Un modèle mathématique pour des opérations de secours en cas de catastrophe intégrées dans des scénarios d'inondation en phase précoce

Lorsqu'une inondation survient, les deux tâches les plus critiques sont l'évacuation et la distribution de l'aide. Il est essentiel d'intégrer ces tâches, particulièrement avant que les eaux de crue n'atteignent la zone vulnérable, afin de minimiser les pertes et les dommages. Cet article présente un modèle mathématique des problèmes de routage de véhicules pour optimiser une opération de secours en cas de catastrophe intégrée. Le modèle traite du routage pour les tâches d'évacuation et de distribution de l'aide dans les premières étapes d'une inondation, visant à identifier un nombre minimal de véhicules nécessaires avec leurs itinéraires correspondants pour transporter les personnes vulnérables et distribuer simultanément l'assistance d'urgence. Le nouveau modèle incorpore plusieurs caractéristiques, notamment la réutilisation des véhicules, des scénarios de plusieurs voyages et de livraison fractionnée pour les évacués et les articles d'aide d'urgence, l'incertitude dans les demandes d'évacuation et la fermeture de fenêtres temporelles aux points d'évacuation. En raison de la complexité des problèmes de routage de véhicules, en particulier dans les scénarios à grande échelle, l'approche exacte pour obtenir des solutions optimales prend beaucoup de temps. Par conséquent, nous proposons d'utiliser un algorithme métaheuristique, en particulier un algorithme génétique modifié, pour trouver une solution approximative pour le modèle proposé. Nous appliquons le modèle développé et l'algorithme modifié à divers scénarios d'inondation simulés et à une étude de cas réelle en Indonésie. Les résultats expérimentaux montrent que notre approche nécessite moins de véhicules par rapport aux modèles standards pour des scénarios similaires. De plus, alors que l'approche exacte échoue à trouver des solutions optimales dans un délai raisonnable pour des scénarios à grande échelle, notre nouvelle approche fournit des solutions quasi-optimales en beaucoup moins de temps. Dans des scénarios simulés plus petits, l'algorithme génétique modifié obtient des solutions optimales ou quasi-optimales environ 92,5 % plus rapidement que l'approche exacte.