ارائه مدل بهینه سازی ریاضی و الگوریتم های فراابتکاری به منظور حل مساله بلوک بندی مناطق جمعیتی به صورت سلسله مراتبی

جمع آوری پسماند بیمارستانی یکی از موضوعات مهم در مدیریت خدمات شهری محسوب می‌شود. در این تحقیق یک مدل ریاضی به منظور بلوک‌بندی مناطق جمعیتی در سیستم خدمات بیمارستانی ارائه می‌شود. ‌در این مدل مطابق با نیاز برخی از سازمان‌های متولی ارائه خدمات شهری، ساختار سلسله مراتبی بلوک‌ها مدنظر قرار گرفته است. بدین منظور در یک تصمیمگیری یکپارچه، مناطق جمعیتی به بلوک‌های اصلی تقسیم شده و سپس هر بلوک به تعدادی زیربلوک تقسیم شده است. هدف از این نوع تقسیم بندی تهیه ساختار مناسب برای کنترل جریان خدمات از سطح عملیاتی به سطح مدیریتی است. با توجه به اینکه مساله بلوک‌بندی از رده مسائل ان پی سخت است، جهت حل مثال‌های عددی در دنیای واقعی نیاز به استفاده از الگوریتم‌های فراابتکاری است. در این تحقیق دو الگوریتم فراابتکاری ژنتیک و گرگ خاکستری جهت حل مسائل در ابعاد بزرگ به کار رفته است. طبق نتایج محاسباتی می‌توان مشاهده نمود که علیرغم وجود کارایی بالای هر دو الگوریتم در حل نمونه‌های عددی در ابعاد کوچک، الگوریتم‌ گرگ خاکستری توانایی بیشتری در حل نمونه‌های عددی در ابعاد بزرگ نسبت به الگوریتم ژنتیک دارد. نتایج این تحقیق می‌تواند به عنوان یک ابزار مدیریتی در حل مساله بهینهسازی بلوک‌بندی مناطق جمعیتی از جمله در سیستم سلامت مورد استفاده مدیران قرار گیرد.

A mathematical model and metaheuristic algorithms to solve demographic areas partitioning problem in a hierarchical structure

Hospital waste collection is one of the most important issues in urban service management. In this research, a mathematical model is developed to partition demographic areas in the hospital services system. In this model, regarding the needs of some service providers, the hierarchical structure of the partitions is considered. For this purpose, in a unified decisionmaking process, populations are divided into main partitions, and then, each one is divided into a number of subpartitions. The purpose of this type of segmentation is to provide an ordered structure to control the service flow from the operational level to managerial level. Since partitioning is an NPhard problem, it is necessary to use metaheuristic algorithms to solve numerical examples in the real world. Here, genetic and gray wolf algorithms have been developed to solve largescale problems. Despite the high efficiency of both algorithms, the computational results showed that the gray wolf algorithm is more capable in solving largescale problems. The results of this study can be used as a management tool in solving types of populationbased partitioning problems, including the problems of health systems.