考虑路段恢复差异的道路网络恢复决策优化

图1 重大自然灾害下道路交通网络多阶段韧性演化曲线

Fig.1 Multi-stage resilience evolution curves of road transportation network of major natural disasters

1.2 基于路段阻抗的路网连通性评估指标

从路段服务水平的角度出发,本文构建的基于路段时间阻抗容忍度的网络连通性评价函数为

φ(t)=

$\sum_{w \in W} \frac{q_{w}}{Q} [1 - \prod_{p \in P_{w, t}} (1 - \prod_{a \in p} θ_{a, t})]$

(1)

θ_a_,_t=

$\{\begin{array}{l} 1, & z_{a, t} \leq γ z_{a, t_{0}} \\ 0, & z_{a, t} > γ z_{a, t_{0}} \end{array}$

(2)

式(2)通过判断灾后路段时间阻抗z_a_,_t能否满足一定的连通要求来计算路段连通水平θ_a_,_t.通过用户均衡配流模型,计算出不同路段的流量f_a_,_t,进而计算出灾后路段时间阻抗z_a_,_t.基于路段的连通性,式(1)通过[1- $\prod_{p \in P_{w, t}}$ (1-∏_a_∈_pθ_a_,_t)]判断路段所在OD的连通性.最后,考虑到不同节点之间连通重要程度的差异,通过采用节点间的OD需求作为加权因子,构建了加权OD间出行需求的路网连通性评价指标计算路网性能.

1.3 道路交通网络韧性度量指标

基于交通韧性的定义,采用路网性能韧性和恢复速度韧性作为恢复决策恢复效果的评价指标^[22].式(3)通过计算图1所示的阴影区域面积,得到度量应急恢复阶段路网保持一定服务水平的能力的路网性能韧性指标R₁,R₁值越大,应急恢复决策下路网能够保持一定功能的能力越强,0≤R₁≤1.

R₁=

$\frac{\int_{t_{s}}^{t_{s} + D_{m a x}} φ (t) d t}{φ (t_{0}) D_{m a x}}$ ≈

$\frac{\overset{k}{\sum_{i = 1}} φ (t_{i}) Δ t}{φ (t_{0}) D_{m a x}}$

(3)

为便于计算,将式(3)中的积分进行了离散化处理,其中,t₁<t₂<…<t_k,t₁=t_s,t_k=t_s+D_max-Δt,t₍_i₊₁₎-t_i=Δt.

通过式(4)归一化应急恢复阶段恢复持续时间D,得到恢复速度韧性指标R₂,以反映应急恢复阶段道路交通网络从灾害中恢复的能力,R₂值越大,应急恢复决策下路网恢复能力越强,0≤R₂≤1-D_min/D_max.若应急恢复过程持续时间D超过应急恢复阶段持续时间D_max或小于最小应急恢复时间D_min,R₂=0.

R₂=

$\{\begin{array}{l} 1 - \frac{D}{D_{m a x}}, & D_{m i n} \leq D \leq D_{m a x} \\ 0, & D > D_{m a x} 或 D < D_{m i n} \end{array}$

(4)

1.4 应急恢复阶段恢复决策优化模型

上层模型为整数规划模型,除确定应急恢复阶段待恢复路段的选择和恢复时序,同时通过确定待恢复路段的恢复资源与预算类型决定路段的恢复速度和恢复程度,目标是最大化路网韧性.上层模型为

max R=εR₁+(1-ε)R₂

(5)

s.t. 式(3)~(4)

t₁=t_s, t_k=t_s+D_max-Δt, Δt=t_i₊₁-t_i

(6)

$\sum_{m \in M}$ y_a_,_m=1, ∀a∈A ^*

(7)

$\sum_{l \in L} \overset{k}{\sum_{i = 1}} x_{a, l, t_{i}}$ =1, ∀a∈A ^*

(8)

ΔC_a=

$\sum_{m \in M} C_{a, t_{0}}$ v_ad_ay_a_,_mρ_m, ∀a∈A ^*

(9)

τ_a=

$\sum_{l \in L} \overset{k}{\sum_{i = 1}} \frac{Δ C_{a} x_{a, l, t_{i}}}{σ_{l}}$ , ∀a∈A ^*

(10)

$\underset{a \in A^{*}}{m a x} [\sum_{l \in L} \overset{k}{\sum_{i = 1}} x_{a, l, t_{i}} (t_{i} + τ_{a}) - t_{s}]$

(11)

$η_{t_{i}}$ =

$\sum_{a \in A^{*}} \sum_{l \in L} \overset{i}{\sum_{j = 1}} ‖t_{i} \geq x_{a, l, t_{j}} t_{j}‖$ ×

$‖t_{i} \leq x_{a, l, t_{j}} (t_{j} + τ_{a})‖$ ζ_l≤η_max

(12)

$\sum_{a \in A^{*}}$ ΔC_ab≤B_max

(13)

y_a_,_m={0, 1}, ∀a∈A^*, m∈M

(14)

$x_{a, l, t_{i}}$

={0, 1},∀a∈A^*, l∈L, i=1, 2, …, k

(15)

式(5)为上层模型目标函数,最大化加权路网性能韧性R₁和恢复速度韧性R₂的路网韧性R;式(3)~(4)为两韧性指标的计算函数;式(6)为模型计算的离散时间集合;式(7)保证每条受损路段最多只有一种恢复预算类型;式(8)保证每条受损路段最多只有一种恢复资源类型;式(9)计算受损路段的恢复量ΔC_a,由路段的初始容量 $C_{a, t_{0}}$ 、受损程度v_a、路段长度d_a和该路段恢复预算类型的恢复程度ρ_m决定;式(10)计算受损路段的恢复持续时间τ_a,由路段的容量恢复量ΔC_a和该路段的恢复资源类型的恢复速度σ_l决定;式(11)计算应急恢复过程的持续时间D,即从应急恢复开始时刻到最后完成恢复的路段的恢复完成时刻;式(12)为资源约束,保证t_i时刻所用资源数量 $η_{t_{i}}$ 不超过最大可用资源数量η_max,其中 $‖Λ‖$ 为判断函数,若Λ为真, $‖Λ‖$ =1,否则 $‖Λ‖$ =0;式(13)为预算约束,保证整个应急恢复决策的总预算B不超过B_max,式(13)与式(9)共同决定了路网中哪些路段能够恢复以及这些路段的恢复程度;式(14)~(15)为决策变量y_a_,_m和 $x_{a, l, t_{i}}$ 的二元约束.

下层模型为用户均衡配流模型,用于求解应急恢复过程中各t_i时刻路网性能φ(t_i),以评价上层的恢复决策.下层模型为

min

$Z_{t_{i}}$

(f)=

$\sum_{a \in A} \int_{0}^{f_{a, t_{i}}}$

$z_{a, t_{i}}$

(f)df,i=1, 2, …, k

(16)

s.t. 式(1)~(2)

$\sum_{p \in P_{w, t_{i}}} f_{p, w, t_{i}}$ =q_w, ∀w∈W

(17)

$f_{p, w, t_{i}}$ ≥0, ∀p∈

$P_{w, t_{i}}$ , ∀w∈W

(18)

$f_{a, t_{i}}$ =

$\sum_{w \in W} \sum_{p \in P_{w, t_{i}}} f_{p, w, t_{i}} δ_{a, p, w, t_{i}}$ , ∀a∈A

(19)

$C_{a, t_{i}}$ =

$C_{a, t_{0}}$ , ∀a∈(A-A ^*)

(20)

$s_{a, t_{i}}$ =

$‖t_{i} > \sum_{l \in L} \overset{i}{\sum_{j = 1}} x_{a, l, t_{j}} (t_{j} + τ_{a})‖$ , ∀a∈A ^*

(21)

$C_{a, t_{i}}$ =

$s_{a, t_{i}} [Δ C_{a} + C_{a, t_{0}} (1 - v_{a, t_{e}})]$ , ∀a∈A ^*

(22)

$z_{a, t_{i}}$ =z₀_a

$[1 + α {(\frac{f_{a, t_{i}}}{C_{a, t_{i}}})}^{β}]$ , ∀a∈A

(23)

式(16)~(19)为标准的用户均衡配流问题,其中目标函数(16)计算t_i时刻网络的均衡流,式(17)保证路网中所有出行需求都能被满足,式(18)保证 $f_{p, w, t_{i}}$ 为非负变量,式(19)计算灾后t_i时刻通过路段的流量 $f_{a, t_{i}}$ ;式(20)保证灾后t_i时刻未受损路段的容量不受灾害影响,与灾前路段容量相同;式(21)计算各受损路段在t_i时刻的运营状态 $s_{a, t_{i}}$ ,若t_i大于路段a的恢复完成时刻,则 $s_{a, t_{i}}$ =1,路段恢复完成,否则 $s_{a, t_{i}}$ =0,路段恢复未完成;式(22)计算各受损路段在t_i时刻的容量 $C_{a, t_{i}}$ ,路段在恢复完成前容量为0,此时路段无法通行,恢复完成后路段的部分或全部容量得到恢复,之后路段可以通行;式(23)为BPR函数.

2 算法设计

2.1 改进遗传算法的编译码过程

不同于传统的并行机调度问题仅需解决受损路段的恢复时序^[2,23],本文模型则还需解决预算和资源约束下受损路段恢复差异的问题.因此,本文在现有遗传算法的基础之上^[23],构建了三维向量染色体,来表示各受损路段的恢复时序、资源类型和预算类型.每个染色体表示为

Π=[

$\begin{array}{l} g_{δ_{1}} & g_{δ_{2}} & \dots & g_{δ_{|A^{*}|}} \end{array}$ ]=

$[\begin{array}{l} κ_{δ_{1}} & κ_{δ_{2}} & \dots & κ_{δ_{|A^{*}|}} \\ l_{δ_{1}} & l_{δ_{2}} & \dots & l_{δ_{|A^{*}|}} \\ m_{δ_{1}} & m_{δ_{2}} & \dots & m_{δ_{|A^{*}|}} \end{array}]$

(24)

式中:Π的长度为路网中受损路段的数量 |A^*|,表示恢复决策;三维向量 $g_{δ_{i}}$ = ${[\begin{array}{l} κ_{δ_{i}} & l_{δ_{i}} & m_{δ_{i}} \end{array}]}^{T}$ 表示编号为δ_i的受损路段a的恢复决策,δ_i表示受损路段编号; $κ_{δ_{i}}$ 为1~|A^*|的整数,表示编号δ_i的路段的恢复优先级,其值越高,受损路段的恢复优先级越高; $l_{δ_{i}}$ 为1~ $|L|$ 的整数,表示编号δ_i的路段的恢复资源类型,决定路段的恢复速度σ_l; $m_{δ_{i}}$ 为1~ $|M|$ 的整数,表示编号δ_i的路段的恢复预算类型,决定路段的恢复速度ρ_m.

基于构建的三维向量染色体,采用如下步骤确定染色体对应的路网恢复时序和有限恢复资源的分配过程.

第1步初始化.设定初始的时刻,t_i=t_s;待恢复路段优先度V为|A^*|;受损路段连通状态 $s_{a, t_{i}}$ =0,a∈A^*;决策变量 $x_{a, l, t_{i}}$ =0、y_a_,_m=0;剩余恢复资源 $η_{t_{i}}$ =η_max;转至第2步.

第2步染色体译码.基于各路段的基因 $g_{δ_{i}}$ = ${[\begin{array}{l} κ_{δ_{i}} & l_{δ_{i}} & m_{δ_{i}} \end{array}]}^{T}$ ,获得各受损路段的恢复资源类型l、恢复预算类型m和恢复优先度κ.转至第3步.

第3步计算各路段恢复持续时间τ_a.基于各路段的恢复资源类型l和恢复预算类型m,获得各路段恢复程度ρ_m和恢复速度σ_l,进而基于式(9)~(10)计算各路段恢复持续时间τ_a.转至第4步.

第4步判断t_i时间步下路段恢复优先度κ为V的受损路段a的状态.若 $s_{a, t_{i}}$ =1,则无需为路段分配恢复资源,转至第6步;否则,依据该路段恢复资源类型l,记该路段所需恢复资源数量为ζ_l,转至第5步.

第5步判断剩余恢复资源 $η_{t_{i}}$ 能否满足路段恢复需求.若 $η_{t_{i}}$ <ζ_l,转至第6步;否则记该路段恢复开始时刻为t_i,修复完成时刻为t_i+τ_a, $x_{a, l, t_{i}}$ , $η_{t_{i}}$ = $η_{t_{i}}$ - $\sum_{l \in L} x_{a, l, t_{i}}$ ζ_l,转至第6步.

第6步 V=V-1,若V>0转至第4步;否则,令a= $\underset{a \in A^{*}}{a r g m i n}$ (t_i+τ_a),a为t_i时刻后最早恢复完成的路段,令 $η_{t_{i + 1}}$ = $η_{t_{i}}$ + $\sum_{l \in L} x_{a, l, t_{i}}$ ζ_l,D= $x_{a, l, t_{i}}$ (t_i+τ_a)-t_s,t_i₊₁=t_i+τ_a,转至第7步.

第7步若 $\sum_{a \in A^{*}} \sum_{l \in L} \overset{i}{\sum_{j = 1}} x_{a, l, t_{j}}$ <|A^*|,则V=|A^*|,转至第4步;否则结束.

通过以上译码过程,可获得各受损路段的恢复决策变量 $x_{a, l, t_{i}}$ 、恢复持续时间τ_a和路网恢复完成时间D.

2.2 双层模型求解算法

本文采用改进编译码方法的遗传算法和Frank-Wolfe算法求解上文模型,具体求解步骤如图2所示.

图2

图2 算法设计流程图

Fig.2 Flow chart of algorithm design

3 案例分析

3.1 高速公路网

为验证模型和算法的有效性,基于贵州省2020年7月24日高速公路门架数据,以毕节市以及六盘水市、安顺市和贵阳市部分区域组成的高速公路网为研究对象,构建如图3所示的无向拓扑网络.其中,节点以县(区)为单位,将地级市管辖范围内的区划为一个节点,如贵阳市的白云区、云岩区等均归为节点3.研究区域内有20个节点、27条路段、380对OD.本文假设t₀=0 d,在第t_e=2 d发生灾害,路网中15条路段受到不同程度的破坏,受损路段参数如表1所示,应急恢复开始时间t_s=5 d,应急恢复阶段持续时间D_max=120 d,最小应急恢复持续时间D_min=20 d.本文提出了4类恢复资源类型和4类恢复预算类型.如表2所示,为不同恢复资源类型l对应恢复活动所需资源数量ζ_l与恢复速度 σ_l和不同恢复预算类型m对应恢复活动的路段恢复程度ρ_m.模型其他参数取值:b=1 元/(km·辆·h^-1), η_max=6,B_max=6万元,α=0.15,β=4,Δt=1 d,ε=0.5,γ=2.遗传算法取值:种群规模为150,迭代次数为120,交叉概率为0.75,位变异概率为0.1,交换变异概率为0.1.

图3

图3 贵州省区域高速路网

Fig.3 Regional expressway network in Guizhou Province

表1 受损路段参数

Tab.1 Parameters of damaged road sections

a	$C_{a, t_{0}}$ / (辆·h^-1)	v_a/ %	d_a/ km	a	$C_{a, t_{0}}$ / (辆·h^-1)	v_a/ %	d_a/ km
3	4 200	50	54	11	4 200	75	72
4	4 200	100	125	12	4 200	75	77
5	4 200	50	35	13	4 200	100	57
6	4 200	50	30	14	4 200	50	71
7	4 200	100	54	15	4 200	100	86
8	4 200	75	49	16	4 200	50	61
9	4 200	25	64	17	4 200	100	27
10	4 200	50	74	-	-	-	-

表2 恢复资源与恢复预算的类型

Tab.2 Types of recovery resource and recovery budget

l	ζ_l	σ_l/(km·辆·h^-1·d^-1)	m	ρ_m/%
0	4	1 200	0	100
1	3	900	1	75
2	2	600	2	50
3	1	300	3	25

3.2 最优决策分析

基于本文模型和算法及上述参数,最优决策恢复调度方案的甘特图如图4所示.图中,每一个横条代表一个受损路段的恢复情况,其中每一横条起始端和终点端分别为路段恢复开始时间和结束时间,横条长度为恢复持续时间,横条内的数字分别对应恢复预算类型和恢复资源类型.如,路段17第 56 d 开始恢复,第69 d完成恢复,恢复持续时间13 d,恢复资源类型为1,恢复预算类型为0.

图4

图4 最优恢复决策

Fig.4 Optimal recovery decision

为了验证在重大突发事件恢复决策中考虑路段恢复程度和恢复速度差异的意义,提出了两种次优恢复决策方案:图5所示的未考虑路段恢复程度差异的恢复决策1;图6所示的未考虑路段恢复速度差异的恢复决策2.恢复决策1假设所有待恢复路段的受损容量恢复到50%;恢复决策2则假设待恢复路段的恢复速度为600 km·辆·h^-1/d.

图5

图5 未考虑路段恢复程度差异的恢复决策1

Fig.5 Recovery decision 1 without considering differences in road section recovery degree

图6

图6 未考虑路段恢复速度差异的恢复决策2

Fig.6 Recovery decision 2 without considering the difference in road section recovery speed

如表3所示,相较于决策1,最优决策多消耗了0.17%的恢复预算并降低了2.61%的R₂,但提高了32.62%的R₁.主要原因有两点:① 最优决策通过合理分配预算,使得在B=6万元的约束下,更多的路网受损通行能力得到恢复,因此R₂较高,但导致恢复持续时间较长,R₁较低;② 不同路段的承载客流和受损程度不同,它们连通所需的路段通行能力恢复量也不同.决策1恢复完成后,路段6、15、17的出行阻抗仍不满足出行容忍度,恢复完成后的路网性能仅为0.72.而最优决策通过提高路段6、15、17的恢复程度,保障了应急恢复结束后的路网性能,提高了R₁,同时通过降低路段5、7、10的恢复程度,有效缩短了恢复持续时间,避免R₂的大幅降低.这说明忽略不同路段的恢复程度差异可能导致路段恢复过度或不足,从而影响恢复效果,证明了灾后路网恢复决策中考虑路网恢复程度差异的必要性.

表3 不同场景下的恢复决策的恢复效果

Tab.3 Recovery performance of recovery decisions in different scenarios

决策	R	R₁	R₂	R₃
最优决策	0.57	0.65	0.47	59 496
决策1	0.49	0.49	0.48	58 490
决策2	0.53	0.59	0.47	59 496
决策3	0.54	0.64	0.44	59 496

如表3所示,相较于决策2,最优决策对于路网韧性的提升主要表现在路网性能韧性,提高10.17%的R₁.不同路段的长度、受损程度和恢复程度不同,它们的受损容量恢复量也不同.最优决策通过高效地分配恢复资源,决定不同路段的恢复速度,保障在恢复早期有更多受损路段被恢复,提高R₁,同时不影响路网整体的恢复完成时间,保障R₂.如t=50 d前,最优决策恢复完成了11条路段,而决策2中路段4长时间占用恢复资源影响了其他路段的恢复,使得决策2在t=50 d前只恢复完成了7条路段.因此,这表明忽略不同路段的恢复速度差异会导致一些路段对于恢复工作组的过度占用,进而影响整体恢复效果,验证了灾后路网恢复决策中考虑路网恢复速度差异的必要性.

为度量节点重要性对路网恢复决策的影响,构建了图7所示的基于节点重要度的路网恢复决策3.具体地,本文依据路段所连节点的客流介数和从大到小排序确定了各路段的恢复优先度.表4所示为灾前路网中各节点的加权客流介数,其定义为最短路经过该节点的OD对的客流和与总客流的比值.相较基于节点重要度的路网恢复决策,最优恢复决策可提高2.58%的路网性能韧性、6.46%的恢复速度韧性和3.52%的加权韧性.对比图8所示的两恢复决策的韧性演化曲线,虽然基于节点重要度的恢复决策通过保障重要节点的快速连通使得路网在恢复早期有更高的性能水平,但是降低了恢复过程整体的路网性能和恢复速度.同时,该恢复决策相较未考虑路段恢复差异的恢复决策仍然有更优的恢复效果,进一步说明了本文在路网恢复决策中考虑路段恢复差异的必要性.由此,在路网大面积受损的情况下,路网恢复决策受到众多复杂因素影响,仅凭借路网的某一属性特征往往无法实现最优的恢复效果,尤其是本文在优化待恢复受损路段的选择和恢复时序的同时,考虑了不同路段的恢复速度和恢复程度差异.

图7

图7 基于节点重要度的恢复决策3

Fig.7 Recovery decision 3 based on node importance

表4 节点加权客流介数

Tab.4 Node weighted passenger flow betweenness

n	λ_n	n	λ_n
1	0.004 952	11	0.019 446
2	0.042 081	12	0.049 604
3	0.098 184	13	0.042 434
4	0.051 280	14	0.052 372
5	0.056 473	15	0.074 173
6	0.033 682	16	0.018 612
7	0.076 761	17	0.030 656
8	0.057 031	18	0.070 485
9	0.067 571	19	0.050 111
10	0.063 737	20	0.040 354

图8

图8 最优决策、决策1、决策2和决策3的韧性演化曲线

Fig.8 Resilience evolution curves of Optimal decision, Decision 1, Decision 2, and Decision 3

3.3 敏感性分析

本节分析了最大可用恢复资源数量η_max、最大可接受恢复预算B_max、路段阻抗容忍系数γ和韧性加权因子ε取值变化对路网恢复效果的影响,验证了模型算法在不同参数取值下的有效性.

图9所示分别为6种η_max下,最优决策与未考虑路段恢复速度差异决策的R₁、R₂和R.结果显示,6种η_max下,最优决策均可以获得更好的恢复效果.最优决策平均可以提高R₁、R₂和R分别约3.96%、7.32%和5.29%.随着η_max的增大,两类恢复决策的恢复效果差距逐渐增大,表明在恢复资源充足下尤其要考虑不同路段的恢复速度差异.此外,随着η_max增大,两类决策下的韧性值逐渐增大,但增长速度逐渐变慢,这表明增加恢复资源对于路网恢复效果提升的边际效益在逐渐降低.然而,最优决策的边际效益降低速度明显低于未考虑路段恢复速度差异的决策.6种预算下,最优恢复决策增加恢复资源数量对R、R₁和R₂提升的平均边际效益为0.071、0.066和0.075,高于未考虑路段恢复速度差异决策的0.063、0.054和0.071,可提高约12.69%、22.93%和5.47%.这表明在恢复决策中考虑路段恢复速度差异,可以有效提高恢复资源数量增加所产生的边际效益.

图9

图9 不同资源约束下路段恢复速度差异对路网韧性影响

Fig.9 Impact of difference in recovery speeds of road sections on road network resilience under different resource constraints

图10所示分别为6种B_max下最优决策与未考虑路段恢复程度差异决策的R₁、R₂和R.6种B_max下,最优决策可平均提高74.58%的R₁、6.50%的R₂和23.70%的R.这再次证明了在路网恢复决策中考虑路段恢复程度差异的必要性.随着B_max增加,受损路网的容量得到了更多的恢复,同时也导致了路网恢复所需时间延长.因此,R₁均呈增大趋势,R₂均呈减小趋势,同时最优决策能够保证R的不断增大.当B_max由6 万元增长到7 万元后,最优决策的3种韧性的值都不再变化.这主要是因为此时各路段的恢复程度为保障路网连通的最小值,路段恢复程度的变化对于路网性能的提升较小,但会大幅降低恢复速度韧性,进而使加权韧性降低.因此,当B_max增大到一定值后,路网的恢复程度不再变化.然而,对于未考虑路段恢复程度差异的恢复决策,B_max=6 万元后,恢复预算的增加反而导致了加权韧性的降低.由图5可知,当B_max=6 万元时,在未考虑路段恢复程度差异的恢复决策中,路段15未被分配恢复后勤资源.此后,随着恢复后勤资源的增加,由于未考虑不同路段的恢复程度,所以路段15得到恢复.但是,显然路段15恢复对于恢复速度韧性的减小影响大于路网性能韧性的增加,它的恢复反而对路网恢复效果造成了负面影响.因此,在恢复决策中考虑路段恢复程度差异有助于更好地平衡路网性能韧性和恢复速度韧性.

图10

图10 不同预算约束下路段恢复程度差异对路网韧性影响

Fig.10 Impact of difference in recovery degrees of road sections on road network resilience under different budget constraints

在保持其他变量不变的情况下,图11列出了γ分别为1.5、2.0和2.5下,最优决策、未考虑路段恢复速度差异决策和未考虑路段恢复程度差异决策的路网恢复效果.结果表明,3种γ下,最优决策均能表现出更优的恢复效果,相较未考虑路段恢复速度差异决策和未考虑路段恢复程度差异决策,可分别平均提高3.25%和10.53%的R.此外,γ越小,最优决策对于路网恢复效果的提升作用越大.因此,在路段阻抗容忍系数较低的恢复决策中尤其要考虑路段恢复速度差异和路段恢复程度差异.

图11

图11 不同路段阻抗容忍系数时不同决策恢复效果

Fig.11 Recovery effect of different decisions at different impedance tolerance coefficients of different road sections

在控制其他变量情况下,图12列出了ε分别为0.1、0.3、0.5、0.7和0.9下,最优决策、未考虑路段恢复速度差异决策和未考虑路段恢复程度差异决策的路网恢复效果.结果表明,5种ε下,最优决策均能表现出更优的恢复效果,相较未考虑路段恢复速度差异决策和未考虑路段恢复程度差异决策,可分别平均提高4.84%和16.36%的R.此外,ε越大,最优决策对于路网恢复效果的提升作用越大.因此,当以路网性能韧性作为恢复决策的主要优化目标时,尤其要注重路段恢复速度差异和路段恢复程度差异.

图12

图12 不同目标函数加权因子下不同决策恢复效果

Fig.12 Recovery performance of different decisions at different weighting factors of objective function

4 结论

本文针对道路交通网络应急恢复决策问题,提出了基于路段阻抗满足度的路网连通性评价指标,采用加权路网性能韧性和恢复速度韧性的韧性指标,构建了道路网络恢复决策双层优化模型,在获得待恢复路段集合与路段恢复时序后,通过路段层面的资源分配与预算分配获得待恢复路段的恢复程度和恢复速度,以贵州省区域高速公路网为例,开展了分析和研究.

(1) 考虑路段恢复速度或恢复程度差异的恢复决策方案可以有效提高路网恢复效果,考虑路段恢复程度差异可以有效避免路段过度恢复造成的路网恢复时间增加或者恢复不足造成的路网性能水平的降低,考虑路段恢复速度差异有助于更加高效地使用恢复资源.

(2) 敏感性分析表明:考虑路段恢复速度差异可以有效提高资源增加对路网韧性提升的边际效益.考虑路段恢复程度差异有助于恢复决策更好地平衡路网性能韧性和恢复速度韧性.路段阻抗容忍系数越小、加权因子越偏向路网性能韧性,考虑路段恢复速度和恢复程度差异对路网恢复效果的提升作用越大.

(3) 重大自然灾害后及在路网恢复过程中,路网的OD需求会发生一定程度的变化,将在后续的研究中进一步考虑变OD需求下的路网恢复决策问题.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

迟菲.

灾后恢复的特征与可恢复性评价的研究

[J]. 电子科技大学学报(社科版), 2012, 14(1): 42-47.

CHI

Fei

Research on characters of recovery stage and recoverability assessment in emergency management

[J]. Journal of University of Electronic Science & Technology of China (Social Sciences Edition), 2012, 14(1): 42-47.

[2]

李兆隆.

基于弹复性的公路网络灾后恢复决策优化研究[D]. 大连: 大连理工大学, 2019.

[本文引用: 5]

Zhaolong

Research on the resilience-based decision optimization of the post-disaster road network recovery[D]. Dalian: Dalian University of Technology, 2019.

[本文引用: 5]

[3]

ZHAO

, ZHANG

Transportation infrastructure restoration optimization considering mobility and accessibility in resilience measures

[J]. Transportation Research Part C: Emerging Technologies, 2020, 117: 102700.

[4]

MAO

, ZHOU

, YUAN

, et al.

Resilience-based optimization of postdisaster restoration strategy for road networks

[J]. Journal of Advanced Transpor-tation, 2021, 2021: 8871876.

[本文引用: 3]

[5]

CHEN

, MILLER-HOOKS

Resilience: An indicator of recovery capability in intermodal freight transport

[J]. Transportation Science, 2012, 46(1): 109-123.

[6]

LIAO

T Y

, HU

T Y

, KO

Y N

A resilience optimization model for transportation networks under disasters

[J]. Natural Hazards, 2018, 93(1): 469-489.

[7]

李成兵, 李奉孝, 王璐瑶.

城市群客运交通网络可靠性修复仿真

[J]. 西南交通大学学报, 2019, 54(2): 388-394.

Chengbing

, LI

Fengxiao

, WANG

Luyao

Simulation of passenger traffic network reliability restoration in urban agglomeration

[J]. Journal of Southwest Jiaotong University, 2019, 54(2): 388-394.

[8]

KARAMLOU

, BOCCHINI

Sequencing algorithm with multiple-input genetic operators: Application to disaster resilience

[J]. Engineering Structures, 2016, 117: 591-602.

[9]

HACKL

, ADEY

B T

, LETHANH

Determination of near-optimal restoration programs for transportation networks following natural hazard events using simulated annealing

[J]. Computer-Aided Civil and Infrastructure Engineering, 2018, 33(8): 618-637.

[10]

LIU

, ZHAI

, DONG

Optimal restoration schedules of transportation network considering resilience

[J]. Structure and Infrastructure Engineering, 2021, 17(8): 1141-1154.

[11]

ZHANG

, WANG

, NICHOLSON

Resilience-based post-disaster recovery strategies for road-bridge networks

[J]. Structure and Infrastructure Engineering, 2017, 13(11): 1404-1413.

[12]

, JIN

, HU

, et al.

Resilience-based transportation network recovery strategy during emergency recovery phase under uncertainty

[J]. Reliability Engineering & System Safety, 2019, 188: 503-514.

[本文引用: 3]

[13]

GOKALP

, PATIL

P N

, BOYLES

S D

Post-disaster recovery sequencing strategy for road networks

[J]. Transportation Research Part B: Methodological, 2021, 153: 228-245.

[14]

MAYA-DUQUE

P A

, DOLINSKAYA

I S

, SORENSEN

Network repair crew scheduling and routing for emergency relief distribution problem

[J]. European Journal of Operational Research, 2016, 248(1): 272-285.

[15]

MORENO

, MUNARI

, ALEM

A branch-and-benders-cut algorithm for the crew scheduling and routing problem in road restoration

[J]. European Journal of Operational Research, 2019, 275(1): 16-34.

[16]

ZHANG

, WEI

H H

Modeling interaction of emergency inspection routing and restoration scheduling for postdisaster resilience of highway-bridge networks

[J]. Journal of Infrastructure Systems, 2021, 27(1): 04020046.

[17]

GARCÍA-ALVIZ

, GALINDO

, ARELLANA

, et al.

Planning road network restoration and relief distribution under heterogeneous road disruptions

[J]. OR Spectrum, 2021, 43(4): 941-981.

[18]

缪惠全, 韦杰, 李宗财, 等.

功能耦合的城市水电网络抗震韧性分析方法

[J]. 哈尔滨工业大学学报, 2023, 55(2): 36-44.

MIAO

Huiquan

, WEI

Jie

, LI

Zongcai

, et al.

Seismic resilience analysis of urban water and power networks with functional coupling characteristics

[J]. Journal of Harbin Institute of Technology, 2023, 55(2): 36-44.

DOI:10.16183/j.cnki.jsjtu.2022.152 [本文引用: 1]

[19]

颜文婷, 杨隆, 李长城, 等.

考虑地震攻击交通网影响的配电网韧性评估及提升策略

[J]. 上海交通大学学报, 2023, 57(9): 1165-1175.

严重的地震灾害不仅会造成配电网大面积停电,还会损坏交通网,阻碍配电网恢复资源的运输,进而减缓配电网恢复.考虑地震攻击交通网的影响,提出地震灾害下配电网的韧性评估方法及韧性提升策略.首先,基于地震动峰值加速度建立反映地震灾害与交通-配电网故障概率关系的地震攻击模型,量化地震灾害对交通-配电网的影响,并生成交通-配电网故障场景.其次,引入配电网抢修队等待道路修复疏通时间,提出配电网韧性评估指标.再次,构建考虑故障线路抢修、道路修复疏通以及应急资源调度的配电网恢复双层优化模型并求解,上层优化模型以最小失电负荷量为目标,下层优化模型以最短配电网抢修队等待道路修复疏通时间为目标.最后,采用12节点交通网与IEEE33节点配电网耦合算例,验证所提韧性指标的可行性以及恢复方法的有效性.结果表明:考虑地震攻击交通网影响的配电网韧性评估指标更准确,所提的恢复策略能有效提升地震灾害下配电网韧性.

YAN

Wenting

, YANG

Long

, LI

Changcheng

, et al.

Resilience evaluation and enhancement strategy of distribution network considering the impact of seismic attack on transportation networks

[J]. Journal of Shanghai Jiao Tong University, 2023, 57(9): 1165-1175.

[20]

, HOU

, CHEN

Post-earthquake resilience assessment and long-term restoration prioritization of transportation network

[J]. Reliability Engineering & System Safety, 2021, 211: 107612.

[21]

NOGAL

, O’CONNOR

, CAULFIELD

, et al.

Resilience of traffic networks: From perturbation to recovery via a dynamic restricted equilibrium model

[J]. Reliability Engineering & System Safety, 2016, 156: 84-96.

[22]

ZHOU

, WANG

, YANG

Resilience of transportation systems: Concepts and comprehensive review

[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(12): 4262-4276.

[23]

尹文君, 刘民, 吴澄.

带工艺约束并行机调度问题的一种新的遗传算法

[J]. 电子学报, 2001, 29(11): 1482-1485.

以最小化拖期任务数为目标,研究了解决一类带工艺约束并行机调度问题的新的遗传算法.基于向量组的染色体编码方法简单、译码快速,并能自动满足工艺约束;扩展的顺序交叉算子EOX能自动满足工艺约束并尽量保留父代遗传信息,在较大程度上优于传统的交叉算子;位变异和交换变异相结合的变异方法有利于更好保持种群的多样性.大量模拟数据与生产线应用实例表明本文所提的基于向量组编码的遗传算法是相当有效的.

YIN

Wenjun

, LIU

Min

, WU

Cheng

New Genetic algorithm for parallel machine scheduling with process constraint

[J]. Acta Electronica Sinica, 2001, 29(11): 1482-1485.