[發明專利]一種自動排班的方法、系統、計算機設備和存儲介質

在審

• 申請號: 202110266438.4
• 申請日: 2021-03-11
• 公開（公告）號: CN112926943A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 陳子夷;徐向前;豆亞杰;張海棟;譚躍進;楊克巍;姜江
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06Q10/06;G06Q10/04;G06F30/27;G06N3/04;G06N3/08;G06F111/04;G06F111/08
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

1.一種自動排班的方法，其特征在于，包括以下步驟：

將值班表中的值班數據排列為值班矩陣，所述值班矩陣中每個元素為分配給員工的班次；

根據所述值班矩陣和值班管理約束進行值班模型的構建，獲取深度神經網絡模型；

對所述深度神經網絡模型進行數據集的網路模型訓練，并根據訓練閾值調整所述深度神經網絡模型的參數；

將訓練后的所述深度神經網絡模型集成到分支定界樹的搜索過程中，獲取深度神經網絡輔助的分支定界法；

根據所述分支定界法對初始化的值班數據集進行概率優先搜索，通過探索概率最高的節點，輸出目的排班矩陣。

2.根據權利要求1所述的自動排班的方法，其特征在于，所述對所述深度神經網絡模型進行數據集的網路模型訓練，并根據訓練閾值調整所述深度神經網絡模型的參數；包括:

使用和任務相關的數據集來訓練網路模型，調整適合模型的參數，所述數據集可被分為訓練集和測試集；

將所述訓練集中的每個實例輸入到深度神經網絡中，并由網絡逐層傳播，生成相對應的輸出值；

使用損失函數將所述輸出值與訓練集中的標簽進行比較，計算預測的準確性；

根據網絡權重對損失函數的影響來調整網絡中連接的權重，減少迭代中損失函數的值，處理完訓練集中的所有實例，結束一次訓練。

3.根據權利要求1所述的自動排班的方法，其特征在于，所述將訓練后的所述深度神經網絡模型集成到分支定界樹的搜索過程中，獲取深度神經網絡輔助的分支定界法，包括根據深度神經網絡模型給出的概率值來搜索樹種的節點，所述搜索的策略包括：

用于遍歷、搜索樹或圖算法的深度優先搜索；

遵循深度搜索樹原則的概率優先搜索；

在所述概率優先搜索的基礎上，加權懲罰值影響的懲罰值加權搜索。

4.根據權利要求1所述的自動排班的方法，其特征在于，所述根據所述分支定界法對初始化的值班數據集進行概率優先搜索，通過探索概率最高的節點，輸出目的排班矩陣，包括：

當搜索進度到達了節點n時，對節點n的順序采用變化策略進行矩陣變換，變換后得到節點n_k；

所述節點n對應的方案矩陣為s_k，s_k作為輸入傳輸進分支決策深度神經網絡模型；

通過分支決策模型得到一個輸出結果，所述輸出結果代表節點n_k對應的概率值，使用所述輸出結果確定探索所述節點n的分支。

5.一種自動排班的系統，其特征在于，包括：

值班數據模塊，用于將值班表中的值班數據排列為值班矩陣，所述值班矩陣中每個元素為分配給員工的班次；

模型生成模塊，用于根據所述值班矩陣和值班管理約束進行值班模型的構建，獲取深度神經網絡模型；

模型訓練模塊，用于對所述深度神經網絡模型進行數據集的網路模型訓練，并根據訓練閾值調整所述深度神經網絡模型的參數；

策略搜索模塊，用于將訓練后的所述深度神經網絡模型集成到分支定界樹的搜索過程中，獲取深度神經網絡輔助的分支定界法；

輸出排班模塊，用于根據所述分支定界法對初始化的值班數據集進行概率優先搜索，通過探索概率最高的節點，輸出目的排班矩陣。

6.根據權利要求5所述的自動排班的系統，其特征在于，所述模型訓練模塊包括訓練集處理單元，所述訓練集處理單元用于：

使用和任務相關的數據集來訓練網路模型，調整適合模型的參數，所述數據集可被分為訓練集和測試集；

將所述訓練集中的每個實例輸入到深度神經網絡中，并由網絡逐層傳播，生成相對應的輸出值；

使用損失函數將所述輸出值與訓練集中的標簽進行比較，計算預測的準確性；

根據網絡權重對損失函數的影響來調整網絡中連接的權重，減少迭代中損失函數的值，處理完訓練集中的所有實例，結束一次訓練。