检索历史 清除

摘要随着我军卫勤保障装备快速发展，战场后送日渐成为一个复杂且相互关联的系统。作为救治链中重要的一环，该系统关系着伤员救治的成功率。在急救设备总量有限的情况下，对战场后送急救车合理调度，是降低伤员死亡率的关键。为了实现这一目标，需要深入研究并优化战场后送的调度策略。基于此，本文对战场后送及其设备调度优化问题展开了如下工作：<br>　　（1）结合伤员在战场后送救治链上的流动过程，将战场后送要素划分为伤员数据分析、设备调度分析和评估标准三部分。在伤员数据分析中，重点梳理了伤员伤情、生命威胁程度及伤员产生规律；在设备调度分析中，梳理了战场伤员的救援过程，并着重分析了急救车在战场上的流转规则、装载规则以及调度规则；最后，构建救治时效性评价标准来应对后续后送急救车调度的研究。<br>　　（2）针对战场环境的不确定性，构建了基于最小后悔值准则的战场后送急救车调度模型。首先对不确定因素建立了评价约束体系，并提出了在优化调度路径时充分考虑到战场环境不确定性的建模思路；再将救援时间和风险系数这两个关键因素纳入模型，以后悔值最小化为目标，构建了固定区域内的调度优化模型，并设计了改进蚁群算法进行模型求解；最后通过仿真实验验证得出结论，在不确定战场环境的固定区域内，与其他算法相比，利用改进蚁群算法更能缩短救援时间。<br>　　（3）针对战场各区域伤员密度不同导致的急救车利用不均衡的问题，提出了多区域响应匹配机制。首先该机制在（2）的基础上，加入了伤员响应时间和救援时间的可靠性约束，以后悔值最小为目标，构建了多区域协助调度的战场后送模型；再利用改进蚁群算法对模型进行求解；最后通过仿真实验证明了该模型的求解结果均优于其他模型，在提高了救援效率的同时，也改善了战场后送中设备运用不均衡的问题。<br>　　（4）针对战场的动态场景，研究了救援过程中急救车的动态调度问题。基于深度强化学习方法，为每辆急救车制定最优的站点定位策略，并加入了门控循环单元和多种调度约束因子，用来辅助深度双 Q 网络算法做出调度决策。最后搭建了仿真模型进行验证，结果表明，本文提出的算法与其他算法相比，可以节约10%的平均响应时间，证明了该调度算法的优越性。