حل مسئلۀ پوشش تدريجي خدمات درماني با شبيه‌سازي تبريد و روش‌هاي خوشه‌بنديk-means و شبكۀ عصبي

Solving Gradual Govering of Healthcare Services by Simulated Annealing and Kmeans and Artificial Neural Network Clustering Methods

در مسائل مكانيابي پوشش نوين، افزايش فاصله از تسهيل ارائه دهنده سرويس در ناحيه پوشش، موجب كم شدن سطح پوشش دهي مي گردد و تحت عنوان پوشش تدريجي در نظر گرفته مي شود، با ازدياد نقاط تقاضا، زمان حل در اينگونه مسائل افزايش مي يابد. لذا روشهاي مختلف حل از جمله دقيق، فرا ابتكاري و ابتكاري براي مدلهاي مختلف مسئله پوشش تدريجي مطرح شده است. در اين مقاله مسئله پوشش تدريجي با استفاده از روشهاي شبيه سازي تبريد، خوشه بندي شبكه عصبي و خوشه بندي k‏means حل شده و جوابها و زمانهاي بدست آمده از سه روش مورد تحليل قرار گرفته است. نتايج بدست آمده نشان دهنده كارايي روش kmeans در حل مسئله است و اين روش مي تواند در مدت زمان قابل قبول جوابهايي با دقت بالا (نزديك به جوابهاي بدست آمده از روش شبيه سازي تبريد) توليد نمايد. در ادامه كاربرد روشهاي خوشه بندي در مسئله پوشش تدريجي براي احداث مركز خريد در ايران مورد ارزيابي قرار گرفته و تسهيلات بدست آمده با اين روش به مكانهايي اختصاص داده شده اند كه بيشترين پوشش را دارا هستند.

In the recent covering studies it is assumed that the coverage is dependent to the distance from the service point and the coverage will be decreased by increasing the distance. Also in the large scaled problems the solution time will be growth exponentially by exact solution methods. In this paper three solution methods based on the simulated annealing, Kmeans clustering and clustering by artificial neural network are presented for the gradual covering location problem. Moreover the results by mentioned three solution methods were compared and analyzed. The results showed that the Kmeans clustering in gradual covering problem has reasonable results and computational time. The proposed method was analyzed more in a case study of Iran technical hospitals covering problem.