首页 > 论文范文 > 自然科学论文 > 生物学论文 > 生物工程论文 > 基于人工智能的医疗物资调度优化决策方法

基于人工智能的医疗物资调度优化决策方法

2024-08-02 57 上传者：管理员

摘要：为了快速、合理地完成医疗物资的分配，并有效地提升医疗物资调度效率，提出了一种基于增强型鲸鱼算法的医疗物资调度优化方法。该方法通过改进种群初始化、位置更新策略以及预防陷入局部最优等方面，有效提高了搜索效率和全局搜索能力。在实例应用中，将该算法与粒子群算法、遗传算法以及鲸鱼算法进行了比较。实验结果表明，增强型鲸鱼算法在不同优化目标下表现优异，总成本最低达到33.02万元，总耗时最少为85.67 h。

关键词：
位置更新策略
医疗物资调度
增强型鲸鱼算法
日常医疗运营
种群初始化
加入收藏

医疗物资调度在公共卫生事件和日常医疗运营中至关重要。然而，传统的医疗物资调度面临诸如需求预测、运输成本优化等挑战。近年来，人工智能在医疗物资调度方面广泛应用。一些研究聚焦于医疗物资需求的调度优化，如图神经网络调度、优化烟花算法等[1-3]。另有研究专注于基于物资运输的调度优化，如多目标粒子群算法、异质蚁群算法等[4-6]。此外，还有研究专注于调度决策的模型与算法，如马尔可夫决策过程模型[7-9]。这些研究显著提高了医疗物资调度的效率与质量。

然而，尽管取得了一定进展，算法的精确性、实时性有待提高，多目标优化问题也需进一步研究。因此，该文提出了一种新的增强型鲸鱼算法来优化医疗物资调度决策，从而进一步提高调度效率、降低成本，并更好地应对突发事件。

1、医疗物资调度优化决策方法

为了清晰地展示医疗物资调度优化决策方法的流程，利用流程图进行准确描述，如图1所示。流程图包括需求分析和数据采集、预测和规划、算法选择和优化、调度执行和监控关键步骤。

图1 医疗物资调度优化决策方法流程图

1.1 需求分析和数据采集

在医疗物资调度优化中，首要步骤是需求分析和数据采集。建立有效的数据采集机制，收集不同种类的医疗物资需求量、使用频率和时效性等信息。通过详细分析和评估采集到的数据，了解医院的实际需求情况，以确定医疗物资的紧急程度和优先级，从而在调度时优先保障重要医疗物资的供应。表1为某个时期的医疗物资需求分析表格示例。

表1 医疗物资需求表

1.2 预测和规划

在预测和规划阶段，利用历史数据和现有的医疗物资使用情况，采用预测模型来估计未来时间内的医疗物资需求量。如基于时间序列分析、机器学习算法或其他预测方法，分析过去几个月的口罩需求量变化，预测未来一个月的口罩需求量。在规划过程中，还需要考虑到各种因素，如运输成本、医院的紧急程度等，制定的调度计划需要经过细致的评估和优化。表2为医疗物资需求预测与调度规划表格示例。

1.3 算法选择和优化

在医疗物资调度优化决策中，选择合适的优化算法至关重要。针对医疗物资调度优化问题，面临着多目标、多约束和复杂的实际场景，传统的优化算法可能难以有效应对。因此，采用了一种增强型鲸鱼算法来应对这些难题。

表2 医疗物资需求预测与调度规划表

增强型鲸鱼算法是对基本鲸鱼算法的改进版本，旨在克服其求解精度低、收敛速度慢和易陷入局部最优的缺点[10-12]。为了解决这些问题，增强型鲸鱼算法从种群初始化、位置更新策略以及预防陷入局部最优这三个方面进行了改进。增强型鲸鱼算法的流程图如图2所示。

1.3.1 种群初始化改进

在增强型鲸鱼算法中，种群初始化阶段采用了基于拉丁超立方抽样（Latin Hypercube Sampling,LHS）的改进方法[13]，以提高搜索空间的覆盖率和全局搜索能力。

拉丁超立方抽样是一种分层抽样方法，可以在不同区域内均匀地选取样本，以确保样本的多样性和均匀性[14]。假设要从n维空间中采样N个样本，首先，将每个维度分成N等份，然后，在每个维度中随机选择一个等份，并将其作为采样点的取值，最终得到N个不重复的样本点。对于每个维度i(i=1,2,…,n)，将其划分为N等份，每个等份的宽度为Δxi=(maxi-mini)/N，其中，maxi和mini分别是维度i的最大值和最小值。然后，在每个维度上随机选择一个等份，并将其作为采样点的取值。拉丁超立方抽样的算法伪代码如下：

图2 增强型鲸鱼算法流程图

通过采用拉丁超立方抽样方法进行种群初始化，提高了算法的搜索效率和全局搜索能力，从而更有效地解决医疗物资调度优化问题。

1.3.2 种群初始化改进

在增强型鲸鱼算法中，位置更新策略可以加速算法的收敛速度并提高解的精度。该策略使得每个个体的新位置不仅受到个体最优解和全局最优解的影响，还考虑了周围个体的信息。个体的新位置由式（1）确定：

式中，xi(t)是个体i在当前迭代t的位置。vi(t+1)是个体i在下一迭代t+1的速度，通过式（2）进行计算：

式中，w是惯性权重，通常取值为0.5。c1和c2是学习因子，分别表示个体经验和社会经验的权重。rand1和rand2是0到1之间的随机数，用于引入随机因子。pbesti(t)是个体i在当前迭代t的个体最优解。gbest(t)是当前迭代t的全局最优解。

通过这种基于粒子群优化的位置更新策略[15]，增强型鲸鱼算法可以更快地收敛到全局最优解，并提高解的精度。

1.3.3 种群初始化改进

为了避免算法陷入局部最优解，增强型鲸鱼算法引入了一种自适应的变异操作，以增加算法的多样性和全局搜索能力[16]。

个体i在迭代t时的位置变异操作可以描述为：

式中，xi(t)是个体i在当前迭代t的位置。λ是控制扰动幅度的参数，通常取值范围为[0,λmax]，其中，λmax是最大扰动幅度。ri(t)是一个服从均匀分布的随机向量。

然后，根据一定的概率Paccept，个体i将通过式（4）确定是否接受变异后的位置Xi′(t):

式中，Paccept通常取值[0,1]范围内，表示个体接受变异后位置的概率。

通过增加算法的多样性和全局搜索能力，增强型鲸鱼算法能够更好地应对复杂的优化问题，提高算法的收敛速度和优化效果。

1.4 调查执行和监控

在医疗物资调度优化决策过程中，针对医院内部的医疗物资调度，执行和监控过程尤为重要，需要确保物资按时送达。在调度执行阶段，实时监控车辆位置和状态，并与相关人员沟通以解决延误或路线问题。同时，及时与各病房确认接收准备情况。通过物流管理和监控手段，确保医疗物资按时送达，提高资源利用效率。

2、实验

运用增强型鲸鱼算法优化医疗物资调度。通过实证研究阐述算法在提高效率、降低成本方面的优势。

2.1 实验数据

该文使用的数据集包括医疗物资的种类、各科室的需求量、单位成本和调度时间。医疗物资涵盖口罩、防护服、呼吸机、手套、注射器和救护车等。对于每种物资记录了急诊科、ICU、普通病房、手术室、儿科和产科等科室的需求量。同时，还有每种物资的单位成本和调度时间。该文将提出的调度方法应用到这些数据中，以在满足各科室需求的前提下，最大程度地降低成本和时间。表3为部分医疗物资调度优化数据。

表3 医疗物资调度优化的部分数据

2.2 算法有效性分析

该研究选用了相同的数据集，分别运用粒子群算法、遗传算法、鲸鱼算法以及增强型鲸鱼算法进行医疗物资调度优化。绘制不同算法在优化目标下的性能曲线，并对结果进行分析，以全面评估各算法在医疗物资调度优化中的效果。性能曲线如图3所示。

图3 不同优化算法性能比较

根据图3可知，随着迭代次数的增加，粒子群算法、遗传算法、鲸鱼算法以及增强型鲸鱼算法的损失值逐渐下降，但是增强型鲸鱼算法的曲线始终位于其他三种算法的下方，这说明增强型鲸鱼算法相对于粒子群算法、遗传算法和基本鲸鱼算法，在损失值的减小方面具有更好的效果。它能够更快地收敛并找到更优的解决方案，从而在医疗物资调度优化问题中表现出更高的性能和效率。

在医疗物资调度优化中，不同的优化目标可能会导致不同的调度方案和结果。该文将利用四种算法进行医疗物资调度优化，并比较它们在最小化总成本和最小化总耗时这两个优化目标下的结果，如表4所示。

表4 不同优化目标的结果

根据表4中的数据可知，当优化目标为总成本最小时，增强型鲸鱼算法的表现最佳，其总成本为33.02万元，略优于鲸鱼算法和粒子群算法，分别为35.01万元和38.03万元，遗传算法的总成本最高，为39.00万元。因此，当考虑最小化总成本时，增强型鲸鱼算法是最优选择。当优化目标为总耗时最小时，同样是增强型鲸鱼算法取得最优的结果，其总消耗为85.67 h。与之相比，鲸鱼算法，粒子群算法和遗传算法的总耗时分别为89.24 h、91.31 h和94.69 h。因此，在考虑最小化总耗时的优化目标时，增强型鲸鱼算法也是最优选择。无论是在最小化总成本还是最小化总耗时的情况下，增强型鲸鱼算法都表现出色，成为了优化医疗物资调度算法的首选。

3、结论

通过深入研究，该文提出了基于增强型鲸鱼算法的医疗物资调度优化方法。与传统算法相比，增强型鲸鱼算法在优化目标和性能方面具有显著优势。该文考虑了多个优化目标，并以总成本和总耗时为例进行了研究。结果表明，增强型鲸鱼算法在这两个目标下表现出更高的效率和更好的性能。

未来研究可以进一步优化增强型鲸鱼算法，以应对更复杂的医疗物资调度场景。可考虑引入更多约束条件和优化目标，如供应链稳定性、资源利用率最大化等。结合实际案例验证算法效果，并与其他方法对比。验证其适用性和稳定性。随着算法的不断完善，将为医疗物资调度提供更可靠、高效的解决方案，为医疗卫生系统提供更好的支持。

参考文献:

[1]黄承宁,李娟,陈嘉政.基于图神经网络的医疗物资智能调度研究优化[J].计算机技术与发展,2021,31(9):202-207.

[2]许德刚,李凡,王露,等.优化烟花算法在医疗物资应急调度中的应用[J].计算机工程与应用,2021,57(24):249-258.

[3]苏强,陆书翔.多阶段应急医疗物资动态分配优化模型与算法[J].工业工程与管理,2022,27(4):50-57.

[4]李晓萍,卢葛锋,胡青蜜.考虑多目标的灾后伤员转运与应急医疗物资分配研究[J].自然灾害学报,2023,32(4):127-138.

基金资助:江苏省医院协会支撑课题(JSYGY-3-2023-177);

文章来源:高琴,虞水,杨一童,等.基于人工智能的医疗物资调度优化决策方法[J].电子设计工程,2024,32(16):82-86.