王梦茹, 刘德海, 宋云婷
复杂场景下快速调度救援资源, 以应对不同阶段和地区物资需求的不确定性, 成为人道主义救援管理中的重大挑战. 该研究面向灾后需求信息不完整、道路环境动态变化等复杂情境, 构建了一个结合人工智能(AI)技术与移动救援中心(MF)的两阶段鲁棒优化框架, 以支持灾害响应阶段的资源预部署与多期物资运输决策. 第一阶段通过预部署移动救援中心与志愿者并采用AI辅助路径规划实现基础响应能力布局; 第二阶段在需求信息更新后进行多期物资分配与运输优化. 模型基于不确定集合刻画需求波动, 并在$L_1$范数下证明了其与确定性模型的等价性及最优资源分配策略的存在性. 数值实验表明, 在无AI情况下, 鲁棒模型相较于确定性与随机模型在不同规模下均表现出较好的成本控制能力与更高的稳定性; 在引入AI技术后, 各类模型成本均显著下降, 其中鲁棒模型受益最为明显, 展现出AI与鲁棒策略的协同优势. 此外, 敏感性分析结果显示, 路径结构复杂度与移动救援中心能力对系统表现影响显著, 提升移动救援中心能力可进一步增强智能调度与鲁棒优化的综合效益. 文章提出双模协同路径规划机制与两阶段鲁棒优化决策框架, 为需求不确定条件下的资源预置、运输调度与动态决策提供了可靠支持. 该方法不仅适用于自然灾害场景, 也可拓展至公共卫生事件或供应链中断等突发状况. 未来可结合分布式鲁棒优化与高效求解算法, 以进一步提升大规模复杂情境下的求解性能与应急响应能力.