Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255

daftar isi yang tersedia di ScienceDirect

Komputer di Biologi dan Kedokteran

jurnal homepage: www.elsevier.com/locate/cbm

manajemen stok di apotek rumah sakit menggunakan kesempatan-terkendala model prediktif

kontrol $

I. Jurado Sebuah . JM Maestre b . n . P. Velarde b . C. Ocampo-Martinez c . I. Fernández d .

B. Isla Tejera d . JR del Prado e
Sebuah Departamento de Matemáticas e Ingenieria, Universidad Loyola Andalucía, Kampus Palmas Altas, C / Energia Surya 1, Edi fi cio G, 41.014 Sevilla, Spanyol
b Departamento de Ingenieria de Sistemas y Automatica Universidad de Sevilla, 41.092 Sevilla, Spanyol
c Departemen Automatic Control, Universitat Politècnica de Catalunya, Institut de Robotica i Informatica Industri (CSIC-UPC), Llorens i Artigas, 4-6, 08028 Barcelona, ​Spanyol

d Farmasi Departemen, Rumah Sakit San Juan de Dios, Córdoba, Spanyol

e Farmasi Departemen, Rumah Sakit Universitario Reina Sofía, Córdoba, Spanyol

articleinfo abstrak

Pasal sejarah: Salah satu masalah yang paling penting di departemen farmasi rumah sakit adalah manajemen stok. Kebutuhan klinis untuk obat harus satis fi ed
Menerima 27 April 2015 Diterima 18 dengan tenaga kerja terbatas dan meminimalkan penggunaan sumber daya ekonomi. Kompleksitas masalah tinggal di sifat acak permintaan
November 2015
obat dan beberapa kendala yang harus diperhitungkan dalam setiap keputusan. Pada artikel ini, kesempatan-dibatasi kontrol prediktif model
yang diusulkan untuk menangani masalah ini. Itu fl fleksibilitas dari model kontrol prediktif memungkinkan memperhitungkan secara eksplisit
Kata kunci: tujuan dan kendala yang terlibat dalam masalah yang berbeda sedangkan penggunaan kendala kesempatan menyediakan trade-off antara
Farmasi rumah sakit Inventarisasi konservatif dan ef fi siensi. Solusi yang diajukan dinilai untuk mempelajari pelaksanaannya di dua rumah sakit di Spanyol.
manajemen Model kontrol prediktif
kendala Kesempatan Stochastic
Kontrol
& 2015 Elsevier Ltd All rights reserved.

Risiko Farmasi Manajemen stockout

1. Perkenalan
manajemen stok adalah masalah umum yang hadir di hampir semua perusahaan dan organisasi.
Solusi untuk masalah ini diberikan oleh kebijakan yang menentukan bagaimana dan kapan perintah
harus ditempatkan. Namun, ada dif berbeda fi kesulitan-terkait untuk masalah ini. Dalam fi Tempat
pertama, ada ketidakpastian dalam permintaan dan keterlambatan dalam pengiriman, yang membuat
masalah tidak deterministik dan memerlukan tingkat konservatisme untuk menghindari stockouts. Hal
ini perlu untuk mengatakan bahwa kurangnya obat-obatan tertentu di rumah sakit dapat
membahayakan kehidupan pasien rawat inap dan, dalam kasus terburuk, mungkin memiliki
konsekuensi bencana dalam bentuk kerugian manusia. Untuk menghindari situasi ini, lebih disukai
untuk meningkatkan tingkat stok, tapi ini tidak selalu mungkin karena kendala ekonomi. Sebenarnya,
apotek merupakan sumber utama dari biaya di rumah sakit. Di [1] , Diperkirakan bahwa sekitar 20 - 35%
anggaran barang dari rumah sakit umum dihabiskan oleh departemen farmasi. Dalam arti yang lebih
luas, keterbatasan yang ditetapkan oleh anggaran juga diterjemahkan ke dalam sumber daya
manusia di apotek dan ruang yang tersedia untuk menyimpan obat-obatan, yang memperkenalkan
kendala tambahan untuk manajemen. Oleh karena itu, tidak mungkin untuk menempatkan dan
menerima pesanan terlalu sering karena kurangnya apoteker. Demikian juga, keterbatasan ruang
penting misalnya dalam obat-obatan yang harus disimpan dalam lemari es. Oleh karena itu, ada
kebutuhan untuk mengembangkan maju biaya-ef fi sien kebijakan aman untuk manajemen stok di
rumah sakit yang mampu menangani berbagai jenis kendala.
Secara umum, metode sederhana yang digunakan untuk memecahkan masalah pengendalian

dari persediaan. Sebuah kebijakan yang biasa adalah bahwa dari titik pemesanan kembali ð s; S Þ, yaitu, setiap kali

saham berada di bawah tingkat s, pesanan ditempatkan untuk meningkatkan saham hingga nilai S. Pilihan lain

adalah untuk fi Ukuran xa untuk pesanan, Q, dan mengirimkan pesanan setelah saham adalah pada tingkat s.

kebijakan terkait lainnya tentang cara untuk memecahkan masalah ini diberikan dalam

☆ Para penulis ingin mengakui Junta de Andalucía ( Pharmacontrol Project, P12-TIC-2400), untuk pendanaan [2 . 3] . Kelemahan utama dengan teknik ini adalah bahwa mereka tidak dapat memperhitungkan

pekerjaan ini.
semua faktor yang terlibat dalam masalah keputusan. Dalam literatur, alternatif lain juga diusulkan.
n Penulis yang sesuai.
Misalnya, Bermejo et al. [4] menyajikan model analitis untuk koordinasi persediaan dan transportasi di
Alamat email: ijurado@uloyola.es (I. Jurado), sistem rantai pasokan. Di [5] , Model jaringan rantai pasokan yang terdiri dari produsen dan pengecer,
pepemaestre@us.es (JM Maestre), pvelarde@us.es (P. Velarde),
di mana permintaan adalah acak, dikembangkan.
cocampo@iri.upc.edu (C. Ocampo-Martinez),
MariaIsabel.Fernandez@sjd.es (I. Fernández), beatrizislatj@gmail.com (BI Tejera),
joser.prado.sspa@juntadeandalucia.es (JRD Prado).

http://dx.doi.org/10.1016/j.compbiomed.2015.11.011
0010-4825 / & 2015 Elsevier Ltd All rights reserved.
 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255 249

strategi yang lebih disajikan di [6] , Di mana pilihan yang kompetitif dan kooperatif kebijakan variabel optimasi, yaitu, beban komputasi dari metode ini adalah lebih besar. Akhirnya, beberapa
persediaan dalam rantai pasokan dengan permintaan stokastik dipelajari. Di sisi lain, Rezapour dan oversimpli MPC fi es perhitungan tindakan kontrol karena rendahnya jumlah skenario dipertimbangkan.
Farahani [7] mengembangkan sebuah model untuk merancang jaringan rantai pasokan dengan Selain itu, semua metode ini memiliki kesamaan bahwa keberadaan skenario yang sangat parah
permintaan deterministik. dapat menyebabkan peningkatan konservatif [26] .

Dalam karya ini, model kontrol prediktif (MPC) strategi diusulkan diberikan fl fleksibilitas yang
ditawarkan oleh kerangka untuk menangani interaksi multi-variabel, kendala pada variabel masalah, Dalam tulisan ini, yang merupakan perluasan dari karya-karya sebelumnya
dan persyaratan optimasi secara sistematis. Selain itu, MPC telah berhasil diterapkan di industri [8] dan [27 . 28] , CC-MPC digunakan untuk memecahkan masalah manajemen persediaan di apotek rumah
dalam masalah yang sama. Beberapa karya berdasarkan pada penerapan MPC adalah, misalnya, [9 . 10] sakit. Secara khusus, rumusan masalah yang umum sehubungan dengan karya-karya tersebut, di
, Di mana MPC digunakan untuk manajemen rantai pasokan di bidang manufaktur semikonduktor.
mana perilaku Gaussian permintaan diasumsikan. Perkembangan matematika dari controller yang
Contoh lain dapat ditemukan di [11] , Di mana algoritma MPC didistribusikan dengan beban
disajikan di sini dapat diterapkan bahkan jika permintaan hanya ditandai statistik berdasarkan data
komunikasi yang rendah diuji dengan menggunakan MIT Beer Permainan (rantai patokan supply).
historis. Demikian juga, kasus beberapa rumah sakit yang bekerja sama untuk bersantai tingkat risiko
Perpanjangan dari skema ini untuk sistem dengan lebih dari dua kontroler juga diuji dengan rantai
mereka kontribusi lain dari pekerjaan ini. Harus juga mengatakan bahwa artikel ini telah dilakukan
pasokan di
dalam konteks proyek bernama Pharmacontrol,

[12] . Di [13] , Teknik MPC kuat digunakan dalam sistem productioninventory. Akhirnya, di [14] masalah
Tujuan yang adalah untuk meningkatkan manajemen persediaan di dua rumah sakit Spanyol.
pengelolaan persediaan dan rantai pasokan diperlakukan untuk mengurangi jumlah parameter tala
dengan teknik berdasarkan variasi MPC.
Sisa kertas ini disusun sebagai berikut. Pertama, deskripsi persediaan farmasi masalah optimasi
manajemen ditunjukkan pada Seksi 2 . bagian 3 menyajikan pernyataan MPC untuk masalah ini. Di bagian
Dalam kasus tertentu dari masalah kontrol stokastik, yaitu, mereka di mana sistem yang dikontrol
4 , Beberapa simulasi ditunjukkan dan hasil yang sesuai dibahas. Akhirnya, di
tunduk pada ketidakpastian dan / atau gangguan yang tidak diketahui, kebijakan kontrol dapat
menjamin bahwa variabel yang sebenarnya tidak melanggar kendala pada biaya konservatisme
tambahan. Artinya, tindakan dilaksanakan oleh kebijakan pengendalian yang dirancang untuk
menangani skenario terburuk, yang menghasilkan pemborosan sumber daya [15] . Dalam situasi ini, bagian 5 kesimpulan yang diambil.

dapat diterima untuk mengasumsikan tingkat risiko yang rendah untuk menghemat sumber daya.
Untuk tujuan ini, kendala asli dari masalah dapat dirumuskan secara probabilistik. Penggunaan kendala
kesempatan diperkenalkan di [16] dan telah dipelajari dalam kerangka pemrograman stokastik [17] .
manajemen persediaan 2. Farmasi

Pada bagian ini, latar belakang matematika yang dibutuhkan untuk membangun masalah
optimasi yang harus diselesaikan oleh CC-MPC disajikan.

Pelaksanaan MPC dalam kombinasi dengan kendala kesempatan dikenal sebagai

kesempatan-dibatasi MPC (CC-MPC). Dasar pemikiran dari pendekatan ini adalah untuk 2.1. sistem de fi definisi

menggantikan kendala keras dengan kendala probabilistik dan fungsi biaya nominal dengan nilai
yang diharapkan dalam perumusan MPC [18] , Yang mengarah ke masalah optimasi stokastik. Secara umum, akan diasumsikan bahwa ada N saya obat yang berbeda dalam persediaan

CC-MPC menawarkan keuntungan sebagai ketahanan, farmasi. Tingkat saham masing-masing mengikuti evolusi tergantung pada perintah dan permintaan.
evolusi ini diwakili oleh model linear diskrit, yang untuk kasus tertentu obat saya aku s

fl fleksibilitas, kebutuhan komputasi yang rendah, dan kemungkinan termasuk tingkat keandalan yang
terkait dengan kendala
[19 . 20] . Selain itu, karena CC-MPC memperhitungkan kinerja yang diharapkan dari loop tertutup
dengan kendala probabilistik bukannya langsung mencoba untuk menjamin kepuasan kendala yang s saya ð t þ 1 Þ ¼ s saya ð t Þþ X np saya Hai Ji ð t τ j ð1Þ
saya Þ? d saya ð t Þ;
kuat, ia menghindari konservatisme hadir dalam teknik MPC kuat lainnya, misalnya: [21 . 22] . j¼1

dimana s saya SEBUAH Z adalah stok obat i, o j

saya SEBUAH Z adalah jumlah memerintahkan

Ada alternatif lain dalam literatur MPC stochastic yang juga cocok untuk jenis masalah ini. Salah item ke J- th np saya penyedia obat saya, τ aku j adalah transportasi delay yang sesuai, dan d saya( t) merupakan
satu pilihan untuk menangani kendala pada input dan menyatakan sekaligus mengoptimalkan permintaan agregat obat saya.

beberapa kriteria kinerja, juga di hadapan ketidakpastian atau gangguan, adalah metode MPC
berbasis skenario yang diusulkan dalam [23] . Metode ini didasarkan pada optimalisasi input kontrol Jumlah barang pesanan dapat dimodelkan sebagai Hai j saya ¼ δ jsaya
jsaya ð t

atas fi cakrawala nite, tunduk pada batasan yang kuat di bawah fi Jumlah nite skenario acak dari τ Ji Þ Hai j
saya ð t τ j saya Þ, dimana δ Ji ð t Þ adalah variabel Boolean, yaitu, δ Ji ð t Þ ¼ 1 jika

ketidakpastian dan / atau gangguan. Sebuah pendekatan yang berbeda tetapi terkait pohon berbasis Agar obat saya untuk penyedia j ditempatkan selama waktu t, jika tidak
MPC [24] , Di mana gangguan dikelompokkan menjadi pohon berakar yang cabang-cabang sebagai δ Ji ð t Þ ¼ 0, dan Hai j saya SEBUAH Z mewakili jumlah barang pesanan dari
ketidakpastian tumbuh. Sebuah pohon tindakan kontrol dihitung untuk mencocokkan pohon
obat saya untuk penyedia j, hanya dalam kasus-kasus di mana δ j
saya ð t Þ ¼ 1.
gangguan oleh pengontrol MPC. Sebuah metode sederhana adalah beberapa MPC, yang diberikan
dalam [25] , Di mana tindakan kontrol dihitung bobot probabilitas terjadinya tiga skenario yang
mungkin. Sementara semua pendekatan ini bisa berlaku dalam untuk masalah dipertimbangkan 2.2. masalah optimasi rumah sakit tunggal

dalam artikel ini, mereka hadir beberapa kelemahan sehubungan dengan CC-MPC. Dalam fi Tempat
pertama, berbasis skenario MPC membutuhkan sejumlah besar data historis untuk memberikan Sistem ini dapat direpresentasikan sesuai dengan Gambar. 1 . Di dalam fi angka, input mewakili

tingkat risiko rendah. Pohon-berdasarkan MPC juga memerlukan sejumlah data historis dan unsur-unsur dipertimbangkan oleh manajer apotek untuk membuat keputusan tentang penempatan

memecahkan masalah dengan jumlah yang lebih besar dari order: taksiran permintaan, informasi tentang potensi risiko, dan kendala. Output adalah tingkat
optimal saham, biaya minimum, dan data tentang kapan dan berapa banyak pesanan harus
ditempatkan.

Setiap kali pesanan ditempatkan, biaya berikut yang terlibat:

250 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255

N adalah panjang horizon waktu di mana kondisi harus terpenuhi fi ed, dan N saya adalah jumlah
obat yang berbeda.
2. J 2: Beban. Ini penawaran jangka dengan minimalisasi
beban dalam perintah obat dan tingkat persediaan, yaitu

XN X N saya X np saya
min δ Ji ð t þ k THD psaya
j
Hai j ð t þ k Þþ C jsh; i Þ
saya
δ j Hai
i; j
saya 8 aku j k¼0 saya ¼ 1 j¼1

X N saya X N saya
þ XN C s; i s saya ð t þ k Þþ X N C o; i s saya ð t þ k Þ: ð5Þ

k¼0 saya ¼ 1 k¼0 saya ¼ 1

Gambar. 1. persediaan farmasi sebagai suatu sistem.

3. J 3: Pesanan. Istilah ini berupaya meminimalkan jumlah

? p aku j, yang harga yang ditawarkan oleh J- th penyedia obat saya. Hal ini seharusnya dalam
ditempatkan. Hal ini diperlukan karena menempatkan pesanan melibatkan biaya tertentu.
makalah ini bahwa itu tidak tergantung pada jumlah barang pesanan.
Demikian juga, beban kerja untuk staf di departemen farmasi terkait dengan istilah ini. Sebagai
contoh, di sebuah rumah sakit seperti Reina Sofía (Córdoba, Spanyol) lebih dari dua belas ribu
Cj
sh; i, yang merupakan obat saya biaya pengiriman ketika diminta dari penyedia j. C op; i, yang pesanan ditempatkan selama setahun. Secara matematis, itu dirumuskan sebagai
merupakan biaya pemesanan obat saya. C os; i adalah biaya yang menghukum ketika stok obat saya
adalah di bawah tingkat keamanan minimum yang diperbolehkan. Situasi ini sangat berbahaya
karena ada risiko tinggi untuk rumah sakit kehabisan obat saya. Dalam hal kebutuhan, adalah
mungkin untuk meminta rumah sakit lain untuk pinjaman. XN X N saya X np saya
min C op; i δ jsaya ð t þ k Þ: ð6Þ
δ
k¼0 saya ¼ 1 j¼1

C s; i adalah biaya penyimpanan obat saya. C o; i adalah biaya kesempatan memiliki obat saya dalam
penyimpanan apotek. Selain itu, kendala berikut dianggap:

kendala penyimpanan. Seperti yang dijelaskan sebelumnya, tingkat stok obat saya harus lebih
Perhatikan bahwa kedua tingkat stok dan biaya merupakan konsekuensi langsung dari perintah besar dari safety stock S saya min untuk meminimalkan risiko stockout. Selain itu, pembatasan ruang
ditempatkan. Akhirnya, tujuan dari manajer adalah sebagai berikut: (i) permintaan harus satis fi ed; (Ii) fi aktiva di ruang penyimpanan juga harus diperhatikan, yang membatasi jumlah maksimum obat yang

tetap harus dikurangi; dan (iii) jumlah order harus diminimalkan. Tujuan ini dianggap dalam masalah dapat disimpan di apotek. Karena itu,

optimasi. Secara khusus, indeks kinerja dipertimbangkan dalam pekerjaan ini melibatkan fungsi

tertimbang multikriteria mana menuntut kepuasan, biaya dan jumlah pesanan disertakan, yaitu, min
s saya SEBUAH ½ S saya min; S saya max: ð7Þ

kendala Order. Dalam rangka merumuskan kendala-kendala tersebut, dua jenis variabel akan
digunakan. Itu fi satu pertama adalah variabel Boolean δ j
ð2Þ
Hai J ≔ β 1 J 1 ð Hai; t Þþ β 2 J 2 ð Hai; t Þþ β 3 J 3 ð Hai; t Þ; saya ð t Þ SEBUAH ½ 0; 1 , Dimana nilai 1 berarti bahwa urutan
obat saya telah ditempatkan ke penyedia j selama waktu t, dan nilai 0 berarti bahwa tidak ada
dimana J 1, J 2 dan J 3 adalah istilah terkait untuk menuntut kepuasan, biaya, dan perintah,
pesanan telah ditempatkan. Dalam kasus menempatkan pesanan ð δ j
masing-masing. bobot β 1, β 2, dan β 3 memprioritaskan istilah yang berbeda dan memiliki yang kuat di fl pengaruh
saya ð t Þ ¼ 1 Þ, variabel lain yang mewakili jumlah memerintahkan item yang
dalam pemecahan masalah.
digunakan. Variabel ini harus dibatasi oleh kedua minimal dan nilai maksimum, yaitu

Istilah dalam fungsi tujuan 2 dijelaskan berikutnya dalam prioritas menurun:

; max
Haij Ji SEBUAH ½ min Hai Hai j : ð8Þ
saya saya

1. J 1: Permintaan kepuasan. Tujuan utamanya adalah minimalisasi Ada juga beberapa pertimbangan tentang jumlah minimum item untuk memesan:
dari stockout probabilitas. Masalah utama di sini adalah bahwa permintaan tidak diketahui
sebelumnya, yaitu, itu adalah stokastik. Mungkin juga ada ketidakpastian dalam penundaan - Distributor tidak bekerja jika jumlah orderan terlalu rendah. Oleh karena itu, ada minimal item
transportasi. Untuk alasan ini, biasanya dalam praktek untuk menetapkan safety stock untuk untuk memesan pada setiap waktu, min barang j
mengurangi dampak dari ketidakpastian. Ada dua kemungkinan dengan cara safety stock diatur: . Demikian juga, laboratorium farmasi membutuhkan
saya

itu dapat berupa fi yang tetap atau variabel. Mantan mengusulkan bahwa tingkat saham minimum jumlah minimum uang yang akan dikeluarkan. Yang diterjemahkan ke dalam ukuran minimum
diperkenalkan sebagai fi parameter yang tetap dalam masalah optimasi. Yang terakhir order, min laboratorium j . Memperhatikan quan- ini
saya

memperlakukan safety stock sebagai variabel optimasi. Istilah ini dinyatakan sebagai tities

min Hai j ¼ max ð min barang j ; min laboratorium j Þ:

saya saya saya

XN X N saya
min C os; i λ saya persediaan habis; ð3Þ - hari non-kerja laboratorium (misalnya, hari Minggu, hari libur) harus diperhitungkan, yang
δ j Hai
i; j
saya 8 aku j k¼0 saya ¼ 1 mengarah ke kendala berikut:

dengan

( δ Ji ð t Þ ¼ 0; 8 t =2f hari kerja g: ð9Þ

λ saya persediaan habis ¼ 1 jika s saya ð t þ k Þ Hai S saya min; ð4Þ

0 jika s saya ð t þ k Þ 4 S saya min;
kendala operasional. Kendala ini memperhitungkan kapasitas terbatas dari apotek untuk
dimana λ saya persediaan habis menunjukkan apakah kondisi stok pengaman dilanggar, S saya min adalah menempatkan pesanan dan menerima pengiriman. Fakta ini membatasi jumlah pesanan
tingkat saham minimum diperbolehkan untuk obat saya,
 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255 251

ditempatkan di sepanjang horison waktu panjang N, yaitu, dimana s ð t Þ ¼ ½ s 1 ð t Þ; ...; s N saya ð t Þ ?, d ð t Þ ¼ ½ d 1 ð t Þ; ...; d N saya ð t Þ? dan Hai ð t τÞ¼
P np saya
XN X np saya j¼1 δj saya ðt τ Ji Þ u Ji ð t τ Ji Þ mewakili jumlah total barang pesanan. Perhatikan sistem yang (14) adalah
δ Ji ð t þ k Þ r Δ saya; ð 10 Þ
setara dengan (1) . Variabel kontrol diperhitungkan dalam masalah ini adalah
k¼0 j¼1

dimana Δ saya adalah jumlah maksimum pesanan obat saya yang dapat ditempatkan bersama N. δ Ji ð t Þ dan Hai j
saya ð t Þ, kedua komponen dari variabel kontrol o (t). pemecahan
masalah optimasi dengan menggunakan langsung variabel kontrol Hai

kendala ekonomis. Uang yang dihabiskan selama horizon waktu N juga terbatas, menjadi max $ jumlah ( t) ( yaitu, δ j saya ð t Þ dan Hai j saya ð t Þ bersama-sama) adalah dif sebuah fi Tugas kultus, karena mereka memiliki

maksimum. kendala dinyatakan sebagai sifat yang berbeda karena δ j saya ð t Þ adalah variabel Boolean. Cara untuk

lanjutkan akan menggunakan algoritma pencarian lengkap, yang akan memecahkan masalah
sebanyak skenario yang mungkin tergantung pada nilai f δj
XN X N saya X np saya
δ Ji ð t þ k THD psaya
j
Hai j ð t þ k Þþ C jsh; i þ C op; i Þ r max $ Þ:
saya
ð 11 Þ saya ð t Þ; ...; δ j saya ð t þ N THG, yaitu, 2 np N ðNþ1Þ saya saya

k¼0 saya ¼ 1 j¼1 waktu. Dengan cara itu, masalah optimasi dapat diselesaikan sehubungan dengan variabel Hai Ji ð t Þ.

Hal ini mudah untuk melihat bahwa jika δ j saya ð t þ k Þ ¼ 0, untuk k SEBUAH f 0; 1; ...; N g;

2.3. Kerjasama antara rumah sakit yang berbeda kuantitas barang pesanan adalah Hai Ji ð t þ k Þ ¼ 0. Selanjutnya, variabel Hai j

saya ð t Þ dapat dianggap sebagai salah satu yang nyata untuk bersantai masalah.
rumah sakit yang berbeda dapat bekerja sama untuk mengurangi stok keselamatan mereka Perhatikan bahwa solusi yang diperoleh masih bilangan bulat karena fitur masalah. Selain itu, vektor

dalam kasus mereka dekat dan konsumsi obat-obatan tertentu adalah tidak berkorelasi antara variabel kontrol f Hai Ji ð t Þ; ...; Hai Ji ð t

mereka. Akibatnya, biaya berasal dari pinjaman antara mereka yang rendah atau bahkan dapat þ N THG dikurangi dengan menghilangkan komponen Hai Ji ð t þ k Þ yang sama dengan nol. Karenanya,

diabaikan. Dengan cara ini, rumah sakit dapat fokus pada stockout probabilitas gabungan bukan
individu satu, yang harus lebih tinggi, sehingga keamanan lebih rendah dan tingkat rata-rata saham.
8 δ saya
j
ð t þ k Þ ¼ 0;
k SEBUAH f 0; 1; ...; N g;
Dalam kasus yang paling sederhana, setiap rumah sakit akan memecahkan masalah optimasi aslinya
dengan kendala yang berbeda. Demikian juga, itu juga mungkin untuk merumuskan masalah ini kemudian

266666666664 377777777775
dalam konteks kontrol terdistribusi, di mana rumah sakit adalah agen yang harus mencapai
266666664 377777775 Hai Ji ð t Þ
konsensus pada tingkat keselamatan. Masalah optimasi Hai Ji ð t Þ
⋮
⋮
Hai Ji ð t þ k 1 Þ
Hai Ji ð t þ k Þ - ;
Hai Ji ð t þ k þ 1 Þ
⋮
XH ⋮
Hai Ji ð t þ N Þ
min J h; ð 12 Þ
Hai Ji ð t þN~ Þ
Hai | Fflfflfflfflfflfflfflfflffl {z fflfflfflfflfflfflfflfflffl}
h¼1
| Fflfflfflfflfflfflfflfflfflfflfflffl {z fflfflfflfflfflfflfflfflfflfflfflffl}
Hai j
saya ðtÞ
~ j
dimana J h singkatan biaya setiap rumah sakit dan H adalah jumlah rumah sakit berkolaborasi. Tujuan Hai
saya ðtÞ

keseluruhan fungsi taking diberikan oleh N þ 1 adalah vektor berkurang dari non
dimana Hai j Hai j
saya ð t Þ SEBUAH R N þ 1 dan ~ saya ð t Þ SEBUAH R ~
zero perintah, di mana

XH
Jh¼ X3 β aku j J aku j ð Hai; t Þ;
N~ ¼ N X N 1 δj saya ð t þ k Þ;
saya ¼ 1 j¼1
k¼0

dimana permintaan, biaya, dan perintah istilah seperti di (3 ) - ( 6 ). Perbedaannya di sini adalah bahwa, adalah jumlah pesanan non-nol.
dalam jangka permintaan, probabilitas Pengurangan vektor dari Hai Ji ð t Þ untuk ~ Hai Ji ð t Þ dapat diwakili oleh
Pr ð s Hai ð t þ k Þ Hai 0 Þ bisa lebih besar.
perubahan berikut variabel
Kendala juga sama, (7 ) - ( 11 ), Dan
Hai Ji ð t Þ ¼ M ~Hai Ji ð t Þ;

s Hai ð t þ 1 Þ ¼ s Hai ð t Þþ X np saya Hai j; hi ð t τj Þ? d Hai ð t Þ;

8 h SEBUAH f 1; ...; H g: ð 13 Þ N þ 1 Þ adalah matriks yang mengurangi dimensi
saya dimana M SEBUAH R ð N þ 1 Þ? Ð ~
j¼1
vektor urutan Hai j saya ð t Þ tergantung pada nilai δ Ji ð t Þ. Hal ini de fi ned
sebagai
8 <:

3. Model kontrol prediktif saya ð t Þ ¼ 1 4 saya ¼ j;

M ð saya; j Þ ¼ 1 jika δ j ð 15 Þ
0 jika δ j saya ð t Þ ¼ 0 3 saya Sebuah j:
Strategi kontrol yang digunakan untuk memecahkan masalah manajemen saham MPC. Strategi
ini merupakan metode kontrol berdasarkan prediksi keluaran lebih dari satu prediksi cakrawala ð N Þ dihitung Sebagai konsekuensi langsung, ~ Hai Ji ð t Þ hanya-komponen non-null

dengan menggunakan model proses [8] . Dari optimalisasi subjek fungsi tujuan kendala, satu set komponen-, yaitu, perintah yang non-nol.

sinyal kontrol masa depan diperoleh. Hanya nilai kontrol dihitung untuk waktu instan k diterapkan Dengan mempertimbangkan sifat bilangan bulat dari variabel δ j saya ð t Þ, itu

untuk proses, sisa dari mereka yang dibuang. Proses ini diulang secara cakrawala surut. dihasilkan masalah optimasi adalah bilangan bulat campuran satu (MIP). Ada teknik yang berbeda
untuk memecahkan mereka seperti cabang dan terikat [29] , Algoritma genetika [30] atau metode
cutting-plane [31] . Pada artikel ini, pendekatan pencarian yang melelahkan telah dilaksanakan. Ini
berarti bahwa masalah optimasi diselesaikan untuk setiap realisasi kemungkinan f δj

3.1. Setup MPC saya ð t Þ; ...; δ j saya ð t þ N THG. Dengan cara ini, variabel Boolean adalah

dihapus dari optimasi. Solusi optimal sesuai dengan kombinasi nilai-nilai f δ j

Pada bagian ini, penerapan masalah kontrol akan rinci. Tujuannya adalah meminimalkan fungsi saya ð t Þ; ...; δ j saya ð t þ N THG bahwa
tujuan (2) . Mempertimbangkan sistem de fi ned oleh memberikan nilai minimal fungsi tujuan.

Berkomentar 1. Hal ini diperlukan untuk membayar perhatian khusus pada kendala sementara
s ð t þ 1 Þ ¼ s ð t Þþ Hai ð t τ Þ? d ð t Þ; ð 14 Þ memecahkan masalah ini. Hal ini tidak mungkin untuk memaksakan
252 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255

Seluruh matriks kendala untuk vektor berkurang ~ Hai Ji ð t Þ, begitulah kendala adalah
yang diperlukan untuk menerapkan matriks perubahan M untuk matriks kendala untuk memaksakan
S min þ s ð t þ 0 Þþ Hai ð t þ 0 Þ Z φ1 0ð 1 δ s Þ;
mereka hanya untuk komponen kontrol dipertimbangkan.
Hai ð t þ 0 Þ r S min þ s ð t þ 0 Þ? φ1 0ð 1 δ s Þ:

Untuk waktu instan berikutnya bersama N ( yaitu, k ¼ 2), ia menghasilkan

3.2. CC-MPC
P ð s ð t þ 2 Þ Z S min Þ Z 1 δs

Metode CC-MPC digunakan untuk menangani masalah manajemen stok karena kendala yang
P ð s ð t þ 1 Þþ Hai ð t þ 1 Þ? d ð t þ 1 Þ Z S min Þ Z 1 δs
dipertimbangkan harus diperlakukan dengan cara stokastik. Masalah optimasi dapat ditulis seperti P DD s ð t þ 0 Þþ Hai ð t þ 0 Þ? d ð t þ 0 ÞÞþ Hai ð t þ 1 Þ? d ð t þ 1 Þ Z S min Þ Z 1 δs
dalam (12) , Namun tunduk P ð? d ð t þ 0 Þ? d ð t þ 1 ÞÞ Z S min s ð t þ 0 Þ? Hai ð t þ 0 Þ? Hai ð t þ 1 ÞÞ Z 1 δ s;
P ð d ð t þ 0 Þþ d ð t þ 1 Þ r S min þ s ð t þ 0 Þþ Hai ð t þ 0 Þþ Hai ð t þ 1 ÞÞ Z 1 δ s:

G saya ð Hai; d Þ r g saya; saya ¼ 1; 2; ...; m; Hai SEBUAH D; de fi ning φ 1 ð? Þ sebagai fungsi distribusi kumulatif dari variabel d ð t þ 0 Þþ d ð t þ 1 Þ hasil

φ 1 ð? S min þ s ð t þ 0 Þþ Hai ð t þ 0 Þþ Hai ð t þ 1 ÞÞ Z 1 δ s;

dimana D R n, d adalah vektor stokastik de fi ned lebih set E R s, dan
m adalah jumlah kendala. Hal ini diasumsikan bahwa ada satu set peristiwa F, dirumuskan oleh S min þ s ð t þ 0 Þþ Hai ð t þ 0 Þþ Hai ð t þ 1 Þ Z φ1 1ð 1 δ s Þ;
himpunan bagian dari E dan distribusi probabilitas P, de fi ned lebih F. Oleh karena itu, untuk setiap SEBUAHHai ð t þ 0 Þþ Hai ð t þ 1 Þ Z S min s ð t þ 0 Þþ φ1 1ð 1 δ s Þ;
E, probabilitas P
Hai ð t þ 0 Þ? Hai ð t þ 1 Þ r S min þ s ð t þ 0 Þ? φ1 1ð 1 δ s Þ:
( SEBUAH) dikenal. Selain itu, diasumsikan bahwa fungsi
G saya ð Hai; Þ: E- R; 8 o, i variabel-variabel acak dan distribusi probabilitas P independen dari variabel Iteratif (misalnya, k ¼ 3) dan sesuai dengan perkembangan sebelumnya, dapat ditulis sebagai
keputusan Hai.
Untuk mengatasi masalah ini, perlu untuk menulis ulang masalah optimasi sebagai setara
Hai ð t þ 0 Þ? Hai ð t þ 1 Þ? Hai ð t þ 2 Þ r S min þ s ð t þ 0 Þ? φ1 2ð 1 δ s Þ;
deterministik di mana kendala yang veri fi ed dengan probabilitas tertentu. Ini kendala stochastic
disebut kendala kesempatan. Kendala ini dapat dirumuskan oleh dua sikap yang berbeda seperti yang dimana φ 2 ð? Þ menunjukkan fungsi distribusi kumulatif dari variabel d ð t þ 0 Þþ d ð t þ 1 Þþ d ð t þ 2 Þ.
dibahas di bawah ini.
Generalisasi untuk horizon prediksi N,
26666664 37777775
26666664 37777775 r 26666664 37777775
100⋯0110⋯011 Hai ð t þ 0 Þ 1111
Bersama Kesempatan Kendala: Perumusan stokastik dari sendi
1⋯0 Hai ð t þ 1 Þ 11 " #
kendala kesempatan yang diberikan oleh fungsi tujuan (12) , tunduk pada sðtþ0Þ
Hai ð t þ 2 Þ
S min
⋮ ⋮ ⋮ ⋮⋮
P ð G saya ð Hai; d Þ r g saya; 8 saya Þ 4 1 δ x; Hai ð t þ N 1 Þ
11 ⋯1 11
Hai SEBUAH D; 266666664 377777775;
φ 10 ð 1 δ s Þ
dimana δ x SEBUAH ½ 0; 1 adalah risiko bahwa kendala dari masalah optimasi tidak ful fi diisi.
φ 11 ð 1 δ s Þ

Individu Kesempatan Kendala: kendala kesempatan individu

φ 12 ð 1 δ s Þ
dirumuskan dengan fungsi tujuan yang sama (12) , tunduk pada ⋮

φ 1N 1 ð 1 δ s Þ

P ð G saya ð Hai; d Þ r g saya Þ 4 1 δx 8 io SEBUAH D;

dimana φ 1 δ s Þ adalah fungsi distribusi kumulatif dari variabel random d ð t þ 0 Þþ d ð t þ 1 Þþ d ð t þ 2 Þþ
i;

N1 ð 1

⋯ þ d ð t þ N 1 Þ.

di mana ia menulis satu sama oleh masing-masing kendala stokastik. Catatan 2. Hal ini juga memungkinkan untuk menganggap bahwa perilaku gangguan dapat
disesuaikan sebagai fungsi distribusi probabilitas tertentu. Di [27] , Distribusi normal digunakan untuk
ditandai perilaku gangguan, dengan mean μ dan standar deviasi σ, yaitu, d ð t Þ ¼ N ð μ; σ Þ. Asumsi ini
Agregat demand d ð t Þ di (14) mencakup komponen gangguan stokastik mengingat sifat tidak dapat diperpanjang untuk pola lain atau bahkan bekerja secara langsung dengan data historis, seperti
pasti. Karena kehadiran ketidakpastian ini, kendala memiliki sifat stokastik, yaitu, mereka tidak dapat dalam kasus ini.
ditulis sebagai yang deterministik. Oleh karena itu, kendala dapat dinyatakan sebagai

P ð s ð t þ k Þ Z S min Þ Z 1 δ s; 8 k SEBUAH f 1; ‥; N g;
4. Studi kasus dan hasil
dimana δ s adalah probabilitas memiliki saham kurang dari S min. Ungkapan ini dapat dikembangkan
bersama N dan mendapatkan mean dan deviasi standar dari negara.
Pada bagian ini, CC-MPC akan diterapkan untuk mengelola perintah dua obat yang tersedia di
rumah sakit San Juan de Dios dan Reina Sofía (keduanya terletak di Córdoba, Spanyol). Obat ini
Untuk fi pertama kalinya instan bersama N ( yaitu, k ¼ 1), ia menghasilkan
tidak hanya mahal karena harga mereka tetapi juga karena biaya pemeliharaan mereka, karena

P ð s ð t þ 0 Þþ Hai ð t þ 0 Þ? d ð t þ 0 Þ Z S min Þ Z 1 δ s; mereka harus disimpan dalam lemari es. Karena fakta ini, pengurangan tingkat stok mereka adalah

P ð? d ð t þ 0 Þ Z S min s ð t þ 0 Þ? Hai ð t þ 0 ÞÞ Z 1 δ s; prioritas. Karena con fi alasan kerahasiaan, spesifik yang fi nama c dan harga obat ini akan dihilangkan.

P ð d ð t þ 0 Þr S min þ s ð t þ 0 Þþ Hai ð t þ 0 Þ Þ Z 1 s; δ
| Fflfflfflffl {z fflfflfflffl}| Fflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflffl {z fflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflfflffl}
Acak deterministic

yang dapat ditulis kembali sebagai Mengenai controller, cakrawala prediksi N ¼ 8 hari telah dianggap. Evolusi saham dimodelkan
dengan menggunakan diskrit-waktu model linier di (14) . Perintah obat ini memiliki jumlah minimum 4
φ 0 ð? S min þ s ð t þ 0 Þþ Hai ð t þ 0 ÞÞ Z 1 δ s;
unit dan maksimal telah ditetapkan untuk 1000. harga obat adalah masing-masing 227 dan 298
dimana φ 0 ð? Þ adalah fungsi distribusi kumulatif dari variabel random d ð t þ 0 Þ. The deterministik
setara untuk kesempatan ini
 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255 253

Gambar. 2. Nyata dan simulasi evolusi saham dan ditempatkan pesanan untuk obat 1.

Gambar. 3. Nyata dan simulasi evolusi saham dan ditempatkan pesanan untuk obat 2.

euro per unit, masing-masing, dan setiap pesanan ditempatkan menyiratkan biaya tambahan dari 2 perilaku mereka telah dihitung untuk obat ini berdasarkan data historis.

euro. Pengiriman obat ini biasanya memiliki keterlambatan 2 hari sehubungan dengan saat di mana

perintah itu ditempatkan. Nilai awal dari tingkat stok 500 dan Jika diterapkan di rumah sakit, masalah optimasi CC-MPC harus diselesaikan setiap hari untuk

menghitung pesanan yang optimal untuk mengarahkan tingkat stok yang diinginkan. Untuk simulasi

1520, masing-masing. Untuk kesederhanaan, baik biaya penyimpanan atau storage batas telah ini, referensi saham (stock keamanan) telah ditetapkan untuk 2. Semua masalah optimasi dihitung

dipertimbangkan pada tahap ini pekerjaan yang diusulkan. Satu-satunya kendala dilaksanakan dengan menggunakan rutinitas pemrograman linear ( linprog di

sehubungan dengan saham adalah bahwa probabilitas acara stockout harus lebih rendah dari 0,001

(yaitu, diminta tingkat keandalan 99,999%). Akhirnya, istilah permintaan (14) adalah non-deterministik. Matlab) pada mesin dengan prosesor Intel Core 2 Duo CPU dengan 3,33 GHz dan 8 GB RAM. Waktu

Karakterisasi probabilistik yang dibutuhkan untuk menghitung urutan optimal tindakan per narkoba dan hari adalah di bawah 10

s. Jika kita memperhitungkan

254 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255

Tabel 1 Hasil simulasi menunjukkan bahwa CC-MPC memungkinkan mengurangi tingkat stok obat
Perbandingan perilaku obat 1 menerapkan CC-MPC dan kebijakan rumah sakit. rata-rata dan beban kerja di apotek sementara memenuhi permintaan obat. Kunci untuk perbaikan
terletak pada waktu yang lebih baik dan ketertiban ukuran pendekatan yang diusulkan. Oleh karena
Pendekatan pesanan Persediaan habis Berarti Desviation
itu, strategi pengendalian ini mengarah ke ef lebih fi penggunaan efisien sumber daya oleh
CC-MPC 5 0 39 14 departemen farmasi.
data historis Rumah Sakit 9 0 43 11

Saat ini, pendekatan kontrol ini diterjemahkan ke bahasa C sebagai perangkat lunak yang akan
dilaksanakan di rumah sakit yang bekerja sama dalam pekerjaan ini.
Meja 2
Perbandingan perilaku obat 2 menerapkan CC-MPC dan kebijakan rumah sakit.

Pendekatan pesanan Persediaan habis Berarti Desviation

Referensi
CC-MPC 15 0 770 316
data historis Rumah Sakit 25 0 861 313
[1] T. Bermejo, B. Cuna, V. Napal, E. Valverde, The hospitalary spesialis farmasi buku pegangan, Span. Soc. dari
Hosp. Pharm. (1999) (dalam bahasa Spanyol) .
[2] S. Tayur, R. Ganeshan, M. Magazine, Model Kuantitatif untuk Supply Chain Management, Kluwer Academic
bahwa pesanan menghitung ulang sekali sehari, adalah mungkin untuk menghitung tindakan kontrol
Publisher 1999 .
optimal untuk 8640 obat sehari dengan con saat ini fi gurasi, lebih banyak dari yang digunakan di [3] AM Brewer, KJ Button, DA Hensher, Handbook of Logistik dan Manajemen SupplyChain, Pergamon 2001 .

rumah sakit.
360-hari simulasi skenario dipertimbangkan di sini ditunjukkan pada
Buah ara. 2 dan 3 untuk masing-masing obat. Warna biru, evolusi saham menggunakan CC-MPC
[4] S. Cetinkaya, C. Lee, Stok pengisian dan penjadwalan pengiriman untuk sistem persediaan vendormanaged,
Manag. Sci. 46 (2) (2000) 217 - 232 .
[5] J. Dong, D. Zhang, A. Nagurney, Sebuah rantai pasokan model keseimbangan jaringan dengan tuntutan acak,

ditampilkan. Merah, evolusi nyata dari saham sesuai dengan data rumah sakit ditampilkan. Tabel 4
menunjukkan perbandingan perilaku kedua obat ini menerapkan CC-MPC dengan hasil didaftarkan
oleh rumah sakit dalam periode ini, mengingat tingkat rata-rata, standar deviasi, dan jumlah pesanan.
Eur. J. dari Op. Res. 156 (1) (2004) 194 - 212 .
[6] G. Cachon, perang Stock: kompetisi persediaan dalam rantai pasokan dua eselon dengan beberapa pengecer,
Op. Res. 49 (5) (2001) 658 - 674 .
[7] S. Rezapour, R. Farahani, desain Strategis bersaing jaringan rantai pasokan terpusat untuk pasar dengan

Pada periode ini rumah sakit ditempatkan 9 pesanan untuk obat 1 dan 25 untuk yang kedua tuntutan deterministik, Adv. di Eng. P'baru. 41 (5) (2010) 810 - 822 .

sementara kebijakan CC-MPC mengakibatkan 5 dan 15 perintah masing-masing. Waktu yang lebih
[8] EF Camacho, C. Bordons, Model Predictive Control di Industri Proses, Edisi Kedua, Springer-Verlag, London,
baik dari perintah CC-MPC dan ukuran pesanan optimal dihitung adalah kunci untuk menjelaskan Inggris, 2004 .

kinerja yang lebih rendah dari rumah sakit. Rata-rata, strategi CC-MPC akan mengakibatkan 39 unit
obat 1 dan 770 obat 2, yaitu, 4 unit ditebar kurang dari obat 1 dan 91 obat 2 sehubungan dengan
hasil didaftarkan oleh rumah sakit. Perhatikan juga bahwa hasil strategi CC-MPC dalam standar
deviasi sedikit lebih besar dari tingkat stok, yaitu, fl fluktuasi dalam jumlah item ditebar sedikit lebih
besar dengan kebijakan ini. Ini wajar karena kurang pesanan ditempatkan dengan strategi CC-MPC.
Akhirnya, perhatikan bahwa tidak ada stockouts terjadi selama periode simulasi ( Tabel 1 )
[9] W. Wang, DE Rivera, KG Kempft, KD Smith, Sebuah model kontrol prediktif
strategi manajemen rantai pasokan di bidang manufaktur semikonduktor di bawah ketidakpastian, di: Prosiding
2004 Amerika Kontrol Conference, vol. 5, Boston, MA, 2004, hlm. 4577 - 4582.
[10] W. Wang, DE Rivera, KG Kempf, Sebuah model baru algoritma kontrol prediktif
untuk manajemen rantai pasokan di bidang manufaktur semikonduktor, di: Prosiding 2005 Amerika Kontrol
Conference, vol. 1, Portland, Oregon, 2005, hlm. 208 - 213.
[11] JM Maestre, D. Muñoz de la Peña, EF Camacho, Distributed kontrol prediktif model yang didasarkan pada
permainan kooperatif, Optim. Kontrol App. Metode 32 (2) (2011) 153 - 176 .

[12] JM Maestre, D. Muñoz de la Peña, EF Camacho, T. Alamo, Model Terdistribusi kontrol prediktif berdasarkan
negosiasi agen, Process Control 21 (5) (2011) 685 - 697 .

[13] C. Stoica, M. Arahal, D. Rivera, D. Rodríguez-Ayerbe, P.and Dumur, Aplikasi

dari robusti fi Model ed kontrol prediktif untuk sistem produksi-persediaan, di: Prosiding conferece 48 Keputusan
Hasil ini jelas menunjukkan bahwa kebijakan CC-MPC memberikan hasil yang lebih baik dan Pengendalian (CDC), Shangai,
2009, hlm. 3993 - 3998.
daripada kebijakan yang saat ini diterapkan di apotek rumah sakit. Untuk fi obat pertama, lebih dari
[14] H. Rasku, J. Rantala, H. Koivisto, Model Kontrol Referensi di Inventarisasi dan Supply Chain Management,
1000 euro rata-rata dapat digunakan untuk tujuan selain memiliki saham di apotek dengan hasil klinis Pelaksanaan Fungsi Biaya Lebih Cocok, Springer, Belanda (2006), p. 111 - 116 .
yang sama. Dalam kasus narkoba 2 jumlah ini 27.118 euro. Titik lain yang patut dicatat adalah bahwa
[15] D. Muñoz de la Peña, A. Bemporad, T. Alamo, pemrograman Stochastic diterapkan
staf di departemen farmasi dibebaskan sebagian dari tugas yang berkaitan dengan penempatan dan
untuk model kontrol prediktif, di:. Prosiding 44 IEEE Konferensi Keputusan dan Pengendalian (CDC) dan
penerimaan pesanan. Dalam kedua kasus CC-MPC ditempatkan 40% lebih sedikit pesanan dari Konferensi Pengendalian Eropa (CDC-ECC), Seville, Spanyol, tahun 2005, pp 1361 - 1366.
kebijakan yang diambil oleh rumah sakit. Akhirnya, perhatikan bahwa tuning lebih agresif dari
[16] A. Prekopa, Pada pemrograman dibatasi probabilistik, di: Prosiding
controller dapat digunakan untuk mengurangi nilai-nilai ini pada biaya risiko stockout lebih tinggi ( Meja
Princeton Simposium Pemrograman Matematika, Princeton University Press, NJ, 1970, hlm. 113 - 138.
2)
[17] P. Kall, J. Mayer, Stochastic Linear ProgrammingSpringer, New York, NY, 2005 . [18] A. Geletu, M. Kloppel, H.
Zhang, P. Li, Uang Muka dan aplikasi dari kesempatan -
pendekatan dibatasi untuk optimasi sistem di bawah ketidakpastian, Int. J. Syst. Sci. 44 (7) (2013) 1209 - 1232 .

[19] A. Schwarm, M. Nikolaou, kesempatan-dibatasi kontrol prediktif model AIChE

J. 45 (8) (1999) 1743 - 1752 .
[20] J. Grosso, C. Ocampo-Martinez, V. Puig, B. Joseph, kesempatan-dibatasi kontrol prediktif model untuk minum
5. Kesimpulan jaringan air, J. Process Control 24 (5) (2014) 504 - 516 .

manajemen stok adalah salah satu tugas utama dari departemen farmasi rumah sakit. Ini adalah
masalah yang kompleks karena ketidakpastian dalam permintaan obat dan berbagai kendala yang
harus dipertimbangkan. Dalam karya ini, teknik kontrol untuk menangani masalah ini telah dijelaskan
dan dinilai menggunakan data real dari dua rumah sakit di Spanyol. Strategi yang diusulkan
didasarkan pada MPC, yang memungkinkan ful fi penggenapan dari tujuan pengelolaan dengan
[21] W. Langson, I. Chryssochoos, SV Rakovi C, DQ Mayne, Robust model kontrol prediktif menggunakan tabung,
Automatica 40 (1) (2004) 125 - 133 .
[22] POM Scokaert, DQ Mayne, Min-max masukan model kontrol prediktif untuk sistem linear dibatasi, IEEE Trans.
Autom. Kontrol 43 (8) (1998) 1136 - 1142 .
[23] G. Schildbach, L. Fagiano, C. Freic, M. Morari, Pendekatan skenario untuk model stokastik kontrol prediktif
dengan batas pada loop tertutup pelanggaran kendala, Automatica 50 (12) (2014) 3009 - 3018 .

memperhatikan kendala operasional yang berbeda. Penggunaan kendala kesempatan dalam

[24] J. Maestre, L. Raso, P. van Overloop, B. De Schutter, Distributed model kontrol prediktif berbasis pohon pada
kombinasi dengan MPC memungkinkan untuk menjamin ketersediaan obat untuk pasien dengan sistem air drainase, J. Hydroinform. 15 (2) (2013) 335 - 347 .
tingkat risiko tertentu yang secara eksplisit diatur.
[25] P.-J. van Overloop, S. Weijs, S. Dijkstra, Beberapa model kontrol prediktif pada syste saluran drainase, Kontrol
Eng. Pract. 16 (5) (2008) 531 - 540 .
[26] JM Grosso, JM Maestre, C. Ocampo-Martinez, V. Puig, Pada penilaian
pohon-based dan pendekatan kontrol prediktif kesempatan-dibatasi diterapkan
 I. Jurado et al. / Komputer di Biologi dan Kedokteran 72 (2016) 248 - 255
minum jaringan air, di:. Prosiding 19 IFAC World Congress, IFAC, Cape Town, Afrika Selatan, 2014, pp 6240 - 6245.
[27] J. Maestre Torreblanca, P. Velarde, I. Jurado, C. Ocampo-Martinez, I. Fernandez,
B. Isla Tejera, J. del Prado Llergo, Sebuah aplikasi kontrol prediktif Model kesempatan-dibatasi untuk
manajemen persediaan di apotek hospitalary, di: Prosiding 53 IEEE Konferensi Keputusan dan Pengendalian,
CDC 2014, Los Angeles, CA, USA, 15 Des - 17, 2014, hlm. 5901 - 5906.
[28] P. Velarde, J. Maestre Torreblanca, I. Jurado, I. Fernandez, B. Isla Tejera, J. del
Prado Llergo, Penerapan model yang kokoh kontrol prediktif untuk manajemen persediaan di hospitalary
farmasi, dalam: Prosiding 2014 IEEE
255
Emerging Technology dan Otomasi Pabrik, ETFA 2014, Barcelona, ​Spanyol, 16 September - 19, 2014, pp. 1 - 6.
[29] E. Lawler, D. Wood, metode Cabang-dan-terikat: Sebuah survei, Op. Res. 14 (4) (1966) 699 - 719 .
[30] V. Summanwara, V. Jayaramana, B. Kulkarnia, H. Kusumakarb, K. Guptab,
J. Rajesh, Solusi dari masalah optimasi dibatasi oleh algoritma genetika multi-tujuan, Comput. Chem. Eng. 26
(10) (2002) 1481 - 1492 .
[31] W. Cook, R. Kannan, A. Schrijver, penutupan Chvátal untuk masalah pemrograman mixed integer, Matematika.
Program. 47 (1) (1990) 155 - 174 .
Reproduksi dengan izin dari pemilik hak cipta. reproduksi lanjut dilarang tanpa izin.