链上镖师 / Chain Biaoshi

TRC|灾后货运网络怎么重排服务和订单

一篇TRC论文把受损终端、断裂弧、需求选择和Benders分解放进同一个SSNR模型

论文信息

论文题名:Scheduled service network redesign in freight transportation: Joint demand and service selection under disruption

作者:Amir M. Fathollahi-Fard

期刊/年份:TRC,2026

这篇论文把灾后受损终端和受损弧纳入定期服务网络重设计,让模型同时决定哪些需求值得接、哪些服务还能开、货流该怎样绕行。

  • 01:研究对象是自然灾害后的货运定期服务网络,网络通常处于局部退化状态。
  • 02:模型核心是SSNR:在灾后网络上联合选择需求、启用服务并构造需求路径。
  • 03:论文用Benders分解降低求解压力,并用30组测试实例和终端敏感性分析检验效果。

研究背景

地震、洪水、飓风、滑坡等自然灾害会破坏货运网络中的终端、桥梁、隧道、铁路或道路。现实中的网络很少整体停摆,更多情形是部分节点和线路失效,剩余网络继续运行,运营方需要在退化网络上快速重排服务。

灾前和灾后物理网络中终端与弧的可用状态对比

Fig. 1:灾前与灾后物理网络示意。图中展示终端或连接弧失效后,原本可达的服务路径如何被切断。来源:Fig. 1

论文的切入点是灾后重构:需求和服务在灾前网络上已经定义,真正执行决策时必须面对灾后被修改过的物理网络。这个设定让部分需求直接不可达,部分需求需要绕行并承担更高运输成本。

核心问题

经典SSND通常假设基础设施完整可用,目标多为服务网络的成本最小化。本文提出的SSNR把利润最大化、需求接纳、服务启用和灾后可行性放在同一模型里,目标是用需求收入扣除持有成本、服务固定成本和运输成本后的总利润。

01终端受损用二元参数表示,受损终端关联的持有和转运能力随之失效。

02物理弧受损用二元参数表示,包含受损弧的服务不能被启用。

03需求选择变量决定某个需求是否被满足,未被接纳的需求不进入流平衡约束。

04服务选择变量决定哪些定期服务在灾后网络中继续运行。

时空网络中的需求路径、等待和服务衔接示例

Fig. 2:时空网络中的需求路径示例。图中把需求释放、等待、转运和服务衔接放在同一时空图里。来源:Fig. 2

论文给出的示例中,三条需求具有起点、终点、释放时间和交付时间窗。模型只选择第一和第三条需求,第一条需求在t=7准时到达,第三条需求因实际到达晚于偏好交付时间t=7而产生惩罚成本。

方法框架

SSNR模型在经典SSND的流量变量和服务选择变量之外加入需求选择变量。目标函数从成本最小化改为利润最大化,约束组把受损终端、受损弧、需求起终点流平衡、服务容量和终端容量统一写入混合整数规划。

1先在灾前网络上定义需求、服务路线、时间窗、容量和成本。

2灾害发生后,根据受损终端和受损弧更新可用网络。

3模型联合选择需求和服务,并在时空网络上分配需求流。

4若服务或终端容量被触发,模型通过约束限制不可行路径。

SSNR问题的Benders分解框架

Fig. 3:SSNR问题的BD重构框架。主问题处理需求与服务选择,子问题处理给定选择下的需求流分配。来源:Fig. 3

Benders分解先从SSNR线性松弛得到初始可行解,再固定服务选择和需求选择求解主子问题中的流量部分。子问题的对偶信息生成可行性割和最优性割,再回到主问题更新服务与需求组合。

案例或实验设置

计算实验使用三类灾前物理网络拓扑:超走廊网络、二分网络和网格网络。三者分别代表线性高流量通道、中等复杂连接结构和更密集的城市或都市圈网络,用来检验模型在不同结构复杂度下的适应性。

超走廊、二分网络和网格网络三类测试拓扑

Fig. 4:三类测试物理网络拓扑。超走廊网络含7个终端和11条弧,二分网络含8个终端和16条弧,网格网络含9个终端和19条弧。来源:Fig. 4

30组测试实例的需求、服务、时间段和受损组件

Table 2:测试实例的需求、服务、时间段和受损组件。P1到P30覆盖20到70个需求、100到180项服务、7到28个时间段。来源:Table 2

测试实例

30组

P1-P10、P11-P20、P21-P30分别对应三类拓扑。

服务规模

100-180

超走廊、二分网络、网格网络分别设置100、140、180项服务。

结果分析

论文用精确求解器和BD重构进行对比,评价指标包括总利润和CPU时间。结果表明,BD方案用于处理SSNR这类含需求选择、服务选择和网络流约束的模型时,可以在多实例上降低计算压力。

BD重构与精确求解器在总利润和CPU时间上的对比

Table 3:BD重构与精确求解器的总利润和CPU时间对比。该表是算法效率和利润表现的主要证据。来源:Table 3

精确求解器、原始BD和新版BD的CPU时间对比

Fig. 7:精确求解器、原始BD和新版BD的CPU时间对比。图中用于观察新版BD在不同实例上的运行时间变化。来源:Fig. 7

灾前SSND与灾后SSNR的利润和CPU时间关系

Fig. 8:灾前SSND与灾后SSNR的利润和复杂度关系。图中把利润结果和计算时间放在同一比较视角。来源:Fig. 8

从建模含义看,SSNR的计算负担来自更真实的灾后约束:需求可以被接纳或放弃,服务必须避开受损终端和受损弧,货流还要满足时间窗、服务容量和终端容量。利润结果与求解时间需要一起观察。

管理启示

对运输企业来说,灾后网络重构的重点在于快速识别哪些终端和弧会放大损失。模型给出的需求接纳、服务启用和利用率变化,可以转化为应急调度、备选服务设计和关键节点加固的决策依据。

超走廊网络灾前与灾后的利润、需求、服务和利用率变化

Table 4:超走廊网络灾前与灾后的计算结果。该表展示受灾后利润、接纳需求、服务数量和利用率的联动变化。来源:Table 4

超走廊网络单个终端受损的敏感性分析表

Table 7:超走廊网络中单个终端受损的敏感性分析。表中逐一比较终端失效后的利润、时间、需求、服务和利用率。来源:Table 7

不同受损终端导致的未满足需求数量

Fig. 9:受损终端对未满足需求数量的影响。柱状图用于识别哪些终端失效会带来更多未满足需求。来源:Fig. 9

这篇论文的价值在于把灾后可用网络、需求价值和服务容量共同纳入同一套决策模型,让运营方可以从利润、可达性和韧性三个维度评估重构方案。

论文:Scheduled service network redesign in freight transportation: Joint demand and service selection under disruption

期刊:TRC

链上镖师、先卜交通、先卜运筹通用论文ID

raw-000004169

保存此推文 ID,可在粉丝群内获取相关材料,未来更多功能敬请期待

先卜科技团队:常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义