در سیستم های فوریت های پزشکی، پوشش مشتریان تحت تأثیر مستقیم نحوه تخصیص آمبولانس ها به مشتریان و نحوه برگشت آنها به ایستگاه ها است. بنابراین علاوه بر سیاست های اعزام، تعیین سیاست هایی برای برگشت آمبولانس ها نیز می تواند به بهبود معیارهای عملکردی این سیستم ها کمک کند. برای پایش عملکرد سیستم باتوجه به استراتژی های تعریف شده می توان از سیستم صف فوق مکعبی استفاده کرد. در این رساله، ابتدا دو مدل مکان یابی یکپارچه با مدل صف فوق مکعبی برای بیشینه سازی پوشش مورد انتظار ارائه می شوند. در مدل اول، مکان آمبولانس های بیکار و مشغول در تعریف وضعیت های سیستم در نظر گرفته می شود و عملکرد سیستم را می توان به طور دقیق مورد تجزیه و تحلیل قرار داد. به دلیل تعداد زیاد وضعیت ها در این مدل، نمی توان آن را برای مسائل بزرگتر به کار برد. به همین دلیل، مدل دوم با همان مفروضات مدل اول ارائه می شود با این تفاوت که مکان آمبولانس های مشغول در تعریف وضعیت های سیستم درنظر گرفته نمی شوند اما براساس نرخ ورود مشتریان هر ناحیه تقریب زده می شوند. در این مدل ها دو استراتژی برای نحوه برگشت آمبولانس ها تعریف شده است. در استراتژی اول، آمبولانس پس از اتمام مأموریت به نزدیک ترین ایستگاه خالی به خود برمی گردد و در استراتژی دوم، به ایستگاه خالی که بیشترین میزان تقاضا را پوشش می دهد بازمی گردد. علاوه بر دو مدل مکان یابی، مدل دیگری ارائه می شود که هدف آن، یافتن بهترین استراتژی برگشت برای آمبولانس ها است به طوری که پوشش مورد انتظار بیشینه گردد. مفروضات و تعریف وضعیت این مدل، مشابه مدل دوم است با این تفاوت که در این مدل، مکان یابی انجام نشده و تنها لیست اولویت برگشت تعیین می شود. تمام مدل ها از نوع آفلاین و پویا هستند و بازآرایی تنها برای آمبولانسی صورت می گیرد که به تازگی مأموریتش به پایان می رسد. در همه مدل ها، ایستگاه هایی که آمبولانس ها باید پس از اتمام خدمت به آنها برگردند می توانند متفاوت از ایستگاه هایی باشند که آمبولانس ها از آنها اعزام می گردند. چند مثال در ابعاد کوچک و متوسط با استفاده از روش حذفی گاوس به صورت دقیق حل می شوند. به دلیل پیچیدگی مدل ها، برای حل مثال های بزرگ تر از رویکردهای بهینه سازی مبتنی بر شبیه سازی استفاده می شود. بر همین اساس در این نوع مسائل، از الگوریتم شبیه سازی تبرید برای حل مدل مکان یابی (مدل دوم) و از الگوریتم های چندجهانی و ژنتیک، برای حل مدل تعیین استراتژی برگشت (مدل سوم) استفاده می شود. در تمام این الگوریتم ها هر زمان که نیاز به محاسبه برازندگی جواب های تولید شده باشد، تابع شبیه سازی فراخوانی می شود. علاوه بر این، از داده های واقعی یک مطالعه موردی برای بررسی عملکرد مدل های پیشنهادی استفاده می شود.
