及簡(jiǎn)便性,本文通過理想點(diǎn)法把雙目標(biāo)優(yōu)化問題變成單目標(biāo)優(yōu)化問題。理想點(diǎn)法的基本原理是構(gòu)造一個(gè)評(píng)價(jià)函數(shù)。首先找出每個(gè)單獨(dú)目標(biāo)函數(shù)的最優(yōu)解和最差解,即正理想點(diǎn)和負(fù)理想點(diǎn)[10]。然后選出1個(gè)距離各項(xiàng)最優(yōu)解距離之和最短的理想點(diǎn)。

將f1,min和f1,max作為目標(biāo)函數(shù)f1的最優(yōu)解和最差解,f2,min和f2,max作為目標(biāo)函數(shù)f2的最優(yōu)解和最差解?？紤]到不同目標(biāo)的優(yōu)先級(jí)可能不同,因此引入權(quán)重系數(shù)ρ1、ρ2作為f1、f2的期望權(quán)重,ρ1+ρ2=1且0≤ρ1≤1,0≤ρ2≤1。由于各個(gè)目標(biāo)量綱不一,構(gòu)造函數(shù)時(shí)為消除量綱影響,還需進(jìn)行歸一化處理[11]。最終構(gòu)造的新的優(yōu)化目標(biāo)函數(shù)如下:

(11)

為使應(yīng)急調(diào)度時(shí)間最短和運(yùn)輸成本最小2個(gè)目標(biāo)函數(shù)得到滿意解,盡可能地逼近理想點(diǎn),就要使F最小,以F為新目標(biāo),再次結(jié)合模型約束進(jìn)行求解。

2 TSGWO-GA算法設(shè)計(jì)

本文構(gòu)建的應(yīng)急資源調(diào)度模型涉及2個(gè)目標(biāo)函數(shù)和多維決策變量,且變量之間相互影響,該問題是NP難問題,其求解復(fù)雜度遠(yuǎn)高于一般調(diào)度規(guī)劃問題。一般智能算法求解收斂速度慢且解的質(zhì)量不高。因此本文將灰狼優(yōu)化算法(greywolfoptimization,GWO)引進(jìn)到該問題的求解中,并將其改進(jìn)為TSGWO-GA(tabusearchgreywolfoptimization-geneticalgorithm)算法,有效地解決了該應(yīng)急資源調(diào)度模型的求解問題。

2.1 基本灰狼算法

灰狼優(yōu)化算法是一種仿真大自然中灰狼的等級(jí)劃分和狩獵活動(dòng)的群體智能優(yōu)化算法,其參數(shù)設(shè)置簡(jiǎn)單,優(yōu)化能力強(qiáng)大,在資源調(diào)度、函數(shù)尋優(yōu)等領(lǐng)域中獲得了廣泛應(yīng)用[12]。

GWO中,灰狼社會(huì)可分為α、β、δ、ω 4個(gè)層次,α是首狼,對(duì)整個(gè)狼群實(shí)施控制;β是位居第2的灰狼,主要輔佐α;δ是位居第3位的領(lǐng)導(dǎo)層灰狼;ω是指底層灰狼,是狼群的基礎(chǔ),要服務(wù)于α,β和δ[13]。其中,每只灰狼都代表一種有效解,最優(yōu)解是α,次優(yōu)解與第3優(yōu)解是β和δ,其他的解為ω[14]。迭代更新時(shí),GWO通過α、β和δ引領(lǐng)ω來實(shí)現(xiàn)包圍、追捕和攻擊3個(gè)階段的捕食行為,進(jìn)而進(jìn)行了全局優(yōu)化。

灰狼種群捕獵的流程有以下3步:

1) 包圍獵物。在狩獵過程中狼群發(fā)現(xiàn)并包圍獵物的數(shù)學(xué)模型為:

式中:Xp為獵物位置;X為灰狼位置;t是迭代次數(shù);D為個(gè)體和獵物之間的距離;E和O為系數(shù)向量。式(12)和式(13)是灰狼位置的更新公式,E和O的計(jì)算公式為:

式中:收斂因子|a|在迭代中從2線性遞減到0; |r1|和|r2|為[0,1]內(nèi)隨機(jī)產(chǎn)生的數(shù)。

2) 追捕獵物。在狩獵過程中狼群由α,β和δ帶領(lǐng)追捕獵物,其余灰狼通過式(16)～式(18)來更新位置:

式中:Xα、Xβ和Xδ為α、β和δ位置;O1、O2、O3和E1、E2、E3為系數(shù)向量。

3) 攻擊獵物。攻擊獵物是獲得最優(yōu)解的過程,它通過式(14)中|a|的遞減實(shí)現(xiàn),當(dāng)|a|從2線性遞減到0時(shí),相應(yīng)的|E|會(huì)在區(qū)間[-a,a]變化。另外,當(dāng)|E|<1時(shí),下一代狼群位置更加靠近獵物;當(dāng)|E|>1時(shí),狼群遠(yuǎn)離獵物,導(dǎo)致失去最優(yōu)解位置。|a|的更新公式為

|a|=2-2t/T。

(19)

式中,T為預(yù)設(shè)的最大迭代次數(shù)。

2.2 改進(jìn)灰狼算法TSGWO-GA

2.2.1 解的編碼及轉(zhuǎn)換方法

改進(jìn)灰狼算法中,灰狼個(gè)體的位置即問題的解,本文用m×n×u的3維矩陣來表示灰狼個(gè)體的位置,灰狼個(gè)體位置如式(20)和式(21)所示:

式中:φl表示第l個(gè)灰狼個(gè)體的3維矩陣位置;u表示資源種數(shù);φk表示第k類資源對(duì)應(yīng)的2維數(shù)組;m表示儲(chǔ)備點(diǎn)個(gè)數(shù);n表示事故點(diǎn)個(gè)數(shù)。

基本灰狼算法迭代更新后的灰狼種群為實(shí)數(shù)矩陣,不適用于離散整數(shù)域。因此在求解化工園區(qū)事故應(yīng)急資源調(diào)度問題時(shí),還需把灰狼的位置實(shí)數(shù)轉(zhuǎn)換為整數(shù)才能得到實(shí)際的調(diào)度方案。

為了解決應(yīng)急資源調(diào)度問題,可以采用如下的編碼變換方式,把在連續(xù)空間中的所有灰狼個(gè)體的元素xi都映射為整數(shù)yi[15],即

(22)

2.2.2 TSGWO-GA算法

GWO算法的迭代方式是由領(lǐng)導(dǎo)層灰狼位置來更新其余灰狼的位置,選擇適應(yīng)度最優(yōu)的3個(gè)個(gè)體α、β、δ作為領(lǐng)導(dǎo)層灰狼,之后以這3個(gè)個(gè)體進(jìn)行迭代,直至達(dá)到迭代結(jié)束條件。算法前期收斂速度較快,但迭代后期若頭狼陷入局部最優(yōu),會(huì)導(dǎo)致其余個(gè)體更新位置時(shí)都圍繞在頭狼附近,所以算法在迭代后期易陷入局部最優(yōu),收斂速度變慢且尋優(yōu)精度變差。因此使用以下2個(gè)方法來增強(qiáng)全局搜索尋優(yōu)的能力,一是引入遺傳算法的交叉算子,交叉操作通過種群中的染色體互相交換自身的基因來產(chǎn)生新的個(gè)體;二是引入禁忌表策略,禁忌表通常記錄前若干次迭代中選擇的局部最優(yōu)解,在下一次迭代中避開它們來實(shí)現(xiàn)跳出局部最優(yōu)的目的。

交叉操作提取普通灰狼的部分信息與頭狼相應(yīng)位置信息進(jìn)行交換,如果交換后產(chǎn)生的新的灰狼個(gè)體適應(yīng)度值更優(yōu),則交換后的灰狼個(gè)體保留,原始灰狼個(gè)體被淘汰,否則保留原有個(gè)體。這里進(jìn)行交換的信息為φl中2維數(shù)組的整體信息,φk中的信息不做變化。具體操作過程如圖2所示:選中普通灰狼個(gè)體為φ′l,φl為頭狼個(gè)體,隨機(jī)提取交換信息合并到φ′l中形成新的灰狼個(gè)體φ″l。

圖2 隨機(jī)交叉過程Fig.2 Random crossover process

禁忌表是一個(gè)循環(huán)表,每迭代一次,將新的灰狼個(gè)體φn放在禁忌表的末端,然后釋放最早進(jìn)入的灰狼個(gè)體φ1,具體操作過程如圖3所示。

圖3 禁忌表Fig.3 Taboo list

TSGWO-GA算法流程如圖4所示。

圖4 TSGWO-GA流程圖Fig.4 Flow chart of TSGWO-GA

2.2.3 適應(yīng)度函數(shù)

灰狼優(yōu)化算法以適應(yīng)度值來評(píng)價(jià)灰狼個(gè)體的好壞,本文所研究的化工園區(qū)火災(zāi)事故應(yīng)急資源調(diào)度問題,以應(yīng)急調(diào)度時(shí)間最短和運(yùn)輸成本最小為目標(biāo),并通過理想點(diǎn)法把雙目標(biāo)問題變成單目標(biāo)問題,將目標(biāo)值與理想值的加權(quán)歐幾里德距離視為灰狼的適應(yīng)度值。最后判斷是否符合多米諾效應(yīng)約束、資源儲(chǔ)備約束以及資源需求約束,對(duì)于不滿足的情況,使用罰函數(shù)法進(jìn)行處理,將一個(gè)懲罰項(xiàng)賦予此灰狼,使其適應(yīng)度值變得極差,從而淘汰該灰狼。

3 仿真實(shí)驗(yàn)

3.1 算法性能測(cè)試

為了驗(yàn)證TSGWO-GA算法的有效性,選取4個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行測(cè)試,標(biāo)準(zhǔn)測(cè)試函數(shù)如表2所示。

進(jìn)行測(cè)試的除了改進(jìn)的TSGWO-GA算法,還有原GWO算法和GA算法來形成對(duì)比,算法種群數(shù)都為30,總迭代次數(shù)為500,測(cè)試算法涉及到的交叉概率設(shè)為0.95,變異概率設(shè)為0.1,禁忌表長(zhǎng)度為6,所有試驗(yàn)獨(dú)立運(yùn)行30次,然后從平均值和標(biāo)準(zhǔn)差2個(gè)方面來分析該算法的求解精度和魯棒性,結(jié)果如表3所示。

表3 測(cè)試結(jié)果Table 3 Test results

由表3可知,改進(jìn)的TSGWO-GA算法測(cè)試得到的平均值和標(biāo)準(zhǔn)差均小于原GWO算法和GA算法,所以改進(jìn)的TSGWO-GA算法擁有更好的尋優(yōu)能力和魯棒性,優(yōu)于原GWO算法和GA算法。

3.2 案例分析

假設(shè)某地區(qū)有3處同時(shí)發(fā)生化工園區(qū)事故,3個(gè)事故點(diǎn)為B1、B2、B3,這3個(gè)事故點(diǎn)周邊有4個(gè)應(yīng)急資源儲(chǔ)備點(diǎn)A1、A2、A3、A4。設(shè)各儲(chǔ)備點(diǎn)運(yùn)輸車裝載物資的準(zhǔn)備時(shí)間為3、1、2、2min。按照發(fā)生多米諾效應(yīng)的概率低于10%來計(jì)算,3個(gè)事故點(diǎn)防止發(fā)生多米諾效應(yīng)的最晚時(shí)間分別為27、25、23min。事故需要5種應(yīng)急資源,它們占用車輛空間的空間系數(shù)分別為0.50、0.20、0.20、0.10、0.05。各運(yùn)輸車行駛的平均速度設(shè)為40km·h-1。運(yùn)輸車輛的單位距離運(yùn)輸費(fèi)用為10元·(km·車)-1。各儲(chǔ)備點(diǎn)到各事故點(diǎn)的距離見表4,各儲(chǔ)備點(diǎn)對(duì)各資源的儲(chǔ)存量見表5,各事故點(diǎn)對(duì)各資源的需求量見表6。

表4 各儲(chǔ)備點(diǎn)到各事故點(diǎn)的距離

表5 各儲(chǔ)備點(diǎn)對(duì)各種資源的儲(chǔ)存量

表6 各事故點(diǎn)對(duì)各種資源的需求量

對(duì)此案例進(jìn)行仿真分析時(shí),設(shè)定總迭代次數(shù)為2 000,維度為60,其余參數(shù)和算法性能測(cè)試參數(shù)相同,2個(gè)目標(biāo)的權(quán)重系數(shù)為0.5。得到的收斂曲線如圖5所示。

圖5 3種算法的收斂曲線Fig.5 Convergence curves of the three algorithms

根據(jù)圖5的對(duì)比結(jié)果發(fā)現(xiàn),在求解化工園區(qū)事故應(yīng)急資源調(diào)度方案的過程中,TSGWO-GA算法的曲線隨迭代次數(shù)的增加下降最快且收斂的值最小,所以該算法求解精度更高,并且收斂速度最快。由此可見,TSGWO-GA算法能有效地求解本文提出的應(yīng)急資源調(diào)度問題。

為保證實(shí)驗(yàn)合理性,用3種算法對(duì)案例分別進(jìn)行10次求解,結(jié)果如表7所示。

表7 3種算法求解結(jié)果對(duì)比

從表7可以看出, TSGWO-GA算法在3種算法中解的平均值最小且解的最優(yōu)值小于其他算法, 說明TSGWO-GA算法比其他2種算法的求解適應(yīng)度更高。

3種算法求解案例10次所得結(jié)果的箱線圖如圖6所示。從圖6箱線圖可以看出,TSGWO-GA算法在10次求解中所得結(jié)果的中位數(shù)最小,結(jié)果優(yōu)于其他算法,從而反饋的調(diào)度策略更能符合應(yīng)急資源調(diào)度對(duì)時(shí)效性和經(jīng)濟(jì)性等特點(diǎn)的要求。

圖6 3種算法求解案例得到的箱線圖

基本灰狼算法在種群更新時(shí)始終靠近當(dāng)前最優(yōu)解,容易陷入局部最優(yōu),而TSGWO-GA算法融合了遺傳算法的交叉算子并且引入禁忌表策略,增強(qiáng)了算法全局搜索能力和尋優(yōu)能力。上述實(shí)驗(yàn)證明了此算法在應(yīng)對(duì)化工園區(qū)應(yīng)急資源調(diào)度模型問題時(shí)擁有較好的尋優(yōu)能力,相較于原GWO算法和GA算法更適合求解該問題,它可以在不超過各事故點(diǎn)發(fā)生多米諾效應(yīng)的時(shí)間前提下,盡可能地減少總調(diào)度時(shí)間和運(yùn)輸成本,對(duì)提高化工園區(qū)事故救援效率和降低事故損失有著重要的實(shí)際意義。

用TSGWO-GA算法求解得到的最優(yōu)調(diào)度方案如表8所示。在表8中,數(shù)值0代表該儲(chǔ)備點(diǎn)不往該事故點(diǎn)調(diào)運(yùn)這種資源,如儲(chǔ)備點(diǎn)A1往事故點(diǎn)B1調(diào)運(yùn)C4和C5兩種資源,分別是29和41個(gè)單位。此方案代入到式(11),得到其目標(biāo)函數(shù)值為0.069 585,其目標(biāo)1調(diào)度時(shí)間和為65.5 min,目標(biāo)2運(yùn)輸成本為3 810元。

表8 TSGWO-GA算法求解得到的最優(yōu)調(diào)度方案Table 8 The optimal scheduling scheme obtained by TSGWO-GA algorithm

4 結(jié) 論

化工園區(qū)應(yīng)急資源調(diào)度是?；吠话l(fā)事故發(fā)生時(shí)的重要工作,關(guān)系著人民群眾的生命與財(cái)產(chǎn)安全,因此對(duì)化工園區(qū)應(yīng)急資源調(diào)度的研究是十分必要的。針對(duì)這一問題,本文分析了化工園區(qū)突發(fā)事故應(yīng)急資源調(diào)度的特點(diǎn),從時(shí)效性、充足性和經(jīng)濟(jì)性角度構(gòu)建了一種面向多儲(chǔ)備站、多事故點(diǎn)、多資源的雙目標(biāo)應(yīng)急資源調(diào)度模型,該模型以調(diào)度時(shí)間最短化為主要目標(biāo),以運(yùn)輸成本最小化為次要目標(biāo),并使用理想點(diǎn)法將雙目標(biāo)問題轉(zhuǎn)換為單目標(biāo)問題。然后基于灰狼優(yōu)化算法融合遺傳算法交叉算子和禁忌表策略設(shè)計(jì)了一種TSGWO-GA算法,并根據(jù)上述模型進(jìn)行優(yōu)化,對(duì)求解結(jié)果進(jìn)行離散化處理,從而使結(jié)果能夠反映出實(shí)際的應(yīng)急資源調(diào)度策略。仿真實(shí)驗(yàn)結(jié)果表明:應(yīng)急資源調(diào)度模型有效;TSGWO-GA算法對(duì)求解此模型擁有更好的效率和尋優(yōu)能力,能提高應(yīng)急處置救援能力,可以為決策者提供科學(xué)合理的應(yīng)急資源調(diào)度方案。