En akademiker från University of Bath School of Management har utvecklat en algoritm för att hjälpa välgörenhetsorganisationer och hjälporganisationer att förbättra sättet de hjälper offer för stormar, översvämningar, jordbävningar och andra naturkatastrofer.

Nuvarande planering tenderar att fokusera på den kortsiktiga utmaningen att tillhandahålla hjälp till offren i omedelbar efterdyning av en katastrof – ett ensidigt tillvägagångssätt. Men vår modell är tvådelad, integrera frågan om hur man återställer distributionsnäten för att få hjälp till så många överlevande som möjligt, sa Dr Ece Sanci.

"Förekomsten av naturkatastrofer har ökat dramatiskt de senaste åren. Bara sedan början av 2021, vi har haft extrema vinterstormar i USA, jordbävningen i Sulawesi i Indonesien, och svåra översvämningar i Australien. Hjälporganisationer måste förbereda sig för effektiva katastrofinsatser. Om vi ​​ska hantera detta ständigt ökande hot, forskare måste hjälpa till att förbättra vårt sätt att reagera på katastrofer, " Hon sa.

Sanci och medforskaren professor Mark Daskin vid University of Michigan har utvecklat en planeringsmodell med hjälp av en algoritm som tar hänsyn till etablerad praxis och fördelar med att förpositionera föremål som behövs för omedelbar hjälp i katastrofutsatta områden, som vatten, mat och mediciner, men tar också upp behovet av tillgång till utrustning som behövs för att återställa distributionsnäten.

"Genom att förpositionera hjälpmedel behöver räddningstjänsten lita mindre på lokala leverantörer, som kan ha otillräcklig kapacitet för att klara av den plötsliga ökningen av efterfrågan direkt efter katastrofen. Också, Att köpa dessa varor från globala leverantörer kan vara dyrt och tidskrävande i efterdyningarna av katastrofen. Så att hitta den bästa platsen för dessa räddningsinsatser är en viktig del av katastrofhjälpplaneringen, sa Sanci.

"Men för mycket tonvikt har lagts på enbart placeringen av dessa centra - även om räddningsinsatserna är väl placerade, människor kommer att lida om skadade vägar hindrar snabb distribution av hjälpartiklar. Vad är värre, skador på transportnätverket kan göra att offren blir helt avstängda, " Hon sa.

Sanci sa att hennes och Daskins modell kombinerar besluten om plats och nätverksåterställning, hjälpa hjälparbetare att förbereda sig bättre genom att fastställa både platsen för räddningsinsatser och den utrustning som behövs för att återställa distributionsnäten före en katastrof.

"Våra resultat betonade vikten av nätverksåterställning - vi fann att fler, eller större, hjälpanläggningar har en begränsad inverkan när nätverksåterställning ignoreras. Dock, om återställningsresurser finns på kritiska punkter, tillsammans med nödvändiga räddningsinsatser, det är möjligt att tillgodose den totala efterfrågan på hjälpartiklar snabbare och till lägre kostnad, sa Sanci.

Sanci sa att algoritmen erbjöd ett sätt att hitta ett användbart resultat på betydligt kortare tid än vanligt. Hon noterade att rent generellt, Algoritmer tar längre tid att hitta ett resultat om de utvärderar ett stort antal scenarier som behövs för en korrekt representation av osäkerhet. Tiden, till exempel, tagen av IBM:s högpresterande lösare CPLEX ökar kubiskt med antalet scenarier man överväger.

"Däremot Fördelen med vår algoritm är att tiden det tar att hitta en lösning bara ökar linjärt när antalet scenarier ökar. På det här sättet, vårt bidrag är betydande eftersom det möjliggör betydligt snabbare beslutsfattande. I katastrofhjälpsarbete, detta är viktigt eftersom tidskänsliga och livräddande beslut kommer att behöva fattas som svar på kortsiktiga prognoser, " Hon sa.

Sanci sa att hon och hennes kollegor Dr. Melih Celik och Hannan Tureci Isik för närvarande tittade på problem med lokaliseringsdirigering av lastbil-drone-tandemer.

"Om vi ​​kan hitta en lösning på det här problemet, det kan vara ett alternativt sätt att upprätthålla förbindelser med regioner som är otillgängliga på grund av skadad infrastruktur, " Hon sa.