Μοντελοποίηση και επίλυση του προβλήματος διανομής αγαθών αρωγής με ετερογενή στόλο

Abstract

Οι ανθρωπιστικές κρίσεις, οι οποίες οφείλονται τόσο σε φυσικές όσο και σε ανθρωπογενείς καταστροφές, θέτουν σημαντικές προκλήσεις για την αποτελεσματική διαχείριση της εφοδιαστικής αλυσίδας. Καταστροφές όπως σεισμοί, πλημμύρες, κυκλώνες και ξηρασίες, που επιδεινώνονται από τις επιπτώσεις της κλιματικής αλλαγής, μαζί με στρατιωτικές συγκρούσεις, βιομηχανικά ατυχήματα και περιβαλλοντική υποβάθμιση, έχουν ως αποτέλεσμα εκτεταμένες ζημιές, απώλειες ανθρώπινων ζωών και εκτοπισμό πληθυσμών. Τα γεγονότα αυτά διαταράσσουν τις τοπικές οικονομίες και υπερφορτώνουν τις διαθέσιμες υποδομές, αφήνοντας τις πληγείσες κοινότητες χωρίς βασικά αγαθά όπως τρόφιμα, νερό, στέγη και ιατρική περίθαλψη. Σε αυτό το πλαίσιο, η ταχεία και αποτελεσματική διανομή ειδών ανακούφισης είναι υψίστης σημασίας για τον μετριασμό των άμεσων επιπτώσεων των κρίσεων και τη θεμελίωση της μακροπρόθεσμης ανάκαμψης. Ως απάντηση σε αυτές τις πιεστικές προκλήσεις, η παρούσα εργασία επικεντρώνεται στο πρόβλημα της διανομής αγαθών αρωγής υπό συνθήκες κρίσης. Προτείνεται μια καινοτόμος προσέγγιση που βασίζεται σε Γενετικό Αλγόριθμο (ΓΑ) για την αντιμετώπιση του αναδυόμενου προβλήματος δρομολόγησης οχημάτων (VRP) σε επιχειρήσεις αντιμετώπισης καταστροφών. Ενώ ένα κλασικό VRP στοχεύει στην ελαχιστοποίηση του κόστους παράδοσης για τις επιχειρήσεις, η προτεινόμενη μέθοδος έχει σχεδιαστεί για την ελαχιστοποίηση του χρόνου απόκρισης για την ανθρωπιστική δράση, σχεδιάζοντας αποτελεσματικά τη διανομή ποικίλων υλικών ανακούφισης υπό πραγματικές συνθήκες. Το μεθοδολογικό πλαίσιο ενσωματώνει έναν ετερογενή στόλο που συνδυάζει επίγεια και εναέρια οχήματα, το καθένα με ξεχωριστή ταχύτητα και χωρητικότητα. Για τα επίγεια οχήματα, η δρομολόγηση γίνεται για την εξυπηρέτηση περιοχών με μεγάλη ζήτηση με ακριβή turn-by-turn πλοήγηση, παρέχοντας σαφείς οδηγίες ακόμη και σε διαταραγμένα περιβάλλοντα, ενώ για τα εναέρια οχήματα η δρομολόγηση στοχεύει στην προσέγγιση απομακρυσμένων περιοχών που μπορεί να είναι δυσπρόσιτες οδικώς. Αυτή η ικανότητα διπλού τρόπου μεταφοράς επιτρέπει στο μοντέλο να αξιοποιεί αποτελεσματικά τα μοναδικά πλεονεκτήματα κάθε τρόπου μεταφοράς. Επιπλέον, ο προτεινόμενος αλγόριθμος έχει σχεδιαστεί για να χειρίζεται την παράδοση πολλαπλών τύπων προμηθειών αρωγής, το καθένα με ξεχωριστές απαιτήσεις όγκου, διασφαλίζοντας ότι υλικά όπως τρόφιμα, νερό, ιατρικά κιτ και υλικά καταφυγίων κατανέμονται με βέλτιστο τρόπο. Το μοντέλο κωδικοποιεί τις πιθανές διαδρομές παράδοσης ως ακολουθίες θέσεων παράδοσης και χρησιμοποιεί γενετικούς τελεστές, όπως επιλογή, διασταύρωση και μετάλλαξη, για την επαναληπτική βελτίωση των λύσεων. Αξιολογώντας κάθε διαδρομή με βάση κριτήρια όπως ο χρόνος παράδοσης, την εφικτότητα της διαδρομής σε πραγματικά δίκτυα και την αξιοποίηση του, ο αλγόριθμος συγκλίνει σε αποτελεσματικά σχέδια δρομολόγησης σε μειωμένους υπολογιστικούς χρόνους. Όσον αφορά την πρακτική εφαρμογή, ο προτεινόμενος αλγόριθμος έχει επικυρωθεί σε δεδομένα πραγματικών δικτύων και επιδεικνύει αξιοσημείωτη ταχύτητα και ευκολία χρήσης για τους επαγγελματίες που ασχολούνται με την αντιμετώπιση καταστροφών. Οι φιλικές προς το χρήστη παράμετροι εισόδου του αλγορίθμου επιτρέπουν στους χειριστές να διαμορφώνουν και να εφαρμόζουν γρήγορα το σύστημα, εξασφαλίζοντας ταχεία λήψη αποφάσεων σε σενάρια υψηλής πίεσης. Οι απεικονίσεις των αποτελεσμάτων παρέχουν πληροφορίες σχετικά με την κατανομή του φορτίου των οχημάτων, την απόδοση των διαδρομών και τη χρήση των πόρων, διευκολύνοντας τον αποτελεσματικό συντονισμό των εμπλεκόμενων φορέων. Με τους γρήγορους χρόνους επίλυσης και τις ισχυρές δυνατότητες βελτιστοποίησης, η προσέγγιση αυτή όχι μόνο ενισχύει την άμεση ανταπόκριση της ανθρωπιστικής βοήθειας, αλλά συμβάλλει επίσης στο σχεδιασμό ανθεκτικών και αποτελεσματικών επιχειρήσεων ανάκαμψης. Τελικά, υποστηρίζεται πως η προτεινόμενη μέθοδος προσφέρει ένα πρακτικό και ισχυρό εργαλείο για τον σχεδιασμό συστημάτων διανομής για περιόδους κρίσεων ο οποίος καθοδηγείται από δεδομένα και βελτιώνει τη συνολική διαχείριση των κρίσεων σε περιοχές που πλήττονται από καταστροφές.

Humanitarian crises, driven by both natural and man-made disasters, present significant challenges to effective logistics and supply chain management. Disasters such as earthquakes, floods, cyclones, and droughts, exacerbated by the impacts of climate change, along with military conflicts, industrial accidents, and environmental degradation, result in extensive damage, loss of life, and displacement of populations. These events disrupt local economies and overload the available infrastructure, leaving affected communities without basic necessities such as food, water, shelter, and medical care. In this context, the rapid and efficient distribution of relief supplies is paramount for mitigating the immediate effects of crises and laying the foundation for long-term recovery. In response to these pressing challenges, this study focuses on the relief materials distribution problem under a crisis situation. An innovative approach based on a Genetic Algorithm (GA) is introduced to tackle the emerging Vehicle Routing Problem (VRP) in disaster response operations. While a classical VRP aims to minimize delivery cost for businesses, the proposed method is designed to minimize the response time for humanitarian logistics by efficiently planning the distribution of diverse relief materials under real world conditions. The developed framework incorporates a multi-modal fleet that combines both ground and aerial vehicles, each with unique speed and capacity. Ground vehicles, focused to service areas with high demand, are equipped with precise turn-by-turn navigation, providing clear instructions even in disrupted environments, while aerial vehicles are deployed to reach remote areas that may be less accessible by road. This dual-mode capability allows the model to effectively leverage the unique advantages of each transportation mode. Furthermore, the proposed algorithm is designed to handle the delivery of multiple types of relief supplies, each with distinct volume requirements, ensuring that materials such as food, water, medical kits, and shelter components are optimally allocated. The model encodes potential delivery routes as sequences of drop-off locations and utilizes genetic operators, such as selection, crossover, and mutation, to iteratively improve the solutions. By evaluating each route based on criteria such as lead time, route feasibility on real networks, and resource utilization, the algorithm converges on highly efficient routing plans in reduced computing times. As for practical deployment, the proposed GA-based solution has been validated on real-world network data and demonstrates remarkable speed and ease-of-use for disaster response practitioners. The algorithm’s user-friendly input parameters allow field operators to quickly configure and implement the system without extensive technical expertise, ensuring rapid decision-making in high-pressure scenarios. Comprehensive visualizations provide insights into vehicle load distributions, route performance, and resource utilization, facilitating effective coordination among governmental agencies, NGOs, and other humanitarian organizations. With its fast solving times and robust optimization capabilities, this approach not only enhances the immediate responsiveness of humanitarian logistics but also contributes to more resilient and effective recovery operations. Finally, it is argued that the proposed method offers a practical and powerful tool for designing data-driven distribution systems for crisis periods that improves overall crisis management in disaster-affected areas.