技术领域
[0001] 本发明涉及海上救助资源调度领域，尤其涉及一种海上大规模救助资源调度决策方法、系统及存储介质。
相关背景技术
[0002] 随着邮轮产业发展，乘坐邮轮的游客数量也逐年增加，给邮轮安全与应急管理和大规模海上人员救助都带来新的巨大挑战。相比于一般的海事事故，以邮轮为代表的大型客船事故具有突发性强、危害性大、遇难人员多等特点，如果救助不及时和不充分，会造成大量人员伤亡和财产损失，并带来极其严重且恶劣的社会影响。但此类大规模事故发生的概率又极低，救援人员不可能不计成本的长期保持应对大规模人命救助的救助资源，并且资源调度方案的制定主要是靠经验和一些救助指南、操作手册等，效率较低。
具体实施方式
[0051] 本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
[0052] 在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解“, 一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0053] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
[0054] 随着邮轮产业的发展，乘坐邮轮的游客数量逐年增加，给邮轮安全与应急管理和大规模海上人员救助都带来了新的巨大挑战。相比一般海事事故，以邮轮为代表的大型客船事故具有突发性强、危害性大、遇难人员较多等特点。因此，如果救助不及时和不充分，则会造成大量人员伤亡和财产损失，并且还会带来及其严重且恶劣的社会影响。但是，对于此类大规模的海事事故来说，其发生的概率一般极低，相关搜救人员难以不计成本地长期保持应对大规模人命救助的救助资源。同时，当发生此类大规模海事事故时，资源调度方案的制动主要靠经验及一些救助指南、操作手册等，效率较低。因此，如何在这种资源有限的情况下，对救助资源进行科学合理调度，提高决策效率，保证资源的充分利用，进而提升海上救援效率是降低人员伤亡和减少损失的重要举措，也是亟待解决的问题。
[0055] 基于此，本发明实施例提供一种海上大规模救助资源调度决策方法，能够快速有效地制定出海上大规模救助资源调度决策方案，有效缩短资源调度运筹时间，减少资源浪费，提升决策效率。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130和步骤S140。
[0056] 具体地，本实施例的方法应用过程包括如下步骤：
[0057] S110：获取险情信息、救助资源要素数据和待救援环境风力数据。
[0058] S120：根据险情信息、救助资源要素数据和待救援环境风力数据，构建第一阶段决策模型，第一阶段决策模型以最短救援时间为目标。
[0059] S130：根据最少救助资源目标和第一阶段决策模型，构建第二阶段决策模型。
[0060] S140：通过第二阶段决策模型预测得到救助资源调度决策结果。
[0061] 在本具体实施例工作过程中，本实施例首先获取险情信息、救助资源要素数据和待救援环境风力数据。然后根据获取的险情信息、救助资源要素数据以及待救援环境风力数据，构建第一阶段决策模型。其中，第一阶段决策模型以最短救援时间为目标进行构建。进一步地，本实施例在第一阶段决策模型的基础上，引入最少救助资源目标，构建第二阶段决策模型，通过最少救助资源目标结合以最短救助时间为目标的第一阶段决策模型，构建得到同时考虑救助时间最短和救助资源最少两个方面因素的第二阶段决策模型。然后通过第二阶段决策模型预测得到救助资源调度决策结果。具体地，本实施例获取的险情信息包括险情位置和遇险人数。其中，本实施例通过险情位置确定事故点，并根据事故点计算相应的救援时间。另外，本实施例通过遇险人数确定资源调度决策所需要完成的目标。同时，救助资源要素数据包括救助资源类型和救助资源参数。例如，救助资源类型可以包括救助直升机、救助船、海巡艇以及周边船舶等，相应地，救助资源参数则包括各类救助资源的最大载荷人数、各类救助资源的位置信息以及速度等。救助资源参数会影响救助资源的调度和救援时间。海上环境复杂多变，其中风力是影响海上救助的重要因素，因此本实施例通过获取待救援环境风力数据，将待救援环境风力数据作为调度救助资源的影响因素之一。然后，本实施例以转移所有遇险人员所用的救援时间最短为决策目标，根据险情信息、救助资源要素数据以及待救援环境风力数据，构建第一阶段决策模型。进一步地，本实施在第一阶段决策模型的基础上结合最少救助资源目标，构建第二阶段决策模型。第二阶段决策模型同时考虑了救援时间以及调度资源数量，在减少救援时间的同时，也相应减少出救资源数量。
然后，本实施例通过第二阶段决策模型预测得到决策模型，实现快速有效地制定出海上大规模救助资源调度决策方案，并且能够有效缩短资源调度运筹时间，减少资源浪费，提升了决策效率。
[0062] 在本具体实施例中，本实施例首先获取险情信息、救助资源要素数据和待救援环境风力数据。然后根据获取的险情信息、救助资源要素数据和待救援环境风力数据，构建第一阶段决策模型。本实施例的第一阶段决策模型制定救援的救助资源调度方案使得转移所有遇险人员所用的救援时间最短。在大规模海事事故中，待救援人员数量一般较多，因此救援时间是救助资源调度的第一考虑要素，以保证待救援人员的生命优先。但同时，由于仅考虑救援时间最短的情况下，需要调度的资源数目也往往较多，而事故现场的空间有限，难以实现所有救助资源同时进场救助，另外，还需要考虑将部分救助资源预留以防止其他应急事件的发生。因此，本实施例在仅考虑最短救援时间的第一阶段决策模型基础上，引入最少救助资源目标，以减少救援时间的同时，对出救资源也进行相应的减少为决策期望，构建第二阶段决策模型。从而本实施例通过第二阶段决策模型预测得到符合决策期望的救助资源调度决策方案，有效缩短了资源调度运筹时间，减少资源浪费，提升决策效率。
[0063] 在本发明的一些实施例中，根据险情信息、救助资源要素数据和待救援环境风力数据，构建第一阶段决策模型，第一阶段决策模型以最短救援时间为目标，包括但不限于以下步骤：
[0064] 以最短救援时间为目标，构建最短救援时间目标函数。
[0065] 根据险情信息、救助资源要素数据和待救援环境风力数据，构建约束条件。
[0066] 根据最短救援时间目标函数和约束条件，构建第一阶段决策模型。
[0067] 在本具体实施例中，本实施例首先以最短救援时间为目标，构建最短救援时间目标函数。然后在根据险情信息、救助资源要素数据和待救援环境风力数据，构建决策的约束函数。进一步地，本实施例通过最短救援时间目标函数以及约束条件，构建第一阶段决策模型。具体地，各类型的救助资源记为X＝{X1，X2，…，Xm}，每种救助资源的应急点数目设置不同，记为N应急点＝{n1,n2,…,nm}，每类救助资源在各应急点的数目也不同，记为(其中，j＝n1,n2,…,nm)，故设一个可行的调度方案σ表示为：σ＝{σ1，σ2，…，σm}。
[0068] 其中， 表示第i类救助资源的调度方案，xijk表示第i类救助资源的第j个应急点中第k个救助资源是否被调度参与救援。若被调度，则xijk＝1；否则xijk＝0；最短救援时间T(σ)＝max{T(σi)}，最少调度的资源数目为示例性地，设定有1个事故点B，考虑专业救助直升机、专业救
助船舶、海巡艇以及事故周边过往船舶四类救助资源，记为R＝{R1，R2，R3，R4}。在大规模人命救助中，人的生命安全是第一位的，救援时间是需要考虑的第一要素，要求制定出救助资源调度方案，使得转移所有遇险人员所用的救援时间最短。同时，能够参与救助的资源必须满足以下约束条件：决策方案中的所有救助资源能够转移的最大人员数目必须满足事故现场的遇险人员转移要求，如式(2)所示；调度的资源数目不能超过其现有的总量，如式(3)所示；海上搜救环境复杂多变，参与救援的资源必须要首先保证自身的安全，所调度的资源必须满足事故现场的抗风要求，如式(4)所示。第i类救助资源的第j个应急点中第k个救助资源是否被调度参与救援的情况如式(5)所示。另外，根据前面所述的救援时间定义，得到救援时间的计算公式，如式(6)所示；救助资源的航行时间，其主要受航线、航行环境、船舶流量等因素的影响，在第一阶段决策模型中，可以通过简化计算的方式得到，即通过航线长度除以平均时速来计算，如式(7)所示。同时，救援时间指的是该救助资源从收到救援行动指令开始至到达事故点所耗费的时间，包括在出救点的准备时间以及从出救点到事故点的航行时间，根据救援时间定义，得到救援时间的计算公式，如式(6)所示。救助资源的航行时间，其主要受航线、航行环境、船舶流量等因素的影响，在第一阶段决策模型中，可以通过简化计算的方式得到，即通过航线长度除以平均时速来计算，如式(7)所示。根据上述要求，建立以救援时间最短为目标的救助资源调度决策模型如下，其中最短救援时间目标函数如式(1)所示：
[0069] minT＝max{tijk} (1)
[0070] 约束条件包括式(2)、式(3)和式(4)：
[0071]
[0072]
[0073] fijk≥f0 (4)
[0074] xijk∈{0,1} (5)
[0075] tijk＝tijk0+tijkB (6)
[0076]
[0077] 其中， 第一阶段决策模型涉及到的参数信息如下表1所示：
[0078] 表1
[0079]
[0080] 在本发明的一些实施例中，根据最少救助资源目标和第一阶段决策模型，构建第二阶段决策模型，包括但不限于以下步骤：
[0081] 以最少救助资源为目标，构建最少救助资源目标函数。
[0082] 根据最少救助资源目标函数以及第一阶段决策模型，构建第二阶段决策模型。
[0083] 在本具体实施例中，本实施例通过以最少救助资源为目标，构建最少救助资源目标函数。然后根据最少救助资源目标函数和第一阶段决策模型，构建第二阶段决策模型。具体地，在第一阶段决策模型的基础上，建立第二阶段决策模型，在保证救援时间最短的同时，也相应地优化出救资源的数目，得到更加高效、经济合理的资源调度决策方案。示例性地，本实施例首先以最少救助资源为目标，构建最少救助资源目标函数如下式(8)所示：
[0084]
[0085] 其中， 根据构建的最少救助资源目标函数以及第一阶段决策模型，构建得到第二阶段决策模型。其中，第二阶段决策模型的目标函数包括式(8)以及第一阶段决策模型的最短救援时间目标函数，第二阶段决策模型的约束条件根据不同要求进行相应的修改。
[0086] 在本发明的一些实施例中，第二阶段决策模型包括直升机必选资源调度决策模型和直升机非必选资源调度决策模型。相应地，根据最少救助资源目标函数以及第一阶段决策模型，构建第二阶段决策模型，包括但不限于以下步骤：
[0087] 根据最少救助资源目标函数以及第一阶段决策模型，构建直升机非必选资源调度决策模型。
[0088] 或者，根据直升机数据、最少救助资源目标函数以及第一阶段决策模型，构建直升机必选资源调度决策模型。
[0089] 在本具体实施例中，专业救助直升机具有快捷灵活的救援特点，一般情况下，专业救助直升机应全部出动参与救援。但除了具备以上特点，专业救助直升机还承担落水人员搜寻、转移危急人员的任务，所以在有危急人员需要及时就医或者落水人员需要搜寻等情况下，需要调度专业救助直升机进行相关作业。因此根据以上需求，分别建立直升机必选资源调度决策模型和直升机非必选资源调度决策模型，以实现各类型资源的协同调度。当直升机为非必选资源时，本实施例根据最少救助资源目标函数以及第一阶段决策模型，构建直升机非必选资源调度决策模型。其中，直升机非必选资源调度决策模型的目标函数包括下式(9)和下式(10)：
[0090] min T1＝max{tijk} (9)
[0091]
[0092] 其中， 相应地，由于直升机资源为非必选，因此对于直升机非必选资源调度决策模型，其约束条件不用改变，与第一阶段决策模型的约束条件一致。
[0093] 另外，当直升机为必选资源时，本实施例则通过直升机数据、最少救助资源目标函数以及第一阶段决策模型，构建直升机必选资源调度决策模型。其中，直升机必选资源调度决策模型的目标函数包括下式(11)和下式(12)：
[0094] min T2＝max{tijk} (11)
[0095]
[0096] 示例性地，当选取的救助资源信息中共有a架直升机，每架直升机的最大载荷人数为12人，则根据直升机必选的要求，原式(2)中的约束条件需要改变，如式(13)所示。其余约束条件不变。
[0097]
[0098] 其中，
[0099] 在本发明的一些实施例中，通过第二阶段决策模型预测得到救助资源调度决策结果，包括但不限于以下步骤：
[0100] 通过理想点法对最少救助资源目标函数和最短救援时间目标函数进行处理，得到单目标函数。
[0101] 通过惩罚函数法对约束条件进行处理，得到惩罚约束函数。
[0102] 根据单目标函数和惩罚约束函数通过遗传模拟退火算法，预测得到救助资源调度决策结果。
[0103] 在本具体实施例中，本实施例首先通过理想点法对最少救助资源目标函数以及最短救援时间目标函数进行处理，将第二阶段决策模型的多目标转化为单目标，得到单目标函数。然后本实施例通过惩罚函数法对约束条件进行处理，得到惩罚约束函数，从而根据单目标函数和惩罚约束函数通过遗传模拟退火算法预测得到救助资源调度决策结果。具体地，采用理想点法将第二阶段决策模型的多目标问题转化为单目标问题进行求解。根据理想点法的原理，本实施例先找出评价目标函数的最劣值和最优值，也就是负理想点和正理想点。然后在求最优解时，计算各个方案与正理想点和负理想点的相对接近值。其中，与正理想点越接近，则说明该方案越接近最优解。定义Rv和rv分别为目标函数的正理想点和负理想点分别如下式(14)和(15)所示，hv为评价参考值，如下式(16)所示：
[0104]
[0105]
[0106]
[0107] 其中，w1和w2分别表示救助资源的救援时间及参与救援的救助资源数量的权重，两者之和等于1。由此可以将原来的多目标问题转化为以下单目标问题如下式(17):
[0108] minhv (17)
[0109] 进一步地，由于第二阶段决策模型中存在不等式的约束条件，需要对这些复杂约束条件进行处理，并将其体现在目标函数中，本实施例提供惩罚函数法对约束条件进行处理，得到惩罚约束函数。具体地，根据惩罚函数法的原理，当某个方案不满足约束条件时，在目标函数中为其添加一个惩罚项，从而使该方案对应的目标函数值变得极差，进而将该方案淘汰。示例性地，将第二阶段决策模型中的三个约束条件按照惩罚函数原理处理，三个约束条件对应的惩罚函数分别为g1(x)，g2(x)，g3(x)，如下式(18)、下式(19)以及下式(20)所示：
[0110]
[0111]
[0112]
[0113] 其中，μ＝100，表示惩罚系数。
[0114] 本实施例通过理想点法以及惩罚函数法，将第二阶段决策模型中的决策目标问题由救援时间T最小以及救助资源N最少转化为求解f(x)最大化问题，如下式(21)所示：
[0115]
[0116] 进一步地，本实施例根据单目标函数以及惩罚约束函数通过遗传模拟退火算法，预测得到救助资源调度决策结果。本实施例通过遗传模拟退火算法对上式(21)进行求解，从而预测得到救助资源调度决策结果。
[0117] 需要说明的是，在本发明的一些实施例中，当直升机为必选资源时，对于直升机必选资源调度决策模型中的三个约束条件按照惩罚函数原理进行处理，三个约束条件对应的惩罚函数分别为g1′(x)，g2′(x)，g3′(x)，如下式(22)、下式(23)以及下式(24)所示：
[0118]
[0119]
[0120]
[0121] 另外，当直升机为非必选资源时，对于直升机非必选资源调度决策模型中的三个约束条件按照惩罚函数原理进行处理，三个约束条件对应的惩罚函数分别为g1″(x)，g2″(x)，g3″(x)，如下式(25)、下式(26)以及下式(27)所示：
[0122]
[0123]
[0124]
[0125] 其中，μ＝100，表示惩罚系数。
[0126] 相应地，本实施例通过理想点法以及惩罚函数法，将直升机必选资源调度决策模型中的决策目标问题由救援时间T最小以及救助资源N最少转化为求解f′(x)最大化问题，如下式(28)所示：
[0127]
[0128] 而对于直升机非必选资源调度决策模型则转化为求解f″(x)最大化问题，如下式(29)所示：
[0129]
[0130] 在本发明的一些实施例中，根据单目标函数和惩罚约束函数通过遗传模拟退火算法，预测得到救助资源调度决策结果，包括但不限于以下步骤：
[0131] 通过二进制对染色体进行编码，并通过随机方式产生初始种群。其中，每条染色体包括一种救助资源调度方案。
[0132] 构建适应度函数。
[0133] 通过轮盘赌法对初始种群进行筛选得到父代种群。
[0134] 通过适应度函数计算父代种群中个体被选中的概率。
[0135] 根据概率选择染色体进行遗传操作，得到遗传后代。
[0136] 将遗传后代插入新种群，得到子代种群。
[0137] 将父代种群和子代种群进行融合后通过模拟退火选择机制，预测得到救助资源调度决策结果。
[0138] 在本具体实施例中，本实施例通过遗传算法与模拟退火算法相结合的遗传模拟退火算法对决策结果进行预测。在遗传算法中引入退火机制，通过模拟退火算法接受解的Metropolis准则对个体竞争选择行为进行改进，从而在较大程度上避免遗传算法陷入局部最优解的情况，在保证搜索效率的同时，尽可能找到全局最优解。具体地，本实施例首先通过二进制对染色体进行编码。其中，每条染色体代表一种救助资源调度方案。示例性地，若编码的基因值为0，则代表该救助资源不被调度。若编码的基因值为1，则代表该救助资源被调度参与救援。参照下表2，编码含义为第1、4、5、8个救助资源参与救援。
[0139] 表2
[0140]救助资源 1 2 3 4 5 6 7 8
编码 1 0 0 1 1 0 0 1
[0141] 进一步地，本实施例提供随机方式产生初始种群。在初始种群生成过程中遵循救助资源单元总量约束与救助人数约束，从而产生较为优质的初始种群。然后本实施例构建适应度函数，通过个体的特征判断个体适应度。适应度函数一般通过目标函数转化而来。具体地，将目标函数表示为求函数值非负的适应度函数的最大值，如下式(30)所示：
[0142]
[0143] 进一步地，本实施例通过轮盘赌法对初始种群进行筛选得到父代种群。然后通过适应度函数计算父代种群中个体被选中的概率，适应度越大的个体，被选中的概率也越大。进一步地，本实施例根据概率选择相应的染色体进行遗传操作，得到遗传后代。然后将得到的遗传后代插入新种群，得到子代种群，并将父代种群和子代种群进行融合后通过模拟退火选择机制，预测得到救助资源调度决策结果。其中，在对父代种群和子代种群融合后的临时种群进行优选的过程中，引入退火机制，通过Metropolis准则对竞争选择算子进行改进。
不仅接受最优解，而且以一定的概率接受非最优解。从而能在很大程度上克服遗传算法的缺点，在保证搜索效率的同时，尽可能找到全局最优解。具体计算公式如下式(31)和下式(32)所示：
[0144]
[0145]
[0146] 其中，i、j为任意选取的两个个体(染色体)，Pi、Pj分别为两个个体被选择的概率，f(i)f(j)分别为两个个体的适应度值，T温为温度值。每次选择时，都需要将温度T温乘以衰减系数，以使温度下降。当温度低于所设温度下界时，算法停止。
[0147] 在本发明的一些实施例中，遗传操作包括交叉遗传操作和变异遗传操作。相应地，根据概率选择染色体进行遗传操作，得到遗传后代，包括但不限于以下步骤：
[0148] 根据概率选择父代种群中两个染色体进行杂交，得到两个杂交后代。
[0149] 或者，根据概率选择父代种群中的一个染色体进行变异，得到变异后代。
[0150] 在本具体实施例中，对选择的染色体个体进行的遗传操作包括交叉遗传操作和变异遗传操作。本实施例中采用随机交叉，示例性地，将交叉操作的概率设为0.8，变异操作的概率设置一般较小，将其设置为0.2。根据设置的概率随机对染色体进行变异操作在交叉操作。具体地，当进行交叉操作时，根据适应度函数计算父代种群中个体被选中的概率选择父代种群中的两个染色体进行杂交，从而得到两个杂交后代。而当进行变异操作时，则通过适应度函数计算父代种群中个体被选中的概率选择父代种群中的一个染色体进行变异，得到相应的变异后代。
[0151] 本发明的一个实施例还提供了一种海上大规模救助资源调度决策系统，包括：
[0152] 数据获取模块，用于获取险情信息、救助资源要素数据和待救援环境风力数据。
[0153] 第一阶段决策模型构建模块，用于根据险情信息、救助资源要素数据和待救援环境风力数据，构建第一阶段决策模型，第一阶段决策模型以最短救援时间为目标。
[0154] 第二阶段决策模型构建模块，用于根据最少救助资源目标和第一阶段决策模型，构建第二阶段决策模型。
[0155] 决策结果计算模块，用于通过第二阶段决策模型预测得到救助资源调度决策结果。
[0156] 本发明的另一个实施例还提供了一种海上大规模救助资源调度决策系统，包括：
[0157] 至少一个处理器210；
[0158] 至少一个存储器220，用于存储至少一个程序；
[0159] 当至少一个程序被至少一个处理器210执行，使得至少一个处理器210实现如上述实施例描述的海上大规模救助资源调度决策方法。
[0160] 本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。
[0161] 本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD‑ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0162] 以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
