[论文解读] A Comprehensive Survey on the Ambulance Routing and Location Problems

Joseph P. Tassone, Salimur Choudhury|arXiv (Cornell University)|Jan 10, 2020

Facility Location and Emergency Management参考文献 98被引用 4

一句话总结

本文对救护车调度与选址问题（ARP 和 ALP）进行了全面综述，将其视为车辆路径问题（VRP）和最大覆盖问题（MCP）的 NP-难变体。文章回顾了现有方法，包括元启发式算法与仿真技术，并指出现有研究在混合算法与机器学习应用方面存在空白，尤其是强化学习的应用。该研究旨在优化应急医疗服务体系。

ABSTRACT

In this research, an extensive literature review was performed on the recent developments of the ambulance routing problem (ARP) and ambulance location problem (ALP). Both are respective modifications of the vehicle routing problem (VRP) and maximum covering problem (MCP), with modifications to objective functions and constraints. Although alike, a key distinction is emergency service systems (EMS) are considered critical and the optimization of these has become all the more important as a result. Similar to their parent problems, these are NP-hard and must resort to approximations if the space size is too large. Much of the current work has simply been on modifying existing systems through simulation to achieve a more acceptable result. There has been attempts towards using meta-heuristics, though practical experimentation is lacking when compared to VRP or MCP. The contributions of this work are a comprehensive survey of current methodologies, summarized models, and suggested future improvements.

研究动机与目标

• 提供对救护车调度与选址问题（ARP 和 ALP）近期进展的系统性综述，这些问题是应急医疗服务体系（EMS）效率的关键。
• 分析 VRP 和 MCP 方法论在应急医疗特定约束下的适应性，例如响应时间的紧迫性与动态的紧急需求。
• 识别当前方法中的研究空白，特别是混合元启发式算法与机器学习技术（如强化学习）的利用不足。
• 评估基于仿真的方法的局限性，并主张将其作为初步工具而非主要优化策略使用。
• 通过提出算法集成方面的改进，为未来研究提供指导，特别是在结合元启发式算法与新兴人工智能技术以实现实时应急医疗服务体系优化方面。

提出的方法

• 对 2000 年至 2020 年间 ARP 和 ALP 的文献进行全面回顾，重点关注优化技术和建模方法。
• 将现有方法分类为：精确数学规划（如整数线性规划）、元启发式算法（如遗传算法 GA、粒子群优化 PSO、蚁群优化 ACO、禁忌搜索）以及基于仿真的方法。
• 通过识别共享结构（如基于图的公式 G=(V,E)）将 ARP 和 ALP 映射到其父问题——VRP 和 MCP，并调整其目标函数与约束条件。
• 评估元启发式算法的性能，特别指出在 ARP 和 ALP 应用中，离散编码方法优于连续编码方法。
• 探索强化学习与深度强化学习在动态应急医疗优化中的潜力，强调状态-动作公式与奖励最大化。
• 评估组合多种元启发式算法的混合算法的可行性，突出其在兼容性与实现复杂性方面的挑战。

实验结果

研究问题

• RQ1 救护车调度与选址问题如何推广车辆路径问题（VRP）与最大覆盖问题（MCP）？其在目标函数与约束条件上的关键修改是什么？
• RQ2 ARP 和 ALP 中占主导地位的优化技术有哪些？它们在可扩展性与解质量方面如何比较？
• RQ3 为何仿真在当前研究中被广泛使用？其作为应急医疗系统独立优化方法的局限性是什么？
• RQ4 当前研究中的主要空白是什么，特别是关于机器学习与混合元启发式方法的整合？
• RQ5 如何有效应用强化学习与深度学习于动态救护车调度与选址决策？其主要实现挑战是什么？

主要发现

• ARP 和 ALP 是 NP-难问题，因此在大规模实际应用中必须使用元启发式算法或近似方法。
• 仿真技术虽被频繁使用，但不能替代真正的优化，因为它主要起系统验证作用，而非发现最优解。
• 元启发式算法如遗传算法（GA）、粒子群优化（PSO）和蚁群优化（ACO）被广泛应用，且离散编码在调度与选址模型中表现出更优性能。
• 尽管在类似 VRP 的问题中已证明有效，但组合多种元启发式算法的混合算法仍显著缺乏。
• 机器学习应用，尤其是强化学习，仍处于探索阶段，但其潜力巨大，因其能够从状态-动作-奖励动态中学习，而无需标注训练数据。
• 深度强化学习（结合卷积神经网络与 Q-learning）在解决复杂、动态的应急医疗优化问题方面展现出前景，但训练时间与合理的状态-动作编码仍是主要挑战。