In crowded cities, like Tehran, when a major accident occurs, such as a fire, the response from more than one fire station is usually needed at the scene. The present study focuses on demand allocation to fire stations at two ranked levels to determine the priorities of fire stations to service relevant demands. To solve this problem, this paper uses the Vector Assignment Ordered Median Problem (VAOMP), a new location–allocation model that can allocate demands to facilities at several ranked levels, based on the particular objective function. Thus, this paper uses the meta-heuristic methods of Tabu and genetic algorithms to minimize the arrival time from fire stations to demands, at two levels, at up to 5 min in the GIS environment of the 21st and 22nd districts of Tehran. The optimum parameters for each algorithm were obtained through sensitivity analysis. The results of applying the model with two algorithms in these districts with 10 existing fire stations and 336,600 inhabitants showed that the current stations are insufficient for two levels of service and that 52,840 people at level 1 and 81,320 people at level 2 have no access to services. As such, the results of two algorithms for relocation–reallocation analysis at two levels with different weightings for 13 potential and existing fire stations showed that at least 3 new stations need to be created. Furthermore, the genetic algorithm produced qualitatively superior results, in optimal values, the accuracy of allocation and timeframe, compared with the Tabu algorithm.

在德黑兰这样的拥挤城市中，当发生重大事故（例如火灾）时，通常需要在现场提供多个消防局的响应。本研究集中在两个等级的消防站需求分配上，以确定消防站满足相关需求的优先级。为了解决这个问题，本文使用向量分配有序中值问题（VAOMP），这是一个新的位置分配模型，可以根据特定的目标函数将需求分配给几个等级的设施。因此，本文使用禁忌的元启发式方法和遗传算法，在德黑兰第21和第22区的GIS环境中，在最多5分钟的两个时间段内，最小化了消防站到需求的到达时间。通过敏感性分析获得了每种算法的最佳参数。在具有10个现有消防局和336,600居民的地区使用两种算法应用该模型的结果表明，当前的消防局不足以提供两个服务级别，并且第一级的52,840人和第二级的81,320人无法获得服务。这样，针对13个潜在消防站和现有消防站的两种不同权重的重新分配分析算法的两个结果表明，至少需要新建3个消防站。此外，与禁忌算法相比，遗传算法在最优值，分配的准确性和时间框架方面在定性方面产生了质量上更好的结果。在具有10个现有消防局和336,600居民的地区使用两种算法应用该模型的结果表明，当前的消防局不足以提供两个服务级别，并且第一级的52,840人和第二级的81,320人无法获得服务。这样，针对13个潜在消防站和现有消防站的两种不同权重的重新分配分析算法的两个结果表明，至少需要新建3个消防站。此外，与禁忌算法相比，遗传算法在最优值，分配的准确性和时间框架方面在定性方面产生了质量上更好的结果。在具有10个现有消防局和336,600居民的地区使用两种算法应用该模型的结果表明，当前的消防局不足以提供两个服务级别，并且第一级的52,840人和第二级的81,320人无法获得服务。这样，针对13个潜在消防站和现有消防站的两种权重分配算法（在两个级别上具有不同的权重）的两种算法的结果表明，至少需要创建3个新的消防站。此外，与禁忌算法相比，遗传算法在最优值，分配的准确性和时间框架方面在定性方面产生了质量上更好的结果。2级有320人无法使用服务。这样，针对13个潜在消防站和现有消防站的两种权重分配算法（在两个级别上具有不同的权重）的两种算法的结果表明，至少需要创建3个新的消防站。此外，与禁忌算法相比，遗传算法在最优值，分配的准确性和时间框架方面在定性方面产生了质量上更好的结果。2级有320人无法使用服务。这样，针对13个潜在消防站和现有消防站的两种权重分配算法（在两个级别上具有不同的权重）的两种算法的结果表明，至少需要创建3个新的消防站。此外，与禁忌算法相比，遗传算法在最优值，分配的准确性和时间框架方面在定性方面产生了质量上更好的结果。