基于韧性城市视角的突发事件下分布式应急手术调度研究

doi:10.16381/j.cnki.issn1003-207x.2022.0601

摘要/Abstract

摘要：

针对城市突发事件下的应急手术问题，进行了基于韧性城市视角的分布式应急手术调度研究。首先，提出了韧性城市视角下同时考虑救援时间和患者恶化成本的调度目标；其次，结合应急手术中的疲劳阈值效应，截断学习效应和患者恶化成本等典型特点，以及救援医院的可重入层流手术特点，构建了分布式应急手术调度模型；然后，设计两阶段算法求解患者在医院间的分配，以及在医院内的手术排序与资源安排；最后，通过数值实验测试了四种启发式算法下带深度搜索策略的混合教与学优化算法（HTLBO-LS）的寻优性能，并通过仿真案例进一步探讨了不同算法的应用效果，以及在城市韧性视角下的医疗资源配置方案。研究结果为城市突发事件下分布式应急手术调度提供方法借鉴和决策参考。

关键词: 韧性城市, 分布式手术调度, 应急手术, 层流手术, 可重入, TLBO算法

Abstract:

In recent years， frequent natural disasters， safety accidents， public health and other emergencies often lead to a large number of sudden serious injuries or infections， which are in urgent need of surgical treatment， causing sudden and serious damage to urban resilience. However， the emergence of collaborative medical network provides the basis for the joint rescue of several hospitals. In order to solve the problem of emergency surgery under urban emergencies， a distributed emergency surgery scheduling research based on the perspective of resilient city is proposed. Firstly， a scheduling objective considering both rescue time and patient deterioration cost from the perspective of resilient city is proposed. Secondly， combined with the typical characteristics of fatigue threshold effect， truncation learning effect and patient deterioration cost in emergency surgery，as well as the characteristics of reentrant laminar flow surgery in rescue hospitals， a distributed emergency surgery scheduling model is constructed. Thirdly， a two-stage algorithm is designed to solve the allocation of patients among hospitals， surgical sequencing and surgical resource allocation in hospitals. Finally， numerical experiments are carried out to test the optimization performance of Hybrid Teaching Learning Based Optimization with Local Search （HTLBO-LS） under four heuristic algorithms， and simulation cases are proposed to further discuss the application effects of different algorithms and the medical resource allocation scheme from the perspective of urban resilience. The research results provide method and decision-making reference for distributed emergency operation scheduling under urban emergencies. For the first time， the characteristics of “distributed”， “reentrant” and “laminar flow” are considered simultaneously in this paper， which enriches the joint scheduling optimization model and algorithm of reentrant laminar flow surgery. From the perspective of urban resilience， it provides simulation design and decision support for the selection of medical resource allocation mode.

Key words: resilient cities, distributed surgical scheduling, emergency surgery, laminar flow surgery, reentrant, TLBO algorithm

中图分类号:

R197.3

黄丽,叶春明,郭鹏. 基于韧性城市视角的突发事件下分布式应急手术调度研究[J]. 中国管理科学, 2024, 32(1): 94-105.

Li Huang,Chunming Ye,Peng Guo. Research on Distributed Emergency Operation Scheduling under Emergencies from the Perspective of Resilient City[J]. Chinese Journal of Management Science, 2024, 32(1): 94-105.

图/表 15

图1

图2

图3

表1

图4

表2

表3

表4

表5

表6

表7

图5

表8

规则一下的几种智能算法结果"

规则一

规则一+HTLBO-LS

规则一+TLBO

规则一

+经典PSO

规则一

+经典GA

f

755.0

670.5

701.6

755.0

700.7

? %

-

11.20%

7.10%

0.00%

7.20%

表8

表9

不同医疗资源配置模式下的调度结果"

方案	1	2	3	4
资源配置 $H × N 0$	$1 × 10$	$1 × 20$	$2 × 10$	$2 × 20$
调度结果 $T h, C h$	[890,3130.0]	[490,856.2]	[473,379.1] [471,454.6]	[267,74.4] [298,45.9]
救援时长T T=Max $T h$	890	490	473	298
患者损失C C= $∑ h C h$	3130.0	856.2	851.7	120.3
调度目标f f=0.5 $T$ +0.5 $C$	2010	673	662	209
调度投入TT TT= $∑ h N o × T h$	8900	9800	9440	11300
投入产出边际比 $? f / ? T T$	1.000	1.485	2.494	0.750

表9

图6

参考文献 22

1	段怡嫣，翟国方，李文静.城市韧性测度的国际研究进展［J］.国际城市规划，2021，36（6）：79-85.
	Duan Y Y， Zhai G F， Li W J. International research progress on measuring urban resilience［J］.International Urban Planning， 2021，36（6）：79-85.
2	李智，龚仁蓉，廖安鹊，等.权变理论在大型灾害时手术资源调度中的应用研究［J］.华西医学，2014，29（9）：1750-1752.
	Li Z， Gong R R， Liao A Q， et al. Application of contingency theory in surgical resource scheduling in large disasters［J］. West China Medical Journal， 2014，29（9）：1750-1752.
3	Yi P， George S K， Paul J A， et al. Hospital capacity planning for disaster emergency management［J］. Socio-Economic Planning Sciences， 2010，44（3）：151-160.
4	王付宇，叶春明，李卫宁，等.考虑学习效应的地震伤员手术调度模型及算法［J］.工业工程与管理，2018，23（4）：1-7+15.
	Wang F Y， Ye C M， Li W N， et al. Operation scheduling model and algorithm design of earthquake casualty considering learning effect［J］.Industrial Engineering and Management， 2018，23（4）：1-7+15.
5	杨枫.考虑疲劳效应的伤员应急手术调度模型及算法［J］.工业工程，2020，23（2）：91-99.
	Yang F. Emergency surgical scheduling model and algorithm design of casualty considering fatigue effect in the urban emergency［J］. Industrial Engineering Journal， 2020，23（2）：91-99.
6	成舒凡，叶春明.嵌入疲劳效应和学习效应的应急手术调度研究［J］.计算机工程与应用，2022，58（13）：295-302.
	Cheng S F， Ye C M. Study on emergency surgical scheduling with fatigue effect and learning effect［J］. Computer Engineering and Application， 2022，58（13）：295-302.
7	余梦圆，叶春明，赵灵玮，等.考虑患者分类的应急手术调度研究［J］.计算机工程与应用，2022，58（22）：246-253.
	Yu M Y， Ye C M， Zhao L W， et al. Study on emergency surgical scheduling considering patient classification［J］. Computer Engineering and Application， 2022，58（22）：246-253.
8	Seagull F J， Xiao Y， Plasters C. Aleman D M，et al. Collaborative operating room planning and scheduling［J］. Informs Journal on Computing， 2017，29（3）：558-580.
9	Roshanaei V， Luong C， Aleman D M， et al. Propagating logic-based benders' decomposition approaches for distributed operating room scheduling［J］.European Journal of Operational Research，2017，257（2）：439-455.
10	Wang S， Roshanaei V， Aleman D， et al. A discrete event simulation evaluation of distributed operating room scheduling［J］. IIE Transactions on Healthcare Systems Engineering，2016，6（4）：235-245.
11	王晶，刘昊天，朱建明.基于韧性城市视角的冰雪天气下路网恢复问题研究［J］.中国管理科学，2018，26（3）：177-187.
	Wang J， Liu H T， Zhu J M. Study on road network recovery under snow and ice considering the perspective of resilient city［J］. Chinese Journal of Management Science，2018，26（3）：177-187.
12	Bruneau M， Reinhorn A. Exploring the concept of seismic resilience for acute care facilities［J］.Earthquake spectra， 2007， 23（1）： 41-62.
13	Wang Y， Tang J F， Pan Z D， et al. Particle swarm optimization-based planning and scheduling for a laminar-flow operating room with downstream resources［J］. Soft Computing， 2015， 19（10）： 2913-2926.
14	王恺，陈夏，陈丽君.服务时间变动下的可重入手术调度［J］.运筹与管理，2020，29（11）：144-151.
	Wang K， Chen X， Chen L J. Re-entrant surgery scheduling under uncertain service time［J］. Operations Research and Management Science， 2020，29（11）：144-151.
15	赵晓华，许士丽，荣建，等.基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究［J］.西南交通学学报，2013，48（1）：178-183.
	Zhao X H， Xu S L， Rong J， et al. Discriminating threshold of driving fatigue based on the electroence- phalography sample entropy by receiver operating characteristic curve analysis［J］.Journal of Southwest Jiaotong University，2013，48（1）：178-183.
16	Biskup D.A state-of-the-art review on scheduling with learning effects［J］. European Journal of Operational Research， 2008，188：315-329.
17	Dugardin F， Yalaoui F， Amodeo L. New multi-objective method to solve reentrant hybrid flow shop scheduling problem［J］. European Journal of Operational Research， 2010， 203（1）： 22-31.
18	Cardoen B， Demeulemeester E， Beliën J. Optimizing a multiple objective surgical case Sequencing problem［J］. International Journal of Production Economics，2009，119：354-366.
19	Rao R V， Savsani V J， Vakharia D P. Teaching-learning-based optimization： a novel method for constrained mechanical design optimization problems［J］. Computer-Aided Design， 2011，43（3）： 303-315.
20	雷德明，苏斌.基于多班教学优化的多目标分布式混合流水车间调度［J］.控制与决策，2021，36（2）：303-313.
	Lei D M， Su B. Multi-class teaching-learning-based optimization for multi-objective distributed hybrid flow shop scheduling［J］. Control and Decision， 2021，36（2）：303-313.
21	Rao R V， Rai D P. Optimization of fused deposition modeling process using teaching-learning-based optimization algorithm［J］. Engineering Science and technology-an International Journal-JESTECH， 2016， 19（1）： ‏587-603.
22	田军，马文正，汪应洛，等. 应急物资配送动态调度的粒子群算法［J］.系统工程理论与实践，2011，31（5）：898-906.
	Tian J， Ma W Z， Wang Y L， et al. Emergency materials distributing and vehicle routing programming based on particle swarm optimization［J］. System Engineering-Theory & Practice，2011，31（5）：898-906.

算法	总目标值	运行时间/秒	备注
Gurobi	129.1	7200.0	未遍历完所有结点
HTLBO-LS算法	129.6	122.6	阶段一采取规则一
	129.1	132.0	阶段一采取规则二
	129.5	143.8	阶段一采取规则三
	131.0	114.7	阶段一采取规则四

问题规模	测试算例	HTLBO-LS			TLBO			经典PSO			经典GA
问题规模	测试算例	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time
小规模	30102	180.7	9.1	187	210.7	0.9	66	218.4	5.1	21	210.2	1.2	37
	30103	160.5	22.2	159	253.0	0.0	63	253.0	0.0	15	243.0	0.0	32
	30202	104.6	3.4	92	141.0	0.0	69	141.0	0.0	24	141.0	0.0	44
	30203	103.0	0.0	77	110.0	0.0	67	110.0	0.0	19	110.0	0.0	40
中规模	60102	670.5	5.7	932	701.6	5.0	440	755.0	0.0	203	700.7	6.4	332
	60103	378.7	2.9	717	424.5	2.9	322	477.8	7.9	107	435.9	4.9	190
	60202	209.0	1.7	589	214.6	1.3	239	255.0	0.0	66	214.6	1.3	128
	60203	156.6	11.9	331	209.0	0.0	132	196.0	0.0	32	196.0	0.0	66
大规模	100102	1952.0	33.4	1723	2562.0	16.4	1008	3105.0	0.0	274	2535.0	10.9	534
	100103	742.0	6.2	1289	1293.0	12.0	904	1384.0	1.3	269	1369.0	19.5	512
	100202	723.2	21.6	983	827.8	7.6	622	923.0	0.0	217	822.5	8.1	517
	100203	366.9	18.7	717	396.5	3.8	451	428.0	0.0	235	402.0	7.8	515

问题规模	测试算例	HTLBO-LS			TLBO			经典PSO			经典GA
问题规模	测试算例	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time
小规模	30102	194.2	8.5	144	212.4	0.96	75	219.8	0.0	29	213.0	0.0	38
	30103	145.3	12.1	127	210.0	0.0	66	210.0	0.0	16	210.0	0.0	31
	30202	105.8	3.6	89	141.0	0.0	79	127.0	0.0	33	127.0	0.0	42
	30203	103.0	0.0	82	103.0	0.0	79	103.0	0.0	24	103.0	0.0	38
中规模	60102	674.8	7.2	986	744.5	4.6	494	797.0	0.0	149	745.1	4.8	275
	60103	405.8	5.6	734	462.5	4.3	273	522.2	8.2	94	476.9	5.7	213
	60202	216.1	2.6	567	239.0	0.0	242	258.0	0.0	71	239.0	0.0	133
	60203	169.4	24.3	280	246.0	0.0	115	232.0	0.0	41	232.0	0.0	64
大规模	100102	223.4	21.2	1698	2568.0	14.1	922	2667.0	0.0	273	2533.0	4.8	587
	100103	779.3	12.2	1240	1339.0	5.9	896	1411.0	0.0	242	1395.0	18.8	550
	100202	726.2	15.8	906	815.6	7.4	690	936.0	0.0	248	803.2	13.0	516
	100203	387.3	9.8	674	432.7	6.0	477	462.0	0.0	255	439.5	17.5	483

问题规模	测试算例	HTLBO-LS			TLBO			经典PSO			经典GA
问题规模	测试算例	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time
小规模	30102	186.0	12.2	167	220.5	20.8	120	256.2	37.8	34	213.8	24.5	73
	30103	178.3	43.7	151	258.8	49.9	110	247.7	36.2	13	273.9	47.0	65
	30202	107.4	3.8	109	168.2	31.4	77	172.3	38.2	36	165.1	27.1	46
	30203	104.1	3.5	98	108.0	7.1	69	127.2	26.8	29	119.6	25.6	40
中规模	60102	676.8	9.3	996	743.9	36.3	594	826.7	50.5	158	745.5	39.7	486
	60103	407.5	17.6	617	435.4	37.8	375	537.8	68.0	134	544.2	90.2	250
	60202	220.1	7.1	680	261.2	25.1	279	281.9	23.4	76	246.5	28.1	168
	60203	166.3	17.5	349	256.0	45.3	176	243.4	32.8	68	222.4	23.3	87
大规模	100102	2172.0	33.5	1576	2594.0	135.3	1087	2967.0	194.1	278	2618.0	144.3	588
	100103	770.4	67.2	1173	1385.0	91.2	1003	1412.0	99.3	288	1480.0	90.9	552
	100202	724.2	10.5	915	802.0	61.3	724	951.3	85.3	255	824.0	66.7	519
	100203	390.4	31.2	728	400.0	51.3	444	437.2	50.4	287	428.7	45.6	487

问题规模	测试算例	HTLBO-LS			TLBO			经典PSO			经典GA
问题规模	测试算例	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time	Mean	Std.	Time
小规模	30102	201.4	13.3	168	217.5	1.1	71	241.9	8.1	24	217.0	1.3	41
	30103	154.5	15.6	150	235.0	0.0	56	235.0	0.0	16	235.0	0.0	40
	30202	106.0	7.1	112	158.0	0.0	79	158.0	0.0	25	158.0	0.0	42
	30203	103.0	0.0	99	103.0	0.0	80	103.0	0.0	23	103.0	0.0	40
中规模	60102	690.3	8.6	997	711.2	16.1	510	888.4	30.0	131	707.5	14.5	297
	60103	385.5	3.1	762	480.2	3.9	276	587.6	1.3	90	506.9	11.0	170
	60202	212.9	4.2	583	219.8	1.7	222	279.0	0.0	67	219.3	0.9	117
	60203	155.8	8.6	228	244	0.0	123	244.0	0.0	44	244.0	0.0	67
大规模	100102	2275.0	17.4	1769	2647.0	51.6	921	2715.0	0.0	261	2533.0	19.2	570
	100103	817.2	8.0	1245	1359.0	35.2	845	1633.0	0.0	245	1458.0	34.9	587
	100202	711.0	10.3	933	815.3	12.8	652	965.0	0.0	213	794.6	5.0	513
	100203	446.2	4.0	708	363.5	11.0	456	580.3	26.1	257	419.0	19.6	546