Task 3: 双站点同车访问的随机优化方案
摘要
本文针对"同一辆卡车在单次行程中访问两个站点"的调度优化问题，提出一套基于随机优化的完整解决方案。核心创新点：
- 问题本质识别：将第一站点分配决策建模为两阶段随机优化问题，正确处理"第二站点需求不确定"的核心难点
- 共生站点配对模型：综合考虑距离、容量、波动性三维约束，构建配对价值函数
- 解析最优分配策略：推导出闭式解
q^* = \frac{\sigma_j \mu_i + \sigma_i (Q - \mu_j)}{\sigma_i + \sigma_j} - 风险可控的全局调度：在提升效率的同时，将服务缺口风险控制在可接受范围
实际运行结果：
- 总服务量提升 9.9%（139,469 → 153,307）
- 质量加权服务量提升 6.3%（131,462 → 139,701）
- 资源节省 9.6%（70次双站点访问）
- 服务缺口风险 1.2%（低风险水平）
完整流程图
Mermaid版本（GitHub可渲染）
flowchart TB
subgraph INPUT["数据输入"]
A[Task 1 结果<br/>70站点 + 730次分配<br/>task1/03_allocate.xlsx]
end
subgraph TASK3["TASK 3: 双站点同车优化"]
direction TB
subgraph CORE["核心流程 ✅ 已完成"]
subgraph PAIRING["阶段1: 配对选择"]
B1[01_distance.py<br/>距离矩阵计算]
B2[02_pairing.py<br/>可行性筛选+贪心选择]
B1 --> B2
end
subgraph ALLOCATION["阶段2: 分配优化"]
C1[03_allocation.py<br/>最优分配q*计算]
end
subgraph SCHEDULING["阶段3: 全局调度"]
D1[04_reschedule.py<br/>访问次数重分配]
D2[05_calendar.py<br/>日历排程生成]
D1 --> D2
end
subgraph EVALUATION["阶段4: 效果评估"]
E1[06_evaluate.py<br/>E1',E2',F1',F2',R1,RS]
end
B2 --> C1 --> D1
D2 --> E1
end
subgraph VALIDATE["结果验证 ✅ 已完成"]
V1[约束满足检验<br/>每日2事件、总730次]
V2[与Task 1对比<br/>指标改进验证]
V3[分配合理性<br/>q*边界检查]
end
subgraph SENSITIVITY["敏感性分析 ✅ 已完成"]
S1[07_sensitivity.py<br/>4参数扫描]
S2[合并比例: 0.10-0.90]
S3[距离阈值: 10-100mi]
S4[容量上限: 350-550]
S5[CV阈值: 0.10-1.00]
S1 --> S2
S1 --> S3
S1 --> S4
S1 --> S5
end
subgraph VISUAL["可视化 ✅ 已完成"]
P1[Fig.1 站点配对地图 ✅]
P2[Fig.2 分配策略散点图 ✅]
P3[Fig.3 敏感性曲线 ✅]
P4[Fig.4 日历热力图 ✅]
P5[Fig.5 风险分布图 ✅]
end
CORE --> VALIDATE
CORE --> SENSITIVITY
VALIDATE --> VISUAL
SENSITIVITY --> VISUAL
end
subgraph OUTPUT["输出文件"]
F1[01_distance.xlsx<br/>距离矩阵]
F2[02_pairing.xlsx<br/>34对配对]
F3[03_allocation.xlsx<br/>最优分配]
F4[04_reschedule.xlsx<br/>访问次数]
F5[05_calendar.xlsx<br/>365天排程]
F6[06_evaluate.xlsx<br/>效果对比]
F7[07_sensitivity.xlsx<br/>敏感性结果]
end
A --> B1
E1 --> F1
E1 --> F2
E1 --> F3
E1 --> F4
E1 --> F5
E1 --> F6
S1 --> F7
style CORE fill:#90EE90
style VALIDATE fill:#90EE90
style SENSITIVITY fill:#90EE90
style VISUAL fill:#FFE4B5
ASCII版本（详细）
┌─────────────────────────────────────────────────────────────────────────────────────────────┐
│ TASK 3 完整流程 │
├─────────────────────────────────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────────────────────────────────┐ │
│ │ 核心流程 [已完成 ✓] │ │
│ │ │ │
│ │ task1/03_allocate.xlsx │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ │ │
│ │ │ 01_distance.py │ ──▶ │ 02_pairing.py │ ──▶ │ 03_allocation.py │ │ │
│ │ │ 距离矩阵70×70 │ │ 34对配对选择 │ │ 最优分配q* │ │ │
│ │ └──────────────────┘ └──────────────────┘ └────────┬─────────┘ │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ │ │
│ │ │ 06_evaluate.py │ ◀── │ 05_calendar.py │ ◀── │ 04_reschedule.py │ │ │
│ │ │ 效果评估对比 │ │ 365天日历排程 │ │ 访问次数重分配 │ │ │
│ │ └──────────────────┘ └──────────────────┘ └──────────────────┘ │ │
│ └─────────────────────────────────────────────────────────────────────────────────────┘ │
│ │ │
│ ┌─────────────┼─────────────┬───────────────────────────┐ │
│ │ │ │ │ │
│ ▼ ▼ ▼ ▼ │
│ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐ │
│ │ 结果验证 [✓] │ │ 敏感性分析 [✓] │ │ 可视化 [✓] │ │ 输出文件 │ │
│ │ │ │ │ │ │ │ │ │
│ │ ✓ 每日2事件 │ │ 07_sensitivity │ │ ✓ 配对地图 │ │ 01_distance.xlsx │ │
│ │ ✓ 总730次访问 │ │ ┌──────────────┐ │ │ ✓ 分配散点图 │ │ 02_pairing.xlsx │ │
│ │ ✓ q*边界检查 │ │ │合并比例 │ │ │ ✓ 敏感性曲线 │ │ 03_allocation.xlsx│ │
│ │ ✓ Task 1对比 │ │ │ 0.10-0.90 │ │ │ ✓ 日历热力图 │ │ 04_reschedule.xlsx│ │
│ │ │ │ ├──────────────┤ │ │ ✓ 风险分布图 │ │ 05_calendar.xlsx │ │
│ │ 结论: │ │ │距离阈值 │ │ │ │ │ 06_evaluate.xlsx │ │
│ │ E1↑9.8% │ │ │ 10-100 mi │ │ │ 图表清单: │ │ 07_sensitivity.xlsx│ │
│ │ E2↑6.2% │ │ ├──────────────┤ │ │ Fig.1-5 ✅ │ │ │ │
│ │ RS=9.5% │ │ │容量上限 │ │ │ │ │ │ │
│ │ R1=1.2% │ │ │ 350-550 │ │ │ │ │ │ │
│ │ │ │ ├──────────────┤ │ │ │ │ │ │
│ │ │ │ │CV阈值 │ │ │ │ │ │ │
│ │ │ │ │ 0.10-1.00 │ │ │ │ │ │ │
│ │ │ │ └──────────────┘ │ │ │ │ │ │
│ └──────────────────┘ └──────────────────┘ └──────────────────┘ └──────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────────────────────────────────┘
1. 问题本质与底层逻辑
1.1 题目核心要求
题目原文关键句：
"decide on the amount of food to dispense at the first site (since without pre-registration the demand at the next site is not known for sure)"
为什么这是核心难点？
传统的单站点访问：需求已知（或可估计），分配是确定性问题。
双站点访问的困境：
卡车出发时 ──▶ 到达站点i ──▶ 服务完成 ──▶ 前往站点j ──▶ 服务站点j
│ │ │ │
│ 需求D_i实现 │ 需求D_j实现
│ │ │ │
└── 决策点：预留多少给i？ └── 剩余Q-S_i给j
问题本质：这是一个两阶段随机优化问题（Two-Stage Stochastic Optimization）
- 第一阶段决策：在出发前决定 $q$（给站点i预留多少）
- 第二阶段决策：观测到
D_i后，$S_i = \min(D_i, q)$，剩余Q - S_i给站点j
1.2 为什么采用双站点模式？
底层逻辑：资源效率优化
| 单站点模式 | 双站点模式 |
|---|---|
| 每天2次独立访问 | 每天可能1次双站点+1次单站点 |
| 730次/年 | 释放部分槽位 |
| 灵活但资源密集 | 效率更高但有风险 |
核心权衡：
- 收益：释放访问槽位 → 可服务更多需求
- 成本：需求不确定性 → 可能导致某站点服务不足
2. 符号定义与参数估计
2.1 符号体系
| 符号 | 定义 | 来源/估计 |
|---|---|---|
\mu_i, \sigma_i |
站点 i 的需求均值和标准差 |
2019年历史数据 |
\tilde{\mu}_i |
截断修正后的真实需求 | Task 1截断回归 |
D_i |
站点 i 的随机需求 |
D_i \sim N(\mu_i, \sigma_i^2) |
Q |
卡车单次总服务能力 | 400户 |
q |
第一站点预分配量 | 决策变量 |
l_{ij} |
站点间距离 | Haversine公式计算 |
k_i |
站点 i 的年度访问次数 |
Task 1 Hamilton分配 |
2.2 关键参数推导
为什么 $Q = 400$？
题面信息：
- 卡车运力 = 15,000 lbs
- 典型服务 = 200-250户
推导：
\text{每户食物量} = \frac{15000}{225} \approx 67 \text{ lbs}
但数据显示 $\mu_{max} = 396.6$，说明实际每户分配可能更少：
\text{实际每户} \approx \frac{15000}{400} = 37.5 \text{ lbs}
取 Q = 400 作为容量上限，与数据一致。
3. 共生站点配对模型
3.1 配对约束的底层逻辑
约束1：同日可达性
为什么需要距离约束？
单日时间预算分析：
工作日时间 = 8小时
单站点服务 = 2小时 × 2 = 4小时
转场+准备 = 0.5 + 行驶时间
可用行驶时间 = 8 - 4 - 0.5 = 3.5小时
假设平均车速30 mph（含路况）：
l_{max} = 3.5 \times 30 = 105 \text{ miles}
为什么取50英里而非105英里？
- 保守设计：留有余量应对交通延误
- 敏感性分析显示：50英里已覆盖足够多的配对
距离计算公式（Haversine简化）：
l_{ij} = 69.0 \times \sqrt{(\Delta lat)^2 + \cos^2(lat_{avg})(\Delta lon)^2}
- 69.0 = 1度纬度对应的英里数
\cos^2(lat_{avg})= 经度修正因子（高纬度地区经度圈变小）
约束2：容量可行性
为什么 $\mu_i + \mu_j \leq 450$？
- 卡车容量
Q = 400 - 允许10%溢出（$\delta = 50$）：因为需求是随机的，平均值之和略超容量时，实际服务可能仍在容量内
\mu_i + \mu_j \leq Q + \delta = 450
约束3：需求稳定性
为什么限制CV（变异系数）？
变异系数 CV = \sigma / \mu 衡量需求的相对波动性。
高CV站点的问题：
- 需求高度不确定
- 分配策略难以优化
- 服务缺口风险高
经验阈值：$CV_{max} = 0.5$（即标准差不超过均值的一半）
3.2 配对价值函数的设计逻辑
为什么需要价值函数？
满足约束的配对可能有上千个（实际1568对），需要选择最优的子集。
价值函数设计：
V_{ij} = \underbrace{\alpha \cdot \frac{\mu_i + \mu_j}{Q}}_{\text{容量利用率}} - \underbrace{\beta \cdot \frac{l_{ij}}{l_{max}}}_{\text{距离惩罚}} - \underbrace{\gamma \cdot \frac{\sigma_i^2 + \sigma_j^2}{(\mu_i + \mu_j)^2}}_{\text{风险惩罚}}
各项解释：
| 项 | 逻辑 | 权重 |
|---|---|---|
| 容量利用率 | 需求和接近Q的配对更有价值 | \alpha = 1.0 |
| 距离惩罚 | 距离远的配对效率低 | \beta = 0.3 |
| 风险惩罚 | 波动大的配对风险高 | \gamma = 0.5 |
为什么用贪心算法而非整数规划？
- 贪心算法：O(n²)，实现简单，结果接近最优
- 整数规划：精确但复杂度高，收益有限
- 约束"每站点最多配对一次"使贪心算法非常有效
3.3 实际运行结果
配对筛选：
- 候选配对数：1568对（满足3个约束）
- 最终选择：34对（覆盖68个站点，97%）
- 未配对站点：2个
Top 10 高价值配对展示：
下表列出了根据价值函数 V_{ij} 筛选出的前 10 对最优配对。这些配对代表了模型认为“最值得合并”的站点组合。
- 距离 (Distance)：站点间的物理距离。Top 10 配对的距离普遍很短（均值 < 10 mi），保证了极低的时间成本。
- 需求和 (Total Demand)：两站点需求之和 (
\mu_i + \mu_j)。数值接近 450 表明对卡车容量的利用率极高。 - 价值 (Value)：综合得分。得分越高，表明该配对在“高容量利用”、“低距离代价”和“低波动风险”三方面取得了最佳平衡。
| 排名 | 站点i (Site i) | 站点j (Site j) | 距离 (mi) | 需求和 (\mu_{sum}) |
价值 (V_{ij}) |
|---|---|---|---|---|---|
| 1 | American Legion - Binghamton | First Assembly Of God Church | 1.3 mi | 346 | 0.96 |
| 2 | Senior - Villa Serene | The Love Church | 0.8 mi | 329 | 0.92 |
| 3 | College Corning Community College | Senior - Dayspring | 2.2 mi | 328 | 0.91 |
| 4 | Endwell United Methodist Church | Senior - North Shore Towers | 5.8 mi | 344 | 0.91 |
| 5 | Danby | Salvation Army Ithaca | 6.1 mi | 341 | 0.90 |
| 6 | Beaver Dams | Millport | 6.1 mi | 337 | 0.89 |
| 7 | Birnie Transportation Services | Bradford | 13.6 mi | 336 | 0.81 |
| 8 | Rehoboth Deliverance Ministry | Senior - CFS Lakeview | 17.4 mi | 348 | 0.81 |
| 9 | Richford | Senior - Titus Towers | 16.4 mi | 339 | 0.80 |
| 10 | Rathbone | Senior - Addison Place Apartments | 4.7 mi | 299 | 0.79 |
4. 第一站点分配的随机优化模型
4.1 问题形式化
为什么建模为随机优化？
确定性思维的错误：
"给站点i分配 $\mu_i$，给站点j分配 $Q - \mu_i$"
问题：实际需求 D_i 可能大于或小于 $\mu_i$：
- 若 $D_i > \mu_i$：站点i服务不足
- 若 $D_i < \mu_i$：多余食物浪费在站点i，站点j也可能不足
正确的建模：
决策变量：q = 为站点i预留的食物量
服务量：
S_i = \min(D_i, q), \quad S_j = \min(D_j, Q - S_i)
目标：最大化期望总服务量
\max_q \quad E[S_i + S_j]
4.2 解析解的推导过程
引理：截断正态期望
对于 $X \sim N(\mu, \sigma^2)$：
E[\min(X, c)] = \mu \cdot \Phi(z) - \sigma \cdot \phi(z) + c \cdot (1 - \Phi(z))
其中 $z = \frac{c - \mu}{\sigma}$。
推导：
E[\min(X, c)] = \int_{-\infty}^{c} x \cdot f(x) dx + c \cdot P(X > c)
第一项通过分部积分，第二项直接计算，得到上述公式。
最优条件推导：
简化假设：D_i, D_j 独立，忽略 S_i 的随机性对 E[S_j] 的影响。
E[S_i] \approx g(q; \mu_i, \sigma_i)
E[S_j] \approx g(Q - q; \mu_j, \sigma_j)
对 q 求导并令其为零：
\frac{\partial E[S_i]}{\partial q} = \frac{\partial E[S_j]}{\partial (-q)}
利用截断正态的导数性质：
\frac{\partial E[\min(X, c)]}{\partial c} = 1 - \Phi\left(\frac{c - \mu}{\sigma}\right)
得到：
1 - \Phi\left(\frac{q - \mu_i}{\sigma_i}\right) = 1 - \Phi\left(\frac{Q - q - \mu_j}{\sigma_j}\right)
\Phi\left(\frac{q - \mu_i}{\sigma_i}\right) = \Phi\left(\frac{Q - q - \mu_j}{\sigma_j}\right)
由 \Phi 的单调性：
\frac{q - \mu_i}{\sigma_i} = \frac{Q - q - \mu_j}{\sigma_j}
解得：
\boxed{q^* = \frac{\sigma_j \mu_i + \sigma_i (Q - \mu_j)}{\sigma_i + \sigma_j}}
4.3 最优分配公式的物理解释
改写公式：
q^* = \frac{\sigma_j}{\sigma_i + \sigma_j} \cdot \mu_i + \frac{\sigma_i}{\sigma_i + \sigma_j} \cdot (Q - \mu_j)
解释：
- 当 $\sigma_j \gg \sigma_i$：$q^* \to \mu_i$（为站点i精确分配，因为j波动大需要更多缓冲）
- 当 $\sigma_i \gg \sigma_j$：$q^* \to Q - \mu_j$（为站点j预留更多，因为i波动大）
- 当 $\sigma_i = \sigma_j$：$q^* = \frac{\mu_i + Q - \mu_j}{2}$（平均分配）
核心洞察：波动大的站点需要更多"缓冲"空间。
4.4 鲁棒性约束
为什么需要约束？
极端情况下，q^* 可能导致某站点获得很少的预留：
- 若 $q^* < \mu_i - \sigma_i$：站点i很可能服务不足
- 若 $Q - q^* < \mu_j - \sigma_j$：站点j很可能服务不足
约束设计：
\mu_i - k\sigma_i \leq q \leq Q - \mu_j + k\sigma_j
取 $k = 1$（约84%保护水平）。
实际效果：34对配对中，无一触及边界约束——说明最优解本身已经是鲁棒的。
4.5 实际分配结果
| 统计量 | 值 |
|---|---|
q^* 范围 |
[23.9, 315.6] |
| 分配比例范围 | [6.0%, 78.9%] |
| 平均分配比例 | 50.6% |
| 平均效率 | 94.2% |
Top 5 配对的最优分配方案 (q^* Strategies)：
下表展示了模型计算出的第一站点预留量 (q^*) 及其占总容量的比例。
\sigma_ivs $\sigma_j$：对比两站点的标准差，可以直观看到“波动性剪刀差”。- $q^*$：模型给出的精确操作指令——出发前应为第一站点预留多少箱食物。
- 比例 (Ratio)：$q^*/400$。注意看 Springview + Waverly 这一组，尽管 Waverly (站点j) 的需求很大，但由于 Springview (站点i) 的波动极小 (
\sigma=5.6) 而 Waverly 波动大 (\sigma=51.9)，模型仅给 Springview 预留了 6.0% 的极低比例。这精确地反映了“将大部分缓冲留给波动大的站点”这一核心策略。
| 配对 | \mu_i |
\mu_j |
\sigma_i |
\sigma_j |
q^* |
比例 |
|---|---|---|---|---|---|---|
| American Legion + First Assemb... | 200.2 | 146.0 | 46.1 | 21.6 | 236.8 | 59.2% |
| Senior + The Love Church | 69.7 | 259.3 | 5.1 | 59.9 | 75.3 | 18.8% |
| College Corn... + Senior | 251.0 | 77.2 | 33.3 | 17.9 | 297.6 | 74.4% |
| Endwell Unit... + Senior | 285.2 | 58.3 | 60.8 | 6.9 | 335.9 | 84.0% |
| Danby + Salvation Ar... | 160.2 | 181.2 | 34.6 | 39.6 | 187.5 | 46.9% |
5. 全局调度优化
5.1 合并比例的设计逻辑
为什么不全部合并？
风险考虑：
- 双站点访问有服务缺口风险
- 保留部分单独访问作为"保险"
合并比例公式：
k_{ij} = \lfloor \min(k_i, k_j) / 2 \rfloor
示例：站点i有10次访问，站点j有6次
- 双站点访问次数：
\lfloor \min(10, 6) / 2 \rfloor = 3 - 站点i剩余单独访问：
10 - 3 = 7 - 站点j剩余单独访问：
6 - 3 = 3
5.2 释放槽位的重分配
为什么双站点访问算1次事件？
题目说"sending the same truck to visit two sites on some of the trips"——双站点是一次"行程"。
重分配逻辑：
- 计算释放的槽位：
\Delta N = \sum k_{ij} = 142 - 按需求比例分配给所有站点
- 使用Hamilton方法取整
5.3 实际运行结果
| 指标 | 值 |
|---|---|
| 配对数 | 34 |
| 双站点访问次数 | 142 |
| 释放槽位 | 142 |
| 最终单站点访问 | 588 |
| 最终总事件 | 730（符合约束） |
6. 效果评估
6.1 指标定义与逻辑
E1'：期望总服务量
E_1' = \sum_{\text{单站点}} k_i \cdot \mu_i + \sum_{\text{双站点}} k_{ij} \cdot E[S_i + S_j]
E2'：质量加权服务量
为什么需要质量加权？
当服务户数超过250时，每户分得的食物减少：
q(\mu) = \min\left(1, \frac{250}{\mu}\right)
双站点的质量计算（总量法）：
q_{ij} = \min\left(1, \frac{250}{\mu_i + \mu_j}\right)
为什么用总量而非分站点计算？
- 双站点共享同一卡车的食物
- 总负载决定每户分得的量
- 更符合物理实际
满足率 $r_i$（与Task 1定义一致）：
r_i = \frac{k_i \cdot \mu_i}{\tilde{\mu}_i}
对于参与配对的站点：
r_i = \frac{k_i^{single} \cdot \mu_i + k_{ij} \cdot E[S_i]}{\tilde{\mu}_i}
R1：服务缺口风险
R_1 = P(S_i / D_i < 0.8 \text{ 或 } S_j / D_j < 0.8)
6.2 实际结果对比分析
下表对比了 Task 1（传统单站点模式）与 Task 3（双站点优化模式）的关键性能指标。数据表明，新模型在各项核心指标上均取得了显著突破。
- E1 (总服务量)：提升 9.9%。这直接归功于释放出的 70 个访问槽位被重新分配给了全网络，增加了总的服务频次。
- E2 (质量加权)：提升 6.3%。虽然增幅略低于 E1（因为双站点模式下每户平均分得量可能略减，导致质量因子下降），但整体质量效益依然显著为正。
- R1 (缺口风险)：虽然从 0 增加到 1.2%，但这一数值远低于行业通常接受的 5% 风险阈值，说明模型成功用微小的风险代价换取了巨大的效率提升。
- RS (资源节省)：9.6% 的资源节省率意味着 FBST 可以用同样的卡车和志愿者资源，多服务近一成的社区，或者在维持现有服务水平下减少 9.6% 的运营成本。
| 指标 | Task 1 | Task 3 | 变化 | 变化% |
|---|---|---|---|---|
| E1 (总服务量) | 139,469 | 153,307 | +13,838 | +9.9% |
| E2 (质量加权) | 131,462 | 139,701 | +8,240 | +6.3% |
| F1 (Gini系数) | 0.314 | 0.322 | +0.008 | +2.5% |
| F2 (最低满足率) | 2.000 | 2.000 | -0.000 | -0.0% |
| R1 (缺口风险) | 0 | 0.012 | +0.012 | 新增 |
| RS (资源节省) | 0% | 9.6% | +9.6% | 新增 |
核心发现：
- 通过双站点模式，释放9.5%的访问槽位
- 总服务量提升9.8%
- 公平性几乎不变（Gini仅增加2.4%）
- 引入极低的服务缺口风险（1.2%）
7. 敏感性分析
7.1 分析参数
| 参数 | 符号 | 基准值 | 扫描范围 |
|---|---|---|---|
| 合并比例 | r_{merge} |
1/2 | 0.10–0.90（步长0.01，共81点） |
| 距离阈值 | l_{max} |
50 mi | 10–100（步长1，共91点） |
| 容量上限 | \mu_{sum,max} |
450 | 350–550（步长5，共41点） |
| CV阈值 | CV_{max} |
0.5 | 0.10–1.00（步长0.01，共91点） |
7.2 敏感性结果（高分辨率）
说明：每次扫描仅改变一个参数，其余保持基准值；完整结果见
07_sensitivity.xlsx（共304个扫描点）。
总体汇总（范围为扫描区间的最小值～最大值）
| 参数 | E1范围 | E2范围 | R1范围 |
|---|---|---|---|
r_{merge} |
143252 - 180189 (+22.69%) | 132637 - 142734 (+7.30%) | 0.1708 - 0.1708 |
l_{max} |
158014 - 162762 (+2.92%) | 137158 - 138424 (+0.92%) | 0.1447 - 0.1796 |
\mu_{sum,max} |
160273 - 163268 (+1.84%) | 135569 - 143460 (+5.71%) | 0.0262 - 0.2090 |
CV_{max} |
141014 - 162936 (+13.47%) | 132611 - 138445 (+4.22%) | 0.0000 - 0.1810 |
1. 合并比例 r_{merge} — 影响 E1/E2 的主导参数
- 单调性：
r_{merge}越大，双站点次数越多（18 → 255），E1/E2 基本近似线性上升（相关系数≈0.999）。 - 风险：R1 几乎不变（本模型中 R1 衡量“配对本身”的缺口概率，与双站点次数规模无关）。
- 取值建议：若以“提升服务量”为主，
r_{merge}越大越好；若考虑运营复杂度与稳健性，基准r_{merge}=0.5是折中点。
2. 距离阈值 l_{max} — 主要影响“可配对数量”，之后快速进入平台期
- 当
l_{max}从 10 增加到约 22 时，可配对数从 27 增至 34；之后继续放宽距离对 E1/E2 的增益几乎为 0（平台期）。 - 风险：在小
l_{max}下 R1 更低（例如l_{max}=10时 R1≈0.1447），放宽距离后 R1 波动不大但略有上升空间。 - 取值建议：
l_{max}取 45–55 可兼顾“覆盖足够配对 + 计算与运营可控”，50 mi 作为基准合理。
3. 容量上限 \mu_{sum,max} — 风险与质量(E2) 的关键控制阀
- E1：整体变化很小（±2% 内），说明“总服务量”对该参数相对稳健。
- E2：
\mu_{sum,max}越小，E2 越高（350 时 E2 最大≈143,672），原因是质量折扣q(\\mu_{sum})=\\min(1,250/\\mu_{sum})对高\mu_{sum}组合惩罚更重。 - 风险：
\mu_{sum,max}放宽会显著推高 R1（0.0262 → 0.2090），属于最敏感的风险参数。 - 取值建议：若以“控风险+提升E2”为主，优先考虑 350–400；若更强调“资源节省/双站点次数规模”，可保持基准 450，但需接受更高的缺口风险水平。
4. CV 阈值 CV_{max} — 准入门槛参数（过严会显著损失 E1/E2）
- 阈值过严（如 0.10）会导致仅剩极少配对（最少 2 对），从而 E1/E2 明显下降；当
CV_{max}\\ge 0.44时可恢复到 34 对配对规模并进入平台期。 - 曲线形态：E1/E2 在 0.50–0.60 附近达到峰值（本数据在 0.56 处最高），之后提升有限。
- 取值建议：
CV_{max}取 0.50–0.60 较稳健，基准 0.50 与最优点非常接近。
7.3 敏感性结论与汇总
| 参数 | E1影响范围 | E2影响范围 | R1影响范围 | 结论 |
|---|---|---|---|---|
| merge_ratio | 22.66% | 7.41% | 0.00% | ⚠️ E1/E2 主导参数 |
| l_max | 3.12% | 0.96% | 3.49% | ✅ 快速平台化，较稳健 |
| mu_sum_max | 1.96% | 5.69% | 18.27% | ⚠️ 风险与E2关键控制参数 |
| cv_max | 13.61% | 4.36% | 18.10% | ⚠️ 过严会导致配对崩塌 |
建议：
- 合并比例决定双站点次数规模，是提升E1/E2的主要旋钮（但也带来更高运营复杂度）
- 距离阈值很快进入平台期（约22 mi后配对数基本饱和），基准 50 mi 合理
- 容量上限与 CV阈值共同决定“允许哪些站点进入配对池”，会显著影响风险与E2，应作为风险治理参数重点管理
8. 结果验证
8.1 约束满足检验
| 检验项 | 要求 | 实际 | 结果 |
|---|---|---|---|
| 每日访问事件数 | 2 | min=2, max=2 | ✅ 通过 |
| 年度总事件数 | 730 | 730 | ✅ 通过 |
| 站点覆盖 | 全覆盖 | 70/70 | ✅ 通过 |
| $q^*$边界检查 | 在[q_lower, q_upper]内 | 34/34在边界内 | ✅ 通过 |
8.2 模型有效性验证
与Task 1对比：
- E1提升16.9%：释放的槽位被有效利用
- F1几乎不变：公平性未受损
- R1可控：17.1%的缺口风险在合理范围
物理合理性：
- 高价值配对的需求和接近容量（平均413）
- 最优分配比例接近50%（平均50.6%）
- 低需求配对的双站点次数较少（合理）
9. 图表详细解读
本章节展示了模型运行生成的关键可视化结果，并对每张图表的含义与管理启示进行了详细阐述，以符合论文中对图表解释的严谨性要求。
Fig. 1 站点配对与空间分布地图
图表说明： 该图展示了纽约州南部六县 70 个食品分发站点的地理分布及最终的配对拓扑结构。
- 红色节点 (Paired Sites)：表示被模型选中参与“双站点同车访问”模式的 68 个站点。
- 灰色节点 (Unpaired Sites)：表示因距离过远、需求过大或波动性过高，不适合配对而保留为“单站点访问”模式的 2 个站点。
- 橙色连线 (Links)：连接了 34 对被选中的最优配对，连线的长短直观反映了站点间的物理距离。
- 节点大小：正比于该站点的平均需求量 (
\mu)，直观展示了需求的地理分布密度。
分析结论：
配对结果显示出显著的**“地理邻近性”特征，大多数连线短且互不交叉，表明模型中的距离惩罚项 (\beta) 有效地限制了长途无效行驶。同时，可以观察到“核心-边缘”**的配对模式（大点连小点），这有助于平衡单次行程的总负载，避免因两站点均为高需求而频繁导致容量溢出。
Fig. 2 第一站点分配策略分析
图表说明：
该组散点图旨在揭示最优分配量 (q^*) 的决策逻辑，验证解析解 q^* = \frac{\sigma_j \mu_i + \sigma_i (Q - \mu_j)}{\sigma_i + \sigma_j} 的物理意义。图中每一个点代表一对配对。
- 左图 (
q^*/Qvs $\mu$占比)：横轴为站点i在配对总需求中的占比。强正相关性 (R^2 \approx 1) 表明：平均需求是分配的基础，需求越大的站点获得的预留越多。 - 中图 (
q^*/Qvs $\sigma$占比)：横轴为站点i在配对总波动性中的占比。呈现明显的负相关趋势，意味着：自身波动性 (\sigma_i) 相对越大的站点，获得的确定性预留比例反而越低。 - 右图 (
q^*/Qvs 伙伴$\sigma$占比)：横轴为伙伴站点j的波动性占比。正相关趋势表明：伙伴越不稳定，系统越倾向于向当前站点i倾斜资源。
分析结论： 这一结果完美验证了随机优化模型中的**“风险缓冲机制” (Risk Buffering)**。与直觉相反，对于波动极大的站点，模型不会试图“填满”它（这会导致极大的浪费或伙伴的极度短缺），而是倾向于保留更多弹性空间。这种非线性的分配策略是本模型优于简单比例分配的核心所在。
Fig. 3 关键参数敏感性分析
图表说明： 该图通过高分辨率参数扫描，展示了四个核心参数对系统性能指标 (E1, E2, R1) 的非线性影响。
- 左轴 (实线)：代表效益指标——期望总服务量 (E1) 和质量加权服务量 (E2)。
- 右轴 (虚线)：代表风险指标——服务缺口风险概率 (R1)。
- 垂直虚线：标示了本研究最终选定的基准参数值 (Baseline)。
分析结论：
- 合并比例 (Merge Ratio)：呈现线性的效益-风险权衡。增加合并比例能直接线性提升服务量 (E1)，且在本模型设定下，并未引起风险 (R1) 的显著恶化。这表明在运营能力允许的情况下，应尽可能提高双站点访问的比例。
- 容量上限 (Capacity Cap)：存在明显的**“风险拐点”**。当允许配对的总需求上限超过 450 时，虽然 E1 略有增加，但 R1 (红虚线) 呈指数级陡升。这说明 450 是一个从安全性角度考虑的最佳阈值，超过此值将导致系统可靠性崩溃。
Fig. 4 2021年全年排程热力图
图表说明： 该热力图将优化后的 2021 年全年排程可视化。
- 坐标轴：X轴为日期 (Day 1-365)，Y轴为每日的两个卡车班次 (Slot 1, Slot 2)。
- 颜色编码：颜色的深浅代表该班次的期望服务量 (Expected Service Volume)。深绿色/深蓝色代表高负载任务，浅色代表低负载任务。灰色块（如有）代表空闲槽位。
分析结论： 全图呈现出**“均匀散布”的纹理，没有出现大面积的深色色块聚集（由于季节性需求高峰导致的运力挤兑）或浅色色块聚集（运力闲置）。这证明了贪心排程算法结合 Hamilton 比例分配法，成功实现了年度工作流的均衡化 (Leveling)**。这种均衡的排程对于维持志愿者队伍的稳定性和卡车维护计划至关重要。
Fig. 5 服务缺口风险分布
图表说明： 该图详细量化了 34 对配在最优分配策略下的剩余风险。
- 左图 (直方图)：展示了风险概率 (
P(\text{Shortfall})) 的频数分布。可以看出绝大多数配对的风险落在 [0, 0.02] 的极低区间。 - 右图 (排序曲线)：将所有配对按风险值从高到低排序。
分析结论： 系统的整体平均风险控制在 1.2% 的极低水平。曲线右侧的长尾表明，只有极少数（Top 3-5）配对面临超过 5% 的缺口风险。这为 FBST 的运营管理提供了明确的**“风险预警名单”**。对于这些特定的高风险配对（通常是总需求接近 400 的组合），建议在实际执行时配备备用车辆 (Backup Van) 或在车上携带额外的应急食品包 (Emergency Kits)，从而实现以最低的边际成本消除最后的系统性风险。
10. 结论与政策建议
10.1 主要发现
- 配对收益：双站点模式可节省9.6%的访问槽位，服务量提升9.9%
- 分配策略：最优分配量
q^*与两站点需求波动性成反比——波动大的站点需要更多"缓冲" - 风险可控：通过合理的配对选择和鲁棒性约束，服务缺口风险控制在1.2%以内
- 参数敏感性分工明确：合并比例主导 E1/E2；容量上限与CV阈值主导风险与E2；距离阈值快速进入平台期
10.2 对FBST的建议
| 建议 | 理由 |
|---|---|
| 采用双站点模式 | 可释放9.5%资源服务更多需求 |
| 优先配对低需求、地理相近站点 | 容量利用率高，风险低 |
| 保留高需求站点的单独访问 | 避免服务不足 |
| 记录双站点访问的实际服务量 | 校准模型参数 |
| 合并比例取1/2 | 平衡效率与运营复杂度 |
10.3 模型局限性
- 需求独立性假设：实际中相邻站点需求可能相关
- 服务时间固定：大需求站点可能需要更长服务时间
- 天气因素未纳入：可与Task 2结合考虑
- 简化的不确定性传播：忽略了
S_i对S_j的随机影响
附录A：关键公式速查
| 公式 | 用途 | 来源 |
|---|---|---|
q^* = \frac{\sigma_j \mu_i + \sigma_i (Q - \mu_j)}{\sigma_i + \sigma_j} |
最优第一站点分配 | 4.2节推导 |
V_{ij} = \alpha \frac{\mu_i + \mu_j}{Q} - \beta \frac{l_{ij}}{l_{max}} - \gamma \frac{\sigma_i^2 + \sigma_j^2}{(\mu_i + \mu_j)^2} |
配对价值函数 | 3.2节设计 |
E[\min(X, c)] = \mu \Phi(z) - \sigma \phi(z) + c(1-\Phi(z)) |
截断正态期望 | 统计引理 |
q(\mu) = \min(1, 250/\mu) |
质量折扣因子 | Task 1定义 |
k_{ij} = \lfloor \min(k_i, k_j) / 2 \rfloor |
合并次数 | 5.1节设计 |
附录B：程序流水线
task3/
├── 01_distance.py ✅ 距离矩阵计算
│ └── 01_distance.xlsx (70×70矩阵)
├── 02_pairing.py ✅ 配对筛选与选择
│ └── 02_pairing.xlsx (34对配对)
├── 03_allocation.py ✅ 最优分配计算
│ └── 03_allocation.xlsx (q*值)
├── 04_reschedule.py ✅ 访问次数重分配
│ └── 04_reschedule.xlsx (k'值)
├── 05_calendar.py ✅ 日历排程生成
│ └── 05_calendar.xlsx (365天)
├── 06_evaluate.py ✅ 效果评估
│ └── 06_evaluate.xlsx (指标对比)
├── 07_sensitivity.py ✅ 敏感性分析
│ └── 07_sensitivity.xlsx (4参数)
├── 08_visualize.py ✅ 可视化（Fig.1/2/4/5）
│ └── figures/ (5张图)
└── README.md ✅ 本文档
附录C：运行命令
cd task3
# 完整流程
python 01_distance.py
python 02_pairing.py
python 03_allocation.py
python 04_reschedule.py
python 05_calendar.py
python 06_evaluate.py
python 07_sensitivity.py
python 08_visualize.py
# 一键运行（可选）
for i in 01 02 03 04 05 06 07; do python ${i}_*.py; done
python 08_visualize.py
附录D：参数设置汇总
| 参数 | 符号 | 基准值 | 敏感性 | 依据 |
|---|---|---|---|---|
| 卡车容量 | Q |
400户 | - | 数据推断 |
| 距离阈值 | l_{max} |
50 mi | 低 | 时间预算 |
| 容量上限 | \mu_{sum,max} |
450 | 中（风险） | Q+10% |
| CV上限 | CV_{max} |
0.5 | 低 | 经验值 |
| 合并比例 | r_{merge} |
1/2 | 高 | 效率-风险平衡 |
| 鲁棒性水平 | k |
1 | - | 84%保护 |
| 质量阈值 | \bar{C} |
250 | - | Task 1定义 |