专利名称：处理单日营运基础的运输勤务组员派遣的演算方法
技术领域：
本发明是有关处理运输勤务组员调度派遣的技术领域，尤其指一种处理单日营运基础的运输勤务组员调度派遣地演算方法。
背景技术：
运输勤务组员可分为运具驾驶员(Cockpit Crew)与乘客服务员(Cabin Crew)二类，因其在运具内扮演角色的不同，在进行组员勤务组合指派时，会有不同的考量因素。乘客服务员的主要工作在于乘客的安抚与服务，因此所考量的限制条件包括运具或路线服务人数配置、执勤时间、工作天数、休息时间、工作夥伴、待命人数配置等限制项目，其中，乘客服务员勤务组合指派的公平性则为实际上此类排班问题的重心，例如特殊路线执勤次数、休假天数、待命次数、外站住宿、餐费、执勤时数等项目的公平性；运具驾驶员的主要工作在于维护整个运具的安全，因此所担负的责任要比乘客服务员高出许多，所考量的执勤限制条件也较多，除前述项目外，还包括驾驶时数、运具驾驶训练次数、训练员资格、特殊路线驾驶训练员资格等限制项目，对于运具驾驶员勤务指派的公平性，实务上所考虑的因素则较乘客服务员为少，如外站住宿次数、赴卸勤务次数、运具驾驶时数等项目。
一般而言，为降低求解问题的复杂度，运输公司的运输勤务组员排班问题，通常会将其切割为两大部分组员勤务组合产生问题(CrewPairing Problem)与组员勤务组合指派(Crew Rostering Problem)问题。通常对组员勤务组合产生问题的定义为“组员由基地出发，配合飞航时间表、最少休息时间限制后，随着运具服务于不同的班次，最后回到基地，其所服务的运输勤务组合”。然而在以单日营运基础的组员勤务组合产生问题则略有不同，因其是以单日作为组员勤务组合指派的基础，且班次均不长，故其在产生勤务组合时，不一定会以“基地至基地”的型态切割，而会以便于执行隔日勤务与组员赴卸勤务(PNC)，作为勤务组合的产生依据，即，组员有不同的基地地点时，即造成产生勤务组合时无法判定所指的“基地至基地”是以何基地为基准；又有一些勤务组合必须要求组员在某地过夜，以利隔日勤务组合的顺利执行，为保留组员调度上的弹性，不宜在产生勤务组合时，即将其视为某一固定的勤务组合。因此虽在排班的结果上看起来也是“基地至基地”，然此结果是为勤务组合指派后的结果，而非勤务组合的产生结果。
此外，为增加运具运用效率，以单日营运基础的班次间距，均不足以让组员更换运具执行勤务，故其勤务组合的组合变化较一般勤务组合变化要少得多，实务上，约十分钟即可产生一份以单日营运为基础的勤务组合，其差异可由以下的表1与表2显示之。表1表2
由以上的比较可知，在勤务组合产生阶段，单日营运基础的组员勤务组合产生问题无法事先处理组员地点接续问题，必须要在进行组合勤务组合指派时，才能决定组员地点接绩是否正确、是否需要赴卸勤务、外站住宿或判定最少休息时间是否足够等限制。
在组员勤务组合指派方面，通常为考量各种排班限制及组员的既定活动(Skeleton activities)和资格认证(Certification)下，指派组员的休假日及勤务组合，产生每位组员的每月行程(Line-Of-Work)，以决定组员在整个排班期间的执勤班表及休假日，此时勤务组合间的最少休息时间，通常固定以一天计算。故进行组员勤务组合指派时，只须考量相关公平性指标即可，缺点则是在于(1)难以处理多基地的组员指派问题；(2)班次增减频繁时，将严重破坏事先排定的规律结构，造成组员调度上的困难；(3)事先决定的勤务组合，虽能降低组员赴卸勤务的成本，然组员调派弹性较以单日营运为基础的组员勤务组合指派方式为低，造成以较多的组员来执行勤务；单日营运基础的组员勤务组合指派方式则为，依每日的执勤时间与隔目的勤务组合报到时间，计算最少休息时间是否足够、接续地点是否正确、执勤时数是否超过、休息日是否足够与资格是否符合等限制条件，因此，不会发生以周为营运基础的三项缺点，但其演算法的运算时间较长，以下的表3即为单日营运基础与周营运基础的组员勤务组合指派问题差异比较表。
表3发明目的
本发明的目的在提供一种处理单日营运基础的运输勤务组员派遣的演算方法，以便解决上述公知技术中的问题。
为达前述的目的，本发明的处理单日营运基础的运输勤务组员派遣的演算方法包括下述的步骤
(A)随机产生多个初始样本，每一初始样本是为一包含有多个运输勤务的二维化运输勤务组员调度编码表，该运输勤务组员调度编码表及其运输勤务是对应遗传演算法的染色体及基因；
(B)以前述样本为亲代样本，依据定义的目标函数与限制式，进行样本评估，以求取其染色体的样本评估值；
(C)运用轮盘法则使样本评估值较为优良的染色体增加被选中的机会；
(D)以单点切割法和双点切割法的选择机率，进行染色体交配及基因突变；
(E)进行样本替换，以局部基因交换方式进行，依据染色体的样本评估值来将样本进行排序，并选出较优的样本，其中，每一染色体的样本评估值是由营运成本、公平性指标满足度与限制式违反成本所决定；以及
(F)当执行次数已达限制，或当限制式的违反数目为零时，其样本评估值的变化在一预设值之内时，则结束执行，否则，以所获得的样本为亲代样本，再执行步骤(B)至(F)。
其中该运输勤务组员为运具驾驶员。
其中该限制式包括连续工作天数限制、最大执勤时间限制、最少休息时间限制、飞行时数限制、待命人数配置限制、驾驶训练的限制条件、特殊地区驾驶限制、特殊路线驾驶限制、与前次班表关联性限制、及预定运输勤务组合限制。
其中而演算方法的求解目标便为限制式成本为零、营运成本最小化、及公平性指标平均化。
其中该运输勤务组员为乘客月良务员。
其中该限制式包括勤务组合特定基地限制、当日或隔日勤务组合限制、当日或隔日既定任务限制、特殊路线资格限制、职级限制、及特殊路线及外站住宿勤务组合公平性限制。
其中染色体的目标函数包括营运成本的最小化程度、公平性指标的平均化程度、人性化因素满足程度、各限制式的不满足程度。
其中该目标函数的组成包括营运成本类、公平性指标类、人性化因素类、限制式成本类。
其中该营运成本类包括赴卸勤务及外站住宿。
其中该公平性指标类包括餐费、休假次数、运具型别勤务组合、待命总次数、及执勤时数。
其中该人性化因素类包括待命勤务人性化指派方式及一般勤务组合人性化指派方式。
其中该限制式成本类是定义限制式违反成本为染色体违反各限制式的项目总数与相对应的惩罚值的乘积。
其中该限制式违反惩罚成本为零。
为使贵审查委员能进一步了解本发明的结构、特征及其目的，兹附以图式及较佳具体实施例的详细说明如后，其中
图1为本发明的处理单日营运基础的运输勤务组员派遣的演算方法的流程图。
图2为一包含有多个运输勤务的二维化运输勤务组员调度编码表。
图3为一以轮盘法则进行样本淘汰的示意图。
图4为进行染色体交配的示意图。
图5为进行基因突变的示意图。
图6为运具驾驶员初始样本产生方法流程图的示例。
图7为关于运具驾驶员的调度派遣的限制式惩罚值与各目标权重参数设定图。
图8为乘客服务员初始样本产生方法流程图的示例。
图9为计算餐费成本的示意图。
图10为关于乘客服务员的调度派遣的限制式惩罚值与各目标权重参数设定图。
具体实施例方式
有关本发明的处理单日营运基础的运输勤务组员派遣的演算方法，请先参照图1所示的流程图，以遗传演算法(Genetic Algorithm)为核心来产生最佳化运输勤务组员调度派遣表。
于前述运输勤务组员调度派遣演算方法的流程中，其首先需随机产生多个初始样本(步骤S101)，每一初始样本为一如图2所示包含有多个运输勤务21的二维化运输勤务组员调度编码表，其中，纵向索引p1，…，Pα分别代表运输勤务组员1，…，运输勤务组员α，横向索引d1，…，dβ分别代表时间顺序1，…，时间顺序β，编码表值ωαβ代表运输勤务代号。又前述运输勤务组员调度编码表是对应遗传演算法的一染色体，而运输勤务组员调度编码表的每一运输勤务则相当于一基因。
由随机产出的第一代样本随即作为亲代样本(步骤S102)。而为进行运输勤务组员调度派遣表的最佳化，需定义目标函数与限制式，以对样本进行检查(步骤S103)，前述第一代样本显然无法满足所有目标函数与限制式定义，在样本评估中(步骤S104)可知其染色体评估值(Fitness value)的优劣差异很大，故可运用轮盘法则(roulettewheel)使评估值较为优良的染色体增加被选中的机会，以便淘汰不良的样本，并请参考图3所示以轮盘法则进行样本淘汰的示意图，图中1…P为P个样本所被选取的机率，轮盘法则是依每个染色体的评估值大小分别给予不同的被选取机率，如此，即可设定评估值较为优良的样本有较大的被选中机会，同时亦保留部分评估值虽较差，但局部染色体却可能优良的样本，以供评估值有继续改进的机会。
步骤S105再进行染色体交配及基因突变，其中，染色体交配(Crossover)是以基因群交换的方法，产生结合父代优良基因的子代样本，使每一代的样本演化能越来越好。由于每日勤务组合的数量与内容在产生后即不能改变，为了确保每日勤务组合数量与内容正确无误，因此在进行染色体交配时，是以垂直方向切割染色体，如图4所示。进行染色体交配时，若所选择的机率大于预先设定的机率，则采用双点切割来进行染色体交配，若否，则采用单点切割来进行染色体交配。
而基因突变(Mutation)，是以局部基因交换的方法，使样本能具有多样性，扩大样本的搜寻空间，避免陷入局部最佳解。如同染色体交配方法，基因突变时需保证每日的勤务组合数量与内容正确无误，故突变时也仅限于同日的勤务组合交换。若所选择的机率大于预先设定的机率，则首先随机选择欲进行基因突变的时间，其次则寻找可进行基因突变的运输资源，将该时间的两个运输勤务组员互换，若否，则不进行基因突变。其基因突变方法如图5所示。
经染色体交换与基因突变的步骤后，再进行样本替换(步骤S106)，以依据染色体的样本评估值来将样本进行排序，并选出较优的样本(例如为评估值较低的样本)，其中，每一样本的评估值(Score)是由目标函数值组合求出，其可分为两部分，其一为营运成本的最小化与公平性指标的满足程度，另一则为各限制式的不满足程度。
以运具驾驶员而言，其初始样本产生方法流程图可参见图6所示，其限制式包括连续工作天数限制、最大执勤时间限制、最少休息时间限制、执勤时数限制、待命人数配置限制、驾驶训练的限制条件、特殊地区驾驶限制、特殊路线驾驶限制、与前次班表关联性限制、及预定运输勤务组合限制。而演算方法的求解目标便为
限制式成本为零；
营运成本最小化包括赴卸勤务、外站住宿；及
公平性指标平均化包括执勤时数、赴卸勤务、外站住宿、餐费。
例如，演算时所使用的参数如下父代群体样本200个，子代群体样本160个，交配率为1，突变率在1000代的前设0.8以增加找到正确方向的机会，1000代的后设为0.3以增加收敛速率。经试验后所设定的限制式惩罚值与各目标权重参数的大小与种类如图7所示。
以乘客服务员而言，一份包括所有乘客月良务员的勤务组合或既定活动的班表，即称为样本，即图2的所有矩阵元素均被勤务组合或既定活动取代。样本的产生方法可如图8所示，首先将既定活动或预先指定的勤务组合填入矩阵中，再依日期随机选取当日的飞行勤务组合，并将其指派给一随机选取无勤务且符合相关资格的乘客服务员，如此一一将所有勤务组合指派完毕。为提升少数特殊勤务组合(如特殊路线与需外站位宿勤务组合)的公平性程度，于初始样本产生时将其考虑在内。图中的限制式包括
勤务组合特定基地限制是指某些勤务组合限定特定基地的组员来执行较理想，如从中正机场出发的国际线由台北为基地的组员来执行，会比由高雄为基地的组员来执行要好；
当日或隔日勤务组合限制当日或隔日是否已指派勤务组合；
当日或隔日既定任务限制当日或隔日的既定任务是否与欲指派的勤务组合有时间冲突；
特殊路线资格限制组员是否具有特殊路线资格；
职级限制组员的职级是否符合人力配置需求；
特殊路线及外站住宿勤务组合公平性限制依组员的特殊路线或外站住宿勤务组合累积执勤次数由小至大指派，使指派趋于公平。其中，特殊路线公平性指派方法，以数学式表示如下，
INTLi＝AVG(INTL_Pasti)+AVG(INTL_Curri)-INTL_Cumi，(1)其中，INTLi为第i个组员的特殊路线指派次数，AVG(INTL_Pasti)为过去组员累计的特殊路线平均数，即，INTL_Cumi表第i个四员工过去累计特殊路线总数；AVG(INTL_Curri)为本次需执勤的特殊路线平均数，即，INTL_DUTYj为1表勤务组合j包含特殊路线，0表不包含。
而外站住宿公平性指派方法，以数学式表示如下，
LOVi＝AVG(LOV_Pasti)+AVG(LOV_Curri)-LOV_Cumi(2)其中，LOVi为第i个组员的外站住宿指派次数，AVG(LOV_Pasti)为过去组员累计的外站住宿平均数，即，LOV_Cumi表第i个组员的过去累计外站住宿总数；AVG(LOV_Curri)为本次需执勤的外站住宿勤务组合平均数，即，LOV_DUTYj为1表勤务组合j包含外站住宿，0表不包含。
如将染色体的目标函数(样本评估值)分为四部分第一为营运成本的最小化程度，第二为公平性指标的平均化程度，第三为人性化因素满足程度，第四则为各限制式的不满足程度，则目标函数组成说明如下
一、营运成本类
1.赴卸勤务如前述的定义。
2.外站住宿此与前定义的差异在于，(1)需以相同组员执行外站住宿的勤务组合；(2)因组员人数较多且进行勤务组合产生时，均考虑以基地至基地的方式切割，故以基地为指派基础时，除了第2种情形外，其他均避免发生。因此，为利于进行染色体交配，此因素是以类似既定活动的方式在产生起始样本时加以指派。
二、公平性指标类
1.餐费实务上某位乘客服务员从报到且开始执行运输勤务后，到当天或最后回到基地完成报退程序，所经历的时间与基本餐费价格的乘积即为餐费成本。以图示说明如图9所示，其中，情况1的餐费计算时间(PDM)＝CHECKOUT1-CHECKIN1，情况2的餐费计算时间(PDM)＝CHECKOUT2+24×2-CHECKIN2。各乘客服务员餐费是否公平，以数学式可表示如下，其中，Equal_PDM为餐费发生的公平性成本，PDMi为第i个乘客服务员的餐费计算时间，AVG(PDMi)为乘客服务员的PDM平均数，即，WPDM为欲减少发生PDM不平均现象的权重。
2.休假次数各乘客服务员休假次数是否公平，以数学式可表示如下，其中，Equal_DO为休假次数的公平性成本，DOi为第i个乘客服务员的餐费计算时间，AVG(DOi)为乘客服务员的DO平均数，即，WDO为欲减少发生休假指派不平均现象的权重。
3.运具型别勤务组合各服务员运具型别勤务组合是否公平，以数学式可表示如下，其中，Equal_AC为运具型别勤务组合的公平性成本，ACip为第P种运具类型的第i个服务组员的勤务组合指派数，AVG(ACip)为服务组员的第p种运具类型的勤务组合指派平均数，即，WACp为欲减少发生第P种连具类型的勤务组合指派不平均现象的权重。
4.待命总次数各乘客服务员待命总次数是否公平，以数学式可表示如下，其中，Equal_SB为待命总次数的公平性成本，SBi为第i个乘客服务员的待命总次数，AVG(SBi)为乘客服务员的待命总次数平均数，即，WSB为欲减少发生待命总次数指派不平均现象的权重。
5.执勤时数乘客服务员勤务规划班表完成后的各组员总执勤时数是否公平，则为另一排班公平性的考量因素。以数学式可表示如下，其中，Equal_FT为执勤时数不平均的发生成本，FTi为第i个乘客服务员的班表总执勤时数，AVG(FTi)为乘客服务员的平均执勤时数，即，WFT为欲减少执勤时数不平均现象的权重。
三、人性化因素类
1.待命勤务人性化指派方式为避免待命时发生因实际执行勤务而导致休息时间不足的可能性，在进行勤务组合指派时，会以下列表4作为指派基础，
表4
其中，D1，D2，D3为日期，Duty1为较早报退(18时以前)的勤务组合，
Duty2为较晚报退(18时以后)的勤务组合，如此所排出班表的稳定性
较高，以数学式可表示如下，
Hum_SB＝PHumSB*NHumSB(8)其中，HumSB为待命勤务人性化指派方式的评估成本，PHumSB为欲减少违反待命勤务人性化指派方式的惩罚值；NHumSB为某样本中所有违反待命勤务人性化指派方式的总数。
2.一般勤务组合人性化指派方式在人力许可情况下，为增加组员的休息时间，会以下列表5作为指派基础，
表5其中，DutyA1、DutyA2为较早报退(18时以前)的勤务组合，DutyB1、DutyB2为较晚报退(18时以后)的勤务组合，尽量避免以第3种组合型式来指派。以数学式可表示如下，
HumDUTY＝PHumDUTY*NHumDUTY (9)其中，HumDUTY为一般勤务组合人性化指派的评估成本方式，PHumDUTY为欲减少违反一般勤务组合人性化指派方式的惩罚值；NHumDUTY为某样本中所有违反一般勤务组合人性化指派方式的总数。
四、限制式成本类
依照限制式规划概念，针对染色体违反各限制式的项目总数与相对应的惩罚值(Penalty value)的乘积，即局限制式违反成本，一个可行解其限制式违反惩罚成本应为零。以数学式可表示如下，
Penalty_Cons＝PCons7D24h×NCons7D24h+PConsMRT×NConsMRT+
PConsPNC999×NConsPNC999(10)其中，PCons7D24h为欲减少违反在连续7天内勤务执行天数限制的限制式惩罚值；NCons7D24h为某样本中所有违反在连续7天内勤务执行天数限制的总数；PConsMRT为欲减少违反最少休息时间限制的限制式惩罚值；NConsMRT为某样本中所有违反最少休息时间限制的总数；PConsPNC999为欲减少违反无法完成赴卸勤务情境限制(亦当日乘客服务员的最后位置与隔天排定的勤务位置不同)的限制式惩罚值；NConsPNC999为某样本中所有违反无法完成赴卸勤务情境限制的总数。
因此，染色体的目标函数共计包括四大部分，营运成本、公平性指标满足度、人性化因素评估成本与限制式违反惩罚成本，可以下式表之，
SCORE＝Cost PNC
+Equal_PDM+Equal_DO+Equal_AC+Equal_SB+Equal_FT
+HumSB+HumDUTY
+Penalty_Cons
(11)然一可行解的样本评估值仅包括营运成本、公平性指标满足度与人性化因素评估成本，如下式，
SCORE＝Cost_PNC
+Equal_PDM+Equal_DO+Equal_AC+Equal_SB+Equal_FT
+HumSB+HumDUTY
(12)因此，只要检查限制式的违反数目是否为零，即可知道其解是否为可行解。整个演算法的结束条件为当限制式的违反数目为零时，其样本评估值的变化在3％之内，与前述相同的型态。
经试验后所设定的限制式惩罚值与各目标权重参数的大小与种类是如图10所示，其中，演算时所使用的相关参数为父代群体样本100个，子代群体样本80个，交配率为1，突变率设为0.8以增加找到正确方向的机会。
由以上的说明可知，本发明的演算方法藉由设定目标函数与限制式及采二维矩阵式编码方式，能充分表达问题特性，产生较高的求解效率，而得以极佳的效率产生最佳化运输勤务组员调度派遣表。
应说明的是，上述诸多实施例仅是为了便于说明而举例而已，本发明所主张的权利范围自应以申请专利范围所述为准，而非仅限于上述实施例。
权利要求
1.一种处理单日营运基础的运输勤务组员派遣的演算方法，主要包括下述的步骤
(A)随机产生多个初始样本，每一初始样本是为一包含有多个运输勤务的二维化运输勤务组员调度编码表，该运输勤务组员调度编码表及其运输勤务是对应遗传演算法的染色体及基因；
(B)以前述样本为亲代样本，依据定义的目标函数与限制式，进行样本评估，以求取其染色体的样本评估值；
(C)运用轮盘法则使样本评估值较为优良的染色体增加被选中的机会；
(D)以单点切割法和双点切割法的选择机率，进行染色体交配及基因突变；
(E)进行样本替换，以局部基因交换方式进行，依据染色体的样本评估值来将样本进行排序，并选出较优的样本，其中，每一染色体的样本评估值是由营运成本、公平性指标满足度与限制式违反成本所决定；以及
(F)当执行次数已达限制，或当限制式的违反数目为零时，其样本评估值的变化在一预设值之内时，则结束执行，否则，以所获得的样本为亲代样本，再执行步骤(B)至(F)。
2.如权利要求1所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该运输勤务组员为运具驾驶员。
3.如权利要求2所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该限制式包括连续工作天数限制、最大执勤时间限制、最少休息时间限制、飞行时数限制、待命人数配置限制、驾驶训练的限制条件、特殊地区驾驶限制、特殊路线驾驶限制、与前次班表关联性限制、及预定运输勤务组合限制。
4.如权利要求3所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中而演算方法的求解目标便为限制式成本为零、营运成本最小化、及公平性指标平均化。
5.如权利要求1所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该运输勤务组员为乘客月良务员。
6.如权利要求5所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该限制式包括勤务组合特定基地限制、当日或隔日勤务组合限制、当日或隔日既定任务限制、特殊路线资格限制、职级限制、及特殊路线及外站住宿勤务组合公平性限制。
7.如权利要求6所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中染色体的目标函数包括营运成本的最小化程度、公平性指标的平均化程度、人性化因素满足程度、各限制式的不满足程度。
8.如权利要求7所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该目标函数的组成包括营运成本类、公平性指标类、人性化因素类、限制式成本类。
9.如权利要求8所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该营运成本类包括赴卸勤务及外站住宿。
10.如权利要求8所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该公平性指标类包括餐费、休假次数、运具型别勤务组合、待命总次数、及执勤时数。
11.如权利要求8所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该人性化因素类包括待命勤务人性化指派方式及一般勤务组合人性化指派方式。
12.如权利要求8所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该限制式成本类是定义限制式违反成本为染色体违反各限制式的项目总数与相对应的惩罚值的乘积。
13.如权利要求12所述的处理单日营运基础的运输资源调度派遣的演算方法，其特征在于，其中该限制式违反惩罚成本为零。
全文摘要
一种处理单日营运基础的运输勤务组员派遣的演算方法，首先随机产生多个初始样本，每一初始样本为一包含有多个运输勤务的二维化运输勤务组员调度编码表；并以前述样本为亲代样本，依据定义的目标函数与限制式，进行样本评估；再运用轮盘法则使评估值较为优良的样本增加被选中的机会经染色体交配及基因突变后，进行样本替换，以依据样本的评估值选出较优的样本，其中，每一染色体的样本评估值是由营运成本、人性化因素满足程度、公平性指标满足度与限制式违反成本所决定。
文档编号G06F17/00GK1410910SQ01142278
公开日2003年4月16日 申请日期2001年9月26日 优先权日2001年9月26日
发明者张劭卿, 蔡明汶, 黄志威, 钟毓骥 申请人:财团法人资讯工业策进会