[論文レビュー] Bayesian Optimisation Algorithm for Nurse Scheduling

Jingpeng Li, Uwe Aickelin|arXiv (Cornell University)|Apr 3, 2008

Scheduling and Timetabling Solutions参考文献 42被引用数 15

ひとこと要約

この論文は、確率的モデリングを用いて最適なシフトパターンを動的に選択するベイジアン最適化アルゴリズム（BOA）を提唱する。高品質な解からベイジアンネットワークを構築し、逐次的に条件付き確率をサンプリングすることで、100%の妥当性と平均コスト39.8を達成するルールベースのスケジュールを進化させる。52件の実世界のインスタンスにおいて、30秒未塔で実行され、大多数のメタヒューリスティクスを上回る解の信頼性を実現する。

ABSTRACT

Our research has shown that schedules can be built mimicking a human scheduler by using a set of rules that involve domain knowledge. This chapter presents a Bayesian Optimization Algorithm (BOA) for the nurse scheduling problem that chooses such suitable scheduling rules from a set for each nurses assignment. Based on the idea of using probabilistic models, the BOA builds a Bayesian network for the set of promising solutions and samples these networks to generate new candidate solutions. Computational results from 52 real data instances demonstrate the success of this approach. It is also suggested that the learning mechanism in the proposed algorithm may be suitable for other scheduling problems.

研究の動機と目的

• 厳密な数学的プログラミング手法では処理が困難な、巨大で制約の厳しい実世界の看護師スケジューリング問題の複雑さに対処すること。
• ドメイン固有のルールの集合から選択することで、人間の意思決定を模倣する柔軟な、ルールベースのスケジューリング手法を開発すること。
• 遺伝的アルゴリズムや学習分類器システムなどの既存のメタヒューリスティクスよりも、解の品質と妥当性を向上させること。
• 看護師シフトパターンの割り当てにおける依存関係をモデリングすることで、スケジューリングにおけるベイジアン最適化の有効性を示すこと。

提案手法

• BOAは、各ノードが看護師／ルールのペアを表し、有向エッジが割り当て間の確率的依存関係を符号化するベイジアンネットワークを用いる。
• 各看護師／ルールペアの条件付き確率は、高品質なルール文字列の集合から学習され、有望な解を表す。
• 新しいルール文字列は、ベイジアンネットワークからの確率的サンプリングによって生成され、高い確率の構成要素が保持される。
• アルゴリズムはルーレットホイール選択を用いて集団を更新し、低品質な解を新たにサンプリングされた解で置き換える。
• 各世代の最良解を用いて、逐次的にネットワークを再訓練することで、確率的モデルを精緻化する。
• 4種類のルールタイプを組み込む：「全体カバー」、「貢献度」、「最高カバー」、「強化貢献度」。各ルールはカバレッジとコストの指標に基づいてルール選択をガイドする。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン最適化アルゴリズムは、複雑な看護師スケジューリング問題に対して、ルールベースのスケジュールを効果的にモデリングし進化させることができるか？
• RQ2 BOAの確率的学習メカニズムは、従来のメタヒューリスティクスと比較して、解の品質と妥当性の面でどのように差をつけるか？
• RQ3 BOAは、看護師スケジューリング解における構造的パターン（構成要素）をどの程度学習し、活用できるか？
• RQ4 局所探索や複雑なパrameterチューニングを一切用いなくても、実用的な実行時間内で高品質な解を達成できるか？

主な発見

• BOAは52件の実世界の看護師スケジューリングインスタンスにおいて平均コスト39.8を達成し、解の品質と妥当性の面で大多数のメタヒューリスティクスを上回った。
• BOAは全52インスタンスで100%の妥当性を達成し、基本的なGA（33%の妥当性）やマルチポピュレーションGA（75%の妥当性）を大きく上回った。
• BOAは1インスタンスあたり平均23.0秒で実行され、30秒未塔でほぼ最適解に到達した。一方で、厳密な整数プログラミングは24時間以上を要した。
• ベイジアンネットワークの図的可視化から、高確率の経路への収束が確認され、最終世代におけるノード10からノード21へのセグメントのような最適な構成要素の学習が有効に行われたことが示された。
• 実験的評価において「強化貢献度」と「最高カバー」ルールが、ルール選択の正確性を向上させる可能性を示した。
• 局所探索や解空間マッピングを用いないにもかかわらず、BOAの性能はハイブリッドGAや間接的GAなどの高度な手法と同等の水準に達した。