.png){kind=icon}
返回
A data-driven hybrid scenario-based robust optimization method for relief logistics network design
.png){kind=icon}
PRE
AI
DOI：10.1016/j.tre.2024.103931.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将人工智能（AI）和鲁棒优化方法应用于需求-供应不确定条件下的救援物流网络规划与设计，对于智能灾害管理（IDM）展现出巨大潜力。本研究提出了一种基于数据驱动的混合情景鲁棒（SBR）方法，用于混合整数二阶锥规划（MISOCP）模型，通过将机器学习与混合鲁棒优化方法相结合来解决上述问题。采用机器学习技术根据位置坐标和受伤严重程度评分对伤亡人员进行聚类。此外，混合SBR优化方法以及基于不确定性集合技术的鲁棒优化方法被用于应对设施中断概率、受伤人数、运输时间和救援需求等不确定参数。同时，采用epsilon约束技术寻求双目标模型的解决方案。以Kermanshah灾害为真实案例，本研究的结果不仅验证了所提方法的有效性，还展示了其相较于典型随机和鲁棒优化方法的优势。此外，该方法表明所有伤亡人员能够以合理的成本高效转运以获得医疗服务，这对灾害管理至关重要。
Keyword:
Machine learning
Robust optimization
Humanitarian relief logistics
Facility disruption
Intelligent disaster management
期刊
IF:
8.8
论文数:
896
被引数:
2.0W
机构
暂无机构信息
引用论文
A Stochastic Programming Model for Casualty Response Planning During Catastrophic Health Events
PREAI
分享收藏A robust optimization model for multi-objective blood supply chain network considering scenario analysis under uncertainty: a multi-objective approach.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容