طراحی مدل دو هدفه لجستیک امداد پس از وقوع بحران با در نظر گرفتن هزینه و زمان بهره گیری از بالگرد وبرنامه ریزی محدودیت-شانس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه الزهرا، تهران، ایران.

2 استاد، گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه الزهرا، تهران، ایران.

چکیده

مقدمه و اهداف: مدیریت بحران در فاز پس از وقوع بحران جهت کاهش حداکثری خسارات از اهمیت بسیار بالایی برخوردار است. لجستیک امداد قابلیت انتقال سریع نیروهای امدادی و مواد مورد نیاز به مناطق آسیب‌دیده و نیز نجات آسیب­دید­گان را دارد. در هنگام وقوع بلایای طبیعی مانند زلزله، زیرساخت‌های فیزیکی مانند جاده‌ها و پل‌ها اغلب تخریب می‌شوند و در نتیجه، دسترسی به مناطق آسیب‌دیده بسیار دشوار و در اغلب موارد غیرممکن می شود. به همین دلیل، بالگردها مناسب‌ترین وسیله نقلیه برای کمک به آسیب‌دیدگان هستند. در این خصوص مسئله دیگری که مهم است تفاوت بین بالگردها از نظر زمان سرویس دهی می باشد که بدیهی است هر چه زمان سرویس کوتاه‌تر باشد، هزینه های آن بیشتر خواهد بود. لذا باید از طریق ابزار مشخصی توازنی بین دو هدف زمان و هزینه به وجود آید.
 روش‌ها: در این مقاله، با در نظر گرفتن شرایط پس از وقوع یک زلزله فاجعه بار در یک منطقه کوهستانی، یک مدل ریاضی برای لجستیک امداد پس از فاجعه پیشنهاد می‌شود تا نحوه امدادرسانی و برنامه‌ریزی جهت اعزام بالگردها به مناطق آسیب دیده و نجات و انتقال افراد آسیب‌دیده به تسهیلات موقت سرویس دهی به ایشان را پوشش دهد. همچنین موضوع وجود عدم قطعیت جمعیت آسیب دیده و تقاضا برای پرسنل امداد و نجات نیز وجود دارد که باید به نحوی مدیریت شود. در این رابطه ابتدا یک مدل ریاضی در حالت قطعی پیشنهاد می شود و سپس با استفاده از روش برنامه ریزی محدودیت-شانس و در نظر گرفتن عدم قطعیت دو پارامتر مورد اشاره به صورت احتمالی، مدل احتمالی مورد نظر مجددا به قطعی تبدیل می شود. همچنین از دو روش معیارجامع و محدودیت اپسیلون برای حل مدل دو هدفه بر حسب زمان و هزینه استفاده می شود.
 یافته‌ها: از یافته‌های مهم این تحقیق می‌توان به نوع تعریف متغیرهای تصمیم مدل ریاضی اشاره کرد. یکی از متغیرهای تصمیم مهم تحقیق، ظرفیت در نظر گرفته شده برای آماده شدن و اعزام پرسنل امدادی در هر تسهیل موقت است. این ظرفیت طراحی شده قاعدتا باید از یک حداکثر مقدار ممکن به دلایل فنی کوچک‌تر یا مساوی باشد و از طرفی نیز به طور عملیاتی تعداد افراد اعزام شده توسط کلیه بالگردها از یک تسهیل موقت طی سفرهای مختلف، باید از این ظرفیت طراحی شده کوچکتر یا مساوی باشد. مشابه این محدودیت‌ها برای ظرفیت طراحی شده برای درمان جمعیت آسیب‌دیده هر در تسهیل موقت وجود خواهد داشت. به عبارت دیگر این ظرفیت مورد نظر باید از یک مقدار حداکثری کوچکتر یا مساوی و از جمعیت آسیب دیدگان انتقال یافته به این تسهیل توسط بالگردهای مختلف و در سفرهای مختلف بزرگتر یا مساوی باشد. همچنین دو محدودیت مهم این تحقیق نیز رعایت حداکثر ساعات پروازی هر بالگرد و همچنین تضمین یک سطح خدمت برای پوشش جمعیت آسیب‌دیده می‌باشد که به کمک کتغیرهای تصمیم مورد اشاره تعریف آنها ممکن شده است. از یافته‌های دیگر تحقیق به نحوه مدلسازی مسئله با در نظر گرفتن تضاد بین هزینه و زمان سرویس‌دهی بالگردها می‌توان اشاره کرد که در قالب یک مدل دو هدفه صورت گرفته است. همچنین با توجه به اینکه در خصوص دو پارامتر برون‌زای تقاضای نیروی امدادی و جمعیت مناطق آسیب‌دیده دارای عدم‌قطعیت می باشند، با فرض برخورداری از توزیع نرمال با میانگین و انحراف استاندارد مشخص، محدودیت‌های مرتبط با آنها نهایتا به حالت قطعی تبدیل شده است.
نتیجه‌گیری: مدل پیشنهادی با رویکرد محدودیت اپسیلون و همچنین روش معیار جامع توسعه­ یافته برای مطالعه موردی گسل تبریز حل شده است. به صورت پایلوت 13 منطقه آسیب‌دیده، با فرض وجود 3 مکان برای احداث تسهیل موقت و 5 نوع بالگرد در نظر گرفته شد. نتایج نشان داد که با افزایش تقاضا برای نیروی امداد و مناطق آسیب‌دیده، میزان هزینه و زمان سرویس دهی افزایش می‌یابد که نشان‌‌دهنده عملکرد منطقی مدل توسعه داده شده می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Designing a Bi-objective Post-Disaster Relief Logistics Model Considering Cost and Time of Utilizing Helicopters and Chance-Constraint Programming

نویسندگان [English]

  • Seyran Ghadimi 1
  • Mehdi Seifbarghy 2
1 Ph.D. Student, Department of Industrial Engineering, Faculty of Engineering, Alzahra University, Tehran, Iran.
2 Professor, Department of Industrial Engineering, Faculty of Engineering, Alzahra University, Tehran, Iran.
چکیده [English]

Introduction: Disaster management in the post-disaster phase is crucial for minimizing damages. Relief logistics enable the rapid deployment of relief personnel and necessary materials to affected areas and the rescue of victims. During natural disasters like earthquakes, physical infrastructures such as roads and bridges are often destroyed, making access to affected areas extremely difficult or even impossible. For this reason, helicopters are the most suitable means of transport to assist the injured. In this context, another critical issue is the difference in service times between helicopters. Naturally, shorter service times result in higher costs. Therefore, it is essential to strike a balance between the dual objectives of time and cost.
Methods: This paper proposes a mathematical model for post-disaster relief logistics following a catastrophic earthquake in a mountainous region. The model aims to plan the deployment of helicopters to affected areas and manage the rescue and transportation of injured individuals to temporary facilities. The issue of uncertainty regarding the affected population and the demand for rescue personnel is also addressed. Initially, a deterministic mathematical model is proposed. Subsequently, the model is adapted using the chance-constraint programming method to incorporate the stochastic nature of the aforementioned parameters, converting them into deterministic constraints. Additionally, two approaches, the LP-metric method and the epsilon constraint method, are employed to solve the bi-objective model concerning time and cost.
Results and discussions: A key finding of this research is the formulation of decision variables in the mathematical model. One critical decision variable is the capacity allocated for preparing and dispatching relief personnel at each temporary facility. This designed capacity must not exceed a maximum allowable value due to technical constraints and, operationally, must also accommodate the total number of personnel deployed by all helicopters from the facility across multiple trips. Similar constraints apply to the capacity for treating injured individuals at each temporary facility. Specifically, this capacity must not exceed a predefined maximum and must also meet or exceed the population of injured individuals transported to the facility by various helicopters over multiple trips. Two additional important constraints addressed in this research include adherence to the maximum flight hours of each helicopter and ensuring a minimum level of service to cover the affected population. These constraints are made feasible through the defined decision variables. Another significant finding pertains to the modeling of the trade-off between helicopter service costs and times, represented as a bi-objective model. Moreover, given the uncertainty of the two exogenous parameters—relief force demand and the population of affected areas—these parameters are assumed to follow a normal distribution with specific means and standard deviations, and their associated constraints are ultimately converted into deterministic forms.
Conclusions: The proposed model is solved using the epsilon constraint method and the LP-metric method for a case study involving the Tabriz fault. In a pilot scenario, 13 affected areas were considered, with 3 potential locations for establishing temporary facilities and 5 types of helicopters. The results indicate that increased demand for relief personnel and affected areas leads to higher costs and longer service times, demonstrating the logical functionality of the developed model.

کلیدواژه‌ها [English]

  • Relief logistics
  • Helicopter
  • Chance-Constraint Programming
  • Bi-objective Model
  • Epsilon Constraint

مراجع

  1. ‌‌Abdelgader, A.M.S., Wu, L., Nasr, M.M.M. (2016). A simplified mobile Ad hoc network structure for helicopter communication. International Journal of Aerospace Engineering, 2016 (3), 1-15.
  2. Abounacer, R., Rekik, M., Renaud, J. (2014). An exact solution approach for multi-objective location-transportation problem for disaster response. Computers and Operations Research, 41(1), 83–93.

 

  1. Baskaya, S., Ertem, M. A., & Duran, S. (2017). Pre-positioning of relief items in humanitarian logistics considering lateral transhipment opportunities. Socio-Economic Planning Sciences, 57, 50–60.
  2. Bozurgi Amiri, A. Mansouri, S. Peshvaee, M. (2017). Multi-objective relief chain network design for earthquake response under uncertainties. Journal of Industrial Management Perspective, 25, 9-36 (In Persian).
  3. Boonmee, C., & Kasemset, C. (2020). The multi-objective fuzzy mathematical programming model for humanitarian relief logistics. Industrial Engineering and Management Systems, 19(1), 197–210.
  4. Bozorgi-Amiri, A., Jabalameli, M. S., Alinaghian, M., & Heydari, M. (2012). A modified particle swarm optimization for disaster relief logistics under uncertain environment. The International Journal of Advanced Manufacturing Technology, 60(1), 357–371.
  5. Cao, C., Liu, Y., Tang, O., Gao, X. (2021). A fuzzy bi-level optimization model for multi-period post-disaster relief distribution in sustainable humanitarian supply chains. International Journal of Production Economics, 235,
  6. Caric, T., Gold, H. (2008). Vehicle routing problem. In-Tech publication, Croatia, ISBN:9789537619091.
  7. Ghasemi, P., Goodarzian, F., Abraham, A. (2022). A new humanitarian relief logistic network for multi-objective optimization under stochastic programming, 52, 13729-13762.
  8. Ghasemi, P., Khalili-Damghani, K., Hafezolkotob, A., Raissi, S. (2019). Uncertain multi-objective multi-commodity multi-period multi-vehicle location-allocation model for earthquake evacuation planning. Applied Mathematics and Computation, 350, 105–132.
  9. Hasani, A. (2021). Relief Network Design Problem: A Distributionally Robust Optimization Approach. Journal of Industrial Management Perspective, 11(4), 85–119 (In Persian).
  10. Kamyabniya, A., Sauré, A., Salman, F. S., Bénichou, N., Patrick, J. (2024). Optimization models for disaster response operations: a literature review. OR Spectrum, 46(3), 737–783.
  11. Khorsi, M., Chaharsooghi, S. K., Bozorgi-Amiri, A., Kashan, A. H. (2020). A Multi-Objective Multi-Period Model for Humanitarian Relief Logistics with Split Delivery and Multiple Uses of Vehicles. Journal of Systems Science and Systems Engineering, 29(3), 360–378.
  12. Kim, J.J., Jang, H., Roh, S. (2022). A systematic literature review on humanitarian logistics using network analysis and topic modeling. Asian Journal of Shipping and Logistics, 38(4), 263–278.
  13. Liu, Y., Lei, H., Zhang, D., Wu, Z. (2018). Robust optimization for relief logistics planning under uncertainties in demand and transportation time. Applied Mathematical Modelling, 55, 262–280.
  14. Mousavi, S., Sajadi, M., Alemtabriz, A., Najafi, E. (2021). Designing a Hierarchical Network of Temporary Urban Medical Centers in a Disaster through a Hybrid Approach of Mathematical Model-Simulation. Journal of Industrial Management Perspective, 42, 99-124 (In Persian).
  15. Ozdamar, L. (2011). Planning helicopter logistics in disaster relief. OR Spectrum, 33(3), 655–672.
  16. Paul, J. A., Hariharan, G. (2012). Location-allocation planning of stockpiles for effective disaster mitigation. Annals of Operations Research, 196(1), 469–490.
  17. Pettit, S. J., Beresford, A. K. C. (2005). Emergency relief logistics: an evaluation of military, non-military and composite response models. International Journal of Logistics Research and Applications, 8(4), 313–331.
  18. Praneetpholkrang, P., Huynh, V. N., Kanjanawattana, S. (2021). A multi-objective optimization model for shelter location-allocation in response to humanitarian relief logistics. Asian Journal of Shipping and Logistics, 37(2), 149–156.
  19. Rabta, B., Wankmüller, C., Reiner, G. (2018). A drone fleet model for last-mile distribution in disaster relief operations. International Journal of Disaster Risk Reduction, 28, 107–112.
  20. Rezaei Kallaj, M., Abolghasemian, M., Moradi Pirbalouti, S., Sabk Ara, M., Pourghader Chobar, A. (2021). Vehicle Routing Problem in Relief Supply under a Crisis Condition considering Blood Types. Mathematical Problems in Engineering, 7217182, 1-10.
  21. Ricardo, S., Da Costa, A., Albergaria, R., Bandeira, M., Carlos, L., Mello, B. B., Barcellos, V., Campos, G. (2014). Humanitarian supply chain: an analysis of response operations to natural disasters. EJTIR Issue, 14(3), 290–310.
  22. Saatchi, H. M., Khamseh, A. A., Tavakkoli-Moghaddam, R. (2021). Solving a new bi-objective model for relief logistics in a humanitarian supply chain using bi-objective meta-heuristic algorithms. Scientia Iranica, 28(5 E), 2948–2971.
  23. Steenbergen, R. Van, Mes, M. (2020). A Simulation Framework for Uav-Aided Humanitarian Logistics. Proceedings - Winter Simulation Conference, 2020-December, 1372–1383.
  24. Veysmoradi, D., Vahdani, B., Farhadi Sartangi, M., Mousavi, S. M. (2018). Multi-objective open location-routing model for relief distribution networks with split delivery and multi-mode transportation under uncertainty. Scientia Iranica, 25(6), 3635–3653.
  25. Wang, Q., Liu, Y., Pei, H. (2024). Modelling a bi-level multi-objective post-disaster humanitarian relief logistics network design problem under uncertainty. Engineering Optimization, 56(8), 1220–1254.
  26. Zarrinpoor, N., Aray, Z., Sheikholeslami, M. (2023). A robust-stochastic optimization approach for designing relief logistics operations under network disruption. International Journal of Supply and Operations Management, 10(3), 271–294.
  27. Xavier, I. R., Bandeira, R. A. M., Bandeira, A. P. F., Campos, V. B. G., Silva, L. O. (2020). Planning the use of helicopters in distribution of supplies in response operations of natural disasters. Transportation Research Procedia, 47, 633–640.
  28. Xavier, I. R., de Mello Bandeira, R. A., de Oliveira Silva, L., de Paula Fontainhas Bandeira, A., Campos, V. B. G., Leobons, C. M. (2021). Planning the use of helicopters in the last mile distribution process in catastrophes. Brazilian Institute for Information in Science and Technology, 28 (4), e5053.
  29. Xavier, I. R., Mello Bandeira, R. A. De, Oliveira Silva, L. De, Fontainhas Bandeira, A. D. P., Gouvêa Campos, V. B. (2019). Employing helicopters in the modelling of last mile distribution system in large-scale disasters. Transportation Research Procedia, 37, 306–313.

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار