技术特征：
1.一种基于模糊聚类进化算法的医疗资源分配方法，其特征在于，包括如下步骤：步骤1：对医疗资源分配问题进行建模；基于有向图网络的医疗资源分配问题，把需要资源的城市看作网络中的节点c＝{c1,c2,
…
c
n
}，把运输的路径看作从一个节点指向另一个节点的边a＝{a1,a2,
…
a
m
}；其中医疗资源从c1出发，最终把资源运往目的城市c
n
；其中，通过每条路径a
i
所需要耗费的时间d
i
和成本p
i
是不确定的；当医疗资源提前送达时有奖励，而如果未能在约定时间内送达，则会有惩罚；最终的目标是要确保遍历每一个城市的前提下，最终到达目的城市c
n
所花费成本最低，其分配方案为：mine[∑p
i
+p]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中p为运输的额外奖励或者惩罚，计算如下：其中d为运输方案花费的总时间，t
l
和t
u
分别是约定时间的下界和上界，γ和δ分别为奖励因子和惩罚因子，α是根据实际情况设置的严重度参数；步骤2:随机生成初始分配方案，并根据分配方案之间的欧几里得距离，利用粗糙集理论对分配方案进行模糊聚类；把每个分配方案当作一个个体；把给定的种群集合x＝{x1,x2,
…
,x
n
}划分到c个簇{v1,v2,
…
,v
c
}中；假设给定论域u＝x＝{x1,x2,
…
,x
n
}，r是u上的一个等价关系，给定的划分记为}，r是u上的一个等价关系，给定的划分记为是划分到聚类中心v
i
所属簇的个体集合；则集合的上近似集和下近似集分别为：式中，表示等价关系r
j
下包含元素x
j
的等价类，x
j
表示集合x中属于集合的元素；在等价关系r下的边界域bn
r
为：基于以上定义，根据下近似集和加权域的平均，定义如下的模糊质心更新公式，使其同时考虑模糊隶属度和上近似集、下近似集的影响：其中
这里，j(v
i
)为第i个簇的模糊质心，m为模糊因子，u
ij
表示个体x
j
对簇v
i
的隶属度；参数和分别是第i个簇的粗糙度和近似精度，满足：根据公式(5)中给出的模糊质心更新公式，通过多次迭代，得到每个个体x
j
对簇v
i
的最终隶属度u
ij
；步骤3：按照概率计算每一个簇中所有分配方案之间皮尔逊相关系数的加权平均值，得到簇的相关系数；通过计算每个簇中u
ij
≠0的所有个体x
j
之间的相关系数，得到簇v
i
的加权平均相关系数；其中，两个个体之间的相关系数通过皮尔逊相关系数公式得到：式中，x,y分别表示两个个体的适应度仿真值，σ
x
,σ
y
分别表示两个个体适应度值的标准差，μ
x
,μ
y
分别表示两个个体适应度的均值；把簇v
i
中所有元素的集合记为a
i
＝{x
j
|u
ij
≠0}，则簇v
i
的加权相关系数为：步骤4：根据分配方案对簇的隶属度来计算分配方案的相关系数加权值，得到每个分配方案在优化过程中进行适应度评估所需要进行仿真次数；通过簇的加权相关系数，计算个体的相关系数，并设置相应的仿真次数；把个体x
j
隶属的所有簇的集合记为b
j
＝{v
i
|u
ij
≠0}，则个体x
j
的加权相关系数由公式(9)计算得到：然后根据个体相关系数的加权平均值确定该个体在优化过程中进行适应度评估所需要进行仿真的次数；根据相关系数的倒数来设置相应的仿真次数，令其中，λ是根据问题设置的控制参数；在计算完毕之后对t
j
数值进行取整操作；步骤5：根据仿真次数，在相同的情境中对所有分配方案进行同步评估，计算每个分配方案在进行了仿真的所有情境中的平均适应度值，根据平均适应度值来对分配方案从小到大进行排序，并选择平均适应度值最小的分配方案，最终得到优异的分配方案。
技术总结
本发明公开了一种基于模糊聚类进化算法的医疗资源分配方法，首先对医疗资源分配优化问题进行建模，根据优化目标确定适应度值函数；然后随机生成初始分配方案，通过粗糙集理论对分配方案进行模糊聚类；接下来按照概率计算每一个簇中所有分配方案之间皮尔逊相关系数的加权平均值，得到簇的相关系数；再根据分配方案对簇的隶属度来计算分配方案的相关系数加权值，得到仿真的次数；根据仿真次数，在相同的情境中对所有分配方案进行同步评估；最后计算每个分配方案在进行了仿真的所有情境中的平均适应度值，并根据平均适应度值来进行分配方案的选择。本发明在确保计算准确度的前提下，最大限度的减少计算资源的耗费，提高算法的效率。的效率。的效率。
技术研发人员：施雯 向湘 刘洋 习佳宁
受保护的技术使用者：广州医科大学
技术研发日：2022.11.20
技术公布日：2023/3/31