[论文解读] Bayesian Optimisation Algorithm for Nurse Scheduling
该论文提出了一种贝叶斯优化算法（BOA）用于护士排班，通过概率建模动态选择最优班次模式。通过从高质量解构建贝叶斯网络，并迭代采样条件概率，BOA 逐步演化出基于规则的排班方案，在 52 个真实世界实例中实现了 100% 的可行性与平均成本 39.8，解决方案的可靠性优于大多数元启发式算法，且运行时间在 30 秒以内。
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.
研究动机与目标
- 解决现实世界中规模过大且约束复杂的护士排班问题，这些问题是精确数学规划方法难以处理的。
- 开发一种灵活的基于规则的排班方法，通过从一组领域特定规则中选择，模拟人类决策过程。
- 在解决方案质量与可行性方面，优于现有的元启发式算法（如遗传算法和学习分类器系统）。
- 通过建模护士-班次模式分配之间的依赖关系，展示贝叶斯优化在排班中的有效性。
提出的方法
- BOA 使用一个贝叶斯网络，其中每个节点代表一个护士/规则对，有向边编码了分配之间的概率依赖关系。
- 每个护士/规则对的条件概率从一组高质量规则字符串中学习，代表有希望的解决方案。
- 通过从贝叶斯网络中进行随机采样生成新的规则字符串，以保留高概率的构建模块。
- 算法使用轮盘赌选择机制更新种群，用新采样的解替换低质量解。
- 通过每代最优解迭代重新训练网络，以优化概率模型。
- 该方法包含四种规则类型：'总体覆盖'、'贡献'、'最高覆盖'和'增强贡献'，每种规则根据覆盖度和成本指标指导规则选择。
实验结果
研究问题
- RQ1贝叶斯优化算法能否有效建模并演化复杂护士排班问题的基于规则的排班方案？
- RQ2与传统元启发式算法相比，BOA 的概率学习机制在解决方案质量与可行性方面表现如何？
- RQ3BOA 在多大程度上能够学习并利用护士排班解决方案中的结构性模式（构建模块）？
- RQ4即使不使用局部搜索或复杂参数调优，BOA 是否能在实际运行时间内获得高质量解？
主要发现
- 在 52 个真实世界护士排班实例中，BOA 的平均成本为 39.8，解决方案质量与可行性优于大多数元启发式算法。
- 该算法在全部 52 个实例中均实现了 100% 的可行性，显著优于其他元启发式算法，如基础遗传算法（33% 可行性）和多族群遗传算法（75% 可行性）。
- BOA 平均每个实例运行时间为 23.0 秒，半分钟内即可获得近似最优解，而精确整数规划方法需超过 24 小时。
- 贝叶斯网络的图形可视化显示算法收敛至高概率路径，表明有效学习了最优构建模块，例如在最终代中从节点 10 到节点 21 的路径。
- 实验评估表明，'增强贡献'和'最高覆盖'规则在提升规则选择准确性方面表现良好。
- 尽管未使用局部搜索或解空间映射，BOA 的性能仍与高级方法（如爬山遗传算法和间接遗传算法）相当。
更好的研究，从现在开始
从阅读论文到最终审阅，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。