CN115545539A - 基于惩罚因子和启发式搜索的警务人员智能调度方法 - Google Patents

基于惩罚因子和启发式搜索的警务人员智能调度方法 Download PDF

Info

Publication number
CN115545539A
CN115545539A CN202211329088.2A CN202211329088A CN115545539A CN 115545539 A CN115545539 A CN 115545539A CN 202211329088 A CN202211329088 A CN 202211329088A CN 115545539 A CN115545539 A CN 115545539A
Authority
CN
China
Prior art keywords
scheduling
shift
code
individual
day
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
Application number
CN202211329088.2A
Other languages
English (en)
Inventor
赵宏
李龙君
陈文玮
史浩东
袁浩
刘静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Technology of Xidian University
Original Assignee
Guangzhou Institute of Technology of Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Technology of Xidian University filed Critical Guangzhou Institute of Technology of Xidian University
Priority to CN202211329088.2A priority Critical patent/CN115545539A/zh
Publication of CN115545539A publication Critical patent/CN115545539A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • 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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于惩罚因子和启发式搜索的警务人员智能调度方法，涉及智能调度算法领域，包括以下步骤：初始化参数和种群，收集警务人员偏好，解码染色体，计算个体适应值；从交配池随机选取个体执行交叉操作和变异操作，生成子代个体；重复交叉、变异和进化操作，直至达到结束迭代条件，输出当前最优解；对最优个体进行局部搜索操作优化，并转化为最终排班方案。本发明结合了遗传算法和局部搜索算法的有优点，提高了算法的全局搜索能力和局部搜索能力，在满足调度硬约束的条件下能够找到满足更多软约束条件的更优解。在处理大规模调度方面同样有着很高的效率，可以在短时间内得到调度结果，这有助于提升现有警力资源的利用率。

Description

基于惩罚因子和启发式搜索的警务人员智能调度方法
技术领域
本发明属于智能调度算法领域，尤其涉及基于惩罚因子和启发式搜索的警务人员智能调度方法。
背景技术
近年来，各级公安机关开发应用了接处警、指挥调度、情报分析、勤务考核、信息报送、预案管理等业务系统，然而系统之间存在“处置流程不可见、通讯网络不通畅、系统割裂难协同、数据资源难共享、现场指挥无交互”等缺陷。而当前的警务调度大都依靠手动调度来完成，通常难以全面考虑到不同人员的实际情况和工作状态，比如持续工作时长、不同年龄段、不同出警类型、不同人员的特长等。尤其是在警务人员较多的情况下，手动调度方法通常会导致警力资源部署不合理、指挥调度效率低下、甚至难以找到最优调度方案等问题，因此警务调度问题是一类多约束、多变量的NP难组合优化问题。
NP问题的算法复杂性是指数级的。当问题规模达到一定程度时，计算机很难在短时间内得到最优解。目前，解决NP问题较好的方法就是启发式搜索算法。常见的启发式搜索算法有蚁群算法、遗传算法、模拟退火等。
局部搜索法是一种启发式搜索方法。局部搜索从一个初始解出发，然后搜索解的邻域，如有更优的解则移动至该解并继续执行搜索，否则返回当前解。它的基本思想是：在搜索过程中，始终选择当前点的邻居中与离目标最近者的方向搜索。局部搜索算法是一类可以有效解决优化问题的通用算法，具有简单、灵活及易于实现的有点，但也存在缺点，就是容易陷入局部最优，且解的质量与初始解和邻域的结构密切相关。
遗传算法是一种通过数学的方式、利用计算机仿真运算、将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程，能够求出优化问题的全局最优解，且优化结果与初始条件无关，具有较强的鲁棒性，适用于求解复杂的优化问题。但遗传算法也存在一些缺陷，即收敛速度慢、局部搜索能力差，且对于多约束条件的问题，处理约束优化的能力较弱。
因此，针对现有技术中存在的问题，亟需提供一种基于惩罚因子和启发式搜索的警务人员智能调度方法，以优化警力资源的合理部署。
发明内容
针对现有技术存在的问题，本发明提供了基于惩罚因子和启发式搜索的警务人员智能调度方法，在结合利用遗传算法和局部搜索算法的优点的同时，解决遗传算法在处理调度时无法直接对约束进行编码的缺陷，优化了整体调度效率，提升现有警力资源的利用率。
本发明的技术方案是这样实现的：
基于惩罚因子和启发式搜索的警务人员智能调度方法，包括以下步骤：
S1、初始化遗传算法参数，包括种群规模Np、交叉概率Pc、变异概率Pm、最大迭代代数G以及当前进化代数t,且t的初始值为0；
S2、按照间接编码的形式初始化染色体编码；对于N个小组在调度周期内的排班安排，分别生成一个长度为3×M的序列编码，每个序列编码包括数字1～3 ×M，且数字随机排列；M表示调度周期为M天；
S3、根据警务排班调度的要求的硬约束条件初始化种群；所述硬约束条件包括第一硬约束条件，即每天都有值班人员；
S4、收集警务人员对工作安排的偏好，形成偏好表；排班时参考警务人员的个人偏好进行安排，也能提升警务人员对排班结果的满意度
S5、为了计算个体的适应值，首先需要调用解码算法对染色体进行解码，得到最终的排班结果。对种群的每个染色体编码进行解码，转化为直接编码，编码长度为M；其中每一行代表一个小组，每一列代表一天；排班的类型包括“正班”、“副班”、“值班”、“休息”，并分别用“1”到“4”四个整数表示；
S6、对于解码后的个体，即直接编码，计算惩罚值，并根据惩罚值计算个体的适应值；个体的惩罚值和适应值成反比；为了评价个体的好坏，违反软约束带来的惩罚值被用于计算个体的适应值，并且个体的适应值与惩罚值成反比，即惩罚值越低，则排班方案的质量越高，适应值越大。
S7、选择操作：根据每个个体的适应值占所有个体适应值之和的比例，采取轮盘赌选择方法选择Np个染色体个体放入交配池中；
S8、交叉操作：从交配池中随机选取一对个体，按照交叉概率Pc进行交叉操作；交叉操作产生的新个体会替换原来的个体；
S9、变异操作：每个个体按照概率决定是否进行变异操作；对于产生的随机数rand，若rand＜Pm，则对选中个体采用变异算子进行优化；变异后的新个体仍需满足硬约束条件；变异操作产生的新个体会替换原来的个体；
S10、重复步骤S7～S9，直至t等于G；每次迭代，t的值加1；当达到结束迭代条件后，终止进化并输出最优个体，即适应值最高的个体；
S11、评估个体并对优秀个体进行局部搜索操作，选择最优结果，即适应值最高的个体，作为最终的排班方案输出。
优选的，在步骤S3中，所述硬约束条件还包括第二硬约束条件：排班表在M 天的调度周期内要保证工作人员休息R天。
优选的，在步骤S3中，所述警务排班调度的要求还包括软约束条件：
(1)值班后不安排副班；
(2)不安排连续副班；
(3)不安排连续正班；
(4)不安排连续两天及以上值班。
在排班结果满足硬约束条件后，也要尽量满足软约束条件，使个体的适应值更高。
优选的，在步骤S5中，所述解码的步骤为：
S5-1、初始化参数：偏好表选择概率Pp；
S5-2、对于染色体编码，从最左边开始，每次读取一位编码x，按照下述规则转化为指定日和排班编码，即指定日为D＝(x-1)/3+1，排班编码为 S＝(x-1)％3+1；
S5-3、判断指定日是否已经安排班次；如果没有执行步骤S5-4；否则，继续读取下一位编码；
S5-4、判断按照当前排班编码对指定进行排班是否违反软约束；若没有违反，则按照当前编码对指定日进行排班；否则，执行步骤S5-5；
S5-5、生成随机数rand；若rand＜Pp,则按照偏好表进行排班；否则遍历后续编码列表直到找到下一位表示同一指定日的排班的编码，将该编码与当前编码交换位置，并使用该编码对当前指定日进行排班；
S5-6、按照S5-2至S5-5步骤继续读取下一位编码,直至当前染色体编码所有位都被处理，或满足每个小组每周已经得到M-R天的排班,即满足第二个硬约束条件，则终止解码过程。
优选的，步骤S6中所述个体按照软约束条件计算惩罚值，计算方法为：
(a)对于指定人员在指定日的排班，若不符合偏好表的要求，则惩罚值加1；若指定人员在指定日倾向于上班但被安排休息，则不进行惩罚；
(b)若排班要求指定人员在指定日值班，值班的第二天安排副班，而安排不符合指定人员在偏好表的要求，则惩罚值加1；
(c)若指定人员被安排连续两天正班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(d)若指定人员被安排连续两天副班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(e)若指定人员被安排连续两天及以上值班，且安排不符合指定人员在偏好表的要求，则惩罚值加1。
对于一个可行的排班结果，所有的硬约束条件都必须要满足。因此在衡量一个可行解的质量的时候，只考虑它违反的软约束的个数同时考虑人员的偏好。
优选的，在步骤S8中，所述交叉算子为循环交叉算子。
优选的，在步骤S8中，所述交叉操作为：
对于生成的随机数rand，若rand＜Pc，则对选取的一对个体采用交叉算子，生产两个交叉个体；交叉过程中，对个体的每一维进行单独交叉，新个体的值班和休息安排直接继承于父代个体，剩余天数则继承于另一个个体的正班、副班安排，保证新个体满足硬约束条件；
若新个体仍存在未安排调度的空闲天数，则在空闲日随机安排正班或者副班。
优选的，在步骤S9中，所述变异操作为：
在个体中的小组内随机选两天非值班的调度安排，检查这两天被选中的小组是否休息：
若被选取的每一天都是正班或副班，则随机设置为正班或副班的一种；
若被选取的两天包含休息，则交换两天的调度安排。
优选的，在步骤S11中，所述局部搜索操作为：对同一天内不同小组的非休息班次进行随机调换。在同一天不同组的排班上进行局部搜索同样需要保证新产生的解能满足硬约束条件，对于第一硬约束条件，因为原个体本身就满足条件，所以在同一天内不同组之间交换排班计划不会违反该硬约束，为了保证新个体满足第二硬约束条件，该天内休息的组不能随意更改。因此第一种局部搜索即为同一天内所有非休息班次排班计划之间的随机调换。
优选的，在步骤S11中，所述局部搜索操作为：对同一小组的不同天的非值班班次进行随机调换。同一组不同天的班次安排之间的调换不会影响第二硬约束条件，因此为了让新生成的班次安排仍然满足第二硬约束条件，我们仅随机交换该组非值班的所有班次排班情况来生成新个体。
与现有技术相比，本发明取得以下有益效果：
对比现有的调度算法，基于惩罚因子和启发式搜索的警务人员智能调度方法结合了遗传算法和局部搜索算法的有优点，提高了算法的全局搜索能力和局部搜索能力，在满足调度硬约束的条件下能够找到满足更多软约束条件的更优解。在处理大规模调度方面同样有着很高的效率，可以在短时间内得到调度结果，这有助于提升现有警力资源的利用率。
附图说明
图1是本发明的基于惩罚因子和启发式搜索的警务人员智能调度方法的流程图；
图2是本实施例提供的一种染色体间接编码方式示意图；
图3是本实施例提供的一种染色体间接编码的解码结果方式示意图；
图4是本实施例提供的智能调度方法随机生成的染色体满编码；
图5是本实施例提供的智能调度方法中满足第一硬约束条件的初始解；
图6是本实施例提供的智能调度方法中解码算法流程图；
图7是本实施例提供的部分染色体编码；
图8是本实施例提供的部分警务人员排班偏好表；
图9是图6、7结合本实施例技术方案的部分编码结果；
图10是本实施例提供的智能调度方法中含有4个个体的轮盘赌选择方法示意图；
图11是本实施例提供的智能调度方法中的交叉操作示意图；
图12是本实施例提供的智能调度方法中的变异操作示意图；
图13是本实施例提供的智能调度方法的第一种局部搜索方法生成方案的示意图；
图14是本实施例提供的智能调度方法的第二种局部搜索方法生成方案的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，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、完整地描述，显然，所描述的实施例仅是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，本领域普通技术人员在没有作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。
如图1至图14所示，本实施例提供了基于惩罚因子和启发式搜索的警务人员智能调度方法，包括以下步骤：
S1、初始化遗传算法参数，包括种群规模Np、交叉概率Pc、变异概率Pm、最大迭代代数G以及当前进化代数t,且t的初始值为0；
S2、按照间接编码的形式初始化染色体编码，如图2所示；对于N个小组在调度周期内的排班安排，分别生成一个长度为3×M的序列编码，每个序列编码包括数字1～3×M，且数字随机排列，如图4所示；M表示调度周期为M天；此处的M为7天。
S3、根据警务排班调度的要求的硬约束条件初始化种群；所述硬约束条件包括第一硬约束条件，即每天都有值班人员；如图5所示；
S4、收集警务人员对工作安排的偏好，形成偏好表；排班时参考警务人员的个人偏好进行安排，也能提升警务人员对排班结果的满意度；
S5、为了计算个体的适应值，首先需要调用解码算法对染色体进行解码，得到最终的排班结果。对种群的每个染色体编码进行解码，转化为直接编码，编码长度为M；其中每一行代表一个小组，每一列代表一天；排班的类型包括“正班”、“副班”、“值班”、“休息”，并分别用“1”到“4”四个整数表示；如图3所示；
S6、对于解码后的个体，即直接编码，计算惩罚值，并根据惩罚值计算个体的适应值；个体的惩罚值和适应值成反比；为了评价个体的好坏，违反软约束带来的惩罚值被用于计算个体的适应值，并且个体的适应值与惩罚值成反比，即惩罚值越低，则排班方案的质量越高，适应值越大。
S7、选择操作：根据每个个体的适应值占所有个体适应值之和的比例，采取轮盘赌选择方法选择Np个染色体个体放入交配池中；图10给出了具有四个个体的轮盘赌选择模型，其中每个个体的适应值占总体适应值的比例分别为25％， 50％，10％以及15％。每转动一次轮盘就可以选取一个个体进入交配池并且适应值更大的个体被选中的几率更大；
S8、交叉操作：从交配池中随机选取一对个体，按照交叉概率Pc进行交叉操作；交叉操作产生的新个体会替换原来的个体；
S9、变异操作：每个个体按照概率决定是否进行变异操作；对于产生的随机数rand，若rand＜Pm，则对选中个体采用变异算子进行优化；变异后的新个体仍需满足硬约束条件；变异操作产生的新个体会替换原来的个体；
S10、重复步骤S7～S9，直至t等于G；每次迭代，t的值加1；当达到结束迭代条件后，终止进化并输出最优个体，即适应值最高的个体；
S11、评估个体并对优秀个体进行局部搜索操作，选择最优结果，即适应值最高的个体，作为最终的排班方案输出。
具体的，在步骤S3中，所述硬约束条件还包括第二硬约束条件：排班表在M 天的调度周期内要保证工作人员休息R天。
具体的，在步骤S3中，所述警务排班调度的要求还包括软约束条件：
(1)值班后不安排副班；
(2)不安排连续副班；
(3)不安排连续正班；
(4)不安排连续两天及以上值班。
在排班结果满足硬约束条件后，也要尽量满足软约束条件，使个体的适应值更高。
具体的，如图6所示，在步骤S5中，所述解码的步骤为：
S5-1、初始化参数：偏好表选择概率Pp；
S5-2、对于染色体编码，从最左边开始，每次读取一位编码x，按照下述规则转化为指定日和排班编码，即指定日为D＝(x-1)/3+1，排班编码为 S＝(x-1)％3+1；
S5-3、判断指定日是否已经安排班次；如果没有执行步骤S5-4；否则，继续读取下一位编码；图7中x*8表示第三天(D＝3)，班次为副班(S＝2)；
S5-4、判断按照当前排班编码对指定进行排班是否违反软约束；若没有违反，则按照当前编码对指定日进行排班；否则，执行步骤S5-5；
S5-5、生成随机数rand；若rand＜Pp,则按照偏好表进行排班；否则遍历后续编码列表直到找到下一位表示同一指定日的排班的编码，将该编码与当前编码交换位置，并使用该编码对当前指定日进行排班；
图9所示是对图7前7位编码进行解码以后得到的排班结果，其中第8位编码为5，解得天数为2，排班为副班，此时前一天的排班为值班，因此会违反软约束1。此时，从偏好表(如图8所示)中选择第2天的排班，即正班。后续编码中与8对应的下一位编码为4，因此将部分染色体编码中5和4进行位置交换。
S5-6、按照S5-2至S5-5步骤继续读取下一位编码,直至当前染色体编码所有位都被处理，或满足每个小组每周已经得到M-R天的排班,即满足第二硬约束条件，则终止解码过程。
以7天的排班为例，染色体编码长度为21，如图9所示；偏好表长度为7，如图10所示。
具体的，步骤S6中所述个体按照软约束条件计算惩罚值，计算方法为：
(a)对于指定人员在指定日的排班，若不符合偏好表的要求，则惩罚值加1；若指定人员在指定日倾向于上班但被安排休息，则不进行惩罚；
(b)若排班要求指定人员在指定日值班，值班的第二天安排副班，而安排不符合指定人员在偏好表的要求，则惩罚值加1；
(c)若指定人员被安排连续两天正班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(d)若指定人员被安排连续两天副班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(e)若指定人员被安排连续两天及以上值班，且安排不符合指定人员在偏好表的要求，则惩罚值加1。
对于一个可行的排班结果，所有的硬约束条件都必须要满足。因此在衡量一个可行解的质量的时候，只考虑它违反的软约束的个数同时考虑人员的偏好。
具体的，在步骤S8中，所述交叉算子为循环交叉算子。
具体的，在步骤S8中，所述交叉操作为：
对于生成的随机数rand，若rand＜Pc，则对选取的一对个体采用交叉算子，生产两个交叉个体；交叉过程中，对个体的每一维进行单独交叉，新个体的值班和休息安排直接继承于父代个体，剩余天数则继承于另一个个体的正班、副班安排，保证新个体满足硬约束条件；
若新个体仍存在未安排调度的空闲天数，则在空闲日随机安排正班或者副班。如图11所示。
具体的，在步骤S9中，所述变异操作为：
在个体中的小组内随机选两天非值班的调度安排，检查这两天被选中的小组是否休息：
若被选取的每一天都是正班或副班，则随机设置为正班或副班的一种；
若被选取的两天包含休息，则交换两天的调度安排。如图12所示。
具体的，如图13所示，在步骤S11中，所述局部搜索操作为：对同一天内不同小组的非休息班次进行随机调换。在同一天不同组的排班上进行局部搜索同样需要保证新产生的解能满足硬约束条件，对于第一硬约束条件，因为原个体本身就满足条件，所以在同一天内不同组之间交换排班计划不会违反该硬约束，为了保证新个体满足第二硬约束条件，该天内休息的组不能随意更改。因此第一种局部搜索即为同一天内所有非休息班次排班计划之间的随机调换。
具体的，如图14所示，在步骤S11中，所述局部搜索操作为：对同一小组的不同天的非值班班次进行随机调换。同一组不同天的班次安排之间的调换不会影响第二硬约束条件，因此为了让新生成的班次安排仍然满足第一硬约束条件，我们仅随机交换该组非值班的所有班次排班情况来生成新个体。
综上所述，对比现有的调度算法，本发明的基于惩罚因子和启发式搜索的警务人员智能调度方法结合了遗传算法和局部搜索算法的有优点，提高了算法的全局搜索能力和局部搜索能力，在满足调度硬约束的条件下能够找到满足更多软约束条件的更优解。在处理大规模调度方面同样有着很高的效率，可以在短时间内得到调度结果，这有助于提升现有警力资源的利用率。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (10)

1.基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，包括以下步骤：
S1、初始化遗传算法参数，包括种群规模Np、交叉概率Pc、变异概率Pm、最大迭代代数G以及当前进化代数t,且t的初始值为0；
S2、按照间接编码的形式初始化染色体编码；对于N个小组在调度周期内的排班安排，分别生成一个长度为3×M的序列编码，每个序列编码包括数字1～3×M，且数字随机排列；M表示调度周期为M天；
S3、根据警务排班调度的要求的硬约束条件初始化种群；所述硬约束条件包括第一硬约束条件，即每天都有值班人员；
S4、收集警务人员对工作安排的偏好，形成偏好表；
S5、对种群的每个染色体编码进行解码，转化为直接编码，编码长度为M；其中每一行代表一个小组，每一列代表一天；排班的类型包括“正班”、“副班”、“值班”、“休息”，并分别用“1”到“4”四个整数表示；
S6、对于解码后的个体，即直接编码，计算惩罚值，并根据惩罚值计算个体的适应值；个体的惩罚值和适应值成反比；
S7、选择操作：根据每个个体的适应值占所有个体适应值之和的比例，采取轮盘赌选择方法选择Np个染色体个体放入交配池中；
S8、交叉操作：从交配池中随机选取一对个体，按照交叉概率Pc进行交叉操作；
S9、变异操作：每个个体按照概率决定是否进行变异操作；对于产生的随机数rand，若rand＜Pm，则对选中个体采用变异算子进行优化；变异后的新个体仍需满足第一硬约束条件；
S10、重复步骤S7～S9，直至t等于G；每次迭代，t的值加1；当达到结束迭代条件后，终止进化并输出最优个体，即适应值最高的个体；
S11、评估个体并对优秀个体进行局部搜索操作，选择最优结果，即适应值最高的个体，作为最终的排班方案输出。
2.根据权利要求1所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S3中，所述硬约束条件还包括第二硬约束条件：M天的调度周期内休息R天。
3.根据权利要求2所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S3中，所述警务排班调度的要求还包括软约束条件：
(1)值班后不安排副班；
(2)不安排连续副班；
(3)不安排连续正班；
(4)不安排连续两天及以上值班。
4.根据权利要求3所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S5中，所述解码的步骤为：
S5-1、初始化参数：偏好表选择概率Pp；
S5-2、对于染色体编码，从最左边开始，每次读取一位编码x，按照下述规则转化为指定日和排班编码，即指定日为D＝(x-1)/3+1，排班编码为S＝(x-1)％3+1；
S5-3、判断指定日是否已经安排班次；如果没有执行步骤S5-4；否则，继续读取下一位编码；
S5-4、判断按照当前排班编码对指定进行排班是否违反软约束；若没有违反，则按照当前编码对指定日进行排班；否则，执行步骤S5-5；
S5-5、生成随机数rand；若rand＜Pp,则按照偏好表进行排班；否则遍历后续编码列表直到找到下一位表示同一指定日的排班的编码，将该编码与当前编码交换位置，并使用该编码对当前指定日进行排班；
S5-6、按照S5-2至S5-5步骤继续读取下一位编码,直至当前染色体编码所有位都被处理，或满足每个小组每周已经得到M-R天的排班,即满足第二硬约束条件，则终止解码过程。
5.根据权利要求3所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，步骤S6中所述个体按照软约束条件计算惩罚值，计算方法为：
(a)对于指定人员在指定日的排班，若不符合偏好表的要求，则惩罚值加1；若指定人员在指定日倾向于上班但被安排休息，则不进行惩罚；
(b)若排班要求指定人员在指定日值班，值班的第二天安排副班，而安排不符合指定人员在偏好表的要求，则惩罚值加1；
(c)若指定人员被安排连续两天正班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(d)若指定人员被安排连续两天副班，且安排不符合指定人员在偏好表的要求，则惩罚值加1；
(e)若指定人员被安排连续两天及以上值班，且安排不符合指定人员在偏好表的要求，则惩罚值加1。
6.根据权利要求1所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S8中，所述交叉算子为循环交叉算子。
7.根据权利要求6所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S8中，所述交叉操作为：
对于生成的随机数rand，若rand＜Pc，则对选取的一对个体采用交叉算子，生产两个交叉个体；交叉过程中，对个体的每一维进行单独交叉，新个体的值班和休息安排直接继承于父代个体，剩余天数则继承于另一个个体的正班、副班安排，保证新个体满足硬约束条件；
若新个体仍存在未安排调度的空闲天数，则在空闲日随机安排正班或者副班。
8.根据权利要求1所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S9中，所述变异操作为：
在个体中的小组内随机选两天非值班的调度安排，检查这两天被选中的小组是否休息：
若被选取的每一天都是正班或副班，则随机设置为正班或副班的一种；
若被选取的两天包含休息，则交换两天的调度安排。
9.根据权利要求1所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S11中，所述局部搜索操作为：对同一天内不同小组的非休息班次进行随机调换。
10.根据权利要求1所述的基于惩罚因子和启发式搜索的警务人员智能调度方法，其特征在于，在步骤S11中，所述局部搜索操作为：对同一小组的不同天的非值班班次进行随机调换。
CN202211329088.2A 2022-10-27 2022-10-27 基于惩罚因子和启发式搜索的警务人员智能调度方法 Pending CN115545539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211329088.2A CN115545539A (zh) 2022-10-27 2022-10-27 基于惩罚因子和启发式搜索的警务人员智能调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211329088.2A CN115545539A (zh) 2022-10-27 2022-10-27 基于惩罚因子和启发式搜索的警务人员智能调度方法

Publications (1)

Publication Number Publication Date
CN115545539A true CN115545539A (zh) 2022-12-30

Family

ID=84719110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211329088.2A Pending CN115545539A (zh) 2022-10-27 2022-10-27 基于惩罚因子和启发式搜索的警务人员智能调度方法

Country Status (1)

Country Link
CN (1) CN115545539A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757327A (zh) * 2023-06-28 2023-09-15 浪潮(山东)农业互联网有限公司 一种基于智能的电厂轮值方式的实现方法、设备及介质
CN117391393A (zh) * 2023-11-17 2024-01-12 西安电子科技大学广州研究院 一种大型工程快速施工组织设计的智能编制优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134019A (ja) * 1996-09-06 1998-05-22 Fujitsu Ltd 局所解を利用した並列遺伝的アルゴリズムの大域的探索装置及び探索装置及び局所解を利用した並列遺伝的アルゴリズムの大域的探索プログラムを格納した記憶媒体
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN107330214A (zh) * 2017-07-11 2017-11-07 哈尔滨工业大学（威海） 基于离散化与启发式进化算法的空间布局优化方法
CN110851247A (zh) * 2019-10-12 2020-02-28 华东师范大学 一种带约束云工作流的成本优化调度方法
CN113902329A (zh) * 2021-10-26 2022-01-07 信雅达科技股份有限公司 考虑员工午间轮休的银行智能排班算法
CN114493337A (zh) * 2022-02-15 2022-05-13 河南中烟工业有限责任公司 基于改进粒子群遗传混合算法的柔性作业车间调度方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134019A (ja) * 1996-09-06 1998-05-22 Fujitsu Ltd 局所解を利用した並列遺伝的アルゴリズムの大域的探索装置及び探索装置及び局所解を利用した並列遺伝的アルゴリズムの大域的探索プログラムを格納した記憶媒体
US20130308570A1 (en) * 2012-05-17 2013-11-21 Beijing University Of Posts And Telecommunications Method for joint optimization of schedule and resource allocation based on the genetic algorithm
CN107330214A (zh) * 2017-07-11 2017-11-07 哈尔滨工业大学（威海） 基于离散化与启发式进化算法的空间布局优化方法
CN110851247A (zh) * 2019-10-12 2020-02-28 华东师范大学 一种带约束云工作流的成本优化调度方法
CN113902329A (zh) * 2021-10-26 2022-01-07 信雅达科技股份有限公司 考虑员工午间轮休的银行智能排班算法
CN114493337A (zh) * 2022-02-15 2022-05-13 河南中烟工业有限责任公司 基于改进粒子群遗传混合算法的柔性作业车间调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757327A (zh) * 2023-06-28 2023-09-15 浪潮(山东)农业互联网有限公司 一种基于智能的电厂轮值方式的实现方法、设备及介质
CN117391393A (zh) * 2023-11-17 2024-01-12 西安电子科技大学广州研究院 一种大型工程快速施工组织设计的智能编制优化方法

Similar Documents

Publication Publication Date Title
Zhao et al. Iterated greedy algorithms for flow-shop scheduling problems: A tutorial
CN115545539A (zh) 基于惩罚因子和启发式搜索的警务人员智能调度方法
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
Zuo et al. Vehicle scheduling of an urban bus line via an improved multiobjective genetic algorithm
Norman et al. A random keys genetic algorithm for job shop scheduling
EP0762294B1 (en) Computer system using genetic optimization techniques
Pantrigo et al. Scatter search for the cutwidth minimization problem
Han et al. An investigation of a tabu assisted hyper-heuristic genetic algorithm
CN107977740A (zh) 一种现场运维智能调度方法
Woo et al. A rule-based genetic algorithm with an improvement heuristic for unrelated parallel machine scheduling problem with time-dependent deterioration and multiple rate-modifying activities
Zhang et al. A novel heuristic method for the energy-efficient flexible job-shop scheduling problem with sequence-dependent set-up and transportation time
Naderi et al. Scheduling job shop problems with sequence-dependent setup times
Wang et al. Inventory based two-objective job shop scheduling model and its hybrid genetic algorithm
Wei et al. A multi-objective migrating birds optimization algorithm based on game theory for dynamic flexible job shop scheduling problem
CN115271130B (zh) 面向船舶主动力设备维修订单的动态调度方法及系统
Fakhrzad et al. A new multi-objective job shop scheduling with setup times using a hybrid genetic algorithm
CN114266509A (zh) 随机贪婪初始种群遗传算法求解柔性作业车间调度方法
Zhou et al. A game-theory approach for job scheduling in networked manufacturing
Kumar et al. A genetic algorithm for a flow shop scheduling problem with breakdown interval, transportation time and weights of jobs
CN114118832A (zh) 一种基于历史数据预测的银行排班方法和系统
Cintrano et al. Hybridization of evolutionary operators with elitist iterated racing for the simulation optimization of traffic lights programs
CN112148446B (zh) 一种用于多技能资源受限项目调度的进化策略方法
Hendizadeh et al. Bi-criteria scheduling of a flowshop manufacturing cell with sequence dependent setup times
Zouita et al. Improving genetic algorithm using arc consistency technic
Dawood et al. Priority-based decision support system (PBDSS) by genetic algorithm as a tool for network problem

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