Strategic Route Planning for Disaster Relief in Palu, Indonesia: A MILP Model Incorporating GIS Data
Notice bibliographique
Résumé
The 2018 earthquake and tsunami in Palu, Indonesia, highlighted critical inefficiencies in disaster relief distribution, including suboptimal resource allocation and delivery delays that significantly impact survival rates.This research develops a Mixed-Integer Linear Programming (MILP) model integrated with Geographic Information System (GIS) data to optimize post-disaster logistics distribution in Palu, Indonesia, aiming to minimize total distance and delivery time while ensuring adequate distribution to relief posts.The methodology incorporates geospatial data from 22 relief posts and 2 main warehouses using the PuLP library in Python.Data preprocessing included coordinate conversion, GeoDataFrame creation, and logistics demand calculation based on refugee populations.The optimization model minimizes the objective function Z = Σᵢ∈ₚΣⱼ∈ₚ dᵢⱼxᵢⱼ subject to demand satisfaction and vehicle capacity constraints.Results demonstrate significant operational efficiency improvements, achieving a 30% reduction in average delivery time and identifying 366 optimized distribution routes ranging from 0.87 km to 15.9 km.The model successfully allocated various logistics types including food, water, clothing, and medical supplies while respecting 20,000 kg vehicle capacity constraints.The integration of MILP with GIS data proves effective for disaster relief logistics optimization, enabling precise decision-making in emergency situations.This framework reduces failure risks in disaster response and improves recovery outcomes for affected communities, with implications for enhanced disaster management strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».