فایل ورد کامل اعزام و جابجایی آمبولانس در زمان واقعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل اعزام و جابجایی آمبولانس در زمان واقعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۲ صفحه

چکیده

در این مطالعه، چارچوب بهینه‌سازی انعطاف‌پذیری را برای اعزام و جابجایی بلادرنگ آمبولانس توسعه می‌دهیم. علاوه‌بر استقرار مجدد آمبولانس، یک استراتژی کلی اعزام و جابجایی را در نظر می‌گیریم که تصمیم گیرنده با استفاده از آن دارای گزینه‌های زیر است: ) انتخاب هر گونه آمبولانس قابل دسترس برای تماس یا صف‌بندی تماس؛ و ) ارسال یک آمبولانس بیکار برای پوشش محل آمبولانس که برای یک تماس اعزام شده است. مساله را به عنوان یک برنامه پویای تصادفی فرمولبندی می‌کنیم و از آنجایی که فضای حالت نامحدود است، چارچوب برنامه‌نویسی پویای مناسبی (ADP) را برای تولید راه‌حل‌های با کیفیت بالا توسعه می‌دهیم. کیفیت راه‌حل‌های خود را با توسعه کران پایینی روی زمان مورد انتظار واکنش و محاسبه کران پایینی روی کسر مورد انتظار تماس‌های دیرهنگام هر خط‌مشی جابجایی مورد ارزیابی قرار می‌دهیم. عملکرد خط‌مشی‌های خود و معیارهای قابل دسترس روی سیستم خدمات پزشکی اوراژانسی در شهرستان ملکلنبورگ در کارولینای شمالی را آزمایش می‌کنیم. نتایج نشان می‌دهند که خط‌مشی‌های ما تقریبا بهینه هستند و دارای عملکرد به طور قابل توجه بهتری نسبت به معیارهای موجود هستند. به ویژه، خط‌مشی ADP ما زمان مورد انتظار واکنش و کسر تماس‌های دیرهنگام با اولویت بالا را به ترتیب و / درصد در طول بهترین معیارهای ایستای قابل دسترس در مطالعه موردی، کاهش می‌دهد. علاوه‌براین، نتایج، بینش‌هایی را در زمینه نقش هر استراتژی اعزام، استقرار مجدد و جابجایی فراهم می‌سازند.

– نتیجه‌گیری

در این مطالعه، یک مساله اعزام و جابجایی بلادرنگ آمبولانس را به عنوان یک برنامه پویای تصادفی فرمولبندی کرده و آن را از طریق برنامه‌نویسی پویای تقریبی حل کردیم. تحقیقات در زمینه مدیریت بلادرنگ آمبولانس را که تنها استقرار مجدد آمبولانس را در نظر می‌گیرند در دو بُعد توسعه دادیم. ابتدا یک استراتژی کلی اعزام را در نظر گرفتیم که در آن، تصمیم گیرنده می‌تواند علاوه‌بر داشتن گزینه عدم اعزام فوری آمبولانس، و به جای آن، انتظار برای آمبولانسی که ممکن است به زودی قابل دسترس شود، هر آمبولانس قابل دسترسی را به یک تماس دریافتی اعزام نماید. دوما، یک استراتژی تخصیص مجدد آمبولانس را معرفی کردیم که در آن، تصمیم‌گیرنده ممکن است یک آمبولانس قابل دسترس را به محل آمبولانسی که به تازگی برای یک تماس اعزام شده است ارسال نماید. استراتژی تخصیص مجدد آمبولانس می‌تواند عملکرد را به وسیله کاهش زمان مورد انتظاری که یک منطقه بدون پوشش باقی می‌ماند و این وضعیت به وسیله اعزام تنها آمبولانس پوشش دهنده آن ایجاد می‌شود بهبود بخشد. ما عملکرد خط‌مشی‌های تولید شده توسط چارچوب ADP خود را روی سیستم EMS در شهر مکلنبورگ در کارولینای شمالی آزمایش کردیم و نتایج ما نشان می‌دهند که خط‌مشی‌های ما معیارهای ایستا را به طور قابل توجهی بهبود می‌بخشند. به ویژه، خط‌مشی‌های تقریبا بهینه ما زمان واکنش و کسر تماس‌های دیرهنگام را در مقایسه با بهترین معیارهای ایستا به ترتیب به اندازه و / درصد کاهش می‌دهند.

عنوان انگلیسی:Real-Time Ambulance Dispatching and Relocation~~en~~

Abstract

In this study, we develop a flexible optimization framework for real-time ambulance dispatching and relocation. In addition to ambulance redeployment, we consider a general dispatching and relocation strategy by which the decision maker has the option to (i) select any available ambulance to dispatch to a call or to queue the call and (ii) send an idle ambulance to cover the location of an ambulance just dispatched to a call. We formulate the problem as a stochastic dynamic program, and, because the state space is unbounded, an approximate dynamic programming (ADP) framework is developed to generate high-quality solutions. We assess the quality of our solutions by developing a lower bound on the expected response time and computing a lower bound on the expected fraction of late calls of any relocation policy. We test the performance of our policies and available benchmarks on an emergency medical services system in Mecklenburg County, North Carolina. The results show that our policies are near optimal and significantly outperform available benchmarks. In particular, our ADP policy reduces the expected response time and fraction of high-priority late calls by 12% and 30.6%, respectively, over the best available static benchmarks in the case study. Moreover, the results provide insights on the contribution of each dispatching, redeployment, and reallocation strategy

– Conclusion

In this study we formulated a real-time ambulance dispatching and relocation problem as a stochastic dynamic program and solved it via approximate dynamic programming. We extended the literature on real-time ambulance management via ADP, which considers only ambulance redeployment, in two dimensions. First, we considered a general dispatching strategy in which the decision maker can send any available ambulance to a received call in addition to having the option of not dispatching an ambulance immediately, but rather waiting for an ambulance that may become available soon. Second, we introduced an ambulance reallocation strategy in which the decision maker may send an available ambulance to the location of an ambulance just dispatched to a call. The ambulance reallocation strategy can improve performance by reducing the expected time that a region is uncovered, which is caused by dispatching the only ambulance that covers it. We tested the performance of policies generated by our ADP framework on an EMS system in Mecklenburg County, North Carolina, and our results show that our policies significantly improve static benchmarks. In particular, our nearoptimal policies reduce the response time and fraction of high-priority late calls by 12% and 30.6%, respectively, compared to the best static benchmarks.

$$en!!