大数据驱动的灾难救援智能优化计算方法

In recent years, a variety of disasters have occurred in China frequently, but emerging big-data technologies have not provided sufficient supports to rescue management and decision. To meet the national strategic needs in the area of disaster rescue, this project will study on disaster big-data analysis and computing methods including: (1) Deep fuzzy-neuro network models for learning features from disaster big-data and estimating rescue demands; (2) Model-driven planning and scheduling algorithm design methods, which can mechanically derive algorithms for an extended problem with extensive data based on the corresponding basic problem with limited data, the corresponding basic algorithm, and the relationship between the basic problem and the extended problem; (3) Swarm intelligent methods for dynamic optimization of rescue solutions based on interaction and cooperation among different solution implementers (including virtual implementers). Based on above models and methods, we will construct an intelligent decision-support system for disaster relief management in China. This project is expected to make key technological breakthroughs in disaster big-data computation and fundamentally improve the nation’s abilities of intelligent decision on disaster rescue. The research will also have a driving effect on big-data value discovery and utilization in many other areas.

近年来我国各类灾难频发，但新兴的大数据技术未能在灾难救援管理与决策中充分发挥作用。本项目面向国家灾难救援领域的重大需求，围绕灾难大数据的分析技术和计算方法开展研究，包括：（1）研究基于深度模糊神经网络的灾难大数据特征学习模型，对各类救援需求指标进行科学测算；（2）研究模型驱动的救援规划调度算法设计方法，从有限信息条件下的基础问题和算法出发，针对问题在大数据环境下的扩展，推导出新问题的求解算法，同时提高算法的可靠性和开发效率；（3）研究基于群智能的救援方案动态优化方法，通过方案执行者（含虚拟执行者）之间的交互协作，在方案实施过程中进行动态持续优化。最后，构建大数据驱动的灾难救援决策支持系统，为国家/军队应急专业力量指挥提供高效智能的优化决策支持。本项目有望在灾难大数据计算技术上取得关键性突破，显著提升我国灾难救援的智能决策水平，同时为其它领域的大数据智能计算提供技术借鉴和应用示范。

本项目面向国家灾难救援领域的重大需求，对灾难大数据分析技术、基于大数据的灾难救援优化算法及其应用开展深入研究，主要取得了三个方面的研究成果：1）提出了融合模糊学习、深度学习、迁移学习和演化学习的灾难大数据学习模型，基于模糊深度神经网络学习灾难环境等复杂数据分布特征，基于迁移学习在不同灾难种类之间进行信息利用，基于演化学习提升模型结构和参数优化搜索能力，从而支持有限低质量数据条件下的灾难救援需求有效预测；2）提出了数据驱动的灾难救援规划调度优化方法，将机器学习引入优化问题建模和求解过程，对问题和算法中的动态不确定参数进行同步学习，充分利用历史问题数据和求解过程数据来提升优化计算的环境适应性和结果质量；3）提出了群智协同的灾难救援任务协同优化方法，在优化问题模型中融合目标函数隐式协同需求和解决方案显式协同约束，支持救援过程中不同Agent之间的高质量交互协作。上述研究成果集成于国家/军队应急专业力量指挥平台及“救援之翼”决策支持系统，在一系列实际灾难救援行动中为应急管理部门提供高效智能的优化决策支持。.特别地，2020年以来，针对新冠肺炎疫情这一重大突发应急事件，本项目团队将所研究的智能计算方法与疫情防控实践紧密结合，在第一时间开展了应对疫情的应用研究，包括基于协同演化迁移学习的疫情防控物资需求预测、基于增强学习的应急医疗物资生产调度、后疫情条件下企业复工复产的智能规划、基于人群聚类和资源优化组合的社区人群中医药预防干预、机器学习与启发式优化相结合的口罩/疫苗等应急医疗物资派送等。相关成果为浙江省政府等管理部门的疫情防控提供决策支持和专业服务，为抗击新冠肺炎疫情做出了积极贡献。.围绕上述研究成果，发表论文20篇（其中一区TOP期刊论文10篇，引用次数257），获Applied Soft Computing最佳论文奖，在智能优化计算理论和实际灾难救援应用两方面均取得了优异的成绩。