《Algorithms》：A Multi-Scenario Approach of Emergency Rescuer Training and Dispatching Integration with Knowledge Accumulation Function for Large-Scale Emergencies
编辑推荐：
针对大规模紧急情况的响应，应急人员常因分散管理和专业培训不足而面临专业能力欠缺和关键人员短缺，这危及自我保护和救援绩效。现有文献大多将培训与调度视为孤立过程，过度强调人员分配而低估培训评估，并普遍假设有足够合格人员，从而未能解决能力差距和多场景短缺问题。为填补
针对大规模紧急情况的响应，应急人员常因分散管理和专业培训不足而面临专业能力欠缺和关键人员短缺，这危及自我保护和救援绩效。现有文献大多将培训与调度视为孤立过程，过度强调人员分配而低估培训评估，并普遍假设有足够合格人员，从而未能解决能力差距和多场景短缺问题。为填补这些研究空白，本文开发了一种具有知识积累功能的应急人员培训与调度集成多场景方法。该方法整合了集中式调度前培训和动态多场景调度，建立了基于知识积累和能力效用函数的培训评估模型，采用时间依赖型任务惩罚变量评估短缺影响，并运用SEVIR模型预测紧急医疗需求。构建了一个多目标优化模型，并通过粒子群优化（PSO）和贪婪算法进行比较求解。贡献有三：（1）提出培训-调度集成框架以打破传统分离；（2）通过知识积累实现可量化的培训评估；（3）通过紧急医疗任务验证该方法，表明PSO算法能获得更低的惩罚和更高的效用。这种集成方法有效提升救援能力，缓解短缺风险，提高应急响应效率。
**论文解读：大规模紧急情况下应急人员培训与调度集成多场景方法**
**研究背景与问题**
近年来，大规模灾害频发推动应急队伍发展。然而，基层应急人员分散于企事业单位从事日常工作，仅接受常规基础培训，在突发事件发生时临时召集。大规模紧急事件的严重性与复杂性要求多种技能，日常培训无法充分覆盖。现有研究多将培训与调度视为独立环节，过度侧重人员分配，忽视培训评估，并假设有足够合格人员可用，未能解决能力不足与多场景短缺问题。因此，需将培训与调度视为集成过程，以提高应急人员自我保护能力与救援效率。
**研究内容与结论**
研究人员提出一种融合知识积累功能的应急人员培训与调度集成多场景方法。该方法通过调度前集中式培训提升技能，利用知识积累函数和能力效用函数构建培训评估模型，采用时间依赖型任务惩罚变量评估人员短缺的负面影响，并应用SEVIR（易感-暴露-疫苗接种-感染-康复）模型预测紧急医疗需求。构建了以惩罚最小化和效用最大化为目标的多目标优化模型，采用粒子群优化（PSO）算法和贪婪算法求解。通过数值算例验证，结果表明PSO算法在优化程度和短缺影响控制上优于贪婪算法，且该方法能有效提升救援能力、降低短缺风险。相关论文发表在《Algorithms》。
**主要关键技术方法**
研究人员采用了以下关键技术方法：基于学习曲线（learning curve）的知识积累函数（knowledge accumulation function），用以量化培训时间与技能水平的关系；基于边际效用递减规则的能力效用函数（capability utility function），用于评估培训效用；SEVIR模型（易感-暴露-疫苗接种-感染-康复，Susceptible-Exposed-Vaccinated-Infected-Recovered模型），用于预测紧急医疗任务中各类状态人群的数量，进而估算救援需求；时间依赖型任务惩罚变量（task penalty variable），用于评估不同响应时间与任务空缺的负面影响；多目标优化模型（multi-objective optimization model），整合惩罚最小化与效用最大化目标；求解算法包括粒子群优化（PSO）算法和贪婪算法（greedy algorithm）。案例中假设两个灾害点与两个救援点，参考实际医疗援助数据（如方舱医院人员配比）建立伤员数量与所需救援人员数量之间的线性关系。
**研究结果**
**4.1 案例描述**
研究人员假设多个受灾区域存在不同等级的聚集性医疗事件，设置两个场景，每个场景包含两个灾害点和两个救援点。初始场景中分别有80名和160名应急人员可供调度，并在完成第一个场景任务后允许40名优秀人员再调度（redispatch）至下一个场景。救援任务包括后勤保障、护理观察、诊断治疗、专家会诊、设备实操、心理调适、感染防控以及经验知识等八种技能。通过预培训能力评估矩阵初始化各救援人员的技能水平。
**4.2 计算实验**
应用SEVIR模型预测灾害点疫情演化，设定最大响应时间为7天，每日培训与工作时间上限8小时。基于实际医疗数据（如重症患者与救援人员比例3.91:1，轻症患者与救援人员比例0.72:1至1.3:1）推导出伤亡人数与所需各类救援人员数量之间的线性关系：每名重症患者配4名救援人员，每名轻症患者配1名救援人员，每10名隔离人员配1名管理人员。据此计算得出每个场景存在约27%的人员短缺和任务空缺。利用SEVIR模型输出结果和合理权重计算任务惩罚变量，评估空缺影响。采用粒子群优化（population size=10000，最大迭代1000次）和贪婪算法求解模型，得到两个解方案（解P和解G）。
**4.3 对比分析**
从任务空缺、短缺影响、能力效用和人员再调度四个方面进行对比。**任务空缺方面**：解P中空缺主要集中在需求少或技能要求高的任务（如专家会诊），可通过召集当地志愿者或远程视频会诊弥补；解G中除任务外其他任务均满足，但最大灾害点（T?, D?）的任务空缺率高达57.7%和76.3%，可能随疫情恶化导致医疗系统过载。**短缺影响方面**：解P的总任务惩罚分数（166.61）高于解G（163.28），但实际任务执行惩罚值（8174.20）低于解G（7206.90），而任务空缺惩罚值（4217.30）显著低于解G（5613.80），说明解P通过更合理的调度缓解了严重灾害点的空缺冲击。**能力效用方面**：解G优先培训高效用低惩罚的任务，解P则聚焦关键任务（如感染防控），两者能力效用值相近，但解G的培训费用高出6391.02元。**人员再调度方面**：40名再调度人员可节省约800相对培训成本和600小时培训时间，占总培训费用的24.18%。总体验证了集成方法的有效性，表明PSO算法在优化程度（4.02%）和短缺影响（2.04%）上优于贪婪算法。
**总结讨论**
研究人员在结论部分指出，本研究提出了大规模紧急情况下应急人员培训与调度集成多场景方法，强调培训与调度的交互与不可分割性。通过知识积累函数和能力效用函数建立培训评估模型，通过任务惩罚变量评估不同响应时间和空缺的负面影响，并以紧急医疗任务为例给出具体实现。构建的多目标优化模型经计算实验和对比分析验证，PSO算法表现更优。该方法对应急管理具有以下启示：第一，应建立动态能力积累机制，知识积累函数可量化技能随时间增长，支持再调度决策；第二，任务惩罚驱动的优化可基于响应时间和空缺状态灵活调整调度方案；第三，培训与调度的联合优化使培训内容与实际需求对齐，降低总体惩罚。模型输出可量化伤亡人数和任务覆盖率，辅助指挥官在资源约束下优先关键任务，并早期预警技能缺口。该方法适用于医疗、消防、工程救援等多种应急场景，可借助粒子群优化或贪婪算法快速部署，有效缓解人员不足和技能不足问题，提高救援效率。研究仍存在局限：未考虑不同类型救援人员的培训内容设计，低估了救援力量的复杂性与多样性；任务惩罚函数方法需进一步探索；计算实验数量不足。未来计划分析应急人员特征（如专业背景、主观意愿）以细化培训与调度内容设计，并利用机器学习等技术更精准地评估培训效果和短缺影响。
