基于需求预测的医疗物资应急计划多目标优化方法和系统

技术领域

本发明涉及任务优化技术领域，具体涉及一种基于需求预测的医疗物资应急计划多目标优化方法和系统。

背景技术

应急医疗物资计划是应对突发事件重要的手段之一，尤其受到突发公共卫生事件的冲击时，各个国家的应急医疗物资管理体系将承受严峻的考验。应急医疗物资计划通常以应急响应时间为目标函数，考虑货物种类、数量及车辆运输能力等约束条件，利用不同的医疗物资备货策略以及路径优化理论，使得应急医疗物资能够按时按量送达不同需求点。

现有的应急医疗物资计划优化更加关注基于应急需求预测的提前备货策略和基于订货策略的医疗物资运输方案，重点在于对医疗物资分类备货、现有医疗物资的合理分配以及医疗物资的组合运输问题，很少从供应商的角度进行医疗物资的组合选购，对基于医疗物资需求预测和供应商选择结合的过程同样关注较少，从应急供应链管理的角度来说，目前针对应急医疗物资计划优化的研究无法很好地指导实际应急医疗物资管理，进而造成资源利用的不充分。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于需求预测的医疗物资应急计划多目标优化方法和系统，解决了未考虑供应商能力不一致的医疗物资应急计划优化的技术问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于需求预测的医疗物资应急计划多目标优化方法，包括：

S1、根据医疗物资需求的历史同期数据，预测未来各个周期内的医疗物资需求量；

S2、根据所述医疗物资需求量，结合供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数据，设置基于邻域搜索的混合非支配排序遗传算法的输入参数；

S3、根据所述输入参数，基于所述混合非支配排序遗传算法，获取全局最优解，并解码获取未来各个周期内向供应商订货的医疗物资集合、数量以及医疗物资外协量。

优选的，所述S1中基于灰色理论的医疗物资预测模型预测未来各个周期内的医疗物资需求量。

优选的，所述S2中的输入参数包括：

定义周期索引i＝1,2,…,l；供应商索引j＝1,2,…,m；医疗物资索引k＝1,2,…,n；

供应商供应医疗物资的种类集合{Q

需求点初始医疗物资仓储{SQ

供应商生产能力集合{C

供应商医疗物资采购单价集合{[c

医疗物资外协单价集合

医疗物资仓储单价集合

每个周期内的医疗物资需求量集合{[n

优选的，所述S3包括：

S31、设置基于邻域搜索的非支配排序混合遗传算法的执行参数，包括：最大迭代次数Iter

S32、根据所述输入参数生成初始种群，种群中的个体由编码SN-MT-OQ和MT-EC两个解共同表示；并对解X

其中解X

S33、基于交叉算子对当前种群中的个体执行交叉操作，生成种群规模相同的种群，并与当前种群合并获取新种群；

S34、基于合并的新种群中各个体的非支配排序和拥挤度值，采用最小支配程度和最大拥挤度策略执行选择操作，获取种群规模相同的新种群；

S35、对当前种群中的个体进行解码与非支配排序，计算得到各个体的拥挤度值，将同一非支配层级除首尾外拥挤度最大的个体标记为τ，基于轮盘赌方式选择一种邻域结构NS

S36、使用邻域结构NS

S37、将当前邻域下的最优解τ与上一代种群中最差的个体进行比较，若最优解τ优于上一代种群的最差解，则采用最优解τ替换该最差解，并将当前邻域下的最优解τ与全局最优解τ

S38、判断iter

优选的，所述S32中的解码过程如下：

S3202a、由解X

S3202b、由解X

S3202c、由解X

S3202d、根据解X

优选的，所述S33包括：

S3301、解码获得种群各个个体的最小最大响应时间及总成本，分别记为f

S3302、基于混合优化算法的交叉算子对当前种群X进行操作产生的新种群X

S3302a、从当前种群中选择个体X

S3302b、在该周期内，在区间

S3302c、比较个体X

S3302d、判断交叉次数d是否大于popsize/2，若是，则终止交叉操作，更新周期选择概率

优选的，所述S34包括：

S3401、定义非支配排序规则：对于个体x

S3402、对于所有t＝1,2,…,N且t≠s，按照定义比较个体x

S3403、令s＝s+1，转至S3402，直到找出所有的非支配个体，转至S3404；

S3404、计算种群X与集合F

S3405、对同一非支配层级的个体进行拥挤度计算C

其中，m表示目标函数索引；

C

x

x

S3406、按照非支配层级由低到高的顺序选择层级，在同一层级中按照拥挤度从大到小的顺序选择个体作为下一代种群的个体，指导选择出N个种群个体。

优选的，所述非支配排序混合遗传算法设计6种邻域结构：

邻域结构1：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构2：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构3：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构4：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

邻域结构5：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

邻域结构6：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

优选的，所述S36包括：

S3601、针对邻域结构NS

S3602、定义变量V作为邻域选择变量，其中V是在区间(0,1)内随机产生的一个数，判断V的范围，若满足SR

一种基于需求预测的医疗物资应急计划多目标优化系统，包括：

预测模块，用于根据医疗物资需求的历史同期数据，预测未来各个周期内的医疗物资需求量；

设置模块，用于根据所述医疗物资需求量，结合供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数据，设置基于邻域搜索的混合非支配排序遗传算法的输入参数；

求解模块，用于根据所述输入参数，基于所述混合非支配排序遗传算法，获取全局最优解，并解码获取未来各个周期内向供应商订货的医疗物资集合、数量以及医疗物资外协量

(三)有益效果

本发明提供了一种基于需求预测的医疗物资应急计划多目标优化方法和系统。与现有技术相比，具备以下有益效果：

本发明认识到供应商的医疗物资供应能力和成本存在差异，即在考虑供应商能力不一致的情况下，对预测的医疗物资需求计划进行多目标优化，综合考虑不同供应商的能力指标，通过基于邻域搜索的混合非支配排序遗传算法求解问题并获得近似最优解，能够有力地对多个周期的订货量进行协同优化与设计，从而最大限度的利用供应商资源并减少应急供应链整体成本，提升应急医疗物资供应链的管理能力和运作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于需求预测的医疗物资应急计划多目标优化方法的流程示意图；

图2为本发明实施例提供的一种基于邻域搜索的混合非支配排序遗传算法的流程图；

图3为本发明实施例提供的一种编码示意图；

图4为本发明实施例提供的一种解码示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种基于需求预测的医疗物资应急计划多目标优化方法和系统，解决了未考虑供应商能力不一致的医疗物资应急计划优化的技术问题。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

正如背景技术中所言，现有的应急医疗物资计划优化重点在于对医疗物资分类备货、现有医疗物资的合理分配以及医疗物资的组合运输问题，很少从供应商的角度进行医疗物资的组合选购，对基于医疗物资需求预测和供应商选择结合的过程同样关注较少。

本发明实施例在考虑供应商能力不一致的情况下，对基于灰色模型预测的医疗物资需求计划进行多目标优化，综合考虑供应商的最小最大响应时间和最小成本，通过混合智能算法求解问题并获得近似最优解，能够有力地对多个周期的订货量进行协同优化与设计，从而最大限度的利用供应商资源并减少应急供应链整体成本，提升应急医疗物资供应链的管理能力和运作效率。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例：

如图1所示，本发明实施例提供了一种基于需求预测的医疗物资应急计划多目标优化方法，包括：

S1、根据医疗物资需求的历史同期数据，预测未来各个周期内的医疗物资需求量；

S2、根据所述医疗物资需求量，结合供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数据，设置基于邻域搜索的混合非支配排序遗传算法的输入参数；

S3、根据所述输入参数，基于所述混合非支配排序遗传算法，获取全局最优解，并解码获取未来各个周期内向供应商订货的医疗物资集合、数量以及医疗物资外协量。

本发明实施例在考虑供应商能力不一致的情况下，对预测的医疗物资需求计划进行多目标优化，综合考虑不同供应商的能力指标，通过混合智能算法求解问题并获得近似最优解，能够有力地对多个周期的订货量进行协同优化与设计，从而最大限度的利用供应商资源并减少应急供应链整体成本，提升应急医疗物资供应链的管理能力和运作效率

接下来将详细介绍上述方案的各个步骤：

在步骤S1中，根据医疗物资需求的历史同期数据，预测未来各个周期内的医疗物资需求量。

本步骤基于灰色理论的医疗物资预测模型预测未来各个周期内的医疗物资需求量，具体如下：

获取医疗物资历史同期数据

对数据进行依次加和，形成新的列表

在步骤S2中，根据所述医疗物资需求量，结合供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数据，设置基于邻域搜索的混合非支配排序遗传算法的输入参数。

示例性的，可通过历史数据分析、人工录入等方式获取未来不同周期内供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数，基于获得数据设置变邻域搜索算法和非支配排序遗传算法的输入参数；具体包括：

定义周期索引i＝1,2,…,l；供应商索引j＝1,2,…,m；医疗物资索引k＝1,2,…,n；

供应商供应医疗物资的种类集合{Q

需求点初始医疗物资仓储{SQ

供应商生产能力集合{C

供应商医疗物资采购单价集合{[c

医疗物资外协单价集合

医疗物资仓储单价集合

每个周期内的医疗物资需求量集合{[n

在步骤S3中，根据所述输入参数，基于所述混合非支配排序遗传算法，获取全局最优解，并解码获取未来各个周期内向供应商订货的医疗物资集合、数量以及医疗物资外协量。

如图2所示，本步骤具体包括：

S31、设置基于邻域搜索的非支配排序混合遗传算法的执行参数，包括：

最大迭代次数Iter

算法的种群规模N；

变异概率P

局部搜索的最大迭代次数Iter

初始周期选择概率PT

变异概率P

邻域集{NS

S32、根据所述输入参数生成初始种群，种群中的个体由编码SN-MT-OQ和MT-EC两个解共同表示；并对解X

基于非支配遗传算法和变邻域搜索混合算法，对所述应急医疗物资储备计划中的周期内订货量进行编码，获得由N个初始解构成的初始种群X

如图3所示，编码过程如下：

基于周期内的确定性应急医疗物资需求量，解X由每个周期内订货量的解X

解X

解X

如图4所示，解码过程如下：

解码过程是将得到的可行解，按照实际情景计算得出所有周期内的医疗物资应急的总成本和最小最大响应时间。主要包括以下操作：

S3202a、由解X

S3202b、由解X

S3202c、由解X

S3202d、根据解X

S33、基于交叉算子对当前种群中的个体执行交叉操作，生成种群规模相同的种群，并与当前种群合并获取新种群；包括：

S3301、解码获得种群各个个体的最小最大响应时间及总成本，分别记为f

S3302、基于混合优化算法的交叉算子对当前种群X进行操作产生的新种群X

S3302a、从当前种群中选择个体X

S3302b、在该周期内，在区间

S3302c、比较个体X

S3302d、判断交叉次数d是否大于popsize/2，若是，则终止交叉操作，更新周期选择概率

S34、基于合并的新种群中各个体的非支配排序和拥挤度值，采用最小支配程度和最大拥挤度策略执行选择操作，获取种群规模相同的新种群；包括：

S3401、定义非支配排序规则：对于个体x

S3402、对于所有t＝1,2,…,N且t≠s，按照定义比较个体x

S3403、令s＝s+1，转至S3402，直到找出所有的非支配个体，转至S3404；

S3404、计算种群X与集合F

S3405、对同一非支配层级的个体进行拥挤度计算C

其中，m表示目标函数索引；

C

x

x

S3406、按照非支配层级由低到高的顺序选择层级，在同一层级中按照拥挤度从大到小的顺序选择个体作为下一代种群的个体，指导选择出N个种群个体。

S35、对当前种群中的个体进行解码与非支配排序，计算得到各个体的拥挤度值，将同一非支配层级除首尾外拥挤度最大的个体标记为τ，基于轮盘赌方式选择一种邻域结构NS

S3501、对当前种群中的个体进行解码，得到各个体的总成本TC和最大响应时间C

S3502、随机选择一个供应商，按照医疗物资类别提取列表SN-MT-OQ中不同周期内供应商的医疗物资量，形成序列SN-OQ，如图4所示，执行邻域选择操作；

S3503、基于轮盘赌的方式选择一种邻域结构NS

对可行解τ在选择的邻域结构NS

邻域结构1：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构2：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构3：随机选择一个周期，定义变量a,b，在区间(1，m)中随机产生两个整数赋值给a,b，其中a

邻域结构4：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

邻域结构5：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

邻域结构6：随机选择序列SN-OQ中的一个供应商，定义变量a,b，在区间(1，T)中随机产生两个整数赋值给a,b，其中a

S36、使用邻域结构NS

S3601、针对邻域结构NS

S3602、定义变量V作为邻域选择变量，其中V是在区间(0,1)内随机产生的一个数，判断V的范围，若满足SR

S37、将当前邻域下的最优解τ与上一代种群中最差的个体进行比较，若最优解τ优于上一代种群的最差解，则采用最优解τ替换该最差解，并将当前邻域下的最优解τ与全局最优解τ

S38、判断iter

本发明实施例设计了一种基于邻域搜索的混合非支配排序遗传算法，将非支配排序遗传算法的全局寻优能力和变邻域搜索算法的局部搜索能力结合。在非支配排序遗传算法和变邻域搜索算法中设计了相应的自适应选择机制，并设计了特殊的交叉算子和局部搜索邻域结构，有效的提高了算法的求解效率和解的质量。

本发明实施例还提供了一种基于需求预测的医疗物资应急计划多目标优化系统，包括：

预测模块，用于根据医疗物资需求的历史同期数据，预测未来各个周期内的医疗物资需求量；

设置模块，用于根据所述医疗物资需求量，结合供应商供应能力数据、供应商供应医疗物资种类数据以及需求点仓储数据，设置基于邻域搜索的混合非支配排序遗传算法的输入参数；

求解模块，用于根据所述输入参数，基于所述混合非支配排序遗传算法，获取全局最优解，并解码获取未来各个周期内向供应商订货的医疗物资集合、数量以及医疗物资外协量。

可理解的是，本发明实施例提供的基于需求预测的医疗物资应急计划多目标优化系统与本发明实施例提供的基于需求预测的医疗物资应急计划多目标优化方法相对应，其有关内容的解释、举例和有益效果等部分可以参考医疗物资应急计划多目标优化方法中的相应部分，此处不再赘述。

综上所述，与现有技术相比，具备以下有益效果：

1、本发明实施例在考虑供应商能力不一致的情况下，对基于灰色模型预测的医疗物资需求计划进行多目标优化，综合考虑供应商的最小最大响应时间和最小成本，通过混合智能算法求解问题并获得近似最优解，能够有力地对多个周期的订货量进行协同优化与设计，从而最大限度的利用供应商资源并减少应急供应链整体成本，提升应急医疗物资供应链的管理能力和运作效率。

2、本发明实施例设计了一种基于邻域搜索的混合非支配排序遗传算法，将非支配排序遗传算法的全局寻优能力和变邻域搜索算法的局部搜索能力结合。在非支配排序遗传算法和变邻域搜索算法中设计了相应的自适应选择机制，并设计了特殊的交叉算子和局部搜索邻域结构，有效的提高了算法的求解效率和解的质量。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。