CN111080006B - 一种社区居家养老服务调度方法 - Google Patents
一种社区居家养老服务调度方法 Download PDFInfo
- Publication number
- CN111080006B CN111080006B CN201911280059.XA CN201911280059A CN111080006B CN 111080006 B CN111080006 B CN 111080006B CN 201911280059 A CN201911280059 A CN 201911280059A CN 111080006 B CN111080006 B CN 111080006B
- Authority
- CN
- China
- Prior art keywords
- service
- node
- time
- worker
- nursing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000000474 nursing effect Effects 0.000 claims abstract description 109
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 238000012423 maintenance Methods 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000002689 soil Substances 0.000 claims description 48
- 239000004576 sand Substances 0.000 claims description 17
- 239000013049 sediment Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000001012 protector Effects 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种社区居家养老服务调度方法,获取社区居家养老服务的本地数据,并进行预处理;根据预处理后的数据预先构建社区居家养老服务调度模型;将社区居家养老服务调度模型转化为伪旅行商模型;采用最优候选结点子群选择策略的智能水滴算法对所得伪旅行商模型进行求解;输出各护工的服务老人列表与次序、服务时刻,并更新各护工的已服务时间。优点:本发明能够达到最小化成本的目的,并简化护工的服务路线;通过把调度模型转化为准旅行商问题,有效的消除了常用智能水滴算法产生的非可行解问题;合理的分配护工资源,能够满足社区居家养老服务机构对护工资源合理的调度,达到对护工服务路径的优化。
Description
技术领域
本发明涉及一种社区居家养老服务调度方法,属于社区居家养老服务技术领域。
背景技术
随着经济的发展,我国人口老龄化的程度越来越高,养老问题成为迫切需要解决的社会问题。由于我国养老服务体系建设还不能满足老年人入住养老机构的需求,因此,绝大多数老年人只能选择居家养老。
居家养老最大的特点是解决了社会养老机构不足的问题,将大量下岗工人与要居家看护的孤老这两个困难群体的需要相结合,实现老人﹑护工与政府的多方受益。因此,居家养老受到了老人的广泛欢迎。
但居家养老中存在着大量复杂的问题,特别是护工的合理调度问题,如何解决该问题,目前的研究还很少,并且大多数是定性研究,定量研究更少。仅有的实证性研究也主要集中在对老年人的需求和社区养老服务现状的宏观统计,以及对先进区域的社区工作进行总结。注重对现状和问题的描述,较少进行深入调查分析,缺少系统的研究。
目前,居家养老护工的调度算法主要有:神经网络算法、蚁群算法、遗传算法等。神经网络法需要大量的训练数据,算法收敛慢,搜索能力不高;蚁群算法具有搜索时间长,容易陷入局部最优的缺点;遗传算法有计算速度慢,容易过早收敛等缺点。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供社区居家养老服务调度方法。
为解决上述技术问题,本发明提供一种社区居家养老服务调度方法,其特征在于:
获取社区居家养老服务的本地数据,并进行预处理;
根据预处理后的数据预先构建社区居家养老服务调度模型;
将社区居家养老服务调度模型转化为伪旅行商模型;
采用最优候选结点子群选择策略的智能水滴算法对所得伪旅行商模型进行求解;
输出各护工的服务老人列表与次序、服务时刻,并更新各护工的已服务时间。
进一步的,所述获取社区居家养老服务的本地数据,并进行预处理的过程为:
读入老人数量、老人预约的需求护工等级,预约时间段;读入老人之间的距离矩阵,服务中心与老人之间的距离向量;
读入护工数据,包括护工数量、护工等级、护工本月已服务时间,根据护工等级高低将护工进行分类,每类护工按每月已服务时间由低到高排序;
读入每个等级的护工服务不同预约需求等级老人的服务时间,其中低等级护工不可服务高等级需求的老人;
设定各护工以同一速度出发,由所述老人之间的距离矩阵、服务中心与老人之间的距离向量,求出老人之间的距离时间矩阵、服务中心与老人之间的距离时间向量。
进一步的,所述社区居家养老服务调度模型包括以下限制条件:
服务中心只有一个,护工从服务中心出发,沿着某条路线逐个拜访老人并提供服务,最终回到服务中心;
每个老人接受服务的时长与护工等级有关,每个护工每天的额定工时固定;
每个老人每天只接受一次服务;
护工等级与老人的需求等级必须互相匹配,只有护工等级高于或等于老人需求等级时,护工才被允许进行服务;
护工拜访老人的时间必须满足对应的时间窗要求;
各等级护工每月服务工时应相等或接近;
根据以上限制条件,建立社区居家养老服务调度模型如下:
公式(1)表示目标函数,表示路程成本、表示服务时间成本、表示护工等待成本、w3M1表示未接受服务老人数惩罚、w4(N-N1)表示已服务护工人数惩罚、表示实际服务等级偏差惩罚、表示未完成额定工时的护工工时惩罚、表示本月护工服务时长的方差惩罚;
公式(3)中,yki表示第k个护工能否服务第i个老人;
0≤Pk≤P,k=1,2…,N (4)
公式(4)中,P表示护工的额定工时,Pk表示第k个护工的工时;表示任何护工的工时都不得超过额定工时;
li≥si,i=1,2,…,M (6)
公式(6)中,li表示实际服务第i个老人的护工等级,si表示第i个老人期望的需求护工等级;
公式(7)中,d表示护工等级数;Kr表示第r个等级的护工数;
N1:未提供服务的护工数;M1:未被服务的老人数;dij:护工从第i个老人出发到达第j个老人处的路程成本;Tki:第i个老人接受第k个护工服务所需的服务时长;waitk:第k个护工的等待成本;(bi,ei]:第i个老人接受服务的预约时间段;wδ,δ=1,2…7:目标函数各部分的加权系数。
进一步的,所述将社区居家养老服务调度模型转化为伪旅行商模型的过程为:将老人视为结点,老人的位置视为坐标;伪旅行商模型是寻找一条拜访所有老人,且只能拜访一次的回路,能够使这条回路的评价指标最小。
进一步的,采用最优候选结点子群选择策略的智能水滴算法对所得伪旅行商模型进行求解的过程为:
4a)读入护工数量,老人数量,坐标位置,预约时间以及需求等级;
4b)初始化静态参数:设置水滴数量NIWD;结点数量NC;泥沙常量InitSoil,速度变化量系数av,bv,cv,泥沙变化量系数as,bs,cs;局部泥沙量更新系数ρs;全局泥沙量更新系数ρn;最大迭代次数Nmax;初始化任意两个结点间的泥沙量soil(i,j);
4c)根据结点数量随机产生全局最优路线TB,并计算其适应度值Smin;
4d)初始化动态参数:设置每个水滴的速度velIWD,每个水滴携带的泥沙量soilIWD,每个水滴的访问列表Vc(IWD)={},迭代次数置为一;
4e)设置每个水滴的起始出发点,并将该点添加到访问列表Vc(IWD);
4f)采用基于最优候选结点子群的选择策略,对每个水滴计算各未访问结点的概率,并选择下一个待访问的结点;更新访问列表Vc(IWD);
4g)每个水滴从结点i到结点j后,更新水滴的速度velIWD;
其中,velIWD(t)表示位于结点i时的水滴的速度,velIWD(t+1)表示位于结点j时的水滴的速度,soil(i,j)表示结点i到结点j路径中泥沙量;
4h)每个水滴从结点i到结点j后,计算泥沙变化量Δsoil(i,j);
其中,time(i,j;velIWD)表示水滴从结点i移动到结点j所需的时间:
其中,εv是预先设置的避免出现分母为零的正数,||c(i)-c(j)||为结点i与结点j之间的距离;
4i)每个水滴从结点i到结点j后,更新水滴的含沙量soilIWD;
soilIWD(t+1)=soilIWD(t)+Δsoil(i,j) (12)
其中,soilIWD(t)位于结点i时的水滴的含沙量,soilIWD(t+1)位于结点j时的水滴的含沙量;
4j)每个水滴从结点i到结点j后,更新结点i到结点j路径中泥沙量soil(i,j);
soil(i,j)=(1-ρs)·soil(i,j)-ρs·Δsoil(i,j) (13)
4k)对每个水滴重复步骤4f)—4j)直至所有结点被访问,则本次迭代结束。根据适应度函数计算所有水滴所对应的适应度值,选择适应度值最小的路线作为本次迭代中总成本最小的路线TIB;
4l)比较全局最优适应度值Smin与4k)中适应度函数值的大小,如果4k)中的适应度函数值值更小,则更新Smin和全局最优路线TB;
4m)使用全局最优路径间的泥沙量信息更新路径中的泥沙量soil(i,j)。
4n)判断是否达到最大迭代次数Nmax,如果是,那么输出全局最优路径TB以及全局最优目标函数值Smin;否则,迭代次数加一,返回步骤4e)。
进一步的,所述步骤4b)初始化任意两个结点间的泥沙量soil(i,j)的方法为:采用初始泥沙量随机化策略,产生一个(0~1)间的随机数rn,并把rn与泥沙常量InitSoil的乘积赋给soil(i,j),作为其初始值。
进一步的,所述步骤4c)和步骤4k)中计算水滴适应度值的装置为基于准旅行商问题模型的启发式译码装置,其译码方法依次包括以下步骤:
7a)选择一护工,置护工序号k=1;
7b)设置护工当前的初始时间点,额定工时,当前护工等待时间tw=0,护工总的等待时间;根据该护工等级,依次顺序选择对应护工等级及以下等级的未服务老人;如果所有老人已被服务则转至步骤7l);
7c)根据护工初始时间点和路程时间,计算当前护工到达所选老人处的时间点,若该时间点在老人预约时间下限以外,则产生等待时间tw,并计算等待时间;
7d)根据护工等级与被服务老人的需求等级求出护工的服务时间,由路程时间,等待时间以及求出的服务时间计算当前护工服务完成时的时间点;并更新该护工的服务列表;
7e)选择下一个与该护工对应等级及以下等级的老人,若该等级及以下等级老人已全被服务,则转至步骤7f);否则转至步骤7g);
7f)计算当前所有与该护工同等级的未服务的护工数num,并更新护工序号k=k+num;转至步骤7k);
7g)根据护工当前时间点和路程时间,计算护工到达所选老人时的时间点;
7h)若该时间点在老人预约时间下限之外,则计算当前护工等待时间;若护工到达时刻在预约时间上限之外,则转至步骤7k);否则置等待时间为0;
7i)计算路程时间,当前等待时间,服务时间,以及当前已用的工时的总和,若总和大于额定工时,则转至步骤7k);
7j)更新该护工的服务列表,根据路程时间,等待时间,服务时间,当前已用工时更新该护工的已用工时,更新护工服务老人后所在时间点,以及护工总的等待时间;并转至步骤7e);
7k)判断护工序号k是否小于N;若是,则选择下一护工,并转至步骤7b);
7l)计算目标函数,包括路程成本、服务时间成本、护工等待成本、未接受服务的老人惩罚、未提供服务的护工惩罚、实际服务等级偏差惩罚、未完成额定工时护工的工时惩罚。
7m)输出目标函数值。
进一步的,所述步骤4f)采用基于最优候选结点子群的选择策略,选择下一个待访问的结点的具体过程为:
8a)读取所有未访问的结点,计算出当前结点i到所有候选结点V(IWD)之间的泥沙量,根据泥沙量由低到高,按照选择比例系数γ,选取一定比例的最优候选结点子群elite(IWD)作为候选节点,其公式如下所示:
elite(IWD)=γ·V(IWD) (15)
8b)根据概率公式Pi IWD(j)计算出每个候选结点的概率,
其中,k为候选结点,且为水滴未访问过的结点,f(soil(i,j))为结点i到结点j的路径泥沙量的相关函数,具体表示为如下公式:
其中,εs为预先设置的避免出现分母为零的正数,g(soil(i,j))是将结点i到结点j之间的路径含沙量转换成正数的函数,具体表示为如下公式:
8c)根据各个候选节点的概率Pi IWD(j),使用轮盘赌策略选择下一个结点j。并用该节点更新访问列表Vc(IWD)。
本发明所达到的有益效果:
本发明能够达到最小化成本的目的,并简化护工的服务路线;通过把调度模型转化为准旅行商问题,有效的消除了常用智能水滴算法产生的非可行解问题;合理的分配护工资源,能够满足社区居家养老服务机构对护工资源合理的调度,达到对护工服务路径的优化。
附图说明
图1改进智能水滴算法的流程图;
图2社区居家养老服务调度方法启发式译码方式流程图;
图3调度问题模型转化为准旅行商问题模型示意图,图中的1-10表示老人编号。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
1)建立本地数据库,进行数据预处理,具体步骤为:
1a)读入老人数量、老人预约的需求护工等级,预约时间段;读入老人之间的距离矩阵,服务中心与老人之间的距离向量;
1b)读入护工数据,包括护工数量、护工等级、护工本月已服务时间。根据护工等级高低将护工进行分类,每类护工按每月已服务时间由低到高排序;
1c)读入每个等级的护工服务不同预约需求等级老人的服务时间,其中低等级护工不可服务高等级需求的老人;
1d)设定各护工以同一速度出发,由1a)中所得老人之间的距离矩阵,服务中心与老人之间的距离向量,求出老人之间的距离时间矩阵,服务中心与老人之间的距离时间向量。
2)根据问题描述,确定问题约束条件,建立社区居家养老服务调度的数学模型;
3)把步骤2)所得数学模型转化为准旅行商问题模型;
4)采用基于最优候选结点子群选择策略的智能水滴算法对步骤3)所得准旅行商问题模型进行求解;
5)输出各护工的服务老人列表与次序、服务时刻,并更新各护工的已服务时间。
所述步骤2)建立社区居家养老服务调度的数学模型的具体过程:
2a)设置护工总人数N,待服务老人的总数M;置每个老人的需求服务等级;
2b)社区居家养老服务调度模型包括以下限制条件:
服务中心只有一个,护工从服务中心出发,沿着某条路线逐个拜访老人并提供服务,最终回到服务中心;
每个老人接受服务的时长与护工等级有关,每个护工每天的额定工时固定;
每个老人每天只接受一次服务;
护工等级与老人的需求等级必须互相匹配,只有护工等级高于或等于老人需求等级时,护工才被允许进行服务;
护工拜访老人的时间必须满足对应的时间窗要求;
各等级护工每月服务工时应相等或接近;
根据以上限制条件,建立社区居家养老服务调度模型如下:
公式(3)中,yki表示第k个护工能否服务第i个老人;
0≤Pk≤P,k=1,2…,N (4)
公式(4)中,P表示护工的额定工时,Pk表示第k个护工的工时;表示任何护工的工时都不得超过额定工时;
li≥si,i=1,2,…,M (6)
公式(6)中,li表示实际服务第i个老人的护工等级,si表示第i个老人期望的需求护工等级;
公式(7)中,d表示护工等级数;Kr表示第r个等级的护工数;
N1:未提供服务的护工数;M1:未被服务的老人数;dij:护工从第i个老人出发到达第j个老人处的路程成本;Tki:第i个老人接受第k个护工服务所需的服务时长;waitk:第k个护工的等待成本;(bi,ei]:第i个老人接受服务的预约时间段;wδ,δ=1,2…7:目标函数各部分的加权系数。
所述步骤3)的具体过程为:将老人视为结点,老人的位置视为坐标;问题的实质是寻找一条拜访所有老人,且只能拜访一次的回路,使这条回路的目标函数值最小;
如图1所示,所述过程4)基于最优候选结点子群选择策略的智能水滴算法对社区居家养老服务调度准旅行商问题进行求解的具体过程为:
4a)读入护工的数量,老人的数量,坐标位置,预约时间以及需求等级;
4b)初始化静态参数:设置水滴数量NIWD,一般NIWD取40-100;结点数量NC,一般NC取预约老人的数量M;泥沙常量InitSoil=1000,速度变化量系数av=1000,bv=0.01,cv=1;泥沙变化量系数as=1000,bs=0.01,cs=1;局部泥沙量更新系数ρs=0.9;全局泥沙量更新系数ρn=0.9;最大迭代次数Nmax=1000;初始化任意两个结点间的泥沙量soil(i,j);
4c)根据结点数量随机产生全局最优路线TB,并计算其适应度值Smin;
4d)初始化动态参数:设置每个水滴的速度velIWD=200,每个水滴携带的泥沙量soilIWD=0,每个水滴的访问列表Vc(IWD)={},迭代次数置为一;
4e)设置每个水滴的起始出发点,并将该点添加到访问列表Vc(IWD);
4f)采用基于最优候选结点子群的选择策略,对每个水滴计算各未访问结点的概率,根据轮盘赌策略选择下一个待访问的结点;并更新访问列表Vc(IWD);
4g)每个水滴从结点i到结点j后,更新水滴的速度velIWD;
其中,velIWD(t)表示位于结点i时的水滴的速度,velIWD(t+1)表示位于结点j时的水滴的速度,soil(i,j)表示结点i到结点j路径中泥沙量;
4h)每个水滴从结点i到结点j后,计算泥沙变化量Δsoil(i,j);
其中,time(i,j;velIWD)表示水滴从结点i移动到结点j所需的时间:
其中,εv是一个很小的正常数,避免出现分母为零的情况,一般取0.001,||c(i)-c(j)||为结点i与结点j之间的距离rij;
4i)每个水滴从结点i到结点j后,更新水滴的含沙量soilIWD;
soilIWD(t+1)=soilIWD(t)+Δsoil(i,j) (12)
其中,soilIWD(t)位于结点i时的水滴的含沙量,soilIWD(t+1)位于结点j时的水滴的含沙量;
4j)每个水滴从结点i到结点j后,更新结点i到结点j路径中泥沙量soil(i,j);
soil(i,j)=(1-ρs)·soil(i,j)-ρs·Δsoil(i,j) (13)
4k)对每个水滴重复步骤4f)~4j)直至所有结点被访问,则本次迭代结束。根据适应度函数计算所有水滴所对应的适应度值,选择适应度值最小的路线作为本次迭代中总成本最小的路线TIB;
4l)比较全局最优适应度值Smin与4k)中适应度函数值的大小,如果4k)中的适应度函数值值更小,则更新Smin和全局最优路线TB;
4m)使用全局最优路径间的泥沙量信息更新路径中的泥沙量soil(i,j)。
4n)判断是否达到最大迭代次数Nmax,如果是,那么输出全局最优路径TB以及全局最优适应度值Smin;否则,迭代次数加一,返回步骤4e)。
进一步,所述基于最优候选结点子群选择策略的改进智能水滴算法中所述步骤4b)初始化任意两个结点间的泥沙量soil(i,j)的具体方法为:采用初始泥沙量随机化机制,产生一个(0~1)间的随机数rn,并把rn与泥沙常量InitSoil的乘积赋给soil(i,j),作为其初始值。通过改变结点间的泥沙量,增加水滴每次选择的多样性,提高了算法收敛速度。
如图2所示,所述基于最优候选结点子群选择策略的改进智能水滴算法中,步骤4c)和步骤4k)中计算水滴适应度值的装置为基于准旅行商问题模型的启发式译码装置,其译码方法依次包括以下步骤:
4a1)选择一护工,置护工序号k=1;
4b1)设置护工当前的初始时间点,额定工时,当前护工等待时间tw=0,护工总的等待时间;根据该护工等级,依次顺序选择对应护工等级及以下等级的未服务老人;如果所有老人已被服务则转至步骤4l1);
4c1)根据护工初始时间点和路程时间,计算当前护工到达所选老人处的时间点,若该时间点在老人预约时间下限以外,则产生等待时间tw,并计算等待时间;
4d1)根据护工等级与被服务老人的需求等级求出护工的服务时间,由路程时间,等待时间以及求出的服务时间计算当前护工服务完成时的时间点;并更新该护工的服务列表;
4e1)选择下一个与该护工对应等级及以下等级的老人,若该等级及以下等级老人已全被服务,则转至步骤4f1);否则转至步骤4g1);
4f1)计算当前所有与该护工同等级的未服务的护工数num,并更新护工序号i=i+num;转至步骤4k1);
4g1)根据护工当前时间点和路程时间,计算护工到达所选老人时的时间点;
4h1)若该时间点在老人预约时间下限之外,则计算当前护工等待时间;若护工到达时刻在预约时间上限之外,则转至步骤4k1);否则置等待时间为0;
4i1)计算路程时间,当前等待时间,服务时间,以及当前已用的工时的总和,若总和大于额定工时,则转至步骤4k1);
4j1)更新该护工的服务列表,根据路程时间,等待时间,服务时间,当前已用工时更新该护工的已用工时,更新护工服务老人后所在时间点,以及护工总的等待时间;并转至步骤4e1);
4k1)判断护工序号k是否小于N;若是,则选择下一护工,并转至步骤4b1);
4l1)计算目标函数,包括路程成本、服务时间成本、护工等待成本、未接受服务的老人惩罚、未提供服务的护工惩罚、实际服务等级偏差惩罚、未完成额定工时护工的工时惩罚。
4m1)输出目标函数值。
参见图3,设一个个体共有10个结点,1~10是结点编号,其中,箭头代表护工在服务完前一结点对应需服务老人后可接着服务下一结点的对应需服务老人,虚线代表在服务完前一结点对应需服务老人后不可接着服务下一结点的对应需服务老人,需要更换护工。根据如上译码方式,可确定本个体10个结点对应需服务老人需要4个护工进行服务,并得到各护工的服务列表。其中第一个护工的服务结点列表为[1,2,3],依次服务结点号为1,2,3;第二个护工的服务结点列表[4,5],依次服务结点号为4,5对应的老人;第三个护工的服务结点列表为[6,7,8,9],依次服务结点号为6,7,8,9对应的老人;第四个护工的服务结点列表为[10],对应的老人服务结点号为10对应的老人。
所述步骤4f)采用最优候选结点子群的策略,选择下一个待访问的结点,依次包括以下步骤:
4f1)读取所有未访问的结点,计算出当前结点i到所有候选结点V(IWD)之间的泥沙量,根据泥沙量由低到高,按照选择比例系数γ,选取一定比例的最优候选结点子群elite(IWD)作为候选节点,其公式如下所示:
elite(IWD)=γ·V(IWD) (15)
4f2)根据概率公式Pi IWD(j)计算出每个候选结点的概率,
其中,k为候选结点,且为水滴未访问过的结点,f(soil(i,j))为结点i到结点j的路径泥沙量的相关函数,具体表示为如下公式:
其中,εs为预先设置的避免出现分母为零的正数,g(soil(i,j))是将结点i到结点j之间的路径含沙量转换成正数的函数,具体表示为如下公式:
4f3)根据各个候选节点的概率Pi IWD(j),使用轮盘赌策略选择下一个结点j。并用该节点更新访问列表Vc(IWD)。
在采用本技术之前,标准智能水滴算法具有启发性不足,收敛速度慢,算法搜索的精度低的缺点,导致求解后无法达到最小化成本,护工的路线冗长。采用本发明以后,可以达到最小化成本的目的,并简化护工的服务路线。
本发明通过把调度模型转化为准旅行商问题,有效的消除了常用智能水滴算法产生的非可行解问题。
本发明通过基于启发式的译码规则,合理的分配护工资源,能够满足社区居家养老服务机构对护工资源合理的调度,达到对护工服务路径的优化。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种社区居家养老服务调度方法,其特征在于:
获取社区居家养老服务的本地数据,并进行预处理;
根据预处理后的数据预先构建社区居家养老服务调度模型;
将社区居家养老服务调度模型转化为伪旅行商模型;
采用最优候选结点子群选择策略的智能水滴算法对所得伪旅行商模型进行求解;
输出各护工的服务老人列表与次序、服务时刻,并更新各护工的已服务时间;
所述社区居家养老服务调度模型包括以下限制条件:
服务中心只有一个,护工从服务中心出发,沿着某条路线逐个拜访老人并提供服务,最终回到服务中心;
每个老人接受服务的时长与护工等级有关,每个护工每天的额定工时固定;
每个老人每天只接受一次服务;
护工等级与老人的需求等级必须互相匹配,只有护工等级高于或等于老人需求等级时,护工才被允许进行服务;
护工拜访老人的时间必须满足对应的时间窗要求;
各等级护工每月服务工时应相等或接近;
根据以上限制条件,建立社区居家养老服务调度模型如下:
公式(1)表示目标函数,表示路程成本、表示服务时间成本、表示护工等待成本、w3M1表示未接受服务老人数惩罚、w4(N-N1)表示已服务护工人数惩罚、表示实际服务等级偏差惩罚、表示未完成额定工时的护工工时惩罚、表示本月护工服务时长的方差惩罚;
公式(3)中,yki表示第k个护工能否服务第i个老人;
0≤Pk≤P,k=1,2…,N (4)
公式(4)中,P表示护工的额定工时,Pk表示第k个护工的工时;表示任何护工的工时都不得超过额定工时;
li≥si,i=1,2,…,M (6)
公式(6)中,li表示实际服务第i个老人的护工等级,si表示第i个老人期望的需求护工等级;
公式(7)中,d表示护工等级数;Kr表示第r个等级的护工数;
N1:未提供服务的护工数;M1:未被服务的老人数;dij:护工从第i个老人出发到达第j个老人处的路程成本;Tki:第i个老人接受第k个护工服务所需的服务时长;waitk:第k个护工的等待成本;(bi,ei]:第i个老人接受服务的预约时间段;wδ,δ=1,2…7:目标函数各部分的加权系数。
2.根据权利要求1所述的社区居家养老服务调度方法,其特征在于,所述获取社区居家养老服务的本地数据,并进行预处理的过程为:
读入老人数量、老人预约的需求护工等级,预约时间段;读入老人之间的距离矩阵,服务中心与老人之间的距离向量;
读入护工数据,包括护工数量、护工等级、护工本月已服务时间,根据护工等级高低将护工进行分类,每类护工按每月已服务时间由低到高排序;
读入每个等级的护工服务不同预约需求等级老人的服务时间,其中低等级护工不可服务高等级需求的老人;
设定各护工以同一速度出发,由所述老人之间的距离矩阵、服务中心与老人之间的距离向量,求出老人之间的距离时间矩阵、服务中心与老人之间的距离时间向量。
3.根据权利要求1所述的社区居家养老服务调度方法,其特征在于,所述将社区居家养老服务调度模型转化为伪旅行商模型的过程为:将老人视为结点,老人的位置视为坐标;伪旅行商模型是寻找一条拜访所有老人,且只能拜访一次的回路,能够使这条回路的评价指标最小。
4.根据权利要求1所述的社区居家养老服务调度方法,其特征在于,采用最优候选结点子群选择策略的智能水滴算法对所得伪旅行商模型进行求解的过程为:
4a)读入护工数量,老人数量,坐标位置,预约时间以及需求等级;
4b)初始化静态参数:设置水滴数量NIWD;结点数量NC;泥沙常量InitSoil,速度变化量系数av,bv,cv,泥沙变化量系数as,bs,cs;局部泥沙量更新系数ρs;全局泥沙量更新系数ρn;最大迭代次数Nmax;初始化任意两个结点间的泥沙量soil(i,j);
4c)根据结点数量随机产生全局最优路线TB,并计算其适应度值Smin;
4d)初始化动态参数:设置每个水滴的速度velIWD,每个水滴携带的泥沙量soilIWD,每个水滴的访问列表Vc(IWD)={},迭代次数置为一;
4e)设置每个水滴的起始出发点,并将该点添加到访问列表Vc(IWD);
4f)采用基于最优候选结点子群的选择策略,对每个水滴计算各未访问结点的概率,并选择下一个待访问的结点;更新访问列表Vc(IWD);
4g)每个水滴从结点i到结点j后,更新水滴的速度velIWD;
其中,velIWD(t)表示位于结点i时的水滴的速度,velIWD(t+1)表示位于结点j时的水滴的速度,soil(i,j)表示结点i到结点j路径中泥沙量;
4h)每个水滴从结点i到结点j后,计算泥沙变化量Δsoil(i,j);
其中,time(i,j;velIWD)表示水滴从结点i移动到结点j所需的时间:
其中,εv是预先设置的避免出现分母为零的正数,||c(i)-c(j)||为结点i与结点j之间的距离;
4i)每个水滴从结点i到结点j后,更新水滴的含沙量soilIWD;
soilIWD(t+1)=soilIWD(t)+Δsoil(i,j) (12)
其中,soilIWD(t)位于结点i时的水滴的含沙量,soilIWD (t+1)位于结点j时的水滴的含沙量;
4j)每个水滴从结点i到结点j后,更新结点i到结点j路径中泥沙量soil(i,j);
soil(i,j)=(1-ρs)·soil(i,j)-ρs·Δsoil(i,j) (13)
4k)对每个水滴重复步骤4f)—4j)直至所有结点被访问,则本次迭代结束,根据适应度函数计算所有水滴所对应的适应度值,选择适应度值最小的路线作为本次迭代中总成本最小的路线TIB;
4l)比较全局最优适应度值Smin与4k)中适应度函数值的大小,如果4k)中的适应度函数值更小,则更新Smin和全局最优路线TB;
4m)使用全局最优路径间的泥沙量信息更新路径中的泥沙量soil(i,j);
4n)判断是否达到最大迭代次数Nmax,如果是,那么输出全局最优路径TB以及全局最优目标函数值Smin;否则,迭代次数加一,返回步骤4e)。
5.根据权利要求4所述的社区居家养老服务调度方法,其特征在于,所述步骤4b)初始化任意两个结点间的泥沙量soil(i,j)的方法为:采用初始泥沙量随机化策略,产生一个(0~1)间的随机数rn,并把rn与泥沙常量InitSoil的乘积赋给soil(i,j),作为其初始值。
6.根据权利要求4所述的社区居家养老服务调度方法,其特征在于,所述步骤4c)和步骤4k)中计算水滴适应度值的装置为基于准旅行商问题模型的启发式译码装置,其译码方法依次包括以下步骤:
7a)选择一护工,置护工序号k=1;
7b)设置护工当前的初始时间点,额定工时,当前护工等待时间tw=0,护工总的等待时间;根据该护工等级,依次顺序选择对应护工等级及以下等级的未服务老人;如果所有老人已被服务则转至步骤7l);
7c)根据护工初始时间点和路程时间,计算当前护工到达所选老人处的时间点,若该时间点在老人预约时间下限以外,则产生等待时间tw,并计算等待时间;
7d)根据护工等级与被服务老人的需求等级求出护工的服务时间,由路程时间,等待时间以及求出的服务时间计算当前护工服务完成时的时间点;并更新该护工的服务列表;
7e)选择下一个与该护工对应等级及以下等级的老人,若该等级及以下等级老人已全被服务,则转至步骤7f);否则转至步骤7g);
7f)计算当前所有与该护工同等级的未服务的护工数num,并更新护工序号k=k+num;转至步骤7k);
7g)根据护工当前时间点和路程时间,计算护工到达所选老人时的时间点;
7h)若该时间点在老人预约时间下限之外,则计算当前护工等待时间;若护工到达时刻在预约时间上限之外,则转至步骤7k);否则置等待时间为0;
7i)计算路程时间,当前等待时间,服务时间,以及当前已用的工时的总和,若总和大于额定工时,则转至步骤7k);
7j)更新该护工的服务列表,根据路程时间,等待时间,服务时间,当前已用工时更新该护工的已用工时,更新护工服务老人后所在时间点,以及护工总的等待时间;并转至步骤7e);
7k)判断护工序号k是否小于N;若是,则选择下一护工,并转至步骤7b);
7l)计算目标函数,包括路程成本、服务时间成本、护工等待成本、未接受服务的老人惩罚、未提供服务的护工惩罚、实际服务等级偏差惩罚、未完成额定工时护工的工时惩罚;
7m)输出目标函数值。
7.根据权利要求4所述的社区居家养老服务调度方法,其特征在于:所述步骤4f)采用基于最优候选结点子群的选择策略,选择下一个待访问的结点的具体过程为:
8a)读取所有未访问的结点,计算出当前结点i到所有候选结点V(IWD)之间的泥沙量,根据泥沙量由低到高,按照选择比例系数γ,选取一定比例的最优候选结点子群elite(IWD)作为候选节点,其公式如下所示:
elite(IWD)=γ·V(IWD) (15)
8b)根据概率公式Pi IWD(j)计算出每个候选结点的概率,
其中,k为候选结点,且为水滴未访问过的结点,f(soil(i,j))为结点i到结点j的路径泥沙量的相关函数,具体表示为如下公式:
其中,εs为预先设置的避免出现分母为零的正数,g(soil(i,j))是将结点i到结点j之间的路径含沙量转换成正数的函数,具体表示为如下公式:
8c)根据各个候选节点的概率Pi IWD(j),使用轮盘赌策略选择下一个结点j,并用该节点更新访问列表Vc(IWD)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280059.XA CN111080006B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911280059.XA CN111080006B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080006A CN111080006A (zh) | 2020-04-28 |
CN111080006B true CN111080006B (zh) | 2022-08-16 |
Family
ID=70314453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911280059.XA Active CN111080006B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080006B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598284B (zh) * | 2020-12-24 | 2023-07-14 | 中国科学技术大学 | 一种用于养老系统的有限资源动态配给方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764621A (zh) * | 2018-04-17 | 2018-11-06 | 华东师范大学 | 一种数据驱动的居家养老协同看护调度方法 |
CN108805335A (zh) * | 2018-05-17 | 2018-11-13 | 杭州电子科技大学 | 一种公共自行车调度方法 |
-
2019
- 2019-12-13 CN CN201911280059.XA patent/CN111080006B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764621A (zh) * | 2018-04-17 | 2018-11-06 | 华东师范大学 | 一种数据驱动的居家养老协同看护调度方法 |
CN108805335A (zh) * | 2018-05-17 | 2018-11-13 | 杭州电子科技大学 | 一种公共自行车调度方法 |
Non-Patent Citations (2)
Title |
---|
基于改进智能水滴算法的混合时间窗电商物流路径优化研究;王奕璇等;《科技管理研究》;20181231(第11期);第211-218页 * |
社区居家养老服务的预约调度与路径规划问题研究:基于改善蚁群算法;杨欣潼等;《系统工程理论与实践》;20190531;第39卷(第5期);第1212-1224页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111080006A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
Law et al. | A neural network model to forecast Japanese demand for travel to Hong Kong | |
Biggar | Who moved among the elderly, 1965 to 1970: A comparison of types of older movers | |
US8498953B2 (en) | Method for allocating trip sharing | |
CN111127274B (zh) | 一种社区居家养老服务调度与路径规划方法和装置 | |
CN107423837A (zh) | 旅游路线的智能规划方法及系统 | |
US20210398431A1 (en) | System and method for ride order dispatching | |
CN1476571B (zh) | 用于向通信设备提供信息的方法和设备 | |
CN106063067B (zh) | 电力需求预测装置、供电系统、电力需求预测方法及介质 | |
CN110428096A (zh) | 基于票务信息的城市轨道交通多交路运输组织优化方法 | |
WO2005045602A3 (en) | Systems and methods for recommending business decisions influenced by weather elements | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN111080006B (zh) | 一种社区居家养老服务调度方法 | |
CN113850550A (zh) | 面向高校园区的配餐订单智能派送方法、存储介质、计算机 | |
CN108053153A (zh) | 一种生态旅游环境承载力预警系统 | |
Nassir et al. | Statistical inference of transit passenger boarding strategies from farecard data | |
JP2002373268A (ja) | 求人求職仲介方法およびそのシステム | |
CN109919675A (zh) | 基于神经网络的通讯用户升档预测概率识别方法及系统 | |
CN114923497B (zh) | 一种铁路出行的路径规划方法、装置、设备及存储介质 | |
CN112862517A (zh) | 一种基于客户实时位置及习惯的广告推送方法及系统 | |
CN107331156A (zh) | 城市交通综合调查云平台与系统 | |
CN113326980A (zh) | 一种改进蚁群算法的区域景点单程路线多目标规划方法 | |
CN112308705A (zh) | 一种基于银行数据的外出务工人员识别方法、设备及介质 | |
CN114202254B (zh) | 一种城市轨道交通通勤分布估计方法及系统 | |
CN113554204A (zh) | 确定事件概率的方法、装置、存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |