作者：金丽亚,王荣辉
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
应急装备器材供应干扰管理决策研究试读：
前言
在应对各类突发事件的活动中，应急装备器材供应是应对、降低或消除突发事件危害的有效措施，在保证国家安全、消除危机、遏制战争方面发挥着非常重要的作用。然而，在应急装备器材供应过程中，不确定性事件的发生是不可避免的，如运输车辆损毁或出现故障、道路被炸毁、需求点时间窗变动、作战部（分）队器材需求量发生变化等干扰事件。干扰事件发生后，运输工具如仍按初始计划执行，将难以满足应急任务对装备器材的需求，甚至导致供应任务的失败。如何及时有效地对干扰事件进行处理，使干扰事件对供应系统的扰动程度最小，成为应急装备器材供应问题的难点。本书基于干扰管理思想，以系统扰动最小为目标，在分析应急装备器材供应中发生概率较高、较有代表性的干扰事件的基础上，提出了基于 BSEMAR六元组的知识化扰动恢复模型，设计并开发了干扰管理建模支持系统，实现了对干扰事件的及时响应，以提高应急装备器材供应干扰管理决策的科学性和准确性。
本书共分为 5 章。第 1 章绪论，主要交代课题的研究背景，分析课题的研究意义，着重介绍干扰管理理论与方法、动态车辆路径问题、多式联运及军事物流领域干扰管理问题等国内外研究现状。第 2 章应急装备器材供应扰动恢复策略，分析了多式联运条件下多种运载工具互救的救援需求，从应急装备器材供应的实际运行特点出发，提出多式联运混合救援策略，以简化模型的求解。第 3 章运力受扰下的应急装备器材供应干扰管理决策，分析了带硬时间窗的应急装备器材供应运力受扰的救援需求，构建了基于虚拟需求点的扰动恢复模型，采用基于遗传算法的人工鱼群算法优化算法对模型进行求解，并通过数值实验对算法的有效性进行了验证。第 4章需求点时间窗变动的应急装备器材供应干扰管理决策，针对应急装备器材供应需求点时间窗变动问题，分析扰动辨识和度量方法，构建基于虚拟资源点的扰动恢复模型，并采用基于轮盘赌选择的改进 VNS算法对模型进行了求解，最后通过数值实验对算法的有效性进行了验证。第 5章需求量变动的应急装备器材供应干扰管理决策，针对需求量变动的应急装备器材供应干扰管理数学模型难以支持实时建模与实时求解的缺陷，引入运筹学优化理论、知识工程和知识表示理论与建模方法，构建了基于 BSEMAR 六元组的扰动恢复知识化模型，并提出解决该问题的基于知识的求解方法。最后，设计并实现了需求量变动的干扰管理建模支持系统，实例运行和数据实验的结果表明，该方法能满足对多种需求量变动事件的实时响应，实时生成干扰管理决策方案。
由于理论水平和学识有限，以及所做研究工作的局限性，书中不足之处在所难免，恳请读者批评指正。作者2017年 11月第1章绪论1.1 研究背景
军队应对的突发事件是指突然发生、造成或可能造成严重社会危害，或对国家利益和军队构成威胁，需要动用军队立即参与处置的各类事态、事件。装备器材的应急活动主要包括应急作战、反恐维稳、制乱平暴、军事威慑、制止民族冲突、宗教纠纷及大规模的紧急救灾活动、犯人越狱事件等。在应急活动中，装备器材作为各项应急活动实施的物质保障，能否有效供应在保证国家安全、消除危机、遏制战争方面具有非常重要的军事意义。
应急装备器材供应是根据应急任务的器材需求，基于应急条件下装备器材保障原则，科学合理地组织与实施装备器材保障的过程。其目标是满足应急任务及时性、灵活性和有效性的要求，最大限度地保障装备器材的投送和提高军队应对突发事件的能力。近几年爆发的突发事件表明，一方面，突发事件不断以新的形式爆发，影响范围越来越大，发生的频度和强度也在逐渐增强，对应急装备器材供应的及时性、准确性要求越来越高；另一方面，应急条件下影响装备器材供应的不确定事件很多，如道路或桥梁被炸毁、运输车辆出现故障、作战部（分）队对器材的需求量发生变化、恶劣的天气等。这些事件的共同特点是发生的随机性（包括发生时间的随机性、事件类型的随机性和发生地点的随机性）和影响范围比较大（可能一小段道路被炸毁会影响到一定范围器材供应计划的改变）。因此，如何正确辨识和处理影响应急装备器材供应的干扰事件，最大限度减少干扰事件对整个装备器材供应计划的影响，及时保证装备器材供应任务的顺利完成，是应急装备器材供应干扰管理中亟待解决的问题。
干扰管理是近年来国际上管理科学、运筹学和系统工程等领域备受关注的前沿性研究方向，具有重要的科学意义和广阔的应用前景。美国得克萨斯大学奥斯汀分校的 Gang Yu 教授在《DISRUPTION MANAGEMENT：Framework，Models and Applications》一书中对干扰管理进行了定义：在计划开始阶段，用优化模型和求解算法得出一个好的运行计划；计划实施中，由于内外部不确定因素导致干扰事件的发生，使原计划变得不可行，需实时地产生新计划。新计划要考虑[1]原来的优化目标，同时又要使干扰带来的负作用最小化。目前已有部分学者针对车辆调度领域的干扰管理问题开展了相应的研究，但更多地集中在地方物流领域的模型与算法方面，对于军事物流领域考虑应急安全性、及时性和准确性等军事需求的干扰管理问题研究不多。
应急装备器材供应干扰管理问题是复杂的 VRPs问题，不同于地方物流干扰管理问题，既要考虑应急装备器材供应的特点、原则和运作流程，又要考虑多式联运条件下的不确定性因素和安全性因素，同时兼顾供应及时性、准确性等优化目标，约束条件多，建模难度大，求解困难，在救援策略的制定、干扰管理模型的构建及求解算法的设计等方面，需要充分利用现代新技术、新方法。而目前我军应急装备器材供应干扰管理仅能做到利用 GIS/GPS/GSM 等实现对在途运输工具和器材的动态跟踪，并将其位置和状态信息反馈给指挥调度部门，而对于应急装备器材供应过程中发生的干扰事件，主要依据人工经验，更多采用直接增派或者取消救援等措施，或是采用完全重优化的方法，并不能保证干扰事件得到及时、有效的解决。因此，非常有必要针对应急装备器材供应的原则，尤其是应急条件下的装备器材供应干扰管理的特点进行深入分析，运用干扰管理的方法，对应急装备器材供应中发生概率较高、较有代表性的干扰事件展开研究，重点探讨应急装备器材供应的干扰管理理论及处理方法，从而提高应急装备器材供应干扰管理决策的科学性和准确性，为实施快速有效的应急装备器材供应干扰管理提供前提和基础。1.2 研究目的及意义
应急装备器材供应干扰管理问题是一个多层次、多阶段的复杂 VRPs 问题，从资源点角度可将其划分为战略、战役和战术 3个层面的干扰决策问题。从目前研究来说，战略、战役层面的装备器材供应问题更多的是宏观决策问题，与作战指挥、作战类型息息相关，研究较多，而战术层面的研究相对较少，特别是采用干扰管理理论与方法，对应急装备器材供应干扰管理问题鲜有研究。
本书研究的目的在于，准确把握应急条件下我军装备器材供应的特点、原则和运作流程，利用干扰管理理论和方法，借助现代建模技术、知识工程及运筹学优化理论等现代技术和方法，以系统扰动最小为目标，针对应急装备器材供应中发生概率较高、较有代表性的干扰事件进行研究，对扰动进行辨识和度量，构建扰动恢复模型并设计求解算法，设计并开发干扰管理建模支持系统，实现对干扰事件的及时响应，并生成科学有效的决策方案，从而最大限度减少干扰事件对整个装备器材供应计划的影响，提高应急装备器材供应干扰管理决策的科学性和准确性。
本书研究的意义主要体现在以下两个方面。（1）理论层面上，针对运力受扰和需求点时间窗变动的应急装备器材供应干扰管理决策的特点，制定优化模型和有效的求解算法，为决策者在干扰事件发生后及时提出最优调整计划奠定了基础；针对需求量变动的应急装备器材供应干扰管理决策建模困难、计算复杂、对算法的实时性要求高的难点，构建的可根据需求量变动事件进行动态推理和求解的知识化模型，有利于促进运筹学优化理论、人工智能、知识工程等学科理论的交叉与渗透，形成基于知识的问题描述、智能建模与求解方法的新方法和新理论，进一步指导军事物流领域干扰管理相类似的复杂管理决策问题的解决；（2）实践层面上，本书开发的基于知识的需求量变动下的应急装备器材供应干扰管理建模支持系统，将装备器材供应干扰管理决策专家知识和建模专家知识进行融合，充分发挥了人工经验的定性推理功能和计算机的定量计算优势。该技术实现了计算机在线智能建模，使装备器材供应干扰管理建模支持系统能根据干扰事件的变化、系统运行状态的变化，而动态产生模型参数和调整模型结构，实时、快速地生成科学有效的决策方案，对提高军事物流领域干扰管理系统的决策效率有广阔的应用前景和重要的军事意义。1.3 相关研究现状1.3.1 干扰管理理论与方法研究现状
1.干扰管理思想的发展
客观世界存在的不确定性使人们经常处于变化莫测的环境中，各种随机事件对人机系统产生不同程度的影响和干扰，使事先制定好的计划可能变得不可行，使系统变得不正常。干扰事件发生后，需要及时处理干扰事件对系统的影响，以尽量小的扰动尽快恢复系统的正常运行，这就是干扰管理思想的由来。
作为对原计划造成冲击最小化的一种管理方法，干扰管理[2]（Disruption Management）最早是由 Jens Clausen等人于 2001年提出的，即由于现实世界中不确定性因素导致计划不可行，且有必要对其进行修改时，须以最小的变动生成新的可行方案。随着干扰管理方法的广泛应用，很多学者开始关注干扰管理。2004年，美国得克萨[1]斯大学奥斯汀分校的 Gang Yu教授等通过对供应链、机器调度等领域中干扰事件的处理方法进行研究，提出了目前广为接受的干扰管理定义：在计划开始阶段，用优化模型和求解算法得出一个好的运行计划；计划实施中，由于内外部不确定因素导致干扰事件的发生，使原计划变得不可行，需要实时产生新计划，新计划要考虑原来的优化目标，同时又要使干扰带来的负面作用最小化。该定义可分为 3层意思理解，即制定并执行初始最优计划、辨识扰动事件、制定有效的使系统扰动最小的救援策略和方案。[3]
在充分吸收了国外研究成果和经验的基础上，国内学者陈安等对干扰管理也做了比较深入的研究，他认为干扰管理是能使事件回到原始状态的一种管理方法，主要面对的是稍微偏离原计划状态的事件，而这样的偏离只是一种微小的偏离，没有造成很大的负面影响，可以通过积极的管理进行纠正；与此同时，他将干扰管理和应急管理做了严格的区分：干扰管理主要针对经常性的干扰事件，如工业生产中的暂时缺货现象、交通运输中出现的堵塞现象及航班的延迟等，研究消除其干扰的策略和措施。而应急管理主要针对突发性干扰事件，如“9·11”事件和 SARS事件等，研究突发事件的应急对策和预案。[4]张钦等将干扰管理的核心思想提炼为 5 个主要方面：①制定正常状态的最优计划；②识别和评估干扰风险事件；③形成对系统干扰最小的新方案；④新计划要考虑偏差费用；⑤干扰发生后，在最短的时间内和最小的成本下，对计划的影响最小的方法进行修复。
从 20 世纪 90 年代有学者明确提出干扰管理的概念到现在，干扰管理已发展成为国际上管理科学、运筹学和系统工程等领域一个很[510]受重视的研究方向，干扰管理思想已经在航班调度、铁路调度～[11[13[17[2212]16]21]26]、机器协调、供应链调度、项目管理、工～～～～[27]业管理等方面得到了广泛应用。但由于研究视角的不同，干扰管理在学术界尚未有明确的定义，但各学者对干扰管理的认识基本达成了共识：正常状态下，系统在初始方案下运行，当发生干扰事件，对初始方案造成影响，甚至使初始方案无法运行时，运用优化手段对初始方案进行调整，调整方案必须考虑对整个系统的负面作用最小。因此，作为一种实时处理干扰事件的方法，干扰管理包括以下几个基本要素。（1）初始方案，即系统在正常状态下考虑各种因素得出的最优运行方案。（2）干扰事件，即对系统方案正常运行产生影响的随机事件，如运载工具故障、需求量变化、需求点时间窗变化等。不同领域的干扰事件可能不同，但干扰事件必须是经常发生的可预知事件，且其发生具有随机性。（3）扰动恢复模型，即干扰事件发生后，调整原方案的计划，恢复模型具有针对性，不同的干扰事件优化模型基本不同，优化模型可以具有多个优化目标，但必须包括对原方案影响最小这个目标。（4）模型求算法，即扰动恢复模型的求解算法，可根据实际情况采取精确求解或近似求解，但对算法有一个基本要求：快速，需要在干扰发生后迅速对其做出响应。
2.干扰管理模型的研究进展
目前，干扰事件种类繁多，国内外学者根据干扰事件的特点及实际问题所属的领域，提出了许多解决实际问题的干扰管理模型。纵观这些干扰管理模型，可分为两类：一类为网络图模型（Network Model），另一类为数学模型（Mathematical Model）。不同的干扰管理模型有不同的适用范围，参照文献[28～29]描述，表 1-1对两种模型在解决干扰管理问题时的优缺点进行了分析和总结。表1-1 干扰管理模型比较分析（1）网络图模型
网络图模型采用节点图的方法，将问题中各个要素及要素之间的关系直观地表达出来，以增强问题的可识别性，降低问题解决的复杂度。总体来说，网络图模型属于结构模型，但构成网络图模型的节点图不同于一般的几何图形。例如，它的每条边可以被赋予权，组成加权图。权可取一定数值，用以表示距离、流量、费用等。网络图模型又可以分为时空网络图模型（Time-Space Network Model）、干扰恢复博弈树模型（Repair Game Tree Model）和基于PERT图（Program Evaluation and Review Technique Chart）的干扰管理模型。
① 时空网络图模型
时空网络图模型（Time-Space Network Model）是一种描述组成[30]网络各要素之间关系的网络流模型。1995 年，Hane 等首先提出该模型并用于求解航空机组的调度问题。其后 2000年，Ahmad I [31]Jarrah 等将该模型进行修改和扩展，将成本最小网络流问题抽象，构造出基于时空网络图模型的线性整数规划模型。2004 年，Yu [2]Gang等在航空领域的航班调度干扰管理问题的研究中，在时空网络图上增加虚拟的延迟航班和保护航班作为干扰管理方案，并相应地设定这些虚拟航班的运作成本和保护费用，使受到诸如机械故障、天气影响等原因造成的航班取消或延迟带来的损失大大降低。
时空网络图模型适用于解决允许在多个平等节点之间无序交叉运作的情形。对于存在不平等节点的网络体系，时空网络图模型具有一定的局限性。如物流网络体系，该类体系存在供应中心和供应点两类节点，属于不平等的两类节点。对于这种结构的网络体系，时空网络图模型只适用于对同类节点之间的部分要素建模，要实现对整个网络体系的全部要素建模，还需要与其他模型相结合，进一步改进和完善时空网络图模型。
② 干扰恢复博弈树模型
博弈树类似于状态图和问题求解搜索中使用的搜索树。干扰恢复博弈树模型（Repair Game Tree Model）是计划调度模型的一种形式，该模型以博弈树G=（V，E，h）为根基树，将节点分为V、maxV和V这 3类，且V∪V∪V=V，每个节点的关联值定义mixavgmaxmixavg*为h：V →IN ，该博弈树的值定义为v∈V时的最小极大值 min i max：0iV →IN。模型的目标函数为：（G， p， g， f， s）。其中， p为该0博弈树G的叶子集元素， g为期望成本， f 为干扰恢复诱发成本， s[32]为此时的系统状态。2004年，Jan Ehrhoff等首次以博弈树搜索思想为核心，结合运筹学优化工具，从增强原计划调度安排鲁棒性的角度对干扰管理问题展开研究，构建了干扰恢复博弈树模型。该项研究以航空调度为研究背景，提出了一种具有普遍意义的干扰管理方法论。
干扰恢复博弈树模型的优越性在于：能根据决策过程中的启发性或模糊性知识所产生的随机数据，做出更加完备的计划安排，比传统方法以确定性数据得出的计划效果更好，大大提高了原计划的鲁棒性和应对干扰的能力。但目前该模型的相关求解算法仍存在一定的缺陷，如缺乏智能性、对启发信息的选择效率不高等。
③ 基于 PERT图的模型
PERT图（Program Evaluation and Review Technique Chart）是一种出现于 20世纪 50 年代后期的网络计划技术，最早是由美国海军[33]在计划和控制北极星导弹的研制时发展起来的。PERT 图的原理是用网络图来表达项目中各项活动的进度和它们之间的相互关系，并在此基础上进行网络分析，计算网络中各项时间参数，确定关键活动与关键路线，利用时差不断地调整与优化网络，以求最短周期。然后，还可将成本与资源问题考虑进去，以求综合优化的项目计划方案。
PERT 图模型是一种类似流程图的有向图，一个项目涉及的作业及其关系分别用有向弧（Arcs）和节点（Nodes）表示。用这种方法可描绘出项目包含的各种活动的先后次序，标明每项活动的时间或相关的成本，可以有效地控制和管理项目进度。由于作业时间的不确定[34]性，项目的进展必然受到干扰。2004年，Li Ping等采用 P E RT 图建立了非确定性项目网络的风险调度预测模型，提高了预测的准确[35]性。2005年，罗守成对 PERT图中各项作业的延误对总工期和总费用的影响进行了研究，提出按照各项作业的重要性而不仅仅是根据延误时间长短来计算延误时间惩罚的方法。
PERT 图模型的优点是一种有效的事前控制方法，能预测项目的完工时间；通过对时间网络的分析估计并合理分配资源，增强主管人员的全局观念和监控关键作业的进度。缺点是时间的估计具有较大的[36]主观性，对经验的依赖程度高，应用领域有较严格的限制。需要注意的是，PERT 图的应用前提是事前能对项目过程进行较准确的描述，且各项相对独立的活动具有一定的逻辑关系，它可以在项目管理、生产制造领域的干扰管理中得到很好的应用。
综上所述，网络图模型的优点是直观性强，容易理解。但图模型对参数的容纳能力有限，能使用的求解方法不多，缺乏表达复杂问题的能力。（2）数学模型
数学模型是针对某种数学模型参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻画出来的某种系统的纯关系结构[37]。数学模型所表达的内容可以是定量的，也可以是定性的，但必须以定量的方式体现出来。因此，数学模型法的操作方式偏向于定量形式。
随着干扰管理研究的深入，针对不同的问题类别和条件，其数学模型也呈现出不同的表现形式。但总地来说，大致可以分为两种：第一种是精确型数学模型；第二种是模糊型数学模型。精确型数学模型的内涵和外延非常分明，可以用精确数学表达。有代表性的精确型数[25]学模型研究成果有：早在2001年，国外学者Howick等针对项目实施过程中顾客需求变动问题，构建了基于系统动力学的数学模型，并通过仿真方法对干扰的影响进行了动态模拟；2003年，丁慧、胡庆[38]文对最短路修复问题进行了数学描述和定义，建立了数学规划模[39]型；2004年，王岑等研究了在干扰管理下 0-1背包问题的扰动修复[23]的多目标决策模型；2005年，Zhu G等研究了运行中的项目被干扰时的处理措施，建立了以成本偏离最小为目标的整数规划数学模型；[40]2007年，学者 Li J Q和 Borenstein D等以车辆故障、交通拥挤、交通事故这类问题为出发点，提出了选择备用车辆的多目标规划数学模型，采用混合线性规划及约束规划进行求解，最后结合算例验证了所[41]设计模型计算法的有效性；2008年，王雅楠以带有时间窗的可拆分的车辆路径问题（Split Delivery Vehicle Routing Problem with Time Windows，SDVRPTW）为研究背景，构建了物流供应需求量变动的多目标规划干扰管理数学模型。
模糊型数学模型的内涵和外延不是很清晰，要用模糊数学来描述。以干扰造成的偏差成本（Deviation Cost）为评估标准之一的数学模型就是其中的典型代表。当干扰发生时，目标函数和可行解集发生相应的变化，通过多个目标之间的权衡优化达到总目标的优化。根据目标优先级的高低，采用字典序目标规划结构（Lexicographic Goal Programming Structure）。
式（1-1）是无干扰时数学模型的一般形式；式（1-2）分别是含有两重优化目标的数学模型的一般形式，P和 P表示不同的目标规12划优先等级。[2]
2004年，国外学者 Yu G和 Qi X T首先将该模型应用于最短路问题的干扰管理研究，根据干扰管理理念来选定扰动最小的方案，并作为最终方案，即最终的干扰管理方案在所有满足约束条件的方案中具备：①与原路线的偏离最小；②路线成本最小。2011年，国内学[42]者胡祥培等针对干扰事件导致物流供应计划难以顺利实施这一难题，从客户不满意度、供应成本及路径偏离程度 3个方面度量物流供应系统中的扰动，建立字典序的多目标干扰管理模型，并设计算例以验证模型的有效性。试验结果表明：该模型比已有的全局重新调度模型更科学——够均衡各方的利益，得到的干扰应对方案对系统的扰动更小。实际应用中，模型各目标的重要顺序可根据情况灵活更替，客户不满意度的度量方法也可灵活选择，实用性更高。
数学模型的特点是：①容量大。该类模型对参数的容纳能力强，能表达大规模的复杂问题；②灵活性强。随着实际问题的变化，目标函数和约束条件会随之发生改变。但这类模型对问题的抽象程度高，从模型本身很难识别出问题原型及其所属领域，且模型求解得到的数据不带任何领域知识和信息，必须把这些数据还原成用户能够理解的形式。这就导致模型使用复杂化。
3.干扰管理模型求解算法的研究进展
目前，干扰管理模型的求解算法主要有两类：精确算法（Exact Algorithm）与近似算法（Approximate Algorithm）。由于干扰管理问题的复杂性，采用精确算法不仅需要花费很大代价，而且难以获得最优解。因此，近似算法是解决该类问题的主要算法。（1）精确算法
精确算法适合于求解小规模结构较清晰的干扰管理问题。精确算法求解干扰管理问题方面，代表性的算法有分枝定界法、整数规划、动态规划、轮换算法等。具体研究成果主要有：早在 1984 年，[43]Teodorovic 等采用分支定界法（Branchand Bound）求解了基于网[44]络图的航班延迟的干扰管理模型。随后的 1997年，Gou Wei等对分支定界法进行了改进，用于求解机组干扰恢复整数规划数学模型。[4546]Kouvelis P 等采用鲁棒精确算法求解了工件调度中可能发生的～[47]最严重的干扰问题的模型等。2003年，杨磊等提出了解决TSP扰[48]动恢复问题的轮换算法。2006年，Qi等提出了求解机器调度干扰问题的动态规划算法等。（2）近似算法
近似算法是求解干扰管理模型的主要方法。求解干扰管理模型的常见近似算法又分为启发式算法（Heuristic Algorithm）、禁忌搜索算法（Tabu Search Algorithm）、遗传算法（Genetic Algorithm）、拍卖算法（Auction Algorithm）及它们之间结合形成的混合算法等。
启发式算法是一种在搜索过程中利用启发信息改进控制策略，试图一次性提供一个或全部目标的算法，通常可以在可接受的时间内求出问题的解，但是具有一定的不确定性，并不能保证下一次也是在同样时间取得同样的结果。启发式算法与精确算法最大的不同在于当前搜索节点往下选择下一步节点时，可以通过一个启发函数来进行选择，选择代价最少的节点作为下一步搜索节点。启发式算法求解干扰[49]管理问题的研究成果主要有：早在 1992年，Paletta设计了启发式[7]算法求解动态旅行商问题。2003年，Rosenberger等以最小化航班、飞机和因取消航班所造成的费用为目标，提出了一种启发式算法对计划进行调整，并采用仿真的方法对模型及算法进行了验证。[50]2006年，Victor Portougal等在多任务的随机排序问题中，采用启发式算法为每个任务设定两个交货期，最终获得了模型的渐进最优[51]解。2008年，Liu等采用亚启发式算法解决了航班恢复问题，并以台湾地区的实际数据进行了测试。[42]
禁忌搜索法属于局部搜寻方法。2011年，胡祥培等从客户不满意度、供应成本及路径偏离程度 3个方面度量物流供应系统中的扰动，融合多种邻域函数设计了禁忌搜索算法求解基于字典序的多目标干扰管理模型，并设计了算例验证模型的有效性，实用性很高。遗传[52]算法具有求解组合优化问题的良好特性。2004 年，Guo.Y等研究了航空公司中航班延迟、航班取消和机组人员调度等干扰问题，利用遗传算法对所建立的混合整数规划模型进行了求解，最终用欧洲几家航空公司的实际数据进行了测试。[53]
拍卖式算法是一种对偶算法，由 Bertsekas于 1979 年提出，在搜索方式上与传统方式有很大不同。拍卖式算法最早于 1991年被 [54][55]Bertsekas应用于解决最短路问题，后来又被用于解决运输问题。[5657]Freling R.综合了拍卖式算法中“前向算法”和“后向算法”的～[58]优势，研究出“双向结合式”的拍卖式算法。Jingquan Li等将可能存在的可行网络考虑在内，改进“双向结合式”的拍卖式算法，提出并行连续型拍卖式算法，成功运用于公交车干扰管理问题的研究。该算法的最大特点是并行计算，可以用不同的处理器同时计算不同路径，并能共享价格矢量，大大提高了求解的速度和结果满意度。这一特点决定了拍卖式算法在计算大型网络模型方面更具优势，随着网络规模的扩大，其计算速度优势愈加明显。但该算法相对适用于解决网络弧值为正的情况，在解决弧值为负的时候仍存在困难，需要其他算法的支持。
采用单一的近似算法求解干扰管理问题，易获得局部最优而最终偏离全局目标。为了避免这一弊端，现在很多学者采用综合运用几种[59]算法的优势，以逃出局部最优的僵局。2002年，Michael等提出了 SALS（Steepest Ascent Local Search）算法，该算法结合 ILS算法与 VNS算法的优势，即 ILS算法能在开始很短时间内找到比较合理的优化结果，而 VNS算法可以在后续时间内提高搜索效率，大大提高了干扰管理模型的求解。该研究最后还将 SALS 应用于航空干扰管理[60]问题，结果令人满意。2006年，王明春等将干扰管理模型的目标函数定义为网络运行的费用和与原计划偏离所需费用的加权和最小，有针对性地设计了交换法与禁忌搜索结合的混合算法进行求解。[41]2008年，王雅楠针对物流供应需求量变动的干扰管理问题，研究并设计了基于禁忌搜索算法（Tabu Search Algorithm）和插入算法（Inserting Algorithm）的混合启发式算法求解干扰管理模型，实现了快速实时生成物流供应需求量变动问题的干扰管理调整方案。
简而言之，在干扰管理模型求解算法方面，精确算法虽然有着悠久的发展历史，而且在实际中应用广泛，但是其过于拘泥于数学抽象，人们对这种逻辑模型很难获得系统的真实感受，因此，虽然精确算法可以求得最优解，但不便于对实际系统进行分析。近似算法，如启发式算法、禁忌搜索算法、拍卖算法、遗传算法等以其独特的运行机制，克服了搜索到局部最优解就停止搜索的缺陷，而具有引导算法跳出局部最优解，进而转向全局最优解的功能。与精确算法相比，近似算法有解决大规模复杂干扰管理问题的能力。但多数近似算法还存在一些缺陷，如搜索速度较慢、容易陷入局部优化等问题。目前，干扰管理模型的求解算法研究主要集中在改进近似算法的缺陷方面。1.3.2 车辆路径相关问题研究现状
1.车辆路径问题概况
车辆路径问题（Vehicle Routing Problems，VRPs）是指对一系列客户（送货点或收货点）组成适当的运输路线，使车辆有序地通过它们，并能在满足一定的约束条件下（如车辆载货量、客户需求量、时间窗限制等），使总运输成本达到最小（如使用车辆数目最少、车[61]辆行驶路程或时间最短等）。VRPs 将运筹学理论研究与现实生产生活紧密联系起来，因此，自 1959 年由 Danting 和 Ramser 提出以来，即展现出旺盛的生命力。由于其应用的广泛性和经济上的大价值，一直受到国内外专家学者的广泛关注。
实际物流供应中的 VRPs种类繁多，按照不同的分类原则可细分为许多子问题。不同的属性分类的不同取值的组合形成了各种类型的 VRPs，如图 1-1所示。
在以往的大多数 VRPs研究中，人们一般假定在构造路径之前，所有的信息（包括需求点信息、车辆信息、路况信息等）都是确定的，并且信息均与时间无关。在这样的假定下，安排的路径也是相对固定的，因此这类 VRPs 被称为静态车辆路径问题（Static Vehicle Routing Problems，SVRPs）。
但是由于客观世界存在着大量不确定性，反映在 VRPs 中，往往会出现新的客户请求、客户信息的变化、车辆故障等情况。这些不确定信息要求系统能快速响应这种信息更新，对已安排好的车辆路径进行及时调整，这类问题称为动态车辆路径问题（Dynamic Vehicle [62]Routing Problems，DVRPs）。由于 DVRPs更贴近实际的生产和生活，且通信和信息处理技术的发展使实时处理随机和模糊信息、动态安排车辆路径成为可能，DVRPs 的研究成果广泛应用到产品供应[63[65][66]64]、邮件速递、生产计划等很多领域。～图1-1 车辆路径问题的分类
2.动态车辆路径问题研究现状
对 DVRPs的研究尽管还不多，但涉及的内容和领域也是相当多的，因此，将某些具有共同属性的问题集结在一起，有助于把对某一问题的研究成果拓展到同类问题。在此，作者根据 DVRPs中出现的不确定性信息，将该问题总结为以下 3类。（1）由需求预测的不确定性引起的问题。需求预测产生的不确定性（如客户需求量、需求时间的不确定性）往往导致不确定需求的 DVRPs。目前此类问题的研究成果主要有：文献[67]针对客户时间窗和发货量变化的紧急车辆调度问题，设置虚拟车场，实现了车辆的紧急调度；文献[68]为解决由顾客需求变化引发的物流供应问题，对基于顾客的编码表示方法进行了改进；文献[69]对于集货过程中客户需求变化的动态车辆路径问题，引入虚拟客户点与相关约束方法，将其转化为普通的静态车辆路径问题；文献[70]引入人工智能和知识工程的相关知识，建立了客户需求量和新增订单等问题的 GISC 模型，并设计了知识库和推理规则，最终采用中石油大连市公司的数据进行了验证。（2）由运输网络性能的不确定性引起的问题。网络性能的不确定性会涉及供应时间（因天气变化、车辆损毁、交通堵塞等）的不确定性。这方面的研究成果主要有：文献[71]针对运输工具走行时间具有不确定性问题，建立了综合考虑车辆走行时间、对客户的服务时间延迟和服务结束时间最小化 3 方面的优化模型。文献[72]研究了车辆走行时间不确定对供应方案制定带来的影响，引入可变走行时间作为扰动变量的手段进行了实验，实验取得了较好的更新率和路径优化结果；文献[73]针对服务时间延迟类问题，提出了通过按时间段划分延迟，对每个不同阶段所可能采取的策略进行评价的序贯决策方法，为物流供应延迟类问题提供了科学决策的依据。但研究的重点尚未涉及适合问题快速有效求解的算法方面。（3）由多车型对路线影响的不确定性引起的问题。对同一项供应任务来说，使用不同车型的运载工具时，可载重量通常不一样，所需的空车数也不相同。目前，国内外关于多车型动态车辆路径问题的研究都很少。文献[74～75]采用模拟退火算法和改进的节约算法（Modified Saving Algorithm）对多车型动态车辆路径问题进行了研究；文献[76]考虑到任务的特性和车辆的专用性，任务类型与车型的匹配问题；文献[77]研究了允许多种车型同时调用的动态车辆调度问题。
在动态车辆路径问题的求解算法方面，由于 DVRPs的问题规模一般较大，且算法需要使实时信息在较短时间内得到响应，所以一般的最优化方法往往不能适应，学者们的研究主要集中在启发式算法及其改进算法方面。从求解策略来看，DVRPs的算法可分为两大类：一类是重新优化策略；另一类是局域优化策略。
① 重新优化策略
重新优化策略，实际上就是动态问题的静态求解，即一旦接收到确定的实时信息，就从头开始重新寻找最优车辆路径。这方面的研究[78]成果主要有：Bell等针对运送大宗商品的车辆路径问题，设计了基[79]于 Lagrangian松弛和乘子调整技术的静态算法；随后，Psaraftis在解决动态单车辆 dial-a-ride问题时，也采用这种策略重新优化。但遗憾的是，该方法最多只能解决出现 10个需求的小规模问题。
② 局部优化策略
局域优化策略是事先根据已知的信息制定初始路径，当接收到实时信息后用局域方法改进初始路径。尽管局域优化策略获得的路径计划可能劣于重新优化策略，但是节约了大量的计算，适用于实际的车[80]辆调度系统。这方面的研究成果主要有：早在 1970年，Wilson提出了求解动态 dial-a-ride问题的插入法；随后，在 Wilson与其合作者的研究中，又对该插入法做了改进，降低了插入法的短视行为；[8182]Gendreau等构造了一种适应存储的禁忌搜索算法，用于并行～[83]求解信使服务问题。与上述的优化方法不同，Shen通过 BP 神经网络学习有经验调度员的调度过程，逐渐调整连接权系数，使顾客的实时需求得到较快响应。1.3.3 多式联运研究现状
多式联运是联合运输的一种现代形式。根据欧洲交通部长会议（European Conference of Ministers of Transport，2004）上的定义，多式联运具有广义和狭义之分。狭义上的多式联运定义如下：使用连续的运输方式进行且在运输方式转换时不对货物本身进行单独处理的货物移动（使用同一的装载单位或工具）。广义上的多式联运描述如[84]下：使用至少两种不同的运输方式进行的货物移动。作为联结国内外贸易的纽带，多式联运已成为联结企业国际供应链的最重要一环。进行多式联运路径优化的研究，对于推动多式联运发展，实现物流服务及时、准确、安全、迅速的目标有着重要的理论和实践意义。
国外进行多式联运技术研究，多集中在多式联运条件下的运输优化技术、决策、战略规划及多式联运高新技术等。Ziliaskopoulos 等[85]提出了时间因素决定下的多式联运网络最佳路径算法；Angelica [86]Lozano等研究了多式联运下的最短可行路径问题，并通过顺序算[87]法进行求解；Mark E.Johnson研究了多式联运条件下的美国海军联合运输集装箱的可操作性和技术难题，丰富了美国海军物流体系建设。
随着经济的发展，我国于 20 世纪 90 年代进入了集装箱多式联[88]运时代。有代表性的研究成果主要有：张建勇等从实现总成本最小化的原则出发，建立了一种多式联运系统的网络最优分配模型；陈[89]相东等对可阶段化运输网络，提出了将路径选择与交通运输方式[90]相结合的组合优化模型；缪成等针对救援物资多式联运问题，设计一种多模式分层网络，并利用延期费用和划分时段的方法构建问题[91]的多目标数学规划模型；孙华灿等构建直观的联合运输网络图，将多方式联合运输合理路径的选择和优化问题转化为含有超期惩罚因[92]子的广义最短路模型；杨希锐等针对多式联运条件下的军事物资调运问题设计了一种考虑不同运输方式的分层网络，构建了该问题的多目标数学规划模型，并提出了解决方法。
上述这些研究成果为本书研究多式联运条件下的应急装备器材供应干扰管理问题提供了参考。1.3.4 知识表示方法的研究现状
知识表示是研究知识在计算机中存储和处理的形式，是人工智能[93]的一个重要研究方向。所谓的知识表示，就是将已获得的有关知识以计算机内部代码的形式合理地描述和存储。不同的知识要用不同的形式和方法来表示。一个问题能否有合适的知识表示方法往往成为[94]知识处理成败的关键。（1）传统知识表示方法
随着人工智能与知识工程的不断发展，一些人工智能方面的教材[95]将知识表示方法中的状态空间表示法、问题归约法、谓词逻辑表示法、语义网络表示法、产生式表示法、框架表示法、剧本表示法、过程表示法等，形成了传统知识表示的方法体系。这些知识表示方法各有所长，分别适用于各自不同的应用领域。
状态空间表示法是一种基于解答空间的问题表示和求解方法，以状态和操作符为基础。由于状态空间表示法需要扩展过多的节点，容易出现“组合”爆炸，因此只适用于表示简单的问题。问题归约法从要解决的问题出发，逆向推理，通过一系列变换把初始问题变换为子问题集合和子子问题集合，直至最后归约为一个平凡的原本问题集合。问题归约法相比状态空间表示法可更有效地表示问题。谓词逻辑表示法是以逻辑演算为理论基础的知识表示方法，其局限性在于难以表达不确定性知识和启发性知识，在事实较多时易出现组合爆炸，且推理过程冗长、效率低。语义网络表示法是一种结构化表示方法，由节点和弧线或链线组成。节点用于表示物体、概念或状态，弧线用于表示节点间的关系。语义网络表示法最大的优点是把各种事物有机地联系起来，能正确反映人类对客观事物本质的认识，直观清晰，便于理解。其局限性在于它对知识表示的非严格性，不能保证不存在二义性，由此带来对知识处理的复杂性；产生式表示法一般使用三元组[（对象，属性，值）或（关系，对象 1，对象 2）]来表示事实，具有自然、灵活、清楚、模块性好、通用性强等优点，局限性在于它不能表达有结构性的知识，求解复杂问题时容易引起组合爆炸。框架表示法适用于表达具有层次结构的问题，相关的属性和规则可以形成框架的层次结构。剧本表示法是框架的一种特殊形式，但它特别适用于描述顺序性的问题。过程表示法将有关某一问题领域的知识，连同如何使用这些知识的方法都隐式地表达为一个求解过程，因此，适用于问题求解过程易于表达的问题，但难以表示非过程性知识。（2）现代知识表示方法
20 世纪 80 年代以来，随着人工智能和知识工程的不断发展，国内外学者在传统知识表示的基础上进行了拓展研究，根据特定的问题和领域提出了许多新的知识表示方法。
① 混合知识表示方法
在知识表示的应用过程中，人们发现很难找到一种单一的表示方法来有效解决领域内所有的知识表示，因此，将以往成熟的多种知识表示方法有效结合起来运用，以弥补单一方法使用时的局限性。混合[96][97]知识表示方法的主要研究成果有：Beaubouef等和 Yahia等分别将模糊与粗集、粗集与神经网络相结合，来解决不确定知识的表示、[98]处理和获取问题；Yeun等将多种单一的知识表示方法（如规则表示法、框架表示法等）按照面向对象的程序设计原则组成一种混合的知识表达形式，将对象的属性、动态行为、领域知识和处理方法等有[99]关知识“封装”在表达对象的结构中；Martin等把产生式、框架、语义网络、过程表示法等多种传统的表示方法融合到一起，用 XML作为统一的形式描述语言。由于 XML本身包含语义并能无限扩充，因此该方法可以描述不同背景不同类型的知识，实现知识融合，并进一步构建出分布式知识库。
② 神经网络知识表示方法
神经网络是反映人脑结构及其功能的一种抽象数学模型。它是由大量神经元节点互连而成的复杂网络，用以模拟人类进行知识表示、存储和推理的行为。神经网络以分布式表示信息，任何知识规则都可以变换成数的形式，便于知识库的组织和管理，便于实现知识的自动获取，能够自适应环境的变化。具有代表性的神经网络模型主要有感知器、多层映射 BP网络、GMDH网络、RBF网络、Hopfield反馈神经[100]网络和双向联想记忆等。神经网络知识表示方法最大的局限性是“黑箱”性，人们难以理解网络的学习和决策过程。对于给定的输入，用户只能得到一个结果，不清楚推理过程，因此解释较难。
③ 用于模糊技术的知识表示
知识在被人们掌握之前总是模糊的，或有些知识本身就是模糊的。为了描述这类知识，可采用模糊技术对知识进行模糊表示。目前，基于模糊技术的模糊规则、模糊推理在许多专家系统中有很好的应用。[101]有代表性的应用包括铁路交通运输控制和图像理解中的模糊知识
[102]表达。但还远远不够，新的基于模糊技术的知识表示方法有待于进一步开发研究，以扩大专家系统的应用范围。
④ 面向对象知识表示法
面向对象的知识表示方法是用计算机分析问题和解决问题的新方法，它把知识抽象描述为对象的内部状态和静态特征属性，而知识的处理方法表示为对对象状态和特征属性的操作。在面向对象的设计方法中，一个对象本身被定义为其特征属性及行为的封装整体，因此用对象作为知识的表示单位，一方面把知识和操作进行封装和隐藏，推理机制蕴藏在对象中，既可以实现灵活性的推理机制，又能使修改知识的操作局限在对象的内容上，容易实现知识库一致性和完备性；另一方面，将知识表示成对象后，对象的独有属性体现了个性与差别[103]。若将代表多知识源的不同对象形成类层次和网络模型，并通过消息传递形成一条推理链来协调完成问题的求解任务，就可简化多学科专业知识结构的复杂性，而且容易维护和进行扩充。
可以看出，知识表示方法灵活多样，不同的知识表示方法都有其针对性和局限性。因此，在实际应用中所采用的知识表示与知识的组织、知识的结构和知识的使用方式密切相关。应急装备器材供应干扰管理问题具有高度复杂性和动态实时性，现有数学建模方法难以表达该系统中干扰事件的多样性；难以捕捉供应状态的实时变化性；难以支持干扰决策过程的多阶段性。因此，研究一种能将人工经验中的定性推理与计算机定量计算相结合，支持动态实时建模和求解的知识表示方法，是尚待解决的问题，也正是本书的主要研究内容之一。1.3.5 军事物流领域干扰管理研究现状
1.国内外研究进展
目前，国内外学者对于军事物流领域考虑应急安全性、及时性和准确性等因素的干扰管理问题研究不多，大多数研究集中在模型与算[104]法方面。国外学者在此方面研究较早，Clarke和 Wright于 1964年提出了节省算法，用于建立随机条件车队的供应路线，其算法简单易[105]懂、求解速度快。随后，Nicholas J.Anderson研究了军事物流管理需求驱动和军队物流管理实践及实施因素分析，为军队物流管理和[106]军队物流企业提供了很好的典范。2011 年，国内学者胡杰等根据未来不确定因素引起空军航空备件需求量变化及备件供应时限性增强的实际情况，设计了时限一致度算子，优化了备件需求泊松分布模型，提高了备件供应的精确度，并选取了优化后的模型中的多个参量，进行了多因素的扰动性分析，最后通过算例验证了方法的有效性。石
[107]玉峰紧贴应急运输实际，研究了因敌袭、自然灾害造成运输时间和路途损耗分别为单重经验分布和双重不确定性参数条件下的路径优化问题，针对应急运输中存在的应急目标和总任务两级决策目标不确定问题，研究了在大运量、多梯队、多路径，且同一出发路径上各运输梯队存在出发时间间隔要求、梯队运输规模限制和路途损耗情况下，运输梯队编成和出行方案优化问题，并采用遗传算法进行了优化求解。
总体来看，目前国内外针对动态车辆路径问题和物流供应干扰管理问题的研究大多是采用数学方法，对相关约束和优化目标进行假设和处理，构建数学模型，并采用精确算法、启发式算法或两者的混合算法对模型进行求解。应急装备器材供应干扰管理决策是复杂的 VRPs 问题，不同于地方物流干扰管理问题，既要考虑应急装备器材供应的特点、原则和运作流程，又要考虑多式联运条件下的不确定性因素和安全性因素，同时兼顾供应及时性、准确性等优化目标，约束条件多，建模难度大，求解困难，在扰动恢复策略的制定、干扰管理模型的构建及求解算法的设计等方面需要充分利用现代新技术、新方法。
2.应急装备物流干扰管理问题研究的不足
尽管动态车辆路径问题、多式联运和干扰管理的研究在模型和算法方面取得了很多成果，但是对应急装备物流领域的干扰管理问题鲜有研究，主要表现在以下几方面。（1）对应急装备物流供应过程中所产生扰动的度量方法研究。对装备器材供应而言，应急条件下的不确定因素和安全性因素很多，涉及运载工具、运输路线、器材需求点、初始供应方案等多个主体，因此，扰动的影响有直接的，也有间接的。有的可以用价值衡量，有的无法用价值衡量，如何根据应急装备器材供应的特点、原则和运作流程，分析和评价干扰事件对整个供应系统的影响，从而对系统的扰动进行度量，是应急装备器材供应干扰管理的难点问题。目前国内外学者对这方面几乎无研究，这也是本书研究亟待解决的问题。（2）干扰管理模型的智能算法研究。通过动态车辆路径问题求解算法和干扰管理模型求解算法的研究可以看出，目前求解复杂干扰管理模型的智能算法较少。为了满足应急装备器材供应干扰管理所需的安全性、及时性和准确性要求，干扰管理模型求解算法研究应在目前算法研究成果的基础上，结合软计算智能算法，建立求解速度更快、面向在线实时应用的高效智能求解算法，以获得干扰管理模型的满意解（或次优解）。（3）基于知识的干扰管理在线实时建模研究。干扰管理的核心是针对各种实际问题和干扰事件的性质，生成使系统扰动最小的调整方案。由于干扰事件的发生具有随机性、动态性及不可预测性等特点，而应急条件下器材需求点对保障器材供应时间的要求非常紧迫和严格，这就对军事物流供应系统的实时响应能力提出很高的要求。因此，如何实现干扰事件应对方案的在线实时生成，以满足实时、快速生成干扰管理策略的要求，不仅是应急条件下军事物流领域干扰管理富有实用价值的研究方向，也是其他领域干扰管理值得进一步研究的课题。第2章应急装备器材供应扰动恢复策略2.1 应急装备器材供应概述2.1.1 相关概念
应急装备器材供应是指根据应急任务的器材需求，基于应急条件下装备器材保障的原则和装备器材资源，科学合理地进行运输路径的[108]选择、组织与实施装备器材供应的过程。该过程以满足应急装备器材保障任务快速、及时、准确和灵活的要求为目标，分清主次缓急，优先保障重点，及时供应。为了便于讨论，这里明确几个与此相关的概念。（1）装备器材基数：是指为保障修理机构在应急条件下，对规定数量的装备实施修理所需器材的品种和数量的计量单位，它是按修复一定数量的中、小修车（中损、轻损的装备）所需维修器材的数量标准。装备器材基数主要分为“装备器材团基数”、“装备器材师基数”和“装备器材营基数”这 3种。需后送工厂大修或特修及战前准[109]备阶段恢复装备所需的器材，不属于装备器材基数保障范围；（2）资源点：指有装备器材基数储备的单位，即有能力提供装备器材资源的单位。它包括战略级仓库、战役级仓库和战术仓库（师、旅、团器材仓库）；（3）需求点：指装备器材供应的对象，即装备器材需求部（分）队；（4）运输方式：装备器材的运输方式主要有铁路运输、汽车运输（公路运输）、水路运输、航空运输等。2.1.2 应急装备器材供应的特点
应急装备器材供应的目标是为应急需求方提供及时、准确、可靠、高效的服务。及时是指资源点对需求方做出快速的反应能力，随时满足应急需求；准确是指供应方案中的时间和安全性满足限制要求；可靠是指供应方案提供的运输路径安全度的可靠性；高效是指供应方案的执行效率，即在满足时间和安全性限制的前提下，力求投入最少。因此，应急装备器材供应的目标可以概括为：在尽可能短的时间内，以较低的危险性和较少的成本将合理数量的器材提供给需求方。所以，应急装备器材供应的特点主要体现在以下几个方面。（1）要求反应快速
应急事件往往会在短时间内给社会带来巨大且持续损失，这就要求装备器材供应具有快速高效的反应能力。在 2009年 8月台湾地区的自然灾害事件中，美国送往台湾地区的数万吨救援物资一次性送抵目的地，在恶劣的自然环境下，仅在半小时内就完成了卸载任务。如果没有快速的装备器材供应能力，这简直不可思议。目前正在发展中的陆、海、空甚至地方企业协同供应的新模式，以及高科技通信、运输等设备的投入，使特定的时间和空间内迅速供应装备器材成为现实。（2）影响因素复杂
平时装备器材供应以效益为主，即以运输里程最短、运输费用最低为主要目标。但是，应急条件下的装备器材供应除了要考虑资源点的器材储备情况、资源点的地理位置、运载工具、运输路线等，还存在很多随机的和不确定的因素，如运输工具故障、作战部（分）队器材需求量变动，加上气象条件、道路安全状况等干扰因素的不可预见性，这些不确定因素相互交织、相互影响，并随时间变化而改变，这使应急条件下的装备器材供应问题相当复杂。（3）物流目标的复合性
民用物流的目标就是追求最大化的经济效益，而军事物流是承担军事物资供应保障任务的一种特殊物流，其追求的目标既要讲求经济效益，更要追求军事效益，即追求经济、军事效益俱佳的复合效益。特别是应急条件下，装备器材供应的基本任务以提高供应效率为目标，最大限度地组织与实施迅速可靠的装备器材供应，要正确处理好物流行为所造成的经济效果与军事效益之间的关系，而断不可向民用[110]物流那样，一味追求经济效益的最大化。
试读结束[说明：试读内容隐藏了图片]