从华中杯赛题看医院患者转运：运筹学与离散事件仿真的实战解析

1. 项目概述：从一道赛题看医疗流程优化的现实挑战

每年一到数学建模竞赛季，无论是国赛、美赛还是像华中杯这样的区域性重要赛事，总有一道题会引发参赛者和行业观察者的特别关注。今年华中杯的D题“患者院内转运”就是这样一个典型。它看似是一个抽象的数学优化问题，实则精准地切入了现代医院管理中的一个核心痛点——如何安全、高效、有序地完成患者在院内不同功能区域之间的转移。这道题的价值，远不止于让参赛队伍在72小时内提交一份漂亮的论文，它更像是一个引子，让我们这些在医疗信息化、医院运营管理领域摸爬滚打多年的从业者，有机会系统地审视和梳理这个“熟悉的陌生人”。

患者院内转运，指的是患者在医院内部，因诊断、治疗或护理需要，从一个科室或区域（如病房、手术室、ICU、影像科、检验科）转移到另一个科室或区域的过程。这个过程听起来简单，但实际操作中牵一发而动全身。它涉及到的人员至少包括转运护士、护送工人、可能随行的医生或家属；涉及的资源有平车、轮椅、电梯、转运呼吸机、监护仪等设备；而约束条件则更为复杂：不同患者的病情危重程度（决定了转运优先级和所需监护级别）、各科室的地理位置与楼层分布、电梯的运力与等待时间、转运任务的时间窗要求（比如预约的CT检查时间）、甚至不同时段医院走廊的人流密度。任何一个环节的堵塞或延误，轻则导致检查预约作废、手术延迟，重则可能影响患者安全。因此，这道题本质上是一个带有多重约束的动态资源调度与路径规划问题，其核心目标是在有限的时空和人力资源下，最大化转运效率（如完成尽可能多的任务）并保障安全与公平性。

对于参赛的学生而言，这是一个绝佳的综合能力训练场，需要运用运筹学、图论、排队论、仿真乃至启发式算法等知识。而对于我们这些行业内的实践者，这道题提供了一个高度凝练的模型框架，用以反思和改进实际工作。接下来，我将以一个资深从业者的视角，抛开竞赛论文的固定格式，深入拆解这道题背后的现实逻辑、可用的建模思路、算法选型的考量，以及那些在真实场景中比数学模型更“磨人”的细节与经验。

2. 核心需求解析与问题抽象：把现实困境翻译成数学语言

面对“患者院内转运”这样一个开放性问题，第一步也是最关键的一步，就是进行问题抽象。你不能被“患者”、“平车”、“电梯”这些具体名词困住，而要看到它们背后的数学本质。这决定了你后续模型的高度和可解性。

2.1 核心要素的数学化定义

首先，我们需要将现实中的各类实体和关系，映射为模型中的元素：

1. 转运任务（Jobs）：每个需要转运的患者对应一个任务。每个任务i可以用一个多元组定义：(o_i, d_i, t_ready_i, t_due_i, p_i, r_i, type_i)。

   • o_i,d_i：起点和终点坐标（或节点编号），这需要一张医院的楼层平面图数字化后的网络图。
   • t_ready_i：任务就绪时间（如病房护士通知转运中心的时间）。
   • t_due_i：任务截止时间（如检查预约时间）。
   • p_i：任务处理时间，即实际转运途中所花费的时间，这取决于路径长度和转运员速度。
   • r_i：任务所需资源类型和数量（如：1名护士+1名工人，或需要配备转运监护仪）。
   • type_i：任务类型/优先级，通常与患者病情相关（如急诊、危重、普通）。

2. 资源（Resources）：

   • 转运团队（Servers）：可以是单人（护工），也可以是固定搭配的小组（1护1工）。每个团队有特定的服务技能（是否能操作呼吸机）和状态（空闲、工作中、交接中）。
   • 设备（Tools）：平车、轮椅、监护仪等。它们可能有不同的属性（电动/手动、是否带电池），并且可能存在“资源依赖”关系（例如，转运某个危重患者必须同时占用一个团队和一台监护仪）。
   • 通道资源（Path Resources）：这是本题极易被忽略但至关重要的部分。电梯是最典型的瓶颈资源。它可以被建模为一种特殊的“服务器”，其服务对象是“等待使用电梯的转运任务”，服务时间是电梯上下运行一个周期的时间。走廊拥堵则可以建模为网络边上随时间变化的通行时间函数。

3. 时空网络（Network）：医院建筑结构需要抽象为一个有向图G=(V, E)。节点V代表房间、电梯厅、楼梯口等关键位置；边E代表走廊、通道，每条边有权重w(e)，代表通行时间（可能随时间或人流变化）。电梯则需要特殊建模，可以视为连接不同楼层对应节点的、带有容量和运行时间约束的“垂直边”。

2.2 优化目标的权衡

题目通常会要求优化多个目标，这就需要我们理解其现实意义并进行权衡：

• 最大化完成任务数量：这是效率最直接的体现。在资源极度紧张时，确保更多患者能及时完成检查或治疗。
• 最小化总转运时间/平均延迟时间：提升患者体验，减少在走廊或电梯厅的无效等待，也间接降低了风险。
• 最小化任务延迟（Tardiness）：特别是对于有严格时间窗的任务（如增强CT），延迟可能导致检查失败或造影剂浪费，成本很高。
• 公平性（Fairness）：避免某些科室或低优先级患者的任务被无限期推迟。可以通过设置最大等待时间阈值或引入优先级衰减函数来实现。
• 资源利用率：让转运团队和设备尽可能高效运转，减少空闲。

注意：在实际建模中，多个目标通常需要通过加权求和转化为单目标，或者采用分层优化（如优先保证危重患者零延迟，再优化其他指标）、帕累托前沿分析等方法处理。向评委清晰阐述你进行目标权衡的逻辑，比单纯追求一个复杂的多目标算法更重要。

2.3 关键约束条件梳理

模型必须尊重以下硬约束，它们构成了问题的“骨架”：

1. 任务不可分割：一个任务必须由一个团队一次性完成，不能中断或拆分。
2. 资源独占性：一个团队或设备在同一时间只能服务于一个任务。
3. 时间窗约束：任务必须在[t_ready_i, t_due_i]时间窗内开始（或完成），这是一种软约束或硬约束。
4. 路径可行性：转运路径必须在时空网络G中是连通的，且遵守电梯等设施的使用规则。
5. 资源匹配约束：任务的资源需求r_i必须被满足（如危重患者必须由有资质的护士护送）。
6. 动态性：新任务是随时间陆续到达的，而非全部事先已知。这要求模型或算法具备在线（Online）或滚动时域（Rolling Horizon）处理能力。

3. 建模思路与算法选型：没有银弹，只有权衡

将现实问题抽象为数学模型后，接下来就是选择用什么工具来求解。这道题没有标准答案，不同的思路体现了不同的侧重点和复杂度。

3.1 思路一：基于时空网络的混合整数规划（MIP）

这是最“正统”也最复杂的思路。我们可以为每个任务i的每个可能开始时间t，在网络的每条边e上，定义一个0-1决策变量x(i,t,e)，表示任务i是否在时间t占用边e。同时，为资源和任务分配定义另一组变量。

优势：严谨，能获得精确的数学描述，理论上可以找到全局最优解（如果可解的话）。劣势：对于大规模问题（几十个任务，几百个网络节点），变量和约束的数量会爆炸式增长，导致模型无法在合理时间内求解。这更适用于小规模场景的理论分析或作为其他算法的基准（Benchmark）。

实操心得：在竞赛中，如果你选择MIP，一定要说明你如何通过合理简化来降低问题规模。例如：将连续时间离散化为以5分钟为间隔的时间片；只考虑主要路径而非所有走廊；将同科室、同优先级的一批患者聚合为一个“批量任务”。否则，模型可能连构建都困难。

3.2 思路二：两阶段启发式算法（主流且实用）

这是实践中和竞赛中最常用的方法，它将复杂问题分解为两个相对独立的子问题，分而治之。

阶段一：任务分派与排序（指派问题）在这个阶段，暂时忽略路径上的细节冲突（如电梯拥堵），专注于“将哪个任务分配给哪个团队，以及按什么顺序执行”。这可以建模为一个带时间窗和资源约束的并行机调度问题。每个转运团队是一台“机器”，任务是“工件”。

• 常用算法：
  • 规则调度法：最简单高效，如最早截止时间优先（EDD）、最短处理时间优先（SPT）、最高优先级优先（HP）。可以快速得到一个可行解。
  • 遗传算法（GA）：对任务序列或任务-团队分配进行编码，以总延迟时间、完成任务数等为适应度函数，进行迭代进化。鲁棒性强，易于处理多目标。
  • 禁忌搜索（TS）：通过定义邻域操作（如交换两个任务、将一个任务移到另一个团队队列中），在当前解的邻域中寻找更优解，并用禁忌表避免循环。
  • 模拟退火（SA）：以一定概率接受劣解，有助于跳出局部最优。

阶段二：路径规划与冲突消解（路径规划问题）在确定了每个团队的任务序列和大致开始时间后，第二阶段为每个任务规划具体路径，并解决因共享资源（主要是电梯）产生的时空冲突。

• 路径规划：对于静态环境，Dijkstra或A*算法足以找到最短时间路径。但医院环境是动态的，你需要一个考虑电梯等待时间的“时间依赖的最短路径算法”。一个实用的方法是：将电梯的等待和运行时间折算为通过“电梯节点”的额外时间成本，在路径搜索时进行估算。
• 冲突消解：当两个团队计划同时使用同一部电梯时，就产生了冲突。解决策略有：
  1. 固定时间窗预约：为电梯使用预先分配时间片（如每5分钟一个时段），团队必须按预约时间到达。这需要回溯调整第一阶段的任务开始时间。
  2. 实时排队规则：在仿真中，当团队到达电梯厅时，如果电梯忙，则进入队列等待。这更贴近现实，但可能导致“拥堵传播”。
  3. 基于规则的调整：例如，让载有危重患者的团队优先使用电梯，其他团队重新规划路径（如走楼梯或换乘另一部电梯）。

两阶段算法的衔接：这两个阶段需要迭代进行。第二阶段发现的严重冲突（如某个任务因等电梯延迟太久而超时）可能需要反馈给第一阶段，重新调整任务分配或排序。这就形成了一个“调度-仿真-调整”的循环，直到得到一个满意的可行方案。

3.3 思路三：基于多智能体强化学习（前沿探索）

这是一个非常前沿的思路，将每个转运团队视为一个智能体（Agent），其目标是学习一个策略（Policy），根据当前观察到的状态（如自身位置、携带任务、周围电梯状态、未完成任务列表等），选择动作（如前往接患者、选择哪条路径、是否等待电梯）。整个系统的目标是最大化长期累积奖励（如完成任务数、负的延迟时间）。

优势：能处理高度动态和不确定的环境，理论上可以学到非常高效的协同策略。劣势：需要大量的仿真数据进行训练，算法实现复杂，训练过程不稳定，且最终策略的可解释性较差。在有限的竞赛时间内，很难实现一个完整、有效的强化学习模型，风险极高。

给参赛者的建议：对于华中杯这类时间紧、任务重的竞赛，思路二（两阶段启发式）是稳健且易出成果的选择。你可以用遗传算法做任务调度，用离散事件仿真来模拟路径执行和冲突消解。这样既能体现算法复杂度，又能通过仿真得到直观、可信的结果。务必用清晰的流程图展示你的两阶段框架和迭代过程。

4. 仿真实现与核心环节：让模型“跑”起来

模型和算法停留在纸面上是没有意义的，必须通过仿真来验证其有效性。这里我分享一个基于离散事件仿真（Discrete Event Simulation, DES）的实现框架，这是处理此类动态调度问题最有力的工具。

4.1 离散事件仿真引擎的构建

仿真核心是维护一个“未来事件列表”（Future Event List, FEL），按时间顺序处理事件，推动仿真时钟前进。

关键事件类型：

1. 新任务到达事件：在t_ready_i时刻，将任务i加入“待调度任务池”。
2. 任务开始事件：调度器为某个团队分配任务，团队前往起点。
3. 资源占用/释放事件：团队到达路径节点（如电梯口）时申请占用资源（电梯），使用完毕后释放。
4. 任务完成事件：团队将患者送达目的地，释放所有资源，该团队变为空闲状态，触发新的调度决策。

仿真流程伪代码：

初始化：加载任务列表、网络地图、资源状态，设置仿真时钟time=0，初始化FEL（加入所有任务到达事件）。 while (仿真时钟 < 结束时间 且 FEL非空)： 从FEL中取出下一个事件（时间最小） 仿真时钟 = 该事件时间 处理该事件： - 若是“任务到达”：将任务加入待调度池，尝试触发调度器。 - 若是“团队到达路径节点”：判断下一段路径所需资源（如电梯）是否可用。 * 可用：占用资源，计算下一段行程时间，生成“到达下一个节点”或“释放资源”事件加入FEL。 * 不可用：加入该资源的等待队列。 - 若是“资源释放”：释放资源，检查其等待队列，为队列中第一个任务分配资源并生成相应事件。 - 若是“任务完成”：更新统计量（完成数、延迟时间等），将团队状态置为空闲，触发调度器。 调度器（触发条件：有待处理任务且有空闲团队）： 根据当前所有待处理任务和空闲团队的信息，运行你的核心算法（如遗传算法的一代优化），为团队分配任务。 为每个分配生成“任务开始”事件加入FEL。

4.2 关键参数设置与数据生成

竞赛通常不会提供真实医院数据，需要你自己生成或合理假设。

1. 医院地图生成：构建一个简化的多层网格地图。例如，一个5层楼，每层有10个房间节点和2个电梯厅节点。用邻接矩阵或字典存储节点间的距离（通行时间）。
2. 任务生成：
   • 到达过程：通常假设服从泊松过程，用指数分布生成任务间隔时间。
   • 起点和终点：根据科室功能随机分配（如病房->影像科，手术室->ICU）。
   • 处理时间：基于路径长度和团队速度（如1m/s）计算，加上固定的操作时间（如床边交接5分钟）。
   • 时间窗：t_ready_i即到达时间，t_due_i可设为t_ready_i + 随机偏移量（如30-90分钟）。
3. 资源设置：明确转运团队数量（如4组）、电梯数量、速度、容量（如一次最多容纳2个平车团队）。

4.3 评估指标计算

仿真结束后，需要计算一系列指标来评价你的调度方案：

你需要对比不同调度算法（如先来先服务FCFS vs 你的智能算法）在这些指标上的表现，用数据证明你方案的优越性。

5. 模型拓展与深化思考：超越基础要求

如果只完成基础建模和仿真，文章可能流于平庸。要脱颖而出，需要展现更深度的思考，以下是一些可以拓展的方向：

5.1 不确定性建模：真实世界的核心挑战

现实中的转运充满不确定性，模型需要具备鲁棒性。

• 任务时间不确定性：转运实际耗时可能因患者状况、走廊临时障碍而波动。可以在仿真中为每段路径时间引入一个随机扰动（如服从正态分布N(μ, σ²)）。
• 紧急插单：模拟急诊患者需要立即转运的情况。你的调度算法需要能动态响应，可能采用“抢占式”调度，即暂停一个低优先级任务，先执行紧急任务。
• 资源故障：模拟一部电梯突然停运。你的路径规划模块需要能动态重新规划，避开故障资源。

处理不确定性的高级方法包括随机规划或鲁棒优化，但在竞赛中，一个更实用的方法是在仿真中多次运行（蒙特卡洛模拟），统计指标的平均值和方差，以此评价算法的稳定性。

5.2 多目标优化的帕累托解集展示

当优化目标超过两个时（如同时最小化平均延迟、最大化完成率、最小化资源闲置），很难找到一个解在所有目标上都是最优。此时，可以运行算法多次，每次调整目标函数的权重，得到一组非支配解（帕累托解集）。

你可以用一个二维或三维散点图来可视化这个解集。例如，X轴是平均延迟，Y轴是任务完成率。图中的每一个点代表一种调度方案。那些位于“前沿”上的点（即找不到另一个点在两个目标上都比它好）就是帕累托最优解。向评委展示这个前沿，并讨论不同解之间的权衡（“想要完成率更高，就得接受稍长的平均延迟”），能极大提升论文的理论深度。

5.3 可视化呈现：让结果一目了然

一份优秀的数模论文离不开出色的可视化。

1. 甘特图：展示每个转运团队随时间推移的任务执行情况，不同颜色代表不同任务或状态（行驶、等待、操作），能清晰看到资源利用和任务排程。
2. 医院地图热力图：在仿真过程中，记录各个走廊节点和电梯的使用频率，最后用热力图叠加在地图上。这能直观揭示医院的“堵点”，为医院流程改造提供依据。
3. 动态仿真过程动画：这是“大杀器”。你可以用Python的matplotlib.animation或专门库，制作一个动态短片，展示转运团队如何在医院地图上移动、使用电梯、执行任务。这能极其生动地展示你的算法如何工作。

6. 参赛实操心得与避坑指南

结合我带队的经验和看过的大量论文，这里总结几个关键的“要”与“不要”。

要做的：

1. 尽早确定问题边界：D题往往描述开放，切忌想一口吃成胖子。第一天就要和队友商定：我们假设医院有几层？几个团队？任务生成规则是什么？忽略哪些次要因素（如家属陪同）？明确的假设是合理建模的前提。
2. 采用“原型-迭代”开发模式：不要一开始就追求完美算法。先用最简单的规则（如FCFS）和最简单的仿真框架，跑通整个流程，得到基础结果。然后，逐步替换其中的调度模块、路径规划模块，每次只改进一个点，并对比效果。这样逻辑清晰，调试方便。
3. 分工明确，代码版本管理：一人主攻建模与算法设计，一人主攻仿真编程，一人主攻论文写作与可视化。使用Git或至少定期打包备份代码，避免最后一天合并时冲突或丢失。
4. 结果分析要深入：不要只说“我们的算法将平均延迟降低了20%”。要分析为什么降低了？是因为算法更智能地避开了电梯高峰，还是因为任务排序更合理？结合具体的仿真日志和可视化图表来说明。

不要做的：

1. 不要堆砌复杂算法而忽视基础：用了一个非常深奥的算法，但连基本的任务队列数据结构都设计不好，仿真逻辑漏洞百出，这是本末倒置。模型的正确性和稳定性永远排在第一位。
2. 不要忽略电梯建模：很多队伍把转运时间简单设为固定值，完全忽略了电梯等待这个最大瓶颈。只要你的模型细致地考虑了电梯调度，哪怕算法简单，也已经超越了大部分对手。
3. 论文不要写成代码说明书：论文的重点是“问题分析-模型构建-算法思想-结果讨论”。核心的公式、流程图、结果图表必须清晰。伪代码可以给，但大段的程序代码请放到附录。评委最想看到的是你的建模思想和分析能力。
4. 不要到最后一天才写论文：从第一天起，就要有人同步记录思路、绘制图表、撰写问题重述和分析部分。最后一天应该是整合、润色和做摘要，而不是从头开始写。

患者院内转运问题，是一个经典的运筹学在医疗管理中的应用。它考验的不仅仅是数学和编程能力，更是将模糊现实抽象为清晰模型的能力，以及在多重约束下寻找平衡点的系统思维。无论比赛结果如何，深入思考这个问题的过程本身，就是对解决复杂现实问题的一次绝佳演练。在实际的医院项目中，类似的模型和仿真技术，正是我们用来评估新建医院流程设计、优化现有转运资源配置、甚至进行应急预案推演的核心工具。希望这份基于实战经验的拆解，能为你点亮一盏灯，不仅仅是应对一场比赛，更是打开一扇通往工业工程与智慧医疗的大门。