یک مدل ریاضی دو سطحی برای مساله طراحی شبکه حمل و نقل مواد خطرناک با در نظر گرفتن ملاحظات امدادرسانی

امروزه حمل و نقل مواد خطرناک (هزمت) و امداد رسانی در زمان حادثه ناشی از آن، بسیار حائز اهمیت است. در این مقاله مدلی دو سطحی برای طراحی شبکه حمل و نقل مواد خطرناک ارائه شده است. سطح اول مدل دو سطحی ارائه شده مقامات نظارتی (دولت) هستند و به دنبال مکان یابی ایستگاه های امداد رسانی از بین مکان های کاندید، خرید تجهیزات این ایستگاه ها با در نظر گرفتن بودجه در دسترس، احداث مسیرهایی در شبکه برای عبور جریان کالاهای خطرناک و حداکثر سازی میزان پوشش مسیرها در صورت وقوع حادثه هستند. سطح دوم آن شرکت های حمل کننده مواد خطرناک هستند و به دنبال حداقل سازی هزینه های حمل و نقل خود با توجه به مسیرهای احداث شده از جانب دولت هستند. با در نظر گرفتن شرایط بهینگی، مدل دو سطحی با روش کوهن – تاکر (kkt) به تک سطحی تبدیل شده است. در بخش نتایج محاسباتی، مدل ارائه شده از جنبه های مختلف و متعددی مورد بحث و عملکرد آن مورد ارزیابی قرار گرفته است. از جمله نتایج حاصل شده تاثیر گذاری مثبت میزان بودجه و همچنین سطح ریسک پذیری بر روی توانمندی امدادرسانی و پوشش در شبکه است.

A BiLevel Mathematical Model for Hazardous Materials Transportation Network Design Problem Considering Response Planning

Hazardous materials (Hazmat) transportation and emergency response during Hazmat incidents is a very important issue in transportation field. In this paper, a new bilevel optimization model for Hazmat transportation network design is proposed. The bilevel framework involves a regulatory authority (government) and hazmat carriers. The government (upper level) affects the carrier’s decisions by locating Hazmat emergency response stations and Hazmat network design. The government aims to maximize the coverage of network routes according to available budget. The coverage of routes means responding to Hazmat incidents. The carriers (lower level) by deciding on Hazmat flows and selecting transportation routes, seek to minimize their travel cost. Using KKT condition, we reformulate the nonlinear bilevel model as a singlelevel mixed integer linear programming one which is solvable by an optimization solver like CPLEX. Through computational analysis, different aspects of proposed model are investigated to evaluate the model performance. The results show that increasing in coverage radius and risk tolerance result in higher network responsiveness.