汪 勇，李文凱，艾學(xué)軼，蒲秋梅

（1.武漢科技大學(xué) 恒大管理學(xué)院，武漢 430065；2.中央民族大學(xué) 信息工程學(xué)院，北京 100081）

0 引言

應(yīng)急物資調(diào)度（Emergency Material Scheduling，EMS）的研究主要包括調(diào)度模型和求解方法兩個方面。Hu 等（2019）[1]指出EMS 調(diào)度模型主要以最短時間、最短距離、最小成本、最大滿意度、公平性等為目標(biāo)。Liu 等（2021）[2]考慮到受災(zāi)群眾滿意度，建立了具有滿意度約束的調(diào)度模型。L（i2021）[3]建立了考慮運輸時間、成本、資源可用性等影響因素的資源調(diào)度模型。薛星群等（2020）[4]以受災(zāi)點等待救援的平均時間最短以及應(yīng)急網(wǎng)絡(luò)總費用最低為目標(biāo)，構(gòu)建運力受限條件下受通行約束的救援物資聯(lián)合運輸多目標(biāo)優(yōu)化模型。苑津莎等（2020）[5]在考慮需求點滿意度的同時，引入需求迫切度概念，進(jìn)一步提高調(diào)度模型的科學(xué)性。Wan等（2021）[6]建立了基于有序到貨原則的多目標(biāo)多約束應(yīng)急物資調(diào)度模型。由于災(zāi)害發(fā)生后，很難估計應(yīng)急救援物資的需求，劉揚等（2019）[7]以三角模糊數(shù)描述物資需求的不確定性，構(gòu)建了考慮需求點匹配度和響應(yīng)時間的多目標(biāo)調(diào)度模型。Liu 等（2020）[8]提出了一個具有連續(xù)時變供需約束的應(yīng)急物資分配多目標(biāo)優(yōu)化模型，使得應(yīng)急救援行動的損失和經(jīng)濟成本最小化。

EMS 因其多目標(biāo)和多約束特性在大多數(shù)情況下為強NP-Hard問題，啟發(fā)式算法成為解決這類優(yōu)化問題的重要方法。但啟發(fā)式算法幾乎都存在早收斂和優(yōu)化精度不高的問題，為此，一些改進(jìn)和融合算法有效地改善了算法的性能。Han等（2021）[9]通過引入狀態(tài)轉(zhuǎn)移算法的四種狀態(tài)變換算子，解決了模擬退火算法探索初期收斂進(jìn)度慢的問題。Joshi 等（2021）[10]提出了一種嵌入鄰域檔案的改進(jìn)引力搜索算法，有助于以更少的時間復(fù)雜度增加多樣化的搜索。Mohammed 和Rashid（2020）[11]提出鯨魚灰狼優(yōu)化算法，解決了局部搜索能力不足的問題。

目前，考慮目標(biāo)偏好的多目標(biāo)應(yīng)急物資調(diào)度研究尚不多見，算法的優(yōu)化精度和搜索性能仍值得進(jìn)一步改善，鑒于此，本文建立一個具有目標(biāo)偏好的雙目標(biāo)應(yīng)急物資調(diào)度模型，提出一種麥田競賽算法（Tournament in Cornfield Algorithm，TCA），以解決EMS方案優(yōu)化問題。

1 應(yīng)急物資調(diào)度模型

1.1 假設(shè)條件

受到物資儲備量、道路狀況、運輸能力等因素的影響，使得應(yīng)急物資調(diào)度成為一項十分復(fù)雜的優(yōu)化問題?？紤]到上述影響因素以及應(yīng)急物資調(diào)度的可行性，對調(diào)度模型作如下假設(shè)：（1）供應(yīng)點是指第三方商業(yè)性物資儲備庫。（2）各類物資總儲備量大于總需求量。（3）每個需求點應(yīng)急物資需求和每個供應(yīng)點應(yīng)急物資儲備的種類和數(shù)量不完全相同。（4）每個需求點可以從多個供應(yīng)點調(diào)度物資，每個供應(yīng)點可以向多個需求點供應(yīng)物資。（5）同一供應(yīng)點運輸車輛性能相同且數(shù)量有限，每輛車只從一個供應(yīng)點裝載物資，只為一個需求點運送物資。

1.2 調(diào)度模型構(gòu)建

1.2.1 問題描述

設(shè)有n個需求點，m個供應(yīng)點，u種應(yīng)急物資，qik表示需求點i需求應(yīng)急物資k的數(shù)量，cjk表示供應(yīng)點j儲備應(yīng)急物資k的數(shù)量。一個調(diào)度方案x可表示為x={xijk|i=1，2，…，n，j=1，2，…，m，k=1，2，…，u}。為減少災(zāi)害帶來的損失，在最短時間內(nèi)將應(yīng)急物資配送到位是調(diào)度者首要考慮的目標(biāo)。此外，由于供應(yīng)點是商業(yè)性物資儲備庫，因此在保障應(yīng)急物資及時供給時，需考慮應(yīng)急物資的采購成本。故以時間和成本為目標(biāo)構(gòu)建應(yīng)急物資調(diào)度模型。f1(x)、f2(x)分別表示調(diào)度時間和調(diào)度成本，調(diào)度目標(biāo)是使得f1(x)與f2(x)最小，即：

式（2）至式（7）為式（1）的約束條件。式（2）表示應(yīng)急物資調(diào)度數(shù)量整數(shù)約束，即決策變量xijk為正整數(shù)。式（3）表示決策變量xijk非負(fù)且不大于供應(yīng)點j物資k的儲備量。式（4）表示所有需求點從供應(yīng)點j調(diào)度物資k的總量不大于該供應(yīng)點物資k的儲備量。式（5）表示需求點i從所有供應(yīng)點調(diào)度物資k的總量等于該需求點對物資k的需求量。

式（4）、式（5）是決策變量定義域約束。所有決策變量定義域不相同且存在依賴關(guān)系。由式（4）知，當(dāng)供應(yīng)點j可供調(diào)度的物資k數(shù)量小于需求點i需求物資k的數(shù)量時，則需求點i從供應(yīng)點j調(diào)度物資k的數(shù)量不超過該供應(yīng)點剩余物資k的數(shù)量。即

由式（5）知，需求點i從供應(yīng)點j調(diào)度物資k的數(shù)量不超過該需求點所需剩余物資k的數(shù)量，即xijk≤qik-

式（6）表示供應(yīng)點物資儲備量和需求點物資需求量非負(fù)約束。式（7）表示所有需求點物資k的需求量不超過所有供應(yīng)點物資k的儲備量。

1.2.2 調(diào)度時間

在不考慮物資裝載時間的情形下，調(diào)度時間即應(yīng)急物資運輸時間。每個供應(yīng)點按照需求點受災(zāi)程度運送應(yīng)急物資，先向受災(zāi)程度最嚴(yán)重的需求點運送物資，接著向受災(zāi)程度次嚴(yán)重的需求點運送物資，依此類推，直到完成所有需求點的物資運送任務(wù)。對于一個調(diào)度方案x，設(shè)需求點i從供應(yīng)點j調(diào)度物資總重量為Mij(x)，則：

其中，rjk是供應(yīng)點j物資k的儲備狀態(tài)，cjk=0 時，rjk=0；cjk＞0 時，rjk=1。wjk是供應(yīng)點j物資k的單位重量。設(shè)供應(yīng)點j向所有需求點運送物資的車次為b(j)，則：

其中，gj是供應(yīng)點j車輛載重量。b(j)≠0 時，表示需要多臺車輛運送應(yīng)急物資。設(shè)供應(yīng)點j總的運輸任務(wù)為Sj(x)，根據(jù)式（8）、式（9），Sj(x)={s1，s2，…，sb(j)}，b(j)為運輸任務(wù)數(shù)，即每車次為一個運輸任務(wù)。一個需求點可能存在多個運輸任務(wù)，供應(yīng)點j到需求點i的運輸時間記為Tij(x)，則：

其中，dij是供應(yīng)點j到需求點i的距離，vj是供應(yīng)點j車輛平均時速。由式（10）可得各任務(wù)的運輸時間Tj(x)={t1，t2，…，tb(j)}。設(shè)供應(yīng)點j的車輛數(shù)為h(j)。根據(jù)運輸任務(wù)及其運輸時間計算供應(yīng)點j的調(diào)度時間DTj(x)。0時刻開始執(zhí)行前h(j)個運輸任務(wù)，當(dāng)有運輸任務(wù)完成時，釋放的車輛開始執(zhí)行第h(j)+1個運輸任務(wù)，依此類推，直到所有運輸任務(wù)完成為止，設(shè)第a(a=1，2，…，b(j)-h(j)+1)批任務(wù)最短運輸時間為STa，則第a+1批任務(wù)的剩余運輸時間RTa+1見式（11）。

顯然，a=1 時，RT1∈{t1，t2，…，th(j)}。根據(jù)式（11）計算每一批未完成任務(wù)的剩余運輸時間，從而得到該批任務(wù)的最短運輸時間STa和最后一批任務(wù)的最長運輸時間LTb(j)-h(j)+1，則所有任務(wù)的調(diào)度時間見式（12）。

總的調(diào)度時間f1(x)取決于所有需求點調(diào)度時間的最大值，即：

其中，μ為懲罰因子。若調(diào)度方案滿足式（3）、式（4）約束，則μ=1，否則，μ=+∞。

1.2.3 調(diào)度成本

調(diào)度成本由采購成本和物流成本構(gòu)成。由假設(shè)條件可知，供應(yīng)點為商業(yè)性物資儲備庫，調(diào)度物資必然產(chǎn)生成本，稱為采購成本，記為pc(x)。采購成本取決于供應(yīng)點應(yīng)急物資單位價格和調(diào)度數(shù)量。設(shè)pjk表示供應(yīng)點j應(yīng)急物資k的單位價格，則所有需求點調(diào)度的應(yīng)急物資采購成本為：

其中，xijk=0 表示需求點i沒有應(yīng)急物資k的需求。

物流成本主要來自車輛使用費，記為lc(x)。設(shè)ρj表示供應(yīng)點j的單位運輸費用。根據(jù)式（8）得到物流成本為：

由式（14）和式（15）得到調(diào)度方案x的調(diào)度成本為：

1.3 調(diào)度方案編碼

由于直接采用優(yōu)化變量實值編碼易產(chǎn)生大量無效解，故設(shè)置一個新的決策變量ωijk，ωijk∈[0，λ]，λ為所有新的決策變量上界。ωijk表示需求點i從供應(yīng)點j調(diào)度應(yīng)急物資k的份額，ωijk是一個三維變量，為便于計算，按照需求點排列為一維結(jié)構(gòu)編碼。新變量與原始變量的映射函數(shù)見式（17）。

2 麥田競賽算法

2.1 相關(guān)定義

定義1：選手手中的麥穗稱為標(biāo)準(zhǔn)麥穗，標(biāo)準(zhǔn)麥穗的集合稱為標(biāo)準(zhǔn)群體，記為X，X={xi|i=1，2，…，N}，xi表示第i個標(biāo)準(zhǔn)麥穗。選手眼中搜尋到的麥穗稱為挑戰(zhàn)麥穗，挑戰(zhàn)麥穗的集合稱為挑戰(zhàn)群體，記為Y，Y={yi|i=1，2，…，N}，yi是xi的挑戰(zhàn)麥穗。N為群體規(guī)模。

定義2：決策變量是一組反映麥穗質(zhì)量的物理指標(biāo)。xij表示標(biāo)準(zhǔn)麥穗xi的第j項物理指標(biāo)，j=1，2，…，L。yij表示挑戰(zhàn)麥穗yi的第j項物理指標(biāo)。L為物理指標(biāo)數(shù)。

定義3：篩選目標(biāo)是判斷標(biāo)準(zhǔn)麥穗和挑戰(zhàn)麥穗質(zhì)量優(yōu)劣的依據(jù)，如顆粒飽滿度、色澤等。篩選目標(biāo)與麥穗物理指標(biāo)間的關(guān)系稱為篩選目標(biāo)函數(shù)，記為fk(xi)，fk(xi)表示標(biāo)準(zhǔn)麥穗xi的第k個篩選目標(biāo)，k=1，2，…，m，m為目標(biāo)數(shù)。選手關(guān)注程度最高的目標(biāo)稱為偏好目標(biāo)。

定義4：設(shè)xi∈X，yi∈Y，xi與yi具有質(zhì)量優(yōu)劣關(guān)系，若?k∈[1，m]，都有fk(yi)≥fk(xi)成立，則yi優(yōu)于xi，yi為優(yōu)等麥穗，記為yi?xi。反之，xi為優(yōu)等麥穗，記為xi?yi。顯然，麥穗質(zhì)量優(yōu)劣關(guān)系具有傳遞性。若xi，xj，xh∈X，xi?xj，且xj?xh，則xi?xh。

定義5：對于xi∈X，yi∈Y，若?k，l∈[1，m]，k≠l，使得fk(xi)＞fk(yi)，且f1(xi)＜f1(yi)，則稱xi與yi質(zhì)量不具有優(yōu)劣關(guān)系，即不存在xi?yi，也不存在yi?xi，記作xi??yi。

定義6：反映麥穗xi成熟程度的函數(shù)稱為成熟度函數(shù)，記為F(xi)。設(shè)xi，xj∈X，i，j=1，2，…，N，若xi?xj，則F(xi)=1，F(xiàn)(xj)=-1。反之，F(xiàn)(xi)=-1，F(xiàn)(xj)=1。若xi??xj，則F(xi)=F(xj)=0。

定義7：設(shè)xi∈X，若對于?xj∈X，k∈[1，m]，都有F(xi)＞F(xj)成立，則稱xi為標(biāo)準(zhǔn)麥穗群體的最優(yōu)麥穗。若對于?xj∈X，都有Fk(xi)＞Fk(xj)成立(k=1，2，…，m)，則稱xi為偏好目標(biāo)k的最優(yōu)麥穗。

2.2 麥穗搜尋階段

TCA主要包括麥穗搜尋和麥穗篩選兩個階段，搜尋實際上是標(biāo)準(zhǔn)麥穗的啟發(fā)式計算過程，由此產(chǎn)生挑戰(zhàn)麥穗。搜尋階段從當(dāng)前標(biāo)準(zhǔn)群體出發(fā)，競賽選手根據(jù)標(biāo)準(zhǔn)麥穗所在的區(qū)域范圍，搜尋標(biāo)準(zhǔn)麥穗附近的挑戰(zhàn)麥穗，所有選手搜尋到的挑戰(zhàn)麥穗構(gòu)成挑戰(zhàn)群體。

設(shè)xij(t)表示第t輪標(biāo)準(zhǔn)麥穗xi的第j個物理指標(biāo)，yij(t)表示其挑戰(zhàn)麥穗相應(yīng)的物理指標(biāo)，i=1，2，…，N，j=1，2，…，L。根據(jù)定義2，挑戰(zhàn)麥穗yi(t) 與標(biāo)準(zhǔn)麥穗xij(t)的啟發(fā)式計算見式（18）。

式（18）中，Dij(t)是t輪標(biāo)準(zhǔn)麥穗xi物理指標(biāo)j的搜尋方向。當(dāng)標(biāo)準(zhǔn)個體與挑戰(zhàn)個體的指標(biāo)值（決策變量）與成熟度值變化趨勢一致時，Dij(t)=1，相反時，Dij(t)=-1；當(dāng)指標(biāo)值無變化時，Dij(t)保持不變。搜尋方向引導(dǎo)算法朝著最優(yōu)解方向定向搜索，進(jìn)一步提升TCA 的搜索性能。Instij是物理指標(biāo)j的搜尋指令，Instij=0 表示停止搜尋，Instij=1表示開始搜尋。vij是物理指標(biāo)j的搜尋速度，vij計算見式（19）。

式（19）中，r是均值為0、方差為1的正態(tài)分布的隨機數(shù)。Gj是截止到第t輪搜尋的最優(yōu)麥穗第j個物理指標(biāo)值。xij(t)越大，對該項指標(biāo)的搜尋速度越慢，反之越快。

2.3 篩選階段

2.3.1 淘汰賽階段

篩選階段模擬競賽過程，在小規(guī)模范圍內(nèi)搜索可能的最優(yōu)解，包括淘汰賽和錦標(biāo)賽兩種篩選形式。淘汰賽是在挑戰(zhàn)麥穗和標(biāo)準(zhǔn)麥穗之間進(jìn)行，勝者作為下一輪的標(biāo)準(zhǔn)麥穗，所有獲勝者形成新一輪標(biāo)準(zhǔn)群體。根據(jù)定義3和定義4，第t+1輪標(biāo)準(zhǔn)群體X(t+1)按式（20）、式（21）計算。

式（20）中，σ(x)是選擇函數(shù)，x≥0 表示標(biāo)準(zhǔn)麥穗優(yōu)于挑戰(zhàn)麥穗或二者之間不具有優(yōu)劣關(guān)系，選擇標(biāo)準(zhǔn)麥穗xi作為優(yōu)等麥穗進(jìn)入第t+1輪標(biāo)準(zhǔn)群體。否則，選擇挑戰(zhàn)麥穗yi作為優(yōu)等麥穗進(jìn)入第t+1輪標(biāo)準(zhǔn)群體。

2.3.2 錦標(biāo)賽階段

錦標(biāo)賽是在標(biāo)準(zhǔn)群體中篩選出最優(yōu)麥穗。通過計算標(biāo)準(zhǔn)麥穗的成熟度值，選擇成熟度值最大的標(biāo)準(zhǔn)麥穗作為最優(yōu)麥穗，即問題的最優(yōu)解。根據(jù)定義6和定義7，考慮標(biāo)準(zhǔn)麥穗的優(yōu)劣關(guān)系及目標(biāo)偏好，設(shè)計TCA 成熟度函數(shù)F(xi)，見式（22）。

其中，N為標(biāo)準(zhǔn)群體麥穗數(shù)，m為篩選目標(biāo)數(shù)，fk(xi)為第k 個篩選目標(biāo)函數(shù)，fk(xi)=1/zk(xi)。ψ(k)為偏好目標(biāo)函數(shù)，取值見式（23）。?(x)為篩選目標(biāo)統(tǒng)計函數(shù)，取值見式（24）。

pf是篩選目標(biāo)序號，由決策者根據(jù)偏好設(shè)定，pf∈[1，m]。

由式（24）知，任意兩個標(biāo)準(zhǔn)麥穗的篩選目標(biāo)統(tǒng)計函數(shù)值之和為0，即∑(φ(x)+φ(-x))=0。因此，∑F(xi)=0。

2.4 算法描述

步驟1：輸入。需求點應(yīng)急物資需求種類與數(shù)量q，供應(yīng)點應(yīng)急物資儲備種類、數(shù)量c、單位重量w和單價p，供應(yīng)點車輛數(shù)量h、載重量g、平均時速v 和單位運輸費用ρ，競賽輪數(shù)T，偏好目標(biāo)pf，搜尋方向D（初始值為1），初始標(biāo)準(zhǔn)群體X。

步驟2：按式（8）至式（13）計算f1(x)，按式（14）至式（16）計算f2(x)。

步驟3：按式（22）至式（24）計算標(biāo)準(zhǔn)麥穗的成熟度F，保存最優(yōu)麥穗（最優(yōu)調(diào)度方案）x*及f(x*)。

步驟4：若達(dá)到最大競賽輪數(shù)，則終止計算，轉(zhuǎn)步驟9，否則，轉(zhuǎn)下一步。

步驟5：按式（18）、式（19）搜尋挑戰(zhàn)麥穗，獲得挑戰(zhàn)群體Y。

步驟6：按式（8）至式（16）分別計算挑戰(zhàn)群體Y中挑戰(zhàn)麥穗的篩選目標(biāo)值f1(x)和f2(x)。

步驟7：按式（20）、式（21）逐一篩選標(biāo)準(zhǔn)麥穗和相應(yīng)的挑戰(zhàn)麥穗，勝者作為優(yōu)等麥穗加入標(biāo)準(zhǔn)群體，產(chǎn)生新一輪標(biāo)準(zhǔn)群體X。

步驟8：更新搜尋方向D，轉(zhuǎn)步驟3。

步驟9：輸出。全局最優(yōu)調(diào)度方案x*及調(diào)度時間f1(x*)和調(diào)度成本f2(x*)。

3 實證分析

3.1 數(shù)據(jù)與參數(shù)設(shè)置

2021 年河南特大洪澇災(zāi)害共造成17 個省轄市、1417.85萬人受災(zāi)，直接經(jīng)濟損失達(dá)1767.03億元。以此為算例背景，選擇11 個受災(zāi)地區(qū)為應(yīng)急物資需求點，9 個倉儲為應(yīng)急物資供應(yīng)點，以大米、面粉、飲用水等6種物資為主要的應(yīng)急救援物資。根據(jù)受災(zāi)情況設(shè)置各地區(qū)各類應(yīng)急物資需求量。參考河南省應(yīng)急管理廳、統(tǒng)計局、電商等官網(wǎng)數(shù)據(jù)，整理得到供應(yīng)點物資儲備、價格等數(shù)據(jù)，存儲于相關(guān)數(shù)據(jù)集。

為驗證調(diào)度模型的有效性和提出算法的性能，同時采用TCA、DE、GWO、GSA、NSGA-II 和PSO 求解最優(yōu)調(diào)度方案。為便于對比，各算法初始群體相同，群體個體數(shù)N=20，誤差精度e=[5.0，0.5]，調(diào)度份額上界lambda=15，最大迭代次數(shù)T=5000。

3.2 應(yīng)急物資優(yōu)化調(diào)度算法比較

應(yīng)急救援工作要求在最短時間內(nèi)將應(yīng)急物資運送到受災(zāi)點，采取最近供應(yīng)點調(diào)度的方案見表1。

表1 最近供應(yīng)點調(diào)度方案

由表1 可知，最近供應(yīng)點調(diào)度的總成本為2560.5 萬元，調(diào)度時間是完成所有需求點應(yīng)急物資運送任務(wù)的時間，故總調(diào)度時間為74.4小時。

為求解最優(yōu)調(diào)度方案，并檢驗提出算法的優(yōu)化效果，分別采用無目標(biāo)偏好的TCA算法與其他五個算法進(jìn)行對比實驗，為避免算法的隨機性，所有算法均計算30 次，取其平均值作為全局最優(yōu)目標(biāo)值。各算法求解結(jié)果見表2。

表2 最優(yōu)調(diào)度方案

由表2 可知，無論是調(diào)度成本還是調(diào)度時間，無目標(biāo)偏好的TCA 算法求解結(jié)果都明顯低于其他算法。TCA 的調(diào)度成本遠(yuǎn)低于最近供應(yīng)點調(diào)度方案，調(diào)度時間將近縮短一倍。各算法全局最優(yōu)調(diào)度曲線變化趨勢見圖1。

圖1 全局最優(yōu)調(diào)度目標(biāo)曲線

圖1（a）為算法最優(yōu)調(diào)度成本曲線。1000次迭代計算內(nèi)，DE 收斂速度最快，NSGA-II 收斂速度最慢。此后，除TCA外，其他算法基本趨于收斂，TCA卻繼續(xù)呈下降趨勢，且遠(yuǎn)離曲線相對集中的其他算法。圖1（b）為最優(yōu)調(diào)度時間曲線。TCA曲線持續(xù)保持下降趨勢，其他曲線均出現(xiàn)早熟收斂?？梢?，TCA優(yōu)化能力明顯優(yōu)于相比較的算法。

3.3 考慮目標(biāo)偏好的TCA優(yōu)化調(diào)度

調(diào)度者根據(jù)目標(biāo)要求設(shè)定目標(biāo)偏好，為驗證具有目標(biāo)偏好的調(diào)度模型有效性和TCA求解多目標(biāo)問題的優(yōu)化能力，分別考慮調(diào)度成本偏好和調(diào)度時間偏好求解最優(yōu)調(diào)度目標(biāo)值，并與無偏好情形進(jìn)行對比。優(yōu)化結(jié)果見表3，算法均計算30次，取其平均值作為最優(yōu)調(diào)度目標(biāo)值。

表3 考慮目標(biāo)偏好的TCA最優(yōu)調(diào)度方案

由表1至表3知，考慮成本偏好的TCA求解的調(diào)度成本最低，與最近供應(yīng)點調(diào)度相比，節(jié)約調(diào)度成本26.2%，此時，調(diào)度時間約為最近供應(yīng)點調(diào)度的一半。考慮時間偏好的TCA求解的調(diào)度時間最短，僅為36.4小時，與最近供應(yīng)點調(diào)度相比，節(jié)約調(diào)度時間51.1%，此時，調(diào)度成本也明顯低于最近供應(yīng)點調(diào)度以及其他算法求解結(jié)果。無偏好TCA兩個目標(biāo)值介于成本偏好和時間偏好之間，是一個折中方案。由此可見，TCA求解的應(yīng)急物資優(yōu)化調(diào)度方案均優(yōu)于其他算法求解的優(yōu)化調(diào)度方案?？紤]目標(biāo)偏好的TCA最優(yōu)目標(biāo)變化趨勢見圖2。

圖2 目標(biāo)偏好的TCA全局最優(yōu)調(diào)度目標(biāo)曲線

由圖2 可知，無論是考慮成本偏好還是考慮時間偏好，相應(yīng)的目標(biāo)曲線都呈下降趨勢，且三種情形下降趨勢基本一致。表明考慮目標(biāo)偏好的TCA 與無偏好TCA 一樣，其最優(yōu)目標(biāo)是收斂的。

3.4 算法搜索性能比較

盡管包括TCA 在內(nèi)的上述算法求解的最優(yōu)目標(biāo)均是收斂的，但算法的搜索性能不盡相同。每一代群體最優(yōu)目標(biāo)值變化趨勢反映算法的搜索性能，所有算法的每一代群體最優(yōu)調(diào)度時間和最優(yōu)調(diào)度成本曲線見圖3，其中TCA為考慮目標(biāo)偏好情形。

圖3 每一輪群體最優(yōu)調(diào)度目標(biāo)曲線

圖3（a）和圖3（b）分別是調(diào)度時間和調(diào)度成本優(yōu)化曲線，考慮目標(biāo)偏好的TCA兩個目標(biāo)曲線基本不存在振蕩，每一代群體兩個最優(yōu)目標(biāo)值持續(xù)降低，直至收斂。其他算法兩個目標(biāo)曲線存在較大幅度振蕩。由此可見，考慮目標(biāo)偏好的TCA優(yōu)化算法搜索性能明顯優(yōu)于相比較的算法。

4 結(jié)束語

實證表明，本文建立的應(yīng)急物資調(diào)度模型能有效地降低調(diào)度成本，大幅縮短調(diào)度時間，可為應(yīng)急物資優(yōu)化調(diào)度提供決策參考。所提出的TCA 優(yōu)化算法簡潔高效，適合求解多目標(biāo)優(yōu)化問題，其優(yōu)化精度和搜索性能均優(yōu)于相比較的算法，可滿足應(yīng)急物資管理者的多目標(biāo)調(diào)度決策需求。調(diào)度方案實值映射編碼能夠保持所有算法個體更新的有效性。當(dāng)需求點和供應(yīng)點數(shù)量較大、需求物資以及考慮目標(biāo)較多時，調(diào)度方案解空間將顯著增加，TCA 等優(yōu)化算法計算效率降低，因此，對于具有更多調(diào)度目標(biāo)和高維度決策變量的應(yīng)急物資調(diào)度模型，提高TCA 算法的計算效率值得進(jìn)一步研究。