[论文解读] An Indirect Genetic Algorithm for a Nurse Scheduling Problem
本文提出了一种间接遗传算法（IGA）来解决英国一家医院的实际护士排班问题，采用基于排列的编码方式与启发式解码方法，以处理复杂的约束条件和多项目标。该方法在解的质量和速度上均优于先前的禁忌搜索方法，混合交叉算子与基于边界的空间缩减进一步提升了性能。
This paper describes a Genetic Algorithms approach to a manpower-scheduling problem arising at a major UK hospital. Although Genetic Algorithms have been successfully used for similar problems in the past, they always had to overcome the limitations of the classical Genetic Algorithms paradigm in handling the conflict between objectives and constraints. The approach taken here is to use an indirect coding based on permutations of the nurses, and a heuristic decoder that builds schedules from these permutations. Computational experiments based on 52 weeks of live data are used to evaluate three different decoders with varying levels of intelligence, and four well-known crossover operators. Results are further enhanced by introducing a hybrid crossover operator and by making use of simple bounds to reduce the size of the solution space. The results reveal that the proposed algorithm is able to find high quality solutions and is both faster and more flexible than a recently published Tabu Search approach.
研究动机与目标
- 解决真实医院环境中复杂约束与多项目标下的护士排班挑战。
- 克服经典遗传算法在平衡冲突目标与硬约束方面的局限性。
- 开发一种灵活且高效的元启发式方法，可良好适应真实世界数据。
- 在实际排班场景中评估不同解码器与交叉算子的性能表现。
- 证明该方法在解的质量与计算效率方面优于现有方法，如禁忌搜索。
提出的方法
- 采用间接表示方法，其中每个染色体编码护士的排列顺序，而非直接表示排班表。
- 使用启发式解码器将排列转换为符合排班规则的有效可行排班方案。
- 测试三种不同智能水平的解码器，以评估其对解质量的影响。
- 应用四种标准交叉算子，并引入一种混合交叉算子以提升搜索性能。
- 实施简单的边界约束以缩小解空间，提升收敛速度。
- 使用52周的真实医院数据进行计算实验与性能评估。
实验结果
研究问题
- RQ1间接遗传算法能否有效处理现实护士排班中的复杂约束与多项目标？
- RQ2不同智能水平的解码器如何影响生成排班的质量与可行性？
- RQ3各种交叉算子（包括一种新型混合变体）对解质量与收敛速度有何影响？
- RQ4基于边界的解空间缩减在多大程度上能提升算法性能？
- RQ5所提出的IGA在性能与解质量方面与近期发表的禁忌搜索方法相比如何？
主要发现
- 间接遗传算法生成的解质量高，且在速度与灵活性上均优于先前的禁忌搜索方法。
- 混合交叉算子显著提升了性能，优于标准交叉方法。
- 使用简单边界有效缩小了解空间，并促进了更快的收敛。
- 最智能的解码器生成了更优的排班方案，但其计算成本的增加与解质量的提升相比可忽略不计。
- 该算法在52周真实世界数据上表现出强大的可扩展性与鲁棒性。
- 总体而言，IGA在解质量与计算效率两方面均优于禁忌搜索方法。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。