智能算法在医院选址中的应用——以广州市为例

刘健冬

(广州市增城区国土资源测绘院，广东 增城 511300)

智能算法在医院选址中的应用
——以广州市为例

刘健冬*

(广州市增城区国土资源测绘院，广东 增城 511300)

医院选址是否合理直接影响医疗机构的空间配置是否合理，最终影响到整个医疗卫生体系建设的总体进程及其整体构架是否完善。本文主要针对广州市医院布局的原有条件，通过利用ArcGIS来分析影响广州市医院选址的相关因素，再利用多目标粒子群优化算法建立相应的广州市新增加医院选址模型。通过广州市新增加医院选址模型的建立和结果的分析，证实了多目标粒子群优化算法在医院选址应用中具有合理性和实用性。

多目标；粒子群优化算法；广州市；医院

1 引 言

选址问题已经影响到社会经济文化生态中的各个方面中，宏观上的城市规划中的基础设施选址，例如电力、交通、通讯、供热系统的相关设备建设点的选取和定位，微观上的商店、工厂地理位置的确定等[1]。合理的选址能直接促进社会的投资效益、加快建设速度和减少建设成本以及促进建筑建成后长期的生产经营管理模式和经济效益。因此，如何进行最优化选择设施的建设地址是一项值得研究的课题。多目标粒子群优化算法是一种新兴并具有强大潜力的智能算法，该算法是在考虑多种影响设施选址过程中的因素进行有效统一，全面高效地进行最优化选址，为解决各种基础设施在如何更好地进行选址中提供了一定的帮助。利用多目标粒子群优化算法对广州市新建医院进行最优化选址，一方面能够有效正确地建立广州市新建医院选址模型，以医院建设工程来解决“看病难”问题，同时也为其他基础设施选址提供借鉴，如电站选址、物流选址等。另一方面，通过对广州市新建医院选址结果的分析和总结，证实多目标粒子群优化算法的合理性和实用性。此外，本文将提出多目标粒子群优化算法的缺点以指出往后研究方向。多目标粒子群优化算法的优势在面对设施选址复杂性和高要求下越来越突出，在许多领域都得到了广泛应用，本文将利用多目标粒子群优化算法运用到广州市新建医院选址中。

医院选址是现代医院体系建设的关键问题，直接影响着医疗资源的分配，现有的医院选址的模型和方法都是静态的确定性模型。此外，许多专家从不同角度不同观点对医院选址问题也进行了有益和有效的探索和科学分析，例如采用双目标整形规划求解、覆盖模型等。在医院管理领域，蒙特卡罗仿真方法也有着广泛的应用[2]。在国内，由于医院选址布局也同益受到人们的重视，越来越多的人开始重视医院的选址问题的研究，到目前为止，针对医院的选址问题已经有很多学者及相关人士做过大量的研究分析工作。一般来说医院选址的原则和规律如下：

(1)医疗资源分配公平性。这要求医疗卫生资源能够为所覆盖区域内的所有人提供相应的医疗服务，就是要求广州市新建医院选址过程中依据人口分布情况和需求进行选址定位，使医疗卫生资源辐射范围内人口数量尽可能最大化，以更公平更大效益地服务更多的群众[3]。

(2)利用充分性，即医疗卫生资源须尽可能最大限度满足每个人需求。充分地使用医疗设施、医院床位和医护人员，这要求医院要根据现有医院的分布和人口对医疗的需要情况来进行选址，避免不必要的过多的重复辐射区域而造成床位空置等情况的出现[4]。

(3)易达性。这要求覆盖区域内的患者最大限度地接近医院地点，也就是就医人口前往医院的交通成本最小化和时间最小化。而随着相对距离的增加，就医人口会受交通成本和时间成本的影响而放弃该医院去寻求其他更近的医院[5]。

(4)效益经济性。医院建设投资来源的变化使卫生医疗管理的理念发生了转变，医院的建设更要考虑就医人口在使用过程中所消耗的社会成本和建设过程中的成本[6]。

2 研究内容与方法

2.1 研究的主要内容

(1)通过对医院选址问题和多目标粒子群算法的研究和分析，针对现有医院选址中的不足，将多目标粒子群优化算法与ArcGIS相结合，让广州市新建医院选址方案在满足多重约束条件下，最大限度接近最优。

(2)由于医院的选址需要考虑多种因素约束，这容易造成对选址问题考虑不全面，忽略了各影响因素间相互作用的紧密联系性。而本论文将对影响医院选址的因素统一进行建模，将各因素进行统一联系共同作用于广州市新建医院选址的优化过程中，这将提高优化结果的实用性，提高工作效率。

(3)对广州医院的选址问题进行了研究，建立了一个广州市新建医院选址模型，使广州市医院选址问题更具有实际意义和指导作用，对未来的医院的选址建设提供参考。

2.2 研究方法

本文主要是以广州市为研究区域，以市区医院为研究对象，通过收集相关的数据、确定相关因子及权重等相关步骤，利用多目标粒子群优化算法的原理与特点建立相应目标函数，并从广州市城市规划的角度出发，结合实际情况对数据处理结果进行评价分析，从而对广州市医院空间布局与优化提出科学的见解，为广州市的医疗设施合理分布提供参考，有利于解决广州市医院设施分布不合理造成的“看病难”问题，根据以上总结的广州市医院分布中存在的不足，本文将介绍了多目标粒子群优化算法在考虑人口分布、交通条件和地形三个约束条件的相互关系下如何建立选址模型和找到最优化选址的。

2.3 多目标粒子群算法

多目标优化是指在处理多个有可能的选择中寻找到对某些目标对象来讲是最优解的问题，目标对象数目可能是一个或者多个，如果只考虑一个目标对象，就是单目标优化[7]。当我们考虑多目标优化问题时，由于多个目标要素和各目标之间存在一定的冲突矛盾现象，所以不能期望他们的最优点能重复在一起，多目标优化就是协调各目标要素之间的联系和矛盾，求出对全局是最优化的解。

粒子群优化算法最初是源于对简单社会系统的模拟，模拟了鸟群觅食的过程，但后来经过大量的研究实验证明粒子群优化算法是一种很有效的优化工具，并能广泛地应用到许多领域中。粒子群算法是由Kennedy和Eberhart通过对鸟群、鱼群和人类社会的某些行为的观察进行研究，在1995年提出的一种新颖用途广的进化算法[8]。一群鸟在随机搜索食物，所有的鸟都不知道食物地点在哪里。但是他们都知道自身当前的位置离食物还有多远，找到食物的最优策略就是搜寻目前离食物最近的周围区域。粒子群优化算法是源于这种启示并用于解决优化问题的。

2.4 粒子群优化算法的基本原理

粒子群优化算法中每个优化问题的解类似于搜索空间中的一只鸟，我们称之为“粒子”。所有的粒子有一个由被优化的函数定的适应值，还具有决定飞翔方向和距离的速度，然后粒子群就追随前的最优粒子在解空间中搜索，在每一次迭代中，粒子通过跟踪两个“极值”更新自己域。第一个极值是粒子本身所找到的最优解，这个解称为个体极值，另外一个极值是整个种群中目前找到的最优解，即是全局极值。每个粒子使用当前速度、当前位置与自己最好位置之间的距离和当前位置与群体最好位置之间的距离来改变自己的当前位置[9]。粒子群优化算法的模型中，每一个优化的解决方案是搜索空间的粒子，每一个粒子本身已有被优化的功能，也有了一定的速度来决定他们的飞行和距离的方向。

2.5 粒子群的算法流程

本文设计的粒子群算法流程如下：

①初始化粒子群，主要包括群体规模N，每个粒子的位置xi和速度Vi

②计算每个粒子适应度值Fit[i]；

③对每个粒子，利用它的适应度值Fit[i]和个体极值pbest(i)比较，如果Fit[i]>pbest(i)，则用Fit[i]替换掉pbest(i)；

图1 流程图

④对每个粒子，利用它的适应度值Fit[i]和全局极值gbest比较，如果Fit[i]>pbest(i)，则用Fit[i]替gbest；

⑤更新粒子的速度vi和位置xi；

⑥如果满足结束条件(误差足够小或达到最大循环次数)则退出，否则直接返回②。

3 算法应用与医院选址

3.1 研究区概况

（6）侧沟平台以上1.0m间隔3m（正方形布置）设置一般泄水孔，一般泄水孔孔深2.0m，钻孔直径采用φ49，内置φ42mmPVC花管。最下排间隔3～6m设置深层泄水孔，深层泄水孔孔深比邻近土钉伸入岩土中的长度大于1.0m，采用φ100mm钻孔成孔，孔内插φ75mmHMY塑料盲沟，盲沟外包裹一层透水土工布，钻孔仰斜角度5～10°。地下水发育地段泄水孔应适当加深。侧沟、墙顶平台采用0.1m厚混凝土浇筑。

广州市位于广东省的中部，处于珠三角的主要位置，是中国第三大城市，人口总数多和密度较大，外来流动人口比例较大，人口持续增长趋势保持上升。广州市的医院选址是直接影响医疗资源是否满足众多人口需求和分配是否合理平均化的一个关键问题，而在进行医疗资源的分配过程中，每个地区的医疗资源的需要是不确定的。随着经济的发展，广州市的人口增长和城市化进程不断加快，由于社会根本性因素的制约，处于社会转型中的广州市医疗卫生体系建设也存在许多问题。医院建设是城市公共服务设施的基本要素中的一个，其建设是否合理将直接对改善医疗卫生条件起到关键作用，也是保证城市的医疗系统是否有序进行的必要要素。

3.2 医院选址的相关约束条件

新建医院建设的选址是受多方面的影响，在进行选址过程中要充分考虑各方面要素之间的联系和矛盾。新建医院选址不能只考虑场地和外部环境的利弊，还要更多地关注设施建设的可持续发展。首先，医院的选址要符合广州市卫生资源分布规划和广州市城市总体规划发展的长期规划。在宏观上选址点要符合使医疗卫生资源公平化和合理化，更广泛更长期地满足现状和未来人们的医疗需求。其次，医院选址要全面考虑场地现状具备的各种条件，如交通条件、人口分布情况、生态安全条件、地形和现有医院分布等等。

3.3 医院建设选址与交通条件

广州市医院的建设主要是为了服务一定区域内的群众就医需求，就医过程是否交通便捷，就医的路线远近，服务人口多少，急救道路是否快捷通达和地形造成的建设成本的高低等，这些因素都决定了医院建设选址的整个过程。广州市的交通道路(如图2所示)主要分布在西南方，在进行广州市新建医院选址时，应尽量选择道路密度较大的点来进行建设，以方便患者及时有效就医。广州市交通空间变量图主要是利用距离度量来表示的。距离度量是指用于衡量个体在空间上各个点之间的绝对距离，距离越远说明个体间的差异越大，距离越近说明个体间的差异越小。该图利用的距离度量是指欧几里得距离，欧几里得距离公式如下：

(1)

图2 道路空间变量

广州市交通空间变量图是通过ArcGIS利用已绘制的主要干道图、次要干道图和主要交叉口图。根据传统的医院选址分析所得结论：主要干道两侧 250 m内，次要道路 150 m内以及主要交叉口周边 800 m范围内为交通较便捷区域空间，进行分析再利用ArcGIS的缓冲区(欧几里得距离)，从而得到广州市交通空间变量图，如图2所示，从图中可以看出蓝色越浅区域为交通越便利的区域。

3.4 医院建设选址与人口密度分布

医院的建设是为了服务更多的患者，利用医学知识和科学治愈患者或减轻患者的痛苦，医院的本身就是以“以人为本”、即“以病人为中心”的人性化服务理念而存在的一种社会服务设施。根据广州市人口分布密度图(如图3所示)看出，广州市人口主要集中西南方向，即海珠区和天河区，东北部分人口密度相对比较小。在广州市新建医院的选址中应根据广州市人口分布情况并结合交通条件来进行合理选址，以便医院经济效益和社会效益最大化。广州市人口密度图是利用ArcGIS将人口数据DBF表与空间数据进行关联来计算人口密度的，该图的广州人口密度图是指相应的指定栅格有多少人。ArcGIS中的每一个栅格都是有大小的，该图中的每一个格子是 30 m×30 m，即每个栅格共有 900 m2。首先利用ArcGIS数字化广州市居住区分布图，然后进行栅格化并进行参数设置得到广州市居住区栅格图。通过栅格后的边界图和居住区图可以获得广州市各区域的边界面积和各个居住区的面积，由人口普查数据得知广州市的面积和人口，根据这一数据和人口密度的计算公式：人口/面积，利用ArcGIS的计算功能获得各居住区的人口密度。

3.5 医院建设选址与地形地貌

广州市医院建设选址场地的地形地貌是千差万别，这也是影响选址分析的重要因素之一，它决定着医院建设的发展规划布局和具体方案实施操作，也决定了经济效益和社会效益是否最大化的关键。

广州市的地形是多种多样的，相对而言，大面积较平坦的区域具备经济发展越好、人口密度越大、交通便捷程度越高等的优越条件，这更有利于医院的经营运转。此外，地形平坦的区域有利于新医院的建设实施工程，减少建设医院的成本。如果选择不慎会从根本上影响医院的流程及功能，所以就使我们的选址分析变得愈加复杂，这就要求我们在选址过程中要慎重分析，善于发现潜在的有利或不利条件，如图3所示。

图3 医院分布与坡度分布

3.6 结果与分析

运用粒子群算法对广州市的居民点分布、交通道路和地形，进行多目标整合，其公式如下：

Fit[i]=Vtransport×(1/VPop)×VSlope

(2)

其中：Vtransport表示交通的欧氏距离，VPop表示人口密度，VSlope坡度值。

通过粒子群算法的不断更新与迭代得到如图4所示的结果，新建医院选址结果位于人口规模比较大的地区，靠近人群聚集地和人口居住稠密区、交通发达且地形平坦。与周围现有医院的分布协调，在现有医院分布相对少的位置，避开了不必要的竞争关系和合理配置医疗资源，以更高的效率、更广泛的范围服务更多的人，达到效益最大化。

图4 医院选址与人口密度关系图

4 结 论

本文主要是从研究广州市医院选址出发，通过对影响选址的各种因素进行研究，针对医院选址问题主要将定性影响因素列入考虑，考虑了人口权重、交通权重等参数，建立多目标粒子群优化算法模型。本文对多目标粒子群优化算法的特点、原理和应用进行了全面综述。由于多目标粒子群算法是一种新兴的智能优化算法，夺目标粒子群优化算法在医院选址中的应用也还不成熟，在下面几个方面仍然值得进行再深一步研究：

(1)广州市医院选址模型的完善：对广州市医院选址中其他影响选址的因素做更深入的研究和分析以及选择更合适更全面的目标函数，以使广州市医院选址模型设置更合理更全面。

(2)对人口分布权重和交通权重的描述和取值做更详细的研究，重点是分析研究权重的取值方法。

(3)借鉴广州市医院选址模型的建立，扩大应用领域，让多目标粒子群优化算法的价值和有效性运用到更多的实际应用中。

[1] 黎海波，黎夏，刘小平等. 多目标粒子群算法与选址中的形状优化[J]. 遥感学报，2008，5(12)：724～733.

[2] 刘萌伟，黎夏. 基于Pareto多目标遗传算法的公共服务设施优化选址研究——以深圳市医院选址为例[J]. 热带地理，2010，30(6)：650～655.

[3] 刁永浩，江志斌. 基于随机规划的现代医院选址方法[J]. 上海交通大学学报，2010，44(3)：433～436.

[4] 赵韡，韩振军，焦建彬. 基于模糊聚类筛选和交通可达性的心血管医院选址布局研究[J]. 管理工程学报，2016，30(3)：202～208.

[5] 张恒学，王翠萍，赵方胤等. 遥感和CA在城市医院选址中的应用[J]. 科技信息，2012(3)：120～120.

[6] 于珊珊，彭鹏，田晓琴等. 基于GIS的长沙市医院空间布局及优化研究[J]. 长沙大学学报，2012，26(2)：90～94.

[7] 董永峰，杨彦卿，宋洁等. 基于改进粒子群算法的变电站选址规划[J]. 电力系统保护与控制，2008，36(5)：32～35.[8] 刘玉喜，于延，冯卉. 多目标优化的粒子群算法研究[J]. 计算机工程与科学，2009，31(9)：86～91.

[9] 刘国平，曾强. 多目标最优化的粒子群算法[J]. 杭州师范大学学报·自然科学报，2005，4(1)：30～33.

Intelligent Algorithm Application in Facility Location——Taking Guangzhou city as an example

Liu Jiandong

(Surveying and Mapping Institute of Land and Resources in Zengcheng of Guangzhou，Zengcheng 511300，China)

Hospital location exerts great and direct impact on spatial distribution of medical institutions，which ultimately affects the process as well as the overall structure of the medical and healthcare system. Currently，the society is under a transition period，it is unavoidable that Guangzhou medical and healthcare system has some problems. Therefore，to further improve the hospital layout in Guangzhou，it is necessary to add a certain number of new hospitals so as to make health resources distribute more evenly. This essay is mainly aimed at the current situation of hospital layout in Guangzhou by using ArcGIS to analyze factors involved in Guangzhou hospital location. Multi-objective particle swarm optimization algorithm is used to establish the corresponding model of site selection of the new increased hospital in Guangzhou. The essay confirms the multi-objective particle swarm optimization algorithm in deciding hospital sites is rational and practical.

multiple target；particle swarm optimization；Guangzhou city；hospital

1672-8262(2017)03-38-05

P208.2

A

2017—02—17

刘健冬(1981—)，男，工程师，主要从事测绘工程、3S应用、数据建库等工作。