[發(fā)明專利]一種自動(dòng)排班的方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110266438.4
• 申請日: 2021-03-11
• 公開（公告）號(hào): CN112926943A
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計(jì)）人: 陳子夷;徐向前;豆亞杰;張海棟;譚躍進(jìn);楊克巍;姜江
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號(hào): G06Q10/10
• 分類號(hào): G06Q10/10;G06Q10/06;G06Q10/04;G06F30/27;G06N3/04;G06N3/08;G06F111/04;G06F111/08
• 代理公司: 北京風(fēng)雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

本申請涉及一種自動(dòng)排班的方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。該方法包括：將值班表中的值班數(shù)據(jù)排列為值班矩陣，所述值班矩陣中每個(gè)元素為分配給員工的班次；根據(jù)所述值班矩陣和值班管理約束進(jìn)行值班模型的構(gòu)建，獲取深度神經(jīng)網(wǎng)絡(luò)模型；對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)集的網(wǎng)路模型訓(xùn)練，并根據(jù)訓(xùn)練閾值調(diào)整所述深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；將訓(xùn)練后的所述深度神經(jīng)網(wǎng)絡(luò)模型集成到分支定界樹的搜索過程中，獲取深度神經(jīng)網(wǎng)絡(luò)輔助的分支定界法；根據(jù)所述分支定界法對(duì)初始化的值班數(shù)據(jù)集進(jìn)行概率優(yōu)先搜索，通過探索概率最高的節(jié)點(diǎn)，輸出目的排班矩陣。通過自動(dòng)排班，優(yōu)化了人力資源配置，有效減輕雇員的工作壓力，提高其工作效率和質(zhì)量。

技術(shù)領(lǐng)域

本申請涉及自動(dòng)化辦公領(lǐng)域，特別是涉及一種自動(dòng)排班的方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

背景技術(shù)

人員排班問題出現(xiàn)在在各種職業(yè)和工作場景中，從醫(yī)院護(hù)士，政府機(jī)關(guān)到企業(yè)單位的工作人員安排，都離不開這個(gè)問題。其困難之處在于不同的員工對(duì)生活和工作有不同的要求，從而導(dǎo)致每個(gè)員工的偏好不同。同時(shí)，排班還必須遵守法律的要求或不同職業(yè)的不同性質(zhì)。這些規(guī)定就是我們所說的軟約束和硬約束。不靈活或不合理的排班表可能會(huì)影響員工的個(gè)人生活，影響他們的情緒，使他們對(duì)工作不滿意，從而導(dǎo)致高離職率，這可能對(duì)雇主的經(jīng)營和客戶的體驗(yàn)產(chǎn)生不良影響。

但是，現(xiàn)有排班都是人工進(jìn)行的排班，無法有效地提高員工的工作效率，也無法確保給員工在正確的時(shí)間安排正確的工作，從員工的角度來看，不合理的日程安排降低了員工的工作滿意度，增加了員工的不滿，疲勞和壓力，從而降低了工作效率和服務(wù)質(zhì)量。從雇主和公司的角度來看，不合理的人員排班表，增加了雇員的在職率并增加了雇主維持合理的財(cái)務(wù)預(yù)算。

發(fā)明內(nèi)容

基于此，有必要針對(duì)上述技術(shù)問題，提供一種自動(dòng)排班的方法、系統(tǒng)、計(jì)算機(jī)設(shè)備和存儲(chǔ)介質(zhì)。

第一方面，本發(fā)明實(shí)施例提供了一種自動(dòng)排班的方法，包括以下步驟：

將值班表中的值班數(shù)據(jù)排列為值班矩陣，所述值班矩陣中每個(gè)元素為分配給員工的班次；

根據(jù)所述值班矩陣和值班管理約束進(jìn)行值班模型的構(gòu)建，獲取深度神經(jīng)網(wǎng)絡(luò)模型；

對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)集的網(wǎng)路模型訓(xùn)練，并根據(jù)訓(xùn)練閾值調(diào)整所述深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

將訓(xùn)練后的所述深度神經(jīng)網(wǎng)絡(luò)模型集成到分支定界樹的搜索過程中，獲取深度神經(jīng)網(wǎng)絡(luò)輔助的分支定界法；

根據(jù)所述分支定界法對(duì)初始化的值班數(shù)據(jù)集進(jìn)行概率優(yōu)先搜索，通過探索概率最高的節(jié)點(diǎn)，輸出目的排班矩陣。

進(jìn)一步的，所述對(duì)所述深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)集的網(wǎng)路模型訓(xùn)練，并根據(jù)訓(xùn)練閾值調(diào)整所述深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；包括:

使用和任務(wù)相關(guān)的數(shù)據(jù)集來訓(xùn)練網(wǎng)路模型，調(diào)整適合模型的參數(shù)，所述數(shù)據(jù)集可被分為訓(xùn)練集和測試集；

將所述訓(xùn)練集中的每個(gè)實(shí)例輸入到深度神經(jīng)網(wǎng)絡(luò)中，并由網(wǎng)絡(luò)逐層傳播，生成相對(duì)應(yīng)的輸出值；

使用損失函數(shù)將所述輸出值與訓(xùn)練集中的標(biāo)簽進(jìn)行比較，計(jì)算預(yù)測的準(zhǔn)確性；

根據(jù)網(wǎng)絡(luò)權(quán)重對(duì)損失函數(shù)的影響來調(diào)整網(wǎng)絡(luò)中連接的權(quán)重，減少迭代中損失函數(shù)的值，處理完訓(xùn)練集中的所有實(shí)例，結(jié)束一次訓(xùn)練。

進(jìn)一步的，所述將訓(xùn)練后的所述深度神經(jīng)網(wǎng)絡(luò)模型集成到分支定界樹的搜索過程中，獲取深度神經(jīng)網(wǎng)絡(luò)輔助的分支定界法，包括根據(jù)深度神經(jīng)網(wǎng)絡(luò)模型給出的概率值來搜索樹種的節(jié)點(diǎn)，所述搜索的策略包括：

用于遍歷、搜索樹或圖算法的深度優(yōu)先搜索；

遵循深度搜索樹原則的概率優(yōu)先搜索；

在所述概率優(yōu)先搜索的基礎(chǔ)上，加權(quán)懲罰值影響的懲罰值加權(quán)搜索。