高速公路應急救援資源調度管理策略研究

譚中楠,曹明月,郭 飛

(1.河南省交通運輸發展集團有限公司鄭州分公司,河南 鄭州 450000；2.河南北斗衛星導航平臺有限公司,河南 鄭州 450003)

0 引言

近年來,以計算機、網絡、通信、大數據、物聯網等技術為支撐[1-3],高速公路智能管理系統[4-5]得到了迅速發展。然而,直到目前為止,我國公路管理水平與事故處理速度仍無法滿足人們的需求,道路擁堵和交通事故頻發現象十分嚴重。

為此,有研究將物聯網、云計算引入智能交通系統[6-7]，從而改善高速公路信息收集不準確和未及時反饋的問題。文獻[8]基于物聯網技術對隧道洞口結冰動態監測技術進行研究。文獻[9]設計了基于故障狀態演化的高速公路機電設備智能維護系統,實現高速公路機電設備故障檢測。文獻[10]基于深度學習方法搭建了高速公路智能監控分析平臺。然而,上述研究主要是對歷史數據進行分析,對事故處理及資源調度等方面的研究較少。目前,在解決突發事件應急資源調度方案的構建問題時,主要采用優化建模方法。主流的優化建模方法有分層序列法[11]、遺傳算法[12-13]等。然而,目前多目標優化算法在處理3個以上的目標函數時仍存在很多問題。首先,優化目標數量的增加導致種群中非支配解的比例增加,從而降低求解效率；其次,在高維目標空間中,保持多樣性指數的計算復雜度過高；最后,在高維對象空間的情況下,復合算子的搜索效率較低。

考慮到高速公路資源調度管理時效性要求,本文將處理高速公路應急事件資源調度問題轉化為多目標優化問題,并提出利用改進的多目標優化算法實現資源的最優調度方案。該方案充分結合非支配排序遺傳算法(non-dominated sorting gentic algorithm,NSGA-Ⅲ)和高斯估算法優點，可有效解決高速公路應急處理與資源調度多目標優化問題。

1 處理與資源調度建模

考慮到高速公路緊急情況發生的不確定性,這些應急事件可能發生在多個地點。同時,由于緊急情況的關聯性,如極端事件(暴雪、臺風、地震、洪水等),可能使許多潛在地點受到影響。因此,需要考慮災難現場和潛在災難現場的共同需求。這也導致資源調度模型的多目標優化特性。為最大化滿足高速公路災難現場和潛在災難現場資源調度需求，本文研究以最小化調度時間、調度成本、災難現場損失和最小化潛在災難現場不滿意度為目標函數,建立高速公路多目標優化模型。因此,該資源調度模型能夠最大程度地滿足現實生活中應對突發事件的需求。

1.1 相關假設

為簡化計算,本文作如下假設。

①本文只考慮從1個救援站點到多個災難站點和多個潛在災難站點的場景。

②已知從救援現場到每個災難現場的距離和資源調度的速度。

③每個災難現場對不同資源的需求是已知的。

④在調度過程中,災難現場的調度成本和每個資源的損失是已知的。

1.2 優化模型

資源調度模型目標函數如式(1)所示。

(1)

式中：f1(X)為最小化調度時間目標函數；f2(X)為最小化調度成本目標函數；f3(X)為最小化災難現場損失目標函數；f4(X)為最大化潛在災難現場滿意度目標函數。

式(1)顯示了應急資源調度模型的總體優化目標。

(2)

式中：R1,R2,…,Rr為r個可調度的資源；N1,N2,…,Nn為n個災難現場；ti(i=[1,N])為第i個資源的單位調度時間；Xik為救援點向第i個災難現場分配的第k個資源量；Di為從救援點到第i個災難現場的距離；vi為從救援點到第i個災難現場的資源調度速度。

(3)

式中：ci(i=[1,N])為第i個資源的單位調度成本。

(4)

(5)

約束條件為：

(6)

(7)

2 結合NSGA-III和高斯估計的混合進化算法

2.1 算法思路

NSGA-III在高維目標空間中具有明顯優勢。NSGA-III使用廣泛分布的參考點來維持群體中個體的多樣性。在優化目標構建的超平面中選擇個體時,使用理想點和參考點之間的連接,即從理想點和參考點組成的直線中選擇最近的個體。然而,NSGA-III使用傳統的交叉變異算子在父種群中隨機選擇個體。這種操作顯然只考慮個體的局部特征。因此,本文設計了1種結合NSGA-III和高斯估計的混合進化算法。混合算法在每個種群中選擇非優勢個體計算總體特征,并使用高斯估計算法生成新一代種群。這可以大大提高最優解的搜索效率和準確性。

令父種群為Pt,首先計算總體的適應度函數Ft。

Ft=[f1(Pt),f2(Pt),f3(Pt),f4(Pt)]

(8)

式中：fi(i=1,2,3,4)為第i個目標函數的適應度函數。

其次,對各個適應度值執行非支配排序操作。然后,對排名最高的個體計算其高斯分布均值和協方差。再次,通過高斯分布生成后代個體。接著,對新生成的個體執行變異操作。最后,使用父種群Pt和后代個體Gt計算最小適應度函數Zmin。最小適應度函數計算如式(9)所示。

(9)

進一步,對Gt和Ft進行非顯性排序,使用生成的參考點和最小適應度值Zmin進行個體選擇,以獲得子種群Pt+1。

混合進化算法流程如圖1所示。

圖1 混合進化算法流程圖

混合進化算法流程的主要階段包括交叉遺傳算子和時變高斯變異。圖1中：t為迭代步長；g為最大迭代次數。

2.2 優化策略

2.2.1 交叉遺傳算子

遺傳算子對于控制進化算法的優化過程具有重要意義。在本小節中,交叉和變異算子將應用于創建與初始種群大小相同的新種群。首先,隨機挑選來自第t代的2個父代x1(t)和x2(t),并使用模擬二進制交叉技術執行交叉操作,從而產生2個子代x1(t+1)和x2(t+1)。

(10)

式中：γ為擴展因子,表示子代與父代絕對差異的比率。

(11)

式中：μj為隨機參數,且μj∈(0,1)；η為固定參數,通常取1。

2.2.2 時變高斯變異

在求解多目標優化問題時,傳統NSGA-III可能會使種群過早陷入局部最優,并失去多樣性。因此,為了提高解的質量,還可以增強算法的魯棒性。本小節設計了1種時變高斯變異函數,通過變異算子產生新的種群。具體思路是在每一代對一些最差的個體使用高斯變異。一維高斯密度函數rg(x)定義如式(12)所示。

(12)

式中：μ和σ分別為高斯密度函數的均值和標準差,通常取μ=1、σ=0.5。

所提混合進化算法中,時變高斯變異函數計算如下。

(13)

式中：Pm為變異概率；rg為服從平均值為0、方差為1的高斯分布；Vu和Vl為決策變量的上界和下界；Mr為變異參數,本文取值為0.5；t為迭代次數；T為最大迭代次數。

3 仿真與分析

3.1 仿真環境

表1 救援站點對各資源參數

表2所示為災難點/潛在災難點對各資源需求。

表2 災難點/潛在災難點對各資源需求

同時，救援站點與災難點相關參數如下：救援站點與災難點1的距離為453 m，與災難點2的距離為411 m，與災難點3的距離為107 m，與災難點4的距離為111 m。潛在災難點災難發生概率參數如下：潛在災難點1災難發生概率為0.65，潛在災難點2災難發生概率為0.23，潛在災難點3災難發生概率為0.38。試驗場景相關參數信息設置如下：初始種群大小為700，最大迭代次數為150，交叉率為0.1，變異率為0.01。

3.2 性能對比與分析

圖2所示為不同算法目標函數對比結果。由圖2可知，傳統NSGA-III將在第120代左右收斂,所提混合算法將在40～110代收斂到最優解。仿真結果表明,混合進化算法與NSGA-III相比性能更優,運算效率提升9%～200%。因此,所提算法性能優于傳統NSGA-III。仿真結果進一步驗證了本文方法對高速公路應急事件管理具有一定的借鑒作用。

圖2 不同算法目標函數對比結果

4 結論

本文對高速公路應急處理進行了研究與分析,提出了一種高速公路應急救援資源調度管理策略,實現應急事件資源調度。為查找最優資源調度方案，本文提出了混合進化算法，建立調度時間最優、調度成本最優、災難站點損失最小、潛在災難現場不滿意程度最小的4目標資源調度優化模型。本文方法對高速公路應急事件管理具有一定借鑒作用。未來工作可對分布式節點計算進行研究,從而進一步提升調度效率。