成功的三相Metaheuristic最小化的转变个人任务调度问题

文摘

劳动力调度过程包括三个主要阶段:工作负载预测,将一代转移,人员名单。代转变的过程将决定工作负载转换为尽可能准确地变化。转变最小化人员任务调度问题(SMPTSP)是一个问题,用固定的一组任务的开始和结束时间必须分配给一个异构的劳动力。我们表明,三相metaheuristic能够成功解决最具挑战性的SMPTSP基准实例。metaheuristic能够解决44的47个实例最优。metaheuristic产生最好的结果相比以前公布的方法。结果生成的副产品当解决更复杂的一般生成基于任务的转变问题。metaheuristic生成的类似结果的方法使用商业解决MILP作为解决方案的一部分过程。方法适合应用在大型实际场景。应用领域包括清洗、家庭护理、保护制造、交货。

1。介绍

劳动力调度过程包括三个主要阶段:工作负载预测,将一代转移,人员名单(见,例如,1])。负荷预测是确定的阶段基于已知和预测事件。代转变的过程将决定工作负载转换为尽可能准确地变化。生成的变化形式输入的员工花名册阶段,员工被分配到的转变。

从实用的角度来看,劳动力调度过程依赖于优化资源和人力资源。它组织联系在一起,优化和简化决策过程。调度程序应考虑法律转变以及人类轮班工作的各个方面。从员工的角度来看,轮班工作与压力有关的社会和家庭生活,健康问题,动机,和忠诚。当输入数据的生成和转移人员名单确认,显著的好处在金融效率和员工满意度可以通过应用相关的优化方法。一个好的人力资源调度的文献综述可以发现在2]。

转变生成阶段创建一个转变结构包括任务进行变化,任务和休息的时间,所需的技能的转变。生成所需的不同数量的变化是基于员工在规划周期或转移的任务必须覆盖。我们称这些现行的和基于任务的转变生成问题。

本文的主要贡献如下:(我)提出了三相metaheuristic能成功地解决最具挑战性的SMPTSP基准实例(2)metaheuristic能够解决44的47个实例最优(3)metaheuristic产生最好的结果相比以前公布的方法(iv)metaheuristic生成类似结果的方法使用商业解决MILP作为解决方案的一部分过程(v)结果时可以达到解决更复杂的一般生成基于任务的转变问题

本文的组织结构如下:首先,我们描述的转变最小化人员任务调度问题和一般的基于任务的转变生成问题。然后,我们介绍了为SMPTSP组最具挑战性的基准实例。我们描述了三相metaheuristic用来解决各种各样的组合问题。最后,我们提出我们的计算结果,比较著名的结果。

1.1。相关工作

的第一个重要贡献企业转变的一代问题是研究Musliu et al。3]。他们引入了一个问题,一定时期内的工作要求,以及约束可能开始时间和长度的变化,和一个上限为每个员工的职责每周的平均数量。Di Gaspero et al。4)提出企业问题的最重要的问题是使用的不同种类的变化数量最小化。企业转变生成的应用领域包括医院、零售商店,和呼叫中心,员工的数量需要在特定时间可以预计的到达时间,每天播发或者刊登的客户。

生成基于任务的转变问题,目标是创造转变,并将任务分配给这些转变,这样员工可以分配给转变。应用领域包括清洗、家庭护理、保护制造、交货。第一个任务型问题的重大贡献是道林的研究等。5]。他们创造了一个名单,一组工作转变,转变,然后分配一组任务的必要技能的人员谁都可以工作在那一天。舒适的环境等。6)提出了一个模型,他们最小化执行机器负载所需的工人数量的计划。之后,Krishnamoorthy和恩斯特(7]介绍了一个类似的组织问题,他们称之为人员任务调度问题(PTSPs)。考虑到人员名单在某一天,PTSP分配每个人的任务,与指定的开始和结束时间,可用员工有能力来执行任务。

随后,Krishnamoorthy et al。8]介绍了一种特殊情况称为转变最小化人员任务调度问题(SMPTSP)唯一的成本是由于人员的数量(变化)所使用。鲁米等。9)定义了通用任务型转变生成问题(GTSGP)的任务是创建匿名转变,并将任务分配给这些转变,这样员工可以分配给转变。

2。材料和方法

2.1。问题描述

转变最小化人员任务调度问题(SMPTSP)包括分配一组与具体的开始和结束时间的任务,员工有特定的技能和可用性的间隔。目标是找到一个可行的分配的所有任务,最大限度地减少员工使用的数量。目标是出于一大池的情况下临时雇员提供和管理想最小化池使用。

SMPTSP可以正式定义如下。一组任务的J= {t₁、…t_n}需要分配给一组异构的员工E= {e₁、…e_米在指定的规划周期}。一个任务的处理时间间隔t必须进行与固定的开始时间是由一个时间表年代_t和完成时间f_t。每个员工e一组任务的吗J_e⊆J那e可以执行。每个任务t有一组员工E_t⊆E可以随身携带t。所有集J_e和E_t定义基于技能的员工/员工技能需求和可用性的任务/时间窗口的任务。目标是减少员工的数量需要执行给定的一组任务。首次给出问题的数学公式(8]。

图1显示了一个简化SMPTSP的实例。给出的实例和解决方案有以下特点:(我)规划周期分为18每天播发或者刊登(2)任务的数量是14和员工的数量是7 (G)的来信(3)任务的持续时间是由相应的矩形的长度(iv)员工能够执行任务的矩形表示(v)颜色显示哪些任务属于相同的转变(vi)员工用来进行转移的数量是6(七)员工执行任务用括号(员工G没有任务)

SMPTSP持有以下基本假设:(A1)抢占的任务是不允许的(A2)不存在优先约束的任务之一(A3)处理每个任务完全没有中断一次(A4)每个员工一次最多只能执行一个任务

一般的基于任务的转变生成问题(GTSGP)是创建匿名转变,并将任务分配给这些转变,这样员工可以分配给转变。而不是减少员工的数量需要执行给定的一组任务,目标是最大化的数量可行(转移、员工)对。一对(年代,e如果员工)被认为是可行的e可以进行转变年代。首次给出问题的数学公式(10]。

GTSGP的动机来源于劳动力调度过程。在生成阶段的转变,我们应该创建尽可能多功能转变,确保员工的名单可以完成。我们应该确保转变的结果集可以由员工;即,每个转变可以分配给一个员工s.t。所有的变化都分配给一个人,没有员工被分配到多个转变。GTSGP在实际应用中,全职永久和临时员工预计将覆盖100%的总工作量。这是对面SMPTSP背后的想法。

SMPTSP大大GTSGP的简化版本。尽管如此,正如克朗等人显示在[11),SMPTSP np难在强烈,即使允许抢占的任务(A1)。GTSGP有相同的假设SMPTSP除了(A2)。GTSGP有别于SMPTSP在几个重要方面:(B1)任务分配给员工的不明确(B2)任务不固定(B3)任务可能移本地优先约束(B4)任务之间的过渡时期(B5)员工总工作时间的限制(B6)员工可用性的限制

我们所知,八个重要和显著的解决方案设计来解决问题的方法。Krishnamoorthy et al。8)用拉格朗日方法解决大型SMPSTP的实例。他们轻松的任务分配的约束条件和目标函数的偏差使用拉格朗日系数,然后独立地解决每一个工人的问题。林和应12)开发了一种三相SMPTSP启发式。他们得到一个初始解决方案使用一个简单但非常有效的建筑启发式,然后使用一个迭代改进的贪婪启发式,进而作为一个初始上限而解决的MIP模型问题。实验结果显现出该算法的优越性在Krishnamoorthy等人的算法。

手中et al。13)使用二段式建设性metaheuristic方法。在第一阶段,他们使用三个建设性的启发式方法,在第二阶段,他们使用了一个混合搜索和优化方法。他们的方法是第一个首先解决所有的实例SMPTSP基准(见下一小节)设置为最优。作者说,他们的小说算法SMPTSP拥有艺术的状态。•和Lapegue14)使用约束编程自顶向下和自底向上的方法。大量的实验表明,他们的贡献显著提高直接SMPTSP模型,所以它与最著名的方法。

Baatar et al。15)开发了一个分支界限法方案,同时使用两种基于列生成的方法和启发式算法来创建一个有效的解决方案过程。作者证明了他们的方法执行比只使用一个标准的商业MILP解算器(最大化策略)。Hojati [16SMPTSP)提出了一个新颖的贪婪启发式。结果表明,相对于当前解决方案的方法和启发式表现良好的优势是能够快速解决非常大的实例。作者指出,他的方法不需要商业MILP解决前面描述的其他方法。Niraj拉梅什et al。17)解决了这个问题通过分解成独立的子问题和开发了一些确切和启发式方法来解决由此产生的子问题。作者指出,尽管他们有趣的理论结果,证明他们的方法实现的预期实际上很容易超过其他比较精确的方法。

Chirayil Chandrasekharan et al。18)提高了metaheuristic引入(12),提出了一个decomposition-based方法在子问题解决最优利用的技术。子问题的最优解是随后用来构建一个可行的解决整个问题。新特性不仅提高解决方案的质量,但他们也发挥了关键作用在提高算法的可扩展性。作者认为该方法适合应用在大型实际场景。他们的方法是第一个解决第二个SMPTSP基准的所有实例(见下一小节)设置为最优。此外,他们能够产生最优解几乎所有的实例从第三SMPTSP基准设置(见下一小节)。

目前,只有一个解决方案方法已经发表的一般生成基于任务的转变问题。问题是最近才介绍了鲁米et al。9]。作者使用了PEAST metaheuristic解决GTSGP test实例介绍(10]。我们会给洞察metaheuristic metaheuristic三部分。

2.2。SMPTSP基准实例

我们最好的知识,没有实际的基准实例SMPTSP已经出版。到目前为止,三套人工基准实例已经出版。Krishnamoorthy et al。8]提出的第一个数据集137 SMPTSP实例。数据集被称为韩国外换银行的实例。实例是由五个特征:员工数量,数量的任务,任务的长度,紧张水平,multiskilling水平。紧张水平被定义为所有任务的总长度的比例的总可用性所有员工。当这个水平是100%,完全可以覆盖的任务,每天播发或者刊登的员工。multiskilling级别定义为平均总数的比例每个员工胜任的任务。当这个水平是100%,每个员工可以执行所有的任务。从现在起,我们将调用multiskilling水平技能水平的任务。韩国外换银行的员工数量数据集的范围从22到422年,而任务范围从40到2105。这种转变长度是固定的1440。 The lengths of the tasks vary between 50 and 400. The tightness level is fixed to about 90%, and the skill level is either 33% or 66%.

手中et al。13)生成第二个十个实例的数据集,因为他们能够解决所有的韩国外换银行实例最优。数据集被称为SWMB实例。员工的数量范围从44到153,而任务范围从258年到1577年。这种转变长度是固定的1440。任务的长度是120或280年。紧张水平是固定的90%左右,技术水平是20%或30%。•和Lapegue14]100年第三数据集生成实例,因为韩国外换银行和SWMB实例简单就找到高质量的下界。这个数据集称为FL实例。员工的数量范围从62年到948年,而任务范围从71年到1583年。这种转变长度是固定的1560。任务的长度是120或280年。紧张水平是固定的90%,约25%的技能水平是固定的。很好的总结了三个数据集可以在[16]。

为了简便起见,我们将不会解决所有的247个实例三个数据集。很容易解决的一些实例,和最前面描述的八个方法在这一节中表现良好在大多数的实例。我们明年确定47个最具挑战性的三个数据集的实例如下:韩国:VAWA启发式Krishnamoorthy et al。8)没有能够找到最优解,和林的解决方案通过建设性的启发式和应12)是至少5%低于最优解共计14 137年的实例。SWMB:所有10个实例。FL:贪婪启发式Hojati [16)没有能够找到最优解,或解决方案通过约束编程方法•和Lapegue14)是至少3%低于最优解共计23 100实例。

表1- - - - - -3显示所选实例的特点。除了紧张和技能水平,我们定义五个其他硬度指标。@AVG测量表明估计的平均数量的任务非空的转变。任务的数量除以一个下界的最小数量的变化。下界,发表在我们使用值(16)使用由Solyali降低边界的一般程序(19]。除了任务的技术水平,我们定义描述了合格的转变技术水平平均员工执行的所有任务的平均转变,也就是说,台盟 n/磅,在那里台盟=任务技能水平,n=数量的任务磅= Solyali下界。重叠层面的概率是两个任务重叠。计算概率,我们需要遍历所有任务对一次。

%我测量显示的百分比下交办的任务描述的迭代建设性的启发式三相Metaheuristic部分。可行的启发式最大化数量(转变和员工)对,即。,解决GTSGP问题,如前所述。@PAIRS测量表明可行的平均数量的估计对每个非空的转变。可行的数量对迭代生成的建设性的启发式是除以Solyali下界。注意,GTSGP启发式生成的解决方案非常远离最优。显示的值%我和@PAIRS是最好的10分。

回想一下,我们选择来解决最具挑战性的实例。以下的观察可以从实例的特点:(我)FL实例较少任务每班比大多数其他的实例。部分原因是,FL实例的转移技能水平也更高。这些应该使他们更容易解决。(2)FL实例的紧张水平低于其他实例。这将使他们更容易解决。(3)大约一半的韩国外换银行和SWMB实例有高重叠的水平,这将使他们更容易解决。(iv)可行的任务分配比例由迭代建设性的启发式SWMB实例(%我)较低,这可能使他们更难解决。韩国外换银行和FL实例似乎同样容易解决在这个意义上的(或困难)。(v)FL实例非常相似。这应该使他们同样难以解决的(或简单)。

根据@PAIRS价值,几乎没有一个员工熟练的进行韩国外换银行的转变和SWMB实例。FL实例,生成的解决方案是这样的,很多员工可能执行几个转变。这可能使FL实例更容易解决。

2.3。的三相Metaheuristic

我们创建了PEAST metaheuristic(见,例如,20.])来解决实际调度问题。metaheuristic已经在商业使用好几年了,例如,在员工名单和在职业体育联赛调度。此外,我们用它来解决更多的学术问题,如平衡不完全区组设计,单循环赛比赛平衡家园作业和preassignments天休假安排,和约束最小破坏问题。然而,很明显,即使metaheuristic可以成为强大的几个问题类型,它是不能保证适合其他类型的问题。没有免费的午餐定理(21]意味着不可能存在有优越的优化方法。

最近,我们已经开始使用新的实际问题,这是一个GTSGP中的应用。作为这个过程的一部分,我们已经创建了一个解决方案方法适合商业用途。该方法是基于PEAST metaheuristic。PEAST以前收养的,我们使用随机初始解决方案。我们发现没有证据表明,一个复杂的初始解改善结果。相反,随机初始解决方案似乎产生优越或者至少是好的结果。然而,由于运行时间的要求,独自PEAST太慢GTSGP最大的实用实例。我们需要一个快速启发式生成初始解决方案很好。请注意,没有达到最好的(学术)解决方案不是问题GTSGP的实际应用。在优化过程中,可能出现新的任务和一些任务可能需要更改或删除。

我们生成一个初始解决方案使用一个简单的破坏和重建启发式(RRH)中所描述的类似22]。伪代码如图2。相邻任务的毁灭运营商删除字符串的任意长度的解决方案。所有任务分配给现任解决方案以随机的顺序处理。为每一个任务t,包含一个随机字符串t被删除,除非改变包含吗t已经被移除。当删除任务总数超过给定的参数,毁了运营商退却。重建操作符添加自由任务一个接一个地各自的最佳位置在现任的解决方案。首先,所有自由任务以随机的顺序排序。为每一个任务t所有可行的,除了在现任职位评估的解决方案。注意,位置取决于确切的概念问题。

GTSGP,位置是由一个前任,例如,一个任务或一个员工。注意,GTSGP任务可以有广泛的时间窗口;因此,转变中的任务的顺序不是预先确定的。在SMPTSP,没有时间窗,修复任务的顺序在一个转变。任务t然后添加到位置导致最好的目标函数值,与一个小机会跳过下一个最佳位置。连续跳过不以任何方式限制,t可能不会获得分配即使可行的位置。当所有免费的任务处理,重建操作员退出。

我们进一步加快整体运行时间通过生成一个初始解破坏和重建启发式。快速生成初始解决方案通过使用一个迭代建设性的启发式(我)基于提出的想法12]。在数据给出伪代码3(一个)和3 (b)。这是启发式称为三相Metaheuristic部分在计算%我测量。启发式分配未赋值的任务一个接一个的可转让的转变,直到所有任务被认为是(步骤3)。当试图分配一个任务时,我们选择的转变,没有员工和任务冲突和最大的累积总处理时间。重新分配过程(步骤5)反复应用分配每个未赋值的任务的转变,直到所有任务已分配或循环的存在。当试图分配任务t,我们选择的转变年代没有员工冲突和最少的总累计处理时间与目前的任务与任务之间的冲突t。重新分配任务t转移年代,我们删除所有任务的转变年代冲突与任务t。

的PEAST metaheuristic试图改善解决方案产生的破坏和重建启发式(以及建设启发式迭代)。在实际应用GTSGP, PEAST metaheuristic(我)生成尽可能多功能转变(2)确保员工的名单可以完成,所以(3)计算时间仍然是可接受的考虑花名册的释放时间。

因此,我们不寻求最快的可能的解决方案的方法。就我们的目的而言,它有利于使用更多的计算时间以达到更多样化的变化。

的伪代码PEAST metaheuristic图给出4。我们已经创建了PEASTP(见,例如,20.)通过结合特点从六个知名metaheuristics: MH1,遗传算法;MH2,弹射链方法;MH3,禁忌搜索;MH4,模拟退火;MH5变量附近搜索;MH6、破坏和重建方法。

这些metaheuristics的性能一直是科学合理的,和大量的实验研究已在算法层面运行。他们无疑提供了真正的新曲目的优化方法。通过结合和仔细调优最有效的科学有效的metaheuristics的运营商,一个有经验的启发式设计师能有效地解决实际的优化问题。如上所述的开头部分,有证据表明PEAST可以成功地解决不同的问题领域。我们所知,没有其他方法结合metaheuristic PEAST等特性。

PEASTP使用人口的解决方案在每个迭代中(MH1)。复制操作,在一定程度上,基于稳态繁殖:新解决方案取代了旧的如果它有一个更好的或相同的目标函数值。此外,最糟糕的解决方案是在给定的时间间隔,取而代之的是最好的。使用的是,精英主义。弹射链搜索是PEASTP的核心。探讨了在搜索空间中有前途的领域。弹射链搜索(MH2)扩展了一个基本的爬坡步生成的序列移动一步,领先的候选人到另一个从一个解决方案。弹出运营商真正实现了几个简单的本地搜索运营商工作在一个单一的解决方案(MH1)。

弹射链改进通过引入禁忌搜索列表,从而防止相反的顺序动作在同一序列的移动(MH3)。模拟退火优化用于决定是否采取一系列举措在弹射链搜索(MH4)。这细化不同于标准的模拟退火。这是三倍的方式使用。模拟退火的改进和禁忌搜索是用来避免呆在有前途的搜索区域太长了。移动运营商协助逃离当地的最适条件。他们是用来扰乱一个解决方案可能更糟的解决方案为了逃离当地的最适条件(MH5)。洗牌后面跟着几个弹射链搜索获得更好的解决方案使用同样的想法作为破坏和重建方法(MH6)。

PEAST使用人口的解决方案在每个迭代中。新的解决方案立刻取代一个旧的如果它有一个更好的或相同的目标函数值。此外,最糟糕的解决方案是在给定的时间间隔,取而代之的是最好的。使用的是,精英主义。PEAST使用传统的惩罚方法,赋予积极的权重(处罚)软硬约束和资金违反分数让一个值进行优化。固定权重分配的软约束是根据他们的意义。然而,硬约束动态权重分配使用一个独特的ADAGEN方法中描述(20.]。

五PEAST metaheuristic组件生产高质量的解决方案是至关重要的。这验证了三种不同的问题领域(20.]。最近,结果在解决GTSGP实例(10)表明,当任何一个组件被删除,结果显然是更糟。同一即使PEAST举行了两倍的时间来运行没有组件之一。

PEAST的实施改变了PEASTP如此明显,我们所说的新版本。已记录的数据结构,计算成本函数在弹射链搜索已经更新。修改已经使我们能够并行化PEAST(因此PEASTP),从而使我们能够解决问题比以前更大的实例。尽管如此,我们不能用随机初始解决方案在解决实际GTSGP实例。

3所示。结果与讨论

本节介绍我们的计算结果SMPTSP基准实例在前一节中介绍。结果将对所有其他近期的结果SMPTSP我们解决方案的方法。回想一下,我们解决实例GTSGP实例,SMPTSP GTSGP大大简化版本。因此,我们不仅优化最小数量的变化,同时也产生尽可能多功能转变。也就是说,我们生成SMPTSP结果作为副产品当解决更复杂的一般生成基于任务的转变问题。由于本文的目的,我们这里只提出我们的SMPTSP结果,而不是实际的GTSGP结果。我们使用相同版本的PEAST解决GTSGP实例时使用(10]。我们没有使用特定领域知识生成更好的解决方案,我们也没有做任何参数微调。事实上,我们使用相同的版本在商业使用人员名单和体育调度。早些时候在几个参数值已经验证的实现和应用PEAST,看,例如,非常详细的实验(20.]。

表4显示的发表结果的总结在前一节中描述的八个解决方法。三种解决方案的方法是纯粹的启发式方法:K10 [8],LY14 [12],H18 [16]。我们的结果列NK20所示。五其他方法使用商业MILP解决作为解决方案的一部分过程:S14系列(19],FL13 [14],去往B15 [15],R18 [17),和甜18]。表5显示了详细的结果。

Chirayil Chandrasekharan et al。18]指出,FL实例时不可用S14系列方法发表,S14系列结果得到的摘要。作者为我们提供了特定于结果FL S14系列方法的实例。

如前所述,我们运行metaheuristic使用尽可能多的计算时间实用地可能。对于实际GTSGP应用程序,这可能是几个小时根据计划期的长度和可用的处理器和核心数量的计算。我们跑metaheuristic八小时为每个基准实例。时没有打断了计算最优SMPTSP价值达成以来我们解决GTSGP问题。为了达到最好的GTSGP解决方案,我们需要为每个实例使用整个计算时间。测试运行进行了标准的笔记本电脑,在1.8 GHz Intel Core i7 - 8550 8 GB RAM运行Windows 10。

结果表明,三相metaheuristic能够成功解决最具挑战性的SMPTSP基准实例。另一个观察是我们metaheuristic产生类似的结果的方法使用商业解决MILP作为解决方案的一部分过程。我们也可以,metaheuristic产生最好的结果与其他方法相比。metaheuristic能够解决44的47个实例最优。两个实例,我们可能是最优的解决方案。只有一个实例,我们的解决方案是劣质的。

回想一下,我们选择来解决最具挑战性的实例。很明显,任务的数量和员工的数量直接影响硬度的实例,因为他们扩大搜索空间。更确切,组合搜索空间爆炸时增加一个员工的平均数量的任务。因此,林和应12)表示,较长的任务实例的长度应该相对容易解决。手中et al。13)指出,短的任务和任务的技能水平较低使实例更难解决。

基于这些观察SWMB实例生成。Krishnamoorthy和恩斯特(7)指出,一个实例的紧张应该接近90%,使它具有挑战性。FL实例生成的最大数量重叠的任务不提供的好下界一个实例(14]。此外,实例平均比韩国外换银行的实例可用员工每个任务,但是他们使用的百分比明显较小,这些员工在最优解决方案。这应该使一个实例更具挑战性。SWMB实例是唯一实例集,我们的方法不产生最好的结果的比较方法。

上述假设是符合我们的推理在前一节中给出。根据我们的测试,我们可以很安全的国家,较低的技术水平转变,低%我价值,和低@PAIRS值表明困难的实例。因此,大胆的值在表中1- - - - - -3实例表明困难。请注意,大胆的值被选择的其他实例在相同的数据集。

总的来说,我们认为FL实例应该很容易解决,因为很多员工可能执行几个转变。metaheuristic, FL实例很容易解决,排除液体FL # 5和# 89的实例。我们的解决方案上面这些实例是一个下界值。这些解决方案很容易达成。因此,我们推测,这些可能是两个实例的下界值不是最优值。注意,实例也没有解决的Chirayil Chandrasekharan等人的方法(18]。

韩国外换银行的实例是很容易解决的。实例任务技能水平最高。此外,FL实例一样,韩国外换银行的实例有很高的百分比由迭代分配任务轻松建设性的启发式。

我们注意到SWMB # 7实例metaheuristic极其困难。我们没有结论。表2表明SWMB # 2实例应该至少难解决。然而,这并不是说我们metaheuristic困难。SWMB # 7例,除了metaheuristic的标准设置,我们尝试了许多不同的设置重复建设启发式,破坏和重建启发式,PEASTP。我们甚至增加了运行时间。尽管如此,我们的运行时措施表明,我们甚至不足够接近能够解决实例。最后的实验中,我们试图利用Gurobi改善我们的最佳解决方案。不幸的是,我们不可能找到一个更好的解决方案或证明解决方案最优计算时间的七天。表5显示,多达两个解决方法已经成功地解决了实例。此外,公布的结果表明,生成的解决方案是相当快。

最后,我们注册运行时间达到第一个解决SMPTSP当我们继续达到最好的GTSGP解决方案在给定的计算时间。韩国外换银行的情况下,达到SMPTSP解决方案的平均时间为0.9分钟。最短时间为0.001分钟,最长时间是9分钟。SWMB实例,对应86年时间,15日和207分钟,FL实例0.7,0.1,和19分钟。这验证我们之前讨论SWMB实例应该是最具挑战性的。

4所示。结论

我们提出了一种三相metaheuristic将最小化人员任务调度问题(SMPTSP)。metaheuristic实际上解决更复杂的一般任务型转变一代问题(GTSGP)。结果SMPTSP生成解决GTSGP时作为副产品。

在第一阶段的方法,我们生成的初始解决方案通过使用人口的快速迭代建设性的启发式。在第二个阶段,破坏和重建启发式被用来改进解决方案。最后,并行PEAST metaheuristic人口的解决方案用于生成一个最终的解决方案。PEAST以前收养的,我们使用随机初始解决方案。然而,独自PEAST太慢GTSGP最大的实用实例。这些实例的大小的大小等于最大SMPTSP实例解决。

GTSGP的计算复杂度和SMPTSP实例的数量主要取决于任务,员工的数量,尤其是每班的平均数量的任务。这些值限额设定PEAST方法的实际应用。回想一下,我们只有几个小时来生成解决方案。运行测试表明,我们不能使用PEAST当我们有超过千的任务,尤其是当我们有几百名员工或任务的平均数量每班十个方法。在这些情况下,我们只能使用我和RRH启发式。然而,实际应用的解决方案仍然可以接受的,因为生成和转移人员名单已经完成后,新的任务将肯定出现的一些任务需要更改或删除。

我们解决了每个实例使用8小时计算时间在一个标准的笔记本电脑。我们的测试表明,实际的实例在一个较高的计算环境,这对应于两个小时。这需要使用高性能计算机与大量的处理器和核心和非常快的内存。两个小时是可以接受的考虑整个劳动力调度过程和最后的花名册的释放时间。然而,运行时间明显高于同类方法的运行时间。

我们表明,三相metaheuristic能够成功解决最具挑战性的SMPTSP基准实例。metaheuristic产生最好的结果相比以前公布的方法。此外,metaheuristic可比的结果生成的方法使用商业解决MILP作为解决方案的一部分过程。并不完全公平的比较,我们的方法需要更多的时间,还可以解决更复杂的问题。

metaheuristic能够解决44的47个实例最优。两个实例,我们可能是最优的解决方案。只有一个实例,我们的解决方案是劣质的。我们仍在寻找两个剩余FL实例是否可以解决下界。我们也继续检查为什么metaheuristic SWMB实例是极其困难的。确定原因应该帮助我们改善我们的解决方案的一般性方法。我们可能会遇到类似的结果的一些简单的实例,例如,不包括在我们的实验。

在不久的将来,我们将公布SMPTSP第四个数据集。我们还将提供SMPTSP的延伸。

数据可用性

网上SMPTSP实例可用的数据。这三个数据集可以在[23”(t . Lapegue人员任务调度问题库”(在线)),可用https://sites.google.com/site/ptsplib/smptsp/instances(最后访问2021年1月15日)。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. k·鲁米和j . Kyngas“核心人员名单的问题”IAENG交易工程科学,页390 - 403,世界科学出版公司,新加坡,2016年。视图:出版商的网站|谷歌学术搜索
2. 马瑞医生j·范,j . Belien, p . De Bruecker e . Demeulemeester和l . De Boeck”人员安排:一个文献综述,欧洲运筹学杂志》上,卷226,不。3、367 - 385年,2013页。视图:出版商的网站|谷歌学术搜索
3. n . Musliu a Schaerf, w . Slany“本地搜索设计转变,”欧洲运筹学杂志》上,卷153,不。1,51 - 64,2004页。视图:出版商的网站|谷歌学术搜索
4. Gartner l . Di Gaspero j·g . Kortsarz n . Musliu a . Schaerf和w·Slany“最低设计问题转变,”《运筹学,卷155,不。1,第105 - 79页,2007。视图:出版商的网站|谷歌学术搜索
5. d·道林·m·Krishnamoorthy h·麦肯齐,d .青岛姒儿”人员名单在一个大型国际机场,《运筹学卷,72年,第147 - 125页,1997年。视图:出版商的网站|谷歌学术搜索
6. 业务,A·佩雷斯诉。瓦尔斯,美国Quintanilla说道“图着色模型将异构的劳动力分配给一个给定的时间表,”欧洲运筹学杂志》上,卷90,不。2、285 - 302年,1996页。视图:出版商的网站|谷歌学术搜索
7. m . Krishnamoorthy和a·t·恩斯特“人事任务调度问题,”优化方法及应用杨,x, k . l . Teo和l . Caccetta Eds。,卷。52,pp. 343–368, Springer, Boston, MA, USA, 2001.视图:谷歌学术搜索
8. m . Krishnamoorthy a·t·恩斯特,d . Baatar”算法对大规模转移最小化人员任务调度问题,“欧洲运筹学杂志》上,卷219,不。1,34-48,2012页。视图:出版商的网站|谷歌学术搜索
9. k·鲁米:Kyngas, j . Kyngas”劳动力优化:一般生成基于任务的转变问题,“国际应用数学杂志》上卷,49号4、2019。视图:谷歌学术搜索
10. n Kyngas、k·鲁米和d·古森斯”一般的基于任务的转变生成问题:制定和基准,”学报9多学科国际调度会议:理论和应用程序(MISTA)2019年12月,宁波,中国,。视图:谷歌学术搜索
11. l·g·克朗,m .所罗门和l . n . Van Wassenhove”的精确和近似算法操作固定间隔调度问题,“欧洲运筹学杂志》上,卷82,不。1,第205 - 190页,1995。视图:出版商的网站|谷歌学术搜索
12. S.-W。林和K.-C。应”,减少转移人员任务调度问题:三相算法”欧洲运筹学杂志》上,卷237,不。1,第334 - 323页,2014。视图:出版商的网站|谷歌学术搜索
13. p .手中,t .“m . Mihaylov, g . Vanden Berghe”的转变最小化人员任务调度问题:一种新的混合方法和计算的见解,“ω,46卷,第73 - 64页,2014年。视图:出版商的网站|谷歌学术搜索
14. J.-G。•法和t . Lapegue过滤AtMostNValue差分约束:应用程序最小化转移人员任务调度问题,”约束编程的原理和实践c·舒尔特,艾德,8124卷,第79 - 63页,施普林格,柏林,德国,2013年。视图:谷歌学术搜索
15. d . Baatar m . Krishnamoorthy, A·t·恩斯特”triplet-based精确方法转变最小化人员任务调度问题,”Algorithms-ESA:邦萨尔和Finocchi, Eds。,卷。929日4,pp. 59–70, Springer, Berlin, Germany, 2015.视图:谷歌学术搜索
16. m . Hojati”最小化人员转移的贪婪启发式任务调度问题,“电脑与行动研究卷,100年,第76 - 66页,2018年。视图:出版商的网站|谷歌学术搜索
17. d . Niraj拉梅什、m . Krishnamoorthy和a·t·恩斯特”效率模型、公式和算法对于一些变异的固定间隔调度问题,”数据和决策科学r .衬衣,h·a·阿巴斯s Dunstall et al .,。,pp. 43–69, Springer International Publishing, Cham, Switzerland, 2018.视图:谷歌学术搜索
18. r . Chirayil Chandrasekharan, p .手中,t .“,”一个自动建设性matheuristic转变最小化人员任务调度问题,“杂志的启发式,2020年。视图:出版商的网站|谷歌学术搜索
19. o . Solyali”转变最小化人员任务调度问题:一个有效的降低边界的过程,”Hacettepe Universitesiİktisadi veİdari Bilimler Fakultesi Dergisi,34卷,不。2、2016。视图:出版商的网站|谷歌学术搜索
20. n . Kyngas k和j·Kyngas鲁”的关键组件PEAST算法解决实际调度问题,”软件工程之课堂讲稿,页230 - 236,世界科学、新加坡,2013年。视图:出版商的网站|谷歌学术搜索
21. d·h·沃伯特和w·g·麦克里迪”,为优化,没有免费的午餐定理”IEEE进化计算,1卷,不。1,第82 - 67页,1997。视图:出版商的网站|谷歌学术搜索
22. j . Christiaens和g . Vanden Berghe松弛诱导删除字符串的车辆路径问题,“交通科学,914卷,2019年。视图:出版商的网站|谷歌学术搜索
23. t . Lapegue“人员任务调度问题库,”2021年,https://sites.google.com/site/ptsplib/smptsp/instances。视图:谷歌学术搜索

版权

版权©2021季鲁米和尼科Kyngas。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。