[논문 리뷰] Bayesian Optimisation Algorithm for Nurse Scheduling

Jingpeng Li, Uwe Aickelin|arXiv (Cornell University)|2008. 04. 03.

Scheduling and Timetabling Solutions참고 문헌 42인용 수 15

한 줄 요약

이 논문은 확률적 모델링을 사용하여 동적으로 최적의 근무 패턴을 선택하는 베이지안 최적화 알고리즘(Bayesian Optimization Algorithm, BOA)을 제안한다. 고품질의 해들로부터 베이지안 네트워크를 구축하고 조건부 확률을 반복적으로 샘플링함으로써, 100%의 타당성과 평균 비용 39.8을 달성하는 규칙 기반 스케줄을 진화시킨다. 이 알고리즘은 52개의 실제 도메인 사례에서 평균 30초 이내에 실행되며, 대부분의 메타휴리스틱보다 해의 신뢰성에서 뛰어나다.

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.

연구 동기 및 목표

• 정확한 수학적 프로그래밍 방법으로는 처리하기에 너무 크고 제약 조건이 많은 실제 간호사 스케줄링 문제의 복잡성을 다루기 위해.
• 도메인 특화 규칙의 집합에서 선택함으로써 인간의 의사결정 방식을 모방하는 유연한 규칙 기반 스케줄링 접근법을 개발하기 위해.
• 기본 유전자 알고리즘(GA)과 학습 분류기 시스템 같은 기존 메타휴리스틱보다 해의 품질과 타당성을 향상시키기 위해.
• 간호사-근무 패턴 할당 간의 종속성을 모델링함으로써 베이지안 최적화의 스케줄링 적용 효과를 입증하기 위해.

제안 방법

• 각 노드가 간호사/규칙 쌍을 나타내고, 유도 간선이 할당 간의 확률적 종속성을 표현하는 베이지안 네트워크를 사용한다.
• 각 간호사/규칙 쌍에 대한 조건부 확률은 고품질의 규칙 문자열 집합에서 학습되며, 이는 유망한 해들을 나타낸다.
• 새로운 규칙 문자열은 베이지안 네트워크에서 확률적으로 샘플링하여 생성되며, 높은 확률의 구성 요소를 유지한다.
• 알고리즘은 루렛 윈도우 선택을 사용하여 인구를 갱신하며, 낮은 품질의 해들을 새로 샘플링한 해들로 대체한다.
• 각 세대에서 최상의 해들을 사용하여 네트워크를 반복적으로 재학습함으로써 확률 모델을 정밀화한다.
• 네 가지 규칙 유형을 통합한다: '전체 커버', '기여도', '최고 커버', 및 '향상된 기여도'. 각각 커버리지와 비용 지표에 따라 규칙 선택을 안내한다.

실험 결과

연구 질문

• RQ1 베이지안 최적화 알고리즘이 복잡한 간호사 스케줄링 문제에 대해 규칙 기반 스케줄을 효과적으로 모델링하고 진화시킬 수 있는가?
• RQ2 기존 메타휴리스틱과 비교할 때 BOA의 확률적 학습 메커니즘은 해의 품질과 타당성 측면에서 어떻게 성능을 내는가?
• RQ3 BOA는 간호사 스케줄링 해들 내부의 구조적 패턴(구성 요소)을 어느 정도 학습하고 활용할 수 있는가?
• RQ4 지역 탐색이나 복잡한 파rameter 조정 없이도 BOA는 실용적인 실행 시간 내에 고품질의 해를 달성할 수 있는가?

주요 결과

• BOA는 52개의 실제 간호사 스케줄링 사례에서 평균 비용 39.8을 달성했으며, 대부분의 메타휴리스틱보다 해의 품질과 타당성에서 뛰어났다.
• 모든 52개 사례에서 100%의 타당성을 달성했으며, 기본 GA(33% 타당성)와 다중 인구 GA(75% 타당성)와 비교해 뚜렷한 우월성을 보였다.
• BOA는 평균 23.0초의 실행 시간으로 각 사례를 처리했으며, 30초 이내에 거의 최적의 결과를 도출했고, 정확한 정수 프로그래밍은 24시간 이상 소요되었다.
• 베이지안 네트워크의 시각화 결과는 고확률 경로로 수렴함을 보여주었으며, 최종 세대에서 노드 10에서 노드 21로의 세그먼트처럼 최적의 구성 요소를 효과적으로 학습했다.
• '향상된 기여도'와 '최고 커버' 규칙은 실험 평가에서 높은 정확도의 규칙 선택을 가능하게 하여 잠재력을 보였다.
• 지역 탐색이나 솔루션 공간 매핑을 사용하지 않음에도 불구하고, BOA는 힐 클라이밍 GA 및 간접 GA와 같은 고급 방법과 경쟁 가능한 성능을 보였다.