ارائه مدل بهینه‌سازی استوار پویا برای مساله مسیریابی-زمانبندی در لجستیک بشردوستانه و حل آن با استفاده از الگوریتم فراابتکاری گروه‌بندی (مطالعه موردی: زلزله تهران)

خورسی, ملیحه; چهارسوقی, سید کمال; حسین زاده کاشان, علی; بزرگی امیری, علی

doi:10.22119/jte.2021.96605

ارائه مدل بهینه‌سازی استوار پویا برای مساله مسیریابی-زمانبندی در لجستیک بشردوستانه و حل آن با استفاده از الگوریتم فراابتکاری گروه‌بندی (مطالعه موردی: زلزله تهران)

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس، تهران، ایران

² هیات علمی/دانشگاه تربیت مدرس

³ دانشگاه تربیت مدرس

⁴ هیات علمی دانشکده مهندسی صنایع، پردیس دانشکده های فنی دانشگاه تهران

10.22119/jte.2021.96605

چکیده

هر ساله بحران‌های طبیعی مختلف، تعداد زیادی از افراد سراسر دنیا را تحت تاثیر خود قرار می‌دهند. بعد از وقوع یک بحران، ارسال منابع امدادی از طریق لجستیک امداد سریع و کارا مهم‌ترین اقدام برای کاهش درد و رنج افراد تحت تاثیر است. سرعت و کارایی برنامه‌های امدادی به توانایی لجستیک در تهیه، دریافت، انتقال و توزیع موجودی‌ها به مناطق آسیب‌پذیر بستگی دارد. تصمیم‌گیری در زمان وقوع بحران معمولاً بر اساس تجربه صورت می‌گیرد. از اینرو، فراهم کردن یک ابزار کارآمد برای مدیریت عملیات‌های بشردوستانه مهم است. در این مقاله دوتا از اصلی‌ترین تصمیمات لجستیکی در زمان وقوع بحران، یعنی مسیریابی و زمانبندی وسایل نقلیه برای توزیع منابع به نقاط آسیب‌دیده مورد توجه قرار گرفته است. برای این منظور یک مدل برنامه‌ریزی ریاضی پویا، چند کالایی، چند انبار، چند سفره تحت شرایط عدم قطعیت توسعه داده شده است که همزمان چندین ویژگی مهم مسائل دنیای واقعی را دربر می‌گیرد. برنامه‌ریزی چند دوره‌ای استفاده شده این امکان را برای برنامه‌ریزان فراهم می‌کند که در صورت هر گونه تغییر در پارامترها، برنامه‌های لجستیکی را با در نظر گرفتن وقایع جدید و اقدامات انجام شده قبلی به‌هنگام نموده و بر کارایی برنامه‌ریزی‌های انجام شده بیافزاید. در نتیجه پیچیدگی مدل بیان شده، یک الگوریتم فراابتکاری گروه‌بندی برای حل‌ مساله بیان شده و برای نخستین بار مساله از دیدگاه گروه‌بندی دیده می‌شود. برای ارزیابی درست‌نمایی و کارایی مدل‌ ارائه شده، مطالعه موردی از کلان‌شهر تهران ارائه شده است. یافته‌ها، کاربردی بودن مدل‌ بیان شده را برای حل مسائل واقعی نشان می‌دهند.

کلیدواژه‌ها

20.1001.1.20086598.1400.12.4.4.1

عنوان مقاله [English]

A dynamic robust optimization model for the routing-scheduling problem in humanitarian logistics and its solution via grouping metaheuristic algorithm (case study: Tehran earthquake)

نویسندگان [English]

Maliheh Khorsi ¹
S. Kamal Chaharsooghi ²
Ali Husseinzadeh Kashan ³
Ali Bozorgi-Amiri ⁴

¹ Industrial Engineering, Faculty of Industrial & Systems Engineering, Tarbiat Modares University, Tehran, Iran

² Industrial Engineering, Faculty of Industrial & Systems Engineering, Tarbiat Modares University, Tehran, Iran

³ Industrial Engineering, Faculty of Industrial & Systems Engineering, Tarbiat Modares University, Tehran, Iran

⁴ School of Industrial Engineering, College of Engineering, University of Tehran, Tehran, Iran

چکیده [English]

Every year, various natural disasters affect many people around the world. After a disaster occurs, it is critical to dispatch relief resources through efficient emergency logistics distribution so as to alleviate death and suffering of victims. The velocity and efficiency of relief operations depend on logistics capabilities in procurement, receipt, transmission and distribution goods to affected areas. Decision-making at times of a disaster is usually done based on experience. Hence, it is essential that an effective tool is provided in order to manage humanitarian logistics operations. In this paper, two of the main relief logistics decisions are considered in the distribution of resources to the affected areas to include scheduling and routing decisions. For this purpose, a dynamic, multi-commodity, multi-depot, multi-trip linear mathematical programming model is developed under conditions of uncertainty that simultaneously captures many important aspects relevant to the real world. Multi-period planning provides possibilities for planners to adjust plans respect to new events and past actions as more information becomes available and improve the effectiveness of plans. Since the proposed model has its own complexities, a grouping metaheuristic algorithm is presented and this is the first time that the problem is viewed from a grouping perspective. To evaluate the validity and efficiency of the proposed model, a case study for the megacity of Tehran is presented. The findings demonstrate the applicability of the presented model to solve real problems.

کلیدواژه‌ها [English]

humanitarian logistics
routing-scheduling problem
metaheuristic algorithm based on grouping evolution strategies

مراجع

-Al Theeb, N., & Murray, C. (2017) “Vehicle routing and resource distribution in postdisaster humanitarian relief operations”, International Transactions in Operational Research, Vol. 24, No. 6, pp. 1253–1284.

-Balcik, B., Beamon, B. M., & Smilowitz, K. (2008) “Last mile distribution in humanitarian relief”, Journal of Intelligent Transportation Systems: Technology, Planning, and Operations, Vol. 12, No. 2, pp. 51–63.

-Bozorgi-Amiri, A., Khorsi, M., (2016), “A dynamic multi-objective location–routing model for relief logistic planning under uncertainty on demand, travel time, and cost parameters”, The International Journal of Advanced Manufacturing Technology, Vol. 85, No. 5-8, pp. 1633–1648.

-Campbell, A. M., Vandenbussche, D., & Hermann, W. (2008) “Routing for Relief Efforts”, Transportation Science, Vol. 42, No. 2, pp. 127–145.

-Centre for Research on the Epidemiology of Disasters CRED. (2016) EM-DAT | The international disasters database. Retrieved May 3, 2018, from http://www.emdat.be/

-Dantzig, G. B., & Ramser, J. H. (1959) “The truck dispatching problem”, Management Science, Vol. 6, No. 1, pp. 80–91.

-Falkenauer, E. (1994) “A New Representation and Operators for Genetic Algorithms Applied to Grouping Problems”, Evolutionary Computation, Vol. 2, No. 2, pp. 123–144.

-Ferrer, J. M., Martín-Campo, F. J., Ortuño, M. T., Pedraza-Martínez, A. J., Tirado, G., & Vitoriano, B. (2018) “Multi-criteria optimization for last mile distribution of disaster relief aid: Test cases and applications”, European Journal of Operational Research, Vol. 269, No. 2, pp. 501–515.

-Huang, M., Smilowitz, K., & Balcik, B. (2012) “Models for relief routing: Equity, efficiency and efficacy”, Transportation Research Part E: Logistics and Transportation Review, Vol. 48, No. 1, pp. 2–18.

-Huang, X., & Song, L. (2018) “An emergency logistics distribution routing model for unexpected events”, Annals of Operations Research, Vol. 269, No. 1, pp. 223–239.

-Husseinzadeh Kashan, A., Husseinzadeh Kashan, M., & Karimiyan, S. (2013) “A particle swarm optimizer for grouping problems”, Information Sciences, Vol. 252, pp. 81–95.

-Institute, F. (2005) “Logistics and the effective delivery of humanitarian relief. Fritz Institute San Francisco”, CA.

-JICA, & JICA, C. (2000) “The study on seismic microzoning of the Greater Tehran Area in the Islamic Republic of Iran”, Pacific Consultants International Report, OYO Cooperation, Japan.

-Kashan, A. H., Akbari, A. A., & Ostadi, B. (2015) “Grouping evolution strategies: an efficient approach for grouping problems”, Applied Mathematical Modelling, Vol. 39, No. 9, pp. 2703–2720.

-Najafi, M., Eshghi, K., & de Leeuw, S. (2014) “A dynamic dispatching and routing model to plan/ re-plan logistics activities in response to an earthquake”, OR Spectrum, Vol. 36, No. 2, pp. 323–356.

-Özdamar, L., Ekinci, E., & Küçükyazici, B. (2004) “Emergency Logistics Planning in Natural Disasters”, Annals of Operations Research, Vol. 129, No. 1–4, pp. 217–245.

-Özdamar, L., & Yi, W. (2008) “Greedy neighborhood search for disaster relief and evacuation logistics”, IEEE Intelligent Systems, Vol. 23, No. 1, pp. 14–23.

-Rawls, C. G., & Turnquist, M. A. (2012) “Pre-positioning and dynamic delivery planning for short-term response following a natural disaster”, Socio-Economic Planning Sciences, Vol. 46, No. 1, pp. 46–54.

-Rivera, J. C., Afsar, H. M., & Prins, C. (2016) “Mathematical formulations and exact algorithm for the multitrip cumulative capacitated single-vehicle routing problem,” European Journal of Operational Research, Vol. 249, No. 1, pp. 93–104.

-Shen, Z., Dessouky, M. M., & Ordóñez, F. (2009) “A two‐stage vehicle routing model for large‐scale bioterrorism emergencies”, Networks, Vol. 54, No. 4, pp. 255–269.

-Talebian Sharif, M., & Salari, M. (2015) “A GRASP algorithm for a humanitarian relief transportation problem”, Engineering Applications of Artificial Intelligence, Vol. 41, pp. 259–269.

-Thomas, A. S., & Kopczak, L. R. (2005) “From logistics to supply chain management: the path forward in the humanitarian sector”, Fritz Institute, Vol. 15, pp. 1–15.

-Van Wassenhove, L. N. (2006) “Humanitarian aid logistics: supply chain management in high gear”, Journal of the Operational Research Society, Vol. 57, No. 5, pp. 475–489.

-Wang, L., Song, J., & Shi, L. (2015) “Dynamic emergency logistics planning: models and heuristic algorithm”, Optimization Letters, Vol. 9, No. 8, pp. 1533–1552.

-Yi, W., & Kumar, A. (2007) “Ant colony optimization for disaster relief operations”, Transportation Research Part E: Logistics and Transportation Review, Vol. 43, No. 6, pp. 660–672.

-Yu, C.-S., & Li, H.-L. (2000) “A robust optimization model for stochastic logistic problems”, International Journal of Production Economics, Vol. 64, No. 1–3, pp. 385–397.

-آقایی، م.، علینقیان، م. و صبا ، م. س. (1396) "مکان یابی مراکز امداد موقت و مسیریابی پویای وسایل نقلیه امداد هوایی در شرایط بحران"، فصلنامه علمی - پژوهشی مهندسی حمل و نقل، دوره 9، شماره 4، ص. 519-548.