CN111027883A - 一种献血中心人员的智能调度方法及智能调度系统 - Google Patents

Abstract

本发明公开了一种献血中心人员的智能调度方法及智能调度系统，智能调度系统包括需求监测模块、献血点状态显示模块、需求分析计算模块、智能调度模块和调度指令模块，根据各个献血点实时献血者人数信息、历史献血者人数信息、献血中心人员数量和人员分布情况，实现多场景下献血中心人员的最优调度。在智能调度模块调用智能调度方法，使用字典序优化法先基于最小化献血者损失量，确定当前献血者损失量的最小值。然后根据当前献血者损失量的最小值，确定人员调度路径，使得转移成本最小化。本发明为献血中心提供了一个高效的、智能的调度方法，提高了血液收集量和献血中心人员工作量的均衡性。

Description

一种献血中心人员的智能调度方法及智能调度系统

技术领域

本发明涉及一种调度方法，具体涉及一种献血中心人员的智能调度方法及智能调度系统。

背景技术

血液是人体不可缺少的重要组成部分，具有运输氧气、调节体温、pH值等重要功能。由于血液具有不可替代的特性，因此只能通过公众献血获得。根据世界卫生组织(WHO)的统计结果显示，由于血液具有易腐性，所以通常一个国家的献血者人数占全国人口的10％，才能够满足国家对安全血液的基本需求。但我国献血率仅为8.7‰，并不能满足用血需求。与此同时，近年来大多数国家都面临着医务人员短缺的问题，并且医疗机构一半以上的运营成本都与员工相关。因此，对于献血中心，如何经济且高效地组织血液收集工作是一项极其重要的任务。

一般来说，血液收集过程主要包括三个步骤。首先，对献血者数量进行事前调查。然后，根据献血者数量设立献血点，并对献血中心员工进行人员调度。最后，规划采血车返回献血中心的车辆路线。员工调度是血液收集过程中必不可少的一部分，由于各个采血点的位置相距一定距离，人员调度的合理性决定了采血效率和采血量。考虑到在一天内，献血者到达各个献血点的数量会存在波峰和波谷的情况，有效的员工调度方案可以减少献血者的等待时间，提高血液采集量，提高采集效率。

发明内容

为了解决这些问题，本发明充分考虑了采血点的位置设置、距离转移耗费的时间、以及献血者达到献血点的随机性，提供一种高效的献血中心人员的智能调度方法及智能调度系统。

本发明是通过以下技术方案来实现：

一种献血中心人员的智能调度系统，包括：

需求监测模块、献血点状态显示模块、需求分析计算模块、智能调度模块和调度指令模块；

所述需求监测模块用于通过利用摄像头、打卡器、以及签到码，统计各个献血点的献血者实时人数信息、献血者历史人数信息；

献血点状态显示模块用于记录各个献血点的献血中心人员实时数量信息、空间信息和献血点特征信息；

需求分析计算模块，用于结合各个献血点的献血者实时人数信息与历史人数信息，基于大数据服务器预测未来献血者人数信息；

智能调度模块通过网络获取各个献血点的献血中心人员实时数量与未来献血者人数信息，调用智能调度方法，计算出最优调度方案，并自动将最优调度方案传入调度指令模块；

调度指令模快根据调度方案中的人员调度路径，生成调度指令，并发送给献血点状态显示模块，更新献血中心人员实时数量信息和空间信息。

进一步的，所述需求分析计算模块位于云端服务器，其根据当前时间段各个献血点的献血者人数D_i，统计当以往同一时间段献血者人数为D_i时，未来可能出现的献血者人数情况是H_j，并计算第j种献血者人数情况出现的概率P_j。

进一步的，所述智能调度模块用于：

根据需求分析计算模块所得数据和各个献血点的献血中心人员实时数量，判断是否含有临时献血点，并构建随机需求献血点调度和临时需求献血点调度的数学模型及配套约束条件；

对配套约束中的非线性约束进行线性化；

用字典序优化法先构建最小化献血者损失量目标，确定当前献血者损失量的最小值，然后构建最小化转移成本目标，在满足当前献血者最小损失量的前提下，确定人员调度路径，并且将调度参数发送到调度指令模块。

进一步的，所述的数学模型及配套约束条件具体如下：

符号系统：

M 移动献血车献血点的数量；

N 献血中心员工个数；

T 工作时长；

H 献血者人数分布情况的数量；

Μ 所有献血点的集合，Μ＝Μ_p∪Μ_t；

Μ_p 移动献血车献血点的集合；

Μ_t 临时团体无偿献血点的集合；

在献血者人数分布情况h中，献血点m在t时刻的献血者数量；

p_h 献血者人数服从分布情况h的概率；

c_ij 从献血点i到j的位置转移距离成本；

献血点m的献血者在t时刻愿意等待到下一个时间段被服务的概率；

α 员工的服务能力，即单位时间段内一个员工可服务献血者的数量；

在t时刻献血者从献血点i转移到j的数量，决策变量；

在献血者人数分布情况h中，献血点m在t时刻没有被服务的献血者数量，决策变量；

在献血者人数分布情况h中，献血点m在t时刻的实际献血者数量，决策变量；

X

的解向量；

Z

的解向量；

W

的解向量。

约束条件：

(1)

所述约束(1)确保所有员工在工作开始时间t＝0时到达各个献血点，并且没有员工一上班就开始转移；

(2)

所述约束(2)限制在工作结束时间t＝T时离开所有献血点的人数，并且没有员工在转移过程中下班；

(3)

所述约束(3)是一个流量平衡条件，如果在时间t-1时有n名员工到达献血点i，则在时间t时应有n名员工离开献血点i；

(4)

所述约束(4)规定了对于每种分布情况h，在时间段[t,t+1]内移动采血车献血点没有被服务献血者的数量计算方式。

(5)

所述约束(5)表示任意分布情况h下，在时间段[0,1]内的实际献血者数量等于原始数量，在时间段[t,t+1]内的实际献血者数量等于原始数量加上时间段[t-1,t]内的剩余献血者数量；

(6)

所述约束(6)为确保所有临时献血点的献血者都被服务，在任意时刻所有献血点的服务能力都要满足献血者的需求；

(7)

所述约束(7)限制员工在t＝0和t＝T时不能转移，并对决策变量进行了完整性定义；

尽管献血点在某一个时间段内可能没有献血者，但为了保证所有献血点能够正常运行，每个献血点在任意时刻都至少要有一名工作人员；因此，

随机需求献血点调度模型：

该场景下各个献血点的献血者人数随机服从H个分布情况，为了使献血者的损失量和转移成本最小化，提出了随机需求优化模型(S-IA)如下：

(8)

临时献血点调度模型：

该场景在随机性模型的基础上考虑了临时团体无偿献血者的需求，但是献血中心员工可能不足，无法保证所有献血者被服务；该场景下应该优先满足临时团体献血点的需求；为了满足临时团体献血点的需求，并使一般献血点献血者的损失量和转移成本最小化，提出了临时献血点优化模型(S-IA-T)如下：

(9)

进一步的，所述的线性转化法具体如下：

构建的模型中含非线性约束，将非线性约束(4)转化为线性约束如下，

(10)

(11)

因此，存在一个等价于模型(9)的线性规划模型，如下所示：

(12)

假设模型(9)的最优解为(Z',W',X')；根据约束条件(4)有：

Z'＝[W'-α×X']⁺

在已知W'和X'的情况下，计算Z'的值，分为两种情况：

·如果W'-α×X'＜0，则Z'＝0；

·如果W'-α×X'≥0，则Z'＝W'-α×X'；

由于Z'的值满足模型(12)的约束(10)-(11)，Z'≥W'-α×X'，Z'≥0，得出模型(9)的最优解(Z',W',X')是模型(12)的可行解；

假设模型(12)的最优解为(Z″,W″,X″)；根据约束条件(10)-(11)有：

Z″≥W″-α×X″,Z″≥0；

考虑到模型(12)的目标函数是最小化Z″，且Z″的系数为正，因此得出Z″＝max{W″-α×X″,0}，分为两种情况：

·如果W″-α×X″＜0，则Z″＝0

·如果W″-α×X″≥0，则Z″＝W″-α×X″

由于Z″的值满足模型(9)的约束(4)，Z″＝[W″-α×X″]⁺，得出模型(12)的最优解(Z″,W″,X″)是模型(9)的可行解。

由于模型(9)的最优解是模型(12)的可行解，而模型(12)的最优解是模型(9)的可行解，因此模型(9)和模型(12)是等价的。

进一步的，所述的字典序优化法具体如下：

根据多目标规划的子目标在问题中的重要性对其进行排序，并设置顺序如下：f₁(x),f₂(x),...,f_n(x)；首先，最小化第一个目标函数，最优解为

然后，在满足

的前提下，将第二个目标函数最小化，得出最优解为

第三个子目标是基于

的最优解，依此类推；

根据字典序优化方法，第一个目标是最小化流失的献血者数量，第二个目标是最小化转移成本；具体计算过程如下：

第一步，根据现有员工人数，求解最小流失量模型(min-lost-donor)，计算最小流失的献血者数量(L^*)；最小流失量模型如下：

(13)

第二步，将最小流失量模型的最优值L^*代入第二个最小转移成本模型(min-transfer-cost)，求解时空网络上的最小转移成本(C^*)；该转移成本模型如下：

(14)

进一步的，智能调度模块通过利用GPS定位系统，计算献血中心人员在两个献血点之间转移的距离成本。

进一步的，调度指令模块在收到最优调度方案后，通过利用GPS导航系统，得到最优的调度方式，并生成调度指令，发送给献血点状态显示模块；献血中心人员根据提示的调度指令进行转移。

本发明还提出一种献血中心人员的智能调度方法，包括如下步骤：

步骤1、需求检测模块通过利用摄像头、打卡器、以及签到码，统计各个献血点的献血者实时人数信息、献血者历史人数信息；

步骤2、献血点状态显示模块用于记录各个献血点的献血中心人员实时数量信息、空间信息和献血点特征信息；

步骤3、需求分析计算模块结合各个献血点的献血者实时人数信息与历史人数信息，基于大数据服务器预测未来献血者人数信息；

步骤4、智能调度模块通过网络获取各个献血点的献血中心人员实时数量与未来献血者人数信息，调用智能调度方法，计算出最优调度方案，并自动将最优调度方案传入调度指令模块；

步骤5、调度指令模快根据调度方案中的人员调度路径，生成调度指令，并发送给献血点状态显示模块，更新献血中心人员实时数量信息和空间信息。

有益效果

本发明充分考虑了采血点位置的分布，距离转移、献血者达到献血点的随机性和临时性，通过实时监测需求和历史需求信息预测未来需求，为献血中心提供了一个高效的、智能的调度系统。在智能调度模块调用智能调度方法，提高了血液收集量和收集效率。

附图说明

图1是本发明的智能调度系统模块结构框图；

图2是智能调度算法的流程示意图；

图3是员工调度时空图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

附图1是本发明的一种具体实施方式。该实施例包括需求监测模块、献血点状态模块、需求分析模块、智能调度模块和调度指令模块。

首先，需求监测模块包括各个献血点的献血者实时人数信息、献血者历史人数信息；献血点状态模块包括各个献血点的献血中心人员实时数量信息、空间信息和献血点特征信息；需求分析模块结合分析各个献血点的献血者实时人数信息与历史人数信息，预测未来献血者人数信息；智能调度模块通过获取各个献血点的献血中心人员实时数量与未来献血者人数信息，调用智能调度方法，计算出最优调度方案，并自动将最优调度方案传入调度指令模块；调度指令模快根据调度方案，给出人员调度路径，并返回给献血点状态模块，更新献血中心人员实时数量信息和空间信息。

以25个献血点和6个工作时间段的献血中心人员调度问题为例，需求分析模块根据当前时间段各个献血点的献血者人数D_i，统计在同一时间段献血者人数为D_i时的历史数据，预测未来可能出现的献血者人数情况是H_j，并计算第j种献血者人数情况出现的概率P_j。

根据25×6的未来献血者分布情况H_j及献血中心员工数量，利用本发明中的智能调度法对员工进行调度。考虑到员工不足的情况，即不确定所有献血者都可以被服务，求解方法是：第一，根据现有员工的数量计算最小献血者流失量(L^*)。第二，以最小献血者流失量L^*为参数，求最小转移成本(C^*)的最优人员调度方案。通过这种方法，求得最小献血者流失量(L^*)和最低的调动费用(C^*)。同时，根据现有员工数量计算出在员工不转移时最小献血者流失量。对于随机性场景，S-IA只流失了15个献血者，而无转移模式流失了29个献血者，如表1所示。

进一步地，在随机献血者和献血中心员工不足的基础上考虑临时团体献血点。尽管员工短缺，但要确保满足对临时团体献血点的需求。一般来说，临时团体献血会提前预约，并告知献血人数。与无转移模式相比，S-IA-T模型多服务了18个献血者。

为了进一步证明本文模型的有效性，又随机模拟了10次实验，献血点数量在1-100之间，单位时间段内的献血者数量在0-10之间，工作时间段在4-8之间。表2给出了10次实验结果及平均值。根据结果显示，本发明的人员调度模型可以减少献血者的流失量。

表1

表2

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (9)

1.一种献血中心人员的智能调度系统，其特征在于，包括：

需求监测模块、献血点状态显示模块、需求分析计算模块、智能调度模块和调度指令模块；

所述需求监测模块用于通过利用摄像头、打卡器、以及签到码，统计各个献血点的献血者实时人数信息、献血者历史人数信息；

献血点状态显示模块用于记录各个献血点的献血中心人员实时数量信息、空间信息和献血点特征信息；

需求分析计算模块，用于结合各个献血点的献血者实时人数信息与历史人数信息，基于大数据服务器预测未来献血者人数信息；

智能调度模块通过网络获取各个献血点的献血中心人员实时数量与未来献血者人数信息，调用智能调度方法，计算出最优调度方案，并自动将最优调度方案传入调度指令模块；

调度指令模快根据调度方案中的人员调度路径，生成调度指令，并发送给献血点状态显示模块，更新献血中心人员实时数量信息和空间信息。

2.根据权利要求1所述的智能调度系统，其特征在于：

所述需求分析计算模块位于云端服务器，其根据当前时间段各个献血点的献血者人数D_i，统计当以往同一时间段献血者人数为D_i时，未来可能出现的献血者人数情况是H_j，并计算第j种献血者人数情况出现的概率P_j。

3.根据权利要求1所述的智能调度系统，其特征在于：所述智能调度模块用于：

根据需求分析计算模块所得数据和各个献血点的献血中心人员实时数量，判断是否含有临时献血点，并构建随机需求献血点调度和临时需求献血点调度的数学模型及配套约束条件；

对配套约束中的非线性约束进行线性化；

用字典序优化法先构建最小化献血者损失量目标，确定当前献血者损失量的最小值，然后构建最小化转移成本目标，在满足当前献血者最小损失量的前提下，确定人员调度路径，并且将调度参数发送到调度指令模块。

4.根据权利要求3所述的智能调度系统，其特征在于：所述的数学模型及配套约束条件具体如下：

符号系统：

M移动献血车献血点的数量；

N献血中心员工个数；

T工作时长；

H献血者人数分布情况的数量；

Μ所有献血点的集合，Μ＝Μ_p∪Μ_t；

Μ_p移动献血车献血点的集合；

Μ_t临时团体无偿献血点的集合；

在献血者人数分布情况h中，献血点m在t时刻的献血者数量；

p_h献血者人数服从分布情况h的概率；

c_ij从献血点i到j的位置转移距离成本；

献血点m的献血者在t时刻愿意等待到下一个时间段被服务的概率；

α员工的服务能力，即单位时间段内一个员工可服务献血者的数量；

在t时刻献血者从献血点i转移到j的数量，决策变量；

在献血者人数分布情况h中，献血点m在t时刻没有被服务的献血者数量，决策变量；

在献血者人数分布情况h中，献血点m在t时刻的实际献血者数量，决策变量；

X

的解向量；

Z

的解向量；

W

的解向量。

约束条件：

(1)

所述约束(1)确保所有员工在工作开始时间t＝0时到达各个献血点，并且没有员工一上班就开始转移；

(2)

所述约束(2)限制在工作结束时间t＝T时离开所有献血点的人数，并且没有员工在转移过程中下班；

(3)

所述约束(3)是一个流量平衡条件，如果在时间t-1时有n名员工到达献血点i，则在时间t时应有n名员工离开献血点i；

(4)

所述约束(4)规定了对于每种分布情况h，在时间段[t,t+1]内移动采血车献血点没有被服务献血者的数量计算方式；

(5)

所述约束(5)表示任意分布情况h下，在时间段[0,1]内的实际献血者数量等于原始数量，在时间段[t,t+1]内的实际献血者数量等于原始数量加上时间段[t-1,t]内的剩余献血者数量；

(6)

所述约束(6)为确保所有临时献血点的献血者都被服务，在任意时刻所有献血点的服务能力都要满足献血者的需求；

(7)

所述约束(7)限制员工在t＝0和t＝T时不能转移，并对决策变量进行了完整性定义；

尽管献血点在某一个时间段内可能没有献血者，但为了保证所有献血点能够正常运行，每个献血点在任意时刻都至少要有一名工作人员；因此，

随机需求献血点调度模型为：

该场景下各个献血点的献血者人数随机服从H个分布情况，为了使献血者的损失量和转移成本最小化，提出了随机需求优化模型(S-IA)如下：

(8)

临时献血点调度模型为：

该场景在随机性模型的基础上考虑临时团体无偿献血者的需求，但是献血中心员工可能不足，无法保证所有献血者被服务；该场景下应该优先满足临时团体献血点的需求；为了满足临时团体献血点的需求，并使一般献血点献血者的损失量和转移成本最小化，提出了临时献血点优化模型(S-IA-T)如下：

(9)

5.根据权利要求3所述的智能调度系统，其特征在于：所述的线性转化法具体如下：

构建的模型中含非线性约束，将非线性约束(4)转化为线性约束如下，

(10)

(11)

因此，存在一个等价于模型(9)的线性规划模型，如下所示：

(12)

假设模型(9)的最优解为(Z',W',X')；根据约束条件(4)有：

Z'＝[W'-α×X']⁺

在已知W'和X'的情况下，计算Z'的值，分为两种情况：

·如果W'-α×X'＜0，则Z'＝0；

·如果W'-α×X'≥0，则Z'＝W'-α×X'；

由于Z'的值满足模型(12)的约束(10)-(11)，Z'≥W'-α×X'，Z'≥0，得出模型(9)的最优解(Z',W',X')是模型(12)的可行解；

假设模型(12)的最优解为(Z”,W”,X”)；根据约束条件(10)-(11)有：

Z”≥W”-α×X”,Z”≥0；

考虑到模型(12)的目标函数是最小化Z”，且Z”的系数为正，因此得出Z”＝max{W”-α×X”,0}，分为两种情况：

·如果W”-α×X”＜0，则Z”＝0

·如果W”-α×X”≥0，则Z”＝W”-α×X”

由于Z”的值满足模型(9)的约束(4)，Z”＝[W”-α×X”]⁺，得出模型(12)的最优解(Z”,W”,X”)是模型(9)的可行解；

由于模型(9)的最优解是模型(12)的可行解，而模型(12)的最优解是模型(9)的可行解，因此模型(9)和模型(12)是等价的。

6.根据权利要求3所述的智能调度系统，其特征在于：所述的字典序优化法具体如下：

根据多目标规划的子目标在问题中的重要性对其进行排序，并设置顺序如下：f₁(x),f₂(x),...,f_n(x)；首先，最小化第一个目标函数，最优解为

然后，在满足

的前提下，将第二个目标函数最小化，得出最优解为

第三个子目标是基于

的最优解，依此类推；

根据字典序优化方法，第一个目标是最小化流失的献血者数量，第二个目标是最小化转移成本；具体计算过程如下：

第一步，根据现有员工人数，求解最小流失量模型(min-lost-donor)，计算最小流失的献血者数量(L^*)；最小流失量模型如下：

(13)

第二步，将最小流失量模型的最优值L^*代入第二个最小转移成本模型(min-transfer-cost)，求解时空网络上的最小转移成本(C^*)；该转移成本模型如下：

(14)

7.根据权利要求3所述的智能调度系统，其特征在于：

智能调度模块通过利用GPS定位系统，计算献血中心人员在两个献血点之间转移的距离成本。

8.根据权利要求3所述的智能调度系统，其特征在于：

调度指令模块在收到最优调度方案后，通过利用GPS导航系统，得到最优的调度方式，并生成调度指令，发送给献血点状态显示模块；献血中心人员根据提示的调度指令进行转移。

9.一种利用权利要求1所述智能调度系统进行人员智能调度的方法，其特征在于：包括如下步骤：

步骤1、需求检测模块通过利用摄像头、打卡器、以及签到码，统计各个献血点的献血者实时人数信息、献血者历史人数信息；

步骤2、献血点状态显示模块用于记录各个献血点的献血中心人员实时数量信息、空间信息和献血点特征信息；

步骤3、需求分析计算模块结合各个献血点的献血者实时人数信息与历史人数信息，基于大数据服务器预测未来献血者人数信息；

步骤4、智能调度模块通过网络获取各个献血点的献血中心人员实时数量与未来献血者人数信息，调用智能调度方法，计算出最优调度方案，并自动将最优调度方案传入调度指令模块；

步骤5、调度指令模快根据调度方案中的人员调度路径，生成调度指令，并发送给献血点状态显示模块，更新献血中心人员实时数量信息和空间信息。

Images