Leeboard Afet Sonrası Müdahale Yönetiminde Matematiksel Çerçeve

Çok Amaçlı Optimizasyon, Bayesian Güncelleme ve Dinamik Karar Mimarisi

Afet sonrası müdahale, yüksek belirsizlik altında ve zaman baskısı altında yürütülen çok boyutlu bir karar problemidir. İnsan gücü, ekipman kapasitesi, ulaşım süreleri ve hasar yoğunluğu aynı anda değerlendirilmek zorundadır. Bu nedenle müdahale planlaması klasik tek amaçlı optimizasyon yaklaşımlarıyla açıklanamaz.

Leeboard yaklaşımı, afet yönetimini çok amaçlı, stokastik ve dinamik bir optimizasyon problemi olarak ele alır.

Bu çerçevede temel amaç, yalnızca tek bir metriği minimize etmek değil; birbiriyle çelişen hedefler arasında optimal denge noktaları üretmektir. Örneğin karşılanamayan insan gücü talebini minimize etmek isterken, aşırı transfer sayısını azaltmak ve malzeme yetersizliğini düşürmek de eş zamanlı hedeflerdir. Bu durum çok amaçlı optimizasyon yapısını gerektirir.

Matematiksel olarak problem şu şekilde ifade edilebilir:

Bir karar değişkeni vektörü x için aynı anda minimize edilmek istenen birden fazla amaç fonksiyonu vardır:

min { f₁(x), f₂(x), f₃(x) }

Burada f₁ insan gücü açığını, f₂ transfer maliyetini, f₃ ekipman yetersizliğini temsil edebilir. Bu fonksiyonlar genellikle doğrusal veya karma tamsayılı (mixed-integer) formdadır ve kaynak kısıtları, zaman kısıtları ve eşzamanlılık kısıtları altında çözülür.

Bu tür problemlerde tek bir optimum çözüm yoktur; bunun yerine Pareto-optimal çözüm kümesi elde edilir. Bir çözüm, başka bir çözüm tarafından tüm amaçlar açısından daha iyi değilse Pareto-optimal kabul edilir. Karar verici, bu çözüm kümesinden stratejik önceliklere göre seçim yapar.

Ancak afet yönetimi deterministik değildir. Hasar dağılımı, yol erişilebilirliği ve yaralı sayısı gibi parametreler belirsizlik içerir. Bu nedenle optimizasyon modeli stokastik olarak genişletilmelidir.

Stokastik yapı genellikle iki aşamalı formda kurgulanır. İlk aşamada afet öncesi kararlar alınır; ikinci aşamada ise gerçekleşen senaryoya bağlı olarak düzeltici kararlar verilir. Bu yapı senaryo ağacı ile temsil edilir. Kök düğüm afet öncesi durumu temsil ederken, dallar olası hasar senaryolarını gösterir. Her dal belirli bir olasılığa sahiptir ve karar değişkenleri senaryo bağımlı hale gelir.

Bu durumda amaç fonksiyonu beklenen değer minimizasyonuna dönüşür:

min E[f(x, ω)]

Burada ω rastgele afet senaryosunu temsil eder. Böylece model, yalnızca tek bir olası geleceğe değil; tüm olasılık dağılımına göre optimal karar üretir.

Ancak afet anında sensör verisi geldikçe belirsizlik azalır. İşte bu noktada Bayesian güncelleme yaklaşımı devreye girer. Başlangıçta hasar olasılıkları önsel dağılım (prior distribution) ile tanımlanır. Sensörlerden gelen frekans kayması, drift artışı veya yapısal hasar skorları gibi gözlemler, bu dağılımı günceller.

Bayes teoremi bu süreci matematiksel olarak tanımlar:

P(ω | D) = [ P(D | ω) P(ω) ] / P(D)

Burada D gözlenen veri, ω ise hasar senaryosudur. Güncellenmiş olasılık dağılımı, stokastik modelin ikinci aşamasında kullanılır. Böylece optimizasyon yalnızca tahmini senaryolara değil, gerçek zamanlı veriye göre adapte edilir.

Bu yapı, klasik stokastik planlamadan daha ileri bir aşamadır; çünkü senaryo olasılıkları sabit değildir, dinamik olarak güncellenir.

Afet yönetimi zaman boyutuna da bağlıdır. Kaynak tahsisi bir periyotta verilen kararla sınırlı değildir; sonraki periyotları etkiler. Bu nedenle problem dinamik programlama perspektifiyle de ele alınmalıdır.

Durum değişkeni s_t, zaman t anındaki kaynak dağılımını ve hasar bilgisini temsil eder. Karar değişkeni a_t ise o anda yapılan tahsisi gösterir. Sistem şu geçiş fonksiyonu ile evrilir:

s_{t+1} = F(s_t, a_t, ω_t)

Amaç, zaman boyunca kümülatif kaybı minimize etmektir:

min Σ_t E[ C(s_t, a_t) ]

Bu yapı Markov karar süreci (MDP) formuna yakındır. Böylece her zaman adımında optimal politika π(s) tanımlanabilir. Bu politika, mevcut durum bilgisine göre en uygun tahsisi belirler.

Leeboard vizyonunda afet sonrası müdahale sistemi, bu dört matematiksel bileşeni entegre eder:

Çok amaçlı optimizasyon denge noktası üretir.

Stokastik senaryo ağacı belirsizliği modele dahil eder.

Bayesian güncelleme gerçek zamanlı veriyi entegre eder.

Dinamik programlama zaman boyutunu optimize eder.

Bu birleşim, afet yönetimini statik bir planlama faaliyetinden çıkararak adaptif ve öğrenen bir sisteme dönüştürür.

Sonuç olarak afet sonrası müdahale artık yalnızca kaynak sayısı meselesi değildir. Asıl belirleyici olan, bu kaynakların hangi matematiksel çerçeve içinde tahsis edildiğidir.

Gerçek zamanlı veriyle beslenen, olasılık güncellemesi yapan ve çok amaçlı denge noktaları üreten bir sistem; klasik planlamadan niteliksel olarak farklıdır.

Leeboard yaklaşımı, afet yönetimini tam olarak bu dijital ve matematiksel eksene taşımayı hedeflemektedir.