CN112102932A - 智能排班方法及排班系统 - Google Patents
智能排班方法及排班系统 Download PDFInfo
- Publication number
- CN112102932A CN112102932A CN202010783697.XA CN202010783697A CN112102932A CN 112102932 A CN112102932 A CN 112102932A CN 202010783697 A CN202010783697 A CN 202010783697A CN 112102932 A CN112102932 A CN 112102932A
- Authority
- CN
- China
- Prior art keywords
- training
- scheduling
- uniformity
- time period
- base
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 278
- 238000009826 distribution Methods 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000002922 simulated annealing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 208000025174 PANDAS Diseases 0.000 description 5
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 5
- 240000004718 Panda Species 0.000 description 5
- 235000016496 Panda oleosa Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1093—Calendar-based scheduling for persons or groups
-
- 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
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能排班方法及排班系统,其方法包括:建立初始排班表;分别计算培训基地在各个培训时间段人员分布的均匀度值;根据均匀度值,在排班表中,将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表;根据排班表人员分布均匀度系数,对调整后的排班表进行二次调整;将最优排班表生成指定文件。本发明采用贪心算法,并且根据模拟退火算法基本思想,引入随机因素,以一定的概率来接受一个比当前解要差的解,对调整后的排班表进行二次优化,最终采用均匀度系数及方差对比方案得到最优排班方案,有助于达到全局的最优解。
Description
【技术领域】
本发明涉及医院智能管理系统研究技术领域,具体地说,是一种智能排班方法及排班系统。
【背景技术】
住院培训学员轮转排班是根据不同学员轮转要求在合适的时间分配到合适的专业培训科室,其本质类同排课问题,但涉及到的因素和目标有所不同。随着住院培训基地招生规模扩大,学员数量比以往大大增加,基地教学任务增加,学员分配不均衡问题日益突出,既往采用Excel对轮转计划进行手工规划的人工方式很难排出合理的轮转表。,并且该方法排班效率低,不能保证排班结果的科学合理性。为此,探求合理的算法以设计开发出合理的轮转排班系统很有必要。
【发明内容】
本发明的目的是针对现有技术中的不足,提供一种智能排班方法及排班系统,通过引入均匀度值计算和比较,确定排班表调整方案,进一步采用贪心算法,并且根据模拟退火算法基本思想,引入随机因素,以一定的概率来接受一个比当前解要差的解,对调整后的排班表进行二次优化,最终采用均匀度系数及方差对比方案得到最优排班方案,有助于达到全局的最优解。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
第一方面,本发明提供了一种智能排班方法,包括以下步骤:
步骤一、根据参加培训的学员人数和培训轮转计划建立初始排班表,所述初始排班表由学员编号、培训基地和培训时间段组成;
步骤二、分别计算所述培训基地在各个所述培训时间段人员分布的均匀度值,所述培训基地在当前培训时间段的均匀度值=当前培训时间段内该培训基地轮转人数-该培训基地在各个培训时间段的平均轮转人数;
步骤三、根据所述培训基地在各个所述培训时间段的所述均匀度值,在排班表中,将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表;
步骤四、分别计算调整前和调整后的排班表人员分布均匀度系数,如果调整后排班表的均匀度系数不小于调整前排班表的均匀度系数,则将所述调整后排班表中的部分培训安排恢复到调整前的状态;
步骤五、判断所述调整后排班表的人员分布是否达到最优分布,如果否,则基于调整后的排班表重复步骤二至步骤五;如果是,则将调整后的排班表作为最终排班表,生成指定文件。
优选地,上述步骤三之前还包括以下步骤:
将所有培训基地在各个培训时间段的均匀度值按照时间顺序,建立以培训基地为索引的人员分布均匀度统计表。
优选地,上述步骤三之前还包括以下步骤:
构建以培训基地为索引的人员分布均匀度统计图像,其中所有培训基地在各个培训时间段的均匀度值为所述人员分布均匀度统计图像的像素值。
优选地,上述步骤三具体包括:
在排班表中,将所述培训基地最大均匀度值所对应的培训时间段的流转学员与该培训基地最小均匀度值所对应的培训时间段的流转学员进行对调,或者
在排班表中,从所述培训基地的最大均匀度值所对应的培训时间段内随机抽取超出培训计划的学员,将该学员在最大均匀度值所对应的培训时间段内的培训基地与该学员在最小均匀度值所对应的培训时间段的培训基地进行对调。
优选地,上述步骤三还包括:
所述对培训安排进行对调前,首先判断排班表中是否存在带有不可调标识的表位,如果存在,则该表位不执行对调。
优选地,
上述不可调标识包括:学员请假标识、培训基地未安排培训的空位标识、指定学员在指定时间在指定基地培训标识、基地指定学员标识。
优选地,
上述步骤四中所述均匀度系数的计算方法包括:
计算培训基地在所有培训时间段的平均轮转人数,以及培训基地在某个时间段的轮转人数;
将上述计算结果代入公式:
优选地,上述步骤五所述的判断所述调整后排班表的人员分布是否达到最优分布,具体包括以下步骤:
判断调整后排班表中是否所有培训基地都达到人员分布均匀,如果是,则所述调整后排班表的人员分布达到最优分布;
所述培训基地人员分布均匀是指:该培训基地在各个培训时间段的均匀度值之间差值均未超过1。
第二方面,本发明提供了一种智能排班系统,上述系统包括:
第一生成模块,用于根据参加培训的学员人数和培训轮转计划建立初始排班表;
计算模块,用于计算培训基地在各个培训时间段的均匀度值;
第一优化模块,用于根据培训基地在各个培训时间段的均匀度值,在排班表中,对培训安排进行对调,得到调整后的排班表;
第二优化模块,用于根据排班表人员分布均匀度系数,对调整后的排班表进行二次调整;
第二生成模块,用于判断调整后的排班表人员分布是否达到最优分布,将最优排班表生成指定文件。
优选地,
所述第一优化模块包括:
建表单元,用于以培训基地为索引的人员流转均匀度统计表或统计图像;
对调执行单元,用于将排班表中最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表。
优选地,所述优化模块还包括条件约束单元:用于构建培训约束条件,根据约束条件在排班表中设置不可调标识。
本发明优点在于:
1、本发明方法通过引入均匀度值计算和比较,确定排班表调整方案,进一步采用贪心算法,并且根据模拟退火算法基本思想,引入随机因素,以一定的概率来接受一个比当前解要差的解,对调整后的排班表进行二次优化,最终采用均匀度系数及方差对比方案得到最优排班方案,有助于达到全局的最优解。
2、本发明通过对培训基地在各个培训时间段的均匀度值进行排序得到以培训基地为索引的人员分布均匀度统计表,便于直观观察科室轮转人员均匀度变化,进一步构建人员分布均匀度统计图像,可以以图像的形式显示程序运行过程中培训基地轮转人员均匀度的变化。
3、本发明方法通过在表位中的不可调标识设置优化调整约束条件,从而可以可以满足实际工作的学员请假、特殊培训安排等要求,保证排班表最终能够实现全局优化。
4、本发明系统有助于获得最佳培训轮转计划,可以保证轮转培训基地工作有效合理安排,教学资源有效分配,学员顺利完成轮转计划,此外,本发明系统不仅可以获得住院培训排班最优解,还可以满足复杂的个性化需求,适用于所有横向目标前后顺序可以对换的类似排列均衡性问题,有较大的推广应用价值。
【附图说明】
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
附图1是本发明一实施例提供的智能排班方法的流程示意图;
附图2是本发明一实施例提供的智能排班系统的框图;
附图3是本发明另一实施例提供的智能排班系统的框图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的智能排班方法及排班系统,主要用于解决培训学员在培训基地中培训轮转人员分布不均匀的问题,既可用于一般的排课安排,也可以用于医院住院培训学员轮转排班问题,本说明书实施例主要以医院住院培训学员轮转排班为例详细阐述本发明的技术方案。
如附图1所示的实施例中,本发明提供了一种智能排班方法,在本实施例中,该方法用于住院医师规范化培训管理中,针对专业培训科室培训学员均衡分布方案优化。在本实施例中,培训基地是指专业培训科室,通常专业培训科室包括但不限于:妇产科、外科、内科、全科、神经内科、急诊科、麻醉科、超声科、放射科、病理科、耳鼻咽喉科、口腔科、儿科、助理全科等。本发明智能排班方法包括以下步骤:
步骤一、根据参加培训的学员人数和培训轮转计划建立初始排班表,所述初始排班表由学员编号、培训基地和培训时间段组成。
作为一种具体实施方式,本步骤中初始排班表的建立方法可具体包括:首先根据参加住院培训的学员人数、学员专业和每个专业培训科室的住院培训计划,按照统一格式,生成Excel格式的初始排班表,该初始排班表中首列为ID(学院识别号),该识别号可以是按顺序排列的学员工号也可以是学员身份证号码;表格中除首列外的其它列名为培训时间段,如按照年或月或周等划分培训轮转时间段。根据培训轮转计划,对于需要设定约束条件的表位,用规定的颜色设置不可调标识,带有不可调标识的表位,在进行排班方案优化时不执行对调,例如对学员请假、培训基地未安排培训的空位、指定学员在指定时间在指定基地培训、基地指定学员等情况分别标注不同颜色,这些情况所对应的表位不可调。然后,使用python语言编程,通过pandas模块分别保存各因素列表信息,具体包括:人员信息表、专业轮转计划表、请假及特殊要求表、以及初始排班表,最终优化得到的最优排班表也将别保存在pandas模块中。采用这种排班方式的原因在于:python语言是最受欢迎的程序设计语言之一,具备简洁性、易读性以及可扩展性,其科学计算扩展库可以满足程序开发。系统主要应用模块包括numpy,pandas,random,openpyxl,tkinter,pillow等。其中numpy是python中科学计算的核心库,提供了高性能多维数组对象和用于处理这些数组的工具。Pandas是python的一个是基于numPy数据分析包,是为了解决数据分析任务而创建的,提供了大量能使我们快速便捷地处理数据的函数和方法。random模块用于生成随机数,如random.randint(a,b)生成指定范围的随机整数,random.shuffle()对给定集合重排列(洗牌),random.choice()给定的集合中选择一个字符。openpyx模块可以读取excel文件表内容和格式信息,并写入excel文件。tkinter模块用于界面开发。pillow模块用于图像格式显示。这些丰富的模块可以满足数据表的读取分析、数学运算、随机取值等操作,可以替代人工排班,提高排班效率。
步骤二、分别计算所述培训基地在各个所述培训时间段人员分布的均匀度值,所述培训基地在当前培训时间段的均匀度值=当前培训时间段内该培训基地轮转人数-该培训基地在各个培训时间段的平均轮转人数。
本步骤中计算所需要的数据来源于初始排班表,使用python语言读取pandas模块中各因素列表信息,分布计算初始排班表中每个培训基地在各个时间段的平均轮转人数,例如一个排班表中有10个专业培训科室,设定轮转培训时间段为一个月,培训时长为五个月(例如9月、10月、11月、12月、1月),则需要分别计算10个专业培训科室每月平均轮转人数,在一个具体实施例中,用专业培训科室急诊科在报班表中的轮转人数总值去除以培训总时间段数(例如总共5个月,则总时间段数值为5),得到急诊科在5个月内平均每个月的轮转人数。然后用急诊科9月份的轮转人数减去急诊科平均每个月的轮转人数,最终得到的是急诊科9月份的人员分布均匀度值。
步骤三、根据所述培训基地在各个所述培训时间段的所述均匀度值,在排班表中,将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表。
在一个具体的实施例中,使用python语言根据步骤二中计算得到的均匀度值,统计出每一个培训基地最大均匀度值所对应的培训时间段,和最小均匀度值所对应的培训时间段,继续援引步骤二中的例子,通过统计得到急诊科最大均匀度值所对应的培训时间段为12月份,最小均匀度值所对应的培训时间段为9月份,以此类推可以得到分别该排班表中10个专业培训科室各自最大均匀度值所在月份和最小均匀度值所在月份。在一个优选的实施例中,为方便直观观察培训基地轮转人员均匀度变化,使用python语言将所有培训基地在各个培训时间段的均匀度值按照时间顺序,建立以培训基地为索引的人员分布均匀度统计表。进一步地,将表格数据视为图像的像素值,构建以培训基地为索引的人员分布均匀度统计图像,其中图像的像素值对应于每个培训基地在各个培训时间段的均匀度值。在一个优选的实施例中,可以借助计算机等硬件设备使用智能排班系统生成图形格式的人员分布均匀度统计图像,进而能够实时显示培训基地每个培训时间段平均轮转人数分布。在该设备的人机交互界面上可以设置和调整计算循环次数,退火概率和图像放大倍数等数据。例如在某个设备上设置默认计算循环次数为20000,退火概率为25‰,图像放大倍数为15。通过界面图像可以直接观察到,初始排班表人员分布图像显示为黑白交错不均匀,按照本发明的智能排班方法优化后得到的排班表,其人员分别图像显示为均匀黑色。
步骤三中,根据均匀度值对排班表中每个培训基地都要执行一次对调以改变排班表中的相应数值得到调整后的表格,对调方式为:将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,具体取值方式至少包括两种,一种是:在排班表中,将所述培训基地最大均匀度值所对应的培训时间段的流转学员与该培训基地最小均匀度值所对应的培训时间段的流转学员进行对调;第二种是:在排班表中,从所述培训基地的最大均匀度值所对应的培训时间段内随机抽取超出培训计划的学员,将该学员在最大均匀度值所对应的培训时间段内的培训基地与该学员在最小均匀度值所对应的培训时间段的培训基地进行对调。优选采用第二种方式,一定程度上可以避免陷入局部最优解,也可以优化计算时间。在另外一个可行的实施例中,对调方式会根据人员分布均匀度统计图像或统计选取最多人数对表位,计算与该表位执行对调后方差的减少值,然后选择方差减少值最大的表位最终执行对调。
步骤四、分别计算调整前和调整后的排班表人员分布均匀度系数,如果调整后排班表的均匀度系数不小于调整前排班表的均匀度系数,则将所述调整后排班表中的部分培训安排恢复到调整前的状态,优选的,随机选取所述调整后排班表中99%的培训安排,将其表位对应数值恢复到执行对调之前的状态,如果调整后排班表的均匀度系数小于调整前排班表的均匀度系数,则直接进入步骤五进行二次优化方案的确定。具体的,步骤三中将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到对调后的排班表,通过计算该排班表的均匀度系数不小于对调前的排班表,即相比于对调前的排班表,均匀度系数没有下降,则将步骤三中执行的对调随机选取99%进行撤回,使这些培训安排恢复到初始排班表(或者对调前的排班表)。本实施例的步骤四本质上是使用贪心算法,并且根据模拟退火算法基本思想,引入随机因素,以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到全局的最优解。
在一个具体的实施例中,判断排班均匀度的参数通常使用方差,均匀度是表示点集在空间中分布均匀性的一个参数,通常使用方差来标识均匀度。对于本发明所要解决的培训基地学员分布均匀问题,具体可以是住院培训轮转排班表的人员分布均匀问题,可以看做是一个二维空间的点集均匀度问题,利用方差来计算排班表均匀度系数的方法具体包括以下步骤:
计算培训基地在所有培训时间段的平均轮转人数,以及培训基地在某个时间段的轮转人数;
将上述计算结果代入公式:
其中,n是培训基地的总数量(例如上述实施例中,专业培训科室的数量为10,即n取值为10),m是培训时间段的总数量(例如上述实施例中,培训时间段的总数量为5,即m取值为5),Lij是第i个培训基地在第j个培训时间段的轮转人员数,是第i个培训基地在所有培训时间段的平均轮转人数。
本实施例分别计算调整前排班表和调整后排班表的人员轮转方差(均匀度系数),将两者进行对照,可以实现第一次优化方案的筛选和确定。方差等于各个数据与其算术平均数的离差平方和的平均数,可以描述随机变量对于数学期望的偏离程度,故,本发明采用方差表示均匀度系数,可以保证第一次优化方案确定的精准性。
步骤五、判断所述调整后排班表的人员分布是否达到最优分布,如果否,则基于调整后的排班表重复步骤二至步骤五;如果是,则将调整后的排班表作为最终排班表,生成指定文件。
在一个优选的实施例中,步骤五中最优分布的判断方式具体如下:
判断调整后排班表中是否所有培训基地都达到人员分布均匀,如果是,则所述调整后排班表的人员分布达到最优分布;
所述培训基地人员分布均匀是指:该培训基地在各个培训时间段的均匀度值之间差值均未超过1。
上述判断方法的原理在于:对于第i个培训基地,如果每一个培训时间段内,Lij和的差均不超过1,其方差(均匀度系数)达到最小值。在一个培训时间段内,所有培训基地的方差达到最小值,可以认为该培训时间段科室人员数达到最优分布。基于上述原理,判断是否为最佳培训轮转计划(排班表)的判断标准为培训基地每个培训时间段的轮转人员变动数目不超过1个。
基于与本发明智能排班方法上述各个实施例相同的构思,下面对本发明实施例提供的智能排班系统进行介绍,下文描述的智能排班系统与上文描述的智能排班方法可相互对应参照。请参考图2,本发明实施例提供了一种智能排班系统,如附图2所示本实施例中的智能排班系统,包括:第一生成模块、计算模块、第一优化模块、第二优化模块和第二生成模块。
其中,第一生成模块,用于根据参加培训的学员人数和培训轮转计划建立初始排班表;计算模块,用于计算培训基地在各个培训时间段的均匀度值;第一优化模块,用于根据培训基地在各个培训时间段的均匀度值,在排班表中,对培训安排进行对调,得到调整后的排班表;第二优化模块,用于根据排班表人员分布均匀度系数,对调整后的排班表进行二次调整;第二生成模块,用于判断调整后的排班表人员分布是否达到最优分布,将最优排班表生成指定文件。
在一个优选的实施例中,所述第一优化模块包括:建表单元和对调执行单元。其中建表单元,用于以培训基地为索引的人员流转均匀度统计表或统计图像;对调执行单元,用于将排班表中最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表。
如附图3所示的另外一个实施例中,本发明的智能排班系统,包括:第一生成模块、计算模块、第一优化模块、第二优化模块和第二生成模块。其中,第一生成模块,用于根据参加培训的学员人数和培训轮转计划建立初始排班表;计算模块,用于计算培训基地在各个培训时间段的均匀度值;第一优化模块,用于根据培训基地在各个培训时间段的均匀度值,在排班表中,对培训安排进行对调,得到调整后的排班表;第二优化模块,用于根据排班表人员分布均匀度系数,对调整后的排班表进行二次调整;第二生成模块,用于判断调整后的排班表人员分布是否达到最优分布,将最优排班表生成指定文件。具体的,第一优化模块包括:建表单元、条件约束单元和对调执行单元。其中,建表单元,用于以培训基地为索引的人员流转均匀度统计表或统计图像;条件约束单元:用于构建培训约束条件,根据约束条件在排班表中设置不可调标识;对调执行单元,用于将排班表中最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或该系统所附属的计算机程序产品。上述实施例阐明的系统具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。为了描述的方便,描述本发明智能排班系统时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。而且,本发明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。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (11)
1.一种智能排班方法,其特征在于,包括以下步骤:
步骤一、根据参加培训的学员人数和培训轮转计划建立初始排班表,所述初始排班表由学员编号、培训基地和培训时间段组成;
步骤二、分别计算所述培训基地在各个所述培训时间段人员分布的均匀度值,所述培训基地在当前培训时间段的均匀度值=当前培训时间段内该培训基地轮转人数-该培训基地在各个培训时间段的平均轮转人数;
步骤三、根据所述培训基地在各个所述培训时间段的所述均匀度值,在排班表中,将最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表;
步骤四、分别计算调整前和调整后的排班表人员分布均匀度系数,如果调整后排班表的均匀度系数不小于调整前排班表的均匀度系数,则将所述调整后排班表中的部分培训安排恢复到调整前的状态;
步骤五、判断所述调整后排班表的人员分布是否达到最优分布,如果否,则基于调整后的排班表重复步骤二至步骤五;如果是,则将调整后的排班表作为最终排班表,生成指定文件。
2.根据权利要求1所述的智能排班方法,其特征在于,所述步骤三之前还包括以下步骤:
将所有培训基地在各个培训时间段的均匀度值按照时间顺序,建立以培训基地为索引的人员分布均匀度统计表。
3.根据权利要求2所述的智能排班方法,其特征在于,所述步骤三之前还包括以下步骤:
构建以培训基地为索引的人员分布均匀度统计图像,其中所有培训基地在各个培训时间段的均匀度值为所述人员分布均匀度统计图像的像素值。
4.根据权利要求1所述的智能排班方法,其特征在于,所述步骤三具体包括:
在排班表中,将所述培训基地最大均匀度值所对应的培训时间段的流转学员与该培训基地最小均匀度值所对应的培训时间段的流转学员进行对调,或者
在排班表中,从所述培训基地的最大均匀度值所对应的培训时间段内随机抽取超出培训计划的学员,将该学员在最大均匀度值所对应的培训时间段内的培训基地与该学员在最小均匀度值所对应的培训时间段的培训基地进行对调。
5.根据权利要求1或4所述的智能排班方法,其特征在于,所述步骤三还包括:
所述对培训安排进行对调前,首先判断排班表中是否存在带有不可调标识的表位,如果存在,则该表位不执行对调。
6.根据权利要求5所述的智能排班方法,其特征在于,所述不可调标识包括:学员请假标识、培训基地未安排培训的空位标识、指定学员在指定时间在指定基地培训标识、基地指定学员标识。
8.根据权利要求1所述的智能排班方法,其特征在于,步骤五所述的判断所述调整后排班表的人员分布是否达到最优分布,具体包括以下步骤:
判断调整后排班表中是否所有培训基地都达到人员分布均匀,如果是,则所述调整后排班表的人员分布达到最优分布;
所述培训基地人员分布均匀是指:该培训基地在各个培训时间段的均匀度值之间差值均未超过1。
9.一种智能排班系统,其特征在于,所述系统包括:
第一生成模块,用于根据参加培训的学员人数和培训轮转计划建立初始排班表;
计算模块,用于计算培训基地在各个培训时间段的均匀度值;
第一优化模块,用于根据培训基地在各个培训时间段的均匀度值,在排班表中,对培训安排进行对调,得到调整后的排班表;
第二优化模块,用于根据排班表人员分布均匀度系数,对调整后的排班表进行二次调整;
第二生成模块,用于判断调整后的排班表人员分布是否达到最优分布,将最优排班表生成指定文件。
10.根据权利要求9所述的智能排班系统,其特征在于,所述第一优化模块包括:
建表单元,用于以培训基地为索引的人员流转均匀度统计表或统计图像;
对调执行单元,用于将排班表中最大均匀度值所对应的培训时间段的培训安排与最小均匀度值所对应的培训时间段的培训安排进行对调,得到调整后的排班表。
11.根据权利要求9或10所述的智能排班系统,其特征在于,所述第一优化模块还包括条件约束单元:用于构建培训约束条件,根据约束条件在排班表中设置不可调标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783697.XA CN112102932A (zh) | 2020-08-06 | 2020-08-06 | 智能排班方法及排班系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010783697.XA CN112102932A (zh) | 2020-08-06 | 2020-08-06 | 智能排班方法及排班系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102932A true CN112102932A (zh) | 2020-12-18 |
Family
ID=73750400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010783697.XA Pending CN112102932A (zh) | 2020-08-06 | 2020-08-06 | 智能排班方法及排班系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762687A (zh) * | 2021-01-04 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
-
2020
- 2020-08-06 CN CN202010783697.XA patent/CN112102932A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762687A (zh) * | 2021-01-04 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
CN113762687B (zh) * | 2021-01-04 | 2024-03-01 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503269B (zh) | 走班教学下的分班排课方法及装置 | |
Shen et al. | A modified teaching–learning-based optimisation algorithm for bi-objective re-entrant hybrid flowshop scheduling | |
WO2020151170A1 (zh) | 一种岗位画像设置方法、岗位画像设置装置及终端设备 | |
CN111538852B (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN112102932A (zh) | 智能排班方法及排班系统 | |
WO2022237400A1 (zh) | 线上线下混合式教育方法、系统、电子设备及存储介质 | |
Okonkwo et al. | Socio-economic contributions of mobile applications in Africa: impact of local mobile applications | |
CN113239283B (zh) | 一种基于多维度的岗位匹配度计算方法及系统 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN111062626A (zh) | 能力水平评估方法、装置、设备及存储介质 | |
Chen et al. | [Retracted] Application of Network Information Technology in Physical Education and Training System under the Background of Big Data | |
CN111582679B (zh) | 应用服务分区的处理方法、装置、设备及存储介质 | |
Yang | Higher Education Multimedia Teaching System Based on the Artificial Intelligence Model and Its Improvement | |
JP2022044842A (ja) | 自動車教習所の教習のインテリジェントスケジューリング方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN114021895A (zh) | 基于邻域结构的最小化总成本it运维人员调度方法和系统 | |
Petrov | Combined criteria weighting in MCDM: AHP in blocks with traditional Entropy and novel Hierarchy in TOPSIS evaluation of Cloud Services | |
CN114155037A (zh) | 工作成果可视化方法及系统 | |
SG188202A1 (en) | Method and system for examination timetable scheduling using test paper conflictive analysis and swarm intelligence | |
CN109614066A (zh) | 信息显示方法及装置 | |
Sequeira et al. | Roadmap for implementing business intelligence systems in Higher Education Institutions: exploratory work | |
Ozcan et al. | A memetic algorithm for solving a timetabling problem: An incremental strategy | |
Cravens | Ecological Interface Design for Flexible Manufacturing Systems: An Empirical Assessment of Direct Perception and Direct Manipulation in the Interface | |
CN112988380B (zh) | 一种基于Kubernetes的集群负载调节方法及存储介质 | |
US20240153025A1 (en) | Student migration visualization tool | |
Suter et al. | Educational inequality in East Asia: a review of research studies |
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 |