一种基于模拟退火算法的机场智能排班方法与流程

本发明涉及企业智能管理技术领域，特别是涉及一种基于模拟退火算法的机场智能排班方法。

背景技术：

随着人们对于航空行业的接受度和空中交通流量的逐年增加，机场运营既要确保飞行安全可靠和航空调度有序，又要加大航空运力和提升保障效率，提升机场航班准点率。

然而，机场在实际运营中正逐步凸显出越来越多的问题，其中非常重要的就是员工的人员管理，包括：人员及岗位技能与数量规划、员工最合理化上班、员工在当天工作中的实时调度，都是急需解决的问题。机场一线员工的排班基本都基于原始的手动排班，这样效率低下，并且缺乏时效性，规划性和灵活性。

因而，对于机场管理者而言，如何在面对复杂的业务管理流程，基于机场大数据应用在实际业务场景中及时、准确、科学地做出决策，也成为机场当前信息化建设面临的新挑战。

技术实现要素：

基于此，本发明的目的在于，提供一种基于模拟退火算法的机场智能排班方法。

一种基于模拟退火算法的机场智能排班方法，包括：

录入参与排班的员工信息；

录入排班周期内的航班计划；

设定约束条件，设定目标函数；

利用模拟退火算法对参与排班的员工进行排班；

生成员工排班计划，员工依照员工排班计划进行生产活动。

进一步优选地，所述参与排班的员工信息，包括：

员工基本信息：员工姓名、员工编号、员工年龄、员工性别；

员工教育信息：员工职称、员工学历；

员工工作技能信息：员工岗位职级，员工工作技能等级；

员工健康信息：员工健康状况；

员工薪酬信息：员工的薪酬等级。

所述排班周期内的航班计划，包括：排班周期内每个排班日航班计划的航班号、机型、计划起飞时间、计划降落时间、航班属性、航班任务、是否为要客航班、航班及机组的特殊要求。

进一步优选地，所述设定约束条件，包括设定硬性约束条件：

每个排班日内，每位员工的排班量≤一个班次；

每个排班日内，排班的员工数量≥当日航班计划内的航班需求员工数量；

同一位员工相邻的排班时间间隔≥8h；

设定排班周期内每位员工排班总时长的上限和下限；

每位员工的员工岗位职级等于或高于执行的工作级别。

进一步优选地，所述设定硬性约束条件，包括：

设n为参与排班的员工人数，

w为排班周期内排班日的集合，

m为排班日内划分的时间段的个数，

m为排班周期内划分的时间段个数，

rt为t时间段内需要排班的最少员工人数，

d为松弛参数，表示员工计划排班数量与员工实际需求数量之间的最大偏移量；

进一步，

设wmin为排班周期内每位员工排班总时长的下限，

wmax为排班周期内每位员工排班总时长的上限，

wi为员工i在排班周期内排班日的集合，

siw为员工i在排班周期内排班日w的上班开始时间，

fiw为员工i在排班周期内排班日w的上班结束时间，

xit∈[0,1]为员工i在时间段t内是否上班，0为休息，1为上班，

qik∈[0,1]为员工i的员工岗位职级是否等于或高于执行的工作级别k，0为员工岗位职级低于执行的工作级别k，1为员工岗位职级等于或高于执行的工作级别k，

atk为时间段t内工作级别k需求在岗的人数，

at为时间段t内实际在岗的员工人数，

l为服务质量参数，

则，得到

第一硬性约束条件t∈w，sum(xit)＝sum(wi)，

第二硬性约束条件rt≤at≤rt+id，

第三硬性约束条件fiw-siw+1≥8，

第四硬性约束条件wmin＜wi＜wmax，

第五硬性约束条

进一步优选地，所述设定约束条件，还包括设定软性约束条件：排班周期内，将每个参与排班的员工的排班平均分布在各个时间段。

进一步优选地，所述设定目标函数，包括：

设ci为员工i的薪酬等级，

ā为员工在排班周期内的平均工作时间，

c为公平性参数，

h为成本参数，

则，

目标函数为

进一步优选地，所述利用模拟退火算法对参与排班的员工进行排班，包括：得到一个初始解x作为可行排班方案，该初始解x的算法如下：

a1.从参与排班的员工中随机选择一名员工i；

a2.对员工i在排班周期内进行排班，并满足第一硬性约束条件、第二硬性约束条件、第三硬性约束条件和第四硬性约束条件；

a3.把员工i从参与排班的员工中移除；

a4.对其他尚未参与排班的员工进行排班，并检查是否所有参与排班的员工都已排班，若是，则将结果代入目标函数，运算结束，否则返回执行a1；

a5.得到初始解x。

进一步优选地，若所述初始解x不满足第五硬性约束条件，则在所述目标函数中加入惩罚系数h，将目标函数修正为：

将修正后的目标函数替换a4中的目标函数，运算得到满足硬性约束条件的初始解x。

进一步优选地，所述利用模拟退火算法对参与排班的员工进行排班，还包括：

设t为初始温度，

ρ为退火温度参数，ρ为(0,1]的随机数，

退火代数为αnd，其中，α为控制算法运行速度和收敛状态的参数，d为松弛参数，表示员工计划排班数量与员工实际需求数量之间的最大偏移量，n为参与排班的员工人数；

随机退火：将初始解x即可行排班方案中的一个排班日与休息日进行交换，满足硬性约束条件的情况下，得到一个新排班方案x'，若不满足硬性约束条件，则重新选择排班日与休息日进行交换，

计算增量δc＝c(x')-c(x)，其中，c(x)为评价函数，

若δc<0，则接受x'作为新的当前解，否则以概率exp(-δc/tn)接受x'作为新的当前解；

如果现有温度达到热平衡，热平衡为某一温度下，连续计算5次结果相同，则ti+1＝ρ*ti，如果运算达到预设退火代数αnd，停止运算，当前结果视为最优解，否则将已退火温度ti+1代入上述随机退火中，若没能达成热平衡，则温度不变，将原温度ti代入上述随机退火中。

相对于现有技术，本发明的基于模拟退火算法的机场智能排班方法基于航班计划对一线机场员工进行排班，采用模拟退火算法对排班计划进行推演，改进了传统依赖人力、估计不科学的排班方式，大大提升了人力资源的利用率，同时使业务流程化、行为标准化、决策程序化、组织系统化，打破以往缺乏统一规划的人力资源管理模式，量化了管理水平，也使得管理者更容易掌握一线机场员工的工作情况。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1是本实施例的基于模拟退火算法的机场智能排班方法的示例性流程框图。

图2是本实施例的初始解x的算法的示例性流程框图。

图3是利用模拟退火算法对参与排班的员工进行排班的一示例性流程框图。

具体实施方式

以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

请参阅图1，图1是本实施例的基于模拟退火算法的机场智能排班方法的示例性流程框图。本实施例的基于模拟退火算法的机场智能排班方法，包括：

步骤101，录入参与排班的员工信息,；

步骤102，录入排班周期内的航班计划；

步骤103，设定约束条件，设定目标函数；

步骤104，利用模拟退火算法对参与排班的员工进行排班；

步骤105，生成员工排班计划，员工依照员工排班计划进行生产活动。

上述步骤101中，所述参与排班的员工信息，包括：

员工基本信息：员工姓名、员工编号、员工年龄、员工性别；

员工教育信息：员工职称、员工学历；

员工工作技能信息：员工岗位职级，员工工作技能等级；

员工健康信息：员工健康状况；

员工薪酬信息：员工的薪酬等级。

上述步骤102中，所述排班周期内的航班计划，包括：排班周期内每个排班日航班计划的航班号、机型、计划起飞时间、计划降落时间、航班属性、航班任务、是否为要客航班、航班及机组的特殊要求。

上述步骤103中，所述设定约束条件，包括设定硬性约束条件：

每个排班日内，每位员工的排班量≤一个班次；

每个排班日内，排班的员工数量≥当日航班计划内的航班需求员工数量；

同一位员工相邻的排班时间间隔≥8h；

设定排班周期内每位员工排班总时长的上限和下限；

每位员工的员工岗位职级等于或高于执行的工作级别。

上述描述中，所述设定硬性约束条件，包括：

设n为参与排班的员工人数，

w为排班周期内排班日的集合，

m为排班日内划分的时间段的个数，

m为排班周期内划分的时间段个数，

rt为t时间段内需要排班的最少员工人数，

d为松弛参数，表示员工计划排班数量与员工实际需求数量之间的最大偏移量；

进一步，

设wmin为排班周期内每位员工排班总时长的下限，

wmax为排班周期内每位员工排班总时长的上限，

wi为员工i在排班周期内排班日的集合，

siw为员工i在排班周期内排班日w的上班开始时间，

fiw为员工i在排班周期内排班日w的上班结束时间，

xit∈[0,1]为员工i在时间段t内是否上班，0为休息，1为上班，

qik∈[0,1]为员工i的员工岗位职级是否等于或高于执行的工作级别k，0为员工岗位职级低于执行的工作级别k，1为员工岗位职级等于或高于执行的工作级别k，

atk为时间段t内工作级别k需求在岗的人数，

at为时间段t内实际在岗的员工人数，

l为服务质量参数，

则，得到

第一硬性约束条件

第二硬性约束条件rt≤at≤rt+1d，

第三硬性约束条件fiw-siw+1≥8，

第四硬性约束条件wmin＜wi＜wmax，

第五硬性约束条件

上述步骤103中，所述设定约束条件，还包括设定软性约束条件：排班周期内，将每个参与排班的员工的排班平均分布在各个时间段。

上述步骤103中，所述设定目标函数，包括：

设ci为员工i的薪酬等级，

ā为员工在排班周期内的平均工作时间，

c为公平性参数，

h为成本参数，

则，

目标函数为

请参阅图2，图2是本实施例的初始解x的算法的示例性流程框图。

上述步骤104中，所述利用模拟退火算法对参与排班的员工进行排班，包括：得到一个初始解x作为可行排班方案，该初始解x的算法如下：

a1.从参与排班的员工中随机选择一名员工i；

a2.对员工i在排班周期内进行排班，并满足第一硬性约束条件、第二硬性约束条件、第三硬性约束条件和第四硬性约束条件；

a3.把员工i从参与排班的员工中移除；

a4.对其他尚未参与排班的员工进行排班，并检查是否所有参与排班的员工都已排班，若是，则将结果代入目标函数，运算结束，否则返回执行a1；

a5.得到初始解x。

上述描述中，若所述初始解x不满足第五硬性约束条件，则在所述目标函数中加入惩罚系数h，将目标函数修正为：

将修正后的目标函数替换a4中的目标函数，运算得到满足硬性约束条件的初始解x。

请参阅图3，图3是利用模拟退火算法对参与排班的员工进行排班的一示例性流程框图。

上述步骤104中，所述利用模拟退火算法对参与排班的员工进行排班，还包括：

设t为初始温度，

ρ为退火温度参数，ρ为(0,1]的随机数，

退火代数为αnd，其中，α为控制算法运行速度和收敛状态的参数，d为松弛参数，表示员工计划排班数量与员工实际需求数量之间的最大偏移量，n为参与排班的员工人数；

随机退火：将初始解x即可行排班方案中的一个排班日与休息日进行交换，满足硬性约束条件的情况下，得到一个新排班方案x'，若不满足硬性约束条件，则重新选择排班日与休息日进行交换，

计算增量δc＝c(x')-c(x)，其中，c(x)为评价函数，

若δc<0，则接受x'作为新的当前解，否则以概率exp(-δc/tn)接受x'作为新的当前解；

如果现有温度达到热平衡，热平衡为某一温度下，连续计算5次结果相同，则ti+1＝ρ*ti，如果运算达到预设退火代数αnd，停止运算，当前结果视为最优解，否则将已退火温度ti+1代入上述随机退火中，若没能达成热平衡，则温度不变，将原温度ti代入上述随机退火中。

本发明的基于模拟退火算法的机场智能排班方法充分利用信息化手段，结合机场的信息资源，使得机场的人力资源得到充分的利用，在一定程度上优化机场的人力资源利用率，加强了机场的应急处理能力。

相对于现有技术，本发明的基于模拟退火算法的机场智能排班方法基于航班计划对一线机场员工进行排班，采用模拟退火算法对排班计划进行推演，改进了传统依赖人力、估计不科学的排班方式，大大提升了人力资源的利用率，同时使业务流程化、行为标准化、决策程序化、组织系统化，打破以往缺乏统一规划的人力资源管理模式，量化了管理水平，也使得管理者更容易掌握一线机场员工的工作情况。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。