Lo más importante se escribe primero
Algunas implicaciones de modelado:
- Cuando las características de distribución no son obvias, utilizando la frecuencia para representar la probabilidad, puede mencionar que esta es la conclusión de la ley de los grandes números
- Si usa algunas distribuciones de probabilidad clásicas (como Poisson), debe hacer una prueba, estimación de parámetros, etc.
- Cuando sea difícil resolver algunos modelos de optimización, no use barras rígidas. Primero enumere las ecuaciones de restricción y luego puede diseñar algunos programas usted mismo. Si puede hacerlo mejor que antes, estará bien. La solución óptima puede no tener tiempo.
- Al diseñar indicadores de evaluación, se pueden considerar múltiples indicadores de evaluación mediante el método de evaluación gris difuso para determinar los pesos, lo mejor es convertirlos en una suma ponderada lineal
La primera pregunta es evaluar si el plan de hospitalización actual del hospital es razonable
La primera pregunta requiere el diseño de indicadores de evaluación razonables para evaluar la situación de la cola. Varias preguntas son, en primer lugar, cómo generar el modelo de cola del paciente y, en segundo lugar, qué indicadores considerar para la evaluación.
1. Al analizar los datos, se descubre que el grado de urgencia de los síntomas de los pacientes es diferente (puede haber una distribución de probabilidad).
2. Determine el modelo original de colas: la no emergencia es la estructura de la cola y la emergencia primero salta en línea
1.1 Determinación de parámetros de probabilidad
Determinación de los parámetros de distribución de probabilidad del tiempo de llegada del paciente: a través de la prueba de bondad de ajuste
Se considera que la llegada del paciente pertenece a la distribución de Poisson, utilizando la estimación de máxima verosimilitud, el parámetro λ de la distribución de Poisson y la prueba de chi-cuadrado para demostrar que la llegada del paciente pertenece al flujo de Poisson.
La determinación de los parámetros de distribución de probabilidad del tiempo para atender a los pacientes: la ley de grandes números
Dibuje la distribución de frecuencia y descubra que no satisface el patrón de distribución común. La probabilidad de frecuencia se expresa por la ley de los números grandes .
1.2 Selección de indicadores de evaluación
Dos aspectos:
- La persona de espera y el tiempo de espera son lo más bajos posible: tiempo de espera, esperando al capitán
- Cuantas más camas se utilicen, mejor (carga completa): intensidad de servicio
Pero hay tres indicadores, ¿cómo podemos unificarlos? El documento utiliza un método de evaluación difusa para ponderar linealmente tres indicadores.
1.3 Establecer un modelo de prioridad no obligatoria M / G / 79 / ∞ / ∞
El marco aproximado es un modelo de tiempo de servicio general M / G / 79 / ∞ / ∞ en teoría de colas.79 significa que el hospital tiene 79 camas. La idea central es utilizar un conjunto de ecuaciones de diferencia para caracterizar la transición de estado del sistema. La transición de estado de un cierto período al siguiente período se basa en una cierta probabilidad, y el estado del siguiente período depende solo del período anterior, por lo que esto El sistema es markoviano .
Debido a que la solución de este modelo no ha sido desarrollada por métodos maduros, solo puede confiar en la simulación por computadora.
La segunda pregunta es diseñar un plan de hospitalización razonable.
La tesis utiliza la idea de optimización para determinar la función de costo (es decir, la función de evaluación de la primera pregunta), y luego determina una serie de restricciones, que son aún más abstractas (lo que también significa que no pueden resolverse directamente). Eventualmente, espero averiguar la cantidad de hospitalizaciones que deben organizarse para cada tipo de paciente todos los días.
El modelo de planificación con factores aleatorios es difícil de resolver, por lo que el documento no resolvió este sistema de ecuaciones, pero analizó cuidadosamente las características de tiempo de ingreso y cirugía del paciente, diseñó artificialmente un plan y simuló el plan con una computadora, y luego utilizó Le pregunté a la evaluación del índice de evaluación y descubrí que es realmente mejor que antes (pero creo que todavía tiene fallas).
