Том 28, номер 2, 2021 г., Стр. 5-34
УДК 519.854
Кочетов Ю. А., Шамрай Н. Б.
Оптимизация размещения и передислокации бригад скорой медицинской помощи
Аннотация:
Рассматривается задача размещения врачебных бригад по станциям скорой медицинской помощи (СМП) с целью минимизации среднего времени ожидания их прибытия к пациентам. Построена имитационная модель работы службы СМП, учитывающая стохастический характер проблемы и меняющуюся загруженность транспортной сети города. Для решения задачи разработан алгоритм генетического локального поиска с четырьмя типами окрестностей. Имитационная модель в этом алгоритме используется для вычисления целевой функции. Исследовано влияние окрестностей на точность получаемого решения. Проведено компьютерное моделирование работы службы СМП на примере г. Владивостока. Показана возможность снижения среднего времени ожидания в 1,5 раза. Получены оценки влияния загруженности дорог на среднее время ожидания.
Табл. 4, ил. 11, библиогр. 28.
Ключевые слова: оптимизация, служба скорой медицинской помощи, имитационное моделирование, генетический алгоритм, локальный поиск.
DOI: 10.33048/daio.2021.28.702
Кочетов Юрий Андреевич 1
Шамрай Наталья Борисовна 2
1. Институт математики им. С. Л. Соболева,
пр. Коптюга, 4, 630090 Новосибирск, Россия
2. Институт автоматики и процессов управления,
ул. Радио, 5, 690041 Владивосток, Россия
е-mail: jkochet@math.nsc.ru, shamray@dvo.ru
Статья поступила 9 ноября 2020 г.
После доработки — 13 января 2021 г.
Принята к публикации 15 января 2021 г.
Литература
[1] Reuter-Oppermann M., van den Berg P. L., Vile J. L. Logistics for emergency medical service systems // Health Syst. 2017. Vol. 6. P. 187–208.
[2] Brotcorne L., Laporte G., Semet F. Ambulance location and relocation models // Eur. J. Oper. Res. 2003. Vol. 147. P. 451–463.
[3] Goldberg J. Operations research models for the deployment of emergency services vehicle // EMS Manage. J. 2004. Vol. 1. P. 20–39.
[4] Li X., Zhao Z., Zhu X., Wyatt T. Covering models and optimization techniques for emergency response facility location and planning: a review // Math. Methods Oper. Res. 2011. Vol. 74, No. 3. P. 281–310.
[5] Aringhieri R., Bruni M. E., Khodaparasti S., van Essen J. T. Emergency medical services and beyond: Addressing new challenges through a wide literature review // Comput. Oper. Res. 2017. Vol. 78. P. 349–368.
[6] Bélanger V., Ruiz A., Sorianoa P. Recent optimization models and trends in location, relocation, and dispatching of emergency medical vehicles // Eur. J. Oper. Res. 2019. Vol. 272. P. 1–23.
[7] Andersson N., Värbrand P. Decision support tools for ambulance dispatch and relocation // J. Oper. Res. Soc. 2007. Vol. 58, No. 2. P. 195–201.
[8] Schmid V. Solving the dynamic ambulance relocation and dispatching problem using approximate dynamic programming // Eur. J. Oper. Res. 2012. Vol. 219, No. 3. P. 611–621.
[9] Fitzsimmons J. A., Srikar B. N. Emergency ambulance location using the contiguous zone search routine // J. Oper. Manage. 1982. Vol. 2, No. 4. P. 225–237.
[10] Zaffar M. A, Rajagopalan H. K, Saydam C., Mayorga M., Sharer E. Coverage, survivability or response time: a comparative study of performance statistics used in ambulance location models via simulation-optimization // Oper. Res. Health Care. 2016. Vol. 11. P. 1–12.
[11] Henderson S. G., Mason A. J. Ambulance service planning: simulation and data visualization // Oper. Res. Health Care. 2004. Vol. 70. P. 77–102.
[12] McCormack R., Coates G. A simulation model to enable the optimization of ambulance fleet allocation and base station location for increased patient survival // Eur. J. Oper. Res. 2015. Vol. 247. P. 294–309.
[13] Aboueljinane L., Sahin E., Jemai Z. A review of simulation models applied to emergency medical service operations // Comput. Ind. Eng. 2013. Vol. 66. P. 734–750.
[14] Zhen L., Wang K., Hu H., Chang D. A simulation optimization framework for ambulance deployment and relocation problems // Comput. Ind. Eng. 2014. Vol. 72. P. 12–23.
[15] Garcia R., Marin A. Network equilibrium models with combined modes: models and solution algorithms // Transp. Res. B. 2005. Vol. 39. P. 223–254.
[16] Shamray N. B. The general multimodal network equilibrium problem with elastic balanced demand // Discrete Optimization and Operations Research. Suppl. Proc. 9th Int. Conf. DOOR (Vladivostok, Russia, Sept. 19–23, 2016). Aachen: RWTH Aachen Univ., 2017. P. 404–414. (CEUR Workshop Proc.; Vol. 1623). Available at http://ceur-ws.org/Vol-1623 (accessed Jan. 20, 2021).
[17] PTV Group. Karlsruhe: PTV Planung Transport Verkehr, 2021. Available at http://www.ptvgroup.com (accessed Jan. 20, 2021).
[18] Aimsun. Barcelona: TSS-Transport Simulation Systems, 2021. Available at http://www.aimsun.com (accessed Jan. 20, 2021).
[19] TRANSIMS Open-Source. Available at http://code.google.com/archive/p/transims (accessed Jan. 20, 2021).
[20] Beckmann M., McGuire C. B., Winsten C. B. Studies in the economics of transportation. New Haven: Yale Univ. Press, 1956.
[21] Traffic Assignment Manual. Bureau of Public Roads, US Department of Com?merce, Urban Planning Division, Washington D.C. 1964.
[22] Вильсон А. Дж. Энтропийные методы моделирования сложных систем. М.: Наука, 1978.
[23] Fang S.-C., Rajasekera J. R., Tsao H.-S. J. Entropy optimization and mathematical programming. Boston: Kluwer Acad. Publ., 1997.
[24] Patrikssoni M. The traffic assignment problem – Models and methods. Utrecht: VSP, 1994.
[25] Fogel L. J., Owens A. J., Walsh M. J. Artificial intelligence through simulated evolution. Chichester, UK: Wiley, 1966.
[26] Holland J. H. Adaptation in natural and artificial systems. Ann Arbor: Univ. Michigan Press, 1975.
[27] Ивахненко А. Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1971.
[28] Растригин Л. А. Статистические методы поиска. М.: Наука, 1968.
