一种新兴疫情期间鲁棒医疗供应链物流调度的混合协同协同进化方法

《Expert Systems with Applications》：A hybrid cooperative coevolution approach for robust medical supply chain logistics scheduling during an emerging epidemic

本文提出一种混合协同协同进化方法（MOCC），用于优化新兴疫情期间医疗物资分配与医疗废物收集。该方法结合分层供应链模型、SEIV传染病模型和蒙特卡洛模拟，在考虑运营成本与鲁棒性的同时，通过分治策略有效应对疫情不确定性，为突发公共卫生事件下的医疗资源调度提供创新解决方案。

　　

亮点

新兴疫情期间医疗供应链物流调度

维持新兴疫情期间医疗供应链的物流调度正常运行至关重要且充满挑战，这源于高度紧迫性和不确定性。为解决这一棘手问题，大量研究致力于此。本小节我们从以下三个视角对相关工作进行概述：物流模型、不确定性建模和求解方法。

医疗供应链的物流模型可分为三类：正向物流（仅关注医疗物资配送）、逆向物流（仅关注医疗废物收集）以及集成正向和逆向物流的闭环供应链。在正向物流中，研究主要聚焦于将医疗物资从上游工厂通过中游仓库配送到下游社区或医院。逆向物流则处理使用过的医疗物资的收集和处理。考虑到控制新兴疫情需要充足的医疗物资和及时的废物处理，集成正向和逆向物流的闭环供应链模型更为合适。

新兴疫情的医疗供应链模型

本节对提出的医疗供应链模型进行全面介绍。图2展示了所提出模型的框架。它采用分层结构，包含四个组成部分：工厂、仓库、社区和医疗废物处理中心。$K$类医疗物资自上而下流动。而对于物流调度，最初，中游的仓库根据社区的需求使用小型车辆向社区运送物资。

混合多目标协同协同进化框架

本节详细描述了提出的混合MOCC框架，其概要见算法1。提出的MOCC框架包含两个连续步骤：初始化（第1-2行）和优化（第3-20行）。优化步骤又可细分为两个子步骤：重新评估已找到的解（第5-8行）和通过优化搜索新解（第9-19行）。优化结束后，我们获得一个帕累托最优解集（POS），其中包含一组...

实验

本节介绍了为证明所提出方法有效性而进行的实验。首先提供了实验设置。接着，我们探索所提出医疗供应链模型的性质。之后，我们将所提出的方法与一些基线算法进行比较。最后，进行实验以证明我们方法中所采用策略的有效性。

结论

本文介绍了一种混合多目标协同协同进化方法，用于在新兴疫情期间制定鲁棒的医疗供应链物流调度计划。首先，我们构建了一个医疗供应链模型，该模型涵盖了医疗物资的生产、存储、分销、消耗和废物收集过程。利用所提出的模型，我们通过SEIV（易感-潜伏-感染-警戒）传染病模型和蒙特卡洛模拟来模拟与新兴疫情传播相关的不确定性。