Utafiti huu unatengeneza algoriti ya kijenetiki inayozingatia sahani, ambayo huboresha kwa pamoja mpangilio wa utekelezaji wa maombi ya vipimo katika vichanganuzi otomatiki vya chemiluminescence immunoassay na pia huamua kila ombi litatekelezwa kwa ukanda gani wa reagent. Katika modeli iliyofafanuliwa kwa VirClia Lotus 360, mikanda ya reagent huhifadhiwa kwenye sahani katika sehemu iliyopozwa, na ili kufikia ukanda mmoja tu, sahani nzima lazima itolewe hadi eneo la kazi. Algoriti iliyopendekezwa hutumia opereta maalum wa crossover unaohifadhi vitalu vya sahani, mabadiliko ya mpangilio na mabadiliko ya kupewa tena sahani, pamoja na gharama laini inayozingatia muda wa mwisho wa matumizi. Katika mzigo mmoja wa kazi wa sintetiki na mizigo mitatu halisi, algoriti ya kijenetiki ilipunguza harakati za sahani kwa wastani wa %28,5 ikilinganishwa na mbinu ya greedy na kwa takribani %86,9 ikilinganishwa na FIFO. Hata hivyo, matokeo hayajathibitishwa kwa operesheni ya wakati halisi kwenye kifaa kinachoendelezwa; yamepimwa tu katika mazingira ya kompyuta kwa kutumia data ya kifaa kilichopo, na haijathibitishwa kihisabati kwamba algoriti imefikia optimum ya kimataifa.

Katika utafiti huu, seti ya data ya sintetiki yenye maombi 54 na seti halisi za data zenye maombi 194, 265 na 210 kutoka siku tatu mfululizo za kazi katika maabara halisi zilitumiwa. Kwa mipangilio iliyochaguliwa ya algoriti ya kijenetiki, utekelezaji huru 50 ulifanywa; katika seti halisi za data, muda wa wastani wa kukokotoa ulikuwa 16,02, 27,18 na 18,44 sekunde mtawalia. Katika seti hizo hizo, idadi ya wastani ya harakati za sahani zinazohitajika ilikuwa 42,00, 56,48 na 52,16 kwa algoriti ya kijenetiki; 60, 76 na 78 kwa mbinu ya greedy; na 362, 530 na 414 kwa FIFO. Matokeo haya yanaonyesha kuwa kwa gharama ya upangaji ratiba ya makumi kadhaa ya sekunde, operesheni za roboti za kuhamisha sahani zinaweza kupunguzwa kwa kiasi kikubwa.

Tathmini kwa mtazamo wa Uturuki: Mbinu hii ina thamani ya kimetodolojia kwa kampuni nchini Uturuki zinazotengeneza mifumo ya otomatiki ya serolojia, immunoassay, kemia ya kliniki na uchunguzi wa molekuli, pamoja na maabara za hospitali zenye kiasi kikubwa cha sampuli, kwa ajili ya kuboresha ufikiaji wa vifaa vinavyotumika na harakati za roboti. Ili kuibadilisha kwa Uturuki, usanifu halisi wa mitambo wa kifaa kinachotumika, vipaumbele vya vipimo, sheria za sampuli za dharura, muunganisho wa mfumo wa taarifa za maabara, shughuli za udhibiti wa ubora, mahitaji ya urekebishaji na vikwazo vya muda wa matokeo ya mgonjwa vinapaswa kuongezwa kwenye modeli. Algoriti inapaswa kulinganishwa katika pacha dijitali wa kifaa halisi, mazingira ya majaribio ya hardware-in-the-loop na wakati wa operesheni ya kliniki inayodhibitiwa. Haiwezi kuhitimishwa kutokana na utafiti huu kwamba algoriti itatoa kiwango kilekile cha faida katika vichanganuzi vyote vya maabara nchini Uturuki, itapunguza moja kwa moja muda wa uchunguzi kwa asilimia fulani, itaongeza usalama wa mgonjwa au itaathiri usahihi wa uchunguzi wa kliniki.

Tatizo ambalo utafiti unajaribu kutatua ni lipi?

Katika vichanganuzi otomatiki vya kliniki, muda wa jumla wa uchakataji haujumuishi tu athari za kikemia na hatua za kipimo. Usafirishaji wa roboti wa sampuli, reagent, mikanda ya matumizi ya mara moja na vifaa vingine vinavyotumika pia unaweza kuathiri uwezo wa kifaa na maisha yake ya kiufundi.

Katika usanifu uliochunguzwa katika utafiti, mikanda ya reagent huhifadhiwa ndani ya sahani katika eneo lililopozwa ili kudumisha uthabiti wa joto. Roboti haiwezi kufikia moja kwa moja ukanda wa matumizi ya mara moja unaohitajika kwa kipimo fulani. Ili kuchukua ukanda huo, lazima kwanza itoe sahani nzima yenye ukanda huo kutoka eneo lililopozwa na kuipeleka katika eneo la kazi.

Ikiwa vipimo viwili vinavyofuatana vinaweza kufanywa kwa mikanda iliyo kwenye sahani ileile, sahani inaweza kubaki katika eneo la kazi. Ikiwa kipimo kinachofuata kinahitaji sahani tofauti, sahani iliyopo lazima irudishwe mahali pake na sahani mpya itolewe. Kwa hiyo, kutekeleza vipimo kulingana na mpangilio wa kuwasili kunaweza kusababisha mabadiliko mengi yasiyo ya lazima ya sahani.

Watafiti wanaeleza kuwa operesheni za kuhamisha sahani husababisha gharama kuu tatu:

• Kuchakaa kwa mitambo na kupungua kwa maisha ya matumizi ya vipengele vya roboti,
• Kupungua kwa uwezo wa jumla wa uchakataji wa kifaa,
• Sehemu iliyopozwa kukabiliwa mara nyingi zaidi na mabadiliko ya unyevunyevu na joto.

Kwa hiyo, tatizo la uboreshaji haliamui tu ni kipimo gani kifanywe kwanza, bali pia huamua ni ukanda gani utumike kati ya mikanda kadhaa inayofaa ya aina ileile kwa kila kipimo.

Mtiririko wa kazi uliowekwa katika modeli kwa VirClia Lotus 360

Modeli ya mfumo katika utafiti hutumia eneo lililopozwa lenye uwezo wa kuwa na hadi sahani 30 za reagent. Kwa kuwa kila sahani inaweza kubeba hadi mikanda 12, hadi mikanda 360 ya reagent inaweza kuhifadhiwa kwa wakati mmoja. Kwa upande wa sampuli, imeelezwa kuwa kifaa kinaweza kutumia rafu sita, kila moja ikiwa na uwezo wa sampuli 16.

Kwa mtazamo wa upangaji ratiba, mtiririko wa kazi umerahisishwa kuwa hatua nne:

1. Mkono wa roboti huleta sahani ya reagent inayohitajika kutoka eneo lililopozwa hadi eneo la kazi.
2. Utaratibu wa kushikilia huondoa kutoka kwenye sahani ukanda wa reagent unaolingana na kipimo kinachohitajika.
3. Sampuli hupipetishwa kwenye ukanda na ukanda huwekwa kwenye rota ya ndani ya kifaa.
4. Ikiwa kipimo kinachofuata kinaweza kufanywa kwa ukanda ulio kwenye sahani ileile, sahani haibadilishwi; vinginevyo sahani hurudishwa kwenye sehemu iliyopozwa na sahani nyingine hutolewa.

Utafiti haumodeli shughuli zote za uchanganuzi na roboti za kifaa halisi. Urekebishaji, udhibiti wa ubora, muda wa athari, uwezo wa rota, vipaumbele vya sampuli za dharura na maelezo ya uchakataji sambamba yamefanywa kuwa ya jumla katika tatizo hili la uboreshaji. Lengo kuu la modeli ni ufikiaji wa sahani na matumizi ya mikanda ya reagent.

Muda wa mwisho wa matumizi wa mikanda ya reagent ulizingatiwaje?

Kwa kila ukanda wa reagent, taarifa mbili za muda zilifafanuliwa:

• Muda wa mwisho wa matumizi wa lote: Muda wa kuhifadhi unaowekwa na lote ya uzalishaji na kwa kawaida unaweza kufikia hadi miezi 18.
• Muda wa matumizi kwenye kifaa: Kipindi cha siku 30 kinachoanza baada ya ukanda kupakiwa katika eneo lililopozwa.

Imeelezwa kuwa mikanda iliyokwisha muda wake hutupwa na kifaa, na kwa hiyo taarifa ya muda wa matumizi haitumiki kama kizuizi kigumu cha ufaafu kwa ratiba. Badala yake, algoriti huongeza gharama laini inayohamasisha matumizi ya mapema ya mikanda iliyo na muda mfupi zaidi uliobaki.

Mbinu hii inalenga kusawazisha kupunguza harakati za sahani na kutumia reagent zilizo karibu kuisha muda wake. Ikiwa algoriti itachagua tu mpangilio wenye harakati chache zaidi za sahani, baadhi ya mikanda ya zamani inaweza kubaki bila kutumiwa; ikiwa itapa kipaumbele tu muda wa mwisho wa matumizi, inaweza kuwa muhimu kutoa sahani tofauti kila mara kwa kipimo kilekile.

Modeli ya uboreshaji wa kihisabati

Seti ya sampuli \(S\), seti ya aina za vipimo \(T\) na seti ya maombi ya uchunguzi \(R\subseteq S\times T\) zimefafanuliwa. Kila ombi linawakilisha utekelezaji wa kipimo fulani kwenye sampuli fulani.

Seti ya sahani \(L\), na nafasi za mikanda kwenye kila sahani zimetolewa kama \(K=\{1,\ldots,12\}\). Aina ya kipimo katika nafasi fulani ya sahani imeonyeshwa kwa namna ifuatayo:

\[ \tau(l,k)\in T\cup\{\varnothing\} \]

Hapa \(\varnothing\) inaonyesha kuwa nafasi hiyo ni tupu. Suluhisho linajumuisha maamuzi mawili:

• \(\pi\): Mpangilio wa utekelezaji wa maombi ya vipimo,
• \(a\): Kumpangia kila ombi jozi inayopatikana ya sahani-ukanda.

Kazi lengwa imetolewa katika utafiti kwa namna ifuatayo:

\[ \min_{\pi,a} F(\pi,a) = \alpha\sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \beta C_{\mathrm{exp}}(\pi,a) \]

Hapa \(u_i\) inawakilisha sahani iliyotumiwa kwa kipimo katika nafasi ya \(i\). ya mfuatano; \(u_0\) sahani iliyopo mwanzoni katika eneo la kazi; na \(\mathbb{I}[\cdot]\) kazi ya kiashiria inayopata thamani ya 1 pale sharti linapokuwa kweli.

Kipengele cha kwanza huhesabu kama kuna mabadiliko ya sahani kati ya vipimo vinavyofuatana. Ikiwa hakuna sahani katika eneo la kazi mwanzoni, kutoa sahani ya kwanza pia huhesabiwa kama harakati moja. Kipengele cha pili ni jumla ya gharama za mapendeleo ya muda wa mwisho wa matumizi.

Thamani ya ufaafu huhesabiwaje?

Kazi mahususi ya ufaafu inayotumiwa katika algoriti ya kijenetiki ni kama ifuatavyo:

\[ f(x)= \sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \sum_{i=1}^{n} \left[ \gamma\phi_{\mathrm{lot}}(x_i') + \delta\phi_{\mathrm{on}}(x_i'') \right] \]

\(x_i'\) inaonyesha idadi ya siku zilizobaki hadi muda wa mwisho wa matumizi wa lote ya ukanda uliochaguliwa; \(x_i''\) inaonyesha idadi ya siku zilizobaki hadi mwisho wa muda wa matumizi kwenye kifaa. Kazi za kusawazisha zimefafanuliwa kama ifuatavyo:

\[ \phi_{\mathrm{lot}}(x)=\frac{x}{270}-1 \]

\[ \phi_{\mathrm{on}}(x)=\frac{x}{15}-1 \]

Iwapo safu ya siku 0–540 inadhaniwa kwa maisha ya lote na safu ya siku 0–30 kwa muda wa matumizi kwenye kifaa, mabadiliko haya hutoa thamani kati ya takribani −1 na 1. Mikanda yenye muda mfupi zaidi uliobaki wa matumizi huhusishwa na gharama ndogo zaidi na kuelekezwa kutumiwa mapema.

Utafiti unaeleza kuwa coefficients \(\gamma\) na \(\delta\) hudhibiti umuhimu wa vipengele vya muda wa mwisho wa matumizi; hata hivyo, thamani za nambari za \(\gamma\) na \(\delta\) zilizotumiwa katika majaribio hazijatolewa. Upungufu huu unazuia kukokotoa upya kwa kujitegemea thamani za ufaafu zilizoripotiwa na kuelewa uzito kati ya harakati za sahani na upotevu wa reagent.

Suluhisho linawakilishwaje katika kromosomu?

Kila kromosomu ni vekta ya permutation inayojumuisha maombi yote ya uchunguzi:

\[ x=(x_1,x_2,\ldots,x_n) \]

Kila jeni haikodi tu ombi la kipimo, bali pia ni ukanda gani halisi wa reagent utakaotumiwa kutekeleza ombi hilo. Nafasi ya jeni katika mfuatano huamua mpangilio wa utekelezaji wa kipimo; nafasi ya ukanda inayohusishwa na jeni huamua ugawaji wa sahani na nafasi.

Kwa uwakilishi huu, algoriti ya kijenetiki inaweza kubadilisha kwa wakati mmoja viwango viwili vya maamuzi:

• Mpangilio wa maombi ya vipimo,
• Ugawaji wa maombi kwa mikanda ya reagent inayopatikana.

Kila ombi la uchunguzi lazima liwepo mara moja tu katika kromosomu. Kumpangia ukanda uleule wa kimwili maombi zaidi ya moja au kuchagua ukanda usioendana na aina ya kipimo hufanya suluhisho kuwa batili.

Je, idadi ya mwanzo iliundwa kwa nasibu kabisa?

Idadi ya mwanzo haikuundwa kwa nasibu kabisa. Watafiti walitumia mbinu ya ujenzi ya nusu-nasibu ili kuhamasisha matumizi tena ya sahani huku wakidumisha utofauti kati ya suluhisho.

Katika kila hatua, moja ya aina za vipimo vinavyosubiri huchaguliwa kwa nasibu na hadi maombi 12 ya aina hiyo ya kipimo hupangwa mfululizo. Kisha moja ya sahani zenye mikanda inayopatikana kwa kipimo hicho huchaguliwa kwa nasibu. Ikiwa sahani iliyochaguliwa ina mikanda ya kutosha, maombi yote huwekwa katika kitalu kilekile cha sahani; ikiwa idadi ya mikanda haitoshi, mikanda iliyopo hutumiwa na mahitaji yaliyobaki hurudishwa kwenye seti ya maombi yanayosubiri.

Mbinu hii huhakikisha kwamba katika idadi ya mwanzo, vipimo vinavyohusiana na sahani ileile huunda vitalu. Wakati huo huo, uchaguzi wa nasibu wa kipimo na sahani huzuia watu wote kuanza na ratiba ileile.

Uteuzi na crossover zilitumikaje?

Uteuzi wa wazazi ulifanywa kwa mbinu ya upangaji wa mstari. Idadi ilipangwa kwa namna ambayo thamani ndogo ya ufaafu ilikuwa bora zaidi, na watu wakaunganishwa kulingana na nafasi zao. Mbinu hii inalenga kuzuia watu bora pekee kuzaliana na hivyo kuhifadhi utofauti wa suluhisho.

Operesheni ya crossover ni tofauti na crossover ya kawaida ya permutation. Watafiti walitengeneza opereta iliyopangiliwa na sahani ambayo huzuia kuvunjika kwa vitalu vya maombi vinavyofuatana vinavyotumia sahani ileile:

1. Pointi mbili za kukata huchaguliwa katika mzazi wa kwanza.
2. Pointi za kukata hupanuliwa hadi mipaka ya mwanzo na mwisho ya vitalu vya sahani ileile ambamo zimo.
3. Sehemu hii inayolingana na sahani huhamishwa bila kubadilishwa hadi kwa mtoto.
4. Maombi yanayokosekana huwekwa katika nafasi tupu huku mpangilio wake katika mzazi wa pili ukihifadhiwa.
5. Ikiwa kwenye mpaka kuna maombi jirani yanayohusiana na sahani ileile, kitalu hupanuliwa ili kuzuia kutokea kwa mabadiliko mapya yasiyo ya lazima ya sahani.

Ikiwa ugawaji wa mikanda kutoka kwa wazazi wawili unasababisha ukanda uleule wa kimwili kutumiwa zaidi ya mara moja, suluhisho la mtoto hutupwa. Ingawa chaguo hili huhifadhi ufaafu, linaweza kupunguza ufanisi wa utafutaji ikiwa watoto wengi batili wanazalishwa. Utafiti haujaripoti kiwango cha watoto batili.

Jukumu la opereta mbili za mutation ni lipi?

Mutation inayotegemea mpangilio hubadilisha nafasi za vitalu viwili kamili vya maombi vinavyohusiana na sahani tofauti. Ugawaji wa sahani na mikanda ndani ya jeni huhifadhiwa, na ni mpangilio wa utekelezaji wa vitalu pekee unaobadilika. Hivyo algoriti inaweza kujaribu mipangilio tofauti ya mabadiliko ya sahani huku ikitumia ugawaji uleule wa rasilimali.

Mutation ya kupewa tena sahani huchagua sehemu ya maombi yanayofuatana ya aina ileile ya kipimo na sahani ileile na kuihamishia kwenye sahani nyingine yenye idadi ya kutosha ya mikanda inayofaa ambayo haijatumika. Mutation hii huhifadhi mpangilio wa utekelezaji huku ikibadilisha ugawaji wa rasilimali.

Imeripotiwa kuwa mutation ya kwanza ina athari dhahiri kwenye ubora wa suluhisho, wakati mutation ya pili ina mchango mdogo zaidi katika seti za data zilizochunguzwa. Watafiti wanaeleza hili kwa kuwa idadi ya sahani ni hadi 30 na idadi ya mwanzo tayari ina utofauti wa kutosha wa ugawaji.

Kizazi kipya huundwaje?

Algoriti hutumia uingizwaji wa kizazi. Katika kila kizazi, idadi mpya huundwa kutoka kwa wazazi waliopangwa, crossover hutumiwa kwa uwezekano uliowekwa na kisha opereta mbili za mutation huanzishwa.

Kromosomu zinazojirudia haziruhusiwi katika idadi mpya. Mtoto batili hubadilishwa na nakala ya mzazi husika. Zaidi ya hayo, kwa mkakati wa elitist, ikiwa mtu bora zaidi wa kizazi kilichopita hayupo katika idadi mpya, huongezwa moja kwa moja badala ya mtu mbaya zaidi.

Kwa sababu ya mbinu hii ya elitist, thamani bora zaidi ya ufaafu haizidi kuwa mbaya kadiri vizazi vinavyoendelea. Katika grafu za muunganiko kwenye kurasa mbili za kwanza za utafiti, mstari mnene wa wastani unaonekana kupungua mfululizo na kuwa tambarare katika vizazi vya mwisho.

Algoriti husimama lini?

Utafutaji hukoma wakati mojawapo ya vigezo viwili vya kusimamisha vinatimia:

• Kufikia idadi ya juu ya vizazi iliyowekwa awali,
• Kromosomu bora zaidi kutobadilika kwa vizazi 30 mfululizo.

Kigezo cha pili huzuia ukokotoaji usio wa lazima pale ambapo hakuna maendeleo dhahiri yaliyobaki. Hata hivyo, suluhisho kutobadilika kwa vizazi 30 haimaanishi kuwa suluhisho hilo ni optimum ya kimataifa. Algoriti inaweza pia kusimama katika eneo la optimum ya ndani au karibu na optimum.

Vigezo vya juu vilichaguliwaje?

Utafutaji wa grid ulifanywa kwa idadi ya vizazi \(G\), ukubwa wa idadi \(N\), uwezekano wa crossover \(p_c\), uwezekano wa mutation ya mpangilio \(p_{m1}\) na uwezekano wa kupewa tena sahani \(p_{m2}\).

Kuongeza idadi ya vizazi kulipunguza thamani ya wastani ya ufaafu kutoka 117,42 hadi 114,87 na harakati za wastani za sahani kutoka 43,45 hadi 41,36; huku kukiongeza muda wa kukokotoa kutoka 9,86 sekunde hadi 14,65 sekunde. Kuongeza uwezekano wa crossover kutoka 0,7 hadi 0,9 pia kuliboresha ufaafu na idadi ya harakati.

Ingawa thamani ya 100 ilichaguliwa kwa ukubwa wa idadi, katika matokeo ya jumla ya Table 1 tofauti za harakati kati ya thamani 80, 100 na 120 ni ndogo sana. Waandishi wanaeleza kuwa uchaguzi ulitegemea data ghafi isiyoonekana chini ya jedwali na usawazishaji wa ubora na muda.

Ni seti gani za data zilizotumiwa?

Tarehe ambazo seti halisi za data zilikusanywa, idadi ya aina tofauti za vipimo, viwango vya kujazwa kwa sahani, usambazaji wa muda wa mwisho wa matumizi na nyakati za kuwasili kwa maombi katika siku hazijatolewa. Maombi yalichukuliwa kama orodha moja ya awali ya kazi; upangaji ratiba mtandaoni wa vipimo vipya vinavyowasili kwa njia ya mienendo katika siku haujachunguzwa.

Jaribio la uthabiti lilionyesha nini?

Kwa kutumia vigezo vya juu vilivyochaguliwa, utekelezaji huru 50 wa algoriti ya kijenetiki ulifanywa kwa kila seti ya data. Wastani, mkengeuko wa kawaida na coefficients za variation ni kama ifuatavyo:

Coefficients za variation za ufaafu katika seti halisi za data ziko katika safu ya %0,20–0,74, na coefficients za variation za harakati za sahani ziko katika safu ya %0–2,98. Thamani hizi zinaonyesha kwamba licha ya kuanza kwa nasibu, algoriti hufikia matokeo yanayofanana.

Uthabiti huu unaelezea utofauti kati ya utekelezaji wa algoriti. Hauonyeshi uwezo wa kujumlisha katika maabara tofauti, vifaa tofauti, mipangilio tofauti ya reagent au siku tofauti za kazi.

FIFO na mbinu za greedy hufanyaje kazi?

FIFO hutekeleza maombi ya vipimo bila kubadilisha mpangilio wa kuwasili kwenye mfumo. Kwa kila ombi, ukanda wa kwanza unaopatikana wa aina ya kipimo kinachohitajika huchaguliwa. Mbinu hii ni rahisi, haraka na inayotabirika; lakini ikiwa maombi yanayofuatana yako kwenye sahani tofauti, huzalisha harakati nyingi za sahani.

Mbinu ya sahani ya greedy huchagua aina ya kipimo yenye mahitaji mengi yaliyobaki na huchagua sahani yenye idadi kubwa zaidi ya mikanda inayopatikana kwa kipimo hicho. Kutoka sahani iliyochaguliwa, maombi mengi iwezekanavyo hutekelezwa mfululizo. Ingawa mbinu huunda vitalu vinavyohusiana na sahani ileile, huzingatia tu mahitaji ya ndani ya wakati huo na haitathmini mwingiliano wa jumla kati ya aina za vipimo vya baadaye.

Kwa kuwa mbinu zote mbili ni deterministic, ziliendeshwa mara moja; matokeo ya algoriti ya kijenetiki yametolewa kama wastani wa utekelezaji 50.

Matokeo ya kulinganisha mbinu

Ikikokotolewa kutoka thamani za jedwali, kupungua kwa harakati za sahani kwa algoriti ya kijenetiki ikilinganishwa na FIFO ni takribani %82,4 katika seti ya sintetiki; %88,4 katika Halisi 1; %89,3 katika Halisi 2 na %87,4 katika Halisi 3.

Viwango vya kupungua ikilinganishwa na mbinu ya greedy ni %25,0, %30,0, %25,7 na %33,1 mtawalia. Wastani wa viwango hivi vinne unaendana na uboreshaji wa takribani %28,5 ulioripotiwa katika utafiti.

Thamani za ufaafu za algoriti ya kijenetiki pia ni ndogo katika seti zote za data:

Kulingana na hesabu ya jumla ya waandishi, algoriti ya kijenetiki ilipunguza thamani ya ufaafu kwa %70,2 na harakati za sahani kwa %86,9 ikilinganishwa na FIFO. Kwa mbinu ya greedy, viwango hivyo ni %65,6 na %81,7 mtawalia. Algoriti ya kijenetiki ilitoa uboreshaji wa %13,6 katika ufaafu na %28,5 katika idadi ya harakati ikilinganishwa na mbinu ya greedy.

Je, ongezeko la muda wa kukokotoa linakubalika?

Muda wa kukokotoa wa FIFO na mbinu ya greedy uko chini ya sekunde 0,01 katika seti zote za data. Algoriti ya kijenetiki ilifanya kazi kwa sekunde 2,92 katika mfano mdogo wa sintetiki na kati ya sekunde 16,02–27,18 katika mizigo halisi ya kazi.

Watafiti wanaona kuwa muda wa sekunde 20–30 katika mizigo ya kazi yenye zaidi ya maombi 200 ya vipimo unaendana na operesheni halisi ya maabara. Hata hivyo, tathmini hii haijathibitishwa kwa kuunganisha algoriti na programu ya upangaji muda ya kifaa halisi.

Iwapo algoriti inakubalika kivitendo inategemea ni mara ngapi orodha ya kazi hukokotolewa upya, kuwasili kwa sampuli za dharura, muda ambao kifaa hakifanyi kazi na kama upangaji ratiba unafanywa kabla ya uchanganuzi kuanza au mtandaoni. Kwa kuwa utafiti umetumia upeo wa upangaji ratiba usiobadilika, athari ya gharama ya kukokotoa ya kiwango cha sekunde katika hali za kazi zinazobadilika bado haijulikani.

Je, upendeleo wa muda wa mwisho wa matumizi umejaribiwa kweli?

Katika kazi lengwa ya utafiti kuna muda wa mwisho wa matumizi wa lote na muda wa matumizi kwenye kifaa. Hata hivyo, majedwali ya matokeo hayajaripoti ni mikanda mingapi iliokolewa kutokana na muda wa mwisho wa matumizi, wastani wa muda uliobaki, idadi ya reagent zilizotupwa au kiasi cha upotevu wa fedha.

Kwa hiyo, utafiti unaonyesha kwamba gharama inayozingatia muda wa mwisho wa matumizi imeingizwa kwenye algoriti; lakini haithibitishi kwa kigezo huru cha matokeo kiwango ambacho kipengele hiki hupunguza upotevu halisi wa reagent. Pia haijaelezwa ni sehemu gani ya uboreshaji wa ufaafu inatokana na harakati za sahani na ni sehemu gani inatokana na upendeleo wa muda wa mwisho wa matumizi.

Je, muunganiko unamaanisha optimum ya kimataifa?

Grafu zinaonyesha kuwa thamani bora ya ufaafu hupungua haraka katika vizazi vya mwanzo, kisha polepole zaidi na kuwa tambarare katika vizazi vya mwisho. Katika seti ya Halisi 1 muunganiko ulitokea mapema zaidi, wakati katika seti nyingine yenye ugumu zaidi uboreshaji uliendelea kwa muda mrefu zaidi.

Bendi inayopungua ya mkengeuko wa kawaida inaonyesha kuwa utekelezaji tofauti wa nasibu hufikia suluhisho zinazofanana. Hata hivyo, utafiti haujatoa:

• Thamani ya optimum iliyopatikana kwa modeli sahihi ya mixed-integer programming,
• Kikomo cha chini cha kihisabati,
• Pengo la optimum,
• Ulinganisho na suluhisho sahihi katika mifano midogo

. Kwa hiyo, matokeo yanapaswa kutathminiwa kama suluhisho za kihisabati zenye ubora wa juu na uthabiti; madai ya “optimum ya kimataifa” au optimum kamili hayaungwi mkono.

Matokeo makuu yanayoungwa mkono na utafiti

• Kuboresha kwa pamoja mpangilio wa vipimo na ugawaji wa mikanda ya reagent kunaweza kutoa harakati chache sana za sahani kuliko FIFO inayotumia tu mpangilio wa kuwasili.
• Crossover na mutations maalum za tatizo zinazohifadhi vitalu vinavyolingana na sahani zilitoa matokeo bora kuliko upangaji rahisi wa greedy wa sahani.
• Kwa vigezo vya juu vilivyochaguliwa, utofauti wa ufaafu na harakati katika utekelezaji huru 50 ni mdogo.
• Katika mizigo halisi ya kazi yenye maombi 194–265, muda wa kukokotoa ulibaki takribani kati ya sekunde 16–27.
• Algoriti ya kijenetiki ilitoa idadi ndogo ya harakati na thamani ndogo ya ufaafu kuliko FIFO na mbinu ya greedy katika seti zote nne za data zilizochunguzwa.
• Kupunguza harakati za sahani kuliunda mpangilio wa kazi unaohitaji usafirishaji mdogo wa roboti katika usanifu wa kifaa uliowekwa katika modeli.

Utafiti hauonyeshi nini?

• Algoriti haijaendeshwa mtandaoni au kwa hardware-in-the-loop kwenye kifaa halisi.
• Haijapimwa ni kwa kiasi gani kupungua kwa harakati za sahani hubadilisha muda halisi wa jumla wa uchakataji, matumizi ya nishati au maisha ya vipengele vya mitambo.
• Usahihi wa uchunguzi, unyeti, umaalumu, matokeo ya mgonjwa au ubora wa maamuzi ya kliniki havijatathminiwa.
• Sampuli za dharura, madirisha ya muda, madaraja ya kipaumbele, sampuli za udhibiti wa ubora na urekebishaji havijaongezwa kwenye modeli.
• Kuwasili kwa maombi kwa njia ya mienendo katika siku na uboreshaji upya wa ratiba havijachunguzwa.
• Haijathibitishwa kwamba algoriti imefikia optimum ya kimataifa.
• Haijaonyeshwa ni kwa kiasi gani upendeleo unaozingatia muda wa mwisho wa matumizi hupunguza upotevu halisi wa reagent au gharama.
• Hakuna uthibitishaji wa nje uliofanywa kwenye chapa tofauti za vifaa, maabara au operesheni za nchi tofauti.
• Usalama wa programu katika mazingira ya uzalishaji, hali za hitilafu na michakato ya uthibitishaji wa udhibiti hazijatathminiwa.

Uwazi na kutolingana muhimu ndani ya maandishi

Mbinu na Matokeo ya Utafiti

Upeo wa tatizo

Mnyororo wa uchakataji wa algoriti ya kijenetiki

Mbinu za kulinganisha

Mazingira ya utekelezaji na maunzi

• Algoriti zilitengenezwa kwa lugha ya programu C#.
• Mfumo wa uendeshaji ni Windows 11.
• Kichakataji ni Intel Core i5-10500, 3,10 GHz.
• Uwezo wa kumbukumbu ni 8 GB RAM.
• Mbinu zote ziliendeshwa kwenye mifano ileile ya tatizo.
• FIFO na mbinu ya greedy ni deterministic, algoriti ya kijenetiki ni stochastic.
• Kwa algoriti ya kijenetiki, utekelezaji huru 50 ulifanywa katika kila seti ya data.

Athari ya wastani ya vigezo vya juu vilivyochaguliwa

Muhtasari wa utendaji wa jumla

Uzalishaji upya na mapungufu ya kimetodolojia

Utafiti unaeleza kwa kina usimbaji wa kromosomu, crossover, opereta mbili za mutation, upyaji wa idadi, kigezo cha kusimamisha na vigezo vikuu vya juu. Kichakataji, kumbukumbu, mfumo wa uendeshaji na lugha ya programu pia vimetolewa.

Hata hivyo, baadhi ya taarifa muhimu kwa uzalishaji upya wa kujitegemea hazipo:

• Coefficients za gharama ya muda wa mwisho wa matumizi \(\gamma\) na \(\delta\),
• Mipangilio ya sahani-ukanda katika seti halisi za data,
• Maelezo ya aina za vipimo na usambazaji wa mahitaji,
• Mbegu za awali za nasibu,
• Source code au utekelezaji kamili wa pseudocode,
• Faili ghafi za matokeo na data za muunganiko,
• Viwango vya watoto batili na suluhisho zinazojirudia,
• Hesabu ya kubadilisha ratiba kuwa muda halisi wa kifaa.

Hakuna sehemu tofauti katika utafiti kuhusu upatikanaji wa data, kamati ya maadili, kuficha utambulisho wa data ya mgonjwa, ufadhili, mgongano wa maslahi au michango ya waandishi ya CRediT. Kwa kuwa toleo lililopakiwa ni la siri bila majina, inawezekana taarifa hizi zimefichwa kwa madhumuni ya tathmini; lakini hili haliwezi kuthibitishwa kutokana na maandishi yaliyopo.

Ingawa data halisi za maabara zilitumika, matokeo yaliyochanganuliwa si matokeo ya vipimo vya kliniki bali ni orodha za kazi na mipangilio ya reagent. Hata hivyo, haijaelezwa kama seti za data zina vitambulisho vya wagonjwa au jinsi zilivyofichwa utambulisho.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Bio-Inspired Scheduling Optimization for Automated Immunoassay Laboratory Analyzers

Waandishi na mpangilio wao: Carlos Sánchez, José Rojas. Majina hayapo katika toleo la siri lililopakiwa; mpangilio huu umethibitishwa kutoka rekodi rasmi ya SSRN.

Mchango sawa au uandishi mwenza wa kwanza: Hakuna maelezo ya mchango sawa au uandishi mwenza wa kwanza katika utafiti uliopakiwa wala katika taarifa inayopatikana ya rekodi ya SSRN.

Mwandishi wa mawasiliano: Katika toleo lililopakiwa, nafasi za “Anonymous authors” na anonymous@anonymous.com zimetumika. Rekodi ya SSRN inamwonyesha Carlos Sánchez kama mwandishi wa mawasiliano. Katika rekodi ya mkutano husika, Carlos Sánchez pia ndiye mwandishi anayewajibika.

Taasisi: Rekodi ya SSRN haitoi taasisi za waandishi kwa utafiti huu. Katika toleo lililopakiwa, taasisi imefichwa kama “Anonymous institution”. Katika kazi ya mkutano inayohusiana na tatizo hilo hilo, Vircell S.L. imetolewa kwa Carlos Sánchez na José Rojas; na uhusiano wa Universidad Politécnica de Cartagena pia umetolewa kwa Carlos Sánchez. Taarifa hizi za taasisi hazipaswi kuchukuliwa kama tamko la moja kwa moja la taasisi la preprint hii ya siri.

DOI: 10.2139/ssrn.7197891. DOI hii ni ya rekodi ya preprint ya SSRN.

Jarida au mkutano: Hakuna jina lililothibitishwa la jarida au mkutano kwa toleo lenye kichwa kamili la kurasa 21 lililochunguzwa. Utafiti umetolewa kama preprint kwenye SSRN.

Kazi inayohusiana ya mkutano: Kazi inayohusiana ya waandishi hao hao yenye kichwa “A Genetic Algorithm Framework for Scheduling in Automated Laboratory Analyzers” ilichapishwa katika IWINAC 2026 ndani ya Lecture Notes in Computer Science, juzuu 16575, kurasa 278–288. DOI: 10.1007/978-3-032-27317-8_27. Rekodi hii si kazi ileile ya kibibliografia na maandishi marefu zaidi ya SSRN yaliyopo hapa.

Jukwaa la uchapishaji: SSRN.

Mchapishaji asilia: Hakuna mchapishaji wa jarida aliyethibitishwa kwa preprint yenye kichwa kamili. Mchapishaji wa kazi ya mkutano inayohusiana lakini yenye kichwa na upeo tofauti ni Springer Nature Switzerland AG.

Mwaka wa uchapishaji: 2026.

Aina ya chanzo: Preprint ya utafiti unaotegemea data za nambari na za viwandani katika maeneo ya combinatorial optimization, algoriti ya kijenetiki na otomatiki ya maabara.

Hali ya mapitio ya kitaalamu: Utafiti uliokaguliwa haujapitia mapitio ya kitaalamu. Kila ukurasa una onyo la “This preprint research paper has not been peer reviewed”.

Viungo rasmi:Ukurasa rasmi wa rekodi ya SSRN na Kiungo cha DOI cha SSRN.

Rekodi ya mkutano inayohusiana:Kiungo cha DOI cha kazi ya mkutano wa Springer.

Ufadhili: Preprint ya siri iliyokaguliwa haina taarifa za ufadhili. Rekodi ya mkutano inayohusiana inaeleza kuwa utafiti ulifanywa ndani ya Vircell S.L. na hakuna ufadhili wa nje uliopokelewa; taarifa hii haijathibitishwa kando katika preprint ya sasa.

Mgongano wa maslahi: Preprint ya siri iliyokaguliwa haina tamko la mgongano wa maslahi. Katika rekodi ya mkutano inayohusiana, Carlos Sánchez na José Rojas wameelezwa kuwa wafanyakazi wa Vircell S.L. Kwa kuwa algoriti ilitathminiwa kwenye kifaa kinachoendelezwa na kampuni hiyo hiyo, uhusiano huu wa taasisi unapaswa kuzingatiwa katika kutafsiri matokeo.

Upatikanaji wa data: Hakuna kiungo wazi cha ufikiaji kilichotolewa kwa seti za data za sintetiki na halisi, source code, mbegu za nasibu na matokeo ya kina ya majaribio yaliyotumiwa katika utafiti.

Makala hii ya Kituruki imeandaliwa kwa msingi wa ufafanuzi wa tatizo, mtiririko wa kazi wa kifaa, fomula za kihisabati, muundo wa algoriti ya kijenetiki, muhtasari wa grafu, mikunjo ya muunganiko, majedwali matatu ya matokeo na ulinganisho wa mbinu katika utafiti wa kurasa 21 uliopakiwa. Hakuna matokeo mapya ya majaribio yasiyokuwapo katika utafiti au matokeo ya kisayansi ya utendaji kutoka chanzo cha nje yaliyoongezwa. Uthibitishaji wa nje umepunguzwa tu kwa utambulisho wa kibibliografia wa waandishi, DOI, jukwaa la uchapishaji, mwandishi wa mawasiliano na rekodi ya mkutano inayohusiana.

Mapungufu makuu ya utafiti ni kutopitia mapitio ya kitaalamu, kutothibitishwa kwa algoriti kwenye kifaa cha wakati halisi, matumizi ya data halisi ya siku tatu pekee, kutomodeliwa kwa kuwasili kwa maombi kwa njia ya mienendo, kutoelezwa kwa uzito za muda wa mwisho wa matumizi, kutopimwa moja kwa moja kwa upotevu wa reagent, kutokuwepo kwa ulinganisho na optimum sahihi au kikomo cha chini, kutoshirikiwa kwa source code na seti za data, na kuwepo kwa baadhi ya kutolingana ndani ya maandishi kuhusu mkengeuko wa kawaida na ukubwa wa seti za data.

Matokeo yanaonyesha kwamba katika mizigo ya kazi tuli iliyochunguzwa, algoriti ya kijenetiki inayozingatia sahani inaweza kutoa harakati chache za sahani kuliko upangaji ratiba wa FIFO na greedy. Matokeo haya si ushahidi wa usahihi wa uchunguzi, matokeo ya mgonjwa, uwezo wa kujumlisha katika vifaa vyote vya maabara, ongezeko halisi la maisha ya mitambo au utendaji uliothibitishwa katika mfumo wa kibiashara.