城市突發(fā)事件中基于事故演變的救援需求決策模型及其優(yōu)化求解

楊 楓， 葉春明， 種大雙

(1.河南中醫(yī)藥大學(xué) 管理學(xué)院，河南 鄭州 450046; 2.上海理工大學(xué) 管理學(xué)院,上海 200093)

0 引言

隨著社會經(jīng)濟的快速發(fā)展，城市的規(guī)模變得越來越大，建筑物越來越密集，人口越來越多，道路也越來越擁堵。城市發(fā)生突發(fā)事件的幾率在增大，上海外灘的踩踏事件、天津港特大爆炸事件等城市突發(fā)事件給城市管理者敲響了警鐘。突發(fā)事件發(fā)生后，快速的應(yīng)急響應(yīng)和救援措施能有效的防止事態(tài)蔓延，減少次生災(zāi)害。

應(yīng)急資源的分配要結(jié)合事故點的救援需求來確定，它的特點是需求數(shù)量遠(yuǎn)遠(yuǎn)大于供應(yīng)數(shù)量，而且?guī)в型话l(fā)性和緊急性特點。應(yīng)急資源的分配必須滿足應(yīng)急反應(yīng)時間更短，資源利用率更高的要求，比一般資源的分配更嚴(yán)格。對于突發(fā)事件的應(yīng)急資源分配的研究，國內(nèi)外學(xué)者已經(jīng)做了大量的工作，取得了不少成果。Bozorgi-Amiri等人考慮救災(zāi)物流背景下的不確定問題，以最小化受災(zāi)區(qū)的最大資源短缺和最大化災(zāi)區(qū)滿意度水平為目標(biāo)，構(gòu)建一種多目標(biāo)隨機規(guī)劃模型[1]。王旭坪等人針對大規(guī)模突發(fā)事件發(fā)生后的初級階段應(yīng)急資源的分配問題，提出了一個多目標(biāo)非線性整數(shù)規(guī)劃模型，并將時間滿意度、需求滿意度和效用滿意度看作目標(biāo)函數(shù)，進行求解[2]。Sheu在基于一個三層的應(yīng)急物流混合分配框架提出了混合模糊聚類方法進行災(zāi)區(qū)劃分與應(yīng)急物資分配[3]。王蘇生等人建立一種以雙層決策方法為基礎(chǔ)的多受災(zāi)點應(yīng)急資源配置模型，提出一種多受災(zāi)點-多出救點應(yīng)急資源配置動態(tài)優(yōu)選策略[4]。Arora H等建立了以最大化救助率為目標(biāo)的應(yīng)急資源分配模型[5]。Wex F等構(gòu)建了以總運輸時間最小為目標(biāo)的應(yīng)急物資分配模型[6]。于輝等研究了應(yīng)急物資分配的兩階段嵌套策略[7]。葛洪磊等人考慮應(yīng)急物資分配中災(zāi)害嚴(yán)重程度、物資屬性和受災(zāi)點屬性等因素，提出了一種受災(zāi)人員損失函數(shù)，并以受災(zāi)人員損失最小為目標(biāo)進行求解[8]。Liu C等提出基于Petri網(wǎng)構(gòu)建多種應(yīng)急資源在不同應(yīng)急周期內(nèi)的分配模型[9]。Wang J等考慮應(yīng)急資源配置的及時性與公平性, 建立基于雙層決策方法的應(yīng)急資源配置模型[10]。龐海云等基于公平原則建立以系統(tǒng)損失最小為目標(biāo)的應(yīng)急物資分配和運輸優(yōu)化模型[11]。薛坤等建立了公平關(guān)切下以負(fù)效用加權(quán)的到達時間最小為目標(biāo)的應(yīng)急物資配送優(yōu)化模型[12]。Sherali H D等基于公平原則構(gòu)建了以最小化災(zāi)害風(fēng)險為目標(biāo)的應(yīng)急物資分配模型[13]。詹沙磊等設(shè)計一種通過已知需求災(zāi)區(qū)對未知需求災(zāi)區(qū)的救災(zāi)品需求進行貝葉斯更新的需求更新方式, 由此建立救災(zāi)品公平配送模型[14]。張怡等研究了應(yīng)急物資公平分配的塔木德分配模型、比例分配模型與Shapley值分配模型[15]。上述研究的主要立足點都是將目標(biāo)函數(shù)歸結(jié)為損失最小化和分配效用最大化，雖然模型的目標(biāo)形式都不一樣，沒有考慮到救援需求隨著事故演變發(fā)生動態(tài)隨機改變的現(xiàn)實情況。

城市突發(fā)事件具備較強的不確定性和隨機性特征，事故狀態(tài)的演變是無序的，導(dǎo)致救援過程中資源需求數(shù)量、交通損壞程度等因素具備隨機性；事故狀態(tài)的演變也是實時的，導(dǎo)致各種次生災(zāi)害的變化具備動態(tài)性，同時，對突發(fā)事件進行決策的有效信息之間存在較強的非關(guān)聯(lián)性和模糊性特征，因此只能通過事故狀態(tài)的轉(zhuǎn)移特征，實時進行決策，這種狀態(tài)符合馬爾科夫決策過程的前提條件。馬爾可夫決策過程(MDP)是一種描述隨機過程的數(shù)學(xué)方法，它描述的是在已知事故的現(xiàn)在狀態(tài)和所有過去狀態(tài)的情況下，其未來狀態(tài)的條件概率分布僅僅與當(dāng)前狀態(tài)有關(guān)。已經(jīng)有許多學(xué)者將馬爾可夫決策過程方法用來研究各種不確定問題和突發(fā)事件問題。學(xué)者劉學(xué)洪分析了突發(fā)事件中所獲取的信息存在偶然性，很難行程結(jié)構(gòu)化序列，提出一種馬爾科夫挖掘算法的突發(fā)事件科學(xué)決策方法，對突發(fā)事件進行重構(gòu)初始化處理[16]。該方法的目的是處理突發(fā)事件的初始化參數(shù)，并沒有跟蹤突發(fā)事件完整的狀態(tài)變化。張藝凡等人研究了地鐵運營突發(fā)事件中的風(fēng)險傳導(dǎo)規(guī)律和耦合關(guān)系，并分析了突發(fā)事件中不同地鐵線路間的影響和系統(tǒng)的穩(wěn)態(tài)特征，構(gòu)建了基于隨機Petri網(wǎng)的同構(gòu)馬爾科夫鏈模型，旨在找到提高應(yīng)急響應(yīng)效率的關(guān)鍵因素[17]。該研究的對象為地鐵突發(fā)事件中的不同線路，構(gòu)建了Petri網(wǎng)，考慮的是線路間和站點間的狀態(tài)影響，與本文的研究對象有很大不同。張仕學(xué)等人研究了公共區(qū)域的人群異常聚集問題，通過分析移動基站手機接入量，并利用馬爾科夫鏈構(gòu)建人群密度預(yù)測模型，預(yù)測人群異常聚集區(qū)域發(fā)生突發(fā)事件的概率[18]。該研究借助了網(wǎng)絡(luò)圖模型，給出了人群密度定義，利用人群轉(zhuǎn)移網(wǎng)絡(luò)建立人群聚集的轉(zhuǎn)態(tài)轉(zhuǎn)移模型，其前提條件是人群的聚集存在較強的關(guān)聯(lián)關(guān)系，但是通常情況下的突發(fā)事件并非具備強關(guān)聯(lián)關(guān)系。董秀成等人對突發(fā)事件的不同發(fā)展階段利用馬爾科夫預(yù)測方法進行動態(tài)預(yù)測，首先引入模糊理論，做定量分析，然后利用灰色理論處理評價體系中的不確定和不完備信息，最后給出最優(yōu)決策方案[19]。該研究主要是在決策方法層面進行了分析，并沒有考慮突發(fā)事件下應(yīng)急物資分配的隨機性和動態(tài)性，沒有研究物資調(diào)配策略。Ning Zd等人考慮到不同移動終端之間的服務(wù)質(zhì)量參數(shù)不同，將垂直切換決策問題作為一個馬爾可夫決策過程，以最大化期望總回報和最小化平均切換次數(shù)為目標(biāo)，建立獎勵函數(shù)，對各環(huán)節(jié)的服務(wù)質(zhì)量進行評估，得到一個平穩(wěn)的確定性切換決策策略[20]。黃飛騰等人為了分析水位調(diào)節(jié)系統(tǒng)，提出了基于系統(tǒng)的馬爾可夫性假設(shè)，并離散化了系統(tǒng)狀態(tài)，然后描述了系統(tǒng)的動態(tài)隨機過程，求得系統(tǒng)故障概率[21]。尚永爽等人采用隱馬爾可夫模型對系統(tǒng)進行狀態(tài)評估，以系統(tǒng)長期運行的最小平均費用率為目標(biāo)，解決系統(tǒng)視情維修問題[22]。Talluri等人以客戶選擇行為為研究背景，構(gòu)建了馬爾可夫決策過程模型，以嵌套分配策略為最優(yōu)策略，并證明了模型和估計過程是有效的[23]。李金林等應(yīng)用馬爾可夫決策過程理論和穩(wěn)健最優(yōu)化方法建立存量控制的穩(wěn)健模型，構(gòu)建了一種穩(wěn)健競標(biāo)價格策略[24]。Sean K等建立了一個馬爾可夫決策過程模型來研究在戰(zhàn)斗環(huán)境中的空中醫(yī)療轉(zhuǎn)移的調(diào)度策略[25]。Yu A等研究了馬爾可夫決策過程在定價策略管理中的應(yīng)用[26]。

城市突發(fā)事件中應(yīng)急救援的核心是高效率的調(diào)度方案，在事故不斷演變的情況下，當(dāng)前的應(yīng)急調(diào)度計劃將影響未來的調(diào)度計劃，當(dāng)前的調(diào)度決策方案對下一個階段的決策造成影響，并會改變下一階段的狀態(tài)，而與過去的狀態(tài)無關(guān)。很顯然，這是一個動態(tài)決策問題。城市突發(fā)事件中待救點的物資需求會隨著事故的演變發(fā)生變化，這與馬爾可夫決策過程的系統(tǒng)的演變?nèi)Q于狀態(tài)之間的隨機轉(zhuǎn)變非常相似，因此本文在城市突發(fā)事件發(fā)生后待救點事故動態(tài)演變的具體情境下，考慮當(dāng)前狀態(tài)對未來狀態(tài)的影響，針對城市突發(fā)事件下應(yīng)急救援的的特點，將事故演變設(shè)計成馬爾可夫決策過程，并構(gòu)建救援需求優(yōu)化模型，利用智能算法進行求解。

1 基本概念

在城市突發(fā)事件發(fā)生后，應(yīng)急救援的首要目標(biāo)就是確定救援需求，然后制定合理的救援方案，確定供給的救援物資，但是由于突發(fā)事件現(xiàn)場的傷亡信息并不能一次性完整獲取，事故信息隨著時間的推移和事件的演變逐步獲得，因此救援需求也隨事故的演變而不斷發(fā)生變化，這是一個動態(tài)變化的過程。

根據(jù)以上描述，給出事故演變的救援需求問題描述為：

(1)城市突發(fā)事件中待救點與救援點地理位置是確定的，救援點與待救點之間道路是連通的。

(2)如果把整個救援時間T分為n個時間段，那么在任一時間段Δti(1≤i≤n)，由于存在需求和供給不平衡的情況，所以給出的應(yīng)急救援方案不一定能滿足救援的需求。

由于待救點與施救點之間存在多對多的救援物資分配問題，而且不同施救點之間可以進行物資轉(zhuǎn)運，再加上待救點之間的救援需求隨著事故演變和時間推移不斷發(fā)生變化，這使得解決此類問題變得異常復(fù)雜。

馬爾可夫決策過程是不確定性系統(tǒng)動態(tài)控制的主要方法，廣泛應(yīng)用于隨機優(yōu)化控制、智能決策等領(lǐng)域[27]，可以為城市突發(fā)事件的救援需求動態(tài)決策提供量化模型。馬爾可夫決策過程的基本原理是未來狀態(tài)的分布依據(jù)當(dāng)前狀態(tài)的概率分布，在此基礎(chǔ)上做出判斷和決策[28]。馬爾可夫決策過程分析方法在城市突發(fā)事件中基于事故演變的應(yīng)急資源優(yōu)化調(diào)度過程中的應(yīng)用如圖1所示。整個決策過程是如何選取方案應(yīng)對突發(fā)事件的事故演變不確定發(fā)展的狀態(tài)，直至突發(fā)事件完全被控制為止。

圖1 城市突發(fā)事件中基于事故演變的應(yīng)急資源調(diào)度過程的馬爾可夫決策過程

2 模型描述

2.1 需求狀態(tài)演變的馬爾可夫過程

(1)

(2)

其中，πt表示從階段t到過程終結(jié)的決策規(guī)則δ的序列{δt,δt+1,…}，πt=(δt,πt+1)，其中δt是階段t的決策規(guī)則。有如下性質(zhì)：

性質(zhì)1如果在階段t決策者做出不滿足待救點需求的決策，那么隨著事故演變該待救點的需求狀態(tài)一定是階段t的非遞減函數(shù)。

很顯然，假設(shè)待救點在階段t未能得到救援物資，那么隨著事故的演變，該待救點對救援物資的需求量只能是保持或者是增加。有:

(3)

性質(zhì)2待救點受到各種不確定因素的影響，它在每個階段的需求狀態(tài)呈現(xiàn)隨機性。

(4)

由性質(zhì)1可得Pjk是一個上三角矩陣。

(5)

定理1假設(shè)G是階段t+1和階段t之間的時間間隔，那么有：

(6)

(7)

其中，round()表示對括號內(nèi)內(nèi)容按照隨機的方法取整，而且取得的整數(shù)與自身數(shù)值最接近。另外，還需規(guī)定一個初始值：

(8)

性質(zhì)3如果在某個階段物資調(diào)配策略滿足該待救點的需求，那么待救點的需求狀態(tài)將回歸到初始狀態(tài)，但隨著時間推移，需求的變化將會遵循由“產(chǎn)生”到“劇烈”的過程。為了區(qū)分自然變化狀態(tài)，做出如下定義：

依據(jù)性質(zhì)3，如果在式(7)、(8)中添加影響因子，用以表達待救點的需求滿足對需求狀態(tài)轉(zhuǎn)移概率的影響，那么可以得到階段t與階段t-1之間干預(yù)狀態(tài)的轉(zhuǎn)移方程為:

(9)

在求得需求的干預(yù)狀態(tài)后，進一步求出需求表達式，需求表達式的定義如下：

(10)

2.2 基于馬爾可夫決策過程的救援需求決策模型

目標(biāo)函數(shù)為:

(11)

(12)

根據(jù)物資調(diào)配實際情況，還必須增加式(13)的約束:

(13)

3 模型優(yōu)化求解

3.1 花朵授粉算法

城市突發(fā)事件發(fā)生后，應(yīng)急救援要求必須用最短的時間做出物資調(diào)度的決策，因此決策模型的求解對算法的收斂速度要求比較高，如果模型的決策變量涉及的維度較多，而且各維度集合規(guī)模較大時，求解會比較困難，對算法的要求也高。花朵授粉算法(Flower Pollination Algorithm, FPA)是一種基于群體智能的隨機尋優(yōu)算法，它源于對大自然中花朵授粉行為的模擬[29]。花的授粉方式按照花朵距離的不同，可以分為自花授粉和借助昆蟲的異花授粉兩種。算法的全局搜索類似于花朵的異花授粉過程，局部搜索類似于花朵的自花授粉過程，全局搜索和局部搜索的比重通過切換概率來權(quán)衡，這種方式使算法具有良好的尋優(yōu)效率，能夠求解各種優(yōu)化問題。

FPA假定每棵植物只開一朵花，每朵花只產(chǎn)生一個花粉配子，且每朵花為求解優(yōu)化問題的一個解，通過切換概率控制異花授粉和自花授粉之間的轉(zhuǎn)換[30]。它的主要思想是：首先初始化種群，然后對種群個體進行適應(yīng)值評價，找出適應(yīng)值最優(yōu)的個體作為當(dāng)前全局最優(yōu)解，最后不斷迭代執(zhí)行異花授粉和自花授粉兩個操作過程，直到滿足收斂條件為止。

對于花朵授粉算法的形式化描述，建立如下數(shù)學(xué)模型：

定義4在全局授粉中，傳粉載體攜帶花粉粒進行大范圍、長距離搜索，從而保證最優(yōu)個體的授粉和繁殖。在全局傳粉過程中，花粉的位置更新公式為:

(14)

(15)

其中：Γ(λ)是標(biāo)準(zhǔn)伽馬函數(shù)，參數(shù)1<λ≤3，文獻[29]指出λ=1.5時算法獲得最好的性能，因此本文取λ=1.5。

定義5相鄰花朵局部授粉的花粉粒位置更新公式為

(16)

定義6轉(zhuǎn)移概率p是決定花粉粒進行全局授粉還是局部授粉的概率，p為常數(shù)，且p∈[0,1]。p值越大則進行局部授粉活動的概率更大，同時進行全局授粉的機會將減少。

由于實際情形中相鄰的花朵更容易授粉，因此局部授粉活動發(fā)生概率將大于全局授粉。通過參數(shù)研究發(fā)現(xiàn)，對于優(yōu)化問題p=0.8是效果最好的參數(shù)選擇。

3.2 二進制編碼下的花粉位置更新

(17)

然后，設(shè)計花粉粒子位置更新公式如下:

(1)異花授粉時，

(18)

(2)自花授粉時，

(19)

采用sigmoid函數(shù)將花粉位置映射到[0,1]區(qū)間，并將更新后的位置轉(zhuǎn)換為取1的概率，即

(20)

設(shè)計花粉粒子位置的更新公式為：

(21)

其中ρ～U(0,1)。

3.3 適應(yīng)度函數(shù)設(shè)計

為了獲得一個獨立的適應(yīng)度函數(shù)，將式(13)轉(zhuǎn)換成懲罰函數(shù)，合并到式(11)中，得到:

(22)

(23)

求解干預(yù)狀態(tài)等價于對元胞數(shù)組的元素進行選擇。即

(24)

3.4 算法步驟

用花朵授粉算法求解基于事故演變的救援需求調(diào)配問題的步驟如下：

步驟1對算法的控制參數(shù)進行初始化，其中花粉粒子規(guī)模為M=jmax×tmax，切換概率為p，算法最大迭代次數(shù)為nmax。

步驟3進入主循環(huán)，如果rand>p，按照式(18)和式(20)、(21)進行異花授粉，否則按照式(19)和式(20)、(21)進行自花授粉。其中rand是[0,1]上服從均勻分布的隨機數(shù)。

步驟6比較n與nmax，若n≠nmax，則令n=n+1，算法跳轉(zhuǎn)到步驟3，繼續(xù)花朵授粉算法核心操作，如果n=nmax，算法轉(zhuǎn)到步驟7判斷算法終止條件。

步驟7當(dāng)滿足迭代條件時，算法停止，獲得最優(yōu)的調(diào)度方案Xg*jt和最優(yōu)的物資調(diào)配量Fitg*。

4 實證

4.1 實例描述

由于突發(fā)地震，某市部分地區(qū)房屋倒塌，造成人員傷亡，急需藥品和食品。假設(shè)該市有5個區(qū)域需要救援，分別為A、B、C、D和E，如圖2所示。隨著災(zāi)情的發(fā)展，待救點對藥品和食品的需求不斷發(fā)生動態(tài)演變。假設(shè)地震發(fā)生后，可能導(dǎo)致4種次生災(zāi)害，其對救援資源的需求狀態(tài)空間為N={N1,N2,N3,N4}，需求狀態(tài)轉(zhuǎn)移概率(P={P1,P2,P3,P4})和救援階段(S={S1,S2,S3,S4})矩陣和物資需求最低滿足量分別為表1和表2所示，假設(shè)每個階段倉庫能提供藥品50千克，食品600千克。

圖2 待救點分布圖

表1 待救點對藥品和食品的需求狀態(tài)轉(zhuǎn)移概率矩陣

表2 待救點對物資的初始需求和已有物資量(單位：噸)

由于突發(fā)事故，救援資源準(zhǔn)備不足，不可能同時滿足所有地區(qū)的救援物資的需求，只能分階段逐步的滿足。如何選擇先滿足哪些地區(qū)后滿足哪些地區(qū)，每個階段提供多少物資，是解決問題的關(guān)鍵。很顯然，隨著事故演變，救援需求也在動態(tài)變化，其狀態(tài)轉(zhuǎn)移概率具有馬爾可夫性。基于馬爾可夫決策過程的應(yīng)急物資調(diào)度決策方案針對待救點實時需求狀態(tài)的演化特征，做出合適的需求滿足決策，其目的是保證事故整體的需求狀態(tài)平穩(wěn)，合理配置資源，實現(xiàn)救援需求的優(yōu)化，更好的實現(xiàn)救助任務(wù)。因此，考慮事故演變的不確定性，必須動態(tài)的給出合理的物資調(diào)配策略，對每個待救點采取逐步滿足的方式，使得整體的物資需求呈緩慢變化趨勢，并降低物資的整體需求量，避免過度調(diào)配。物資調(diào)配策略的思想是對傷員多，物資需求增長較快的待救點優(yōu)先進行物資調(diào)配，并加大調(diào)配量，然后隨著系統(tǒng)狀態(tài)的演化逐步調(diào)整調(diào)配方案，確保整個應(yīng)急物資的調(diào)配過程保持平衡，并盡可能的保證公平性和效率性。

4.2 求解過程

為了驗證本文所提出的花朵授粉算法解決4.1實例中基于事故演變的需求物資調(diào)配問題的有效性，在CPU為Intel Core i7 2.5GHZ，內(nèi)存為4GB的計算機上編程求解，使用的操作系統(tǒng)為64位Windows 7，編程工具為Matlab R2015b。為了更好的說明算法的運行結(jié)果，對同一問題，分別采用花朵授粉算法、粒子群算法和螢火蟲算法進行編程求解，并做出對比。3種算法的初始參數(shù)如表3所示，針對每種算法程序均獨立運行10次，對食品和藥品調(diào)配策略分別求解，結(jié)果如表4所示。

表3 FPA、FA和PSO算法參數(shù)設(shè)置

表4 FPA、FA和PSO算法對藥品和食品物資需求優(yōu)化方案10次運行結(jié)果

從表4中可以看出，3種算法都能獲得最優(yōu)物資調(diào)配結(jié)果，10次運行的結(jié)果可以看出花朵授粉算法求解的目標(biāo)函數(shù)最優(yōu)值相比粒子群算法和和螢火蟲算法都小，說明為了達到待救點物資需求的平穩(wěn)增長，花朵授粉算法得到的物資調(diào)配策略使得在整個救援過程中待救點物資調(diào)配量最小，更加合理的利用了救援物資。

取第6次運行結(jié)果繪制最優(yōu)目標(biāo)求解收斂曲線，如圖3所示。

圖3 FPA、FA和PSO算法對食品和藥品物資最優(yōu)調(diào)配策略迭代曲線

從圖3可以看出，花朵授粉算法求解該類問題的收斂速度比粒子群算法和螢火蟲算法都快，說明了花朵授粉算法有更快的尋優(yōu)能力，符合應(yīng)急物資調(diào)配的時間要求。由第6次運行結(jié)果，由式(1)、(11)、(17)、(21)、(22)、(23)、(24)將花朵授粉算法的最優(yōu)粒子位置反向取值獲取最優(yōu)物資調(diào)配策略為如下圖4矩陣：

圖4說明，對于待救點區(qū)域A、B、C、D和E，在4個階段的藥品物資調(diào)配中，1011表示對區(qū)域A的物資調(diào)配中第1階段滿足待救點的需求，第2階段不滿足，第3、4階段滿足其需求，同理對于區(qū)域B、C、D、E分別對應(yīng)矩陣的2、3、4、5行的策略，策略選擇的依據(jù)是該待救區(qū)域事故演變的程度和需求量的大小。

5 結(jié)論

城市突發(fā)事件中待救點的救援物資需求會隨著事故的演變發(fā)生變化，這種演變是不確定的，而且明顯具有馬爾可夫性。在救援物資不能滿足所有待救點的需求情況下，必須采取合理的物資調(diào)配策略才能保證各個待救點的救援需求平穩(wěn)變化，不至于出現(xiàn)物資嚴(yán)重不足導(dǎo)致受災(zāi)人群的恐慌，造成更嚴(yán)重的后果，也不至于出現(xiàn)物資過度調(diào)配，造成物資的浪費和調(diào)配的不均衡。本文在城市突發(fā)事件發(fā)生后待救點事故動態(tài)演變的背景下，將應(yīng)急救援需求的演變設(shè)計成一個馬爾可夫決策過程，并構(gòu)建優(yōu)化模型，然后利用花朵授粉算法對模型進行求解。最后，以某市突發(fā)地震災(zāi)害，造成藥品和食品短缺為例進行實證研究。結(jié)果表明，本文提出的救援物資需求決策模型使用馬爾可夫決策過程方法，模擬事故演變中待救點物資需求動態(tài)變化過程，并做出合理的需求滿足決策，可以合理的配置資源，使整體救援需求保持平穩(wěn)的狀態(tài)，實現(xiàn)了救援需求的優(yōu)化，更好的完成救助任務(wù)。因此，突發(fā)事件情境下事故演變存在隨機性和動態(tài)性，這種不確定演變符合馬爾可夫性特征，對此類問題的決策可以采用馬爾科夫決策過程方法進行處理；應(yīng)急救援背景下，物資需求的產(chǎn)生與演化與物資調(diào)配策略有直接關(guān)系，對多種需求的滿足屬于多目標(biāo)優(yōu)化問題，必須平衡多個目標(biāo)的需求關(guān)系才能盡可能延緩需求的產(chǎn)生和演變，所以以整個救援階段物資需求的總和最小為優(yōu)化目標(biāo)更能貼切說明這個問題，這也是突發(fā)事件中應(yīng)急救援的特征：平穩(wěn)演變，大局為重。