CN111127274A - 一种社区居家养老服务调度与路径规划方法和装置 - Google Patents
一种社区居家养老服务调度与路径规划方法和装置 Download PDFInfo
- Publication number
- CN111127274A CN111127274A CN201911279825.0A CN201911279825A CN111127274A CN 111127274 A CN111127274 A CN 111127274A CN 201911279825 A CN201911279825 A CN 201911279825A CN 111127274 A CN111127274 A CN 111127274A
- Authority
- CN
- China
- Prior art keywords
- service
- nursing
- time
- old
- worker
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 230000000474 nursing effect Effects 0.000 claims description 152
- 238000012423 maintenance Methods 0.000 claims description 82
- 230000006870 function Effects 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- HDRXZJPWHTXQRI-BHDTVMLSSA-N diltiazem hydrochloride Chemical compound [Cl-].C1=CC(OC)=CC=C1[C@H]1[C@@H](OC(C)=O)C(=O)N(CC[NH+](C)C)C2=CC=CC=C2S1 HDRXZJPWHTXQRI-BHDTVMLSSA-N 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种社区居家养老服务调度与路径规划方法和装置，根据老人的预约信息和现有护工资源，确定问题约束条件，构建相应的数学模型；把该数学模型转化为准旅行商问题模型；采用改进离散头脑风暴优化算法求解该准旅行商问题模型，求得各护工的最优服务老人列表与次序、服务时刻。本发明提出了离散头脑风暴优化算法，包括头脑风暴优化算法中个体融合问题和加入随机干扰的实现方法；提出了头脑风暴优化算法在同一类中个体向类中随机个体学习方法。采用改进离散头脑风暴优化算法，可以提高最优路径的搜索效率，避免算法陷入局部最优，提高算法的精度。采用准旅行商问题模型，消除了不可行解问题，提高了求解方法效率与精度。
Description
技术领域
本发明涉及调度与路径规划技术领域，具体涉及一种社区居家养老服务调度与路径规划方法和装置。
背景技术
随着经济的发展，生活水平的提高，医疗水平的改善，我国老龄化问题愈来愈严重。如何积极应对人口老龄化的挑战，这将是一个长久的问题。为了应对人口老龄化问题，养老服务等相关业务应运而生，其中社区养老服务作为新兴的养老方式，改善了家庭养老和社会机构养老的缺点，而越来越深受人们关注。
社区居家养老作为一种新的养老模式，在长久的运用过程中也暴露出了一些问题。如：根据老人的预约信息，怎样合理分配护工资源以及护工服务路线的规划问题。现实中，人们常会采用人工分配的方式进行护工资源的调配和服务对象的安排，这往往导致护工资源分配不平均，难以最小化时间成本。而目前主要的调度与路径规划算法，如，遗传算法，蚁群算法，粒子群算法，神经网络法等，在求解上也难以达到护工资源的合理分配要求。
头脑风暴优化算法(BSO)是在头脑风暴法的基础上，提出的一种新型群体智能优化算法，主要采用聚类思想搜索局部最优，通过局部最优的比较产生全局最优的思想。但头脑风暴优化算法存在启发性不足，容易陷入局部最优，收敛速度慢的缺点，本发明针对这些缺点进行了改进，并采用所提改进算法进行了社区居家养老服务调度与路径规划问题求解，取得了较好地成效。
发明内容
为解决现有技术中的不足，本发明提出了一种社区居家养老服务调度与路径规划方法和装置，并提出了把该调度与路径规划问题模型转化为准旅行商问题模型的方法，较好地解决了采用智能优化算法直接求解调度与路径规划模型存在大量不可行解的问题。
本发明采用的技术方案为：一种社区居家养老服务调度与路径规划方法，包括步骤：
获取老人的预约信息及护工的信息数据，并进行数据预处理；
将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，得到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，所述老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
数据预处理包括：
根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
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；
计算出每个等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v出发，由老人之间的距离矩阵、服务中心与老人之间的距离矩阵，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矩阵。
进一步的，所述社区居家养老服务调度与路径规划的数学模型的目标函数为：
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
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)
P表示护工的额定工时，Pk表示第k个护工的工时；
li≥si,i＝1,2,…,M (6)
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；
d表示护工等级数；Kr表示第r个等级的护工数；
Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差；
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，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，包括以下步骤：
步骤1、设置概率参数p1、p2、p3、p4、p5、p6，随机生成NBSO个个体，每个个体有Nc个结点，对应M个老人，聚类数为m；
步骤2、根据老人和护工信息数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将NBSO个个体聚为m个类；
步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；
步骤4、在0和1之间随机生成一个值r1，如果r1小于概率参数p1，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；
步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；
步骤6、如果产生NBSO个新的个体，转至步骤7，否则转至步骤5；
步骤7、如果达到最大的迭代次数，则结束，否则跳至步骤2。
进一步的，所述步骤2和步骤5中计算个体目标函数值采用基于准旅行商问题模型的启发式译码方法，译码方法，包括以下步骤：
a1)选择老人服务需求等级中的一护工，置护工序号ky＝1；
b1)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l1)；
c1)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；
d1)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；
e1)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f1)；否则转至步骤g1)；
f1)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ky＝ky+num；转至步骤k1)；
g1)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；
h1)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k1)；否则置等待时间为0；
i1)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k1)；
j1)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e1)；
k1)判断护工序号ky小于N；若是，则选择下一护工，并转至步骤b1)；
l1)计算目标函数，并输出目标函数值。
进一步的，步骤2中采用基于目标空间聚类的策略将个体聚类的步骤为：
2a)根据个体的目标函数值，对NBSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；
2b)由后一个个体目标函数值减去前一个个体的目标函数值，求得NBSO-1个相邻个体目标函数值的差值；
2c)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；
2d)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。
进一步的，步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，步骤为：
5a)在0和1之间随机生成一个值r2；
5b)如果r2小于概率参数p2：
①在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r3；
②如果r3比概率参数p3小，选择该类聚类中心加上随机扰动产生一个新个体；
③否则，随机产生一个0到1间的数值r4；
④如果r4小于概率参数p4，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；
⑤否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；
5c)否则，在m个类中随机地挑选两个聚类产生新个体：
①在0和1之间随机生成一个值r5：
②如果r5小于概率参数p5，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；
③否则，随机产生一个0到1间的数值r6：
④如果r6小于概率参数p6，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；
⑤否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；
其中，步骤5b)﹑步骤5c)中2个个体的相互融合采用交叉操作实现；个体施加随机扰动采用变异操作实现。
一种社区居家养老服务调度与路径规划装置，包括：
数据获取和处理模块，用于获取老人的预约信息及护工的信息数据，并进行数据预处理；
求解模块，用于将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，得到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，所述老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
数据预处理包括：
根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
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；
计算出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v出发，由老人之间的距离矩阵、服务中心与老人之间的距离矩阵，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矩阵。
进一步的，所述社区居家养老服务调度与路径规划的数学模型的目标函数为：
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
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)
P表示护工的额定工时，Pk表示第k个护工的工时；
li≥si,i＝1,2,…,M (6)
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；
d表示护工等级数；Kr表示第r个等级的护工数；
Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差；
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。
本发明的有益效果：
本发明通过改进离散头脑风暴优化算法的优化搜索和基于准旅行商问题模型的个体译码，确保算法能找到最优可行解；本发明提出了改进离散头脑风暴优化算法在同一类中个体向类中随机个体学习的方法，避免算法陷入局部最优，提高算法的精度。
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。
附图说明
图1是改进离散头脑风暴优化算法的流程图；
图2是社区居家养老服务调度与路径规划模型启发式译码流程图；
图3是社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题模型示意图；
图4顺序交叉操作示意图；
图5互换变异操作示意图。
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。
实施例1：
一种社区居家养老服务调度与路径规划方法，包括步骤：
1)获取老人的预约信息及护工的信息数据，并进行数据预处理；
2)将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解；得到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1)老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
所述步骤1)数据预处理的具体过程为：
1a)根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
1b)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)计算出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v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矩阵，计算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矩阵。
所述步骤2)预先建立的社区居家养老服务调度与路径规划的数学模型，其建立过程包括步骤：
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)建立数学模型必须考虑以下限制条件：
(2b1)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；
(2b2)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；
(2b3)每个老人每天只接受一次服务，即每天只能被拜访一次；
(2b4)护工等级与老人的需求等级必须互相匹配，即“低等级护工不可服务高等级需求的老人，高等级护工可满足同等级及以下等级需求的老人”，且遵循“低等级护工优先配置”的原则。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；
(2b5)护工拜访老人的时间必须满足对应的时间窗要求。对于老人i，存在时间窗(bi,ei]，bi为老人要求的预约时间段下限，ei为老人要求的预约时间段上限，设护工k预计到达老人i处的时间为
若
则该护工不能访问老人i，若
则该护工到达老人i处时产生等待成本；
(2b6)各等级护工每月服务工时应尽可能相等或接近。
2c)根据以上条件，建立社区居家养老服务调度与路径规划数学模型如下：
公式(1)表示目标函数，其八部分依次分别为路程成本、服务时间成本、护工等待成本、未接受服务老人数惩罚、已服务护工数惩罚、实际服务等级偏差惩罚、未完成额定工时的护工工时惩罚、本月护工服务时长的方差惩罚。
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
yki表示第k个护工能否服务老人i；
0≤Pk≤P,k＝1,2…,N (4)
公式(4)表示任何护工的工时都不得超过额定工时；P表示护工的额定工时，Pk表示第k个护工的工时；
公式(5)表示护工必须在老人要求的预约时间段上限之前到达预约地点；
表示第k个护工到达第i个老人处的时间点，ei表示第i个老人预约时间的上限；
li≥si,i＝1,2,…,M (6)
公式(6)表示实际服务老人的护工等级不低于老人期望的需求护工等级。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)表示护工总人数为各等级护工数之和；d表示护工等级数；Kr表示第r个等级的护工数。
公式(8)表示本月各等级护工的服务时长方差。Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差。
其中：
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；
将社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题模型的具体步骤为：将老人视为结点，老人的位置视为坐标；该问题的目的是寻找一条拜访所有老人的回路，使这条回路的目标函数值最小，其中每个老人只能被访问一次；
如图1所示，采用改进离散头脑风暴优化算法对所得准旅行商问题进行求解的具体做法包括如下步骤：
步骤1、设置概率参数p1、p2、p3、p4、p5、p6，随机生成NBSO个可能的解决方案(个体)，每个个体有Nc个结点(即对应M个老人)，聚类数为m；
步骤2、根据步骤1)中的数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将NBSO个个体聚为m个类；
步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；
步骤4、在0和1之间随机生成一个值r1，如果r1小于概率参数p1，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；
步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；
步骤6、如果产生NBSO个新的个体，转至步骤7，否则转至步骤5；
步骤7、如果达到最大的迭代次数，则结束算法，否则跳至步骤2。
如图2所示，所述步骤2和步骤5中采用基于准旅行商问题模型的启发式译码方法计算个体目标函数值，其译码方法依次包括以下步骤：
a1)护工从低级到高级排列，选择老人服务需求等级中的一护工，置护工序号ky＝1；
b1)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l1)；
c1)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；
d1)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；
e1)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f1)；否则转至步骤g1)；
f1)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ky＝ky+num；转至步骤k1)；
g1)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；
h1)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k1)；否则置等待时间为0；
i1)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k1)；
j1)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e1)；
k1)判断护工序号ky小于N；若是，则选择下一护工，并转至步骤b1)；
l1)根据公式(1)计算目标函数，并输出目标函数值。
通过研究BSO，发现原算法中聚类策略时间复杂度过长，为了降低时间复杂度，所述步骤2中采用基于目标空间聚类的策略，依次包括以下步骤：
2a)根据个体的目标函数值，对NBSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；
2b)由后一个个体目标函数值减去前一个个体的目标函数值，求得NBSO-1个相邻个体目标函数值的差值；
2c)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；
2d)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。
通过研究BSO，发现原算法中聚类中心和随机个体之间没有融合操作，容易陷入局部最优。为了解决这个问题，所述步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，依次包括以下步骤：
5a)在0和1之间随机生成一个值r2；
5b)如果r2小于概率参数p2：
①在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r3；
②如果r3比概率参数p3小，选择该类聚类中心加上随机扰动产生一个新个体；
③否则，随机产生一个0到1间的数值r4；
④如果r4小于概率参数p4，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；
⑤否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；
5c)否则，在m个类中随机地挑选两个聚类产生新个体
①在0和1之间随机生成一个值r5：
②如果r5小于概率参数p5，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；
③否则，随机产生一个0到1间的数值r6：
④如果r6小于概率参数p6，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；
⑤否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；
其中，步骤5b)、5c)中采用交叉操作实现2个个体的相互融合；采用变异操作对个体施加随机扰动。
其中对于交叉操作，本发明中采用顺序交叉操作，具体步骤为：
第一步，随机选择两个个体(父代)中几个结点的起止位置(两个个体被选位置相同)，如图4中a所示，图中箭头所指位置是选中结点的起止位置，图中数字代表结点所对应的访问老人的编号，一个个体对应所有老人被护工服务的次序；
第二步，如图4中b所示，生成一个子代，图中箭头所指位置是选中结点的起止位置并保证子代中被选中的结点的位置与父代相同；
第三步，先找出第一步选中的结点在另一个父代中的位置，如图4中c所示，箭头所指位置，即将其余结点按顺序放入上一步生成的子代中，生成的一个子代为：793456128；
需要注意的是，这种算法同样会生成两个子代，另一个子代生成过程完全相同，只需要将两个父代交换位置，第一步选中的结点位置相同，本例中的生成的另一个子代为：254913678(图中未示出)。
其中对于变异操作，本发明中采用互换变异操作，具体过程如下：
如图5中箭头所指位置是选中结点的起止位置，图中数字代表结点所对应的访问老人的编号，一个个体对应所有老人被护工服务的次序。图5中a所示，随机选择一个个体(父代)中两个结点的位置，将其对换位置，对换位置后为如图5中b所示。
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],服务结点号为1对应的老人；第二个护工的服务结点列表[2,3,4,5]，依次服务结点号为2,3,4,5对应的老人；第三个护工的服务结点列表为[6,7]，依次服务结点号为6,7对应的老人；第四个护工的服务结点列表为[8,9,10]，依次服务结点号为8,9,10对应的老人。
实施例2：
一种社区居家养老服务调度与路径规划装置，包括：
数据获取和处理模块，用于获取老人的预约信息及护工的信息数据，并进行数据预处理；
求解模块，用于将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，得到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，所述老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
数据预处理包括：
根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
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；
计算出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v出发，由老人之间的距离矩阵、服务中心与老人之间的距离矩阵，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矩阵。
进一步的，所述社区居家养老服务调度与路径规划的数学模型的目标函数为：
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
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)
P表示护工的额定工时，Pk表示第k个护工的工时；
li≥si,i＝1,2,…,M (6)
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；
d表示护工等级数；Kr表示第r个等级的护工数；
Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差；
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。
本发明提出了离散头脑风暴优化算法，包括头脑风暴优化算法中个体融合问题和加入随机干扰的实现方法；提出了头脑风暴优化算法在同一类中个体向类中随机个体学习方法。采用改进离散头脑风暴优化算法，可以提高最优路径的搜索效率，避免算法陷入局部最优，提高算法的精度。采用准旅行商问题模型，消除了不可行解问题，提高了求解方法效率与精度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)
1.一种社区居家养老服务调度与路径规划方法，其特征在于：包括步骤：
获取老人的预约信息及护工的信息数据，并进行数据预处理；
将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，得到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。
2.根据权利要求1所述的一种社区居家养老服务调度与路径规划方法，其特征在于：所述老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
数据预处理包括：
根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
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；
计算出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v出发，由老人之间的距离矩阵、服务中心与老人之间的距离矩阵，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矩阵。
3.根据权利要求1所述的一种社区居家养老服务调度与路径规划方法，其特征在于：所述社区居家养老服务调度与路径规划的数学模型的目标函数为：
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
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)
P表示护工的额定工时，Pk表示第k个护工的工时；
li≥si,i＝1,2,…,M (6)
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；
d表示护工等级数；Kr表示第r个等级的护工数；
Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差；
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。
4.根据权利要求1所述的一种社区居家养老服务调度与路径规划方法，其特征在于：采用改进离散头脑风暴优化算法对准旅行商问题进行求解，包括以下步骤：
步骤1、设置概率参数p1、p2、p3、p4、p5、p6，随机生成NBSO个个体，每个个体有Nc个结点，对应M个老人，聚类数为m；
步骤2、根据老人和护工信息数据，计算所有个体的目标函数值，并采用基于目标空间聚类的策略，将NBSO个个体聚为m个类；
步骤3、对每个类中的个体按照目标函数值的大小进行排序，并从中选出目标函数值最小的个体作为该类的聚类中心；
步骤4、在0和1之间随机生成一个值r1，如果r1小于概率参数p1，则随机选择一个聚类中心；否则，随机产生一个个体代替该聚类中心；
步骤5、采用同一类中个体向类中随机个体学习的方法产生新个体；计算新产生个体的目标函数值，与当前个体相比，目标函数值小的个体作为下次迭代的新的个体；
步骤6、如果产生NBSO个新的个体，转至步骤7，否则转至步骤5；
步骤7、如果达到最大的迭代次数，则结束，否则跳至步骤2。
5.根据权利要求4所述一种社区居家养老服务调度与路径规划方法，其特征在于：所述步骤2和步骤5中计算个体目标函数值采用基于准旅行商问题模型的启发式译码方法，译码方法，包括以下步骤：
a1)选择老人服务需求等级中的一护工，置护工序号ky＝1；
b1)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l1)；
c1)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；
d1)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；
e1)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f1)；否则转至步骤g1)；
f1)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ky＝ky+num；转至步骤k1)；
g1)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；
h1)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k1)；否则置等待时间为0；
i1)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k1)；
j1)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e1)；
k1)判断护工序号ky小于N；若是，则选择下一护工，并转至步骤b1)；
l1)计算目标函数，并输出目标函数值。
6.根据权利要求4所述一种社区居家养老服务调度与路径规划方法，其特征在于：步骤2中采用基于目标空间聚类的策略将个体聚类的步骤为：
2a)根据个体的目标函数值，对NBSO个个体目标函数值进行升序排列，得到排序后的个体目标函数值；
2b)由后一个个体目标函数值减去前一个个体的目标函数值，求得NBSO-1个相邻个体目标函数值的差值；
2c)找出m-1个最大的相邻个体目标函数值的差值，并记录各差值对应的序号；
2d)根据求得的m-1个序号进行切分，把已排序后个体中序号小于等于该序号的个体划分为一类，大于该序号的个体划分到另一类。
7.根据权利要求4所述一种社区居家养老服务调度与路径规划的方法，其特征在于：步骤5中采用同一类中个体向类中随机个体学习的方法产生新个体，步骤为：
5a)在0和1之间随机生成一个值r2；
5b)如果r2小于概率参数p2：
①在m个聚类中随机选择一个类，并在0和1之间随机生成一个值r3；
②如果r3比概率参数p3小，选择该类聚类中心加上随机扰动产生一个新个体；
③否则，随机产生一个0到1间的数值r4；
④如果r4小于概率参数p4，从该聚类中随机选择一个个体，加上随机扰动产生一个新个体；
⑤否则，从该聚类中随机选择2个个体，互相融合加上随机扰动产生两个新个体；
5c)否则，在m个类中随机地挑选两个聚类产生新个体
①在0和1之间随机生成一个值r5：
②如果r5小于概率参数p5，将两个类的聚类中心互相融合加上随机扰动产生两个新个体；
③否则，随机产生一个0到1间的数值r6：
④如果r6小于概率参数p6，将第一个类的聚类中心与从第二个类中随机选择的一个个体互相融合加上随机扰动产生两个新个体；
⑤否则，分别从两个类中选择一个个体互相融合加上随机扰动产生两个新个体；
其中，步骤5b)步骤5c)中2个个体的相互融合采用交叉操作实现；个体施加随机扰动采用变异操作实现。
8.一种社区居家养老服务调度与路径规划装置，其特征在于：包括：
数据获取和处理模块，用于获取老人的预约信息及护工的信息数据，并进行数据预处理；
求解模块，用于将预先建立的社区居家养老服务调度与路径规划的数学模型转化为准旅行商问题，采用改进离散头脑风暴优化算法对准旅行商问题进行求解，得到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。
9.根据权利要求8所述的一种社区居家养老服务调度与路径规划装置，其特征在于：所述老人的预约信息包括：老人数量、老人预约的需求护工等级、预约时间段、位置坐标；
护工的信息包括：护工数量、护工等级、本月已服务时间；
数据预处理包括：
根据老人的预约信息计算出老人之间的距离矩阵，服务中心与老人之间的距离矩阵；
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；
计算出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v出发，由老人之间的距离矩阵、服务中心与老人之间的距离矩阵，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矩阵。
10.根据权利要求8所述的一种社区居家养老服务调度与路径规划装置，其特征在于：所述社区居家养老服务调度与路径规划的数学模型的目标函数为：
其中，
表示第k个护工能否从老人i到达老人j；i，j＝1,2,…,M；
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)
P表示护工的额定工时，Pk表示第k个护工的工时；
li≥si,i＝1,2,…,M (6)
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；
d表示护工等级数；Kr表示第r个等级的护工数；
Qrk表示第r等级中第k个护工的本月服务工时，
表示第r等级中护工的平均服务工时；
表示第r等级护工服务工时的方差；
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911279825.0A CN111127274B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度与路径规划方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911279825.0A CN111127274B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度与路径规划方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127274A true CN111127274A (zh) | 2020-05-08 |
| CN111127274B CN111127274B (zh) | 2022-08-16 |
Family
ID=70500027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911279825.0A Active CN111127274B (zh) | 2019-12-13 | 2019-12-13 | 一种社区居家养老服务调度与路径规划方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127274B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768851A (zh) * | 2020-06-22 | 2020-10-13 | 杭州电子科技大学 | 一种动态需求下多级别家庭护理调度方法及系统 |
| CN112700850A (zh) * | 2020-12-30 | 2021-04-23 | 杭州电子科技大学 | 一种基于三阶段混合启发式算法的家庭医疗护理调度随机优化方法 |
| CN112734188A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112906973A (zh) * | 2021-03-10 | 2021-06-04 | 浙江银江云计算技术有限公司 | 一种家庭医生随访路径推荐方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573313A (zh) * | 2018-03-29 | 2018-09-25 | 重庆柚瓣家科技有限公司 | 用于居家养老的集约式服务调配方法 |
| 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 |
-
2019
- 2019-12-13 CN CN201911279825.0A patent/CN111127274B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108573313A (zh) * | 2018-03-29 | 2018-09-25 | 重庆柚瓣家科技有限公司 | 用于居家养老的集约式服务调配方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 吴亚丽等: "目标空间聚类的差分头脑风暴优化算法", 《控制理论与应用》 * |
| 杨欣潼等: "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", 《系统工程理论与实践》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111768851A (zh) * | 2020-06-22 | 2020-10-13 | 杭州电子科技大学 | 一种动态需求下多级别家庭护理调度方法及系统 |
| CN111768851B (zh) * | 2020-06-22 | 2023-10-03 | 杭州电子科技大学 | 一种动态需求下多级别家庭护理调度方法及系统 |
| CN112700850A (zh) * | 2020-12-30 | 2021-04-23 | 杭州电子科技大学 | 一种基于三阶段混合启发式算法的家庭医疗护理调度随机优化方法 |
| CN112734188A (zh) * | 2020-12-30 | 2021-04-30 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112734188B (zh) * | 2020-12-30 | 2023-11-24 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112700850B (zh) * | 2020-12-30 | 2024-04-02 | 杭州电子科技大学 | 一种基于三阶段混合启发式算法的家庭医疗护理调度随机优化方法 |
| CN112906973A (zh) * | 2021-03-10 | 2021-06-04 | 浙江银江云计算技术有限公司 | 一种家庭医生随访路径推荐方法及系统 |
| CN112906973B (zh) * | 2021-03-10 | 2023-10-24 | 浙江银江云计算技术有限公司 | 一种家庭医生随访路径推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127274B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111127274B (zh) | 一种社区居家养老服务调度与路径规划方法和装置 | |
| Hamdouch et al. | A new schedule-based transit assignment model with travel strategies and supply uncertainties | |
| Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
| Dotoli et al. | A multi-agent advanced traveler information system for optimal trip planning in a co-modal framework | |
| Zhao et al. | An integrated approach of train scheduling and rolling stock circulation with skip-stopping pattern for urban rail transit lines | |
| CN113780808B (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
| Hildebrandt et al. | Supervised learning for arrival time estimations in restaurant meal delivery | |
| 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 | |
| Angelopoulos et al. | Incentivization schemes for vehicle allocation in one-way vehicle sharing systems | |
| Yang et al. | Multiagent Reinforcement Learning‐Based Taxi Predispatching Model to Balance Taxi Supply and Demand | |
| Oluwadare et al. | Solving school bus routing problem using genetic algorithm-based model | |
| CN116432386B (zh) | 一种用于智能公交系统的多车型时刻表设计方法及系统 | |
| CN111768851B (zh) | 一种动态需求下多级别家庭护理调度方法及系统 | |
| CN114626718A (zh) | 一种基于订单资源共享和农机资源共用的农机调度方法 | |
| Mutingi et al. | Home healthcare worker scheduling: a group genetic algorithm approach | |
| CN110751359B (zh) | 一种自动化航线网络评估方法、电子设备及存储介质 | |
| CN117422263A (zh) | 地铁突发中断下考虑乘客出行选择行为的应急公交接驳调度方法 | |
| CN108830486A (zh) | 一种用于电力通信的检修任务调度方法、装置及设备 | |
| CN111080006B (zh) | 一种社区居家养老服务调度方法 | |
| CN111008788B (zh) | 一种基于改进离散头脑风暴优化算法的引航员指派方法 | |
| Liu et al. | A mathematical model for medium-term home health care planning problem | |
| CN113393029B (zh) | 一种轨交客流量的预测方法和设备 | |
| JP2023061637A (ja) | 情報処理装置、情報処理方法、プログラム、および情報処理システム | |
| Arabzadeh et al. | Multi-period home health care routing and scheduling problem with the medical grouping of patients | |
| Afandizadeh Zargari et al. | Optimizing algorithm for allocating passengers in shared taxis |
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 |