TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4609 ~ 4 6 1 6   DOI: 10.115 9 1 /telkomni ka. v 12i6.543 7          4609     Re cei v ed  De cem ber 2 8 , 2013; Re vi sed  F ebruary 28,  2014; Accept ed March 1 4 , 2014   Emergency Resource Scheduling Problem Based on  Improved Particle Swarm Optimation      Wu Kaijun 1 *, Shan Yaz h ou 1 , Lu Huai w e i 2   1 School of Elec tronic an d Infor m ation En gi ne erin g, LanZ h o u  Jiao T ong Uni v ersit y ,    Lan Z h o u  73 00 70, Chi n a   2 School of Ph ysics and Soft w a re Eng i n eeri n g, LanZ ho u Jia o T ong Unversit y,   Lanz ho u 730 0 70, Chi n a   *Corres p o ndi n g  autnor, e-ma i l :  w k j @ mai l .lzjt u .cn       A b st r a ct   Emer ge ncy res ource sch ed uli ng is a kin d  of NP  combi natio n prob le m w h ic h possess es i m p o rtant   practica l valu e. In order to overco me the pr o b le ms suc h  as lon g  co mputi n g time a nd e a s y  to fall into loc a l   best for tra d iti ona l h euristic   opti m i z at ion  al gorith m ,  an I m prove d  Partic l e  Sw arm Opti mi z a t i o n  a l gor i t hm  (IPSO) is prop osed ， the  al go rithm uses  the  rand o m icity  a nd st a b le  tend entio usn e ss c haracter i stics  of   clou d mo del, a dopts different inerti a  w e ig ht  g ener ating   meth ods i n  d i fferent  grou ps, the  se archi ng  abi lity  of   the a l gor ith m  i n  loc a l  an d g l oba l situ atio n i s  bal anc ed  effectively. In t h e  pa per,  th e a l go ri thm  i s  u s ed to  solve th e e m er gency res ourc e  sche dul ing  p r obl em, th e mathe m atic  mod e  is estab lish e d  an d the so lut i o n   alg o rith m is d e v elo ped. T he s i mu lati on res u lt s of exa m pl e s how  that the al gorith m   h a s fa ster search s p eed   and stron ger o p timi z a ti on ab il ity than GA and PSO algorith m .     Ke y w ords : e m erge ncy resour ce sched uli ng,  par ticl e sw arm  opti m i z at ion, cl oud  mo del      Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  With the  ra pid d e velop m ent of  so cial e c on omy and  in cre a s ing  level s   of urb an  mode rni z atio n, all  kind s o f  emergen cie s  h a ve  eno rmous influ e n c e s  o n   urb a n  functio n s.  Some  unexpe cted  events will seriou sly  affe ct  the  life  saf e ty of the p eople,  su ch   as  earth qua kes,  tsunami s , g a s  le ak.  Lo sse s   stemme d from ineffe ctive eme r g e n c y logi stics a ccount for 15%  to   20% of the e n tire casualty and fina nci a l  losse s   cau s e d  by su dde n  outbursts of n a tural  cala mities  and hum an -contrived di sa sters.   Emerge ncy reso urce  sch e duling i s  a speci a l  goo ds  transpo rting  activity which  aims at  providin g e m erge ncy  re so urce fo r e m ergen cie s , ma x i mizing  efficie n cy a nd  mini mizing  da ma ges  cau s e d   by  di sa st er s.   E m e r gen cy  re sou r ce s c he du ling  is  an im po rta n t co mpon ent  in d ealing  wit h   accide nts,  wh ich i n  time  weigh s  g r eat v a lue i n  redu ci ng lo sse s , p r eventing  se conda ry di sa sters  and maintai n i ng so cial  stab ility.    When  a natu r al di sa ster-stricken  spot is  in nee d of  countermea s u r es from  eme r gen cy   resou r ce tra n sp orting  sy stem, eme r g ency vehi cle s  should  del iver eme r ge ncy re so urce  to   deman d sp ot within the least of time. Emergen cy  resou r ce sch edulin g is a typical ca se  of  optimizin g co mbination, a tough is su e concerni ng NP . It contains g r eat co mplexi ties.  Questio n s  of  the  simil a r kind are hot studied  by diff erent b r a n ch es of  sci en ce,  su ch a s  o p e r ations  re sea r ch ,  applie d math ematics, com puter  appli c at ion, graph th eory a nd  co mmuni cation  & tran spo r tation,   etc.  The time it takes to be  solved is g r o w i ng exp one ntially as its d i mensi on is e x pandin g , whi c h  is ha rd  to  be ha ndle d  with traditi onal m a the m at ic m e tho d s. In  re ce nt years, h euri s tic   optimizatio n algorith m s  su ch a s  Gen e tic Algorit hm,  Ant Colony Algorithm a nd  Particle Swarm  Optimizatio n  have been  wi dely applied t o  solving such kind of pro b lems [1 -3]; however, the s e  algorith m s all  have  drawba cks li ke  lon g   comp uti ng ti me, ea sy to f a ll into  stag n a tion a nd  un able  to do fu rthe r co mputing.   Therefore,  h o w to  con s truct o p timize d  algo rithm  si mple in  form ation   and high in  optimizin g preci s ion enj oys gre a t si gni fican c e in solving emerg ency re so urce  sched uling p r oblem.     Particle  swa r m o p timizati on (PSO ) i s   a set of ne w intelligent  o p timization  al gorithm s  whi c h i s   simp le calculation,  fast  conve r g ence a nd  ea sy to implem e n t, etc [4]. Th e alg o rithm  h a s  been a pplied  to VRP [5-6] and a c hieve d  very good re su lts, but it exist such pro b lems a s  bei ng   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4609 – 4 616   4610 easy to stag nate and fall  into local opti m um. Theref ore, in this p aper, IPSO is put forward  to   solve the em erge ncy reso urce sche duli ng pro b lem.   The re sult of experim ents i ndicates that  the   algorith m  ca n  efficiently sol v e the proble m .      2.  The Math ematic Mod e  of Emergen c y  Resourc e  Scheduling Problem  2.1. Problem Descrip tion   There are ple n ty of emerg ency vehi cle s  in  the eme r g ency rescu e   system.  Th e vehicle s   will  set off from the  rescue  center  and deliver  go ods to several  cri s i s -attack ed sites (quantity=R).    After delivery ,  the vehicles will  return to the center. The maximu m capacity for each vehi cl e is  k P ( K k ,..., 2 , 1 ). Find  drivi ng route s  fro m  the  cent er  to ea ch  de mandin g   site  meeting  th e  following requirem ents   [7]:   1) Overl oad i s  forbid den.   2) Delive r y must be finishe d  as soon a s   possibl e.  3) Suppli e s required by ea ch dem andi n g  site mu st be delivere d .  4) the cost of emergen cy c enter mu st be  at minimum.  Supplem enta r y conditio n s:   1) Adeq uate  vehicle s  are available in e m er g e n c y ce nter, and the  cap a city of each h a s  been give n in  the discussio n ;  2) T here i s  only o ne e m erg e n c y ce nter a nd it s location  ha s b een  give n in th e   discu ssi on;   3) Th ere i s  o n ly one type  vehicle in th e  cent e r .  Each cri s i s -atta cked  site is  se rved by  only one vehi cle. Every site must  be  co vered by the driving route;   4) the  g r o s s dema nd  of  each d e man d ing  site  alo ng the  ro ute  ca nnot  su rp ass the   cap a city of the vehicle;   5) In order t o  simplify the case, only the  time consumed on road will be  considered,   irres p ec tive of the s e rvice time.     2.2. Mathem atic Mode   Here is the m a thematic m o de built ac co rding to the de scription a b o v e:    (1)---obj ectiv e  function   (2 )-(11 ) ---con st raint co nditio n s    ijk ij M ks is j t ijk f k M k k y d c c x z   0 min                                                    (1)    N j y S iM k ijk   , 1                                                                                         (2)    S h M k y y s i hik s i ihk , , 0                                                                (3)    0 0   N jM k jk y                                                                                                              (4)    M k Q q y k j s iN j ijk   ,                                                                                   (5)    0 Q q y j M kS iN j ijk                                                                                                          (6)     jik t = ijk ij v d                                                                                                                    (7)    M k S j i y t t t jik jik jk ik , , ,                                                                       (8)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Em ergency Reso urce Sche duling Proble m  Based  on Im prove d  Part icle Swa r m …  (Wu Kaiju n)  4611 M k N i l t i ik , ,                                                                                             (9)     M k S j i y ijk , , , 1 , 0                                                                                 (10)    M k x k , 1 , 0 0                                                                                                     (11)    In the mode:   a)  ij d  refers to the dista n ce b e twee n nod e i  and  no de  j ( , 2 , 1 , 0 , S j i ).  Whe n 0 , j i ,  ij d  refers to the emergen cy cente r ;  b)  ijk v refers to the averag e sp eed of vehicl e k  from nod e i  to node j ;  c)  ik t refers  to the time vehic l e k  need s to go to the deman d i ng site i ;  d)  ijk t refers  to the time vehic l e k  need s to go from no de i  to  node j ;  e)  i l refers  to the lates t  time of arrival of vehic l e k ;  f)  k n refers to the total numbe r of deman din g  sites that vehicl e k  needs  to serve. Wh en 0 k n , it means tha t  the vehicle doe s  not parti cipate in the  missi on.   g)  k R refers to the set of dema nding  sites  se rved by the vehicl e;  h)  f k c refers  to the fixed c o s t  of vehic l e k  whe n  driving;   i)  t ijk c refers  to the unit c o s t  of vehic l e k  from node i  to node j ;  j)  k Q refers to th e loadin g  ca p a city of vehicl e k ;  k)  i q refers to the deman d of node i ;  l)  N refers  to the s e t of c r is is-attack ed  s i tes .   } ,..., 2 , 1 | { R r r N ;  m)  M refe rs to the set of eme r gen cy vehicl es.  } ,..., 2 , 1 | { K k k M ;  n)  S refers to the sum of nod es. O N S .  0 k x   and  ijk y  are defi ned a s  follows:   0 1 e m e r g en c y  veh i cl e k  i s  i n  u s e 0o t h e r w i s e k x ； 1 v e h i c l e   k  dr i v e   f r o m  n ode  i  t o  n ode   j 0o t h e r w i s e ij k ij y ， and   。       3. Impro v ed  Particle S w a r m Optimiz a tion  3.1. Particle S w arm Opti miz a tion  Inspired by  bird s sea r chi ng food i n  real  world, P S O is p r op o s ed  by Kenn edy and  Eberh a rt i n  1 995, a s  a  ne w-b o rn al gorit hm b a sed  on  group  theo ry , the b a si c  pri n cipl e of  PSO is  to fix individ ual actio n  throug h sh ari n g informatio n  and individu al’s o w n exp e rien ce a m o ng  grou ps to get  the optimal solution of the probl em.   The mathem aticl descripiti on of PSO is: group co nst i tuted by  n part i cle s  sea r ch in  D dimen s ion  sp ace.  The  lo ca tion of the   i pa rticle  is expre s sed  as:  ) ,..., , ( 2 1 iD i i i x x x X , an d the   corre s p ondin g  spee d i s  e x presse d a s :   ) ,..., , ( 2 1 iD i i i v v v V , and   i P = ) ,..., , ( 2 1 iD i i p p p  is  the  optimal  lo cati on sea r ched  by  the  i parti cl e so fa r, an d   g P = ) ,..., , ( 2 1 gD g g p p p  is the  opti m a l   locatio n  sea r che d  by the whol e parti cl es rig h t now. The upd ate equation s  of the  d d i me ns io nal   spe ed  1 k id v and lo cation  1 k id x  of particle  i at the  k +1  lteration a r e e x presse d as f o llows:   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4609 – 4 616   4612 ) ( ) ( 2 2 1 1 1 k id k gd k id k id k id k id x p r c x p r c wv v                                                                  (12)    1 1 k id k id k id v x x                                                                                                                                    (13)    Whe r e  w  is the inertia  weight;  1 c and   2 c are  the a c cele ration  con s ta nt;  1 r and  2 r  a r e  t he  rand om ind e p ende nt numb e rs b e twe en  0 and 1.     3.2. Cloud M odel  Proposed by  academi c ian  Li Deyi [8], the cl oud model combines th e view of probability  theory and fu zzy set theory, descri b e s  the unce r ta in ty of the con c ept of the natural lan gua ge  and provide s  an effective mean s for the informat ion  processin g  b y  adopting bo th the qualitative  and qu antitative methodolo g y.    Normal clo u d  model is the rand om set with  stable ten den cy followi ng norm a l distribution  rule. The r e  are such three normal di stributio n rul e s hid den in  the normal  clou d model  as ) , , ( 2 2 3 Hn En Ex N , three num e r ical fe ature s  of cloud a r e  expre s sed b y  expected v a lue Ex ,  entropy En and ul tra-e n tropy Hn  res p ec tively.    3.3. Cloud Adaptiv e  Adjustmen t  Stra teg y   The si ze of p a rticle  swarm  is set as  N , the fitness value of particl e   i X  is  i f  after   iterating  k times;  the avera ge fitness value is  N i i avg f N f 1 1 ; when the avera ge v a lue of the  fitness value  better than   avg f  is  ' avg f and  infe rior to   avg f  is  ' ' avg f , the fitness val ue of t h e   optimal particle is  min f ; let  ' avg f Ex ， 1 min ' ) ( c f f En avg ， 2 c En He ， ' En =no r mrnd( En , He ), w  is cal c ulate d  as form ula (14),  Wherein,  as a co ntrol  para m eter.     " " ' 2 ' 2 ' 8 . 0 ) ) ( 2 ) ( exp( * 5 . 0 8 . 0 2 . 0 avg i avg i avg i avg i f f f f f En Ex f f f w                                (14)      4. Solution to Emergenc y  Resource Scheduling  Problem Bas e d on IPSO  4.1. Coding  Strateg y  of  Particles   The  p o sition  of  parti cle correspon ding with  t he an swe r  to the q u e s tion is th e  key  idea of  PSO. In  the paper , a ne w particl e enco d ing of 3-dime nsi onal  vectors X is con s tructe d to   emergen cy re sou r ce sche d u ling pro b lem .  In  the vector X , the first dimensi on  r X  of particles is  rescu e  ce nter informati on; the se con d  dimensi on  s X  of particle s  is veh i cle inform ation; the third  dimen s ion  t X  of particle s  is traveling di stan ce of the vehi cle.     4.2. Decodin g  Stra teg y  of  Particles  To get to the travel path of  the vehicle o r de r,  t X must be  adjuste d. Adjustment fun c tion  can  be  got  a c cordi ng to  t he  size  seq u ence of ve ct or t X , that is to   say, findin g   out  t X o f  t he  vehicle fo r  cu stome r   i  first, and the n  sort ed from  sm all  to larg e in  accordan ce  wit h t X , thus  the  driving path o r de r of vehicl e  i  is determi ned. For exa m ple, if  there  are 10  cu sto m ers, 2 re scue   cente r s, one of  re scue cen t ers ha s  2  ve hicle s ,  t he  other  ha s 3 ve h i cle s . If the p o sition ve cto r   X of a parti cle i s  shown a s   Table 1, the n  vector  X  of the positio n after adj ustme n t  is sho w n  a s   Table 2. So the co rrespon ding v ehi cle routing s  are a s  follows:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Em ergency Reso urce Sche duling Proble m  Based  on Im prove d  Part icle Swa r m …  (Wu Kaiju n)  4613 rescu e  ce nter 1:  vehicle 1: 1 → 2                                                       v ehic l e 2: 4 → 8  rescu e  ce nter 2:  vehicle 3: 3                                                       v ehic l e 4: 6 → 7 → 5                                                       v ehic l e 5: 10 → 9        T able 1. Vector  X  before Adj u sti n g   customer  1      2      3      4      5      6      7       8      9    10   r X   1      1      2      1      2      2      2       1      2      2   s X   1      1      3      2      4      4      4       2      5      5   t X   0.3 1.2  0.6   2. 3    4.8   1.1   2.9     3.9   2.8   1.7       T able 2. Vector  X  after Adjusting  customer   1     2      3      4       5      6      7       8      9     10   r X   1     1      2      1       2      2      2       1      2      2   s X   1     1      3      2       4      4      4       2      5      5   t X   1     2      1      1       3      1      2       2      2      1       4.3.  Process Des c ription of  Algorithm  Step 1 ：， initialize species  set the si ze  n  of each  particl e swarm an d alg o rithm  para m eter (a ccelerating  fa ctor 1 c 2 c 、 , maximum numbe r of iteration s   max N  an d dimen s ion  of  particl es D , individual extrem um  pbest  and glob al extremum gbest ).  Step 2 ： E a ch  part i cle i X  in the particl e swa r m is exe c ute d  as follo ws:   a) Update th e sp eed a nd  positio n  i X  with the formula  (9) an d form ul a (10 ) , amo n g  of  them,  w  is cal c ulated with th e formula (11 ) ;  b) Cal c ul ating  the fitness value  i f  of  i X ;  c )  If  i X  is better than the fitness value of pbest , then  pbest  sho u ld  be upd ated to the   curre n t positi on of i X ;  d) If  i X  is  better than th e fitn ess valu e of gbest , then  gbest  sh ould   be u pdate d  t o  the  curre n t positi on of i X ;  Step 3 ： Ju dg e wh ether th e cu rrent iteration num be r  G  is eq ual to  or g r eate r  th an the  iteration n u m ber max N , if not sat i sfied, return  Step2, other wise, the current optimal  solution s is  output.      5. Analy s is o f  the Simulation Results of Example   5.1. Example 1  A cri s is-attacked a r e a  ha s 8 deman d si tes nee ding  reso urce d e livered f r om em erge ncy   resou r ce cent er. There are  5 vehicles. T he loadin g  ca pacity is 8 ton for each vehicle. The fixed   co st of  each  is  80  yuan.  Th e  averag e spee d i s   20km/h o u r .  The avera g e   driving  co st  is  10yuan/ km. T he di stan ce b e twee n site s,  the dem and  i q (unit: ton)  an d the late st a rrival time i l Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4609 – 4 616   4614 (unit: minute ) ) 8 ,..., 2 , 1 ( i  are di spl a ye d in Tabl e 4 (0 rep r e s ent s  for the cente r , 1-8 represe n ts   for the s i tes ) .            Compute  the  exampl e  with  GA,  PSO  and IPSO resp ectively on the sam e  comp uter. Th e  optimal sche duling pla n  is  that 3 cars pa rticipate  in th e task. Th e driving route, di stan ce an d cost  are  sh own in  Table  4. O b jective fun c ti on  chan ge s  according  to  iteration  and  its tend en cy is  recorded in Fi gure 1.        Table 3. The  Data of Di stri but ion Center and Di sa ster Locatio n   Cr isis- a ttacked  sites   Cr isis- a ttacked si tes  0  1  2  3  4 5 6 7 8  0  0  4  6  7.5  9  20 10 16  8  1 4  0  6.5  4  10  5  7.5  11  10  2  6  6.5 0 7.5  10  10  7.5  7.5  7.5  3  7.5  4  7.5  0  10  5 9 9  15  4  9  10 10 10  0  10  7.5  7.5  10  5  20  5 10 5  10  0  7  9  7.5  6  10  7.5  7.5 9  7.5 7  0  7  10  7  15  11  7.5 9  7.5 9  7  0  10  8  8  10  7.5 15  10  7.5 10  10  0           i q       3  3  1  3 2 4 1 4  i l     40  60  30  80 80 50 90 30      Table 2. The  Optimal Sch e duling Schem e of Example 1  vehicles driving  routes  driving  time  driving time  total cost  vehicle1  0—1—3— 2—0   64.5  21.5  295  vehicle2  0—6—4— 0   79.5  26.5  345  vehicle3  0—8—5— 7—0   118.5   39.5  475  total   262.5   87.5  1115       Figure 1. Performa nce Co mpari s o n s of  GA, PSO and IPSO       5.2. Example 2  A cri s is-atta cked a r ea  has  20 de mand  si tes  needi ng resource d e live r ed from   emergen cy reso urce  ce nter. Th er e  are 4 vehi cle s .  The l oadi ng  ca pa city is  20 ton f o r  e a ch   vehicle. The  fixed cost of  eac h is 10 0 yuan. The av erag e sp eed  is 25km/hou r. The avera ge  driving  co st i s  1 2  yua n /km .  The  co ordi n a te of  e m erg ency  re scue   cente r  i s   0 p o int (3km,  4km),  positio n co ordinate s  of de mand  sites  (unit: km), the  deman d i q (unit: ton)and th e  latest arrival   0 500 1 000 1500 1100 1150 1200 1250 1300 1350 1400 1450 i t er at i o n to ta l  c o s t :  y u a n     GA PS O IP S O Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Em ergency Reso urce Sche duling Proble m  Based  on Im prove d  Part icle Swa r m …  (Wu Kaiju n)  4615 time i l (unit: minute) (1 , 2 , . . . , 2 0 ) i  are di spl a yed in T abl e 5 (0  represents fo r the  center, 1 - 20   rep r e s ent s for the site s).       Table 5. The  Data of Emergen cy Cente r  and Emerg e n cy Lo cation   order  number   x  coordinates  y  coordinates  demand   latest  arri v a l   time  order  number   x  coordinates  y  coordinates  demand   latest  arri v a l   time  0 3  4               1 3.1  7.6  4  60  11  8.4  8  2  30  2 1  8.6  2  15  12  4.7  9.3  1  30  3 6.3  5.7  1  60  13  1.4  6.8  2  15  4 2  3.3  1  45  14  0.3  6.3  2  30  5 5.3  6.6  5  10  15  3.5  0.5  3  60  6 6  9.8  4  60  16  2.4  1.6  4  50  7 0.6  9.4  2  30  17  8.2  3.7  4  45  8 3  4.5  2  10  18  7.3  8.4  3  60  9 1.9  9.8  3  20  19  8.5  5.2  1  50  10 3.7  7.1  2  45  20  7.8  8.8  3  20      Table 6. The  Optimal Sch e duling Schem e of Example 2  vehicles driving  routes  driving  time  driving time  total cost  vehicle1  0—5—20 —11— 19—17—1 8 —3 —0  56.42   23.51   382.12   vehicle2  0—8—13 —14— 4—16—15 —0   47.55   14.8  277.55   vehicle3  0—2—7— 9—12 —6—10— 1—0   46.65   19.44   333.24   total   150.62   57.74   992.91       Comp ute th e  example  with   GA, PSO a n d  IPSO re sp ectively on the  same  com pute r . The   optimal sche duling pla n  is  that 3 cars pa rticipate  in th e task. Th e driving route, di stan ce an d cost  are  sh own in  Table  6. O b jective fun c ti on  chan ge s  according  to  iteration  and  its tend en cy is  recorded in Fi gure 2.        Figure 2. Performa nce Co mpari s o n  of GA, PSO and IPSO       It is o b viou s f r om th e  re sul t  of the t w o  e x perime n ts th at the  algo rithm p r op osed  in th e  thesi s  ca n d e tect the opti m al solutio n  to em erg e n cy reso urce sche duling  problem swiftly and  acc u rately.  I t s  effic i enc y  is  better than that  of GA a nd PSO. It is a new meth od to solve the  emergen cy re sou r ce sche d u ling problem .        0 50 0 1 000 15 00 80 0 10 00 12 00 14 00 16 00 18 00 20 00 22 00 it e r a t i o n to t a l c o st:   y u a n     GA PS O IP S O Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4609 – 4 616   4616 6. Conclusio n   To solve the  proble m  of NP in the emerg e n c y re sou r ce sche duling, an i m prove d   particl e  swarm optimatio n  algorith m  h a s bee n a pplie d  to the  eme r g ency  re sou r ce sch eduli ng  is  prop osed in  the thesi s . The simul a tio n  results  of example indi cate that the  algorithm  can   efficiently sol v e eme r ge ncy re sou r ce  scheduli ng p r o b l em throug h t he  comp ari s o n  of GA  an d t h e   PSO algorith m .       Ackn o w l e dg ements   This  wo rk  was fina nci a lly sup porte d b y  t he Nation al Social S c i ence foun dat ion (No.  12CGL0 04),   sci en ce  a nd techn o logy suppo rt  proje c t  of Gan s u  p r ovince (No.  1304FK C A09 7 ),  sci entific  re se arch p r oje c t  of Gan s u  pro v ince  edu cati on d epa rtme nt (No. 20 13 A-052 ) a nd y outh   sci en ce fund  proje c t of Lan zho u  Jia o ton g  University (No. 201 100 5).        Referen ces   [1]  Ren J,  Xi  HW , Shi  XF . Geneti c  Algor ithm for  V ehic l e Sc hed ulin g Pro b l e m  of Cit y Emerg e n c y  Lo gistic s   Distributi on.  Jo urna l of Millitar y Transportatio n  Univ ersity.  2011; 13( 9): 70- 73.   [2]  T ang LS, Chen g W M , Liang J, et al. Researc h  on Ant Col o n y  Cl usterin g  Al gorithm for the  Problem of   Emerge nc y  Lo gistics  Distrib ut ion . Ra ilw ay T r ansp o rt and Ec ono my.  20 08;  30(9): 66- 69 ．   [3]  W u  KJ, W ang T J .  T he model  and  optimiz ati on a l gor it hm of  multi-rescu e c enter em erge n c y  mater i al s   disp atchin g  w i t h  time limits.  Computer En gi n eeri ng an d App licatio ns.  20 12;  48(30): 19- 23.   [4]  Kenn ed y J  Eb erhart R.  P a rticle Swar m  Opt i mi z a tion.  Proc eed ings  of IEE E   Intern ation a l  Co nfere n ce   on Ne ural N e tw o r ks. 199 5; 1942- 194 8.   [5]  Liu Z X . Ve hicl e sched uli ng o p timizati on in l ogistics d i strib u tion b a se d on  particle s w ar m optimizati o n   algorithm.  Jour nal of W uha n  Univers i ty of Scienc e an d T e chno logy.  2 009;  32(6): 615- 61 8.  [6]  ZHANG YB V GQ. S t udy  of Phy s ical Distribution R outing  Optimization Problem Based  on Hy brid PSO   Algorit hm.  Packing e ngi ne erin g.  2007; 2 8 (5): 10-1 2 .  [7]  Guo HL. Stu d y  on Mu lti-Obje ctive Veh i cle  R outin g Pro b le m in ur ban Em erge nc y Lo gist ics, Baod ing ,   Heb e i Un iversit y . 20 10.   [8]  Li D Y, M e n g   HJ, Shi  XM. E m bershi p  cl ou ds an d mem b ershi p  clo ud  g ener atorsr.  Co mp uter R& D .  199 5; 32(6): 15 -20.      Evaluation Warning : The document was created with Spire.PDF for Python.