.png){kind=icon}
返回
Self-optimized learning algorithm for multi-specialty multi-stage elective surgery scheduling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110346.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着人口老龄化和生活水平的提高，择期手术的需求显著增加。然而，经济和政策限制延缓了医疗资源的扩展，要求医院集体管理多专科资源。这使得择期手术的建模和排程变得复杂。本研究提出了一种多专科和多阶段择期手术的集成排程模型。我们采用新颖的评价指标从医院和患者角度衡量医疗工作负荷、等待时间和服务连续性，确保目标函数中的维度一致性。为解决排程复杂性，我们设计了一种结合强化学习（RL）、遗传算法（GA）和启发式规则的自优化学习算法，即基于Q学习与排程规则的二元编码混合遗传算法（DQGA）。结果表明，该混合算法相较于GA的解精度提升64.99%，相较于基于Q学习的遗传算法（QGA）提升66.07%。实验发现表明，本排程模型不仅能提高资源利用效率，还能为现实医院排程问题提供实用、可扩展的解决方案，而传统方法在处理更大规模问题时往往难以应对。
Keyword:
Surgery scheduling
Multi-specialty
Multi-stage
Hybrid algorithm
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
暂无机构信息
引用论文
Robust surgical scheduling for nonoperating room anesthesia (NORA) under surgical duration uncertainty非手术室外麻醉（NORA）下考虑手术时长不确定性的鲁棒性手术调度
PREAI
分享收藏Research on Adaptive Job Shop Scheduling Problems Based on Dueling Double DQN基于对决双DQN的自适应作业车间调度问题研究.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容