技术特征：
1.一种基于历史数据预测的银行排班方法，其特征在于，所述方法包括如下步骤：获取银行排班历史数据，根据所述历史数据建立模型变量和决策变量；建立包括最小上班人数的强约束条件，根据所述强约束条件生成初始排班种群；根据每个时段的人力需求、约束条件和优化模目标计算每个排班个体的适应度；采用分层精英选择算子选择下一迭代的父代个体，并采用交叉算法执行个体基因重组；设置迭代终止条件，当迭代的种群满足所述迭代终止条件则输出对应的排班列表。2.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，所述强约束条件包括：员工每天的班次约束条件，其中：x
ijk
表示第i个员工在第j天上第k个班次，n表示员工总数，t表示排班总天数。3.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，设置约束条件，所述约束条件包括：最小上班人数约束，其中：y
ijs
表示第i个员工在第j天的第s个时段是否在上班，表示第j天的第s个时段的最小上班人数，j为日期，s为时间段。4.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，设置约束条件，所述约束条件包括：最大上班人数约束，其中：y
ijs
表示第i个员工在第j天的第s个时段是否在上班，为第j天的第s个时段最大上班人数，员工在第j天的k班次上班对应的时段约束为：其中t
k
为对应k班次所在的时段，时段约束公式中的m为约束参数，代表足够大的实数。5.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，所述每个排班个体的适应度计算方法包括：其中fitness表示适应度，在适应度计算公式中的m表示t天的第s个班次上班员工数量。
6.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，所述交叉算法包括：合并父个体基因，形成合并基因集合p；从所述合并基因集合p中计算相同排班的重复基因数量；根据适应度函数从所述合并基因集合中选择适应度最高的基因组合；若存在新选择基因，且新选择基因集合>＝2，则选择重复覆盖岗位最小的基因；进一步累加覆盖的岗位人数，当完全覆盖所有岗位则退出所述交叉算法。7.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，所述排班方法还包括对所述种群进行变异操作,包括如下步骤：其中v
i，g+1
为下一世代的第i个个体，并对其j个基因进行取整处理，x
best，g
为当前世代的适应度最高的个体，x
r1，g
，x
r2，g
，x
r3，g
，x
r4，g
分别为当前世代的随机选择的4个个体，在重复计算n次后生成n个。8.根据权利要求1所述的一种基于历史数据预测的银行排班方法，其特征在于，设置迭代终止条件，其中所述迭代终止条件包括：设置迭代阈值次数、设置无适应度改进下的迭代阈值次数或设置运行时间阈值，当所述迭代满足所述迭代终止条件中的至少一项时，终止种群迭代。9.一种基于历史数据预测的银行排班系统，其特征在于，所述系统执行上述权利要求1-8中任意一项所述的一种基于历史数据预测的银行排班方法。10.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，所述计算机程序可被处理器执行所述权利要求1-8中任意一项所述的一种基于历史数据预测的银行排班方法。
技术总结
本发明公开一种基于历史数据预测的银行排班方法和系统，其中所述方法包括如下步骤：获取银行排班历史数据，根据所述历史数据建立模型变量；建立包括最小上班人数的强约束条件，根据所述强约束条件生成初始排班种群；根据每个时段的人力需求、约束条件和优化模目标计算每个排班个体的适应度；采用分层精英选择算子选择下一迭代的父代个体，并采用交叉算法执行个体基因重组；设置迭代终止条件，当迭代的种群满足所述迭代终止条件则输出对应的排班列表。所述方法和系统采用了基于分层精英选择算子的差分进化算法作为优化的遗传算法解决银行排班在规定的时间内得到满足约束的解，提高银行排班的效。提高银行排班的效。提高银行排班的效。
技术研发人员：李宇豪 操玉琴 常保安 郑杰
受保护的技术使用者：信雅达科技股份有限公司
技术研发日：2021.11.30
技术公布日：2022/3/1