英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
双目标安全和有弹性的城市疏散计划
摘要：我们考虑了一种城市疏散方案，其目的是在各种限制下最大限度地减少总体危害，例如挽救所有被疏散人员。通常将相关参数假定为确定性的，尽管这种情况具有唯一性，并且存在许多不确定性。因此，我们考虑到街道通行能力的不确定性，并在疏散计划的背景下介绍了弹性方面。通过以更平衡的方式利用可用的街道容量来实现此弹性方面。为了平衡街道容量的利用，我们接受最低危险等级的预定增加。我们基于细胞传输模型（CTM）的假设，提出了一个新的基于双目标路径的疏散模型。我们通过应用-Constraint方法处理两个冲突的目标函数。此外，我们提出了一种特殊的路径算法，可以根据我们的特殊要求生成疏散路径。我们通过计算研究验证了我们提出的弹性疏散计划思想的意义。此外，该研究还显示了一些有趣的启示，例如，越多的路障被封锁，新方法的收益就越大。
1.简介
由于自然灾害和人为灾害的发生频率和强度不断增加，城市疏散规划已成为重要的话题。例如，自然灾害的数量从1975年的不到60起增加到2010年的385起。同年，总计有2亿多人受到自然灾害的影响，近30万人丧生（Guha-Sapir, Vos, Below, amp; Ponserre, 2011）。这种负面趋势的原因是多种多样的：全球变暖等环境问题会导致丛林大火或洪水。建筑物或城市的规划不佳会增加飓风或地震的后果。而且，人类本身是有意地（例如，恐怖袭击）或无意地（例如，化学灾害）对多种灾难负责。美国联邦紧急事务管理局（2008）报告，近年来每年需要州和联邦政府援助的45-75起灾难，有可能导致疏散。因此，为了确保无并发症的撤离过程并确保撤离人员的健康（和生命），合理计划的撤离至关重要。
通常，疏散是一个过程，在此过程中，受到威胁的人员将从危险区域转移到更安全的地方。 规划疏散涉及许多不同方面：考虑人类行为，警告并告知人员，需求建模，对危险区域进行分区，定义安全区域和/或庇护所，路线选择，交通分配等。 有关概述，请参阅Murray-Tuite和Wolshon（2013）。
在本文中，我们专注于城市疏散场景的路线选择和交通分配。通常，在疏散计划中，目标是使所有疏散人员的疏散时间，行进距离或总暴露危险最小化。本文通过引入弹性方面提出了一种全新的疏散计划方法，该方面可以更适度地设计疏散计划，以应对街道网络容量下降的潜在影响。引入此弹性方面的动机如下：街道可以（部分）被阻塞（=容量下降）。这种阻塞可能是由于灾难本身的影响（例如，倒下的树木或毁坏的街道）或疏散人员的行为影响（例如，由于不安全情况而导致的交通事故或减速行驶）。我们将疏散计划定义为更具弹性，容量下降对疏散过程性能的影响越小。通过更均衡地利用街道路段的可用容量，可以实现弹性的这一方面。通过更均衡地考虑街道网络的使用，我们假设有两个改进：首先，将减少阻塞的街道的后果；其次，首选的主要疏散路线的通行能力将无法达到最大通行能力限制。弹性疏散计划更为保守，这就是为什么总危害高于最低危害水平的原因。然而，我们认为，对于独特的疏散情况，考虑与日常交通相同的街道网络，这是不现实的。因此，如果街道网络遭受容量下降，则弹性疏散规划概念可能会超过安全疏散规划概念。
在将这种弹性概念应用于疏散计划时，不仅要考虑最快或最安全的路线。 因此，我们还考虑了其他路线，分为合理路线和不合理路线。 为了更好的说明，让我们考虑图1中的网络。我们假设有一辆车辆打算从其起始位置行驶到出口，以及三种可能的疏散路线。 最短路径由实线表示。 虚线路径显然不是最短路径，但如果最短路径被（部分）阻塞或危险在最短路径上很明显，则它可能是一个可行的选择。 因此，这条路径代表一条合理的路线。 但是，虚线表示不合理的路线。 尽管此路线利用的是其他路线没有利用的街道部分，但该路线包括一个（不需要的）子游览。 这样的路线不能是合理的疏散路线，必须在最佳疏散计划中予以禁止。
本文的贡献在于考虑了疏散计划的弹性。文献提供了各种（所谓的）可靠，随机和健壮的方法（请参阅第2.2节），这些方法直接考虑了其疏散计划模型中的不确定性。尽管我们同意容量下降是随机造成的，但我们并未明确考虑这些不确定性。由于这些事件的独特性和稀有性以及随之而来的历史数据缺失，因此无法估计任意城市街道网络的概率分布函数。我们的确定性方法通过考虑两个相互矛盾的目标函数，间接考虑了模型中街道通行能力的不确定性。疏散被分配到安全，有弹性的疏散路线。因此，我们引入了一种基于双目标，基于弹性路径，基于单元传输的疏散规划模型（RPCTEPM），该模型一方面最大程度地减少了被疏散者的总暴露危险（安全方面），另一方面利用网络容量以更平衡的方式（弹性方面）。这种网络容量利用方法代表了我们的弹性理念。据我们所知，没有一种方法能够以这种方式考虑不确定性。路由和分配过程分开以确保合理的疏散路线。首先，确定疏散路线，然后在新的基于路径的疏散模型的帮助下将疏散人员分配给这些路线。关键挑战在于产生疏散路径。主要问题在于，电池的利用率不是给定参数，因此不可能以独立方式确定疏散路径的利用率。因此，开发了一种新的路径生成算法（PGA），以满足疏散路径的特殊要求。为了处理这两个目标函数，使用了-Constraint方法（Chankong＆Haimes，1983）。最后，我们在计算研究中评估了新的弹性概念。因此，我们开发了一种特殊的测试程序来证明我们新方法的好处。结果不仅表明弹性方法可以在容量下降的情况下改善疏散过程，而且还表明收益取决于所考虑的疏散情况和容量下降水平。
本文的其余部分结构如下：第2节简要介绍了基于单元的疏散计划模型和疏散模型的弹性。第3节介绍了本文的基本疏散模型。 在第4节中，提出了有关疏散计划调整的新能力。 在下一个第5节中，我们将介绍为建议的基于路径的疏散模型生成路径的PGA，最后，在第6节中评估我们的弹性疏散计划的概念，并在第7节中概述结果。
2.文献概述
在第2.1节中，我们概述了疏散计划的基本工作，这些工作也考虑了CTM。 文献没有提供撤离背景下的复原力定义。 因此，在第2.2节中，我们简要概述了运输系统中的弹性。 然后，我们继续介绍现有疏散模型的摘要，这些模型在冲突的目标函数的帮助下直接或间接地考虑了不确定性。
2.1。 基于小区传输的疏散计划
2.1。 基于小区传输的疏散计划
疏散计划方面的文献有很多方法和领域。 这些作品不同，例如 在精度水平（例如宏观或微观），考虑时间（例如静态或动态），应用方法（例如模拟或优化）以及疏散过程的考虑部分（例如 网络设计，避难所的位置或路由）。 对于疏散计划和灾难管理的一般调查，我们参考Bretschneider（2012），Dhamala（2014）Hamacher和Tjandra（2001），Maassen（2011）以及Yusoff，Ariffin和Mohamed（2008）。接下来，介绍了基于CTM的疏散模型。
CTM由Daganzo（1994,1995）首次引入Lighthill和Whitham的水力交通流模型研究
- 和理查兹（1956）。这是一个离散的交通流模型，它考虑到了基于时间和空间的流量变化条件和现实世界中的交通现象，例如冲击波和链接溢出效应（Ziliaskopoulos，2000年）。运动波模型的有限差分近似可以对交通流量和密度之间的分段线性关系进行建模。该模型的关键思想是将时间范围分解为时间段，并将道路网络分解为单元。一个时间段表示一个预定义的时间值，该值等于以自由流动的速度通过一个单元所需的时间。每个单元的长度是车辆在单个时间段内行驶的长度。该模型的基本原理是，车辆在交通状况良好的情况下可以在一个时间段内通过一个单元，然后在下一个时间段内通过下一个单元。这些运动基于交通流理论。 Ziliaskopoulos（2000）将这种建模方法应用于系统最优动态交通分配问题（SO-DTA）（有关概述，请参见Peeta和Ziliaskopoulos（2001））。他将问题表述为线性程序（LP），在该程序中，仅事先知道路线，而不是最佳路线。结果是将人员分配给路线。最近，出现了几种基于CTM的DTA疏散模型（考虑了不同的焦点）：: Bish and Sherali (2013), Chiu, Zheng, Villalobos, and Gautam (2007), Kimms and Maassen (2011), Liu, Lai, and Chang (2006),
Tuydes and Ziliaskopoulos (2006) and Xie, Lin, and Waller (2010).
例如，Tuydes和Ziliaskopoulos（2006）针对城市疏散场景提出了SODTA模型，以考虑车道的重定向。通过针对假设网络和城市网络的基于禁忌的启发式方法解决了该问题。刘等。 （2006）提出了一个两级优化系统。在给定的疏散时间内，高级别的优化可以最大程度地提高吞吐量，而低级别的优化则可以减少总的出行时间和等待时间。 Chiuet al。 （2007年）提出了一种交通流优化模型，该模型可以同时解决交通分配和出发时间安排。通过添加链接到所有汇的超级汇，网络被转换为单个目的地问题。此外，提出了一种统一的需求建模技术。 Xie等人（2010）提出了一个双层网络设计优化问题，在较高层次上通过考虑车道逆转和避免交叉冲突来解决网络设计问题。较低的级别解决了达到用户平衡的基于小区传输的业务分配问题。作者还提出了一种基于拉格朗日松弛禁忌搜索的组合解决方案程序.Bish和Sherali（2013）在汇总级别上开发了登台和路由疏散模型。人口分为几组，模型为每组生成疏散路线。 Kalafatas和Peeta（2009）考虑疏散计划在战略层面上提出网络设计模型。通过能力增强设计选项来增强操作疏散性能，这些选项通过逆流策略或增加车道来定义。 Shen，Nie和Zhang（2007）以及Zheng和Chiu（2011）为Ziliaskopoulos（2000）的基本模型提供了有效的解决方案。沉等。 （2007年）提出了一种简化SO-DTA模型的动态网络单纯形法。建议使用迭代过程从简化的SO-DTA模型中有效获取基于单元的SO-DTA模型的原始解决方案。 Zheng and Chiu（2011）表明，问题等同于最早的到达流。通过网络流算法解决了转换后的问题，该算法用于时间扩展网络上的最早到达流。 Kimms和Maassen（2011）通过考虑逆流概念和交叉冲突，提出了扩展的（基于车道）基于单元格传输的疏散模型。随后，Kimms和Maassen（2012）为他们最初提出的模型引入了基于最短路径的启发式方法。
2.2。疏散计划的弹性
Holling（1973）率先将生态环境中的弹性描述为“系统持久性及其吸收变化和干扰能力的度量”。随着时间的流逝，根据研究的重点，还发布了许多其他的弹性定义。有关弹性的概述和进一步定义，请参见Reggiani，De Graaff和Nijkamp（2002）和Haimes（2009）。后来Reggiani，Nijkamp和Lanzi（2015）概述了运输系统的弹性概念。分析19项不同的工作后，他们指出运输弹性没有统一的定义，并且“在操作性方面存在严重限制”和弹性测量”。据我们所知，目前尚无任何工作明确考虑撤离规划中的弹性。但是，有些作品涉及相关方法。 Goerigk，Deghdak和Heszlig;ler（2014）将弹性定义为“系统应对变化的能力”并区分了两种提高解决方案弹性的概念：直接在随机模型中对不确定性进行建模（Li＆Ozbay，2014年； Yazici＆Ozbay，2007年； Yazici＆Ozbay，2010年）或鲁棒优化（Ben-Tal，Do Chung，Mandala和Yao，2011年） ; Yao，Mandala，＆Do Chung，2009）或考虑到多个相互冲突的目标功能。尽管疏散环境存在许多不确定因素（例如，疏散人员的数量，街道通行能力，灾难的影响），只有少数宏观优化模型直接在疏散计划环境中考虑这些不确定性。 Yazici和Ozbay（2007）将偶然机会约束方法应用于基于细胞的SO-DTA配方。他们假设街道通行能力的不确定性，这些随机通行能力的概率分布以及撤离者的分布和数量是已知的。应用p级有效点（p-LEP）方法并示例性地解决了飓风疏散问题.Li和Ozbay（2014）提出了一种基于单元格的SO-DTA疏散模型，该模型结合了流量相关的容量不确定性。这些容量被建模为变量，这些变量会根据分配的流量随时间动态调整。应用了基于样本平均逼近法的网络流量算法。本塔尔等。 （2011）和Yao等。 （2009年）将稳健的优化方法应用于基于单元传输的疏散模型。他们的假设与Yazici和Ozbay（2007）以及Li和Ozbay（2014）的假设相反：需求的分布是不确定的，街道的容量是确定的。应用了亲和力可调健壮对应物（AARC）方法针对该问题，将本文提出的方法与确定性和基于采样的随机规划解决方案进行了比较。Yazici和Ozbay（2010）提供了道路不确定性的模型基于单元的SO-DTA模型的容量和需求来源。假定随机需求和容量的概率分布是离散的。应用了机会受限的编程方法。 Ng和Waller（2010）提出了一个完整的
通过间接考虑撤离人员数量和电弧容量的不确定性来采取不同的方法。他们通过简单地计划更多的撤离者和更少的道路通行能力，提出了一个基于小区的疏散模型。尽管这些（所谓的）可靠的疏散计划是相当保守的设计，但它们可确保预定义的置信度。
具有矛盾目标功能的疏散计划的多目标优化模型在Alccedil;ada-Almeida，Tralhatilde;o，Santos和Coutinho-Rodrigues（2009），Coutinho-Rodrigues，Tralhatilde;o和Alccedil;ada-Almeida（2012），Fang，Zong，Li，Li和Xiong（2011），Georgiadou，Papazoglou，Kira noudis和Markatos（2010），Goerigk等。 （201
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239125]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
