基于机器学习的样本均值近似算法求解应急物资配置问题

A Machine-Learning-Based Sample Average Approximation for Pre-positioning of Relief Supplies

应急物资配置涉及选址和库存优化等决策问题,可为灾后物资供应提供保障。首先,考虑应急物资需求的不确定性,构建两阶段随机规划模型,以优化设施选址及库存决策。然后,提出基于机器学习的样本均值近似算法,整合k++均值聚类和分层随机抽样方法改善样本生成效率,以提高样本均值近似算法求解大规模随机规划模型的效率。最后,通过仿真实验验证了模型和算法的有效性。结果表明,当问题规模增大,所提出的算法能在短时间内求得较好的解。