ترجمه مقاله رایگان Joint location and dispatching decisions for Emergency Medical Services(تصمیمات مکان یابی و ارسال مشترک برای خدمات فوریتهای پزشکی)

اصل مقاله با عنوان Joint location and dispatching decisions for Emergency Medical Services  را از اینجا دانلود کنید 

پشتیبانی : دارد. در صورت هر گونه بروز مشکل با شماره تلفن 09367938018 (مقیمی) یا آی دی تلگرام research_moghimi@ تماس حاصل فرمایید.

قیمت:  رایگان

قسمتی از ترجمه مقاله بدون تصاویر در ادامه آمده است – برای دانلود کامل ترجمه مقاله از دکمه سمت چپ استفاده کنید:

چکیده مقاله :

هدف اصلی سامانه های خدمات فوریت های پزشکی نجات زندگی ها با فراهم کردن پاسخ سریع به فوریت ها است. عملکرد این سیستم ها تحت تأثیر مکان آمبولانس ها و تخصیص آنها به مشتریان است. ادبیات موضوعی گذشته پیشنهاد داده اند که اتخاذ تصمیمات همزمان مکانیابی و ارسال به طور بالقوه می تواند برخی سنجه های عملکرد نظیر زمان پاسخ را بهبود بخشد. ما یک فرمولبندی ریاضی را توسعه می دهیم که در آن یک مدل برنامه نویسی عددی که نمایانگر تصمیمات مکانیابی و ارسال است را با یک مدل ابرمکعب که نمایانگر اجزای صف بندی است و پدیده تراکم را ترکیب می کند. تصمیمات ارسال به عنوان یک فهرست اولویت ثابت برای هر مشتری مدل می شوند. به دلیل پیچیدگی مدل، یک چارچوب بهینه سازی را بر مبنای الگوریتم های ژنتیک توسعه می دهیم. نتایج ما نشان می دهد که کمینه سازی زمان پاسخ و بیشینه سازی پوشش را می توان با استفاده از قاعده پرکاربرد نزدیکترین ارسال به دست آورد. چارچوب بهینه سازی به طور سازگاری قادر است که بهترین جواب ها را حاصل کند (در مقایسه با روش های شمارش) و بدین ترتیب روش مناسبی در زمینه بهینه سازی معیارهای بهینه سازی جایگزین باشد. ما مزایای بالقوه رهیافت مشترک را با استفاده از شاخص عملکرد تعادل نشان می دهیم. نتیجه می گیریم که روش مشترک می تواند نگاه خوبی در مورد موازنه های ضمنی بین معیارهای بهینه سازی متناقض و متعدد بدهد.

کلمات کلیدی: مکانیابی اتخصیص در مراقبت های سلامت، مدل ابرمکعب، الگوریتم ژنتیک ارائه مسأله و ادبیات موضوعی مرتبط در بازنگری مدلها از سوی Goldberg در جهت توسعه وسایل Goldberg

1- مقدمه
سامانه های خدمات فوریت های پزشکی (EMS) یک خدمت عمومی است که مراقیت های ویژه خارج از بیمارستان و انتقال به یک مکان با مراقبت های معین را برای بیمارانی با بیماری ها و صدماتی که با فوریت های پزشکی سازگاری دارند فراهم می کند. هدف نهایی سامانه های EMS نجات زندگی است. توانایی این سامانه ها برای انجام مؤثر این کار، تحت تأثیر تخصیص منابع متعدد از جمله مکان سرورها، توزیع مناطق تقاضا و قواعد توزیع سرورها است. اهداف مشترک متوسط زمان پاسخ را کمینه می کنند و یا بیشترین پوشش را ایجاد می کنند. ارتباط بین زمان پاسخ کمینه و بهبود بقا در کارهای متعددی نظیر Sanchez-Mangas, García-Ferrer, de Juan, Arroyo (2010) ، McLay و Mayorga (2010,2011) گزارش شده است. یک ناحیه تقاضا در صورتی پوشش داده می شود که حداقل یک مجموعه امکانات در یک آستانه فاصله/زمان معین از ناحیه تقاضا وجود داشته باشد. مفهوم پوشش مرتبط با در دسترس بودن امکانات رضایت بخش به جای وجود بهترین نوع ممکن از آن امکانات است (Farahani, Asgari, Heidari, Hosseininia, & Goh, 2012). Li, Zhao, Zhu و Wyatt (2011) اشاره کردند که روش پوشش بیشینه متداول ترین روش مورد استفاده توسط فعالانف پژوهشگران و قانونگذاران است.
از دیرباز، تصمیمات مکان و توزیع به طور جداگانه به هم نزدیک بوده اند حتی با این که مطالعات مختلف نشان داده اند احتمال مشغول بودن سرورها (و در نتیجه زمان پاسخ و پوشش در بین دیگر شاخص های عملکرد) به مکان سرور و انتخاب استراتژی های توزیع سرور حساس است (Batta, Dolan, & Krishnamurthy, 1989; Larson & Odoni, 1981). ارسال آمبولانس فرایند تخصیص یک آمبولانس خاص به منظور پاسخ به یک تماس فوریتی است. یک سیاست ارسال آمبولانس می تواند با استفاده از روش های توزیع مختلف شکل گیرد و هیچ سیاست منحصر به فردی وجود ندارد که برای همه سامانه ها مناسب باشد (Li et al., 2011). همین نویسندگان تأکید دارند که یک سیاست ارسال باید برای دستیابی به اهداف مشخص و شاخص های عملکرد تعریف شده توسط ارائه دهندگان و قانونگذاران EMS تعریف شود. در این کار، سیاست های ارسال را در نظر می گیریم که در آن یک لیست منحصر به فرد با هر منطقه تقاضا وجود دارد که سرورهای در دسترس (آمبولانس ها) یا یک زیرمجموعه از آنها را به ترتیب اولویت ارسال، رتبه بندی می کند.
در این کار، در ابتدا یک مدل ریاضی ارائه می کنیم که مکان و تصمیمات ارسال را برای یک سامانه EMS جمع آوری می کند. این یک مدل بهینه سازی عددی غیرخطی مخلوط است که در آن حتی تولید برخی معادلات از نظر محاسباتی سنگین هستند و بنابراین کار حل کردن را سخت می کنند. مدل ابرمکعب با فراهم کردن یک مدل صریح از دینامیک صف بندی تصادفی استفاده می شود. مدل ریاضی با کمک تحلیل تصادفی نمونه های تولیدشده کوچک شکل می گیرد که هدف آن دو چیز است: 1) با وجود اندازه کوچک، میتوان به طور کامل همه راه حل های امکان پذیر را شمرد و درنتیجه مورد بهینه را نیز شناسایی کرد که میتواند بعدا برای اهداف مقایسه ای در مقابل استراتژی های سریعتر/هوشمندتر نسبت به شمارش استفاده شود و 2) بعد از حل کردن یک مجموعه متنوع از نمونه ها، همچنین ممکن است که به برخی روندهای عمومی مشاهده شده در جواب های عمومی نیز (با توجه به زمان پاسخ و پوشش) اشاره کرد. دوم اینکه، ما یک چارچوب بهینه سازی برای حل مسأله مکان مشترک و ارسال مبتنی بر الگوریتم های ژنتیک ارائه می دهیم. ما یک روش حل ابتکاری برای حل مدل صریح سامانه ارائه می دهیم. کار ما با رهیافت های قبلی مربوط به این مسأله متفاوت است، به این صورت که ما شکل کلی سیاست ارسال را به عنوان یک فهرست اولویت ثابت فرض می کنیم و برای هیچ ترتیب خاصی از ارسال (مثلا مبتنی بر فاصله) اولویتی را در نظر نمی گیریم. به جای آن، تصمیمات مکان و ارسال را در یک مدل ریاضی منحصر به فرد در نظر می گیریم و یک چارچوب بهینه سازی را برای جواب آن ایجاد می کنیم. در حقیقت از آنجاییکه یک بخش واحدی از نواحی تقاضای تخصیص یافته به یک سرور خاص است، می توان گفت که یک نتیجه غیر مستقیم از مدل ما نیز یک استراتژی جداسازی است: برای هر سرور در دسترس، همه نواحی دارنده آن به عنوان اولین سرور مرجح، بخش سرور را تشکیل خواهند داد.
یافته های ما بیان می کنند که در حقیقت قاعده ارسال مشترک مبتنی بر نزدیکترین سرور در دسترس منتهی به بهترین جواب ها می شود زمانی کاتالیزگر زمان پاسخ میانگین کمینه و مکان ها به طور همزمان بهینه می شوند. بالعکس، اگر هدف بیشینه کردن پوشش مورد انتظار باشد، آنگاه جواب بهینه با استفاده از قاعده نزدیکترین ارسال متفاوت خواهد بود. با این حال، بهترین جواب های مبتنی بر پوشش، افزایشی در این شاخص نشان می دهند (با توجه به پوشش به دست آمده در کمینه کردن زمان پاسخ میانگسن) که نسبتا کوچک است (3.15% افزایش میانگین-95% CI: 2.75–3.55%) در مقایسه با فدا شدن زمان پاسخ (65.2% افزایش متوسط-– 95% CI: 56.33–74.24%). اگرچه این اعداد متناظر با نتایج میانگین برای نمونه های کوچک است، نمونه های بزرگتر رفتار مشابهی را نشان دادند. روش بهینه سازی با سازگاری خوبی، جواب های خوبی را به دست داد یعنی یک شکاف 1% در مقایسه با بهترین جواب های به دست آمده برای روش های شمارش کامل یا جزئی، که از لحاظ محاسباتی سنگین تر هستند.
بقیه این مقاله به صورت پیش رو سازمان یافته است. در بخش 2 مسأله به همراه یک بازنگری از ادبیات موضوعی مربوط ارائه می شود. سپس، در بخش 3، مدل ریاضی ارائه می شود. بخش 4 یک مطالعه موردی و همچنین خلاصه ای از نتایج و کاربردها را ارائه می دهد. بخش 5 یک توصیف مشروح از چارچوب بهینه سازی مبتنی بر الگوریتم های ژنتیک ارائه می دهد و بخش 6 مطالعه های موردی را معرفی می کند که در آن روش بهینه سازی به کار برده شده است. بخش های 7 و 8، بحث روی نتایج و نتیجه گیری را به ترتیب ارائه میدهند. به عنوان بخشی از نتیجه گیری، تعمیم های ممکن از کار ذکر می شوند.

ارائه مسأله و ادبیات موضوعی

در بازنگری مدلها از سوی Goldberg در جهت توسعه وسایل Goldberg , 2004 ) EMS )، بیان شد که کار اندکی در زمینه ارسال آمبولانس ها انجام شده است. عقیده مشابهی توسط 2011) Lee) بیان شد که سهم مربوط به ارسال آمبولانس در آن بسیار اندک بود. در این زمینه، 2008) Galvao and Morabito) و2011) lannoni , Morabito , and Saydam) به عنوان یک تعمیم جالب، فهرست های توزیع مختلف را استفاده کردند به جای این که فرض کنند برای مجموعه معینی از مکانها ترتيب ارسال مبتنی بر قاعده نزدیکترین ارسال باشد. ما یک مدل ریاضی پیشنهاد می دهیم که با جستجوی اولیه جواب های بهینه بر طبق پوشش بهینه یا زمان پاسخ کمینه، تصمیمات ارسال و مکان را برای خودرو های EMS ترکیب می کند. تصمیمات ارسال به عنوان یک اولویت ثابت مدل می شود به این معنی که یک فهرست منحصر به فرد مرتبط با هر مشتری وجود دارد.

که سرورهای در دسترس (آمبولانس ها) را با توجه به اولویت ارسال رتبه بندی می کند. این فهرست با وجود تغییرات در حالت سیستم تغییری نمی کند. با این حال، واحد خاصی که برای پاسخ به هر تماس از منطقه تقاضا ارسال می شود از قبل معلوم نیست، زیرا تخصیص وابسته به در دسترس بودن سرورها (حالت سیستم) در زمانی است که تماس دریافت می شود. Katehakisو 1986) Levine) به برخی از نتایج نظریه تصمیم گیری مارکوف اشاره می کنند که نشان می دهد که هنگامی که تعداد حالت های سیستم و تعداد اقدامات در دسترس برای انجام در هر حالت (تخصیص منابع محدود هستند و با این کار فایده در نظر گرفتن سیاست های قطعی را در نظر می گیرد: یک سیاست قطعی وقتی رخ می دهد که سامانه در یک حالت خاص باشد، مجموعه اقدامات در دسترس جهت انجام، معین است و تنها به حالت واقعی وابسته است در این مورد، که سرورها مشغول و یا بیکار هستند).
سرورها در یک سامانه EMS نوعی 1) از نظر فضایی در منطقه توزیع شده اند؛ 2) بار سامانه یا با توجه به مشارکت بین یکدیگر به اشتراک می گذارند و 3) مشخصه های عملیاتی مختلفی نظیر مناطق اولویت مختلف دارند (2008 , Galvao & Morabito ). این مشخصه ها به تدریج در روش های مختلفی برای برنامه ریزی سامانه های EMS استفاده می شوند. تراکم نیز یک پدیده نوعی مربوط به سامانه های EMS است. بر اساس نتایج Chiyoshi , Galvao و 2005) Morabito) حجم تماس ها برای خدمات می تواند آمبولانس را در % 20 يا 30% زمان خود مشغول نگه دارد. در تلاش اولیه برای توسعه مدل های پوشش اساسی مجموعه پوشش دهنده مسأله مكان (SCLP) توسط
Revelle ، Toregas , Swain , و 1971) Bergman) و مسأله پوشش مکان بیشینه (MCLP) توسط 1974) Church and Revelle) انجام شد. تعمیم هایی برای این دو مدل اساسی در ادامه ارائه شد. مدل های TEAMو FLEET توسط Schilling , Elzinga , Cohon , Church , و 1979) Revelle) مدل MCLP را بهبود بخشیدند. پوشش چندگانه تقاضهای در مدل های BACOP1و BACOP2 توسط Hoganو 1986) Revelle ) انجام شد و DSMو DDSM توسط Gendreau  , Laporte و Semet 2001 ,1997)) اضافه شد. مسأله p – median توسط 1964) Hakimi) معرفی شد. مدل p – median در برنامه ریزی و توزیع امکانات برای EMS در کار 1974) Carbone) و Carsonو 1990) Batta ) به کار گرفته شد.

ماهیت مدلهای تعیین مکان اساسی، قطعی است و بنابراین سامانه را به طور دقیق ارائه نمی دهد ( Brotcorne et al . , 2003 ; Jia , Ordonez , & Dessouky , 2007a ). مدل های پوشش اساسی هنگامی که تجهیزات مکان ثابت هستند، به کار می آیند، اما در مورد یک سامانه EMS، به محض این که یک واحد ایستگاه خود را برای پاسخ به یک درخواست خدمت ترک می کند، دیگر نقاط تقاضا که باید توسط واحد پوشش داده شوند دیگر تحت پوشش نخواهند بود. کار انجام شده توسط 2004) Snyder) مدل های متعددی را بازنگری می کند که به تغییرات در ورودی ها نظیر زمانهای تقاضا و سفر می پردازند تا بدین ترتیب عدم قطعیت را مورد توجه قرار دهند. همین کار به اهمیت تراکم نیز پرداخت. 1983) Daskin) مدل پوشش بهینه انتظاری (MEXCLP) که شامل مدلسازی اجزای تراکم بود را توسعه داد. Hogan و1986) Revelle ) مسأله بیشینه سازی دسترسی به مکان (MALPIو II) را معرفی کردند و پس از آن Marianov و Revelle | 1996)) آن را بهبود بخشیدند. Farahani و همکاران (2012) یک بازنگری وسیع و به روز در مورد مسأله های مکان یابی تجهیزات انجام دادند. Arabani و arahani (2012) یک نظرسنجی در مورد پویایی مکانهای تجهیزات انجام دادند.
کار انجام شده توسط 1974) Larson) برای اولین بار از نظریه صف بندی اجزا در مدلهای مکان یابی تجهیزات با معرفی مدل ابرمکعب استفاده کرد. 1975) Larson بعدا یک تقریب برای مدل ابرمکعب به دلیل سخت بودن محاسبات معرفی کرد. Chiyoshi , Galvao و 2001) Morabito) بعد از مقایسه روش های مختلف بیان کردند که ابرمکعب تنها مدلی است که دارای قابلیتهایی برای ارائه دقیق یک سامانه است. کاربردها و تعمیم های مختلفی از مدل ابرمکعب برای سامانه EMS نظیر کارهای Brandeau و 1989) Chiu) و 2009) Skabardonis ارائه شد. به خوبی نشان داده شده است که مدل ابرمکعب یک ابزار توصیفی برای تحلیل سناریو است و به عنوان یک مدل بهینه سازی طراحی نشده است. با این حال، می توان آن را در یک چارچوب بهینه سازی وارد کرد. Batta و همکاران (1989) MEXCLP را با مدل ابرمکعب در یک الگوریتم جستجوی محلی و تسلسلی ترکیب کردند. Aytug و 2002) Saydam جستجوی محلی را با الگوریتم ژنتیک جایگزین کردند. 2007) lannoni and Morabito) و Iannoni و همکاران (2008) و 2011) Geroliminis , Kepaptsoglou , and Karlaftis) برای حل مسأله مکانیابی مدل ابرمکعب را در الگوریتم های ژنتیک وارد کردند. در این مقاله، ما نیز از مدل ابرمکعب برای مدل کردن صریح سامانه استفاده می کنیم. در حالی که تقریب های ابرمکعب (1975 , Jarvis , 1985 ; Larson ) می تواند منتهی به روش های حل سریعتری شود اما جواب صریحی را ارائه نمی دهند. بنابراین، همانطور که قبلا بیان شد، روش ما برای یافتن یک راه حل ابتکاری برای مسأله تقریبی است که در مقابل یک جواب صریح برای یک مسأله تقریبی است. کار أتی مرتبط با موضوعات مقیاس پذیری روش پیشنهادی در بخش 8 ذکر می شود.

 

 

ترجمه مقاله رایگان مهندسی صنایع و کامپیوتر،  ترجمه مقاله رایگان مهندسی الگوریتم ها و محاسبات، ترجمه مقاله رایگان هوش مصنوعی – ترجمه مقاله رایگان بهینه سازی سیستم  – ترجمه مقاله رایگان – دانلود مقاله با ترجمه رایگان – ترجمه مقالات رشته کامپیوتر

  1. هری :
    09 مه 18

    سلام. چقدر ترجمه مقاله رایگان کم تو سایت گذاشتید.
    لطفا ترجمه مقاله رشته صنایع رو به رایگان در سایت قرار بدید

    • research-moghimi :
      10 مه 18

      سلام
      تیم ترجمه یار سعی می کنه ترجمه مقالات رو به رایگان در سایت قرار بده تا بتونه به شعار خودش نزدیک تر بشه