.png){kind=icon}
返回
Spatial-Data-Driven Facility Location Planning
.png){kind=icon}
PRE
AI
DOI：10.1177/10591478251375297.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设施在具有连续分布需求的区域内进行选址是一个难题，通常需要采用可能引入近似误差的离散化方法。本研究提出了一种稳健的方法来应对连续空间分布的挑战，通过考虑与未来需求位置相关的空间不确定性下的设施选址问题，而无需依赖离散化及其相关误差。我们提出了一种基于空间数据的优化方法来处理关键挑战，即潜在需求的连续区域、历史需求的稀疏性以及需求空间分布的非平稳性。为此，我们使用基于Wasserstein距离的空间模糊集来建模空间不确定性，并利用流行的聚类算法形成子区域，以明确捕捉需求发生的空间结构。这种提出的空间模糊集不需要文献中常用的离散化和需求聚合方法，同时仍保持优化可解性。遵循采用所提出空间模糊集的分布鲁棒优化框架，将该问题重新表述为混合整数半无限优化问题，然后通过我们的行与列生成算法进行求解。为研究实际性能，我们在应急响应背景下，使用英国利兹市真实致命道路交通事故数据进行了数值研究。数值结果表明，我们提出的方法优于基准方法，并能获得可能为未来需求发生提供更短响应时间的设施位置。具体而言，在样本外性能方面，我们提出的方法比样本平均近似方法提高了7%至9%，并在更高未来空间不确定性下比离散化和需求聚合方法提高了5%至8%。
期刊
P
IF:
5.1
论文数:
246
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Data-driven distributionally robust optimization using the Wasserstein metric: performance guarantees and tractable reformulations使用Wasserstein度量的数据驱动的分布式鲁棒优化: 性能保证和可处理的重新制定
PREAI
分享收藏
查看更多内容