CN116629514A - 一种针对居家养老服务的护工调度方法及系统 - Google Patents
一种针对居家养老服务的护工调度方法及系统 Download PDFInfo
- Publication number
- CN116629514A CN116629514A CN202310418660.0A CN202310418660A CN116629514A CN 116629514 A CN116629514 A CN 116629514A CN 202310418660 A CN202310418660 A CN 202310418660A CN 116629514 A CN116629514 A CN 116629514A
- Authority
- CN
- China
- Prior art keywords
- node
- worker
- operator
- home
- solution
- 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 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000000474 nursing effect Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003780 insertion Methods 0.000 claims description 49
- 230000037431 insertion Effects 0.000 claims description 49
- 230000008439 repair process Effects 0.000 claims description 35
- 238000010845 search algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006378 damage Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000001012 protector Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 7
- 230000037430 deletion Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 25
- 238000002474 experimental method Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- 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
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种针对居家养老服务的护工调度方法及系统，方法包括下述步骤：获取居家老人提交的订单信息和护工的基础信息，提出基本假设；以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。本发明突破传统护工调度问题，结合实际情况构建护工调度模型，并提出一种改进的ALNS算法，来减少求解过程中的计算量，扩大解空间的搜索范围，增强算法性能，得到准确的护工调度方法，提高护工服务效率，满足居家养老用户的需求。
Description
技术领域
本发明属于居家养老及护工调度的技术领域，具体涉及一种针对居家养老服务的护工调度及系统。
背景技术
近年来，我国人口老龄化程度日益加剧，导致社会养老机构面临越来越大的压力。为了应对这种情况，居家养老方式逐渐兴起。但由于家庭护理在我国尚处于起步阶段，所以从事这方面工作的护理员数量相对较少，难以满足庞大且不断增长的需求。因此，制定良好的人员调度方案可以提高护理员的工作效率，从而解决这一问题。
目前，护工调度问题主要集中在单个服务中心的调度，只有小部分研究人员尝试探索多个服务中心联合调度的问题。但是，这些研究通常都限制了护工必须从服务中心出发，并在完成最后一个服务后返回服务中心。然而，在某些养老机构的实际工作中，护工可以从自己所在的位置(例如护工家中)出发，不经过服务中心，直接为居家老人提供服务。这种模式下，每个护工都相当于一个服务中心，每个服务中心只有一个护工，这不仅方便了家庭护理人员的工作，而且能够有效降低养老机构的运营成本，具有广泛的应用前景。
此外，大多数社区居家养老服务中心还没有采用调度方法，因此需要设计一种护工调度方法，将其部署在针对老年人家庭护理的呼叫系统中，方便老年人随时呼叫护工，减轻家庭护理人员的负担，提高护理质量和效率。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种针对居家养老服务的护工调度方法、系统及介质，能够提高护工调度效率，提高社区护工服务中心管理能力，减少护理中心服务成本。
为了达到上述目的，本发明一方面采用一种针对居家养老服务的护工调度方法，包括下述步骤：
S1、获取居家老人提交的订单信息和护工的基础信息，提出基本假设；
S2、以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
S3、采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
作为优选的技术方案，所述居家老人提交的订单信息包括居家老人居住位置、居家老人服务时间窗和居家老人所需服务时间；所述护工的基础信息包括护工居住位置；
根据居家老人居住位置和护工居住位置，利用地图导航功能计算居家老人间的距离矩阵和护工与居家老人间的距离矩阵；
所述提出基本假设，具体为：
将所有护工和所有居家老人作为节点；
假定所有护工的技能水平一致，能满足居家老人的所有需求；
设定所有护工无需从护理中心出发，能够从护工居住位置出发，完成服务后再回到自身居住位置；
设定护工晚于居家老人的服务时间窗达到会产生额外成本；
设定采用单次服务策略，即一位居家老人仅被一位护工进行服务；
设定所有护工工资成本相同；
假定所有护工移动速度相同，不考虑出行方式的差异性，也不考虑由于不同时间段和不同路段的交通情况及实际路况，还不考虑护工对路径的熟悉程度以及使用的交通工具不同而导致护工移动速度差异。
作为优选的技术方案，步骤S2中，以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，表示为：
其中，表示护工路程成本；/>表示护工工资成本；/>表示护工超时惩罚成本；M为居家老人的节点集合，N为护工的节点集合，V为所有的节点集合，Ci,j为节点i到节点j的路程成本系数；di,j为节点i与节点j的间距；/>表示节点i与节点j是否为护工节点k服务路径上的相邻节点，是则/>否则/>f为工资成本系数；/>表示护工节点k与居家老人节点i是否为护工节点k服务路径上的相邻节点，即居家老人节点i是否为护工节点k从护工居家位置出发服务的第一位客户，是则/>否则/>β为超时惩罚系数，si表示护工开始服务居家老人节点i的时间，bi为居家老人节点i的服务时间窗的截止时间；
所述约束条件包括顺序约束、单次服务约束及服务时间约束；
所述顺序约束表示护工从护工居住位置出发，按顺序服务各个居家老人，结束后回到护工居住位置，表示为：
其中，表示居家老人节点j与居家老人节点i是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与居家老人节点j是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与护工节点k是否为护工节点k服务路径上的相邻节点，是则/>否则/>
所述单次服务约束表示每一居家老人的同一服务请求只被服务一次，且每个居家老人节点i有且仅有一位护工为其服务，表示为：
所述服务时间约束用于限制护工开始服务时间，护工必须满足当前居家老人的需求后才能服务下一个居家老人，若完成当前居家老人服务的时间较早则进行休息，在下一个居家老人服务时间窗开始时进行服务，表示为：
其中，Ti为护工对节点i的服务时长；ti,j表示节点i到节点j的用时，Q为一个大数。
作为优选的技术方案，步骤S3中，所述采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果，具体为：
S31、采用贪心算法对护工调度模型构造初始解作为当前解及最优解；
S32、采用轮盘赌法选择移除算子和修复算子；所述移除算子包括随机移除节点算子、最坏移除算子、Shaw移除算子和随机移除路径算子；所述修复算子包括随机插入算子、贪婪插入算子和3级后悔值插入算子；
S33、使用移除算子对当前解进行破坏，得到破坏解；
S33、当修复算子为随机插入算子时，则直接对破坏解进行修复，得到新解；当修复算子不为随机插入算子时，判断是否引入随机性，若是则对破坏解进行引入随机性的修复，得到新解；若否则对破坏解进行正常修复，得到新解；
S34、判断新解是否优于最优解，是则将新解更新为最优解，并将新解更新为当前解；若否则判断是否接受新解更新为当前解，若接受则将新解更新为当前解；
S35、更新算子权重，迭代执行步骤S32～S34继续求解，直至达到设定的迭代次数，得到最终最优解作为最优调度结果。
作为优选的技术方案，所述采用贪心算法对护工调度模型构造初始解，具体为：
定义M1为未安排护工进行服务的居家老人节点集合，从M1中随机选择一个节点i，遍历节点i能插入的路径位置，计算在每个能插入路径位置上的目标函数值增加量，选择增加量最小的位置进行插入；重复此过程，直至每个节点在路径中的插入位置均得到确定，即每个节点被分配的护工以及护工服务顺序均已确定，得到初始解。
作为优选的技术方案，步骤S32中，所述使用移除算子对当前解进行破坏分别为：
若移除算子为随机移除节点算子，则在当前解中随机选择q个节点进行删除；
若移除算子为最坏移除算子，则遍历所有节点，计算节点删除后的目标函数值与删除前的目标函数值之差，并将差值按照降序排列，移除前q个差值最大的节点；
若移除算子为Shaw移除算子：则随机选择一名居家老人节点i移出路径，接着计算所有剩余居家老人节点与居家老人节点i的相似度，将相似度最高的居家老人节点移除当前解，重复移除该过程直至移除节点数量为q；所述相似度计算公式为：
其中，ω为权重系数，di,j代表居家老人节点i与居家老人节点j的距离，Si、Sj分别代表居家老人节点i与居家老人节点j的服务开始时间；
若移除算子为随机移除路径算子，则随机移除当前解中一条护工的服务路径。
作为优选的技术方案，步骤S33中，若修复算子不为随机插入算子，则引入随机性，设置一个随机性概率P0，判断是否引入随机性；若引入随机性，则通过设置跳过概率p1，对破坏解进行引入随机性的修复，即使用修复算子选择插入的节点以及其插入位置时，有p1概率跳过当前节点及当前插入位置；若不引入随机性，则修复算子进行正常修复；所述随机性概率P0根据新解不优于当前解时，新解更新为当前解被接受的概率进行确定，随着迭代次数的增加而不断减小；
当修复算子为随机插入算子，对破坏解进行修复时，将被破坏算子移除的节点随机插入破坏解；
当修复算子为贪婪插入算子，对破坏解进行修复时，遍历所有被破坏算子移除的节点及其可插入位置，计算插入节点后的目标函数值与插入节点前的目标函数值之差，选择差值最大的节点位置作为插入位置进行插入，重复该过程直至所有被破坏算子移除的节点插入完成；
当修复算子为3级后悔值插入算子，对破坏解进行修复时，设由所有被破坏算子移除的节点组成的未分配节点集合为V1，遍历V1并计算每个未分配节点i插入现有路径各个位置后目标函数的增加量；将各增量从小到大进行排序，排序为第j位的目标函数增加量表示为ΔZj(i)，C(i)表示最小增加量ΔZ1(i)的插入位置；则节点i插入到最小增加量对应位置的3级后悔值为：
选择Δr3(i)的最小值相对应的节点h，将节点h插入到C(h)对应的位置上，然后将节点h移除未分配节点集合V1，遍历剩下的未分配节点集合V1，重复该过程，直到未分配节点集合V1为空集。
作为优选的技术方案，步骤S34中，在第n次迭代中，若新解优于最优解，则直接将新解更新为最优解，并将新解更新为当前解；若新解不优于最优解，则不更新最优解，并判断是否接受新解更新为当前解，判断式为：
其中，S′为新解，S*为当前解，R0为预先设定的初始阈值，为控制/>值在每次迭代中减小的参数，PR为一个0-1之间的数，随着迭代次数n的增加，/>的值不断减小；若满足，则将新解更新为当前解，否则不更新当前解；
步骤S35中，更新算子权重，具体为：
对每个算子进行评分，表现较好的算子会获得更高的分数，分数越高，增加算子权重的影响就越大，从而提高算子在下一轮迭代中被选中的概率，算子权重更新方式为：
其中，ωd为算子权重，ρ为影响因子，sd为算子评分，ud为算子的使用次数。
本发明另一方面提供一种针对居家养老服务的护工调度系统，应用于上述的一种针对居家养老服务的护工调度方法，所述系统包括初始化模块、模型构建模块和结果求解模块；
所述初始化模块用于获取居家老人订单信息和护工基础信息，提出基本假设；
所述模型构建模块用于以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
所述结果求解模块用于采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
本发明还提供一种计算机可读存储介质，存储有程序，所述程序被处理器执行时，实现上述的一种针对居家养老服务的护工调度方法。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明突破传统护工调度问题中护理人员每天必须从护工服务中心出发、在结束对最后一个服务对象的服务后回到护工服务中心的限制，将单中心调度问题复杂化，结合现代部分企业工作新模式，设置护理人员可以从居住位置出发，不经过护工服务中心，直接为居家养老的老年人提供服务，提高护工服务效率，简化服务流程，满足居家养老用户的需求，增强居家养老用户的满意度。
2、本发明设计了一种改进的ALNS算法，当选中修复算子不为随机插入算子，在修复阶段每次选择插入节点以及插入位置时可以引入随机跳过概率，减小计算量，接受劣解，设置修复阶段是否引入该策略的概率，概率随着迭代次数增加不断减小，在迭代后期保留未改进ALNS算法在某些方向上的较强的搜索能力，迭代前期扩大解空间的搜索范围，跳出局部最优解的能力更强。进行算例实验，验证改进的有效性，以及相对于其他常见调度规划算法的优越性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种针对居家养老服务的护工调度方法的流程图。
图2为本发明实施例中改进自适应大规模邻域搜索算法的流程图。
图3为本发明实施例中针对R101算例改进自适应大规模邻域搜索算法与未改进算法的求解结果对比箱线图。
图4为本发明实施例中针对RC101算例改进自适应大规模邻域搜索算法与未改进算法的求解结果对比箱线图。
图5为本发明实施例中改进自适应大规模邻域搜索算法与其他算法的求解结果对比柱状图。
图6为本发明实施例中一种针对居家养老服务的护工调度系统的结构图。
图7为本发明实施例中一种计算机可读存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
请参阅图1，本实施例提供一种针对居家养老服务的护工调度方法，包括下述步骤：
S1、获取居家老人订单信息和护工基础信息，提出基本假设；
S2、以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
S3、采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
进一步的，本发明实施例在多个护工和多个居家老人的情境下，实现护工的合理调度；首先获取居家老人的订单信息和护工的基础信息，其中，居家老人提交的订单信息包括居家老人居住位置、居家老人服务时间窗和居家老人所需服务时间等；护工的基础信息包括护工居住位置等；得到数据后进行处理，根据居家老人居住位置和护工居住位置，利用地图导航功能计算居家老人间的距离矩阵和护工与居家老人间的距离矩阵。
然后提出基本假设，包括：将所有护工和所有居家老人作为节点；
假定所有护工均接收过专业培训，其技能水平一致，能满足居家老人的所有需求；
设定所有护工无需从护理中心出发，能够从护工居住位置出发再回到护工居住位置；
设定护工晚于居家老人的服务时间窗达到会产生额外成本；
设定采用单次服务策略，即一位居家老人仅被一位护工进行服务，不存在多位护工同时服务的现象；
设定所有护工工资成本相同；
假定所有护工移动速度相同，不考虑出行方式的差异性，也不考虑由于不同时间段和不同路段的交通情况及实际路况，还不考虑护工对路径的熟悉程度以及使用的交通工具不同而导致护工移动速度差异。
进一步的，现有的护工调度问题模型基本上都是单中心调度模型，少量研究探索多中心联合调度的模型，并且基本上都会限制护理人员每天从护工服务中心出发、在结束对最后一个服务对象的服务后回到护工服务中心。然而在部分企业运作的实际工作中，护理人员可以从家中出发，不经过公司，直接为客户提供服务，即每个护理人员都相当于一个护工服务中心，每个中心只有一位护理人员。这种模型不仅能方便护理人员的工作，同时能够有效降低企业的运营成本，具有较好的应用基础。本发明在此基础上来构建数学模型，实现护工的高效调度，具体步骤如下：
步骤S2中，以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，表示为：
其中，表示护工路程成本；/>表示护工工资成本；/>表示护工超时惩罚成本；M为居家老人的节点集合，N为护工的节点集合，V为所有的节点集合，Ci,j为节点i到节点j的路程成本系数；di,j为节点i与节点j的间距；/>表示节点i与节点j是否为护工节点k服务路径上的相邻节点，是则/>否则/>f为工资成本系数；/>表示护工节点k与居家老人节点i是否为护工节点k服务路径上的相邻节点，即居家老人节点i是否为护工节点k从护工居家位置出发服务的第一位客户，是则/>否则/>β为超时惩罚系数，si表示护工开始服务居家老人节点i的时间，bi为居家老人节点i的服务时间窗的截止时间；
然后基于基本假设建立约束条件，包括顺序约束、单次服务约束及服务时间约束；
其中，顺序约束表示护工从护工居住位置出发，按顺序服务各个居家老人，结束后回到护工居住位置，同时在服务周期内，护工要保证服务路径的连续性和流量的平衡性，即保证进入居家老人节点i的流量与居家老人节点i的流量相同，表示为：
其中，表示居家老人节点j与居家老人节点i是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与居家老人节点j是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与护工节点k是否为护工节点k服务路径上的相邻节点，是则/>否则/>
单次服务约束表示每一居家老人的同一服务请求只被服务一次，且每个居家老人节点i有且仅有一位护工为其服务，表示为：
服务时间约束用于限制护工开始服务时间，根据实际需要，护工必须满足当前居家老人的需求后才能服务下一个居家老人，若完成当前居家老人服务的时间较早可以进行休息，在下一居家老人服务时间窗开始时进行服务，表示为：
其中，Ti为护工对节点i的服务时长；ti,j表示节点i到节点j的用时，Q为一个大数。
进一步的，自适应大邻域搜索算法因其可定制化、易于实现、自适应性、大邻域搜索等优势广泛应用于调度规划领域，但算法仍具有一些缺陷，包括如下方面：1、计算量大：ALNS算法需要在每个迭代中进行大量的计算，例如对当前解进行破坏修复、判断新解质量等，算法复杂度较高，因此在处理大规模问题时，可能会面临计算量大的问题；2、会陷入局部最优：ALNS算法虽然采用了大邻域搜索的邻域搜索方式，然而在大多数时候，仍然存在可能陷入局部最优的问题，需要进一步扩大搜索空间。因此本发明在ALNS算法基础上进行改进，通过引入随机性，可以在一定程度上缓解这两个缺陷，具体为：
如图2所示，步骤S3中，得到最有调度结果的步骤包括：
S31、采用贪心算法对护工调度模型构造初始解作为当前解及最优解；
具体的，定义M1为未安排护工进行服务的居家老人节点集合，从M1中随机选择一个节点i，遍历节点i能插入的路径位置，计算在每个能插入路径位置上的目标函数值增加量，选择增加量最小的位置进行插入；重复此过程，直至每个节点在路径中的插入位置均得到确定，即每个节点被分配的护工以及护工服务顺序均已确定，得到初始解。
S32、采用轮盘赌法选择移除算子和修复算子；
具体的，移除算子包括随机移除节点算子、最坏移除算子、Shaw移除算子和随机移除路径算子；修复算子包括随机插入算子、贪婪插入算子和3级后悔值插入算子。
S33、使用移除算子对当前解进行破坏，得到破坏解；
具体的，若移除算子为随机移除节点算子，则在当前解中随机选择q个节点进行删除；
若移除算子为最坏移除算子，则遍历所有节点，计算节点删除后的目标函数值与删除前的目标函数值之差，并将差值按照降序排列，移除前q个差值最大的节点；
若移除算子为Shaw移除算子：则随机选择一名居家老人节点i移出路径，接着计算所有剩余居家老人节点与居家老人节点i的相似度，将相似度最高的居家老人节点移除当前解，重复移除该过程直至移除节点数量为q；所述相似度计算公式为：
其中，ω为权重系数，di,j代表居家老人节点i与居家老人节点j的距离，Si、Sj分别代表居家老人节点i与居家老人节点j的服务开始时间；
若移除算子为随机移除路径算子，则随机移除当前解中一条护工的服务路径。
S33、使用修复算子对破坏解进行修复，得到新解；
具体的，此处需要引入随机性来缓解现有ALNS算法的缺陷，扩大搜索空间；由于随机插入算子随机地将节点插入，计算量小随机性强，因此不需要再引入随机性；只有当修复算子不为随机插入算子时，才判断是否引入随机性，具体为：
设置一个随机性概率P0，判断是否引入随机性；若引入随机性，则通过设置跳过概率p1，对破坏解进行引入随机性的修复，即使用修复算子选择插入的节点以及其插入位置时，有p1概率跳过当前节点及当前插入位置；若不引入随机性，则修复算子进行正常修复；其中随机性概率P0根据新解不优于当前解时，新解更新为当前解被接受的概率进行确定，随着迭代次数的增加而不断减小；
由此通过跳过概率可以跳过部分节点插入部分位置的计算，以此来降低计算量；每次迭代的最优节点和最优插入位置存在一定的几率会被跳过，所以每次迭代得到的结果可能是比当前步骤能得到的最优解相对较差一点的劣解，以此来扩大解空间的搜索范围，跳出局部最优；又由于新解接受概率的限制，劣解被接受的可能性逐代降低，后期几乎不可能接受劣解，如果引入随机性，每一代结果依然很可能是劣解，则很难被接受，效率低下，所以每次修复过程是否引入性的概率也需要随着迭代次数的增加而减小，保留原有算子的某些方向上的更强的搜索能力。
当修复算子为随机插入算子，对破坏解进行修复时，将被破坏算子移除的节点随机插入破坏解；
当修复算子为贪婪插入算子，对破坏解进行修复时，遍历所有被破坏算子移除的节点及其可插入位置，计算插入节点后的目标函数值与插入节点前的目标函数值之差，选择差值最大的节点位置作为插入位置进行插入，重复该过程直至所有被破坏算子移除的节点插入完成；
当修复算子为3级后悔值插入算子，对破坏解进行修复时，设由所有被破坏算子移除的节点组成的未分配节点集合为V1，遍历V1并计算每个未分配节点i插入现有路径各个位置后目标函数的增加量；将各增量从小到大进行排序，排序为第j位的目标函数增加量表示为ΔZj(i)，C(i)表示最小增加量ΔZ1(i)的插入位置；则节点i插入到最小增加量对应位置的3级后悔值为：
选择Δr3(i)的最小值相对应的节点h，将节点h插入到C(h)对应的位置上，然后将节点h移除未分配节点集合V1，遍历剩下的未分配节点集合V1，重复该过程，直到未分配节点集合V1为空集。
S34、判断新解是否优于最优解，是则将新解更新为最优解，并将新解更新为当前解；若否则判断是否接受新解更新为当前解，若接受则将新解更新为当前解；
具体的，在第n次迭代中，若新解优于最优解，则直接将新解更新为最优解，并将新解更新为当前解；若新解不优于最优解，则不更新最优解，并判断是否接受新解更新为当前解，判断式为：
其中，S′为新解，S*为当前解，R0为预先设定的初始阈值；为控制/>值在每次迭代中减小的参数，PR为一个0-1之间的数，随着迭代次数n的增加，/>的值不断减小；若满足，则将新解更新为当前解，否则不更新当前解。
S35、更新算子权重，迭代执行步骤S32～S34继续求解，直至达到设定的迭代次数，得到最终最优解作为最优调度结果。
具体的，随着迭代的进行，算子的权重也会不断调整，算子权重的更新思路是：
对每个算子进行评分，表现较好的算子会获得更高的分数，分数越高，增加算子权重的影响就越大，从而提高算子在下一轮迭代中被选中的概率，算子权重更新方式为：
其中，ωd为算子权重，ρ为影响因子，sd为算子评分，ud为算子的使用次数。
在本发明的一实施例中，利用Solomon标准算例为基础构造算例来验证本方法；这些算例依据人口分布分为三类：R型，C型，RC型。R型代表用户随机分布，C型代表用户聚集性分布，RC型为二者的混合体；本发明分别选取三类数据集的代表R101，C101，RC101进行实验；这三组数据集分别包含100个客户信息，为了使生成的护工位置信息也符合对应的数据集分布规律，以100个客户数据为基础转换为84个居家老人节点，16个护工节点；每间隔5个节点将一个节点位置信息转换为护工位置信息，即将第6、12、18…的节点位置信息转化为护工位置信息；然后设置相应参数，设q′＝[0.15,0.3]，ω＝1，iteration＝1000，ρ＝0.4，R0＝0.2，PR＝0.98，p1＝0.5，Ci,j＝0.5，f＝80，β＝1，其中，q′表示破坏算子移除节点数量占总节点数量的比例；/>ω表示Shaw移除算子计算相似性权重；iteration为迭代总次数；ρ表示算子权重调整参数；R0表示新解不优于最优解时，接受新解的初始阈值；PR表示接受新解阈值迭代的更新参数；p1表示修复算子引入随机性后各节点、位置跳过计算概率；Ci,j表示旅行成本权重系数，f表示工资成本权重系数，β表示违反时间窗惩罚系数。本实验在进行验证时，对于每一个规划案例来说，开展服务的护工人数相同，护工单位工资成本相同，因此对于同一个规划案例来说，不同算法得到的工资成本相同；对于相同案例的求解效果，舍弃工资成本，只考虑护工路程成本与护工超时惩罚成本作为求解结果。
为了体现本发明方法的有效性，本实施例将本发明提出的改进自适应大邻域搜索算法(IALNS)与未改进的自适应大邻域搜索算法(ALNS)进行对比实验，每个算例进行10次实验，记录各实验的平均值(AVG)和最优值(BEST)，实验结果对比如表1所示。
从表1数据以及图3、图4可知，在三种类型算例中，IALNS的实验结果全部优于ALNS。在R101算例实验中，求解平均值减少3.644％；在C101算例实验中，本发明IALNS算法更加稳定，10次求解结果相同，未改进的ALNS算法在实验中最优值能够达到本发明算法水平，但多次实验中存在陷入劣解的情况；在RC101算例实验中，求解平均值减少1.704％，说明IALNS算法相比未改进的ALNS算法在本发明研究问题中具有更优的求解能力。
为了体现本发明方法的优越性，本实施例将与求解路径规划问题中常用的离散粒子群优化算法(DPSO)与混合遗传算法(HGA)进行对比实验，每个算例进行10次实验；记录各实验的平均值，实验结果对比如表2所示。
从表2数据以及图5可知，在三种类型算例中，IALNS的实验结果全部优于HGA与DPSO，各类问题上求解平均值减少程度在17.085％到52.886％之间，说明本发明IALNS算法相比DPSO算法与HGA算法在本发明研究问题中具有更优的求解能力。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的一种针对居家养老服务的护工调度方法相同的思想，本发明还提供一种针对居家养老服务的护工调度系统，该系统可用于执行上述一种针对居家养老服务的护工调度方法。为了便于说明，一种针对居家养老服务的护工调度系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图6所示，本发明另一个实施例提供了一种针对居家养老服务的护工调度系统，包括初始化模块、模型构建模块和结果求解模块；
其中，初始化模块用于获取居家老人订单信息和护工基础信息，提出基本假设；
模型构建模块用于以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
结果求解模块用于采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
需要说明的是，本发明的一种针对居家养老服务的护工调度系统与本发明的一种针对居家养老服务的护工调度方法一一对应，在上述一种针对居家养老服务的护工调度方法的实施例阐述的技术特征及其有益效果均适用于一种针对居家养老服务的护工调度系统的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述实施例的一种针对居家养老服务的护工调度系统的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述一种针对居家养老服务的护工调度系统的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
如图7所示，在一个实施例中，提供了一种计算机可读存储介质，存储有程序于存储器中，所述程序被处理器执行时，实现所述的一种针对居家养老服务的护工调度方法，具体为：
获取居家老人订单信息和护工基础信息，提出基本假设；
以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (10)
1.一种针对居家养老服务的护工调度方法，其特征在于，包括下述步骤：
S1、获取居家老人提交的订单信息和护工的基础信息，提出基本假设；
S2、以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
S3、采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
2.根据权利要求1所述的一种针对居家养老服务的护工调度方法，其特征在于，所述居家老人提交的订单信息包括居家老人居住位置、居家老人服务时间窗和居家老人所需服务时间；所述护工的基础信息包括护工居住位置；
根据居家老人居住位置和护工居住位置，利用地图导航功能计算居家老人间的距离矩阵和护工与居家老人间的距离矩阵；
所述提出基本假设，具体为：
将所有护工和所有居家老人作为节点；
假定所有护工的技能水平一致，能满足居家老人的所有需求；
设定所有护工无需从护理中心出发，能够从护工居住位置出发，完成服务后再回到自身居住位置；
设定护工晚于居家老人的服务时间窗达到会产生额外成本；
设定采用单次服务策略，即一位居家老人仅被一位护工进行服务；
设定所有护工工资成本相同；
假定所有护工移动速度相同，不考虑出行方式的差异性，也不考虑由于不同时间段和不同路段的交通情况及实际路况，还不考虑护工对路径的熟悉程度以及使用的交通工具不同而导致护工移动速度差异。
3.根据权利要求1所述的一种针对居家养老服务的护工调度方法，其特征在于，步骤S2中，以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，表示为：
其中，表示护工路程成本；/>表示护工工资成本；表示护工超时惩罚成本；M为居家老人的节点集合，N为护工的节点集合，V为所有的节点集合，Ci,j为节点i到节点j的路程成本系数；di,j为节点i与节点j的间距；/>表示节点i与节点j是否为护工节点k服务路径上的相邻节点，是则否则/>f为工资成本系数；/>表示护工节点k与居家老人节点i是否为护工节点k服务路径上的相邻节点，即居家老人节点i是否为护工节点k从护工居家位置出发服务的第一位客户，是则/>否则/>β为超时惩罚系数，si表示护工开始服务居家老人节点i的时间，bi为居家老人节点i的服务时间窗的截止时间；
所述约束条件包括顺序约束、单次服务约束及服务时间约束；
所述顺序约束表示护工从护工居住位置出发，按顺序服务各个居家老人，结束后回到护工居住位置，表示为：
其中，表示居家老人节点j与居家老人节点i是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与居家老人节点j是否为护工节点k服务路径上的相邻节点，是则/>否则/> 表示居家老人节点i与护工节点k是否为护工节点k服务路径上的相邻节点，是则/>否则/>
所述单次服务约束表示每一居家老人的同一服务请求只被服务一次，且每个居家老人节点i有且仅有一位护工为其服务，表示为：
所述服务时间约束用于限制护工开始服务时间，护工必须满足当前居家老人的需求后才能服务下一个居家老人，若完成当前居家老人服务的时间较早则进行休息，在下一个居家老人服务时间窗开始时进行服务，表示为：
其中，Ti为护工对节点i的服务时长；ti,j表示节点i到节点j的用时，Q为一个大数。
4.根据权利要求3所述的一种针对居家养老服务的护工调度方法，其特征在于，步骤S3中，所述采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果，具体为：
S31、采用贪心算法对护工调度模型构造初始解作为当前解及最优解；
S32、采用轮盘赌法选择移除算子和修复算子；所述移除算子包括随机移除节点算子、最坏移除算子、Shaw移除算子和随机移除路径算子；所述修复算子包括随机插入算子、贪婪插入算子和3级后悔值插入算子；
S33、使用移除算子对当前解进行破坏，得到破坏解；
S33、当修复算子为随机插入算子时，则直接对破坏解进行修复，得到新解；当修复算子不为随机插入算子时，判断是否引入随机性，若是则对破坏解进行引入随机性的修复，得到新解；若否则对破坏解进行正常修复，得到新解；
S34、判断新解是否优于最优解，是则将新解更新为最优解，并将新解更新为当前解；若否则判断是否接受新解更新为当前解，若接受则将新解更新为当前解；
S35、更新算子权重，迭代执行步骤S32～S34继续求解，直至达到设定的迭代次数，得到最终最优解作为最优调度结果。
5.根据权利要求4所述的一种针对居家养老服务的护工调度方法，其特征在于，所述采用贪心算法对护工调度模型构造初始解，具体为：
定义M1为未安排护工进行服务的居家老人节点集合，从M1中随机选择一个节点i，遍历节点i能插入的路径位置，计算在每个能插入路径位置上的目标函数值增加量，选择增加量最小的位置进行插入；重复此过程，直至每个节点在路径中的插入位置均得到确定，即每个节点被分配的护工以及护工服务顺序均已确定，得到初始解。
6.根据权利要求4述的一种针对居家养老服务的护工调度方法，其特征在于，步骤S32中，所述使用移除算子对当前解进行破坏分别为：
若移除算子为随机移除节点算子，则在当前解中随机选择q个节点进行删除；
若移除算子为最坏移除算子，则遍历所有节点，计算节点删除后的目标函数值与删除前的目标函数值之差，并将差值按照降序排列，移除前q个差值最大的节点；
若移除算子为Shaw移除算子：则随机选择一名居家老人节点i移出路径，接着计算所有剩余居家老人节点与居家老人节点i的相似度，将相似度最高的居家老人节点移除当前解，重复移除该过程直至移除节点数量为q；所述相似度计算公式为：
其中，ω为权重系数，di,j代表居家老人节点i与居家老人节点j的距离，Si、Sj分别代表居家老人节点i与居家老人节点j的服务开始时间；
若移除算子为随机移除路径算子，则随机移除当前解中一条护工的服务路径。
7.根据权利要求4所述的一种针对居家养老服务的护工调度方法，其特征在于，步骤S33中，若修复算子不为随机插入算子，则引入随机性，设置一个随机性概率P0，判断是否引入随机性；若引入随机性，则通过设置跳过概率p1，对破坏解进行引入随机性的修复，即使用修复算子选择插入的节点以及其插入位置时，有p1概率跳过当前节点及当前插入位置；若不引入随机性，则修复算子进行正常修复；所述随机性概率P0根据新解不优于当前解时，新解更新为当前解被接受的概率进行确定，随着迭代次数的增加而不断减小；
当修复算子为随机插入算子，对破坏解进行修复时，将被破坏算子移除的节点随机插入破坏解；
当修复算子为贪婪插入算子，对破坏解进行修复时，遍历所有被破坏算子移除的节点及其可插入位置，计算插入节点后的目标函数值与插入节点前的目标函数值之差，选择差值最大的节点位置作为插入位置进行插入，重复该过程直至所有被破坏算子移除的节点插入完成；
当修复算子为3级后悔值插入算子，对破坏解进行修复时，设由所有被破坏算子移除的节点组成的未分配节点集合为V1，遍历V1并计算每个未分配节点i插入现有路径各个位置后目标函数的增加量；将各增量从小到大进行排序，排序为第j位的目标函数增加量表示为ΔZj(i)，C(i)表示最小增加量ΔZ1(i)的插入位置；则节点i插入到最小增加量对应位置的3级后悔值为：
选择Δr3(i)的最小值相对应的节点h，将节点h插入到C(h)对应的位置上，然后将节点h移除未分配节点集合V1，遍历剩下的未分配节点集合V1，重复该过程，直到未分配节点集合V1为空集。
8.根据权利要求4所述的一种针对居家养老服务的护工调度方法，其特征在于，步骤S34中，在第n次迭代中，若新解优于最优解，则直接将新解更新为最优解，并将新解更新为当前解；若新解不优于最优解，则不更新最优解，并判断是否接受新解更新为当前解，判断式为：
其中，S′为新解，S*为当前解，R0为预先设定的初始阈值，为控制/>值在每次迭代中减小的参数，PR为一个0-1之间的数，随着迭代次数n的增加，/>的值不断减小；若满足，则将新解更新为当前解，否则不更新当前解；
步骤S35中，更新算子权重，具体为：
对每个算子进行评分，表现较好的算子会获得更高的分数，分数越高，增加算子权重的影响就越大，从而提高算子在下一轮迭代中被选中的概率，算子权重更新方式为：
其中，ωd为算子权重，ρ为影响因子，sd为算子评分，ud为算子的使用次数。
9.一种针对居家养老服务的护工调度系统，其特征在于，应用于权利要求1-8中任一项所述的一种针对居家养老服务的护工调度方法，所述系统包括初始化模块、模型构建模块和结果求解模块；
所述初始化模块用于获取居家老人订单信息和护工基础信息，提出基本假设；
所述模型构建模块用于以护理中心运营总成本以及违反用户时间窗惩罚成本最小化为目标构建目标函数，并根据基本假设建立约束条件，得到护工调度模型；
所述结果求解模块用于采用改进自适应大规模邻域搜索算法对护工调度模型进行求解，得到最优调度结果。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的一种针对居家养老服务的护工调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310418660.0A CN116629514A (zh) | 2023-04-19 | 2023-04-19 | 一种针对居家养老服务的护工调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310418660.0A CN116629514A (zh) | 2023-04-19 | 2023-04-19 | 一种针对居家养老服务的护工调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629514A true CN116629514A (zh) | 2023-08-22 |
Family
ID=87608921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310418660.0A Pending CN116629514A (zh) | 2023-04-19 | 2023-04-19 | 一种针对居家养老服务的护工调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629514A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114373A (zh) * | 2023-10-24 | 2023-11-24 | 中铁发展投资有限公司 | 一种智慧工地人员管理系统 |
-
2023
- 2023-04-19 CN CN202310418660.0A patent/CN116629514A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114373A (zh) * | 2023-10-24 | 2023-11-24 | 中铁发展投资有限公司 | 一种智慧工地人员管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rong et al. | The rich and the poor: A Markov decision process approach to optimizing taxi driver revenue efficiency | |
| CN107591841B (zh) | 适用于新能源大规模接入下的电网演化模拟方法 | |
| CN116629514A (zh) | 一种针对居家养老服务的护工调度方法及系统 | |
| CN111400918A (zh) | 基于多场景生成技术的电网新能源消纳能力评估计算方法、装置及系统 | |
| CN112348404A (zh) | 一种村庄规划实施评估系统 | |
| CN114202253A (zh) | 充电站负荷可调潜力评估方法、系统、存储介质及服务器 | |
| CN112132488A (zh) | 一种耦合建模-优化-优选的水库生态调度方法 | |
| CN112738172A (zh) | 区块链节点的管理方法、装置、计算机设备和存储介质 | |
| CN111222705A (zh) | 一种非线性充电车辆路径优化方法 | |
| CN109787247A (zh) | 一种基于多参数规划的无功补偿规划方法 | |
| CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
| CN112928766B (zh) | 一种基于多影响因素的配电网接纳电动汽车能力评估方法 | |
| CN109635998A (zh) | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 | |
| CN115994459B (zh) | 一种海量电网基建项目建设时序优化方法、系统及设备 | |
| CN114707239B (zh) | 电能资源分配规划方法、装置和电子设备 | |
| CN116596220A (zh) | 考虑环卫工公平关切的垃圾清运任务调度和路径优化方法 | |
| CN110598930B (zh) | 一种公交线路优化调整方法及装置 | |
| CN112686468B (zh) | 一种公共设施稳定性优化方法 | |
| CN114781703A (zh) | 一种分层多目标优化方法、终端设备及存储介质 | |
| Meng et al. | Vehicle routing plan based on ant colony and insert heuristic algorithm | |
| CN117474486B (zh) | 一种重复性建设工程工期优化方法 | |
| CN117634713B (zh) | 基于充电桩租借的电动出租车充电成本优化方法及系统 | |
| CN113779008B (zh) | 电力内网运行数据智能存储系统 | |
| CN118863874A (zh) | 一种风电光伏设备报废决策的方法、系统及电子设备 | |
| Glista et al. | Electricity Grid Capacity Expansion Planning Considering Interconnection Queue Uncertainty |
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 |