恒隆研究| 李楠研究团队：关联基础设施系统灾后恢复序列优化框架

【作者】

Fei Wang; Joseph Jonathan Magoua; Zaishang Li; Nan Li; and Dongping Fang

Lecturer, School of Soil and Water Conservation, Beijing Forestry Univ., Beijing 100083, China.

Assistant Professor, College of Economics and Management, Nanjing Univ. of Aeronautics and Astronautics, Nanjing 211106, China.

Postdoctoral Researcher, Dept. of Construction Management, Tsinghua Univ., Beijing 100084, China.

Associate Professor, Dept. of Construction Management, Hang Lung Center for Real Estate, Tsinghua Univ., Beijing 100084, China (corresponding author).

Professor, Dept. of Construction Management, Tsinghua Univ., Beijing 100084, China.

期刊信息Journal of Management in Engineering. 41(1), 2025.

全文链接https://ascelibrary.org/doi/10.1061/JMENEA.MEENG-6201

01 摘 要

修复序列计划是关联基础设施系统灾后恢复规划中的关键步骤。确定修复序列对于基础设施管理者制定恢复计划和分配修复资源十分重要且充满挑战。尽管针对基础设施系统修复序列计划的研究日益增多，但现有方法难以准确模拟修复序列动态影响下基础设施系统的复杂行为，未充分利用系统的详细运行数据，进而制约了修复序列决策模型的求解效率。为解决该问题，本研究基于遗传算法提出了一种新的修复序列决策模型求解框架。本框架包含了三条利用灾损基础设施系统详细运行数据的规则。为获取支撑改进遗传算法所需的详细运行数据，本框架采用基于高层体系结构的联合仿真方法对基础设施系统的恢复过程进行精细化建模。该联合仿真方法整合了基础设施系统领域模型，可捕捉基础设施系统间的关联性及修复顺序动态影响下的系统详细恢复过程数据。为验证框架有效性，本研究以供电供水两个关联系统为案例进行分析。结果表明，所提出的联合仿真方法能准确模拟修复顺序对基础设施系统状态的动态影响，改进的遗传算法在收敛速度和最优修复序列识别方面展现出显著优势。总体而言，该框架提升了修复序列决策模型的求解能力，为基础设施系统管理者高效开展灾害应对提供了决策支持。

02 研究方法

本研究基于遗传算法提出了关联基础设施系统灾后修复序列决策模型的改进求解框架。本研究在遗传算法的初始解生成阶段、适应值计算阶段及变异阶段提出了如下的改进：

）在初始解生成阶段考虑构件类型的恢复优先级。同一类型的构件具有相同的运行机制、相似的恢复时间需求与修复资源需求。因此，在确定初始解时可以整体看待。构件类型对系统功能恢复的贡献是指修复该类构件后系统功能增加的幅度。在本研究中，构件类型对功能恢复的贡献越高，则在修复序列中排序更加靠前。同一类型内的组件随机排列。

联基础设施系统灾后恢复过程联合仿真模型数据传递机制

关联基础设施系统灾后恢复过程仿真流程

）在变异阶段考虑了不同构件在恢复过程中的制约关系。在基础设施系统内部，各构件存在复杂的依赖关系，这种依赖关系对基础设施系统的恢复存在较大的影响。如果不考虑构件在恢复过程中的制约关系，恢复顺序将可能不合理，部分构件在修复完成后功能无法恢复，致使整个系统功能恢复延迟。本研究通过分析精细化仿真数据中各构件的恢复时间的关系，确定不同构件在恢复过程中的制约关系。本研究通过在变异阶段调整修复序列中各构件的位置，生成更加优秀的个体进入下一代。

03 研究结果

）本研究以美国谢尔比县的水电关联系统地震灾害后的恢复为例展开研究，研究案例如图所示。

）地震破坏后的供电系统

）地震破坏后的供水系统

：研究案例

）基于待研究的案例，研究开发了关联基础设施系统灾后恢复过程联合仿真模型。本研究提出的求解框架与遗传算法在迭代过程方面的比较结果如图所示。此外，本研究提出的方法与遗传算法及基于节点重要性的求解方法相比，各求解方法的性能评估指标结果如表所示。

不同求解方法的比较结果

Indicator

IBM

Benchmark GABM

Advanced GABM

Optimal FV

475802.59

427989.52

416092.95

MV

435162.31

418987.39

SD

11977.86

8532.94

EB

17.25%

13.95%

TC

CT (hours)

0.03

20.61

18.53

）基于本研究提出的恢复序列决策模型求解算法确定的水电系统恢复过程如图和图所示。

供水系统恢复过程

供电系统恢复过程

04 研究发现

采用领域知识对于模拟关联基础设施系统功能恢复过程至关重要。在先前的研究中，基础设施系统的功能通过网络或网络流量的指标来表示，这些指标无法充分考虑系统的运行机制，无法详细模拟系统流量特征的复杂变化。实际上，基础设施系统的功能水平是由每个组件的运行机制共同决定的，并且由于流量重新分配的不确定性，其功能水平在恢复的过程中可能在某个时间点下降。本研究中单个系统恢复过程的模拟结果与相应系统领域的结论高度一致，证明了采用各领域知识时结果的合理性和可靠性。因此，所提出的框架在修复序列动态影响下功能恢复过程模拟的精细化和可靠性方面，相较于现有研究具有显著优势。

本研究所提出的求解框架中恢复过程的模拟生成了大量的精细化运行数据，这些数据可以有效地支持恢复序列决策模型的求解。尽管一些先前的研究在使用遗传算法求解修复序列决策模型时增加了相关目标（例如最短修复延迟时间）以提高搜索效率，但这些研究并未提高遗传算法任一阶段的效率，从而存在显著的局限性。本研究充分利用系统的精细化模拟数据，通过识别和调整受损构件的修复顺序，快速找到较优修复序列。总体而言，本研究提出的解决框架在较优序列的生成、识别和检索方面具有优势。管理者使用本研究提出的框架能够快速识别较好的修复序列，灾后关联基础设施系统的功能恢复将得到加速。这种加速的恢复过程不仅确保了基本服务的及时恢复，还有助于提升城市环境的韧性和稳定性。因此，该框架不仅促进了灾后基础设施的快速恢复，还增强了城市居民的安全感和幸福感，从而提高了整体社区的韧性和生活质量。

05 研究不足与展望

本研究的两点局限性：（）该框架没有考虑不同基础设施系统管理者之间的互动（如信息共享、利益冲突等），而这些互动在现实中可能影响管理者的决策环境和修复序列；（）本研究开发的恢复序列决策模型没有考虑多个目标。在未来的研究中，可以考虑更多影响修复序列决策的因素和优化目标，以识别更实用的修复序列。

声明：本文系转载自互联网，请读者仅作参考，并自行核实相关内容。若对该稿件内容有任何疑问或质疑，请立即与铁甲网联系，本网将迅速给您回应并做处理，再次感谢您的阅读与关注。