一种用于紧急情况下护士排班的优化方法

本发明属于人员调度，具体涉及一种用于紧急情况下护士排班的优化方法。

背景技术：

1、传统的国内护士排班一般是由护士长采用缓慢轮班的排班机制，即在一个排班周期内，护士只工作一种班型，这样的好处是避免打乱护士的生物钟，造成护士身体的疲惫，困倦，一定程度上能降低医疗风险。排班的难度和繁琐性会随着护士人员的增加而急剧增加，需要耗费较长的时间，且排班结果还要受到护士长主观因素的影响，很难照顾到均衡性和护士的心理特点。国外的护士排班一般采用三班快速轮班制度，即：护士在一个排班周期内，会工作不同的班型；三班制指的是24小时内每个班型工作8小时，这种排班算法是基于医院的人力资源管理，追求的目标是降低医院人力成本。面对重大传染病等紧急情况时，上述算法无法在照顾护士之间的身心健康的同时，又能保证紧急情况下的工作顺利开展，并适当地降低救援成本。

2、利用软件进行排班表的建立是一项复杂且难解的离散优化问题。解决护士排班的算法可以分类两大类：分别是基于整数规划的确定性算法和基于启发式策略或元启发搜索框架的启发式搜索算法。前者可以找到确定的最优解但花费时间较长而后者可以较为快速的找到近似的最优解。如何在复杂的约束条件下高效的进行护士排班仍然是本领域技术人员需要解决的技术问题

技术实现思路

1、有鉴于此，本发明的目的在于提供一种包含硬约束条件和软约束条件的多目标优化模型，对紧急情况下护士排班情况进行优化。

2、为达到上述目的，本发明提供如下技术方案：

3、一种用于紧急情况下护士排班的优化方法，包括以下步骤：

4、s1：构建护士排班的硬约束条件和软约束条件；

5、s2：在粒子群算法中加入遗传智能算法，以满足所述硬约束条件的解为可行解，将每个软约束条件作为优化目标，对每个优化目标赋予一个权重，通过多目标的加权组合构成护士排班的目标函数，对护士排班进行优化。

6、进一步，所述硬约束条件包括：

7、hc1：每个护士每天只能上一种班型，设xijk表示第i个护士在j天的第k个班型的工作状态变量，该变量取值为1时，表明护士在这个班型值班；如果该变量取值为0，表明护士在该班型没有值班，即：

8、

9、

10、hc2：每个班至少需要icu护士、传染病科护士和呼吸科护士各一名，g是表示护士类型，qig表示第i个护士的类型变量，其取值规则为：

11、

12、表示第j天在第k个班型上班的第g类护士人数，即表示第j天在第k个班型上班的icu护士人数；表示第j天在第k个班型上班的感染科护士人数；表示第j天在第k个班型上班的呼吸科护士人数，硬约束条件hc2表述为：

13、

14、ijk为j天k班型的护士集合；

15、hc3：前一天上了中班和夜班的护士在第二天不能安排早班，即：

16、

17、

18、

19、

20、前一天上了夜班的护士第二天不能安排中班，即：

21、

22、

23、hc4：对于每一个班型，护士的配备数量不超过要求的上下限：

24、

25、hc5：连续上2天夜班的护士必须安排休息：

26、

27、

28、

29、hc6：连续上3个中班后安排休息。

30、

31、

32、

33、hc7：每周只工作6天，即：

34、

35、进一步，所述软约束条件包括：

36、sc1：每个排班周期内护士上中班次数不大于规定值w1：

37、

38、sc2：每个排班周期内护士上夜班次数不大于规定值w2：

39、

40、sc3：夜班在一个排班周期内，其连续工作次数计数不大于2：

41、

42、sc4：中班在一个排班周期内，其连续工作次数计数不大于3：

43、

44、sc5：一个排班周期内，一个护士工作的不同班型天数之差不超过3天

45、

46、

47、

48、进一步，把软约束条件作为目标函数进行优化，每一个软约束条件就作为一个优化目标，护士排班模型是一个多目标优化模型，对每个目标fi赋予一个权重αi，将多目标的加权组构成护士排班的目标函数，采用层次分析法确定权重αi，把问题分解成不同小目标，每个小目标形成一个层次，每个小目标相对于总目标的重要程度即为权重：

49、

50、

51、

52、

53、

54、综上，得到护士排班的多目标优化模型：

55、

56、进一步，步骤s3具体包括：

57、s31：录入护士排班优化模型基本信息，包括护士编号，护士所属科室参数值；

58、s32：采用两层编码技术进行染色体(粒子)基因编码，第一层编码表示护士的编号，第二次编码表示护士的排班状态；第二层编码采用随机编码满足硬约束条件hc1，采用以下三个调整规则使其每一条染色体均是一个可行解：

59、调整规则1：对于硬约束hc3，按照班型转移来进行第二天的排班，对于任意一名护士，检测其染色体编码，如果未出现转移图的转移情况，再一次随机生成该护士的排班状态，直到所有护士均满足hc3，同理对于hc5，hc6，hc7执行类似操作；

60、调整规则2：检测每一天各班型所需的各科室类型护士，如果不满足要求，则替换护士，直到满足hc2的不等式为止；

61、调整规则3：统计每一班型的护士编号数，检测其是否满足硬约束hc4，如果有多于数量要求上限的，则调整至未满足数量下限的班型；

62、s33：进行粒子个体初始化，根据目标函数计算粒子的适应度，对比适应度大小，记录当前最优适应度；

63、s34：进行个体交叉，获得新的染色体，首先选取两条用于交叉的染色体，选取染色体的n×m位，并随机选择交叉位置，从交叉位置的后一位开始对第一层编码进行交换，从而实现对第一层的编码的交叉，依据步骤s32调整第二层编码，以保证交叉后的新染色体能够满足硬约束条件；

64、s35：进行群体交叉，将种群中的粒子同最优支配解集中随机抽取的一个粒子交叉，交叉操作与步骤s34相同，然后比较粒子间的支配关系，存在支配关系则选取支配解，否则随机选择支配解，将新产生的粒子群与原群体最优支配解集合并成新的最优支配解集，在集合内进行支配关系比较操作，删除劣解，如此变形成新的群体最优支配解集；

65、s36：变异操作的对象为第二层编码，首先设定变异因子μ，在变异前产生一个介于(0,1)之间的随机数random，如果random＞μ，则相对应的交叉组进行变异，反之则不变异；变异完成后比较新旧粒子，存在支配关系则选取，否则随机选择，之后重复步骤s35；

66、s37：重复步骤s34-s36，进行下一次迭代，直到达到预先设置的迭代次数；

67、s38：将所有的非劣解集合并，筛选出最优解。

68、进一步，步骤s38中所述最优解的筛选流程如下：

69、s381：求合并后的非劣解集中各目标的最小值mini,i＝1,2,..,5；最大值maxi,i＝1,2,..,5；

70、s382：计算每个粒子的每一个目标的适应度值与最小值差值和最大值差值的比值：

71、

72、其中fi(x)为粒子第i个目标的适应度值；如果对于该粒子的所有pi都小于0.5，则保留该粒子，否则删除，通过该操作可以淘汰掉大量非劣解；

73、s383：挑选最优粒子，经过s382的筛选后，使用距离法挑选最优粒子，距离公式如下：

74、

75、fi(i)指第i个目标中的最小值，如果d最小，则为最优方案。

76、本发明的有益效果在于：该护士智能排班算法是基于护士排班的优化模型，满足7个硬约束条件和5个软约束条件，能满足重大紧急情况下的管理规定要求，更符合护士个人生理状态和排班的人性化。护士每个排班周期的中班，夜班工作次数的减少，连续上中班，夜班的次数减少，能够很好的减少护士工作的强度，缓解护士不满情绪。这在重大传染病爆发期间具有重要作用，除了能够以快速积极的状态响应重大紧急情况外，在紧缺的医疗资源中优化配置中，能够提升人力资源利用率，降低护士的健康风险，有效提高医院的重大紧急情况管理工作效率。

77、本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。