应急物资预置的概率-鲁棒优化模型：基于情景不确定性与剥夺成本的灾前决策研究

本文推荐一篇创新性研究，作者提出融合随机规划（Stochastic Optimization）和鲁棒优化（Robust Optimization）的混合模型，通过区间概率描述灾害情景不确定性，以最坏概率场景（Worst-case Scenario Probabilities）为基础构建目标函数。模型整合设施选址（Facility Location）、存储决策和灾后分配，首次引入剥夺成本（Deprivation Cost）量化灾民痛苦，并设计Benders分解算法求解。案例表明，相比基准模型，该方案虽成本增加9.36%，但能有效降低概率不确定性导致的22.12%成本波动，为应急管理提供兼顾经济性与人道性的决策工具。

　　

Highlight

本文的核心贡献可总结如下：

• 首次将剥夺成本（Deprivation Cost）纳入应急物资预置模型，量化灾民因物资延迟获取的生理心理损失。

• 采用区间概率表征情景不确定性，基于最坏概率场景（Worst-case Scenario Probabilities）构建随机-鲁棒混合优化框架。

• 针对最坏概率场景的最优解结构，提出改进的Benders分解算法（Benders Decomposition Algorithm）。

• 通过美国墨西哥湾飓风案例验证模型有效性：对比基准模型，最优解虽成本增加9.36%，但成功抑制最坏概率下22.12%的成本飙升，并完成关键参数敏感性分析。

Conclusion

本研究提出了一种创新的情景-鲁棒优化模型，用于确定应急物资储备点的选址、规模及库存水平。该模型创新性地将第二阶段应急物资配送时间的剥夺成本纳入目标函数，通过随机情景刻画物资需求与道路中断的不确定性，并利用概率区间反映专家意见分歧。算法设计上，通过分析最坏概率场景的极值分布特性，显著提升求解效率。管理启示层面，研究证实适度提高成本预算（如9.36%）可换取系统鲁棒性的大幅提升（22.12%），为灾前“成本-韧性”权衡提供量化依据。未来工作将拓展至多灾害链耦合情景下的动态优化。