基于智能优化算法的社区养老服务点选址研究.pdf

No.4,2023SCIENCEECONOMYSOCIETYVol.41,Total No.1752023年第4期第41卷总第17 5期科學.经濟社会基于智能优化算法的社区养老服务点选址研究王若宾王伟锋耿芳东徐琳摘要：社区养老服务点的科学选址对于优化社区养老服务资源配置，促进社区老年人公平、便利获取养老服务具有重要意义。目前服务点的选址仍偏重人工决策，使用科学方法实现社区养老服务点科学布局的研究还十分匮乏。提出一种基于智能优化算法的社区养老服务点选址方法，以最近可及距离为求解目标，以区域内社区数量、老年人数量、最远可及距离、最大服务承载量以及各服务比例配置为约束建立计算模型并求解。根据相应情境，建立不同的目标函数，针对每个目标函数都实施了仿真实验。实验结果表明，提出的优化方法对多约束非线性条件下的社区养老服务点定位均可以找到最优解，为科学解决社区养老资源配置优化问题提供了一种新的思路。关键词：社区养老服务；选址优化；智能优化算法；多约束非线性优化；15分钟生活圈中图分类号：C93文献标识码：A文章编号：10 0 6-2 8 15(2 0 2 3)0 4-0 0 2 5-13D0I:10.19946/j.issn.1006-2815.2023.04.00320世纪9 0 年代以来，中国的老龄化进程加速发展。第七次人口普查结果显示，6 0 岁及以上人口占比较第六次人口普查上升5.44个百分点，15 59 岁之间的人口比重下降6.7 9 个百分点；北京6 0 岁以上人口比重较2 0 10 年上升7.1个点，其中6 5岁及以上人口比重上升4.6 个收稿日期：2 0 2 3-0 2-15作者简介：王若宾，北方工业大学副教授，主要从事演化计算、数据挖掘、智慧养老及应用研究。E-mail:王伟锋，北方工业大学硕士研究生，主要从事演化计算、数据挖掘研究；耿芳东，北方工业大学硕士研究生，主要从事演化计算、数据挖掘研究；徐琳，南澳大学博士研究生，主要从事深度学习、演化计算研究。国家统计局：第七次全国人口普查公报（第五号）人口年龄构成情况，2 0 2 2-0 1-15,http:/ 59 岁之间的人口比重下降10.4个百分点。上海6 0 岁以上人口比重较2 0 10 年上升8.3个百分点，其中6 5岁及以上人口比重上升6.2 个百分点，15 59 岁之间的人口比重下降9.5个百分点。人口老龄化程度进一步加深，这种趋势在北京、上海等特大城市尤为突出，而老龄人口的增加势必进一步推高养老服务需求。我国的老龄事业和养老服务还存在发展不平衡不充分等问题，“十四五”时期将不断扩大养老服务供给。加大养老服务供给的同时着力优化服务资源配置是解决发展不平衡不充分的有效策略。社区养老因兼具居家养老和机构养老的优点而受到老年人及老年人所在家庭的欢迎，且是我国当前着力推动的养老模式。同时，老龄化程度高的区域对社区养老服务的需求更为迫切，社区养老服务点的科学选址和合理布局成为优化社区养老服务资源的有效途径。科学合理的社区养老服务点布局不仅有助于周边社区老年人公平、便利地获得养老服务，也是构建15分钟城市生活圈的重要组成。因此社区养老服务点的选址定位有必要借助先进技术和方法实现科学布局。但社区养老服务点选址问题不宜简单化为物理距离最优的求解问题，公平、便利地获取社区养老服务，除了受物理距离的影响外，还涉及周边覆盖社区的数量，不同社区老年人的居住密度，抵达服务点的出行方式，所需各项服务的比例以及获取服务的方式等一系列复杂因素。社区养老服务点选址的挑战性体现为多约束非线性问题求解，本质上是复杂条件下的养老服务资源配置优化问题传统的选址规划，往往需要大量人工参与，主观误差的影响亦难以避免。使用先进智能计算技术为解决复杂选址问题提供了新的思路和方法，其具有自动迭代、快速寻解等优点，应用于社区养老服务点的选址优化具有适切性和必要性。本文将基于智能优化算法中的蜻蜓算法对社区养老服务点选址问题建模，通过计算机仿真技术计算最优解，为科学配置社区养老服务资源提供决策依据。一、文献综述（一)社区养老服务及资源配置优化社区养老兼具居家养老和机构养老的优点，是以居家为核心，以社区为依托，由专业化队伍开展服务的养老方式。早期社区养老的概念由社区照顾（community care)而来。早在2 0世纪六七十年代，英国就开始探讨社区照顾的可行性。直到2 0 世纪8 0 年代，英国政府才出台北京市统计局：北京市第七次全国人口普查公报（第三号）一一人口性别、年龄构成情况，2 0 2 2-0 1-15，https:/ 0 2 2-0 1-15，https:/ 国家老龄事业发展和养老服务体系规划，2 0 2 2-0 1-15,https:/ 0 2 1年第9期,第144-150 页。27基于智能优化算法的社区养老服务点选址研究王若宾，等了相关的政策，并于19 9 0 年代在英国全面推行，产生了颇有影响力的“英国模式”。国际上社区养老的相关研究涉及社区照护模式创新、社区服务整合以及社区健康照护在医疗辅助照护中的应用?等多个方面，这些成果覆盖社区养老服务研究的多个方面，对于我国学者开展中国社区养老服务研究是有益的借鉴。但由于国情不同，中国的社区养老服务还需要接地气、植根社区实际和老年人需求的研究及解决方案社区养老服务点是集中承载社区养老服务的场所。区别于养老机构，社区养老服务点分布于社区，不同地区对社区养老服务点的命名有所不同，如北京称为社区养老服务驿站，上海称为社区老年日间照料中心等。随着社会的发展进步，社区养老服务点已经逐步成为15分钟生活圈的重要组成。近年来，随着城乡居民对居家养老需求的增加，政府对社区养老的投人也在不断增加，社区养老的研究也日趋活跃。然而，当前养老服务点的布局选址存在较多问题，影响到了老年居民的使用。原因有二，一是缺乏对社区老年人各类需求的深人调查分析，缺乏对各类不同空间数量和服务范围的把握。二是结合既有建筑改造，较多社区对于可利用服务空间的选取也存在不合理之处，忽略了老年人出行距离差异性和服务可及度以北京为例，各社区养老服务点（养老驿站)的使用状况差别较大，有的驿站使用者密集，就餐空间、活动空间不足，而有的驿站几百平米常空无一人这种情况已持续较久，并影响到老年居民的生活质量。因此，社区养老服务资源的高效配置和养老服务点选址的合理优化呕待研究解决。国内关于社区养老服务的研究主题日渐丰富，涉及服务模式、服务空间以及运营评价等方面，如结合通州区社区养老服务驿站建设情况对北京市社区养老服务驿站运营模式进行的分析，对城市社区养老照料设施服务功能复合策略进行研究，采用层次聚类模型对社区养老服务场所进行评价，研究了城市社区居家养老的治理机制。然而，针对社区养老服务资源优化配置，特别是服务点选址优化的研究还十分有限。现行规范中将养老服务设施作为社陈伟：英国社区照顾之于我国“居家养老服务”本土化进程及服务模式的构建，南京工业大学学报（社会科学版）2 0 12 年第1期，第9 3-9 9 页。G a r y Na g l i e,“T h e In t e g r a t e d Co mmu n i t y Ca r e T e a m:A n In n o v a t i v e Ca r e M o d e l f o r Fr a i l Se n i o r s ,Sc i e n t i f i c M e e t-ing of the American-Geriatrics-Society,2015,pp.S75-S75.Ja me s M e l o c h e,“NT EG RA T E:H o w O n e Co mmu n i t y i s A d v a n c i n g In t e g r a t e d Ca r e f o r Se n i o r s ,In t e r n a t i o n a l Jo u r-nal of Integrated Care,2018,Vol.sl,No.18,p.10.Emma Safstrom,Tiny Jaarsma,Anna Stromberg,Continuity and Utilization of Health and Community Care in El-derly Patients with Heart Failure before and after Hospitalization,Bmc Geriatrics,2018,Vol.18,No.177.5李斌：城市社区养老服务需求及其影响因素，建筑学报2 0 16 年第S1期，第9 0-9 4页。于一凡：社区居家养老服务设施的规划配置研究，南方建筑2 0 19 年第2 期，第1-4页。6颜秉秋：城市老年人居家养老满意度的影响因子与社区差异，地理研究2 0 13年第7 期，第12 6 9-12 7 9 页。8张佰瑞：建设社区养老服务驿站，完善首都养老服务体系，上海城市管理2 0 17 年第5期，第37-39 页。王依明：基于老年人需求特征的社区日间照料设施功能复合化策略研究，现代城市研究2 0 2 1年第11期，第65-71页。陈天：基于聚类层次分析模型的社区老年活动场所研究以福州市中心城区为例，科技导报2 0 2 1年第2 4期，第10 8-117 页罗津：深度老龄化背景下城市社区居家养老的治理机制，上海交通大学学报（哲学社会科学版）2 0 2 1年第4期,第6 3-7 0 页。282023年第4期科学经濟社會区服务设施的种类之一，以m/千人指标统一按照社区服务设施性质对5分钟、10 分钟和15分钟生活圈的空间范围内（城市居住区规划设计标准GB50180-2018)配置面积提出要求，却忽略了老龄化进程中老年群体的变化导致的养老服务实际需求量。而社区老年人日间照料中心建设标准（建标144-2 0 10)也只是按照社区人口规模对日间照料设施的建筑面积给出了三个等级，没有考虑到不同老龄化程度社区中老年人对日间照料等服务的需求占比。不仅相关规范文件匮乏，而且各规范中以原则性质的指导为主，缺乏明确的指标参考。当前地理学和规划学领域中对社区养老服务点的选址研究相对多一些。一方面借鉴公共服务设施布局研究的成果，借助ArcGIS技术进行基于供需匹配或人口密度、经济、空间等要素指标的选址分析，并利用两步移动搜寻法或潜能模型法计算选址可达性2 8 。另一方面，借助复杂理论模型对选址进行模拟，如利用多主体模拟理论、复杂网络分析法等构建测算模型，模拟养老设施和服务的均衡配置。这些研究均为实际问题的解决提供了借鉴，却偏于宏观规划的层面，对中观层面养老服务点提供的需求种类和容量考察尚显不足，因此对现实中服务点的数量增减、具体位置改建未能形成直接指导。其他领域中，黄勇对社区养老服务调度及网络优化进行了研究，该研究以社区医疗护理服务调度为研究对象，没有涉及多种社区养老服务的协调优化。还有使用智能优化方法对社区养老服务中心选址做了初步尝试，但该选址目标以实现最短距离和为目标，与优化选址的实际需求仍有差距。总体而言，对于社区养老服务资源优化的研究，特别是选址优化的研究，仍然鲜有相关文献在理论层面对资源优化提出较为完整的解释，针对性的技术方法支撑也相对有限，（二）智能优化算法及应用智能优化算法是一系列元启发算法的总称，其核心思想是模拟自然界动物的群体觅食捕猎行为，如兽群、鸟群、鱼群等，这些群体按照特有的合作方式捕获食物，移动过程中群体成员根据自身以及其他成员的位置来更新自己的位置，通过多次迭代不断逼近最优解。智能优化何静：城市社区养老设施空间可达性度量方法研究，建筑学报2 0 18 年第S1期，第18-2 2 页。2陶卓霖：北京市养老设施空间可达性评价，地理科学进展2 0 14年第5期，第6 16-6 2 4页。赵东霞：基于两步移动搜寻法的城市居家养老服务设施可达性研究一一以大连市沙河口区低龄老年人为例，地域研究与开发2 0 14年第6 期，第2 7-32 页。彭建东：基于供需匹配的养老服务设施规划布局研究，地球信息科学学报2 0 2 2 年第7 期，第1349-136 2 页。颜秉秋：城市养老设施配置的微观模拟与规划政策分析一一以北京市为例，地理科学进展2 0 15年第12 期，第158 6-159 7 页。黄勇：基于复杂网络分析法的养老设施空间配置规划优化以重庆市主城四区为例，西部人居环境学刊2017年第5期，第52-58 页丁锋：多中心社区居家养老服务调度与服务网络优化，复杂系统与复杂性科学2 0 2 2 年第1期，第10 4-110页。Wei-Feng Wang,“Location Optimization of Service Centers for Seniors Based on an Improved Particle Swarm Opti-mization Algorithm,Advances in Smart Vehicular Technology,Transportation,Communication and Applications,2022,Vol.250,pp.249-256.29基于智能优化算法的社区养老服务点选址研究王若宾，等算法被广泛应用于多个领域较早提出的蚁群算法模拟蚂蚁觅食行为，最初用于解决旅行商问题，相比传统算法，蚁群算法因表现出明显优势而受到关注。此后，Kennedy等人提出了粒子群优化算法，该算法模拟飞鸟集群捕食行为，整个算法操作简单，高效并行。由Karaboga等人为优化代数问题提出的人工蜂群算法是一种模仿蜜蜂采蜜行为的智能优化算法，该算法相比同类型算法稳定性更好。此外还有菌群觅食优化算法、蝙蝠算法等。这一时期提出的智能优化算法，尽管相比传统算法具有优势，但是也存在收敛慢、容易陷人局部最优等不足，导致求解过程漫长，甚至无法求得最优解。相关算法在工程问题中获得了较为广泛的应用，但应用于社科问题仍然比较少。其中一个原因是社科问题往往涉及多种因素且各因素之间影响关系复杂，导致模型求解过程中容易陷人局部最优。为克服收敛速度慢、容易陷入局部最优的问题，近年来提出的智能优化算法在结构上做了改进，执行过程被分为两阶段：探索（exploration）和开发（exploitation）。在探索阶段，算法进行大范围的搜索操作，确保算法不会陷入局部最优的状态；在开发阶段，算法继续在探索阶段中搜寻出的有希望解的区域中进行更细致的搜索直到找到最优解。这类算法包括灰狼优化算法鲸鱼优化算法、蜻蜓优化算法等。它们共同的优点是收敛速度快、参数少、易实现。但是不同算法表现出两阶段的能力并不相同。例如，灰狼优化算法开发能力强而探索能力弱，鲸鱼优化算法是探索能力强，开发能力弱。而蜻蜓优化算法相较于其他新型智能优化算法，在两阶段能力平衡上做得更好。因此本文选用蜻蜓算法。蜻蜓算法是由SeyedaliMirjalili于2 0 16 年提出的一种新型智能优化算法，源于对蜻蜓动态迁徙和静态捕食两种集群行为的计算模拟。算法把蜻蜓行为方式总结为：分离、对齐、结盟、寻找猎物和躲避天敌，并对五种行为方式进行数学建模。Alwaleed Aldhafeeri,“Brain Storm Optimization for Electromagnetic Applications:Continuous and Discrete,IEEETransactions on Antennas and Propagation,2019,Vol.67,No.4,pp.2710-2722.M o b e e n A h m a d,“Im a g e Cl a s s i f i c a t i o n Ba s e d o n A u t o m a t i c Ne u r a l A r c h i t e c t u r e Se a r c h u s i n g Bi n a r y Cr o w Se a r c hAlgorithm,IEEEAccess,2020,No.8,pp.189891-189912.Ru o-Bi n W a n g,“A n A d a p t i v e Pa r a l l e l A r i t h me t i c O p t i mi z a t i o n A l g o r i t h m f o r Ro b o t Pa t h Pl a n n i n g ,Jo u r n a l o fAdvanced Transportation,2021,Vol.2021,pp.1-22.Marco Dorigo,“Ant System:Optimization by a Colony of Cooperating Agents,IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics),1996,Vol.26,No.1,pp.29-41.James Kennedy,“Particle Swarm Optimization,Proceedings of ICNN95-International Conference on Neural Net-works,1995,Vol.4,pp.1942-1948.Dervis Karaboga,Artificial Bee Colony Algorithm,Scholarpedia,2010,Vol.5,No.3,p.6915.Passino,“Bacterial Foraging Optimization,International Journal of Swarm Intelligence Research,2010,Vol.1,No.1,pp.1-16.Xin-She Yang,“Bat Algorithm:a Novel Approach for Global Engineering Optimization,Engineering Computa-tions,2012,Vol.29,No.5,pp.464-483.Hossein Rezaei,“Grey Wolf Optimization(GWO)Algorithm,Advanced Optimization by Nature-Inspired Algo-rithms,2018,Vol.720,pp.81-91.Seyedali Mirjalili,“The Whale Optimization Algorithm,Advances in Engineering Sofiware,2016,Vol.95,pp.51-67.Se y e d a l i M i r j a l i l i,D r a g o n f l y A l g o r i t h m:a Ne w M e t a-h e u r i s t i c O p t i mi z a t i o n T e c h n i q u e f o r So l v i n g Si n g l e-o b j e c t i v e,Discrete,and Multi-objective Problems,Neural Computing and Applications,2016,Vol.27,No.4,pp.1053-1073.302023年第4期科學经濟社會分离指的是为避免蜻蜓个体与周围其他个体发生碰撞而产生的行为：NS,=-Z(X-X.)(1)=1其中，N是相邻个体的数目，X表示当前蜻蜓个体所处的位置，X表示第j个相邻个体所处的位置。对齐表示蜻蜓个体的速度必须要和其他个体的速度相匹配的行为：Vj=1A=N(2)其中，V表示第j个相邻个体的速度。结盟表示蜻蜓个体向周围蜻蜓个体中心聚集的行为：C-X(3)寻找猎物是指蜻蜓个体靠近食物源的行为：F,=X+-X(4)其中,X+表示食物源所在位置躲避天敌表示蜻蜓躲避天敌位置的行为：E,=X-X(5)其中，X-表示天敌所处的位置。蜻蜓的步向量是由以上五种行为组成，代表着蜻蜓的飞行方向和步长：X,+I=(sS,+aA,+cC,+fF,+eE,)+wX,(6)其中,s,a,c,f,e分别表示分离、对齐、结盟、寻找猎物和躲避天敌的行为权重，它们在代过程中适应调整，t为当前迭代次数，w为惯性权重在自然界中，蜻蜓是运动的，但是它的位置更新却分两种情况，若蜻蜓个体周围有临近个体时，公式定义为(7)，若蜻蜓个体无临近个体时，需要借助Levy飞行的方法进行随机突变飞行，扩大飞行范围，公式定义为（8）。X,I=X,+AX,aI(7)Xi,=X,+Levy(d)xX,(8)Levy函数定义如：Levy(x)=0.01 x*(9)其中，ri，r,是0,1 之间的随机数,是一个常数,本文定为1.5。o计算公式如：r(1+)xsin(,T(x)=(x-1)!(10)1+2如上所述，蜻蜓算法由于充分模拟了各种行为，一方面适用于复杂问题建模，另一方面有如上所述，蜻蜓算法由于充分模拟了各种行为，一方面适用于复杂问题建模，另一方面有31基于智能优化算法的社区养老服务点选址研究王若宾，等利于演化计算过程中逐步获得全局最优解，因此适用于社区养老服务点选址优化问题的求解，也为社科问题使用科学计算方法求解提供了一种可行的尝试。二、模型构建及变量说明社区养老服务点的选址优化可以看作是一个多约束非线性优化问题。首先，养老服务点需提供多种服务以满足社区老年人多方面的养老需求。以北京市养老服务驿站为例，一般包括助餐、娱乐、日间照料、助浴、助购和上门随访等服务。其次，不同类型的养老服务，获取方式也不相同，一般可分为主动到服务点获取服务和服务点上门服务两种。例如，助餐、娱乐、日间照料可以由老年人主动到服务点接受服务，而助浴、助购、上门随访则需要由服务点的工作人员上门提供服务。再次，老年人的出行范围，考虑到出行安全以及15分钟生活圈的便利，一般为15分钟步行距离，同时也考虑到社区较为分散的情况，这时可及范围可以是公共交通15分钟路程。以上作为服务点选址的复杂约束条件。基于蜻蜓算法进行选址优化，需满足以下假设：（1）选址的目标区域默认是连续区域，区域内所有点都是算法的候选解；（2）用两点之间的直线距离代替养老服务点和老年人居住地之间的距离；（3）约束条件为不能超过老年人居住地到养老服务点之间理想出行的最远距离；（4）养老服务点的最大服务供给量需要满足所覆盖社区的最大需求量。基于以上假设，将选址优化问题转换成计算问题：首先，将待建社区养老服务点的服务项目分为K种，接受每种服务项目的人口占比分别为k,k=1,，K。老年人出行，设定为步行，如果一些老年人居住的社区位置较远，可以采取公共交通出行，通过配置一个决策变量，（j=0或1）来确定是否需要乘坐公共交通，其中j=0表示不需要乘坐公共交通，即步行，否则为乘坐公共交通。对于每一项服务，老年人的需求量是不一样的，设定一个使用系数，分别设置为rs，k-1，K。假设在该区域内，有m个社区共n位老人，要为该区域建设1个养老服务点，该服务点需同时满足以下条件：（1）到各个社区的距离之和最短；（2）步行条件下单个社区到养老服务点之间的距离不能超过老年人理想出行的最远距离d;（3）服务点的最大供给量C要满足老人的最大需求量。基于以上设定，构建选址模型的约束条件为：t0.25h(11)d0.72km(12):(/(A-a,)+(B-b,)-V-t)6.25km(13)人aknrc(14)k=1其中，（A,B)为待建养老服务点的坐标，（a,b,）为老人居住社区的坐标,i=1,2,3，m,V是公322023年第4期科學经濟社会共交通的平均速度，t是老年人乘坐公共交通花费的最长时间式(11)根据15分钟生活圈设计，设定老年人出行最远距离所花费的时间不多于0.2 5小时；式(12)根据老年人的平均步速0.8 米/秒和步行时间不多于15分钟，求得老年人理想步行最远距离0.7 2 千米；式(13)表示若某些社区离待建服务点较远，须乘坐公共交通，假设市区公交时速2 5km/h，为满足15分钟生活圈设计，求得最远理想距离为6.2 5千米；式(14)表示服务点的最大供给量要满足老年人的最大需求量，通过给定老年人各个项目的需求量r，和最大供给量C，可以计算出每个项目老年人数占比k。综合选址模型和约束条件，目标函数将分以下四种情况讨论：（1)若该区域内，社区分布比较集中，可满足所有老年人理想步行最远距离，并且老年人自主去养老服务点接受服务：-2(2(a:)/(4-a)+(B-b.)(15)（2)若该区域内，社区分布比较分散，已经不能满足老年人理想步行最远距离，但是可以借助公共交通自主去养老服务点接受服务：/-2(aam)(/(A-a,)+(B-b,),-V-1)(16)（3)若该区域内，社区分布相对集中，可满足老年人理想步行最远距离，但是部分老年人可自主去养老服务点接受服务，部分老年人却需要服务点提供上门服务：-2(Z(:n)/(A-a,)(B-b,)+(Z(:n)/(A-a,)+(B-b,)(17)（4)若该区域内，社区分布相对分散，已经不能满足老年人理想步行最远距离，但是部分年人可自主去养老服务点接受服务，部分老年人却需要服务点提供上门服务：=(ar n)/(A-a,)+(B-b,)P-v-)+(Z(a:)/(A-a,)+(B-b,)(18)以上四种情况分别表示不同出行方式以及不同服务获取方式下拟设定社区养老服务点位置到各个社区的位置总和，即目标函数。社区养老服务点选址优化问题转化为目标函数求最优解问题三、仿真实验及结果分析(一)数据预处理实验设定区域内有6 个社区，各个社区坐标为计算机随机数生成，如表1所示以1号社区为原点建立直角坐标系，各社区分布如图1所示根据式(11)-(18),所构建计算模型是一个多约束非线性求解最优值问题，设置蜻蜓算法中种群数量为40，最大迭代次数表1各社区坐标社区编号坐标/km1(00)2(4.23,-6.07)3(5.64,-4.72)4(5.63,1.02)5(5.36,8.53)6(7.45,5.74)33实验王若宾，等基于智能优化算法的社区养老服务点选址研究108642L0-8-6-4-2246810-2-4-6-8图1社区分布图为10 0,并且目标区域的范围是-10,10 。假设该社区养老服务点提供六种服务，分别为助餐、娱乐、日间照料、助浴、助购、上门随访，前三种服务为老年人到服务点接受服务，后三种服务为服务点工作人员上门提供。式(17)和式(18)中的表示在同等距离下，老年人到服务点接受服务和工作人员上门服务速度之间的差异。假使本文给定老年人各个项目的需求量rk分别为1、2.5、5、1、1、1,最大供给量C为300，该服务点最多容纳40 人。通过以上数据可求得一个如下不等式：,+2.5z+5,+s+7.5为体现不同服务占比的情况，通过不等式设计两种不同参数配比，如表2 所示。两种参数配比体现为到站服务和上门服务的比例差异，其中参数配比1显示拟建站点以到站服务（8 0%）为主，上门服务（2 0%）为辅；参数配比2 显示拟建站点到站服务（6 0%）和上门服务(40%）比较均衡表2服务项目人口占比参数配比参数配比助餐(）娱乐（,）日间照料(,)助浴(.）)助购(,)上门随访(。)10.50.210.50.50.5210.60.4111（二）仿真实验针对四种不同的目标函数实施四组仿真实验以2(:n)/(A-a,)+(B-b,)为为目标函数，使用蜻蜓算法求解，最终得到的服务点坐标和目标函数最优值如表3所示。在社区分布图上标记出两种参数配比条件下求出的服务点位置，其中浅色代表参数配比1求出的位置，深色代表参数配比2 求出的位置（图2）。表3实验一结果参数配比服务点坐标最优值1(0.01,0.00)857.382(4.88,1.74)1.10e+03342023年第4期科學经濟社會10位置18位置26420L-8-6-4-22468100-2-4-6-8图2实验一的选址结果实验二：以f-2(an)(/(A-a,)+(B-b,)-V-1)为目标函数，使用蜻蜓算法求解，最终得到=1的服务点坐标和目标函数最优值如表4所示。在社区分布图上标记出两种参数配比条件下求出的服务点位置，其中浅色代表参数配比1求出的位置，深色代表参数配比2 求出的位置（图3）。表4实验二结果参数配比服务点坐标最优值1(3.73,-4.93)330.692(-3.94,-0.54)576.6010位置18位置2642&-8-6-4-2246810-2-4-6-8图3实验二的选址结果实验三：以 f-Z(en)/(A-a,)+(B-b,)+(tn)/(A-a,)+(B-b,）)为目标函数，使用蜻蜓算法求解，最终得到的服务点坐标和目标函数最优值如表5所示在社区分布图上标记出两种参数配比条件下求出的服务点位置，其中浅色代表参数配比1求出的位置，深色代表参数配比2 求出的位置（图4）。表5实验三结果参数配比服务点坐标最优值1(2.80.0.06)1.03e+032(0.49,4.52)1.34e+0335基于智能优化算法的社区养老服务点选址研究王若宾，等10位置18位置26420L1-8-6-4-2246810-2-4-6-8图4实验三的选址结果实验四：=(:n)/(A-a)+(B-b,)-v1)+(a:n)/(A-a,)+(B-b,)为目标m以=1k=函数，使用蜻蜓算法求解，最终得到的服务点坐标和目标函数最优值如表6 所示。在社区分布图上标记出两种参数配比条件下求出的服务点位置，其中浅色代表参数配比1求出的位置，深色代表参数配比2 求出的位置（图5）。表6实验四结果参数配比服务点坐标最优值1(4.12,1.82)608.432(5.21,2.61)837.1610位置18位置26420-8-6-4-2246810-2-4-6-8图5实验四的选址结果仿真实验结果显示，基于智能优化算法，对不同情境下构建的4个目标函数求解时，不论接受各项服务的人口比例如何调整，都可以在较短时间内找到最优解。而从该最优解所对应社区养老服务点的位置到区域内各社区的距离之和多数时候并非物理最短距离。最优位置的确定受到多种约束条件的制约，该方法找到的最优解反映了这种约束要求，是综合考虑多种影响因素的位置定位，体现了该方法的有效性。362023年第4期科學经濟社會四、结论“十四五”国家老龄事业发展和养老服务体系规划提出在“十四五”时期将不断扩大养老服务供给。扩大养老服务供给的同时着力优化养老服务资源配置对于推动全社会积极应对人口老龄化，提升老年人的获得感、幸福感和安全感有重要意义。社区养老服务点的科学选址是优化社区养老服务资源配置的一种有效手段，有助于社区老年人公平、便利地享受社区养老服务。本文针对当前社区养老服务点选址不合理导致的服务可及度、空间利用率和服务匹配度等方面的问题，发现对当前社区养老资源优化配置研究的探讨仍然十分匮乏，而规范和标准中亦未给出明确的指标参考。考虑到以往布局和选址研究多集中在偏宏观层面的规划方法，为更好地应对不同老年群体的多元社区养老需求，同时基于生活圈理念和老年人出行距离等重要影响因素，本文研究了多约束条件下社区养老服务点的定位问题。根据社区养老服务的供需特点和社区老年人接受养老服务的方式，基于智能优化算法中的蜻蜓算法，设计了四种目标函数，赋以不同的服务比例参数后，该方法总能够找到符合约束条件的最优解，进而确定社区养老服务点的最优坐标。实验结果验证了方法的有效性。将智能优化算法用于社区养老服务点的科学选址，为优化社区养老资源配置提供一种新的思路和方法，为解决实际社区养老服务点的数量增减和空间高效使用提供可靠的计算依据。但由于养老服务点选址问题本身的复杂性，在建立模型时，还需要考虑更多实地因素，以符合选址的实际需要，提高求解结果对管理实践的参考价值。未来的研究将对算法的改进做进一步探索，以达到更好的寻优效果，并结合实际数据对选址结果进行验证和修正，以提高方法的实用性。致谢：本文修改过程中北方工业大学建筑与艺术学院温芳博士给予多处修改建议和帮助，在此表示感谢。37责任编校：彭必生）No.4,2023SCIENCEECONOMYSOCIETYVol.41,Total No.1752023年第4期第41卷总第17 5期科學经濟社會Research on Location Optimization of Community Care Centersfor Seniors Based on Intelligent Optimization AlgorithmWang RuobinWang WeifengGeng FangdongXu Lin?Wang RuobinWang WeifengGeng FangdongXu Lin?1.School of Information Science and Technology,North China University of TechnologyBeijing 100044,ChinaE-mail:2.Department of Science and Technology,Engineering and Mathematics University of South AustraliaAdelaide 5095,AustraliaAbstract:The scientific site locating of a care center for community seniors is of great significance forthe optimization and promotion of fair and convenient access of care services in communities.However,at present,the localization of service centers still mainly depends on manual decision-making,and theresearch on employing scientific methods to realize the scientific locating of care centers for communityseniors is still very scarce.We propose an optimization method for the site locating of care center for com-munity seniors based on intelligent optimization algorithm.Taking the nearest accessible distance as thedepend variable of the fitness function,and taking the number of communities in the region,the number ofseniors,the farthest accessible distance,the maximum service capacity and the proportion of all kinds ofservices as constraints,a computing model is established and calculated.The experimental results showthat the optimization method proposed in this paper can always find the best location under a variety ofcomplex constraints,which provides a new paradigm for scientifically addressi